峰瑞資本李豐：為何這輪全球AI浪潮熱度如此空前？ | 深度

編輯導語：

李豐是峰瑞資本創始合伙人，圈內大家都習慣喊他豐叔，他與商業作家李翔聯合主理的播客欄目《高能量》已連載到199期，這檔欄目在科技圈/創投圈都獲得了廣泛的關注和認可。在眾多長于思考和分享的投資人中，豐叔尤其擅長宏觀經濟視角的透視，極具歷史縱深感的解讀，以及能將復雜理論轉化為通俗表達的能力。

近日，豐叔在峰瑞資本2025年投資人年度峰會上分享了他對AI行業的年度觀察，從全球資本市場背景，到峰瑞資本的投資邏輯，再到中國AI的超越機會，豐叔依舊用他的娓娓而談舉重若輕地為我們揭示了關于今天這場全球AI浪潮的真相。

如果你也對AI充滿好奇，那一定不能錯過豐叔今年的年終復盤。

李豐觀點集錦：

即使人工智能是生產力革命，相較于過往的生產力革命真正成為生產力所花的時間，人工智能依舊處于一個很早期的階段。

過去幾年的超級流動性不斷推高資產價格，全球總市值持續增長（超越GDP），催生并需要宏大敘事（AI）來賦予高估值合理性。

資本市場需要一個理由來支持資產價格上漲，湊巧在這個時間點，也就是2022年的11月份，ChatGPT橫空出世。于是，這波幾乎史無前例的大量資金，在沒有配置選擇的情況下，必須推升美元資產價格的理由出現了。

每一輪的技術投資，都會經歷這三個階段，第一個階段叫投資技術本身。第二個階段叫投最有想象力的應用，第三個階段叫投能落地的應用。

今天的大模型有可能會“云化”。也就是大模型會與硬件云一樣，變成一個基礎服務。

所有技術創新周期里都會產生出千億市值的公司嗎？不一定，關鍵還是取決于前中后臺是否同時發生變化，以及是否改變了消費者習慣。如果僅僅是技術在進步，大公司大概率可以靠砸錢追上來。

獨立采集、合成數據/VLA這些對解決數據缺失問題都有幫助，但最核心的大規模數據的采集，最終需要從傳感器或者叫”新設備“里來。

▎以下內容為李豐在峰瑞資本2025年投資人年度峰會的演講，經鈦媒體創投家節選編輯：

從2022到2024年底，一級市場經歷了一個非常暗淡的周期。

這兩年里，無論是企業的再融資，還是企業的估值增長都是不容易的。雖然也有投資熱點，但都非常集中，集中投在大模型，集中投在機器人。而這些企業普遍獲得估值的快速增長，或者說一級市場整體變熱，大概也是從今年春節之后才開始。目前一級市場的熱點還沒有散開，還處在一個持續加熱的過程中，我覺得再過半年，一級市場的情況就會變得更好。

回到今天的主題，AI。但我們今天要講的結論，也許和大家的預期不完全一樣。

回顧過去兩年，我們大概是按照AI基礎設施、具身智能、AI應用、AI+新藥研發、未來科技這五條線在開展投資，基本上涵蓋了我們最近兩年內投資的80%以上的公司。

過去的11個月，我們集中投了所謂AI硬件；然后在2024年7月之前集中去看了機器人；AI基礎設施（異構化的AI芯片）我們一直投到了今年的年中。那為什么是這樣的順序和時間線？我后面會一一解釋。

關于AI我們有兩個問題需要探討，第一個問題，

AI會成為生產力革命嗎？

AI成為這次中美科技競爭的核心，就是因為大家都認為AI是一次生產力革命。而背后的另外半句話則是，大家認為上一次互聯網革命更像是一個數字化或信息化的革命，還沒有達到蒸汽機、電力、內燃機這種可以在方方面面改變人們生活和生產的程度。所以關于AI，或許有個小共識，也就是認為這一次AI革命與互聯網那次不完全一樣。至于AI多大程度上能解決生產力的問題，我們先不著急回答，因為我今天也還不知道答案。

即使我們認為它是一次生產力革命，我們回顧歷史上前幾次生產力革命，他們所花的時間比大家預期的還是要稍微長一點。

拿蒸汽機來說，從開始有蒸汽機，到改良普及，再到影響人類生產力，比如蒸汽汽車，蒸汽輪船的出現，大概花了100年。從奧托發明四沖程燃氣內燃機，到卡爾本茨造出奔馳一號，也就是從有內燃機到它開始作為生產力工具，也花了30多年。

假定你認為互聯網也是個小的生產力革命的話，從剛開始有第一臺個人計算機到人們開始用微信，大概也花了30年。回到我們今天的主題“人工智能”，我們把它的時間線全算起來，到今天也才接近20年。湊巧，這其中還有六年是基礎設施建設期，我們把它叫做“大數據”，甚至不叫人工智能。如果嚴格算人工智能的發展的話，可能只有13年的時間。

所以說，即使人工智能是一個生產力革命，相較于過往的生產力革命真正成為生產力所花的時間，人工智能依舊處于一個很早期的階段。

那于是，我們迎來了第二個問題，

通用人工智能是不是會很快實現？

這個問題是個開放問題，我希望能部分回答。

如果你好奇心很強，此刻你就會問了，既然AI這個生產力革命還在非常早期的階段，為什么這一輪的AI的浪潮如此空前呢？

回答這個問題，要回到一點宏觀視角。在2019年，疫情之前，全球的GDP是86萬億美金，全球股市的市值是89萬億美金，其中美股占比超過三分之一。這個數據還是相對合理的，因為根據巴菲特指數，一個國家相對合理的資本市場市值是GDP總值的80%~120%，資本市場市值低于這個比例就是過低，高于這個比例就是泡沫化。所以這個時候，大概一比一的巴菲特指數，顯然合理。

到2021年，因為疫情的原因，全世界都開始放水，造成了歷史上從未有過的流動性高峰。全球最主要的四五大央行，在這一年里擴表了12萬億美金。央行擴表的錢是所有貨幣里最基礎最核心的一層，它真正進入經濟循環所產生的帶動作用，需要乘以一個貨幣乘數，一般是3~4，也就是說這擴表的12萬億美金，在實體經濟循環出來，將會是近50萬億美金的體量。相較于19年全球86萬億美金的GDP總值，相當于1年多的時間內全球GDP增長了60%。這是全球歷史上從未出現過的一筆巨款。

當然，與之對應的結果是20年到21年，全球所有國家的股市表現都很好。

而在2022年開始，由于歐洲國際形勢的變化尤其是俄烏沖突的發生，和一些關于中國不確定性論調的影響，全球的資金都開始減少在歐洲和中國的配置。而另一方面，2022年美元的加息又強化了全球資金配置美元資產的意愿。因此，美國股市在2022年經歷波動之后開始持續上漲。原因就是：錢太多了，沒地方去了，只能去美國。

但是，資本市場不會說：“我們的資產價格上漲是因為全球的錢太多，只能買我們，我們資產的價格必須上漲。”資本市場需要一個理由來支持資產價格上漲，湊巧在這個時間點，也就是2022年的11月份，ChatGPT橫空出世。

于是，這波歷史上從未出現過的大量資金，在沒有配置選擇的情況下，必須推升美元資產價格的理由出現了。

以上這些原因相互交織作用下，就出現了我們后來所看到的局面。雖然疫情導致全球的經濟增長都較為緩慢，但是全球的名義GDP卻來到了114萬億美金，全球的資本市場市值來到了130萬億美金，這已經是超過1.1倍的GDP了，開始接近巴菲特指數的上限。同時，美股的市值占比超過了全球股市市值的一半以上。

在過去兩年里有非常多的經濟學家在討論“美國例外論”，為什么大家經濟都不好，只有美國經濟看起來有韌性？

一個粗略的劃分是：美國的金融和金融相關的服務行業大概占了GDP的20%，高科技產業占了30%左右，包括基礎服務業在內的行業占了剩下的50%多。

當全球的錢流向美國，所以金融行業和相關服務行業發展很好。因為支撐資產價格上漲的一個原因正好是2022年底出現的ChatGPT，所以科技行業的發展也很好。所以才會出現“七姐妹”的市值超過了除中美以外全世界任何單一國家GDP的現象；也出現了這“七姐妹”的市值占了如此龐大的美股總市值的大概1/4。

這就是我要講的第一句話：過去的超級流動性不斷推高資產價格，全球總市值持續增長（超越GDP），催生并需要宏大敘事（AI）來賦予高估值合理性。

第二句話是今天正在發生的。如果不再大規模印錢，全世界的總市值維持在130多萬億的水平，大概接下來就會進入此消彼長的存量博弈階段。

而沒有資金會長時間極端配置在一個籃子里。尤其特朗普再次上任之后，美國資產的不確定性進一步加強，全球的資金都在追求“再配置”，全球資產也進入存量博弈的階段。而在未來的兩三年里，存量的博弈的勝負手在于誰能創造新的投資敘事與想象空間。

以上的分析就能解釋，為什么歐洲的經濟，在過去一年一直幾乎無增長，但今年相當長一段時間里歐洲資本市場的表現仍然超過了美股。當然也可以解釋為什么今年中國港股在融資規模，再融資規模，上市公司數量等多項指標上都排名全球第一。

在這次全球大錢的再配置過程中，各個國家和地區都在用自己的方法給資金一個理由流入或者更多地留下來，誰能給出了更多理由，誰就能在存量博弈里取得更多優勢，這大概就是今天的樣子。

到這里，你可能會問這樣幾個問題：

第一個是：美國的AI泡沫會不會破裂呢？

第二個是：如果美股AI泡沫破了，中國的AI資產會不會受到影響？

第三個是：假定美股泡沫破了，并且可能影響中國的AI資產，那我們怎么能對抗這個影響，走出獨立行情？

這三個問題咱們先過，一會后面我們會重新講。

接下來先講講

峰瑞的投資邏輯

每一輪技術投資，都會經歷這三個階段，第一個階段叫投資技術本身。第二個階段叫做投最有想象力的應用，第三個階段叫投能落地的應用。

2023年，所有人在討論的全是大模型，但進入2024年之后，大家就不怎么出手了。本質原因是所有的技術進展和躍遷都不可能持續超越預期，大模型經歷了一個小跳步上了臺階之后，就會進入一個比較線性的發展過程，它的高速發展就暫告一段落了。

這個時候大家就開始尋找這個技術里最有想象力的事是什么。第一個最有想象力的事情就是如何去替代數字世界里人要做的所有工作，于是我們看到了通用Agent。另一個最有想象力的事情就是如何去替代物理世界里人要做的所有工作，于是我們又看到了具身智能。所以，2024-2025年大家討論最多的兩件事，一個是通用Agent，一個是具身智能。

但是，最有想象力這個定位也意味著相對不那么容易立刻落地。所以2025年大家又開始進一步探索腳踏實地的垂直領域Agent應用和AI硬件。

幾乎沒有例外，所有的技術投資都是這三步。每一次來到第三步的階段，這個技術就開始變得腳踏實地，我們就開始尋找到底誰能用這個技術賺錢，誰能讓成千上萬人用上這個技術，并且從中賺到錢。

大模型我們沒有投，但在通用Agent和具身智能之間，我們其實是選擇了具身智能。我們在具身智能這個市場變熱之前就開始集中全力，應投盡投。但有點小可惜的是我們“剎車”比較早，在2024年7月我們內部就判斷說機器人已經很熱了。但事實證明，機器人在2024年6月之后熱度也能一直延續，并且還持續上漲了一年半的時間。

然后從2024年的年底開始，我們就開始專注地投智能硬件。因為開始得早，前期我們投的非常順利和容易，很少人來競爭，我們可以慢慢想仔細看。但到過去兩個月或者一個季度開始，這條賽道也變得非常火爆，項目的份額也變成需要搶了。

因為每一個大的技術變革，都是要經過非常多輪技術投資的三步走，輪次越多，技術的影響力越大，成熟度越高，應在越廣泛。你可能會問，在下一輪開始的時候，需要聚焦的技術本身是什么？最有想象力的應用又是什么呢？

關于大模型：

如果留意一下最近的新聞，你會發現這樣一個變化。最近一個月里關于大模型，幾乎大家只談大公司了，包括Google的Gemini、千問、豆包之類的產品。發生這個現象的原因是什么？這是一個會持續下去的現象嗎？

這一現象底層的原因就是：如果一個技術變革，只有技術在進步，但沒有形成前端或UI的升級，也沒有消費者習慣的轉變，大公司最終都可以靠砸錢追上來。

我個人認為，今天的大模型很有可能會“云化”。也就是大模型會與硬件云一樣，變成一個基礎服務。按照這個路徑發展下去，幾乎可以斷定只有巨頭們能做到這件事。他們能做基礎設施云，算力云，投入巨量的資本，有足夠多的用戶，又有大模型的研發能力，還能把大模型當成軟件服務搭載在基礎云上來銷售。而他們是否真的能夠將“大模型服務+硬件云”變成一個統一的云服務，我們拭目以待。

大數據時代并沒有催生新的千億市值的公司，主要是因為它沒有引發前端的變化、UI的變化，也沒有消費者習慣的遷移。當然也有成功的創新公司，像百融云創、明略科技都是大數據賽道里跑出來的上市公司。

當然也有例外，比如抖音，作為一家做大數據推薦的公司，它為什么能夠成為例外？就是因為技術進步之外，它順應UI的改變，人們獲取信息的方式從鍵盤輸入關鍵詞變成了手指滑動。消費者使用習慣也發生了改變，從坐在辦公桌前用電腦，變成了移動狀態下用手機。消費者習慣的遷移，加前臺的UI改變，再加技術創新，成就了抖音。

再來看歷史上其他偉大的公司，微軟給PC引入了一個新的UI——鼠標，使得其圖形化軟件操作系統走向千家萬戶；Google讓大家之前在雅虎上通過鼠標點擊進入門戶的習慣，變成了輸入一個關鍵詞在網頁搜索的形式；而特斯拉更是完全顛覆了汽車的UI以及用戶傳統的駕駛習慣。

所以技術創新周期里一定會產生出千億市值公司嗎？也不一定，關鍵還是取決于前中后臺是否都發生了變化，否則很容易變成大公司的機會。

關于機器人：

大家今天所能見到的所有機器人的發展，離不開兩件事，一件是傳統行業（如汽車）發展帶來的硬件（電機）發展，另一件是自動駕駛行業的發展加上強化學習帶來的算法革命。這兩件事成就了今天機器人極強的運動能力，包括跑步、跳高、打拳、跳舞。但這些全部是運動能力，而非操作能力。

操作能力意味著需要機器人拿起東西來做實際的工作，要改變物體的物理狀態。為什么今天機器人公司都在卷運動能力，因為人類在硬件發展和算法革命這兩件事情上是有積累的。為什么操作能力成為短板，也是因為這件事之前從來沒有積累。

所以你今天看到所有的機器人，公開演示基本上主要是運動能力，只要涉及到操作能力，像是疊衣服這件事，可能改變一下桌子的高度，機器人就疊不了了。也因此，機器人行業再往下發展，必須解決操作能力，而解決問題的關鍵就是新維度數據的獲取。

那個數據的問題怎么解決？我們常提到的有兩種方法：獨立采集和合成數據/VLA。

獨立采集，這種方法之前主要使用于自動駕駛。但在自動駕駛領域使用獨立采集方案的優點和缺點也都很明顯。優點是可以自己復用自己，缺點就是比較慢。因為除了特斯拉之外，很少有公司能擁有大幾百萬輛車幫你在外面采集數據，大多數只能能弄個百來輛車的車隊來執行。數據采集用在機器人行業，還有另外一個挑戰，就是今天機器人的硬件沒有定型。只要硬件一改動，比如五指變三指，三指變兩指，兩指變夾爪，或者其他關節運動方式的改動，就意味著原來采集的數據沒用了，得重來一遍。

合成數據/VLA肯定有用，但它的挑戰就是，之前就沒有過改變世界物理狀態的數據，所以無論是生成還是視頻學習，都會有一定的局限性。舉一個例子，我超級愛打羽毛球，所有能看的羽毛球比賽，我全看。但凡VLA這套邏輯行得通，假定我不是一個特別笨的大腦，看了這么多的比賽，怎么我還不是羽毛球國家健將級運動員呢？那只能是因為我還不能把視覺形象轉變成我打羽毛球的操作。這個例子可以幫助大家理解合成數據/VLA的局限性。

第三點，最近熱度比較高的討論是物理模型能不能解決問題？算法+大腦能不能解決問題？我只能說物理模型肯定是必要的，因為你要改變物體的物理狀態。但另一方面，我猜如果算法加大腦就能解決問題，大語言模型會比現在早很多就實現，而不需要等人類積攢了40來年的互聯網文本數據。

和大模型等了40多年的文本數據的積累類似，許多互聯網超級應用的誕生其實也是等新設備和新傳感器帶來新數據。微信等麥克風陣列的普及，等能夠解析語義的芯片，外賣App和打車App等GPS被裝進手機里，抖音和快手等智能手機廠商把高清攝像頭裝好交到每個人的手里。

獨立采集、合成數據/VLA這些對解決數據問題都有幫助，但最核心的所有大規模數據的采集，最終都需要從傳感器或者叫”新設備“里來。所以，多樣

化消費級智能設備的普及，所產生的大量新維度的數據，才是解決問題的關鍵。

所以答案就來了

AI浪潮中，我們主要布局三個方向：AI基礎設施、垂直領域的AI Agent和AI智能硬件。

AI基礎設施主要是AI芯片。我們回顧下歷史上的芯片巨頭是怎么產生的？只有單一硬件PC的時候，英特爾主導了整個芯片行業；當20多年前有了互聯網游戲和視頻的應用之后，為了更好的處理視頻和圖片，出現了英偉達；然后當有了手機之后，不同形態的終端產品

促使芯片和基礎設施進一步迭代，才有了高通和博通。

所以，當大量新的消費級設備開始出現，才有新的芯片公司的機會。

今天AI的應用也催生了一批新的芯片訴求，他們在數據的存儲、通訊、算力、功耗、尺寸、成本上都有了新的需求組合，也就催生出了非常多新的AI基礎設施類型的芯片。所以上一波芯片的機會成就了英偉達，下一波芯片的機會就是為了AI應用而生的新芯片。

第二個大的方向，垂直領域的AI Agent。這個賽道的投資是比較困難的，我自己總結，如果要做垂直領域的AI agent，需要兩個基礎條件：第一，最好Agent所處的行業賽道已經建立了比較高的數字化水平；第二，最好是能用自然語言交互的形態兌現服務價值的行業。

其實理論上，垂直領域的Agent更適合已有公司的轉型，因為他們有業務流，數據流，客戶流，以及對此改造的技術能力和重新抽象過一層便宜可用的模型。比如教育公司、心理咨詢公司、金融公司。

那當然也有一些值得嘗試的新的公司。比如全鏈條數字化的電商直播agent、全鏈條數字化的編程agent、全鏈條數字化的游戲agent等。

坦率來說。垂直領域的Agent應用更容易是中型公司的轉型的第二曲線。新賽道有機會，但相對難找，因為大多數公司都缺乏數據和客戶的積累。

最后再聊聊AI硬件

在上世紀80年代的日本，他們做了一件事，把大量機械產品全改成了電子產品。比如把鋼琴改成了電子琴（雅馬哈），把機械手表改成了電子表（卡西歐），把照相機改成了傻瓜相機。但是日本在那停住了，因為當時沒有現在那么多的傳感器和芯片，所以沒有辦法進一步把它們做智能化。

但今天我們中國實現了這一點。中國擅長通過軟科技+產業鏈，研發一個新產品，帶動新需求，形成新物種，賣向全世界，同時還產生了新數據。我們給吸塵器加了傳感器、芯片，讓它成為了掃地機器人；我們給車加上了傳感器和芯片，讓它成為了智能車。

這件事情有幾個意義，第一，創造了大量新維度的數據；第二，這是個新需求驅動的新供給，而且符合中國新外貿發展需要；最后，它還能幫忙保持合理的制造業比例，同時促進高效制造和高效芯片傳感器的發展。

我們同樣來看看歷史上的新智能硬件是怎么產生？

以蘋果為例，蘋果是個之前從來沒有過的硬件，但蘋果之前有個iPod，幫他做了鋪墊。iPod之前還有MP3幫他鋪墊，再往前還有我們的隨身聽walkman。這一個整個硬件創新鏈條才締造了今天的蘋果，蘋果不是從天而降的純創新產品。

另一方面也是用戶的使用習慣被逐步教育，才出現了對于更智能的手機的需求。最早的時候，手機主要是為了打電話收短信，順便在2010年刷一刷微博、玩一玩憤怒的小鳥，

再往下才有了今天的微信和抖音。

所以說，新一輪智能硬件的誕生，是技術元件日益成熟和消費者需求成熟共同作用的產物。

我們關注的智能硬件企業主要包括兩類，一是在核心技術上有積累的ToB企業轉型做ToC的產品。因為他們ToB的積累，使得他們有比較好的軟硬件結合能力，以及對傳感器和芯片比較好的理解和技術能力。歷史上很多ToC硬件的核心技術，都是ToB產品的快速迭代中被降維應用的技術。第二類企業，是深刻理解消費者需求和新技術趨勢的企業，像我們投資的Aeroband空氣樂隊、萌友智能Ropet、Speediance速境等。

重新回到剛才的問題，若美國AI熱度下降，市場情緒會傳導到中國市場嗎？或者說中國的AI應用的發展，能夠接棒嗎？

其實中國歷史上已經證明過不止一次了。

以人臉識別技術為例，2015年的時候美國是完全領先中國的，大家都認為很難超越，但2018年后，中國已經開始領跑全球的頂會頂刊。一個重要的原因就是中國把人臉識別的應用用到了極限。在相當長一段時間里，所有的酒店check in、所有移動支付的識別、工商變更的識別，沒有一處不是用的人臉識別。正是因為有如此多的應用，中國才實現了最終技術創新的超越。2021年之前，許多人都認為自動駕駛只有特斯拉能行，但今天中國新能源車的普及，以及大規模加裝的傳感器，自動駕駛的技術與應用到底誰能行，我猜想再過兩年，大家會重新給答案。

所以大模型也是一樣，當到了AI應用爆發的階段，中國就有機會實現超越。