关于2026年科技行业)的12个关键问答（AI、自动驾驶、机器人、世界模型、美股...）

更新时间：2026-01-14 21:09 来源：牛马见闻

挪威和瑞典表示北欧国家将协调应对格陵兰岛问题,挪威和瑞典之间的山脉

奥迪Q9谍照曝光：全尺寸豪华SUV，2+2+2座椅布局,噢迪q9

数说“新”变化丨35.8亿元！2025年前11月新疆果品出口迎来爆发式增长

我国首台纳米晶体结构快速解析仪研制成功,我国首台纳米晶体结构快速解析仪研制成功的时间

伊朗革命卫队一军事基地被库尔德民族军占领,伊朗革命卫队高级指挥官遇袭身亡

两位对Meta在2026年的处境有一�前特斯拉AI工程师关键问题 5�在2026年破吗�

撰稿：刘]一鸣 编辑：)陈茜泓君 我们的三小时新年直播来啦，在这场硅谷一线的思辨中，我们邀请了六位跨越 AI、自动驾驶与美股投资的领军人物，进行了一场长达三小时的直播讨论，聚焦聊聊2026年大家最关心的几个科技赛道展望。这不只是一次预测，更是一场对“非共识”拆解。 核心洞察（Live Highlights） <ul> AI范式的“去中心化”：2025年的“DeepSeek Moment”标志着大模型不再被五大厂垄断。2026年，算力不再是唯一门槛，数据策展与系统级Scaling成为胜负手。 </ul> <ul> “自研模型”vs“应用优先”的大厂博弈：Meta的路线之争反映了科技巨头的战略分歧。在我们的讨论中，张璐就认为底层模型技术是AGI时代的“电力”，必须自主掌控以确保独立性；Howie则主张模型保鲜期短，大厂应发挥应用层优势，而非深陷基建泥潭。 </ul> <ul> 端到端（E2E）的降维打击：旧金山停电事件中，特斯拉能够正常运营，而Waymo不知所措引发全城大拥堵，特斯拉的端到端方案优势显现：在复杂的物理世界，基于规则的“有轨电车”方案正在面临挑战。 </ul> <ul> 算力版图的因子重构：美股投资正从“纯GPU信仰”转向“ASIC效率”。谷歌TPU阵营与英伟达的对抗，本质上是推理成本与通用性之间的博弈。 </ul> <ul> 信仰高于估值：AI泡沫是否破裂，不取决于烧了多少钱，而取决于“模型智力每三个月翻倍”的信仰是否缺失。2026年，OpenAI与SpaceX的IPO将成为全球资本的试金石。 </ul> 01 AI的2025与2026技术共识与非共识 主持人：陈茜（硅谷101联合创始人） 嘉宾： Howie Xu(硅谷徐老师）：资深硅谷技术高管、财富500强Gen首席AI创新官 张璐：Fusion Fund 创始合伙人 关键问题 1：2025年，哪个“非共识”事件最令行业震惊？ 陈茜： 回顾2025，Meta的大规模裁员、重组以及核心人才的流失都非常drama。我之前完全没想到Yann LeCun的离开以及硅谷人才大战能搅动到这个程度。两位身处一线，有什么事件是超乎你们预期的？ 张璐： Meta的掉队确实让人意外。我在2023、2024年非常看好开源生态，以为Meta能作为领军人物把开源带到一个新高度。但2025年最让我惊喜的是大企业对于AI认知转向的速度。 在2024年大家还在讨论Scaling Law是不是万能钥匙，但到了2025年，大家能意识到说Scaling Law它不是解决所有问题的万能钥匙。大家会更加实际和现实地去考虑说在行业落地的话，并不需要最贵最好的模型去解决所有问题，而是去关注一些小语言模型。 然后通过这样的一个我之前聊过的这种“鸡尾酒的方式”去进行当地化的微调，去进行各种各样，尤其是数据隐私监管比较多的这些行业的垂直部署。我记得年初去达沃斯和JP Morgan医疗大会时，全球领袖和500强公司已经不再问“要不要用 AI”，而是问“How and How much”——我们要拨多少预算？这种从“虚”到“实”的转变极快。 即便2025年我们会觉得很忙、很累，但那是一种“打鸡血”的状态，不仅是单一的AI叙事，而是AI原生企业与AI赋能的各种产业（医疗、金融等）技术的一种叠加增长，包括太空科技、国防科技等等，这是一个非常让人兴奋的增长元年。 来源：IIm-stats Howie： 我必须提“DeepSeek Moment”。其实24年它已经显现出功能了，但25年推理模型的爆发，彻底确认了这是一个系统性的趋势。它的影响远超想象。年初大家觉得DeepSeek出来只是地缘政治或者英伟达股票跌个几百Billion的事情，但一年走下来，你会发现它的影响是：做大模型不需要垄断在5家大厂手里。除了OpenAI和Anthropic，那些出走的科学家做的New Lab（如SSI、Thinking Machines）都在发力。这意味着真正的研究可能正在发生在大厂之外，这些实验室有希望做出OpenAI在2019年做过的那种从0到1的突破。 关键问题 2：Scaling Law到底有没有撞墙？2026年会有“新神”出现吗？ 陈茜： 上半年大家都说Transformer“撞墙”了，甚至有人说Scaling Law已经“撞墙”，结果谷歌Gemini新一代出来，大家又觉得Scaling Law还有戏。2026年我们会看到什么？ Howie： 我是坚定乐观派，我觉得Scaling Law还非常强劲。很多人说数据用完了，那是胡扯。数据不在于多，而在于怎么精心挑选。什么是好数据？什么数据该放多少比重？这上面有太多的Permutation（排列组合）。谷歌Gemini的突破不是因为网上数据多了，而是把数据整理、清洗、配比做到了极致。算力也一样。马斯克在奥斯汀建了百万张卡的集群，但“The devil is in the detail”（魔鬼在细节里）。你怎么连卡？怎么解决容错、带宽？如果若干年后我们回头看，发现还有10倍的Scaling空间，我一点都不觉得奇怪。算法、算力、数据这三点上，现在还远远没到终点。 张璐： 我同意Scaling Law成立，但它不再是唯一的增长路径。2026年，竞争会从“单纯堆数据”变成“系统级Scaling”。谷歌的优势在于它是一个“系统中心型”公司。它有DeepMind这种深厚的人才储备，有几年前就布局的新型架构，还有真实世界的用户反馈闭环。你看Gemini表现惊艳，其实是它把系统层面的优化、数据质量的闭环和产品反馈结合得最好。相比之下，那些纯模型公司（Model-centric）在2026年会面临更大的成本压力，2026年我们会看到更多对过去“无脑堆数据”方式的修正。 关键问题 3：Meta的“生死大辩论”：是该死磕模型，还是回归应用？ 陈茜： 这里有一个非常Drama的点。Meta最近花20-30亿美金，仅仅用了十多天就完成了对中国团队Manus的收购。两位对Meta在2026年的处境有一个非常精彩的辩论，咱们展开聊聊。 张璐： 我对Meta现在挺失望的。原本Llama 3出来时非常惊艳，我们非常看好开源生态。但Llama 4出来后的表现和预期差很多，核心原因是他们内部战略调整，太早想去推产品端，导致忽略了推理（Reasoning）能力的深耕。 来源：Linkedin 虽然Manus团队执行力很强，但我的疑问是：Meta现在最缺的是应用能力还是模型能力？我个人觉得他更需要模型能力。如果你作为一个第一梯队的巨头，在模型表现上连前三都排不进去，那是很痛苦的。但我认为Meta必须死磕大模型。如果人工智能未来像“电力”一样，你作为一个这么大体量的公司，如果“电力”不掌控在自己手里，那是非常危险的。尤其是Meta和Apple的关系一直很tricky，他一直想摆脱Apple，如果能通过AI一波趋势获得底层独立性，那是他的机会。所以他哪怕试错、哪怕由于战略调整掉队，他也得追回来，因为这是他的生存之本。 Howie： 我跟张璐的观点完全相反！我觉得Meta没事找事要去做大模型干嘛？我觉得他做应用挺好的。作为一个世界级的公司，保留一定的研究能力没问题，但我没觉得他必须要做大模型。他去买OpenAI、买Anthropic的API不行吗？ 我不仅是对Meta失望，我对Microsoft和Apple也挺失望的。但我失望的点不在于他们没做出模型，而在于他们没把应用做好。你看模型的“保鲜期”太短了。你今天做到世界第一又怎样？6个月打个瞌睡就掉到后面了。我不觉得这是一个“只争朝夕”的事情。Meta就算2025年只做应用，2026年看准了再去买模型厂或者再投入，也来得及。我不觉得Miss一年就会死。 张璐： 你说他可以买模型，但到了他这个体量，谁会卖给他？而且如果你不掌握底层技术，你的商业安全感在哪里？硅谷这几家公司，谁跟谁都不是紧密的合作伙伴。如果电力在别人手里，Meta 怎么保证自己长期的独立性？这不仅仅是效率问题，更是生存的“底牌”问题。Meta 过去被苹果的隐私政策搞得有多惨大家都有目共睹，他绝对不想在 AI 时代重道覆辙，被别人卡住脖子。 Howie： 现在的模型保鲜期短到什么程度？就像2013年小扎就对AI感兴趣，但他没急着在那时候就把所有身家压上，而是先通过收购和外部合作。我觉得2026年甚至2027年再去看模型市场的格局也不晚，现在最重要的是让用户在Meta的产品里体验到AI的好处，而不是非要纠结那个底层模型是不是自己训练的。即便他今天买不到，那也可以等市场成熟后再去布局，这种“追赶者”的策略在历史上也是被证明有效的，没必要在技术最动荡、最烧钱的阶段非要争那个第一。 关键问题 4：2026年，AI应用的“杀手锏”会出现在哪里？ 陈茜： 很多人说2025年是AI应用元年，但体感上似乎并没有爆发？大家仍然都还在找那个“杀手锏”应用。 张璐： 我其实很乐观，我看到的是“水面之下”的波涛汹涌。比如我投的一个医疗科技项目，甚至给公司汇款是在圣诞节那天，我们说“创新从来不睡觉”。为什么大家现在对AI应用的体感还不强？因为这波应用爆发最猛烈的是在B端（企业级）。 我举个最震撼的细节：摩根大通（JP Morgan）一家银行今年的AI预算，比全球排名前十的剩下九家银行加起来还要多。这种投入规模带来的ROI是极其惊人的。我们投的三家初创公司现在都在跟摩根大通合作，最快几周就能跑通POC（概念验证），几个月就能签下非常大的商业订单。这在以前的SaaS时代是不可想象的，那时候一个订单磨一年都很正常。所以2026年，大家会看到医疗、金融、保险行业的垂直Agent真正带来营收级的爆发。 Howie： 我倒觉得我们要对“元年”这个词保持理性。每一个技术时代的Killer App（杀手级应用）通常都要等技术成熟几年后才出现。你想想移动互联网，iPhone是2007年出的，但Instagram、Uber这种改变世界的应用是哪年出的？是2010年甚至更晚。 目前我看到最硬核、最真正产生生产力溢价的应用只有两个：一个是Vibe Coding（AI 原生编程），不仅是程序员在用，甚至很多非技术背景的人现在也能通过Cursor或Claude Code做出复杂的产品，这就是目前唯一的“生产力红利”。另一个我最近非常关注的是“Browser Use”或“AI 浏览器”，它直接改变了你与信息的交互方式。 来源：Google 但为什么现在很多创业公司觉得难？因为ChatGPT做得“Good Enough”（足够好）了。它就像一头大象，把很多Niche（利基市场）应用的空间给踩扁了。如果你的应用不能做到比ChatGPT自带的功能好10倍，用户就很难产生迁移成本2026年，我们期待的是那些能跳出“对话框”形态，真正进入工作流、进入硬件入口的应用。 02 特斯拉FSD机器人及新一轮自动驾驶商业站 主持人：泓君（硅谷101创始人兼CEO） 嘉宾： 大卫：惠尔智能CEO及创始人，《大小马聊科技》主播 于振华：前特斯拉AI工程师 关键问题 5：旧金山大停电事件，为什么成了自动驾驶的技术分水岭？ 泓君： 前两周旧金山停电，红绿灯罢工。Waymo瘫痪在路口导致大拥堵，但特斯拉FSD却能丝滑通过。这背后的技术鸿沟到底在哪？ 大卫： 当时我惊呆了。Waymo虽然在旧金山跑了多年，但他是一个Rule-based（基于规则）的思维。即便红绿灯不亮，美国的交规其实也有路权定义（类似Stop标志），但Waymo的规则库里可能没定义这一条，或者它不敢走。而特斯拉FSD根本不看这些硬规则，它学习的是人面对这种路况时的博弈行为——谁先来谁先走。特斯拉的逻辑是：只要路口没障碍，我就按人的习惯走。这种端到端（E2E）的方案，在Corner Case（极端情况）面前展现了完全不同的生命力。 于振华： 这证明了Waymo不是“纯智能”。我在特斯拉工作的时候，Andrej Karpathy讲过一个例子：路上如果有两排违停车辆（Double Park），我们要写一行代码去定义它；后来发现如果出现了三排违停，难道再写一行代码叫Triple Park？这种基于规则的修补是无穷无尽的。特斯拉V14之所以强，是因为它已经摆脱了这些代码补丁。你如果用过V14，你会发现它处理路况非常从容、游刃有余。V14之后，舆论在反转，因为产品真的好到了用户不需要懂技术也能感受到“丝滑”。 关键问题 6：特斯拉算法领先的秘密：为什么其他厂商“抄作业”都很难？ 泓君： 所以特斯拉领先的原因，是因为数据优势，还是算法优势？ 于振华： 我认为首先是算法领先。大家都说特斯拉有数据优势，但在算法没有足够好之前，谈数据没意义。2023年下半年推出V12到现在，还没看到任何一个玩家在算法上接近特斯拉。 为什么别人做不出来？这里面有几个非常硬核的原因。 第一是人才和土壤。特斯拉的AI团队非常特殊，他们很多是“土生土长”的 Builders，而不是那种频繁跳槽的学术明星。比如现在的负责人Ashok Elluswamy，他是2014年第一个加入FSD团队的员工，经历了特斯拉自动驾驶最黑暗的时期，但他一直留到现在。这种Problem-driven（问题驱动）的文化极其硬核，他们内部从不搞PR，不爱造新名词，就是每天盯着那几千个Corner Case去死磕。对比之下，很多大厂喜欢招“学术明星”，这些人可能发论文很厉害，但在真正需要解决“三排违停”这种物理世界的脏活累活时，往往缺乏耐心。 第二是置之死地而后生的勇气。马斯克当年敢把激光雷达砍了，这就是断了自己的退路。在特斯拉看来，如果你还留着激光雷达这个“拐棍”，你的软件团队就永远会有依赖心理，永远无法压榨纯视觉（Vision-only）的极限。而国内厂商比如华为、理想，包袱太重，他们既要做端到端，又舍不得放下规则派的那些补丁（Rule-based safety nets）。 这会导致整个系统逻辑极其沉重，这就是“小脚穿大鞋”：你由于代码里堆了大量的补丁规则，导致你的代码量极其庞大，这对算力的需求是呈几何级增长的。在英伟达Orin这种算力有限的芯片上，你根本跑不动真正的端到端。 第三是算力，而这三点同时具备，目前只有特斯拉。 大卫： 我非常同意。其实很多国内车厂宣传的“双系统”、“慢思考”、“轻图”……听起来很高大上，其实反映的是“技术焦虑”。 特斯拉的端到端是一个黑盒，虽然没法向你解释每一行代码在干嘛，但他通过“力大砖飞”的数据训练，让系统具备了人类司机的下意识反应。我举个最直观的例子：雨天刹车。 如果是规则派，你需要写死：当雨量传感器到几级、路面摩擦系数估算为多少时，刹车距离要增加多少。但物理世界的变量是无穷的。特斯拉的端到端模型学习的是：人在下雨天是怎么开车的。它不需要知道摩擦系数，它天然就知道在那种视觉环境下要提早减速、提早点刹。 这就是所谓的“智能密度”。规则派的系统就像一只苍蝇的脑子，虽然反应快，但只能处理几条死规则；而特斯拉的端到端正在向人类大脑的密度靠拢。这种补丁叠补丁的“缝合怪”方案，是永远学不来这种灵性的。 关键问题 7：推理芯片：马斯克的硬核硬件观 泓君： 老于，对于你说的第三点算力，可不可以分享一下，你当时参与开发特斯拉芯片的过程，以及芯片在特斯拉最终能做成端到端的这件事情上，贡献有多大？ 于振华： 我认为硬件在整个战略中占据了决定性的比重。我不拿特斯拉举例，就看理想汽车的双系统——他们试图把大语言模型部署到车上，这其实是非常难的。在车端极其有限的算力下，要把大模型塞进去，如果你只有软件厉害但推理芯片跟不上，那就是“巧妇难为无米之炊”。无论你的算法多强，推不到车上也是白搭。 这就是为什么我觉得特斯拉非常有战略眼光。从第三代、第四代到第五代芯片，比如现在FSD V14在第四代芯片上跑得这么好，证明了这种提前布局的正确性。哪怕Dojo（训练芯片）项目失败了，我认为这也是一个很好的教训。甚至可以说，如果某天英伟达的迭代太慢，或者其通用设计偏离了特斯拉的需求，特斯拉卷土重来也是完全有可能的。你看今天大家赞扬Google的Gemini，也是因为Google早就布局了TPU。如果比只是一个注重软件、不注重硬件的决策者，你的路是走不了这么远、这么扎实的。 在历史上，特斯拉的芯片设计主要分为两条路线：一条是在车端运行的推理芯片，另一条是用于训练的Dojo芯片，如今Dojo项目已经被解散了。实话实说，在训练芯片这一块，Dojo一直赶不上英伟达，所以它始终存在着被取消的风险。我觉得今年马斯克算是“壮士断腕”，彻底把它停掉了。 目前，特斯拉用于端到端训练的芯片依然全部来自英伟达。大家都知道，黄仁勋曾公开赞扬过马斯克，他说世界上能建起这种计算集群、在这么短时间内搞定水冷和供电、把xAI做成的人，只有马斯克一个。虽然特斯拉车端不需要像xAI那么多GPU，但在我印象里，埃隆特别喜欢问团队：“我能够帮你们解决什么问题？”如果团队说需要更多GPU，他就会义无反顾地给你上更多。这也是为什么记得在某几个季度，特斯拉的运营成本（Operation Cost）变得很大，就是因为买了非常多的GPU。 前五年我是在AI软件团队，直接向Andrej Karpathy汇报；之后两年我转组到了奥斯汀，参与第四代芯片的研发。第五代设计主要是推理芯片，从算力上来讲，我觉得马斯克是想得比较远的。 这背后的核心逻辑叫做“软硬件协同设计”（Co-design）。这其实并不新鲜，苹果就是这么做的。为什么iPhone用起来这么丝滑？它在硬件指标上并不是明显领先，就是因为它是Co-design。但协同设计有个问题：如果是共同设计，只要你的软件太烂，硬件就不会太好（笑）。因为作为硬件工程师，设计芯片最头疼的并不是你让我塞多少算力，而是“软件上的需求是什么”。只有软件部门能清晰无误地告诉我未来3年、5年甚至6年的需求，我才能把事情做好。 你的需求来自于软件。如果你的软件是基于规则（Rule-based）的，那设计出来的芯片就是Rule-based的；如果软件是端到端的，那芯片就是端到端的。既然是软硬协同，就不能有“瘸腿”。这也是为什么特斯拉的推理硬件比别人好，核心因素就是这个问题。 当然为什么Dojo失败了呢？首先，训练芯片的复杂度确实要比推理芯片高非常多，难度极大。其次，我认为还有一个问题，就是缺乏一种“置之死地而后生”的勇气。在训练芯片上，因为有英伟达在这里，你天天可以买现成的。恰恰是因为缺少了这样一股必须自己做的勇气，导致大家到今天失败了。所以，特斯拉现在就专注于做推理芯片。 Tesla Dojo 来源：Wiki 泓君： 第四代和第五代推理芯片的区别是什么？ 于振华： 第四代芯片在设计时，端到端（End-to-End）技术还没有出来。所以你可以任务第四代芯片是根据基于规则（Rule-based）的系统来设计的。但到了设计第五代芯片的时候，不仅已经有了端到端技术，还出现了大语言模型（LLM）的应用场景。 为什么我会提到这一点？说实话，我在奥斯汀的后两年转到硬件部门，很大一个原因是因为软件那边太累了，我想着转过来就能“休息休息”。我工作了一年多，原来马斯克是基本不来我们硬件这边的，而以前在软件那边他是每周都盯着，但硬件他以前不管得那么紧。 所以，他在第五代芯片设计时就要求把这个因素考虑进去。这块芯片不只是为了特斯拉的自动驾驶，还要能承载大语言模型的计算需求。当然这肯定不是终点，后面还有第六代、第七代等等。 其实如果只做推理，问题会简单很多。比如最近英伟达收购了Grog，也是因为后者专注推理。在这个方面，特斯拉其实已经根植了非常多年。稍微总结一下，还是那个核心逻辑——软硬件协同（Co-design）：你要先有好的软件，才能设计出好的硬件，再来跑更好的软件。 关键问题 8：Robotaxi的商业化：特斯拉到底能多便宜？ 泓君： 我们刚才聊了很多关于特斯拉的话题。在对话开始时我曾提到Waymo，它最近正在以1000亿美元的估值寻求150亿美元的融资。其实Waymo也有它的优势，首先它已经真正去掉了司机。根据摩根士丹利的报告数据，虽然目前它的每英里运营成本是1.43美元，相比之下特斯拉大约是0.81美元。但大摩预测，在新的一年里，随着新车型的推出，Waymo的成本可能会大幅下降至0.99到1.08美元估值已经千亿美金了，但摩根大通说特斯拉的每英里运营成本只有0.81区间。我知道二位都是特斯拉的股票持有者（这一点我们先做一个持仓披露确认），如果单纯从投资者角度来看，按目前这个估值，你们会投资Waymo吗？ 来源：TechCrunch 大卫： 我就做保守性的投资，选择孤注一掷地投给特斯拉。 因为我觉得刚才提到的那个运营成本，无论Waymo降得有多低，真正到了量产层面，它的成本很难比特斯拉低太多，绝对值依然会特别高。 这里面还有一个关键因素是维护。你要运营一个车队，就涉及充电、各种传感器的管理，以及应对传感器损坏等等。这算下来不是简单的账面数字，而是一个非常庞大的运营盘子，举个例子，在旧金山湾区的Waymo充电站，光是负责充电的小哥就雇了三个。那三个小哥坐在椅子上盯着这堆车，车来了就负责把电插上。它需要人，而特斯拉是不需要这个人的，比如Cybertruck其实已经是无线充电了。 所以我想表达的是，对于这一类技术公司，我们看它账面能否打平只是一方面，更要看车辆在整个生命周期内能用多久。Waymo用的还不是固态激光雷达，而是机械光雷达。这个东西其实我们行业内大家心里有数：机械雷达天天在那转，到底能转多久？两年？差不多三年就不行了。 相比之下，特斯拉用的是摄像头。所以如果我们把折旧还有均摊都算下来，其实两者的差距还是蛮大的。所以我不会投资Waymo，而且我觉得1000亿美元的估值实在太贵了。 于振华： 我觉得谷歌还是很不错的。过去这一年，Gemini的表现真的很优秀。但是，你看谷歌也没有选择“All-in”Waymo，对不对？它也只是领头而已。 我之前也说过，Waymo这种基于规则（Rule-based）的自动驾驶路线，它其实不具备规模经济效应。并不是说用户增长了10倍，你的成本就能保持不动；相反，你的城堡可能也要随之增长很多，因为你需要实打实地去部署车队，对吧？ 这是两个完全不同量级的竞争。即便特斯拉的技术路线和Waymo到最后都能实现无人驾驶，这依然是两个量级的较量。 03 2026年美股 AI泡沫、芯片及黑天鹅 主持人：陈茜（硅谷101联合创始人） 嘉宾： Bruce Liu：美国济容投资CEO兼CIO Ren Yang：美国济容投资联合创始人 关键问题9：2025年的实战反思：为什么有些“高质量公司”在四季度哑火了？ 陈茜： 2025年美股其实挺曲折。两位在过去的一年里，有什么被市场教育的故事？ Bruce Liu： 2025年看似容易，实则曲折。我们最大的反思在于因子分化。 如果你看2025年全年的走势，你会发现市场经历了几个非常明显的转折点：2月、4月以及最重要的8月17号。在8月17号之前，市场的审美是非常整齐划一的：追求高质量（High Quality）、低波动的龙头。但8月17号美联储表态后，情况变了。美联储传达了一个非常明确的偏见（Bias）：我承认通胀还是个问题，但我更要保增长。 这个表态直接导致了资金开始从那些估值已经很高、增长非常确定的“高质量公司”（比如英伟达、微软）流出，转而涌向那些高波动、低质量甚至是所谓的“垃圾股”，当然不是真垃圾，而是High Beta资产。市场开始博弈非AI的周期性行业，比如金融、房地产。这种因子的剧烈切换，让我们意识到即便大的AI趋势没变，但资金流动的逻辑正在发生微妙的变化。 来源：Google Ren Yang： 我被市场教育的地方是谷歌。我们内部之前一直对谷歌持悲观态度，认为搜索是最容易被AI颠覆的阵地。但2025年谷歌通过Gemini的快速迭代和TPU的垂直整合优势，证明了市场是极其务实的。 谷歌的估值在短短几个月内从底部的14倍迅速拉到了接近30倍。这背后的逻辑是：只要你证明了你不仅有第一梯队的模型能力，还有比英伟达GPU成本更低的推理设施（TPU），叙事就会瞬间反转。2025年下半年，英伟达和谷歌、博通这几家ASIC阵营的公司其实已经拉开了差距，这就是市场在为“推理成本效率”定价。 关键问题 10：ASIC阵营vs英伟达：2026年的算力博弈 陈茜： 现在出现了英伟达GPU vs 谷歌TPU+博通ASIC的阵营分化。2026年，英伟达的护城河会松动吗？ Ren Yang： 首先要明确，ASIC不是新东西，谷歌做TPU已经十年了。在2026年，GPU依然会是主流，因为它具备无可比拟的通用性和CUDA庞大的生态，它是“全能冠军”。 但是，当模型厂商开始“站队”时，格局会产生裂缝。目前的态势是：谷歌Gemini深度绑定自己的TPU，OpenAI暂时还离不开英伟达。但如果你看边际变化，如果你是一个开发者，你一定会去寻找更便宜、更高效的算力。这就是为什么博通和那些光通讯公司表现惊人。芯片设计本质上是Code Design，周期很长。软件是动态的，硬件是静态的。如果你软件算法在变，你就要靠GPU的灵活性；如果你的算法稳定了（比如推理侧），你一定会追求ASIC的成本优势。 来源：Google Bruce Liu： 其实大家没必要盯着英伟达一家。2025年下半年，存储（Memory）和光通讯的边际变化其实远大于GPU核心。 因为当你要Scale out（横向扩展）一个十万张、百万张卡的集群时，最卡脖子的不再是单纯的算力，而是带宽。这就是为什么你会看到博通这种光通讯领域的巨头在四季度涨得比英伟达还猛。2026年，我们的投资逻辑要从“买铲子”转向“买连接铲子的那根管子”，寻找智能密度提升过程中最稀缺、最卡脖子的那个环节。 关键问题 11：AI泡沫vs信仰：我们会迎来2000年那样的崩盘吗？ 陈茜： 现在大家都在谈资本内循环，谈OpenAI 1.4万亿的超大规模CapEx。这个泡沫会在2026年破吗？ Bruce Liu： 我常说一句话：钱是不值钱的，信仰才是值钱的。 我们常拿2014年的页岩油泡沫做类比。当时的页岩油行业每年烧掉9000亿美金，发了大量的垃圾债（High Yield Bonds），大家一直烧了5年钱。直到最后沙特发动价格战让油价跌破成本，大家才发现这门生意不挣钱，泡沫才破。 现在的AI行业，只要大家对“模型智力每三个月翻倍”的信仰还在，资金就不会断流。而且现在的信贷周期才刚开始起来。银行正通过私募股权（Private Equity）和影子银行把钱源源不断地搬进数据中心。你看黑石（Blackstone）这种公司都在拼命买电、买地。所以我认为2026年大概率还不是泡沫的终点，除非我们连续看到两代模型能力原地踏步，那种“ROI长期不达标”的恐惧才会真正刺破泡沫。 来源：Reuters Ren Yang： 2026年的一个关键锚点是OpenAI的IPO。如果OpenAI能够向市场证明它有类似iOS那样的系统级入口地位，且具备极强的商业变现闭环，那么它的上市会极大地提振整个AI板块的估值。但如果它只是一个会被不断“商品化”的智力接口，那么它可能会变成一个巨大的“价值陷阱”，直接带崩市场的中枢。 关键问题 12：2026年的宏观风险：谁是真正的黑天鹅？ 陈茜： 特朗普2.0、地缘政治、美联储可能的新变化……哪一个是你们最担心的？ Bruce Liu： 我不担心AI本身，我担心的是金融条件的突然紧缩。 真正的黑天鹅可能来自欧洲或日本。如果日本央行因为通胀压力被迫激进加息，直接抽走全球的廉价日元流动性（Carry Trade），或者特朗普的激进财政政策导致市场不再支持美国政府发债（类似当年英国的特拉斯危机），那么所有高估值资产都会瞬间遭遇灭顶之灾。 来源：Forbes Ren Yang： 我们需要关注特朗普的“Affordability（可负担性）”计划。他提出的一季度900亿美金的返税政策，可能会极大地刺激美国的个人消费。如果这导致通胀重新抬头，而美联储又不敢激进加息，那么我们可能会进入一个非常复杂、多变的宏观周期。在2026年，做投资一定要紧盯PMI数据和就业市场的边际变化，这种非对称性的风险是市场目前没有充分定价的。 04 2026 在非共识中寻找红利 三小时的直播，我们从AI的智力边界聊到了美股的流动性根源。在目前这个情绪与估值双高的时刻，2026年，科技行业正从“幻觉”走向“实战”。正像Bruce刚才说的，AI这列火车不仅不会停，甚至可能在2026年加速往前跑。 我们最期待的是2026年能看到真正的AI Killer App出现。目前Vibe Coding只是前菜，希望能看到更多能进入真实工作流、改变普通人生活的产品，而不仅仅是大家都在调API。 而对于自动驾驶和机器人来说，2026年也将是一个大年。我们要在复杂的物理世界里，寻找那些真正具有“置之死地而后生”勇气的团队。 最后送给投资者们两句话：不要对抗美联储，也不要对抗技术进步的信仰。在2026年，虽然风险在增加，但对于那些能看清“智能密度”逻辑的投资者来说，非共识红利依然存在。 2026年，这场万亿美金的豪赌才刚刚进入中场。 硅谷101将不定期开启直播，欢迎关注我们的Bilibili｜Youtube收看完整版 【视频播放渠道】 国内：B站｜腾讯｜视频号｜西瓜｜头条｜百家号｜36kr｜微博｜虎嗅 海外：Youtube 联系我们：video@sv101.net

编辑：高杰