6月7日，2026年“上海市欧美同学会金融沙龙第四期——AI创投峰会”在上海对外经贸大学古北校区顺利举行。“上海市欧美同学会金融沙龙”是金融分会打造的专业系列活动，此前已围绕并购重组、科技金融、国际经贸投资三大主题成功举办三期活动，本次第四期活动由上海市欧美同学会金融分会主办，上海对外经贸大学金融管理学院承办，云岫资本、上海股权投资协会协办。上海市委金融办、上海市经信委、长宁区投促局等政府部门也都专门安排负责同志莅临会议指导。会议聚焦人工智能前沿技术、产业周期与创投机遇，开展深度思想交流与行业研讨，吸引了240余位学长和专业人士参会。未来，上海市欧美同学会金融分会将继续发挥海归人才集聚优势，持续聚焦金融和科技前沿热点，举办更多高质量金融沙龙。
AI创投峰会主题圆桌对话现场
高超：今天我们非常荣幸地邀请到四位嘉宾，一起来讨论“AI时代的产业重构与商业机会”这一主题。2026年的AI市场可谓波澜壮阔。上半年以来，我们看到MiniMax和智谱的市值屡创新高，大模型发展也不断涌现出新概念，从推理到Agent，整个产业都在快速演进。国家层面也提出了“AI+”的大战略，AI与产业的融合正在加速推进；资本和产业界都在问：下一个机会在哪里？今天的四位嘉宾分别来自大厂战略投资、市场化投资机构以及AI创业的从业一线，相信今天的讨论会非常有意义。首先，有请各位嘉宾用一分钟时间做简单自我介绍。
蒋珊珊：大家好，很高兴参加今天的活动。我是阿里战投前沿科技的负责人，主要负责阿里在模型、具身智能以及脑机接口领域的投资。谢谢大家。
王兵：大家好，我是东方富海的王兵。东方富海是一家总部在深圳的投资机构，管理规模约400亿，投了超过700个项目，超过90个项目IPO，我主要是做人工智能相关的AI项目，包括AI算力、具身智能等。
宋晔：大家好，我是耀途资本的宋晔。我做了接近15年的投资，之前在IDG，也跟珊珊总一起在阿里待过。耀途资本是一个专注于中早期技术类投资的基金，AI也是我们投资关注的重点主题。
李一帆：大家好，我叫李一帆，清华电子本科，CMU硕士，毕业后在硅谷开始创业大概有十年时间。品览科技成立于2018年，一开始做AI识图，后来做AI画图，最近在做AI工程师的智能体平台。
高超：我们先从一个相对宏观的话题开始。摩根士丹利今年的报告提到，2026年被视作AI 2.0时代的“奇点之年”。AI正从辅助思考走向自主执行。想请教在座各位嘉宾，你们在一线做投资或创业的真实感受是什么？过去两年最大的变化是什么？奇点之年”这个说法是夸张了，还是我们确实能感受到的真实存在？
蒋珊珊：首先声明下，我今天分享的观点都仅代表我个人的观点，不代表阿里。我认为“奇点之年”的说法可能略有夸张。从我的观察来看，今年大模型领域最显著的变化还是商业化有了明确的落地方向，包括语言模型和视频模型。语言模型方面，Coding和Agent能力的商业化成果非常突出。以Anthropic为例，其年化经常性收入约440亿美元，预计年底可达1000亿美元。国内大模型上市公司的ARR也已达到数亿美元体量。视频模型方面，今年也出现了较好的商业化成果。至于具身智能等其他赛道，我认为尚未达到那个奇点时刻，不同赛道处于不同的发展阶段。
王兵：今年市场热度确实很高，热的背后也是有原因的——大模型真正进入了商业化阶段。过去我们更多将大模型视为辅助工具，用于资料查询或文本摘要。而如今，模型的Coding能力已达到人类水平，结合Agent能力，基本可以充当数字员工。从受益产业来看，半导体行业表现尤为突出。我曾在美国从事芯片行业十年，深知半导体的周期性特征。十年前内存被视为“垃圾”行业，周期性产能过剩、价格战频发。但自去年以来，内存均价上涨了5倍。未来三年，AI对算力的需求将呈指数级增长，而半导体供给增长是线性的，这意味着半导体行业在未来多年将持续向好。泡沫固然存在，但头部公司未必会出问题。美股头部半导体企业收益可观，英伟达年化增长85%，市盈率不到20倍。模型层面，持续的绝对领先虽然困难，但早期领先者的护城河依然深厚。今年最热的方向是具身智能。我接触过的许多具身智能项目，从第一个月开始就热度极高，其中既有合理成分，也有泡沫。但从我1997年读博开始从事AI研究至今，中间有近20年的时间人工智能几乎无人问津。如今的发展速度远超所有人的预期。即便存在泡沫，这也是一个值得积极拥抱的泡沫，其中蕴藏着大量机会。
宋晔：我可能比较乐观，三个关键词：奇点、亢奋、泡沫并不矛盾。奇点可能即将到来——也许是今年，也许是明年或后年。投资人因为这个即将来到的奇点而亢奋，这种情绪催生了泡沫。从投资人视角，我们看两个维度：资金端和资产端。资金端方面，过去我们常提“耐心资本”，说明一级市场投资要有耐心，赚不到快钱。但许多AI领域公司给投资人带来的回报来得太快、太大了，例如一些GPU公司和大模型基模公司，成立不到五年便为投资人创造了巨大回报。投资人在获得正向反馈后，必然会向该赛道投入更多资金。资产端方面，AI赋能的场景以及赋能AI的软硬件infra两条主线。到处是充满激情和well-educated的年轻人，也充满着技术迭代和创新。更重要的是，本轮AI变革不同于以往的元宇宙或SaaS热潮——后者估值虽高但常有空中楼阁之嫌，而此次AI变革商业落地速度很快。在资金端和资产端的双重驱动下，可能这个奇点并不遥远。
高超：刚才各位的分享非常精彩。AI的奇点是否来临我们确实还不清楚，但市场的讨论热度我能感受到。存储厂商如闪迪等公司业绩和股价爆炸式增长，确实能看到大的投资机会。当然，一级市场估值偏高，就像一杯啤酒，泡沫确实存在，这也是我非常真实的感受。下一个问题想先请珊珊总来回答。参考英伟达的“5层蛋糕理论”，2026年中国AI产业的竞争逻辑发生了什么变化？核心变量是什么？对投资和创业有哪些可参考的经验？
蒋珊珊：我觉得这五层蛋糕，不同层的竞争逻辑不同。以大模型赛道为例，经过三年竞争，可以看到核心比拼的依然是模型能力。之前有些模型公司可能沿袭了互联网的逻辑，更加重视产品和流量，现在我觉得大家都意识到模型能力本身才是这一层比拼的核心。至于应用层，逻辑跟模型层也不同。比如以千问、ChatGPT等个人助理类应用为例，除了模型能力强以外，还要有比较好的Agent系统，同时也要具备流量能力和应用生态。好的Agent系统，需要做系统的Harness engineering，比如能够把用户个性化的Context给到模型，并且能够输出个性化可执行的解决方案。个人助理类似于“贾维斯”，能够帮助用户完成一切事务，所以你需要足够的应用生态完成最后一公里的服务，比如阿里有闪购、淘宝、高德这些生态。所以，不管是大厂还是创业企业，我觉得核心不是看别人把什么作为胜负手，而是要结合自身优势来判断，自己的竞争优势到底是什么。
高超：谢谢蒋总，下一个问题给到宋总。耀途资本在过去硬科技时代，包括到现在，在计算、存储、连接等AI基座方面都有非常广泛的布局。想请教您，在2025到2026年这个AI变局下，您看到哪些重要变化和机会？特别是今年光互联非常热，您如何看待未来的趋势和机会？
宋晔：我先介绍一下耀途资本在AI硬件Infra的布局。我们在AI领域的投资策略采取“先底层Infra，再上层应用。先服务器，再边缘侧”这两个布局原则。在AI硬件Infra层面，我们进行了系统化的布局，覆盖了云端芯片公司（如瀚博、壁仞）、硅光企业（如赛勒）、高速连接公司（如电科星拓）、DPU企业（如云豹）等环节，我们可以观察到，这些公司的业务落地速度远超预期。今天来参会前，我特意看了下寒武纪的业绩——2024年第四季度第一次盈利，今年第一季度净利润超过10亿，TTM市盈率在300倍左右，发展速度惊人。这种业务发展趋势在我们投资组合中同样可见，可以说是进入了“丰收的奇点”。今年上半年，耀途已有数家AI硬件Infra公司IPO，例如壁仞、爱芯；我们也期待更多AI基础设施企业如瀚博、云豹等陆续上市。本轮AI变革与历史一些变革不同。过去常有空中楼阁、估值虚高的问题，而现在至少在AI硬件Infra层面，业绩爆发是真真切切的，叠加政策支持，已能让投资机构看到实质性的DPI。在光互联领域，我们也进行了全面梳理与布局，包括材料，器件，模块等多个维度。
高超：今年有句话叫“要么站在光里，要么光站着”，所以我们还是要“向光而行”。下一个问题想请教王总。过去人民币基金投资通常希望看到实际收入、利润和落地能力，但在AI领域，很多项目比如物理AI、具身智能等，它的落地周期相对长一些。作为东方富海这样的头部基金，面对AI时代，投资策略有哪些考量？与过去有哪些不同？
王兵：我们在AI产业的投资，尤其是Infra和具身智能这两个偏硬的方向上，表现不错。作为人民币基金，我们吸纳了较多政府资金，因此相对偏好容易落地、便于返投的领域。加之我本人做过半导体芯片和机器人公司，对这两个行业并不陌生，所以我们在这些领域的投资推进得较为顺利。但在大模型方向，我们需要反思——一家都没有投。对于拿政府资金的人民币基金而言，早期去投一个亏损数十亿元、收入尚未起量的项目，确实非常困难。当然，我们最近也在调整策略，例如开始关注一些中科大校友的项目。
前几年我们主要处于观察阶段。对于完全没有收入的赛道，是否应该投资？有些硬科技我们清楚，只要做出来就一定能产生收入——比如GPU，我们后期投资了5亿多元，敢于下注。但大模型何时能产生收入，前几年我确实无法判断。不过从去年到今年，转折点已经到来。无论是多模态、编程还是文本大模型，实际使用效果已经能够创造价值。我自己做了几个小项目，很多工作都交给AI来完成，它确实可以充当数字员工。到了这个阶段，收入和利润自然会起来。今年视频方向增长尤为迅速。以今日头条为例，单日收入可能达到5000万元，C端一个应用的年化收入可达上百亿元，明年可能增长至数百亿元。中国视频市场的规模可能超过文档和编程市场——Coding领域我们或许不及国外，但在视频领域，我们至少与国外持平，甚至机会更大。
高超：没错，前段时间和云厂商交流，现在Token使用量里面，Coding还是第一位的，视频和图像生成是第二位。AI应用确实在蓬勃发展。下面把视角转向创业者。一帆总，品览选择AI+工业方向，也包括过去CAD这些领域，相对传统但壁垒高。想请您分享一下，当时选择这条道路的逻辑以及背后的挑战是什么？是技术门槛、客户信任还是商业模式验证？如果今天重新选择，还会选这个方向吗？
李一帆：我先回溯一下我们选择赛道的逻辑。我所定义的“AI Engineering”赛道，基于一个基本事实：全球有约6000万工程师，而中国拥有的工科生数量全球第一。这些工科生从信息学院、机械学院到工程物理，毕业后进入产业成为工程师。我本人一直身处这个圈层，对工科解决问题的方式和逻辑思维有深厚兴趣。AI的命题极为宏大，任何一家公司、一个团队乃至一个人，穷其一生也难以覆盖全部。因此，我们选择从最熟悉的工程师领域切入，探索AI能做什么。这是我们的大逻辑。早在2019年，我们幸运地接触到了CAD图纸相关的AI方向，当时这完全是一个空白领域，无人涉足。本着“没人做，我们更感兴趣”的原则，加上天然的志趣，我们一直沿着这个赛道前进。
如果回到今天，技术路线已然改变。作为创业团队，我们的适应方式是拥抱新的技术路线，用以改善和强化原有的能力。就像新能源汽车不上智能驾驶就卖不出去一样，我们的AI Engineering智能体平台，如果不跟上新技术路线，同样难以立足——这是挑战。但新技术路线也打开了新的可能性。我所关注的工科大赛道依然存在，但它未必是唯一的主流方向，可能是模型，也可能是具身数据等。还有一个关键问题：工程师的变现赛道在产业端，很少直接面向To C。产业场景与产业发展高度相关。当前活跃的产业——商业航天、智能汽车、量子通信、核聚变——其周期大约五年或十年一变，不同阶段会涌现出不同的产业。因此，要让AI在不同时间段持续发挥作用，必须在工科原理上学透，掌握最基础的物理学、化学，做到严谨、可解释，并能进行计算仿真和设计，这样才能持久。所以，我们团队当前专注的方向是：训练垂直的工科大模型解决专业问题，产业在变，但中间这一段——各个科学工程领域从本科一年级至研究生三年级所需学习的核心内容——能否让AI彻底融会贯通？若能，则毕业生进入企业后只需少量培训即可上岗作业，作业能力即可直接创造价值。这就是我们的核心方向。
高超：这个选择路径很有代表性。对于投资行业来说，围绕AI这个大赛道，在门槛相对高、市场空间大的领域创业，所以针对这个，想请教一下珊珊总和王兵总，作为投资人，今天在选择AI应用投资时，会有哪些标准？希望公司具备哪些核心能力？
蒋珊珊：AI应用的投资确实难度较大。我们观察了两三年，To C方向存在两大机会：个人助理与个人娱乐。但个人助理大概率是大模型公司或大厂的赛道，因为它对模型能力、Agent系统能力，生态能力的要求很高。对于个人娱乐方向，创业企业可能有机会，但具备视频模型或者世界模型能力的公司更容易赢。除了上述两个比较的To C方向，可能细分方向也存在创业机会——只要能形成网络化的一些应用，创业企业依然可以切入，但这要求创业公司不仅对模型有较深的理解，还要具备做极致To C产品的能力。
王兵：当前做AI应用，关键在于差异化。如果仅仅是在大模型之上封装一层软件，已经不具备价值——因为大模型本身就支持这一层能力，且成本极低。传统行业的公司招几个大学生也能做到，因此毫无壁垒可言。差异化的方向主要有两个：一是与硬件结合。纯软件很容易被复现，但如果根据具体场景开发硬件，例如机器人教学系统，硬件本身就能构建壁垒。二是创业者能获取稀缺数据，别人拿不到的数据你能掌握，这就是护城河。软件本身已不再是核心竞争力——AI正在“吃掉”软件，今天能够立住脚的AI应用公司，要么拥有硬件，要么掌握数据，总之必须具备软件之外的稀缺资源作为壁垒。
高超：对，确实今天的AI创业，在上游都存在来自模型层和大厂的压力，留给创业公司的空间挑战还是很大的。下面想请问李总，品览科技的产品本身积累了很多不错的客户和数据，在产品落地过程中，AI落地的“最后一公里”有哪些挑战？有没有一些有趣的经历给大家分享，包括一些不错的客户案例？
李一帆：我讲两个略显矛盾的问题。2021年，我们获得了一家头部客户的大额订单，并借此完成了一轮融资。但后来事情变得有些微妙——项目做成之后，大客户反而更想自己去做这笔订单的技术。我们是中小企业，即便拿到一级市场的资金，对他们而言也远远不够。如何处理好技术公司与产业500强之间的关系？这是我们持续思考的问题。如今许多新兴技术公司，包括物理AI、具身智能领域的企业，都在与500强打交道。如何防止被大客户“反噬”？我们的解法是：不把赌注押在单一行业上。当前阶段，中小企业如果没有融到百亿级人民币的资金，不适合做To C——因为我们也没有足够的弹药去train模型。排除中小客户之后，如果选择与大客户合作，可能需要横跨多个行业，分散布局，让订单平均分布在五六个行业。这样即便某个行业的巨头“反水”，也可以及时补上另一个行业，但这要求创业者具备跨行业定义赛道的能力。
就像编程能力，它渗透在所有与软件相关的行业里，不必看任何一家巨头的眼色。我们的逻辑是：在工科这一层，各行各业都需要工程师，但我们不一定专门去做AI化工工程师或AI电力工程师——那些领域面对的是中石化、国家电网等，问题复杂得多。我们一开始也曾迷失过，后来逐渐意识到：“原来我最擅长的是这个，把自己的事情做好，就一定卖得出去。”我们一路见证了自动驾驶当年的融资盛况——每个月都有公司融到十几亿元，过两天又出现两家新公司……这个故事好像似曾相见，但好像最终活下来的自动驾驶企业其实也寥寥无几，所以我认为这个事对创业公司来说一定需要深刻思考。
高超：确实，作为创业公司找到核心能力和真正的客户，在大模型和大厂之间找到独特生态位非常关键。接下来一个问题想请教宋总。耀途资本在AI Infra投得比较多，工业AI这块其实也看过很多。从工业AI的角度，您如何看待里面的投资机会？
宋晔：工业赛道的AI应用一般起量缓慢，具体表现为导入周期极长、数据获取困难、上线后仍需经历较长的爬坡过程。然而，任何事情都有两面性，你导入慢，竞争对手同样慢；你获取数据难，这种难度本身也会转化为壁垒。另外有人会提出工业AI应用通常是本地部署的，无法形成数据飞轮。对此我的看法是：模型是数据的精华与萃取。如果你为客户训练出一个模型，就可以将其中蕴含的知识迁移到下一个客户。因此，工业赛道的这一特性，一旦你积累到一定程度，就能建立起他人难以逾越的壁垒。
高超：感谢各位分享。刚才的讨论通过AI+工业的一个侧面展示了今天AI在产业落地过程中的机会、挑战和难点。接下来让我们进入两个快速问答环节，第一个，请每位嘉宾说说未来三年您认为最值得关注的一个方向，尽量不要重复。
王兵：我选具身智能。因为大模型、AI算力现在投的话已经有点晚了，巨头已经很多了，但具身智能还非常早期。未来三年可能是具身智能真正商业化的时期，我们有望看到机器人应用的实际落地。可能三年后，大模型或者机器人都可以帮你干活，虽然现在还处于非常早期的阶段，完全有机会出现万亿级别的公司。
宋晔：具身智能的“大脑”是核心环节。脑洞大开一下：目前大脑的解决方案是世界模型，但脑机有没有可能成为具身大脑的另一种形态？碳基生物在硅基形态下的永生，是否可以通过脑机实现？这两种方向都可以构成机器人的大脑：一种是世界模型，机器人自身拥有大脑；另一种是将人类大脑和思维转移到机器人身上。这两个方向我都比较看好。
李一帆：我比较看好继Coding之后，AI真正进入更广泛的不同工程行业，如电气、机械、建筑服务等，形成一套工科教育的体系，为下一代工程师服务。
高超：非常精彩。今天我们在座的也有一些创业者，我想请各位站在创业者的角度，每个人讲一句建议给在座关注AI创业或者投资机会的朋友们。
李一帆：因为这个时间点其实算是牛市，牛市中还是希望大家看到本心，不要太浮躁，不要迷失掉。
宋晔：我还是比较乐观，今年很美好，明年可能会更好。就像刚才李一帆总说的，可能总会遇到回调的时候，但终局一定是好的，所以咱们就撸起袖子干就可以了。
王兵：我经历过几个周期，因此我的态度是在乐观中保持一定的保守。我认为创始人需要想清楚：你所做的事情，十年、二十年以后是否仍然具有价值。纵观所有伟大的事业，无一不是长周期积累的结果。以英伟达为例，九十年代我找工作时，英伟达这家公司甚至不在我们的地图上，无人知晓，苹果也是如此。今天我们所见的绝大多数伟大公司，十年、二十年前甚至三十年前，可能都毫不起眼，甚至濒临倒闭。所以，判断一个事情的价值，第一还是要看十年、二十年后它是否依然重要。第二，如何建立独一无二的壁垒？我思考后发现，很多公司其实并没有建立起任何实质性的壁垒，它们只是活了下来，活得足够久。你坚持把这件事做下去，当其他竞争对手都倒下，你成为唯一存活的那一家，你就能获得巨大的回报。因此，我认为创业者应当抱持这样的心态：认定一个方向，坚持不懈地努力做下去，就够了。
蒋珊珊：我给创业者两个建议。第一，一定要选对方向。我接触过无数公司，深刻感受到选择远比努力重要太多。一旦方向选错，再大的努力也是徒劳。第二，努力同样不可或缺，但也要想清楚努力的方向以及公司的战略。因此，首先要想清楚选哪个赛道，其次要想清楚在这个赛道上“怎么赢”。不能照搬别人的故事去画饼，而是要结合自身的优势与资源，理清自己的长板和短板，选择适合自己的路，这是每一位创业一号位必须想清楚的问题。中国每一个赛道都非常卷，无论进入哪个领域，竞争都异常激烈。因此，进入之前要想清楚：这个赛道是否足够好？进入之后要想清楚：我在这个赛道上怎么赢？赢的前提是：第一，不能有明显的短板；第二，必须拥有自己的长板。
# 部分交易 #
# 云岫研究 #