过去一年，AI产业在模型迭代、应用爆发与算力建设的交织中持续升温。从大模型能力的快速演进，到AI Agent、Coding工具、多模态应用等不断涌现，AI正逐渐走向真实的生产力场景。
在“一日千里”的技术演进中，硅谷一线从业者究竟如何看待这轮浪潮？当前AI的能力边界究竟推进到了哪里，未来可能进化成什么形态？哪些产业的不可替代性更强？哪些细分赛道又更具确定性？
这次，我们邀请到中欧科技战队基金经理冯炉丹和研究员董亮，他们不久前赴硅谷一线调研，带回不少“新鲜滚烫”的一手观察，围绕AI技术演进、硅谷产业生态、中美AI差异、商业化进展以及AI产业投资机会等，希望能为大家带来启发。
冯炉丹：
从投资角度看，这次最明显的感受是AI的发展曲线真的越来越快了。
以前大家经常引用比尔·盖茨的一句话：人们总是会高估未来两三年的变化，而低估未来十年的变化。但这次调研我们发现，可能大家对未来两三年的变化反而是低估的。
以前大家对AI的定义可能还只是一个陪你聊天的Chatbot，但过去一个季度，大家发现它不只是能聊天，而是真的能干活。
随着Coding能力越来越强，各行各业的普通人得以真正用AI去完成工作。所以从商业变化来看，过去一个季度的发展，可能比过去一年还要快。
董亮：
一个很明显的感受是，美国相比七八年前确实发生了很大变化。
AI浪潮已经深刻改变了美国的很多方面，包括创业生态、人才孵化和教育发展。虽然现在这种影响可能还主要集中在硅谷，但我觉得未来一两年，它可能会蔓延到整个美国社会，甚至蔓延到全球。AI的火种已经燃烧起来了。
董亮：
美国在从0到1的创新上、在最先进的大模型上，确实全球领先。但和中国相比，与其说是温差，不如说是时间差。
从0到1的创新上，我们受制于算力短缺，很难像美国那样投入大量算力去做创新性尝试。同时，一些企业对商业回报周期的要求可能也更快。
但优势在于，中国的开源生态全球领先，技术人才密度和质量俱佳，应用生态更加完善，国民对AI应用和新东西的接受度也非常高。从全球来看，中国应该是唯一能够跟上美国AI浪潮的国家。
与此同时，美国内部也存在很大温差。硅谷普遍觉得AGI（通用人工智能）时代已经进入倒计时了，可能三五年之内，各行各业很多知识型工作都可以被AI替代。但如果到了洛杉矶，大家没有这么恐慌；再往东海岸看，还是一派“歌舞升平”。
冯炉丹：
1 紧迫感的温差
在硅谷，我们和大家聊下来最明显的两种感受是：兴奋和焦虑。很多普通工程师，尤其是执行代码型工程师，会担心自己再工作两三年就被替代，所以很多人开始往AI方向转。即便是调参工程师，也有类似焦虑，因为现在训练模型的很多调参工作也可以通过AI辅助了。
这种紧迫感在硅谷特别明显，国内则相对会缓和一些。
2 真金白银投入上的温差
美国几大云厂商今年的资本开支接近7000亿美元，折算成人民币约5万亿元（穆迪评级研究报告，2026.3），而且主要投向AI基础设施。国内大公司和政府也在投资，但投入量级还有一定差距。
冯炉丹：
在AI时代，最顶级的人加上AI工具的价值会被远远放大。
从工作角度看，未来不一定是AI直接把每个人替代，而是用好AI的人会更有效率，在工作环境中更有竞争力。
未来大家可能需要把工作当成一个项目，而自己越来越像一个带着AI员工的项目经理。
董亮：
失业、降本这些问题也许会发生，但更重要的可能不是抵抗，而是思考怎么适应技术时代的变化。
人类社会本质上还是竞争型社会。AI不可能把所有人都替代掉之后，大家就什么都不干。最后可能还是社会重新分工。
董亮：
1 从0到1的创造力
大模型的本质是基于数据训练来生成结果。对于没有数据积累的全新问题，它没有办法凭空做出判断。所以人类身上一个很宝贵的能力，就是创造力。
过去创造力很多时候被封印住了，因为人要做大量重复的琐事，而且做完就已经很疲惫了。如果AI能把这些重复工作释放出来，反而可能让人有更多空间去创造。
2 积累自己的数据和工作流
现在工具迭代非常快，不用焦虑每样东西都必须去学。工具会越来越好用，门槛也会越来越低。更重要的是，把自己平时的数据和工作流沉淀下来，未来这些东西会被更好的AI产品放大。
3 提问和思考的能力
未来更重要的不是硬背多少知识点，而是知道怎么提问题。这个过程实际上就是思考——怎么认知、怎么交流，以及怎么去跟自己相处。
冯炉丹：
1 需要和真实世界交互的工作
现在AI更多还在虚拟世界层面，机器人发展没有大模型这么快，所以厨师、电工等偏蓝领工作，目前比较难替代。
2 需要沉淀人与人之间信任关系的工作
比如顶级销售、律师，需要理解用户需求，并建立信任关系，这也比较难替代。
3 定义问题和评价结果的能力
AI可以解决问题，但真正的问题是什么，如何定义结果的好与坏，这些判断仍然很重要。
冯炉丹：
Token中文官方翻译叫“词元”。简单理解，就是AI世界里的“字”。它不是一一对应中文汉字或英文单词，而是AI把信息切分成可以处理的小块。你跟AI聊天时，输入会消耗Token，输出也会消耗Token。
换一个角度理解，Token就是AI世界里的“劳动力”。在传统经济里，盖一栋楼要算需要多少钢筋、水泥。到了AI世界里，AI完成一个任务，需要计算消耗多少Token。而Token是可以被生产出来的，GPU芯片就可以生产Token，可以理解为是生产这种大宗商品的工厂设备。
为什么说Token的生产效率会直接关系到企业的生死线。一方面，生产一个Token有成本，另一方面，要看Token卖出去值多少钱。而且好的模型，Token定价可以更贵，因为它更有价值。
如果一个企业能把Token卖得越来越贵，同时把生产成本降得越来越低，中间的利润空间就会越来越大。
董亮：
AI的C端付费业务已经有了很长一段时间，但收入始终没有爆发性增长；这一轮真正的变革是在B端生产力层面，Coding等领域的收入是实打实对应生产力提升的。
从海外厂商来看，目前B端收入是远大于C端收入的。头部大模型公司在Coding能力打开之后，API收入出现了十倍级增长。这打消了过去市场最质疑的投资回报率问题。
冯炉丹：
我不认为AI在C端就无法变现，只是还没到更好的变现阶段。B端的变现很直接，只要ROI算得过来，付费意愿就很清晰。而C端不一定直接带来变现，可能更多是提供娱乐、信息服务。未来如果AI操作系统和智能可穿戴硬件结合起来，C端依然有非常大的空间。
冯炉丹：
现在还远远没有到胜负已分的时候。大家常说的几家美国大模型领先企业，其实是轮流坐头把交椅的，各自在不同阶段都曾领先过。
目前，如果说哪家靠某个独家算法遥遥领先，其实不太现实。人员会流动，技术也会扩散，更重要的是比拼战略选择和执行力的结合。
冯炉丹：
核心观点没有变化。我们仍然觉得AI投资的产业趋势非常明显，信心比去之前更足了。因为实实在在感受到了那边研发人员的状态，同时从数据上也能看到，大企业收入正在快速增长，每一步都很扎实、很落地。从需求端到供给端，从整条产业链都能看到技术快速变化。
冯炉丹：
目前这个阶段，直接利好的或许还是AI基础设施。
Token消耗量正在指数级增加。可以简单理解为，Token消耗量大约等于模型规模倍数，乘以使用用户数，再乘以每个用户的调用量。
模型规模还在增长，用户数也在快速增加，每个用户能用AI做的事情也越来越多。这几个因素乘起来，就是几十倍、几百倍的增长。虽然单Token成本在下降，但总需求增长仍然非常高。
所以目前非常紧缺、需要建设的，就是AI基础设施。
AI基础设施里，可以分成通信、存储、算力等不同板块，目前我们最看好的还是通信。
很多大型数据中心里，GPU负载率其实比较低。原因是过去几年计算能力提升很多，但通信效率没有提升那么快。GPU算完之后，要等待数据互相传输。如果通信做得不够好，GPU效率就打不上去。
同时，因为通信不够好，有些数据不能及时传过去，就需要先存起来，也会带来存储需求。所以在我们现在的排序里，是通信>存储>计算。
基金有风险，投资需谨慎。以上内容仅供参考，不预示未来表现，也不作为任何投资建议。其中的观点和预测仅代表当时观点，今后可能发生改变。未经同意请勿引用或转载。基金管理人承诺以诚实信用、勤勉尽责的原则管理和运用基金资产，但不保证本基金一定盈利，也不保证最低收益。基金的过往业绩并不预示其未来表现，基金管理人管理的其他基金的业绩并不构成基金业绩表现的保证。您在做出投资决策之前，请仔细阅读基金合同、基金招募说明书和基金产品资料概要等产品法律文件和风险揭示书，充分认识本基金的风险收益特征和产品特性，认真考虑本基金存在的各项风险因素，并根据自身的投资目的、投资期限、投资经验、资产状况等因素充分考虑自身的风险承受能力，在了解产品情况及销售适当性意见的基础上，理性判断并谨慎做出投资决策。
本文作者可以追加内容哦 !
