AI，回国的机票买了吗？

（原标题：AI，回国的机票买了吗？）

Scaling Law新解

1、数据、算法、算力三要素组成了Scaling Law。2017 年百度硅谷人工智能实验室在《深度学习缩放可预测性的实证研究》中，首次系统探讨了模型性能与规模间的关系。2020 年，OpenAI 在《Scaling Laws for Neural Language Models》中进一步深化该理论，提出更具体的数学模型和实验验证。不过，Scaling Law是一种经验，并非物理规律。假设前提变化，经验就会失灵，比如，某一种底层算法框架的突破，类似当年CNN向GPT这类代际变革。

2、也就是说，数据、算法、算力三者，并非是一个线性函数，跟层次化的神经网络算法类似，每隔一层，会引入一些非线性函数（Sigmoid、ReLU…），来一次范式改变（shifting the paradigm），Scaling-Law遵循下图所示的规律：

3、从过去 70 年的 IT 历史来看，硬件发展几年，接着软件发展几年，就像钟摆一样，此起彼伏。2023 年和 2024 年是 AI 算力硬件的大年，未来两年很可能是 AI 软件的大年。软件的作用体现在数据、算法框架的突破以及系统级的精炼调优上。（目前，AI 算力资源利用率大概在 18% - 40% 之间，软件调优的潜力巨大。）

4、大体而言，算力经过一段时间的爆发式增长后，会进入算法主导的时期。之后的下一阶段，算力又会占据主导。如此循环。投资的宏观节奏，要跟软硬件大周期合拍。

5、DeepSeek 现象就是这种规律下的首个实例。它诞生在某个地方、某个公司，存在一定偶然性。但在算力大规模建设两年后，算法框架出现突破是一种必然。即便没有中国公司，也会有美国公司出现。

6、美国通过大力出奇迹，向世界输出初始版本的AI。中国通过细活出精品，向世界输出高性价比大规模商业化的AI。中美两边各有侧重、相互牵引，共同推动AI走向AGI。这种产业化分工，一方面有各自独特的历史文化因素，另外一方面，也是美国算力管制造成的结果。AI 发展之路很可能呈现出地缘政治无关性。AI 完全不受人为政治偏见和管制的影响，只由资本、知识、人力资源等基本要素决定。那些发展乏力的区域，主要矛盾并非受某种势力打压，而是自身核心要素竞争力不足。地缘政治管制将失去效力。

7、在推理占主导地位的未来，上述洞察到的现象将更加明显。

中国特色

1、中国缺优质算力，不过，中国有大量工程师。DeepSeek展示了一种可行路径：将算力投资算法化，用人力和知识的资本支出（Capex）替代硬件的Capex。例如，某互联网大厂在某个关键应用（Killer app）上，投入上千人的团队进行推理优化，带来了上百倍的性能提升。通往AGI之路，中国不会陷入单纯的算力圈套，资本开支多样化。

2、中国企业同样能够在数据这一层面大作文章，进而带来全新的范式。数据质量与闭环管理的重要意义正日渐突显。借助构建完备的数据收集、标注、分析以及反馈机制，企业能够持续优化。高质量的数据，将大幅降低训练算力方面的开销。与此同时，数据闭环管理可使模型依据实际应用反馈及时进行调整优化，形成良性循环，提升模型的性能与适应性。全国统一大市场的构建，以及针对数据隐私和权利施行理性务实的监管，均为AI的发展创造了更为优良的环境。

3、AI产业，既有先发优势，也有后发优势。后来者完全能借助前人积累（数据、模型框架、开源工程等），实现后发制人。智能驾驶就是个例子。Tesla从2015年开始研发FSD，2022年又完全重写。这几年，像鸟瞰、占用网络、端到端融合等关键技术，很快被其他厂家消化吸收，差距迅速缩小。在AI领域，时间领先并非核心竞争力，反应快、迭代快才是关键。正所谓天下武功，唯快不破。中国在这方面并不吃亏。

4、二十多年前的互联网，我们既没有原创的IP协议栈，也没发明路由器，甚至搜索、电商平台、智能手机等商业模式都不是原创，但这不妨碍中国企业快速将互联网技术商业化，还造就了一批世界级企业。中国发展AI，更注重应用落地和商业正循环。中国庞大且多样的市场需求，为大模型提供了丰富应用场景。从互联网、金融、医疗到制造业等各行业，都对AI技术有独特需求。这促使模型在特定场景中不断优化迭代，从通用大模型转化为行业专用模型，更好地落地并产生实际价值。比如在金融领域，大模型可针对风险评估、投资决策等场景进行定制化训练，提升金融机构的效率和准确性。

5、中国企业在美国AI产业空间的参与机会不到5%（主要是算力的下游代工）。但在国内的AI产业空间，中国企业参与度很高。除了算力全产业链，我们还能参与一些高价值机会，比如数据要素挖掘、数据中心的建设运营、AI应用、AI能源解决方案等。

国内AI的投资逻辑

1、回归国内，投资范式需因地制宜、与时俱进。这几年，算力硬件随英伟达产业链涨幅不小，起点颇高。相比之下，国内AI的基建、运营、大数据挖掘及应用等环节，或许性价比更高。

2、AI入口资源，优先于模型和算力。当年移动互联网时代，百度花19亿美金收购91助手（APP应用分发），为何？就是想重金买入口，可最终也未能如愿。阿里巴巴多次砸重金抢夺入口（UC浏览器、饿了么、土豆视频…），收效甚微。数据（具资源属性）、算法（具知识属性）、算力（具资本属性），数据和用户有排他性，入口的机会更值得关注。以史为鉴，我们应从更底层逻辑、更长产业周期思考，抓住更本质要素。

3、以英伟达为代表的算力产业链，利润源头是 CAPEX。算力的 CAPEX 具有一定二阶导属性，对 AI 需求的边际增速敏感，且受诸多非线性因素干扰，在稳定增长阶段，较难以把握。在国内，我们既能分享 CAPEX，也能分享 OPEX，还能分享应用侧的增长收益。要全链条挖掘价值，更要加大力度挖掘能创造持续现金流（运营收入）的机会。只有能创造持续现金流的资产，才可能获得市场的稳定估值，避免估值波动。

4、工业化时代，政府通过权威性分配土地、石油等自然资源参与利益抽成。AI时代，政府分享利益的工具是什么？大概率是数据要素。国内经济结构决定，政府在核心数据要素方面作用更大，很多资源最终由政府掌控，但政府不擅运营和变现。将数据要素赋能给产业链，助政府实现利益提成，这个链条将独具魅力。

5、AI 端侧无疑会诞生一批大牛股。

6、自动驾驶和机器人是方向明确的两大AI Agent。

开春第一日，港股阿里巴巴涨6%，中芯国际涨105，金山云涨31%，商汤涨5%。回国投资AI的机票，您买了吗？

$英伟达(NVDA)$ $阿里巴巴(BABA)$ $百度(BIDU)$