Vol.223 产业观察42｜一级投资人眼中的2026年AI上半场：FOMO、数据闭环与上市潮

摘要

• 峰瑞两位科技投资人复盘2026上半年一级市场，三个关键词定调：FOMO、分化、估值前置。 热门赛道"十亿美金可能就是在几个月之内直接火箭式的诞生"，一个项目"一轮在交割中，一轮在谈协议，还有一轮已经在敲定方案"；但热度高度集中，大部分赛道不温不火——与二级市场科技股的极端分化互为镜像。
• OpenClaw（原音"Open Cloud"，据"养龙虾"语境推断）是上半年全球影响力最大的事件：把 agent 从投资圈黑话变成全民"雇数字员工"的共识，类比 DeepSeek 出圈。 退潮后留下的是真实用户与新范式——harness engineering、任务轨迹数据、agent RL。核心投资判断：垂直 agent 的轨迹数据可能不回流基模，“有可能会在 agent 这一层形成可以沉淀的机制”，这是 agent 创业不被大模型吞噬的理由；反例是 Cursor——离模型太近，“就像恒星到末期膨胀，你就是一个行星离它很近瞬间被吞噬”。
• Anthropic 是模型侧最突出的公司：all-in coding 是"绝佳的战略决策"，从追赶者变成引领者，传闻 ARR 到160亿美元、今年上市可能是万亿美元市值、年内盈亏平衡。 评估体系已从考试榜单转向 SWE-Bench 类任务交付榜单——“模型叙事从我去应付考试，变成了我要真正交付 agent 价值”。Fable 5/Mithos 不对外供、传闻被封禁，严千行认为有"烟雾弹和饥饿营销的成分"。
• 中美差距或收敛到"几个月"：智谱 GMM 5.2 编程能力被认为接近 GPT-5.5 与 Claude 最新 Opus，市值破万亿港币；但数十万卡集群的基建差距短期无解，中国的打法仍是"花小钱办大事"。 两张明牌：轻量模型占位（MiniMax 2.5 成 OpenClaw 官方推荐、Kimi/MiniMax 登上黄仁勋 GTC PPT）与视频生成国内显出优势——Seedance 收入 AR 已达20亿美元而 Sora 关闭服务，胜负手在视频平台数据与推理成本。
• 基建叙事从"算力够不够"转向"系统是否高效"：英伟达股价横盘于180–220美元，上游光互联、存储反而走出十倍行情，“快变成币圈了”。 传输墙与存储墙倒逼光进铜退、HBM 全面铺开，推理将占九成以上需求；存储涨价已传导到 MacBook——整个系统抽象成一件事：“电力 in，token out”。
• 世界模型是上半年最典型的 FOMO：几十家公司、四条路线（视频生成、李飞飞3D、LeCun JPA、WAM）均未收敛，融资"上来就砰砰砰就上去了"。 具身侧的修正是 VLA 与世界模型互补而非替代（打网球比喻：本能反应 vs 先想再动），北美最新叙事是"Beyond VLA and World Models"的目标驱动系统论。
• 上市潮改变一二级传导：宇树拟上科创板、智谱/MiniMax 已上市，OpenAI 与 Anthropic 今年可能上市——本质是"生态位价值的资本化兑现"加补充弹药。 风险在于"带头大哥支撑不起，反过来就会打压我们一级市场的估值预期"，一二级倒挂将触发"大冷静期"。
• 泡沫破裂沙盘与下半年重要变量：“泡沫终究会破是一句正确的废话”，但破后资金会收拢：research 类具备持续交付 milestone 的公司拿得到钱，“靠讲故事没有 results 输出就会拿不到钱”；落地类向订单真实、商业鲁棒的公司集中。 严千行押注的下半年变量是：真实数据闭环——具身从数据到部署全流程滚动、agent 自我决策自我学习，“skills 不构成商业模式”。

精读

1. 李丰开场：巨震之下，先把泡沫问题摆上桌

• 峰瑞合伙人李丰的定调：过去一周 AI 二级市场——芯片、存储产业链——“产生出了巨大的波动”，叠加 Meta 关于自身算力基础设施的安排，市场开始追问算力基建"是不是到了一个阶段性的高点或者泡沫要开始破裂"。
• 他把话筒交给两位科技投资同事，并强调基金内部"尽量公开透明的讨论"、各自观点只代表个人——他本人对 AI 与 token 所处阶段的判断已在两期前的宏观漫谈中明确表达，“下面的讨论也有一些不同的意见”。

2. 三个关键词：FOMO、分化、估值前置

• 严千行上半年聊了近150–200个 AI 项目，刘鹏奇体感相当。他的三词总结：第一是 FOMO——热点领域涌出大量从未见过的项目，估值快速上涨逼着投资人"必须得把所有的项目都看一遍"，机构内部的刺激变成"我们今天投了吗？是不是得多投？"
• 第二是分化：“除了个别特别热门的赛道融资蒸蒸日上之外，大部分赛道还是处在相对冷静的状态”——与二级市场科技股大涨、非热点股票阴跌的结构一模一样。
• 第三是估值前置：过去早期投资在 milestone 之前给合理估值的规则"全被打破了"，“十亿美金可能就是在几个月之内直接火箭式的诞生”。鹏奇的现场注脚：有项目一周估值就变，甚至"一轮在交割中，一轮在谈协议，还有一轮已经在敲定方案"。
• 焦虑的真相——严千行承认"说不焦虑那不现实"，但焦虑更多不来自投错，而是"你怕自己被 AI 时代甩掉"：每次新模型、新热词出来，怕的是"这新闻怎么过几天才看到"。鹏奇的解法是把项目按价值型与机会型拆开，避免价格与价值的错配干扰决策。

3. 双重回归：new lab 式研究创业与"FOMO 没什么用"

• 第一个方向变化是研究型赛道：类似美国 new lab，用商业化公司的组织形式加速长期研究，“大家不再那么纠结是不是教授创业”，投资人的问题变成"你能不能做这个行业里最好的研究输出者"。
• 第二个是落地层的觉醒。严千行复盘 FOMO 时间线：去年上半年因疑似 Manus 疯抢 AI 应用，下半年因 Insta360 上市疯抢 AI 硬件，“但回归到今年上半年之后，大家都发现一件事情，FOMO 没什么用”——沉淀回找更好的产品定义者：agent 要"交付任务价值、形成任务闭环、形成自身的数据飞轮壁垒"，硬件回归"是不是消费者感兴趣且需要的"。
• 两个看似极端的方向，“实际上都是在各自的创业形式上回归价值”——这是他眼中上半年最大的趋势。

4. 钉子亲自下场：coding 工具重写创业者画像

• 自 Codex 加疑似 Claude Code 发布后，创业者不再必须是工程师：好的产品经理、设计师"把自己变成了一个全栈的产品经理"。十年前的经典玩笑"我有 idea，我有天使轮融资，我缺一个 CTO"，今天不再成立。
• 严千行看线下黑客松的观察：做得最好的产品常出自律师、家庭主妇、非 IT 从业者之手。鹏奇总结旧模式是"拿锤子找钉子"，现在是钉子直接创业——严的接话：“锤子就你花钱买 coding plan 就行了，钉子我知道在哪，我直接亲自去敲。“峰瑞今年也遇到了多个非算法背景团队做出的好产品。

5. OpenClaw 出圈：从圈内黑话到全民"养龙虾”

• 严千行把 OpenClaw（原音"Open Cloud/Open C O L”，据"小龙虾/养龙虾"语境推断）列为上半年"全球影响力最大的一个事件"：它把投资人与创业者之间讨论的 agent 概念，直接变成社会大众"我要雇一个数字员工"的共识——性质类比去年 DeepSeek 出圈的观念冲击。
• 出圈的机制：过去部署 agent 是麻烦事，多数人连 Codex、Claude Code 都没用过；OpenClaw 第一次让大众在端侧快速部署、用自然对话去"养" 自己的 agent，加上开源低门槛与中国开源模型的支撑，“社交热度叠加爆炸起来”。
• 同一时期的另一个信号在二级市场：“你是站在光里还是光着站在那里"的段子刷屏——“不做 AI、不懂 AI、只做交易的人，今天变成了最懂、最花时间研究 AI 的一帮人”。

6. 退潮之后：吹开泡沫，下面是醇厚的啤酒

• 热度回落可能也与开源的两面性有关：门槛低所以快热，但安全机制与体验不完善，多数大众流向其他平台。严千行的判断是留存才是重点：“很多吸引进来的人其实不需要 agent，但需要 agent 的人真真实实切切的现在就在稳定的用。”
• 他的最佳标本：一位美妆博主朋友转型科技博主，非技术背景，用 OpenClaw 自建 workflow，定向搜集科技信息、自动生成内容 pipeline，靠社交平台放大效应快速输出。另一个已成标准范式的场景是 PPT 制作——严千行补充：“我们今年收到的很多 BP，一看就是 AI 做的。”
• 收束的比喻值得原文保留：“一波热潮之后，虽然有泡沫有噪音，但最后沉下来发现实实在在的吹开了啤酒的泡沫，下面是醇厚的啤酒。”

7. Harness engineering：不定死路径，让模型自己探索

• 从 chatbot 到 agent 的本质跃迁：agent 是"环境搭建—决策执行—反馈"的闭环系统，模型只是大脑。今年的关键词 harness engineering（ASR 多处误作"Hugging Face Engineering”），核心是把环境和反馈通路定义好，让模型自己去运转 workflow——“不需要人去定死你每一个路径怎么走，AI 自己能探索出更好的决策来”。
• 为什么去年不讲今年讲？严千行的归因：去年模型在给定环境里探索的结果"不一定有你明确定义好的 workflow 效果好"，而现在 tool use 与长程决策能力变强，“它能摸索出来肯定比我们给定的要好”。
• 他给的进化论比喻是本期的意象之一：环境搭好后的 agent 生态"就像寒武纪生物大爆发一样——并不一定每一次迭代都是正向的，但因为有足够好的环境且足够丰富的资源，大家在里面随机进化，最后进化出来的结果就是一个大爆发"。

8. 任务轨迹：agent 数据飞轮成立的条件

• 鹏奇抛出的老问题：大模型一直缺真正的用户数据飞轮。严千行的回答是数据形态变了——chatbot 时代拼上下文语料，agent 时代"任务轨迹才是关键的核心数据"，与具身智能强调真机任务数据同构；这些轨迹叠加 harness 环境，自然推动今年大热的 agent RL。
• 关键的不确定性他没有回避：轨迹数据能不能流回基模公司？Claude Code 的 coding 轨迹肯定反哺 Anthropic 自己，“所以它可以做的比别人更强”；但大量 agent 会垂直分散，他认为轨迹数据可能对基模不开放——“我觉得有可能会在 agent 这一层形成一些可以沉淀的机制，这样子才会存在 agent 的创业机会”。
• 这直接回应了"模型越来越强、边界吞噬一切"的悲观论：任务轨迹加垂直场景数据可能在体系内循环，agent"有可能实现自身的数据飞轮，不再被大模型所吞噬"。谁拿到这些资产，谁就是兵家必争之地的赢家。

9. 三类玩家分野：恒星吞噬、IM 吃工作流、龙虾机存疑

• 谁胜出？严千行先声明"今天我去讲谁胜率大，这事儿挺偏神棍的"，但三类玩家要的东西不同。大模型厂商切离模型最近、能反哺模型的通用场景——deep search、deep research、coding 依次被亲自拿下。悲情注脚是 Cursor 被收购：“从给 Claude Code 贡献最大 token 消耗量的公司，被 Claude 自己发布的 agent 产品干掉——就像恒星到末期膨胀，你就是一个行星离它很近瞬间被吞噬。”
• IM 与办公入口的优势是现成的推广生态加沉淀的工作流：发票报销这类标准数字化流程"是不是 agent 可以快速去学？"——SaaS 时代的 workflow 直接变 agent。
• 本地硬件"龙虾机"他直接打问号：“一开始热的时候抢的最凶的是 Mac mini，冷下来之后闲鱼上卖的最多的也是 Mac mini”——除非明确高频使用且隐私要求高，否则自己电脑或云服务器就够了。
• 但端侧 AI 硬件的衍生形态（算力盒子、端侧路由、端侧硬盘）是基于 AI 场景需求的补充——引出下一个话题：数据到底归谁。

10. 隐私换能力：B 端 token 释放的真实卡点

• 严千行把用户分两层：C 端从互联网时代的历史经验看，“更看重效率体验多于隐私，甚至可以让渡一些隐私”——大量数据本就在平台手里，大家照样享受服务；但 Pro C 与 B 端完全不同，数据资产就是企业经营的核心资产，“如果让渡给大模型换取效率，对这些企业来说是得不偿失的”。
• 他引述与阿里云朋友的交流作证据：C 端客户 token 调用量尚可，大 B 客户的 token 用量一直上不来，与其云计算消耗完全不成比例——“释放不出来 token 和模型的能力用于业务场景，只能用在比较浅层的效率工具上”。
• 严千行顺势推演：律师不能泄露客户资料、工程师不能泄露配方，“要么私有化部署，要么别干”——假设隐私与打通问题解决，这些场景就是 AI 下一步渗透的入口。鹏奇确认这正是峰瑞在关注的方向：最好的模型能力与本地知识库的连接打通，加权限隐私保护。

11. 大 B 落地：FD、“加量不加价"与幻觉的责任界定

• 两人都看过 SaaS 与 FinTech，对大 B 客户"又爱又恨”：钱多、要求高、问题复杂。当下打大 B 的现实困境是"加量不加价"——客户认为模型反正开源，不愿为 AI 服务付溢价，加上国内厂商价格战"打的比较狠"。
• 海外的"FD"（AI 落地外包工程师）模式正热，但鹏奇提醒：一旦深入客户底层数据库，海外也会遇到中国 B 端的老问题。更根本的卡点是幻觉的责任界定：“我做一笔风控，如果完全交给 AI，它有幻觉带来的损失谁来承担？是模型承担还是企业员工承担？这个界定就跟自动驾驶一样，现在还没办法切分”——这是 AI 迟迟停留在效率场景、进不了业务环节的核心原因。
• 机会藏在卡点里：用大模型把企业内部数据标准化、打通、构建业务图谱，以及解决幻觉控制——“这可能还有一部分学术问题需要被解决，但这反而也是机会”。

12. Agent 悖论与 token economy：定价的锚还没找到

• 悖论摆在桌面：“Claude 什么都能做了，为什么还要做 agent 创业？“严千行的解法是经典的规模化逻辑：市场永远会抽离出共性需求，由最好的人打磨成产品——他自己想用 Claude Code 写个 AI RSS 总结工具，最后发现现成的好用，“一个月付个十来块钱订阅费”，好过烧几百块 token 自己造。“当产品共性明确、可以规模化之后，买比自己做要便宜。”
• 鹏奇的冷水更宏观：大家自己动手一半出于成就感——“我们就差一个工程师，但现在没有工程师我也把这事儿干成了”——但"很多 C 端用户开发的代码其实就是垃圾代码躺在那里”，单位 token 的真实经济价值存疑。token 该按成本定价还是按价值定价，“还在一个形成的过程中”，不能拿订阅制线性外推模型大厂的营收模式。
• 严千行对近期 token 支出冲高回落的解读偏良性：过去"不清楚的情况下我宁愿用最贵的”，现在"不杀猪不要用牛刀，用便宜的也可以——这是经济行为上的正常波动"。

13. 模型进步没有放缓：从考榜单到交付任务

• 严千行的两分法：o1 式 reasoning 那种结构性、跨越式创新"确实有一段时间没看到了"，但能力点的进步依然非常快。最直观的证据是评估体系换了——从 MMLU 与数学考试，换成 SWE-Bench、Computer Use 类 agent benchmark，“模型叙事从我去应付考试，变成了我要真正交付 agent 价值”。
• 鹏奇的类比收得干净：像学生毕业走入社会，“知识储备基本定型，考核不再是考试分数，考的是你能做多少工作任务”——AI coding 越来越好用，本质就是模型越来越强。

14. Anthropic 的知行合一：all-in coding 的战略红利

• 表现最突出的公司，严千行毫不犹豫指向 Anthropic：把所有重心投入 coding 是"绝佳的战略决策"，让它"从大模型竞争里的追赶者变成了行业的引领者"——因为它最早看到评估体系要从考试转向任务执行；“Claude Opus 当时3.5出来（原话如此），coding 工具就好用了”，形成使用—强化的正反馈。
• 数字全部惊人：传闻 ARR 到160亿美元，今年上市预测万亿美元市值，推理毛利率方面，公司称今年年终可能盈亏平衡。
• 他特别反驳"coding 是垂直市场"的说法：coding 包含人的逻辑与决策流程，投入 coding 反哺的是推理与链式决策能力，“大家用它总觉得特别严谨、特别聪明——不点名某些模型公司的产品，感觉是天马行空但不可靠”。他的总结句是本期金句：“学而不思则罔，思而不学则殆——Anthropic 是最早知行合一做得最好的，所以它的’知’提的比别人快很多。”

15. Fable 5/Mithos 封禁疑云：武器级能力还是饥饿营销

• 今年 Anthropic 发布 Fable 5（或称 Mithos）后新闻不断：宣称绝不对外供应、短暂开放后又下线，还传出美国要封禁；GPT-5.6 同样发了但未对大众开放。
• 严千行的态度是审慎的：能力提升是实的——上下文长度、自适应循环思考、与 agent 能力的融合"给用户带来体感上很强的体验"——但封禁叙事"一方面会有一些烟雾弹的成分，有一些饥饿营销的成分在里边"，它是不是真的带来国家之间竞争武器一样的能力，可能还需要再看一看。

16. 国内最大惊喜是智谱：GMM 5.2 与数据补课

• 严千行的答案不假思索：“最大的惊喜来自于智谱”——股价（市值刚冲破万亿港币）加上 GMM 5.2，同样把重心押在 coding 上。鹏奇补充技术面：架构自研创新之外，5.2 在长程任务训练中"听说加入了过程奖励的方式"。
• 更重要的结构变化是数据补课：面对海外"是不是在做大量蒸馏"的质疑——“只做蒸馏天花板是有限的”——国内大厂上市融资后，除了堆算力挖人才，“越来越多愿意在数据采集上花很多的资源和钱”。峰瑞今年看到的数据服务商"赚钱蛮多的，只要有数据都会被疯抢"。

17. DeepSeek 破例融资：竞争当量变了

• DeepSeek 在长期声称不融资后于今年完成融资，鹏奇解读为人才与资源的双重考量：通过估值定价给员工足够激励——“这其实是这个时代最重要的资产”——并深度绑定国产算力生态，“不仅是把自己的能力提升上来，更多是把整个中国的产业生态带起来”。
• 严千行补的背景更硬：DeepSeek 刚出道时，国内竞争者的资金支持都在几十亿级别，量化基金养的 research lab 足以周旋；但去年起"大厂开始砸钱"——字节相关团队、阿里、小米都在砸，MiniMax 与智谱上市后弹药更不在一个量级——“如果 DeepSeek 还按原来那种方式运转，无疑是自己给自己增加挑战难度”。
• 他对这家公司的定性保持敬意：“一切都是服务于做出更好的大模型，并不是服务于商业落地目标。”

18. 中美差距收敛到几个月，轻量模型已经"出名了"

• 严千行的分层判断：极速版与通用标准版模型上"中美差距在逐步缩小"——很多人认为 GMM 5.2 的编程能力已非常接近 GPT-5.5 跟 Claude 最新 Opus；但"有一个非常明确的问题没法克服：基础设施加算力"，美国有数十万卡集群，最前沿探索短期难追，“我们擅长提升算法的效率，花小钱办大事”。
• 差距的时间刻度他给得具体：22年"觉得很难追上了"，23–24年"差一两年"，到今年"就几个月的时间"。佐证是智谱 CEO 与马斯克在 X 上的对话——马斯克问什么时候赶上，回答是"就过一个季度，下个季度可能我们就赶上了"。
• 轻量层中国已然占位：MiniMax 2.5 在 OpenClaw 发布时直接成为官方推荐模型；今年三月英伟达 GTC 上黄仁勋讲模型分层时，“Kimi 跟 MiniMax 的名字都列在了它的 PPT 上”。
• 鹏奇补一句结构性判断：数据对模型能力进步的贡献占比会越来越高，而中国在补数据这件事上"变得比原来强了很多"——这个角度他也看快。

19. 视频生成国内显出优势：Seedance 20亿美元收入 AR vs Sora 关停

• 格局罕见地倒转：Seedance 收入 AR 已达20亿美元，而海外除了 Google Veo 3.0（原音"V三点零"）还被认可外，“Sora 已经关闭了服务”。
• 鹏奇拆出两个原因：一是数据——字节、阿里手握存量视频数据与工程化处理能力；二是成本——视频模型 token 消耗巨大，“Sora 生成同样一条视频，成本是 Seedance 的很多倍，按同样价格基本上很难支撑商业模式”，而 Seedance 靠架构设计与算力高效利用把成本压到可接受，视频相关收入已占字节大盘"相当重要的一个比重"。
• 严千行加上需求侧与数据侧的闭环：中国有 AI 短剧、AI 漫剧的真实消费，工作室"始终在等最新的模型改进生产流程"；且视频模型做得最好的三家——字节、快手、谷歌——“各自都有自己的视频平台”，不一定直接用平台数据，但"知道怎么从工程化的角度去处理这些数据资产"。

20. 基建叙事转向：英伟达横盘，上游"快变成币圈了"

• 半年的大事密度足够高：Nvidia 去年年底收购了 Groq、三月 GTC 发布 LPU 方案、Cerebras 一体化晶圆公司上市、OpenAI 前两天刚流片自研推理芯片。而最刺眼的价格信号是：英伟达股价在180–220美元之间波动没大涨，上游光互联、存储公司却"迎来让人羡慕的十倍以上涨幅，快变成币圈了"——“你去年把年终奖存进去，今年可以收获一整年的工资”。
• 严千行提炼的核心变化：“从算力够不够，变成了整个算力系统是不是最高效的运转”——不再是用英伟达最好的 GPGPU 什么都干，而是搭建各场景 ROI 最高的系统。
• 推理是这套逻辑的支点：假设 AI 真渗透到各行业，“推理是绝对九成以上的大头需求，推理成本决定了整个社会 AI token 消耗的渗透速度跟渗透量”。

21. 传输墙与存储墙：光进铜退与 HBM 的价值释放

• 传输墙的白话版本值得保留：一万个节点的集群里，若传输跟不上，“你雇了一万个人，结果因为流水线传的慢，有些人在磨洋工，那你肯定白花钱了”——GPU 利用率就是这么被吃掉的。于是光模块用量大增、板间连接转向 PCB 背板、可插拔光模块向 NPO/CPO（原音模糊）演进，长期就是"光进铜退"。
• 存储墙同理：数据搬运让算力单元待工，于是要提升存算带宽——HBM"过去十几年大家一直以为是低性价比没什么用的东西，突然在今天被整个行业快速全面铺开，释放了价值"；叠加 HBM 太贵带来的分级存储需求，SSD 与 DRAM 一同被推到高位。
• 行业性质被改写：过去是供给侧拿新技术找场景，“今天是英伟达倒逼上游去解决问题、加速研发——AI 带来的爆发式需求把原来的周期性行业变成了成长性行业”。

22. 涨价传导到每个人：电力 in，token out

• 需求挤兑已成现实：阿里云的朋友说"二六年买存储都得靠抢了"；昨天苹果发新闻，因存储涨价 MacBook 要涨价。严千行的个人注脚：“为什么我去年非常坚定的把用了五年的手机换掉——明年换，手机大概率因为存储涨价也要涨价。”
• 他把整个算力系统抽象到一句话：“电力 in，token out”——OPEX 怎么尽可能高效转化为产出，会持续倒逼各模块迭代：更低功耗、更低成本、更好的可维护性。“这本质上都是在做更好的 AI 基础设施，用更便宜的价格供给大家——跟大模型跟 agent 一样，都在解决藏在下面的问题：让我们更便宜、更好更快的用 token。”
• 一个反直觉的短期推论（严提出、鹏奇部分认可）：云端基建吸走大量资源、推高硬件价格，“反向是不是短期压抑了端侧需求”——你可能不换电脑了，便宜的端侧硬件都要变贵。鹏奇提醒两年后还要叠加 AI 周期回调、上游挤泡沫的变量。

23. 端边云分层：几十 B 的端侧与"满血开源"的边缘

• 鹏奇的分层预测：C 端未来端侧比例会比较高——初创公司正在让端侧"甚至跑个几十 B 的模型都是有可能的"，届时简单任务甚至部分 agent 任务可完全在端侧完成，只有编程、长程推理才交给边缘或云。
• 边缘侧的定位是私有数据的载体：NAS 或一体机形态，沉淀个人与企业的文档、视频、数据库，“基本上可以在本地跑一个满血版的开源模型”，特殊任务经脱敏机制再上云协同。
• 严千行由此看到创业切口：既然短期云侧吸走资源，“端侧长期会倾向于在相对低算力消耗、低硬件成本开支下实现更好的功能”——把大参数模型通过剪裁、与 SSD 存储互动等方式塞进低性能硬件，正是峰瑞在投的方向，“但这类模式能带动多大市场，还需要再观察”。

24. 世界模型：一个超级热词的四条路线

• 上半年"号称跟世界模型相关的公司应该也得有几十家"。鹏奇先给定义祛魅：世界模型不是一个具体模型，而是"给世界一个外部行为干预，预测下一个时间点状态怎么变化"的概念——照此"牛顿定律其实也是一个世界模型"。严千行补充其强化学习出身：刺激—反馈—奖励闭环里的中间件本来就是世界模型。
• 路线一是视频生成派：Sora 当年自称世界模型，“但确实不太准——手穿玻璃，上车是从车窗玻璃啪穿过去的”。路线二是李飞飞的 3D 世界模型：生成可交互、可操作的真三维空间，而非一帧帧平面图，“能不能做真实物理交互，今天还没看到具体进展”。
• 路线三是 LeCun 的 JPA——“非常高调的 anti-LLM、anti next token prediction 的扛旗者”。严的话筒比喻讲得透：next token prediction 要预测画面每个 pixel，而 JPA"只要知道前面是一个话筒就 OK 了"，抽象成隐空间的概念表征——“能不能做出来，我今天也不知道，他在挑战这世界上最难的事情之一”。路线四是 WAM（world action model），把世界模型与 action policy 结合。
• 投资侧的现实：“每个方向都有公司在一级市场活跃融资，上来就砰砰砰砰砰就上去了——这也是为什么我说世界模型是一个非常典型的 FOMO。”

25. 世界模型与 LLM：先天与后天，不是谁干掉谁

• 严千行反对替代叙事：语言是与世界交互的高度压缩通道，感官—触觉—视觉—执行是另一条通道，“本质上是跟世界交互的不同渠道而已”——世界模型是语言理解之上的能力拓展。路线为什么这么多？“每个人对世界的思考方式不一样，擅长抽象推理的适合做数学，擅长具象想象的艺术创作好——大一统也有可能，但也有可能不会，这个我今天预测不了。”
• 鹏奇的收束是他在内部分享中的框架：“世界模型更像先天能力——几十亿年进化出来的与世界交互的能力；语言模型更像后天学习——学会语言之后开启的第二条增长曲线。一个先天一个后天，迭代方式不同，共同塑造了人的能力。”

26. 为什么爆发在今年：视频模型完善与 3D 表征成熟

• 供给侧变化一：视频模型逐步完善。“从当年某电影明星吃面那个经典视频，到现在渲染生成吃面的画面，原来是跟物理完全不相关的，今天已经非常符合真实”——大量人类视频天然蕴含物理规律，是现成的先验数据，开源视频模型的充分供给让团队能快速训出阶段性成果。
• 供给侧变化二：3D 表征一路演进——Mesh 点云、NeRF、高斯泼溅、再到 VGGT 单张照片 3D 建模，“做一个三 D 世界的生成打好了基础”。
• 但路线间的门槛差异明显：真 3D 虚拟世界"对算力要求和训练成本都非常高，国内也只有腾讯发了一个版本（自家游戏强），加上李飞飞发布了一些成果"；而视频驱动的世界模型涌入了大量具身、游戏团队——数据 ready 程度决定了赛道拥挤度。

27. 物理数据从哪来：三条路径与一条落地顺序

• 世界模型比 LLM 面对更严峻的数据饥荒——行业共识的数据金字塔：底层合成数据、中层 ego-centric 第一视角数据、顶层真机遥操；英伟达路线提出后，大家想把第一视角数据"从十万小时推到百万甚至千万小时"。
• 严千行的三分法：一是真实物理传感器采集（力、触觉、温度传感器与视频流结合）；二是仿真与数字孪生——他为合成数据正名：“给予充分时间和精度，CAE 类公司确实可以拿出95%以上精度的数据，那也是有价值的”，不同于机器人圈诟病的大 sim-to-real gap；三是基于视频做物理推理打标，由 AI 从视频直接推断接触与受力状态。
• 约束是经济性：“大家都觉得最好的是真实传感器采的数据，但我不可能训一个模型花个五六百亿去采一个数据，这不现实”——最终按 ROI 分配多种数据构成，形成利用梯度，与具身同一套思路。
• 落地顺序的预测（鹏奇）：最先感受到的商业化是游戏与内容消费——“它不追求绝对准确，只要能欺骗过我们人类的眼睛就可以”，纯数据驱动能做好；具身操作要更久。严的期待很朴素：“真能用在游戏里，这辈子就不用在游戏里看到诡异的穿模跟各种奇怪的 bug 了。”

28. 年轻教授创业潮：赌的是下一个 DeepSeek

• 这波世界模型创业者"很多是还没毕业的博士生、刚拿到教职的老师"。成立的前提是 new lab 概念被投资人接受——“从看你有什么商业化收入、什么时候落地，变成了你能做出什么样的好的成果来改变世界，然后再去谈商业化”。老师们的动机也真实：做最好的研究需要产业级的钱、算力和人，学校资源不够，“他们不得不出来”——和前面所说的模型公司出来融资逻辑类似。
• 严千行不回避定价的荒谬：“肯定有疯了的因素在里面——项目没什么变化的情况下，砰砰砰连续四五轮下去估值翻十倍，理性层面肯定不合理。“但投资人赌的是"真的能赌出中国下一个 DeepSeek 来，不同领域的 DeepSeek”。
• 鹏奇泼的冷水是本段的关键对冲：这些学者无论创不创业目标都是做研究，“即便从最差的角度讲没有成功，对他自己来说也是做出了不错的学术成果——这可能也是这个泡沫里面的一点隐忧”。严引用自己博士导师（创业被收购后才任教）的话补刀：“做老师跟做创业完全是两回事——创业公司的研究是以创业成功为目的的研究，不是发论文。”

29. VLA 被扫进垃圾桶了吗：生成替代理解与网球比喻

• 今年具身圈的表面现象是"VLA 变成人人喊打，世界模型大行其道”。严千行先讲清 VLA 的病灶：VLM 里 V 小 L 大，对物理理解不够，全靠遥操数据模仿学习，“泛化一直比较有挑战，甚至有人强调 VLA 本质上就是一个过拟合”。新范式是拿开源视频生成模型做基座——“用生成替代理解：像人做动作之前先想象做了这个动作会变成什么样，再跟着想象走”，物理约束已被封装在视频模型的隐空间里，泛化上限更高。
• 但北美的最新叙事在纠偏：Generalist AI（原音）发布新成果后，CEO Peter Florence 发文《Beyond VLA and World Models》——核心观点是别拿新锤子砸具身的钉子，“用目标驱动代替方法论驱动”，围绕 zero-shot 可泛化的目标去搭系统级方案。
• 严的网球比喻把互补关系讲活了：“VLA 是看到球打过来，本能执行动作打回去；世界模型是先想我要什么方式打回去——但先想再动比反应要慢，球场上高专业运动员不是先想再动的，是基于身体本能的。陌生环境靠预测想象，熟悉动作就不需要世界模型了。“鹏奇补充落点：也有公司把世界模型当作训练 VLA 的环境，WAM 则把预测与 action 直接结合——各种结合方式都在被尝试。

30. 人形上市窗口：表演也是商业化，规模化还早

• 宇树很快上科创板，乐聚、云深处等排队港股。严千行对现状的界定克制而不悲观：表演、科研、接待、展览已形成租赁购买的真实出货——“你不能否认表演不算一个商业化场景，无人机的表演就是很重要的商业化场景”；宇树"营收跟利润都非常可观，比较经典的像一个硬件公司的状态”。鹏奇的措辞：现在卖的更多是情绪价值，“但情绪价值也是价值”——功能价值要再等。
• 更高价值取决于智能侧：车展导购（Luna，厂商名 ASR 模糊）、Figure 展示物流上下料、智元（原音"智源”，likely）的工厂直播都是重要的早期探索，但"这一代人形跟传统工业机器人的巨大区别在于，传统的是人的智能要素编程驱动的——只有模型跟本体结合成智能化产品，才会迎来真正上规模的商业化预期"。

31. 不可能三角与 lab 心态：临界点之前先做 research

• 鹏奇的框架：具身落地存在不可能三角——长程复杂精细任务 × 高成功率 × 跨场景泛化，目前不可兼得，落地只能在客户可接受范围内取其一二。严千行的回应引出经典理论：“基模越强，强化学习越有效——在很差的基模上做强化价值不大，所以大家今天在通用化基模上下功夫；一旦到质变点，加上 RL 和推理，涌现出的成果会远超预期，这个三角会整体被啪拓宽开来。”
• 一组值得记录的对照：“中国的具身公司一直被各方力量催促着反复尝试落地，反而海外的公司更接近 lab 形态——Physical Intelligence、Generalist AI、Sunday（原音）这些”。严的立场明确：“能不能商业化取决于技术成熟度是不是过了商业化临界点——真的沉下心来先做 research，反而对长期更有价值。“鹏奇保留了分歧的存在：也有公司认为该在中间选阶段性落地方式，“我们不知道答案，但觉得有这个可能性”。

32. 灵巧手与触觉：从"酷炫的手"到能夹豆腐的手

• 2024年的主流观点是"手没必要，用夹爪就行”，两年后被翻转：灵巧手进步让 ego-centric 人手数据变得可用——人手映射到灵巧手远好于映射到二指夹爪，“灵巧手跟具身智能是相辅相成的：有好的灵巧手才有更多数据可用”。硬件形态已收敛到腱绳（原音"剑神”）加关节电机两条路线，考核指标从24年的自由度、负载、精度，变成今天的成本、耐用性、可维护性——“你是一个看起来酷炫的手，还是一个能用的手？”
• 触觉传感器仍在24年的路线格局里（磁、MEMS、视触觉——后者以冗余信息降维提特征，声量最大）。鹏奇提出他的能力测试：机器人纯靠手上触觉把物体的 3D 形状摸出来——严当场给出数学注解：“需要面的触觉感知，通过一组法向量反推包络面”。
• 最好的具象案例来自峰瑞投的触力传感器公司：“一两百块人民币的舵机二指夹爪，加上触觉传感器实现控制闭环之后，能精准的夹起一个豆腐而不捏碎。“但节奏判断清醒：模型侧何时用好触觉，“大家都知道重要，但节奏会往后拖”。

33. 被低估的方向：AI for Science 扩圈与 AI 硬件的中国土壤

• 严千行下半年最感兴趣的第一个方向是新版 AI for Science——不是 AlphaFold 式的单点，而是 AI 替代科研 pipeline 中的环节做 auto research；更激进的是用神经网络算子替代偏微分方程求解，改写 CAE 仿真"算的准就慢、算的快就不准"的老困境，“现在可以做到又快又准”。他还点了社会科学：“社科原来缺乏高效的推演实验机制，要么拿整个社会做实验，要么小样本抽样——AI 能不能加速，都是挺有意思的点。“鹏奇的反应：“突然让我觉得思路打开了很多。”
• 第二个是 AI 硬件：“不是看到了什么机会一定会出来，而是我们有最好的土壤——成熟的硬件供应链、聪明的年轻创始人、很好的 AI 基础设施，我非常期待随机进化出预期之外的惊喜。”
• 鹏奇给 AI 硬件加的战略注脚与世界模型接轨：物理世界交互数据、生物数据、脑电数据都极度稀缺，AI 硬件短期最明确的价值是"人类真实活动的上下文数据采集入口”；创业者要想清楚定位——“它到底只是一个数据采集器，还是能作为数据 hub 去整合用户的 context——本质上它也是一个消费品，大家要买它”。

34. 上市潮的本质：生态位兑现，别用 PE 去看

• 语境是密集的：宇树即将登陆科创板，智谱、MiniMax 年初上市后表现亮眼，Kimi、阶跃、DeepSeek 相继完成大额融资，OpenAI 跟 Anthropic 今年可能上市。严千行的定性：“这是这些公司阶段性证明了生态地位之后的一次资本化兑现——它也需要源源不断的子弹，要竞争，要打更长远的仗。”
• 估值方法他直接换框架：“这些公司上市不是看 PE，更多还是看它一个长期的生态位——互联网公司上市那时候大家也不是看谁赚钱，看的是长期现金流带来的生态优势。“最后股价怎么走，“由市场竞争跟他们最终的生态位排位去决定”。
• 传导机制是一级投资人最该记住的部分：二级反馈周期远短于一级，“如果这些带头大哥支撑不起市场预期，反过来就会打压我们一级市场的整个估值预期”——一二级倒挂之后，上半年的估值狂奔可能进入"阶段性的大冷静期：二级上去都不一定站得住，一级这么贵，我是不是应该保持冷静，不用那么疯”。

35. 泡沫破裂沙盘与下半年的同一注：真实数据闭环

• 关于泡沫何时破，严千行先消毒：“大家都可以说泡沫终究会破，但这句话是一句正确的废话。“他直接推演破裂后的资金收拢：research 类公司里"真具备持续研究交付能力、能持续给出 milestone 关键突破的公司还是会持续拿到钱撑过去，但你只是靠 demo、靠讲故事、没有 results 输出，你就会拿不到钱”；落地类则可能向"商业模式更稳健、业务订单更真实"的公司集中，拼的是商业鲁棒性。鹏奇看到的另一面：泡沫破了可能反而有利于落地——上游成本降下来，“为大家落地创造一个比较好的条件”，且都上市了就可比，“能够帮助市场筛选出好公司”。
• 下半年压注的变量，严千行答得具体：真实数据闭环。具身智能里"从数据系统、预训练、后训练到部署、真机数据、强化学习，整个流程能形成一道闭环不停滚起来的公司，天然竞争力远高于单点切入的公司”；agent 同理——“skills 不构成商业模式，你随便下载根本不受保护，能保护的是让 agent 具备自我决策、自我审查、自我学习的过程”。
• 鹏奇的预测偏落地：“没有一个技术能够不经过周期就直接实现所谓 AGI”，波动中能否落地决定了能否建立阶段性优势——收入、融资、数据闭环，撑到下一段起飞。收尾沿用去年的话：“我们希望欢迎打脸，也希望这个行业的快速变化让我们明年有更多新的东西可以持续学习跟探讨。”