關于2026年科技行業的12個關鍵問答（AI、自動駕駛、機器人、世界模型、美股...）

撰稿 ：劉一鳴

編輯：陳茜 泓君

我們的三小時新年直播來啦，在這場硅谷一線的思辨中，我們邀請了六位跨越 AI、自動駕駛與美股投資的領軍人物，進行了一場長達三小時的直播討論，聚焦聊聊2026年大家最關心的幾個科技賽道展望。這不只是一次預測，更是一場對“非共識”拆解。

核心洞察（Live Highlights）

• AI范式的“去中心化”：2025年的“DeepSeek Moment”標志著大模型不再被五大廠壟斷。2026年，算力不再是唯一門檻，數據策展與系統級Scaling成為勝負手。
  

• “自研模型”vs“應用優先”的大廠博弈：Meta的路線之爭反映了科技巨頭的戰略分歧。在我們的討論中，張璐就認為底層模型技術是AGI時代的“電力”，必須自主掌控以確保獨立性；Howie則主張模型保鮮期短，大廠應發揮應用層優勢，而非深陷基建泥潭。
  

• 端到端（E2E）的降維打擊：舊金山停電事件中，特斯拉能夠正常運營，而Waymo不知所措引發全城大擁堵，特斯拉的端到端方案優勢顯現：在復雜的物理世界，基于規則的“有軌電車”方案正在面臨挑戰。
  

• 算力版圖的因子重構：美股投資正從“純GPU信仰”轉向“ASIC效率”。谷歌TPU陣營與英偉達的對抗，本質上是推理成本與通用性之間的博弈。

• 信仰高于估值：AI泡沫是否破裂，不取決于燒了多少錢，而取決于“模型智力每三個月翻倍”的信仰是否缺失。2026年，OpenAI與SpaceX的IPO將成為全球資本的試金石。
  

01

AI的2025與2026技術共識與非共識

主持人：陳茜（硅谷101聯合創始人）

嘉賓：

Howie Xu(硅谷徐老師）：資深硅谷技術高管、財富500強Gen首席AI創新官

張璐：Fusion Fund 創始合伙人

關鍵問題 1：2025年，哪個“非共識”事件最令行業震驚？

陳茜：

回顧2025，Meta的大規模裁員、重組以及核心人才的流失都非常drama。我之前完全沒想到Yann LeCun的離開以及硅谷人才大戰能攪動到這個程度。兩位身處一線，有什么事件是超乎你們預期的？

張璐：

Meta的掉隊確實讓人意外。我在2023、2024年非常看好開源生態，以為Meta能作為領軍人物把開源帶到一個新高度。但2025年最讓我驚喜的是大企業對于AI認知轉向的速度。

在2024年大家還在討論Scaling Law是不是萬能鑰匙，但到了2025年，大家能意識到說Scaling Law它不是解決所有問題的萬能鑰匙。大家會更加實際和現實地去考慮說在行業落地的話，并不需要最貴最好的模型去解決所有問題，而是去關注一些小語言模型。

然后通過這樣的一個我之前聊過的這種“雞尾酒的方式”去進行當地化的微調，去進行各種各樣，尤其是數據隱私監管比較多的這些行業的垂直部署。我記得年初去達沃斯和JP Morgan醫療大會時，全球領袖和500強公司已經不再問“要不要用 AI”，而是問“How and How much”——我們要撥多少預算？這種從“虛”到“實”的轉變極快。

即便2025年我們會覺得很忙、很累，但那是一種“打雞血”的狀態，不僅是單一的AI敘事，而是AI原生企業與AI賦能的各種產業（醫療、金融等）技術的一種疊加增長，包括太空科技、國防科技等等，這是一個非常讓人興奮的增長元年。

來源：IIm-stats

Howie：

我必須提“DeepSeek Moment”。其實24年它已經顯現出功能了，但25年推理模型的爆發，徹底確認了這是一個系統性的趨勢。 它的影響遠超想象。年初大家覺得DeepSeek出來只是地緣政治或者英偉達股票跌個幾百Billion的事情，但一年走下來，你會發現它的影響是：做大模型不需要壟斷在5家大廠手里。除了OpenAI和Anthropic，那些出走的科學家做的New Lab（如SSI、Thinking Machines）都在發力。這意味著真正的研究可能正在發生在大廠之外，這些實驗室有希望做出OpenAI在2019年做過的那種從0到1的突破。

關鍵問題 2：Scaling Law到底有沒有撞墻？2026年會有“新神”出現嗎？

陳茜：

上半年大家都說Transformer“撞墻”了，甚至有人說Scaling Law已經“撞墻”，結果谷歌Gemini新一代出來，大家又覺得Scaling Law還有戲。2026年我們會看到什么？

Howie：

我是堅定樂觀派，我覺得Scaling Law還非常強勁。很多人說數據用完了，那是胡扯。 數據不在于多，而在于怎么精心挑選。什么是好數據？什么數據該放多少比重？這上面有太多的Permutation（排列組合）。谷歌Gemini的突破不是因為網上數據多了，而是把數據整理、清洗、配比做到了極致。 算力也一樣。馬斯克在奧斯汀建了百萬張卡的集群，但“The devil is in the detail”（魔鬼在細節里）。你怎么連卡？怎么解決容錯、帶寬？如果若干年后我們回頭看，發現還有10倍的Scaling空間，我一點都不覺得奇怪。算法、算力、數據這三點上，現在還遠遠沒到終點。

張璐：

我同意Scaling Law成立，但它不再是唯一的增長路徑。2026年，競爭會從“單純堆數據”變成“系統級Scaling”。谷歌的優勢在于它是一個“系統中心型”公司。它有DeepMind這種深厚的人才儲備，有幾年前就布局的新型架構，還有真實世界的用戶反饋閉環。你看Gemini表現驚艷，其實是它把系統層面的優化、數據質量的閉環和產品反饋結合得最好。相比之下，那些純模型公司（Model-centric）在2026年會面臨更大的成本壓力，2026年我們會看到更多對過去“無腦堆數據”方式的修正。

關鍵問題 3：Meta的“生死大辯論”：是該死磕模型，還是回歸應用？

陳茜：

這里有一個非常Drama的點。Meta最近花20-30億美金，僅僅用了十多天就完成了對中國團隊Manus的收購。兩位對Meta在2026年的處境有一個非常精彩的辯論，咱們展開聊聊。

張璐：

我對Meta現在挺失望的。 原本Llama 3出來時非常驚艷，我們非?？春瞄_源生態。但Llama 4出來后的表現和預期差很多，核心原因是他們內部戰略調整，太早想去推產品端，導致忽略了推理（Reasoning）能力的深耕。

來源：Linkedin

雖然Manus團隊執行力很強，但我的疑問是：Meta現在最缺的是應用能力還是模型能力？我個人覺得他更需要模型能力。如果你作為一個第一梯隊的巨頭，在模型表現上連前三都排不進去，那是很痛苦的。但我認為Meta必須死磕大模型。如果人工智能未來像“電力”一樣，你作為一個這么大體量的公司，如果“電力”不掌控在自己手里，那是非常危險的。尤其是Meta和Apple的關系一直很tricky，他一直想擺脫Apple，如果能通過AI一波趨勢獲得底層獨立性，那是他的機會。所以他哪怕試錯、哪怕由于戰略調整掉隊，他也得追回來，因為這是他的生存之本。

Howie：

我跟張璐的觀點完全相反！我覺得Meta沒事找事要去做大模型干嘛？我覺得他做應用挺好的。作為一個世界級的公司，保留一定的研究能力沒問題，但我沒覺得他必須要做大模型。他去買OpenAI、買Anthropic的API不行嗎？

我不僅是對Meta失望，我對Microsoft和Apple也挺失望的。但我失望的點不在于他們沒做出模型，而在于他們沒把應用做好。 你看模型的“保鮮期”太短了。你今天做到世界第一又怎樣？6個月打個瞌睡就掉到后面了。我不覺得這是一個“只爭朝夕”的事情。Meta就算2025年只做應用，2026年看準了再去買模型廠或者再投入，也來得及。我不覺得Miss一年就會死。

張璐：

你說他可以買模型，但到了他這個體量，誰會賣給他？而且如果你不掌握底層技術，你的商業安全感在哪里？硅谷這幾家公司，誰跟誰都不是緊密的合作伙伴。如果電力在別人手里，Meta 怎么保證自己長期的獨立性？這不僅僅是效率問題，更是生存的“底牌”問題。Meta 過去被蘋果的隱私政策搞得有多慘大家都有目共睹，他絕對不想在 AI 時代重道覆轍，被別人卡住脖子。

Howie：

現在的模型保鮮期短到什么程度？就像2013年小扎就對AI感興趣，但他沒急著在那時候就把所有身家壓上，而是先通過收購和外部合作。我覺得2026年甚至2027年再去看模型市場的格局也不晚，現在最重要的是讓用戶在Meta的產品里體驗到AI的好處，而不是非要糾結那個底層模型是不是自己訓練的。即便他今天買不到，那也可以等市場成熟后再去布局，這種“追趕者”的策略在歷史上也是被證明有效的，沒必要在技術最動蕩、最燒錢的階段非要爭那個第一。

關鍵問題 4：2026年，AI應用的“殺手锏”會出現在哪里？

陳茜：

很多人說2025年是AI應用元年，但體感上似乎并沒有爆發？大家仍然都還在找那個“殺手锏”應用。

張璐：

我其實很樂觀，我看到的是“水面之下”的波濤洶涌。比如我投的一個醫療科技項目，甚至給公司匯款是在圣誕節那天，我們說“創新從來不睡覺”。為什么大家現在對AI應用的體感還不強？因為這波應用爆發最猛烈的是在B端（企業級）。

我舉個最震撼的細節：摩根大通（JP Morgan）一家銀行今年的AI預算，比全球排名前十的剩下九家銀行加起來還要多。 這種投入規模帶來的ROI是極其驚人的。我們投的三家初創公司現在都在跟摩根大通合作，最快幾周就能跑通POC（概念驗證），幾個月就能簽下非常大的商業訂單。這在以前的SaaS時代是不可想象的，那時候一個訂單磨一年都很正常。所以2026年，大家會看到醫療、金融、保險行業的垂直Agent真正帶來營收級的爆發。

Howie：

我倒覺得我們要對“元年”這個詞保持理性。每一個技術時代的Killer App（殺手級應用）通常都要等技術成熟幾年后才出現。你想想移動互聯網，iPhone是2007年出的，但Instagram、Uber這種改變世界的應用是哪年出的？是2010年甚至更晚。

目前我看到最硬核、最真正產生生產力溢價的應用只有兩個：一個是Vibe Coding（AI 原生編程），不僅是程序員在用，甚至很多非技術背景的人現在也能通過Cursor或Claude Code做出復雜的產品，這就是目前唯一的“生產力紅利”。另一個我最近非常關注的是“Browser Use”或“AI 瀏覽器”，它直接改變了你與信息的交互方式。

來源：Google

但為什么現在很多創業公司覺得難？因為ChatGPT做得“Good Enough”（足夠好）了。它就像一頭大象，把很多Niche（利基市場）應用的空間給踩扁了。如果你的應用不能做到比ChatGPT自帶的功能好10倍，用戶就很難產生遷移成本2026年，我們期待的是那些能跳出“對話框”形態，真正進入工作流、進入硬件入口的應用。

02

特斯拉FSD機器人及新一輪自動駕駛商業站

主持人：泓君（硅谷101創始人兼CEO）

嘉賓：

大衛：惠爾智能CEO及創始人，《大小馬聊科技》主播

于振華：前特斯拉AI工程師

關鍵問題 5：舊金山大停電事件，為什么成了自動駕駛的技術分水嶺？

泓君：

前兩周舊金山停電，紅綠燈罷工。Waymo癱瘓在路口導致大擁堵，但特斯拉FSD卻能絲滑通過。這背后的技術鴻溝到底在哪？

大衛：

當時我驚呆了。Waymo雖然在舊金山跑了多年，但他是一個Rule-based（基于規則）的思維。 即便紅綠燈不亮，美國的交規其實也有路權定義（類似Stop標志），但Waymo的規則庫里可能沒定義這一條，或者它不敢走。而特斯拉FSD根本不看這些硬規則，它學習的是人面對這種路況時的博弈行為——誰先來誰先走。特斯拉的邏輯是：只要路口沒障礙，我就按人的習慣走。這種端到端（E2E）的方案，在Corner Case（極端情況）面前展現了完全不同的生命力。

于振華：

這證明了Waymo不是“純智能”。 我在特斯拉工作的時候，Andrej Karpathy講過一個例子：路上如果有兩排違停車輛（Double Park），我們要寫一行代碼去定義它；后來發現如果出現了三排違停，難道再寫一行代碼叫Triple Park？ 這種基于規則的修補是無窮無盡的。特斯拉V14之所以強，是因為它已經擺脫了這些代碼補丁。你如果用過V14，你會發現它處理路況非常從容、游刃有余。V14之后，輿論在反轉，因為產品真的好到了用戶不需要懂技術也能感受到“絲滑”。

關鍵問題 6：特斯拉算法領先的秘密：為什么其他廠商“抄作業”都很難？

泓君：

所以特斯拉領先的原因，是因為數據優勢，還是算法優勢？

于振華：

我認為首先是算法領先。大家都說特斯拉有數據優勢，但在算法沒有足夠好之前，談數據沒意義。2023年下半年推出V12到現在，還沒看到任何一個玩家在算法上接近特斯拉。

為什么別人做不出來？這里面有幾個非常硬核的原因。

第一是人才和土壤。特斯拉的AI團隊非常特殊，他們很多是“土生土長”的 Builders，而不是那種頻繁跳槽的學術明星。比如現在的負責人Ashok Elluswamy，他是2014年第一個加入FSD團隊的員工，經歷了特斯拉自動駕駛最黑暗的時期，但他一直留到現在。這種Problem-driven（問題驅動） 的文化極其硬核，他們內部從不搞PR，不愛造新名詞，就是每天盯著那幾千個Corner Case去死磕。對比之下，很多大廠喜歡招“學術明星”，這些人可能發論文很厲害，但在真正需要解決“三排違停”這種物理世界的臟活累活時，往往缺乏耐心。

第二是置之死地而后生的勇氣。馬斯克當年敢把激光雷達砍了，這就是斷了自己的退路。在特斯拉看來，如果你還留著激光雷達這個“拐棍”，你的軟件團隊就永遠會有依賴心理，永遠無法壓榨純視覺（Vision-only）的極限。而國內廠商比如華為、理想，包袱太重，他們既要做端到端，又舍不得放下規則派的那些補?。≧ule-based safety nets）。

這會導致整個系統邏輯極其沉重，這就是“小腳穿大鞋”：你由于代碼里堆了大量的補丁規則，導致你的代碼量極其龐大，這對算力的需求是呈幾何級增長的。在英偉達Orin這種算力有限的芯片上，你根本跑不動真正的端到端。

第三是算力，而這三點同時具備，目前只有特斯拉。

大衛：

我非常同意。其實很多國內車廠宣傳的“雙系統”、“慢思考”、“輕圖”……聽起來很高大上，其實反映的是“技術焦慮”。

特斯拉的端到端是一個黑盒，雖然沒法向你解釋每一行代碼在干嘛，但他通過“力大磚飛”的數據訓練，讓系統具備了人類司機的下意識反應。我舉個最直觀的例子：雨天剎車。

如果是規則派，你需要寫死：當雨量傳感器到幾級、路面摩擦系數估算為多少時，剎車距離要增加多少。但物理世界的變量是無窮的。特斯拉的端到端模型學習的是：人在下雨天是怎么開車的。它不需要知道摩擦系數，它天然就知道在那種視覺環境下要提早減速、提早點剎。

這就是所謂的“智能密度”。規則派的系統就像一只蒼蠅的腦子，雖然反應快，但只能處理幾條死規則；而特斯拉的端到端正在向人類大腦的密度靠攏。這種補丁疊補丁的“縫合怪”方案，是永遠學不來這種靈性的。

關鍵問題 7：推理芯片：馬斯克的硬核硬件觀

泓君：

老于，對于你說的第三點算力，可不可以分享一下，你當時參與開發特斯拉芯片的過程，以及芯片在特斯拉最終能做成端到端的這件事情上，貢獻有多大？

于振華：

我認為硬件在整個戰略中占據了決定性的比重。我不拿特斯拉舉例，就看理想汽車的雙系統——他們試圖把大語言模型部署到車上，這其實是非常難的。在車端極其有限的算力下，要把大模型塞進去，如果你只有軟件厲害但推理芯片跟不上，那就是“巧婦難為無米之炊”。無論你的算法多強，推不到車上也是白搭。

這就是為什么我覺得特斯拉非常有戰略眼光。從第三代、第四代 到第五代芯片，比如現在FSD V14在第四代芯片上跑得這么好，證明了這種提前布局的正確性。哪怕Dojo（訓練芯片）項目失敗了，我認為這也是一個很好的教訓。甚至可以說，如果某天英偉達的迭代太慢，或者其通用設計偏離了特斯拉的需求，特斯拉卷土重來也是完全有可能的。你看今天大家贊揚Google的Gemini，也是因為Google早就布局了TPU。如果比只是一個注重軟件、不注重硬件的決策者，你的路是走不了這么遠、這么扎實的。

在歷史上，特斯拉的芯片設計主要分為兩條路線：一條是在車端運行的推理芯片，另一條是用于訓練的Dojo芯片，如今Dojo項目已經被解散了。實話實說，在訓練芯片這一塊，Dojo一直趕不上英偉達，所以它始終存在著被取消的風險。我覺得今年馬斯克算是“壯士斷腕”，徹底把它停掉了。

目前，特斯拉用于端到端訓練的芯片依然全部來自英偉達。大家都知道，黃仁勛曾公開贊揚過馬斯克，他說世界上能建起這種計算集群、在這么短時間內搞定水冷和供電、把xAI做成的人，只有馬斯克一個。雖然特斯拉車端不需要像xAI那么多GPU，但在我印象里，埃隆特別喜歡問團隊：“我能夠幫你們解決什么問題？”如果團隊說需要更多GPU，他就會義無反顧地給你上更多。這也是為什么記得在某幾個季度，特斯拉的運營成本（Operation Cost）變得很大，就是因為買了非常多的GPU。

前五年我是在AI軟件團隊，直接向Andrej Karpathy匯報；之后兩年我轉組到了奧斯汀，參與第四代芯片的研發。第五代設計主要是推理芯片，從算力上來講，我覺得馬斯克是想得比較遠的。

這背后的核心邏輯叫做“軟硬件協同設計”（Co-design）。這其實并不新鮮，蘋果就是這么做的。為什么iPhone用起來這么絲滑？它在硬件指標上并不是明顯領先，就是因為它是Co-design。但協同設計有個問題：如果是共同設計，只要你的軟件太爛，硬件就不會太好（笑）。因為作為硬件工程師，設計芯片最頭疼的并不是你讓我塞多少算力，而是“軟件上的需求是什么”。只有軟件部門能清晰無誤地告訴我未來3年、5年甚至6年的需求，我才能把事情做好。

你的需求來自于軟件。如果你的軟件是基于規則（Rule-based）的，那設計出來的芯片就是Rule-based的；如果軟件是端到端的，那芯片就是端到端的。既然是軟硬協同，就不能有“瘸腿”。這也是為什么特斯拉的推理硬件比別人好，核心因素就是這個問題。

當然為什么Dojo失敗了呢？首先，訓練芯片的復雜度確實要比推理芯片高非常多，難度極大。其次，我認為還有一個問題，就是缺乏一種“置之死地而后生”的勇氣。在訓練芯片上，因為有英偉達在這里，你天天可以買現成的。恰恰是因為缺少了這樣一股必須自己做的勇氣，導致大家到今天失敗了。所以，特斯拉現在就專注于做推理芯片。

Tesla Dojo 來源：Wiki

泓君：

第四代和第五代推理芯片的區別是什么？

于振華：

第四代芯片在設計時，端到端（End-to-End）技術還沒有出來。所以你可以任務第四代芯片是根據基于規則（Rule-based）的系統來設計的。但到了設計第五代芯片的時候，不僅已經有了端到端技術，還出現了大語言模型（LLM）的應用場景。

為什么我會提到這一點？說實話，我在奧斯汀的后兩年轉到硬件部門，很大一個原因是因為軟件那邊太累了，我想著轉過來就能“休息休息”。我工作了一年多，原來馬斯克是基本不來我們硬件這邊的，而以前在軟件那邊他是每周都盯著，但硬件他以前不管得那么緊。

所以，他在第五代芯片設計時就要求把這個因素考慮進去。這塊芯片不只是為了特斯拉的自動駕駛，還要能承載大語言模型的計算需求。當然這肯定不是終點，后面還有第六代、第七代等等。

其實如果只做推理，問題會簡單很多。比如最近英偉達收購了Grog，也是因為后者專注推理。在這個方面，特斯拉其實已經根植了非常多年。稍微總結一下，還是那個核心邏輯——軟硬件協同（Co-design）：你要先有好的軟件，才能設計出好的硬件，再來跑更好的軟件。

關鍵問題 8：Robotaxi的商業化：特斯拉到底能多便宜？

泓君：

我們剛才聊了很多關于特斯拉的話題。在對話開始時我曾提到Waymo，它最近正在以1000億美元的估值尋求150億美元的融資。其實Waymo也有它的優勢，首先它已經真正去掉了司機。根據摩根士丹利的報告數據，雖然目前它的每英里運營成本是1.43美元，相比之下特斯拉大約是0.81美元。但大摩預測，在新的一年里，隨著新車型的推出，Waymo的成本可能會大幅下降至0.99到1.08美元估值已經千億美金了，但摩根大通說特斯拉的每英里運營成本只有0.81區間。我知道二位都是特斯拉的股票持有者（這一點我們先做一個持倉披露確認），如果單純從投資者角度來看，按目前這個估值，你們會投資Waymo嗎？

來源：TechCrunch

大衛：

我就做保守性的投資，選擇孤注一擲地投給特斯拉。

因為我覺得剛才提到的那個運營成本，無論Waymo降得有多低，真正到了量產層面，它的成本很難比特斯拉低太多，絕對值依然會特別高。

這里面還有一個關鍵因素是維護。你要運營一個車隊，就涉及充電、各種傳感器的管理，以及應對傳感器損壞等等。這算下來不是簡單的賬面數字，而是一個非常龐大的運營盤子，舉個例子，在舊金山灣區的Waymo充電站，光是負責充電的小哥就雇了三個。那三個小哥坐在椅子上盯著這堆車，車來了就負責把電插上。它需要人，而特斯拉是不需要這個人的，比如Cybertruck其實已經是無線充電了。

所以我想表達的是，對于這一類技術公司，我們看它賬面能否打平只是一方面，更要看車輛在整個生命周期內能用多久。Waymo用的還不是固態激光雷達，而是機械光雷達。這個東西其實我們行業內大家心里有數：機械雷達天天在那轉，到底能轉多久？兩年？差不多三年就不行了。

相比之下，特斯拉用的是攝像頭。所以如果我們把折舊還有均攤都算下來，其實兩者的差距還是蠻大的。所以我不會投資Waymo，而且我覺得1000億美元的估值實在太貴了。

于振華：

我覺得谷歌還是很不錯的。過去這一年，Gemini的表現真的很優秀。但是，你看谷歌也沒有選擇“All-in”Waymo，對不對？它也只是領頭而已。

我之前也說過，Waymo這種基于規則（Rule-based）的自動駕駛路線，它其實不具備規模經濟效應。并不是說用戶增長了10倍，你的成本就能保持不動；相反，你的城堡可能也要隨之增長很多，因為你需要實打實地去部署車隊，對吧？

這是兩個完全不同量級的競爭。即便特斯拉的技術路線和Waymo到最后都能實現無人駕駛，這依然是兩個量級的較量。

03

2026年美股

AI泡沫、芯片及黑天鵝

主持人：陳茜（硅谷101聯合創始人）

嘉賓：

Bruce Liu：美國濟容投資CEO兼CIO

Ren Yang：美國濟容投資聯合創始人

關鍵問題9：2025年的實戰反思：為什么有些“高質量公司”在四季度啞火了？

陳茜：

2025年美股其實挺曲折。兩位在過去的一年里，有什么被市場教育的故事？

Bruce Liu：

2025年看似容易，實則曲折。我們最大的反思在于因子分化。

如果你看2025年全年的走勢，你會發現市場經歷了幾個非常明顯的轉折點：2月、4月以及最重要的8月17號。在8月17號之前，市場的審美是非常整齊劃一的：追求高質量（High Quality）、低波動的龍頭。但8月17號美聯儲表態后，情況變了。美聯儲傳達了一個非常明確的偏見（Bias）：我承認通脹還是個問題，但我更要保增長。

這個表態直接導致了資金開始從那些估值已經很高、增長非常確定的“高質量公司”（比如英偉達、微軟）流出，轉而涌向那些高波動、低質量甚至是所謂的“垃圾股”，當然不是真垃圾，而是High Beta資產。市場開始博弈非AI的周期性行業，比如金融、房地產。這種因子的劇烈切換，讓我們意識到即便大的AI趨勢沒變，但資金流動的邏輯正在發生微妙的變化。

來源：Google

Ren Yang：

我被市場教育的地方是谷歌。我們內部之前一直對谷歌持悲觀態度，認為搜索是最容易被AI顛覆的陣地。但2025年谷歌通過Gemini的快速迭代和TPU的垂直整合優勢，證明了市場是極其務實的。

谷歌的估值在短短幾個月內從底部的14倍迅速拉到了接近30倍。這背后的邏輯是：只要你證明了你不僅有第一梯隊的模型能力，還有比英偉達GPU成本更低的推理設施（TPU），敘事就會瞬間反轉。2025年下半年，英偉達和谷歌、博通這幾家ASIC陣營的公司其實已經拉開了差距，這就是市場在為“推理成本效率”定價。

關鍵問題 10：ASIC陣營vs英偉達：2026年的算力博弈

陳茜：

現在出現了英偉達GPU vs 谷歌TPU+博通ASIC的陣營分化。2026年，英偉達的護城河會松動嗎？

Ren Yang：

首先要明確，ASIC不是新東西，谷歌做TPU已經十年了。在2026年，GPU依然會是主流，因為它具備無可比擬的通用性和CUDA龐大的生態，它是“全能冠軍”。

但是，當模型廠商開始“站隊”時，格局會產生裂縫。目前的態勢是：谷歌Gemini深度綁定自己的TPU，OpenAI暫時還離不開英偉達。但如果你看邊際變化，如果你是一個開發者，你一定會去尋找更便宜、更高效的算力。這就是為什么博通和那些光通訊公司表現驚人。芯片設計本質上是Code Design，周期很長。軟件是動態的，硬件是靜態的。如果你軟件算法在變，你就要靠GPU的靈活性；如果你的算法穩定了（比如推理側），你一定會追求ASIC的成本優勢。

來源：Google

Bruce Liu：

其實大家沒必要盯著英偉達一家。2025年下半年，存儲（Memory）和光通訊的邊際變化其實遠大于GPU核心。

因為當你要Scale out（橫向擴展）一個十萬張、百萬張卡的集群時，最卡脖子的不再是單純的算力，而是帶寬。這就是為什么你會看到博通這種光通訊領域的巨頭在四季度漲得比英偉達還猛。2026年，我們的投資邏輯要從“買鏟子”轉向“買連接鏟子的那根管子”，尋找智能密度提升過程中最稀缺、最卡脖子的那個環節。

關鍵問題 11：AI泡沫vs信仰：我們會迎來2000年那樣的崩盤嗎？

陳茜：

現在大家都在談資本內循環，談OpenAI 1.4萬億的超大規模CapEx。這個泡沫會在2026年破嗎？

Bruce Liu：

我常說一句話：錢是不值錢的，信仰才是值錢的。

我們常拿2014年的頁巖油泡沫做類比。當時的頁巖油行業每年燒掉9000億美金，發了大量的垃圾債（High Yield Bonds），大家一直燒了5年錢。直到最后沙特發動價格戰讓油價跌破成本，大家才發現這門生意不掙錢，泡沫才破。

現在的AI行業，只要大家對“模型智力每三個月翻倍”的信仰還在，資金就不會斷流。而且現在的信貸周期才剛開始起來。銀行正通過私募股權（Private Equity）和影子銀行把錢源源不斷地搬進數據中心。你看黑石（Blackstone）這種公司都在拼命買電、買地。所以我認為2026年大概率還不是泡沫的終點，除非我們連續看到兩代模型能力原地踏步，那種“ROI長期不達標”的恐懼才會真正刺破泡沫。

來源：Reuters

Ren Yang：

2026年的一個關鍵錨點是OpenAI的IPO。如果OpenAI能夠向市場證明它有類似iOS那樣的系統級入口地位，且具備極強的商業變現閉環，那么它的上市會極大地提振整個AI板塊的估值。但如果它只是一個會被不斷“商品化”的智力接口，那么它可能會變成一個巨大的“價值陷阱”，直接帶崩市場的中樞。

關鍵問題 12：2026年的宏觀風險：誰是真正的黑天鵝？

陳茜：

特朗普2.0、地緣政治、美聯儲可能的新變化……哪一個是你們最擔心的？

Bruce Liu：

我不擔心AI本身，我擔心的是金融條件的突然緊縮。

真正的黑天鵝可能來自歐洲或日本。如果日本央行因為通脹壓力被迫激進加息，直接抽走全球的廉價日元流動性（Carry Trade），或者特朗普的激進財政政策導致市場不再支持美國政府發債（類似當年英國的特拉斯危機），那么所有高估值資產都會瞬間遭遇滅頂之災。

來源：Forbes

Ren Yang：

我們需要關注特朗普的“Affordability（可負擔性）”計劃。他提出的一季度900億美金的返稅政策，可能會極大地刺激美國的個人消費。如果這導致通脹重新抬頭，而美聯儲又不敢激進加息，那么我們可能會進入一個非常復雜、多變的宏觀周期。在2026年，做投資一定要緊盯PMI數據和就業市場的邊際變化，這種非對稱性的風險是市場目前沒有充分定價的。

04

2026

在非共識中尋找紅利

三小時的直播，我們從AI的智力邊界聊到了美股的流動性根源。在目前這個情緒與估值雙高的時刻，2026年，科技行業正從“幻覺”走向“實戰”。正像Bruce剛才說的，AI這列火車不僅不會停，甚至可能在2026年加速往前跑。

我們最期待的是2026年能看到真正的AI Killer App出現。目前Vibe Coding只是前菜，希望能看到更多能進入真實工作流、改變普通人生活的產品，而不僅僅是大家都在調API。

而對于自動駕駛和機器人來說，2026年也將是一個大年。我們要在復雜的物理世界里，尋找那些真正具有“置之死地而后生”勇氣的團隊。

最后送給投資者們兩句話：不要對抗美聯儲，也不要對抗技術進步的信仰。在2026年，雖然風險在增加，但對于那些能看清“智能密度”邏輯的投資者來說，非共識紅利依然存在。

2026年，這場萬億美金的豪賭才剛剛進入中場。

硅谷101將不定期開啟直播，歡迎關注我們的Bilibili｜Youtube收看完整版

【視頻播放渠道】

國內：B站｜騰訊｜視頻號｜西瓜｜頭條｜百家號｜36kr｜微博｜虎嗅

海外：Youtube

聯系我們：video@sv101.net