峰瑞资本李丰：AI越热闹，越要分清技术与资本周期

©潮涌AI编辑部

AI到底有没有泡沫？

10月28日，峰瑞资本创始合伙人李丰走上北京大学“AI创业与投资”的讲台，没有直接给出一个简单的“有”或“没有”。

他把问题拆成两条线：资本周期决定估值、财富效应和资源配置，技术周期决定能力最终能走到哪里。两条线恰好叠加，造就了这一轮AI空前的关注度；但资本退潮，并不等于技术停止前进。

李丰的经历横跨创业、投资与北大校友网络。他1991年入读北京大学化学系，之后获美国罗彻斯特大学化学硕士学位，曾在新东方任职七年，联合创办秒针系统，后担任IDG资本合伙人，2015年创立峰瑞资本。早期投资案例包括B站、三只松鼠等，近年来重点关注消费与深科技。

也正因为既创过业、又长期做早期投资，他讲AI时更关心两个问题：钱为什么在此刻涌进来，技术又凭什么在泡沫之后继续落地。

先交代两件事：

1、本文是潮涌AI根据李丰北大演讲整理的口述稿，演讲时间为2026年10月28日，未经讲者审定；以第一人称呈现，部分口语表述有精简和顺句。

2、我们核心收录了资本周期、大模型演进、物理世界的数据难题、AI商业模式，以及圆桌和现场问答中的关键判断；课件翻页、现场寒暄和部分重复表达没有全部保留。

这篇口述稿的核心内容：

• 李丰从2020年后的全球流动性讲起，解释为什么这一轮AI热潮是技术周期与罕见资本周期的叠加；
• 用互联网泡沫、新能源车与自动驾驶的反复，说明真正影响深远的技术通常要经历多个周期；
• 从语料的来源往下推，提出AI进入物理世界的两道坎：高精度数据不足，以及概率模型如何处理确定性因果；
• 最后落到token成本、端侧模型、传感器、AI for Science与服务业应用，以及他未来一年会重点看的方向。

以下为演讲实录的正文部分——

AI为什么这么热：技术周期叠加了资本周期

今天AI这么受关注，除了它本身是一项重要技术，还因为它叠加了一次资本周期。

往小了说，是叠加了一次比较重要的泡沫。

于是，它爆发出技术之外的巨大财富效应，引起足够多的关注和资源注入，也引起中美两个国家足够多的重视。

怎么判断一个周期有没有泡沫？

我经常用两句话概括：在一个周期的前半段，最典型的特征是所有搞金融的人都在研究技术；到了后半段，非常明显的特点是搞技术的人都在研究金融。

刚开始讨论模型时，懂和不懂技术的人都要搞清楚大模型是怎么回事，新版本有哪些功能，能力外延在哪里。

到了后半段，大家关心的是公司股价还能不能涨、期权还能不能值钱、上市以后到底值一万亿美元还是两万亿美元。

这就是周期的前半段和后半段。

资本周期和技术周期各自发展，有时很凑巧地加在一起，有时也会错峰。

这两件事要分开看。

泡沫之后，技术还要过好几个周期

上一轮最常被拿来类比的，是互联网泡沫。

那一轮最后估值最高的不是今天的“七姐妹”，而是思科。

为什么最后是思科？因为大家觉得，不管那些dot-com公司谁生谁死，互联网要普及，最早都得铺光纤、做交换机。这是不能免的基础设施。

思科的市值一度高到约5700亿美元。今天美国M2与2000年前后相比大了许多倍，全球资金也更多，现在市值最高的公司已经接近6万亿美元。

这个比较，不是说6万亿美元就是顶部，而是给大家一个观察维度。

这轮AI周期引人关注，是因为它叠加了空前的资本周期。把两件事放在一起叙事很简单，但简单叙事不等于事情发生的真实逻辑。

有人说，今天所有AI公司都有长期协议，产品供不应求。

我给两个反例。

芯片和光伏都是周期性行业，每一次接近周期顶部时，市场上都有超过三年的长期购买协议和供不应求，没有一次例外。

互联网泡沫破裂时，思科、北电这些做交换机和光缆基础设施的公司，手里也握有几百亿美元的长期合同。

后来很多合同没有执行，要么买方放弃，要么公司没了。

一级市场在一个技术周期里的叙事，通常有几个阶段：

第一阶段，大家投谁能讲出最有想象力的故事；

第二阶段，投谁能把故事变成最有想象力的应用，但最有想象力的应用，往往也意味着很难落地。

泡沫接近尾声或者破了以后，不管一级还是二级市场，最后都会走向落地。只是很不幸，到真正讲落地时，估值泡沫往往已经不在了。

每一个对人类影响足够大的技术，不管是蒸汽机、电，还是互联网，都不会只经过一个周期。它要在“投入—泡沫—回落—应用扩散”里走好几轮。每一轮靠资本投入推进研发，再靠泡沫退去后的阶段，让技术在应用里生根发芽，证明有人愿意使用、愿意付费。

如果我们在这一个资本周期里就把AGI做完了，通常意味着这个AGI的能力没有那么厉害。真正具有很大能力、影响力和应用范围的技术，最后一定要过好几个周期。

新能源车和自动驾驶已经演示过这种反复。蔚来在低谷时获得合肥战略投资，后来随着新能源车渗透率提升，又进入新的发展阶段。自动驾驶从2014年前后热起来，中间经历多轮起伏，今天走到L3，依然不能说周期已经结束。

特斯拉也很会利用资本市场的叙事。

上海工厂、FSD、机器人、AI、太空算力，不同阶段有不同的故事。马斯克是伟大的企业家，但即便是他，也要受资本市场周期影响。

大模型不是突然出现的，投资也不是追名词

我在大模型上有一段很惨痛的经历。

今天AI各个方向，我们都有排在第一行的被投公司，而且大多从天使轮开始投，唯独没有投到大模型。

2021年，我去看过智谱，当时估值不到5亿元人民币。

为什么去看？

因为BERT出来以后，想看看自然语言处理有没有新模式。

那时智谱还在做知识图谱，商业模式是科技情报分析，为不同需求的客户做信息抽取、检索和归类。

这个商业模式可能太小，犹豫来犹豫去就没投。

所以，至少在2022年底以前，投智谱的人，往光明了说是投人，往我阴暗的小心理上说，是确实运气好。那时的事情，跟今天的大模型还连不成一条直线。

智谱上市

还有一件更残酷的事。

我算是中国比较早投大数据的人，从2010年开始投过几个重要的大数据公司。

回过头看，大模型不是突然蹦出来的。它之前经历过大数据、数据中台、人脸识别等阶段，也有BERT、Transformer这些技术积累。

只是今天投AI有一件很痛苦的事：每三个月就冒出一个新词。好像不讲新名词，就显得不专业。但名词很多，不代表彼此都有显著差别。

真正重要的是往下追：大语言模型在形成所谓Scaling Law之前，借助最多的除了算力和技术能力，还有数据。

互联网文本数据从哪里来？是键盘、鼠标、PC和互联网基础设施普及以后，全世界消费者在过去几十年里共同创造出来的。这才是今天模型最重要的数据基础之一。

从语言走进物理世界，先过数据和因果两道坎

今天大家很着急探索AI模型的上限。但在很多领域，除了技术和能力，还有别的挑战。

机器人最有泡沫的时候，出现了无数做“大脑”的公司。有这么多做机器人大脑的公司，说明一个问题：机器人的脑子现在还不太work。

为什么不太work？先回到互联网文本数据的来源。

键盘、鼠标这些传感器，加上PC和网络，普及到足够多的消费者手里，大家用了足够长的时间，创造出词与词之间几乎所有可能的多样化搭配。

但机器人需要的是带有高精度空间、维度和状态变化信息的数据。

这类数据过去没有同等规模的积累。

你当年在论坛写字、东拼西凑写硕士论文时，并没有想过“我要为将来的大模型贡献语料”。那些数据能够出现，是因为创造数据的传感器先变得便宜、普及，并且对你有用。

我们没有投真人数采，也有可能错过了一些机会。

为什么没投？

我觉得它们有用，但可以打个比方：为了做语言大模型，因为语料不够，就找一万个人在全世界帮模型写各种各样的小作文。先不考虑成本结构和泡沫变化，这个数据生产过程大概就是这样。

真人数采

如果今天要处理的问题，在高维空间关系上比语言更复杂，就意味着你需要数量级更多的数据。雇一万个人写作文，未必能解决。

第二道坎，是概率与因果。

今天的大语言模型是概率模型，但物理世界的很多问题有确定性的因果关系和绝对约束。

一个东西能不能抓起来，不是“可能抓起来”或者“差不多抓起来”，很多时候就是0和1。手也不能穿过桌子，虽然我很想这么做。

所以到了物理世界，除了缺数据，我们还不确定原来的模型架构，或者说统计上的概率模型，能不能处理绝对约束占比较高的需求。

数字世界里的3D影像和互动世界相对好办，真正进入物理世界，模型在架构、能力和方法论上都可能要变化。

今天能看到几类解决办法。

• 一类是生成仿真数据，降低数据生产成本，再解决sim-to-real的问题；
• 一类是尝试zero-shot，没数据直接做，我称之为“用魔法打败魔法”，能不能绕过数据，我不是很确定；
• 还有一类是在底层加算子、改结构，把物理世界的绝对关系融入模型，甚至尝试不一定基于Transformer的新架构。

模型最后会不会顺着今天这条架构一路演变？我觉得不一定。

自动驾驶已经折腾过很多次，有规则的、纯数据的、白盒的、黑盒的。它还是一个相对简单的物理世界AI场景。

更复杂的问题，最后未必只有一条路，也未必是今天路线的直线延长。

寻找新机会，要往数据产生的地方看

我们还有一个不同的答案：回到历史，看数据到底怎么产生。

为什么会有抖音和快手？因为你把又好、又便宜的光学摄像头放到了手机上，消费者觉得有用，开始大范围制造视频。视频数据足够多以后，又需要不依赖关键词的推荐引擎。这和当年键盘、鼠标带来文本数据，是同一个逻辑。

AI for Science也类似。

今天有AlphaFold，往前追，需要蛋白质结构数据；蛋白质结构数据再往前，需要冷冻电镜等高精度设备。要从基因序列预测结构，还需要大规模基因组数据，而基因组数据又依赖基因测序设备。数据够用了，再叠加上技术和算力，才有可能取得后来的突破。

所以，当你想解决数字世界之外的复杂问题时，除了模型结构，还要问：那类数据从哪里来？是不是需要一种新的设备，先把信息变成数据？

我们2014年投影石时，刘靖康的团队还很小，找我们只花了二十分钟。当时估值2000万元人民币，我们投了400万元。

后来我跟他说，影石和大疆的成功背后，都有一个重要因素：2008年以后，中国精密制造和智能手机产业升级，使摄像头变得又好、又便宜、又小。再叠加图像拼接等技术，才有了全景相机和后来的各类手持影像产品。

把一个特别的传感器做得又小、又便宜、精度又高，再叠加技术，形成能解决新需求的产品，这类产品和数据就会大量产生。回溯大疆、Illumina，以及很多智能硬件的发展过程，都有相似路径。

传感器做的事，就是把信息变成数据。

未来大模型要解决更多问题，一个可能的前提是：人的身上和周边会出现越来越多的传感器。它们以什么产品形态出现，今天很难猜，但数据产生方式的变化，本身就是一个投资方向。

AI被用起来之后，成本和收入怎样算

还有一个common sense的问题，资本市场上很多人选择忽略：今天的AI服务，与互联网时代的单人服务成本不一样。

互联网大部分服务基于数据库或静态数据，除了并发等因素，边际成本即使不是零，也非常低。从服务一万个人到一百万个人，成本不会按人数线性增加。

今天的云端大模型不是。

每一个人提问，都要把问题重新算一遍；如果你像我一样是个话痨，还要把上下文再算一遍。出现第二个话痨，就再算一次。它不是边际成本接近零的生意。

如果有一天资本市场要求基座大模型公司尽快赚钱、减少亏损，会发生什么？一个直接选择是按token收钱。

但按token收钱以后，你还愿不愿意像今天这样，把大模型当搜索引擎用？如果不愿意按次付费，平台要靠广告覆盖成本，又需要加载多少广告？今天的单人服务成本远高于传统搜索，简单多放一点广告未必够。

目前大模型已经明确解决得比较好的问题，是自然语言对话、coding和数学。它们都属于符号表达体系。

自然语言的逻辑相对弱，形式逻辑更严密；编程是给计算机看的形式语言，数学是给数学家看的符号语言。大语言模型在这类问题上已经证明了自己的能力。

但基础设施一旦进入超大规模，就很难长期保持高毛利，否则上面长不出足够多应用。算力基础设施往下追，很重要的成本又是能源。能源竞争过去围绕油、气、煤，运输和区域分布影响了世界格局；如果未来更多价值以token的形式输出，财富和能源的关系也可能改变。

如果token要开始收钱，AI就更容易先进入那些付得起token价格、替代价值足够高的服务。coding可能是其中之一，还有其他场景可以继续探讨。

普通消费者则是另一本账。

想继续用AI搜索，因为一句话就能问，不用挖空心思切关键词，还想用语音输入；但你让我每问一次都付一分钱，我可能就不干。

消费者想保留使用习惯，又希望免费，一个答案就是把模型下放到端侧，至少做到端云协同。

拿智能驾驶打个比方。

如果每一次单独决策都调用云端模型、单独收费——超一次车收一分钱，换一个道收两分钱——你大概就不用了。

今天的智能驾驶更像端侧模型，在本地完成实时决策，停车时再与云端做模型和数据层面的交互。

虽然这个比方绝对化了，但它能说明为什么端云协同会成为一种商业模式。

中国的机会，在应用、产业链和服务业

过去十几年，不管是自动驾驶、人脸识别还是大数据，中国在技术竞争中有一个很典型的特点：从零到一的原创阶段，我们通常在追；一旦到了应用层，技术开始靠具体场景推着走，中国就有机会改变位置。

我在IDG时推过旷视科技。

当时的推理很简单：随着摄像头普及，图像数据会变得极其多；文本数据经历门户网站、垂直门户，最后多到需要搜索引擎来组织，图像数据也会需要新的识别和搜索方式，所以要投人脸识别。

2016年以前，很多人觉得中国的人脸识别技术追不上美国。后来应用迅速普及，再往后，与图像识别相关的学术研究里，中国团队占据了很重要的位置。这就是应用反过来推动技术。

中国到了应用阶段为什么有优势？因为场景多、产业链环节多、链条长，政策也在推动应用。产业链的复杂度和完整度比较高，意味着技术可以尝试的窗口更多。

消费端还有一个更大的beta：服务业。

中国无论生产性服务，还是普通吃喝玩乐，都要继续发展。服务业过去最大的挑战之一，是人均服务成本很难下降，规模化也不容易；很多高附加值服务又高度依赖专业知识，比如金融、教育、健康。

专业知识以自然对话的形式提供服务，理论上很适合语言模型介入。语言模型最有可能帮助的，就是降低专业服务的人均成本，并提高规模化能力。

就像当年淘宝出现时，中国消费零售本身就要发展，只是碰巧赶上了互联网；今天中国服务业要发展，也碰巧赶上了大模型。

新的消费硬件也会出现。

很多新传感器之所以变便宜，是因为先被另一个大产业带起来了。

比如LiDAR的成本下降，很大程度上受新能源车普及推动。传感器降本，再叠加别的需求，就会形成新的应用和硬件形态。这些关系不是直线，但值得顺着往下找。

把问题问具体：企业、普通人和年轻人

未来十二个月重点关注什么？

我会看三类：

第一，必然要解决action问题的方向，而且要从技术上解决，不只是商业模式创新。

第二，新的数据类型和新的数据产生方法，包括进入具体领域的AI for Science。我们过去投过晶泰、剂泰等公司，但AI for Science难投，因为既有模型问题、数据问题，也有最后到底卖什么的问题。卖服务和卖模型可能都很难，最后要交付具体产品。

第三，模型本身的变化，以及端上的机会。消费者和应用习惯一旦形成，就会保留下来；成本与付费方式的变化，会推动新的端侧方案。

中国能不能出现Palantir这样的公司？

坦率来说，比较难。

先略过中美To B企业本身的差异，只看产业链结构：美国保留了较少但高附加值的产业环节，管理工作很大一部分是管理高附加值人群，软件与互联网普及时间也更长，所以To B软件生态较好。

中国产业链很长，其中大量环节是中低附加值或中等附加值，企业最急迫的问题未必都是高教育水平、高人力附加值团队的管理问题。

至于Palantir和SpaceX，它们还带有军工属性。观察这类公司，除了业务，还要把美国政治和资本周期放进去。这不是股票买卖建议，只是宏观如何连接微观的一个角度。

普通人怎样发现AI消费需求？

先把消费硬件放一边，To C上我只有一个怀疑，没有十足把握：中国过去的零售业态与美国、日本都不一样。

零售需求快速增长时，中国赶上互联网普及，却没有先普及信用卡，这些条件共同塑造了今天的电商和支付体系。

同样，AI消费应用也不一定复制海外，要顺着中国自己的需求、产业结构和使用习惯找。中国最大的beta很可能在服务业，尤其是由专业知识驱动、过去难以降低成本和扩大规模的服务。

付不起会员费的人，怎样用上AI？

这里有两个问题。

一个是劳动力技能迁移。

技术进入各个环节后，有些迁移是主动的，有些会被动发生，这是技术发展周期里比较不幸、也很难回避的一面。

另一个还是成本。

大多数人既想用AI，需求又不一定是高附加值、高价值需求。这两件事的夹角，最后只能催生尽量便宜的产品形态，可能是智能硬件，也可能是端侧解决方案。

当年没有包月流量产品之前，很多B站用户先把视频缓存到本地再看。

消费者不是不想用，而是要找到承担得起的使用方式。

AI for Science可以替代一部分高成本研究工作，普通人日常提问却不可能每次都按token单独付高价。

顺着大多数人的需求走，产品就必须更便宜。

模型越来越强，为什么还要弄清它会在哪里失败？

接下来一个很重要的方向，是定义模型的边界，而不只是追逐上限。

AI生成数字化内容会越来越多，速度也会比人快。

短视频和其他平台今天已经需要大量审核，如果AI内容极大增加，不可能只靠人审核，就得用技术解决技术带来的安全问题。

自动驾驶也是一个例子。你知道它能做什么，但那些不能做的事，往往被称为corner case。叫corner case，是因为事先不知道它不能做。不管是L几，如果不知道边界条件，就很难真正建立可靠的系统。

所以，中国和美国都会越来越重视安全治理。模型的上限决定它能走到哪里，边界决定它在哪些地方可能失败，两件事同样重要。

实验室和科研资源越来越强，年轻人创业还有机会吗？

有机会，但要找到属于自己的起点。

2013年投B站以后，我发起过一个“90后的创业者们”活动。那时IC里很多人完全不理解，为什么看不见视频的时候，还要看屏幕上闪过去的字。

后来有了刘靖康做影石、郭列做脸萌，还有映客、B站等一批年轻创业者。他们是互联网native的一代，从初中甚至更早就开始用互联网，使用习惯跟后来才接触互联网的成年人不同。

他们做的事情，往往是自己生活的一部分。

郭列做脸萌，刘靖康做户外运动、极限运动和全景相机，徐逸做B站，都跟自己熟悉的生活方式有关。

所以，年轻人最容易做好的，是属于自己生活方式的东西。

二十岁出头就直接去解决一个非常成熟、非常严肃的科学或模型问题，我不觉得会那么容易。你今天觉得理所当然、上一代人却看不懂的使用习惯，可能就是你的起点。

▹

▹

▹

▹

=▹

👆🏻联系我们 CONTACT US!

转载开白·商务合作·作者招聘·加入社群

请添加微信xingminghui15