2026年，AI产业的底层逻辑，正在经历一场不那么显眼却非常彻底的转变。

单纯谈技术指标已经不够了，财务指标开始上位。说得通俗一点，驱动整个AI基础设施价值分配的核心，正在被“Token经济学”所主导。

在今年的世界人工智能大会（WAIC）期间，天数智芯副总裁石加圣与易方达基金经理肖宛远，在《远见Talk》中展开了深度对谈。他们指出了一个关键趋势：在模型训练与推理齐头并进的当下，推理端商业化的加速，正在彻底终结过去软硬件解耦的云计算时代。

现在，衡量一块AI芯片好不好用的标准，已经不是理论上的算力峰值，而是TCO（总拥有成本）和“每百万Token成本”。这种对经济性的极致追求，正在倒逼芯片企业把手伸得更长——不仅要管硬件，还要管软件栈、管网络协议，整个产业链的深度耦合正在发生。

这种产业范式的切换，自然也引发了资本市场的暗流涌动。肖宛远观察到，随着国内对自主制造能力的需求攀升，AI的资本开支（CapEx）正在从下游的云服务商（CSP）向中游的晶圆代工厂（Foundry）传导。半导体设备环节，成了这条传导路径上确定性最强的受益者。

说到本届WAIC最火的具身智能，两位专家也给出了一个很实在的视角。端到端大模型的进化，反而在降低对硬件传感器的依赖，这直接影响着整机的BOM（物料清单）成本。同时，物理AI落地的真正瓶颈，其实在于高质量训练数据的获取——现实世界的试错成本太高了，产业不得不高度依赖云端算力来模拟生成合成数据。

当技术爆炸和市场噪音交织在一起，当编程这样传统的人机交互“手段”被AI接管，人类剩下的“目的”与好奇心，反而成了唯一的壁垒。面对不可避免的错失恐惧（FOMO），回归商业常识、利用指数工具来对冲尾部风险，同时借鉴AI的“工程化迭代”思维来重塑自己的认知，或许才是穿越周期的正确姿势。

以下就是这次《远见Talk》深度对谈的实录整理：

从展台到现实：AI的商业闭环与赋能

Q1：作为参展方，您觉得今年WAIC跟往年相比，最显著的变化是什么？

石加圣：我们往年也参加过几届，今年有个特别明显的变化——产业导向更强了。一方面，分论坛话题更细分、更专业，密度也更高。另一方面，参展商的主题很明确，大家都在围绕智能体（Agent）和具身智能的落地应用做文章。以前大家更多是展示技术，现在都在尝试验证：从智算基础设施，到大模型，再到智能体，这个链条能不能形成商业闭环？商业价值在哪里？会务方也从单纯的会展，变成了生态和平台的提供者，这让人很兴奋。

Q2：作为基金经理，您看展的视角有什么不同？

肖宛远：每年展会边际上增量最大的部分，往往是对现实世界技术变化的真实映射。去年机器人特别多，今年物理AI的边界更广了，除了机器人，还有智能驾驶、AI for Science、AI制药等等。同时，国内基础设施公司也越来越多，种类也更丰富。体感上变化最大的方向，往往就是这一年技术进展最明显的地方，也是我们在金融市场上需要花更多精力去研究的。

Q3：AI对社会的影响，量级大概在什么程度？

石加圣：对我们技术公司来说，Coding影响最大，公司内部已经在大量用AI辅助编程。跟云厂商交流，他们觉得整个Coding市场可能达到万亿级别。但更令人激动的其实是远期场景——AI是对人类能力的放大。比如生物医药，能节省大量时间和资本；比如教育，能让学习更普惠；再比如材料科学，帮我们去探索甚至改造世界。我们从“信息智能”走向“行动智能”，下一步就是“探索智能”。

肖宛远：Coding的变化很大，它不仅仅是写代码，还涉及资源调度、项目管理。编程是触及物理世界的过渡语言。以前你要花时间写脚本、取数据，现在交给AI，你只需要想一件事：我今天要关心什么？就像80、90年代有了图形操作系统，大家不用记复杂指令了。现在手段被AI解决了，你只需要知道目的。如果AI能帮你发明新药、做股票分析，你愿意支付的价值是很高的。

产业链博弈：“五层蛋糕”与Token经济学

Q4：如何看待当前AI产业链的生态与价值分配？

肖宛远：现在的情况和云计算时代很不一样。云计算时代分工清晰，各环节占比稳定。但AI时代，芯片公司的边界在扩大，大家越来越关心CUDA生态、软件协议、网络协议，上下游从解耦走向了更紧密的耦合。

石加圣：我们做GPU芯片，从来就是把软件和芯片作为一个整体来交付的。现在关注的是Token经济，最终看的是每个Token的成本。整个产业还在早期，老话说“先把蛋糕做大”，现在去谈固定比例分配，为时过早。

Q5：模型进入推理阶段，国内芯片走到哪一步了？

石加圣：今年训练和推理齐头并进，但商业化上，推理走得更前面。从“能用”到“好用”，国内芯片已经迈出了扎实的一步，在某些核心业务上甚至能提供高于英伟达的商业价值。衡量标准也很公开：先看SLA（服务等级协议），比如首字延迟；再看吞吐量，吞吐量越大，TCO就越低，每百万Token的成本就越低。

肖宛远：以前大家比的是晶体管密度、FLOPS算力，现在你问一家企业推理卡怎么样，他会跟你说TCO和每百万Token成本。因为推理已经是要算经济账的赚钱业务了。Token经济学倒逼硬件企业做很多优化，比如PD分离、分级存储，用系统能力榨干Infra的性能。

预见未来：芯片演进与物理AI的挑战

Q6：未来10年，AI芯片的核心变量是什么？

石加圣：我们的视角是“应用定义软件/模型，软件定义硬件”。10年有点长，1到5年内需求变化就会很剧烈。要在变化中维持竞争力，关键是要理解计算的本质，知道哪些东西该在软件做，哪些该到硬件做。同时，芯片技术本身也在增加灵活度，比如Chiplet技术，AI也在辅助芯片设计，让周期变快。

Q7：半导体设备板块的投资逻辑是怎样的？

肖宛远：资本开支正从下游CSP向中游Foundry传导。国内科技大循环需要建立自己的制造能力，国内Foundry有很强的扩产意愿。中报预告里，半导体设备企业已经展现了非常好的业绩。今年投AI，最重要的事就是“找业绩主线”，下半年可以继续关注这个方向。

Q8：物理AI和云端AI对芯片的要求有什么不同？

石加圣：云端看重吞吐量，具身智能要求更低的延迟和功耗。物理AI更难的地方，在于训练数据。语言类AI有丰富的互联网语料，但物理AI的数据在质量和数量上还欠缺。所以老黄提出“三台电脑理论”，通过模拟生成训练数据是性价比最高的方式。

肖宛远：机器人的模型迭代了很多代，从纯机械结构到预编程，再到VLA模型，再到端到端模型。模型每往前走一步，对硬件的需求就有天翻地覆的变化。模型能力越强，对硬件传感器的依赖就越低。至于大模型会不会吞噬一切？AI能帮你做数字世界的东西，但一个药从设计到FDA审批，中间大量的真实实验过程是AI无法替代的。

投资心法：在噪音洪流中寻找确定性

Q9：如何区分有效信息和市场噪音？对个人投资者有什么建议？

肖宛远：现在的“信噪比”确实下降了。解决方式无非两个：第一，回归第一性原理，判断什么东西符合基本的商业常识和技术常识。第二，市场最终会奖励正确的事情，这些事情都是朴素的。拉长时间看，噪音对市场的定价能力是有限的。实际操作层面，收益永远伴随风险，科技行业个股有明显的尾部风险。指数这种一揽子配置的工具，能帮你分散尾部风险。

石加圣：作为科技从业者，我们也会有FOMO。应对方法也是回到底层逻辑，辨别是形式创新还是本质碘伏。三个月前让你FOMO的技术，三个月后可能并没掀起波澜。可以借鉴AI的Engineering Loop：尝试、生成、测试、迭代。我们的思考模式也可以这样来迭代。