峰瑞资本李丰：AI泡沫下中国创新如何稳局突围
今天，在大模型投资热潮开始趋于降温之时，人工智能领域的投资该如何选择？12月17日，峰瑞资本创始合伙人李丰在该公司2025年投资人年度峰会上，分享了他对AI、机器人投资的逻辑与未来展望。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
李丰表示，AI作为一个生产力革命，其全面落地还需要经历很长的变革时期。当下AI投资已经回归脚踏实地，开始投能落地的AI，所有的技术只有在被大规模应用后才能进一步迭代，但目前AI的应用还属于早期阶段。
以下是演讲实录（略有删减）：
大模型发展至今，只剩下大公司
今天中美都非常关注AI，背后的原因在于，可能大家认为AI是一个生产力革命，历史上生产力革命花的时间比大家预期的要稍微长。比如在蒸汽机时代，从发明到广泛应用于纺织机械以外的领域（如飞机、火车、轮船等），经历了约100年的漫长过程。计算机与互联网时代，从第一台个人电脑开始到现在人人都用的微信大概也花了30年时间。
今天的人工智能还处于很早期的阶段。既然AI处于早期发展阶段，为什么这一轮的热度这么高？这或许和宏观经济背景有关。2020年至2024年，为应对疫情，全球范围内的货币政策宽松，流动性是历史上从未发生过的。
美国的AI泡沫会破裂吗？最近一周的美股市场看起来AI交易量大幅下降。如果美股泡沫破裂，A股市场是不是会受影响？或者假定美股泡沫破了，并且可能影响中国，中国如何对抗影响走出独立行情。
目前，大模型的竞争格局已经差不多，本质原因是所有的技术进展和跃迁都不可能持续地超越预期。2024年，它经历了小的跳动上了台阶后，就进入了比较线性的发展过程。
大模型发展至今，只剩下大公司，比如微软、谷歌、字节的豆包和阿里的通义千问。这个现象反映了一个本质原因：技术变革要成功，需要前、中、后端同时发生变革。（前端/UI交互界面的改变加上中端/技术，终端/硬件载体和消费者用户习惯的迁移。）只有大公司才能既做基础设施，又有足够多的用户，同时有大模型的研发能力，能把大模型当成一个软件服务的延伸。明年我们可能会看到，大模型将与硬件服务深度整合，演变成一种统一的云服务。
回顾大数据时代，并没有催生出新的千亿市值的公司，因为它完全没有前端，也没有消费者习惯的迁移。字节的抖音之所以能成为千亿美金巨头，是因为它不仅有大数据算法（中端），还改变了交互方式，从UI界面键盘输入关键词变成了滑动，然后消费者的习惯改变了。
有了大规模的应用，技术才能真正进步
从我们的技术投资逻辑上，AI经历了三个发展阶段：
第一个阶段2024年至2024年，投资聚焦技术本身，比如大模型。第二个阶段2024年至2025年，开始关注最有想象力的应用，比如以Manus为代表的通用Agent和具身智能机器人。第三阶段2025年至今，大家开始投能落地的AI应用，比如垂直领域的Agent应用和AI硬件。大家投资开始变得脚踏实地，到底谁能用这个技术赚钱？
从投资来讲，AI Agent垂直领域比较困难。投资垂直领域的AI Agent应用需要具备两个条件：第一，最好已在产业链中建立高质量的数字化闭环；第二，最好能以自然语言交互的形态实现兑现的服务价值，即服务流程高度依赖自然语言交互。比如做教育、心理咨询和做金融这类公司，这些行业全链条数字化程度高，且服务是用自然语言交互兑现服务价值。
也有一些新的全链条数字化方向值得尝试，比如电商直播、编程、游戏。总体来看，垂直AI Agent应用更容易由已有业务公司转型实现，因为它们已拥有业务、数据、专业人才，以及重构服务的技术能力与抽象层次。新赛道有机会，但我觉得不那么多且很难找，因为它没有数据积累和客户。
关于AI硬件，日本在20世纪80年代推动了广泛的电子化，将许多机械产品改造为电子产品，例如钢琴变为电子琴、机械手表变为卡西欧电子表、照相机变为傻瓜电子相机等等。然而，受限于当时传感器与芯片技术，日本未能进一步走向“智能化”。
当前中国正处在类似的产业跃迁中，我们不仅将没有改过的传统产品电子化，更在此基础上叠加传感器与芯片，使其智能化。这基于中国擅长在“软科技+产业链”上的积累，通过技术整合创造新产品、带动新需求，最终变成新物种，并弥漫全球，同时大规模应用产生新数据。
中国产业的机遇在于，一旦进入全线产品电子化阶段，高精度硬件就会变得极具性价比。比如新能源汽车今天已将激光雷达和毫米波雷达的成本大幅降低。这些高精度硬件成本降低后，就能广泛应用于各类消费产品中。中国历史上曾多次重复这个路径。
基于此，我们主要关注两类企业：一类是原有的to B企业，其凭借对传感器、芯片的深入理解和技术能力，转型切入to C市场，我们的被投企业中已有不少成功案例；另一类是洞察到消费者习惯与新产品集成机会，从而创立的新品牌。
所以之前的问题也有了答案，如果AI的基础设施和大模型的泡沫在美国下跌，只能靠应用来接，中国能接得住吗？肯定能。中国在技术应用方面还多次验证了其发展路径。以人脸识别为例，2015年时许多人认为中国难以追上美国，但到2018年后，中国通过极其广泛的应用——涵盖酒店、餐厅、支付转账、工商变更等几乎所有生活与商业场景——将技术推向了实用化的极限，从而反哺了技术创新本身。同样，在自动驾驶领域也是如此。这表明有了大规模的应用，技术才能真正经受检验、迭代进步。
机器人未来迭代的核心在于获取新维度的数据
我们在2024至2024年密集投资了机器人，到2024年下半年热度较高时暂停了机器人投资，提早刹了车，事实证明太保守了。我没想到机器人在2024年的6月份之后热度又持续了一年半。
机器人是自动驾驶加上强化学习带来的算法革命，两者结合变成了今天看到的机器人。但依然停留在展示打拳、跑步、跳高、运动会等，这些不是操作能力。
操作能力意味着要改变物体状态。为什么全世界都在投它，为什么今天（机器人）还不行？明显的短板在于操作能力。今天全中国所有的机器人基本停留在演示层面，连桌子的高度都不能移动、衣服还不能碟。机器人的操作能力其难点在于缺乏人或物体跟物理世界接触并改变状态的数据。
所以，机器人未来迭代的核心在于获取新维度的数据，有以下几个方法：
一、和自动驾驶一样，自己给自己采集数据，这方面好处和坏处都较为明显，没有哪一家能做到像特斯拉那样有几百万辆车帮它采集数据。另外机器人还有一大挑战是硬件暂未定性，比如究竟是5根手指还是3根手指还是用夹板都暂无定论，只要本体一改变，就意味着原来的数据没有用，需要从头再来。
二、是不是算法加大脑就能解决问题，如果算法加大脑能解决问题，大语言模型早就会出现，不需要等积攒了四十年互联网的数据。我认为，大家在等新的消费级设备和关键传感器的大规模普及后有新的解决方案。比如，当智能手机中开始普及麦克风阵列或高质量的声音芯片之后，才具备了对声音进行高清解析的基础；又如，只有当 GPS 芯片被装进智能手机、并分发到每个人手中，位置数据才得以真正产生。从本质上看，大家最终等待的都是大规模数据的出现。
相关攻略
近日，开源具身智能原生框架Dexbotic宣布正式支持以RLinf作为其分布式强化学习后端。对具身智能开发者而言，这不仅是一次普通的工程适配，更意味着VLA模型研发中长期存在的「SFT与RL割裂」问题，正在被真正打通。 这是一种典型的「乐高式协作」：双方不强行Fork、不粗暴揉合代码，而是保持清晰边
随着大模型参数规模不断增长，混合专家（Mixture-of-Experts, MoE）架构因其稀疏激活特性，成为平衡模型性能与计算开销的主流方案。然而，在实际的Web级应用部署中，一个关键挑战日益凸显：传统MoE的路由机制通常是“无记忆”的。 试想，在搜索引擎、智能问答或多轮对话等高并发场景下，用户
编程十年的一点分享 在软件开发的路上走过十几年，从一个爱好者到以此为业，有些体会或许值得聊聊，就当是抛砖引玉吧。 最早接触编程，是从BASIC和C语言开始的。工作后，随着需要，陆续学习了dBase、Access这类桌面数据库的开发。真正以开发为职业，可以说始于FoxPro 5 0，之后技术栈随着项目
引言 编程，是一门实践科学。这意味着，学习它的最佳方式就是动手去敲代码。但这是否意味着，我们可以因此轻视理论的学习呢？ 入门编程 如果你去各大技术社区提问“该如何入门编程”，五花八门的答案会瞬间涌来。 不过，仔细梳理一下，无外乎以下几种流派： 学院派 他们推荐从C语言入手，并辅以数据结构、操作系统等
想象一下这个场景： 你让 AI Agent 帮你修一个代码 Bug。它打开项目，读了 20 个文件，改了改，跑了一下测试，没过，又改，又跑，还是没过……来回折腾了十几轮，终于——还是没修好。 你关掉电脑，松了口气。然后收到了 API 账单。 上面的数字可能让你倒吸一口凉气——AI Agent 自主修
热门专题
热门推荐
旧金山初创公司PhysicalIntelligence致力于为机器人打造通用“大脑”，以解决莫拉维克悖论。公司通过海量数据与算法训练，使机器人掌握叠衣、制作咖啡等复杂技能，并展现泛化能力。投资人看好其团队与进展，目标是将人类从枯燥危险的劳动中解放，企业级应用已可见曙光。
开普勒前CEO胡德波二次创业，成立索塔无界，聚焦研发具身智能“大脑”。公司以世界动作模型为核心，旨在让机器人理解并预测物理世界。目前从欧美商超分拣场景切入，计划结合中国供应链优势，提供涵盖硬件、部署的完整解决方案，以满足海外市场对机器人替代劳动力的需求。
2026年Web3交易平台格局呈现多元化发展，头部平台在安全、资产与用户体验上持续领先。去中心化交易平台（DEX）在交易深度与跨链互操作性方面取得突破，聚合器服务优化了交易路径。新兴平台凭借细分领域创新获得关注，而合规与安全已成为用户选择的核心考量因素。未来，平台竞争将更侧重于技术整合与生态构建能力。
本文梳理了2026年Web3交易平台的格局，重点分析了几个具有代表性的平台。内容涵盖去中心化与中心化混合型平台、纯去中心化交易所以及新兴的跨链聚合器，分别探讨了它们在安全性、流动性、用户体验和创新功能方面的优势与潜在不足，旨在为用户提供多维度的选择参考。
本文梳理了2026年Web3交易平台的格局，从去中心化交易所、聚合器与跨链平台、新兴趋势与挑战三个维度进行分析。重点探讨了DEX在流动性、用户体验与合规方面的进展，聚合器如何优化交易路径，以及跨链技术的成熟度。同时，也审视了平台面临的监管、安全与可持续性等核心挑战，为理解未来交易生态提供参考。