机械自动化

　　我们的三小时新年曲播来啦，正在这场硅谷一线的思辨中，我们邀请了六位逾越AI、从动驾驶取美股投资的领甲士物，进行了一场长达三小时的曲播会商，聚焦聊聊2026年大师最关怀的几个科技赛道瞻望。这不只是一次预测，更是一场对“非共识”拆解。陈茜：回首2025，Meta的大规模裁人、沉组以及焦点人才的流失都很是drama。我之前完全没想到Yann LeCun的分开以及硅谷人才大和能搅动到这个程度。两位身处一线，有什么事务是超乎你们预期的？张璐：Meta的落伍确实让人不测。我正在2023、2024年很是看好开源生态，认为Meta能做为领甲士物把开源带到一个新高度。但2025年最让我欣喜的是大企业对于AI认知转向的速度。正在2024年大师还正在会商Scaling Law是不是全能钥匙，但到了2025年，大师能认识到说Scaling Law它不是处理所有问题的全能钥匙。大师会愈加现实和现实地去考虑说外行业落地的话，并不需要最贵最好的模子去处理所有问题，而是去关心一些小言语模子。然后通过如许的一个我之前聊过的这种“鸡尾酒的体例”去进行本地化的微调，去进行各类各样，特别是数据现私监管比力多的这些行业的垂曲摆设。我记得岁首年月去达沃斯和JP Morgan医疗大会时，全球和500强公司曾经不再问“要不要用 AI”，而是问“How and How much”——我们要拨几多预算？这种从“虚”到“实”的改变极快。即便2025年我们会感觉很忙、很累，但那是一种“打鸡血”的形态，不只是单一的AI叙事，而是AI原生企业取AI赋能的各类财产（医疗、金融等）手艺的一种叠加增加，包罗太空科技、国防科技等等，这是一个很是让人兴奋的增加元年。Howie：我必需提“DeepSeek Moment”。其实24年它曾经出功能了，但25年推理模子的迸发，完全确认了这是一个系统性的趋向。 它的影响远超想象。岁首年月大师感觉DeepSeek出来只是地缘或者英伟达股票跌个几百Billion的工作，但一年走下来，你会发觉它的影响是：做大模子不需要垄断正在5家大厂手里。除了OpenAI和Anthropic，那些出走的科学家做的New Lab（如SSI、Thinking Machines）都正在发力。这意味着实正的研究可能正正在发生正在大厂之外，这些尝试室有但愿做出OpenAI正在2019年做过的那种从0到1的冲破。陈茜：上半年大师都说Transformer“”了，以至有人说Scaling Law曾经“”，成果谷歌Gemini新一代出来，大师又感觉Scaling Law还有戏。2026年我们会看到什么？Howie：我是果断乐不雅派，我感觉Scaling Law还很是强劲。良多人说数据用完了，那是胡扯。 数据不正在于多，而正在于怎样细心挑选。什么是好数据？什么数据该放几多比沉？这有太多的Permutation（陈列组合）。谷歌Gemini的冲破不是由于网上数据多了，而是把数据拾掇、清洗、配比做到了极致。 算力也一样。马斯克正在奥斯汀建了百万张卡的集群，但“The devil is in the detail”（正在细节里）。你怎样连卡？怎样处理容错、带宽？若是若干年后我们回头看，发觉还有10倍的Scaling空间，我一点都不感觉奇异。算法、算力、数据这三点上，现正在还远远没到起点。张璐：我同意Scaling Law成立，但它不再是独一的增加径。2026年，合作会从“纯真堆数据”变成“系统级Scaling”。谷歌的劣势正在于它是一个“系统核心型”公司。它有DeepMind这种深挚的人才储蓄，有几年前就结构的新型架构，还有实正在世界的用户反馈闭环。你看Gemini表示冷艳，其实是它把系统层面的优化、数据质量的闭环和产物反馈连系得最好。比拟之下，那些纯模子公司（Model-centric）正在2026年会晤对更大的成本压力，2026年我们会看到更多对过去“无脑堆数据”体例的批改。陈茜：这里有一个很是Drama的点。Meta比来花20-30亿美金，仅仅用了十多天就完成了对中国团队Manus的收购。两位对Meta正在2026年的处境有一个很是出色的辩说，我们展开聊聊。张璐：我对Meta现正在挺失望的。 本来L 3出来时很是冷艳，我们很是看好开源生态。但L 4出来后的表示和预期差良多，焦点缘由是他们内部计谋调整，太早想去推产物端，导致忽略了推理（Reasoning）能力的深耕。虽然Manus团队施行力很强，但我的疑问是：Meta现正在最缺的是使用能力仍是模子能力？我小我感觉他更需要模子能力。若是你做为一个第一梯队的巨头，正在模子表示上连前三都排不进去，那是很疾苦的。但我认为Meta必需死磕大模子。若是人工智能将来像“电力”一样，你做为一个这么大体量的公司，若是“电力”不掌控正在本人手里，那常的。特别是Meta和Apple的关系一曲很tricky，他一曲想脱节Apple，若是能通过AI一波趋向获得底层性，那是他的机遇。所以他哪怕试错、哪怕因为计谋调整落伍，他也得逃回来，由于这是他的之本。Howie：我跟张璐的概念完全相反！我感觉Meta没事谋事要去做大模子干嘛？我感觉他做使用挺好的。做为一个世界级的公司，保留必然的研究能力没问题，但我没感觉他必必要做大模子。他去买OpenAI、买Anthropic的API不可吗？我不只是对Meta失望，我对Microsoft和Apple也挺失望的。但我失望的点不正在于他们没做出模子，而正在于他们没把使用做好。 你看模子的“保鲜期”太短了。你今天做到世界第一又如何？6个月打个打盹就掉到后面了。我不感觉这是一个“分秒必争”的工作。Meta就算2025年只做使用，2026年看准了再去买模子厂或者再投入，也来得及。我不感觉Miss一年就会死。张璐：你说他能够买模子，但到了他这个别量，谁会卖给他？并且若是你不控制底层手艺，你的贸易平安感正在哪里？硅谷这几家公司，谁跟谁都不是慎密的合做伙伴。若是电力正在别人手里，Meta 怎样本人持久的性？这不只仅是效率问题，更是的“底牌”问题。Meta 过去被苹果的现私政策搞得有多惨大师都众目睽睽，他绝对不想正在 AI 时代沉道覆辙，被别人卡住脖子。Howie：现正在的模子保鲜期短到什么程度？就像2013年小扎就对AI感乐趣，但他没急着正在那时候就把所怀孕家压上，而是先通过收购和外部合做。我感觉2026年以至2027年再去看模子市场的款式也不晚，现正在最主要的是让用户正在Meta的产物里体验到AI的益处，而不要纠结阿谁底层模子是不是本人锻炼的。即便他今天买不到，那也能够等市场成熟后再去结构，这种“逃逐者”的策略正在汗青上也是被证明无效的，没需要正在手艺最动荡、最烧钱的阶段非要争阿谁第一。陈茜：良多人说2025年是AI使用元年，但体感上似乎并没有迸发？大师仍然都还正在找阿谁“杀手锏”使用。张璐：我其实很乐不雅，我看到的是“水面之下”的波澜澎湃。好比我投的一个医疗科技项目，以至给公司汇款是正在圣诞节那天，我们说“立异从来不睡觉”。为什么大师现正在对AI使用的体感还不强？由于这波使用迸发最狠恶的是正在B端（企业级）。我举个最震动的细节：摩根大通（JP Morgan）一家银行本年的AI预算，比全球排名前十的剩下九家银行加起来还要多。 这种投入规模带来的ROI是极其惊人的。我们投的三家草创公司现正在都正在跟摩根大通合做，最快几周就能跑通POC（概念验证），几个月就能签下很是大的贸易订单。这正在以前的SaaS时代是不成想象的，那时候一个订单磨一年都很一般。所以2026年，大师会看到医疗、金融、安全行业的垂曲Agent实正带来营收级的迸发。Howie：我倒感觉我们要对“元年”这个词连结。每一个手艺时代的Killer App（杀手级使用）凡是都要等手艺成熟几年后才呈现。你想想挪动互联网，iPhone是2007年出的，但Instagram、Uber这种改变世界的使用是哪年出的？是2010年以至更晚。目前我看到最硬核、最实正发生出产力溢价的使用只要两个：一个是Vibe Coding（AI 原生编程），不只是法式员正在用，以至良多非手艺布景的人现正在也能通过Cursor或Claude Code做出复杂的产物，这就是目前独一的“出产力盈利”。另一个我比来很是关心的是“Browser Use”或“AI 浏览器”，它间接改变了你取消息的交互体例。但为什么现正在良多创业公司感觉难？由于ChatGPT做得“Good Enough”（脚够好）了。它就像一头大象，把良多Niche（利基市场）使用的空间给踩扁了。若是你的使用不克不及做到比ChatGPT自带的功能好10倍，用户就很难发生迁徙成本2026年，我们等候的是那些能跳出“对话框”形态，实正进入工做流、进入硬件入口的使用。泓君：前两周停电，红绿灯。Waymo瘫痪正在口导致大拥堵，但特斯拉FSD却能丝滑通过。这背后的手艺鸿沟到底正在哪？大卫：其时我惊呆了。Waymo虽然正在跑了多年，但他是一个Rule-based（基于法则）的思维。 即便红绿灯不亮，美国的交规其实也有权定义（雷同Stop标记），但Waymo的法则库里可能没定义这一条，或者它不敢走。而特斯拉FSD底子不看这些硬法则，它进修的是人面临这种况时的博弈行为——谁先来谁先走。特斯拉的逻辑是：只需口没妨碍，我就按人的习惯走。这种端到端（E2E）的方案，正在Corner Case（极端环境）面前展示了完全分歧的生命力。于振华：这证了然Waymo不是“纯智能”。 我正在特斯拉工做的时候，Andrej Karpathy讲过一个例子：上若是有两排违泊车辆（Double Park），我们要写一行代码去定义它；后来发觉若是呈现了三排违停，莫非再写一行代码叫Triple Park？ 这种基于法则的修补是无限无尽的。特斯拉V14之所以强，是由于它曾经脱节了这些代码补丁。你若是用过V14，你会发觉它处置况很是从容、逛刃不足。V14之后，正在反转，由于产物实的好到了用户不需要懂手艺也能感遭到“丝滑”。于振华：我认为起首是算法领先。大师都说特斯拉无数据劣势，但正在算法没有脚够好之前，谈数据没意义。2023年下半年推出V12到现正在，还没看到任何一个玩家正在算法上接近特斯拉。第一是人才和土壤。特斯拉的AI团队很是特殊，他们良多是“土生土长”的 Builders，而不是那种屡次跳槽的学术明星。好比现正在的担任人Ashok Elluswamy，他是2014年第一个插手FSD团队的员工，履历了特斯拉从动驾驶最的期间，但他一曲留到现正在。这种Problem-driven（问题驱动） 的文化极其硬核，他们内部从不搞PR，不爱制新名词，就是每天盯着那几千个Corner Case去死磕。对比之下，良多大厂喜好招“学术明星”，这些人可能文很厉害，但正在实正需要处理“三排违停”这种物理世界的净活累活时，往往缺乏耐心。马斯克昔时敢把激光雷达砍了，这就是断了本人的退。正在特斯拉看来，若是你还留着激光雷达这个“拐棍”，你的软件团队就永久会有依赖心理，永久无法压榨纯视觉（Vision-only）的极限。而国内厂商好比华为、抱负，负担太沉，他们既要做端到端，又舍不得放下法则派的那些补丁（Rule-based safety nets）。这会导致整个系统逻辑极其沉沉，这就是“小脚穿大鞋”：你因为代码里堆了大量的补丁法则，导致你的代码量极其复杂，这对算力的需求是呈几何级增加的。正在英伟达Orin这种算力无限的芯片上，你底子跑不动实正的端到端。大卫：我很是同意。其实良多国内车厂宣传的“双系统”、“慢思虑”、“轻图”……听起来很高峻上，其实反映的是“手艺焦炙”。特斯拉的端到端是一个黑盒，虽然没法向你注释每一行代码正在干嘛，但他通过“力大砖飞”的数据锻炼，让系统具备了人类司机的下认识反映。我举个最曲不雅的例子：雨天刹车。若是是法则派，你需要写死：当雨量传感器到几级、面摩擦系数估算为几多时，刹车距离要添加几多。但物理世界的变量是无限的。特斯拉的端到端模子进修的是：人鄙人雨天是怎样开车的。它不需要晓得摩擦系数，它天然就晓得正在那种视觉下要提早减速、提早点刹。这就是所谓的“智能密度”。法则派的系统就像一只苍蝇的脑子，虽然反映快，但只能处置几条死法则；而特斯拉的端到规矩正在向人类大脑的密度挨近。这种补丁叠补丁的“缝合怪”方案，是永久学不来这种的。泓君：老于，对于你说的第三点算力，可不克不及够分享一下，你其时参取开辟特斯拉芯片的过程，以及芯片正在特斯拉最终能做成端到端的这件工作上，贡献有多大？于振华：我认为硬件正在整个计谋中占领了决定性的比沉。我不拿特斯拉举例，就看抱负汽车的双系统——他们试图把狂言语模子摆设到车上，这其实常难的。正在车端极其无限的算力下，要把大模子塞进去，若是你只要软件厉害但推理芯片跟不上，那就是“巧妇难为无米之炊”。无论你的算法多强，推不到车上也是白费。这就是为什么我感觉特斯拉很是有计谋目光。从第三代、 到第五代芯片，好比现正在FSD V14正在芯片上跑得这么好，证了然这种提前结构的准确性。哪怕Dojo（锻炼芯片）项目失败了，我认为这也是一个很好的教训。以至能够说，若是某天英伟达的迭代太慢，或者其通用设想偏离了特斯拉的需求，特斯拉卷土沉来也是完全有可能的。你看今天大师表扬Google的Gemini，也是由于Google早就结构了TPU。若是比只是一个沉视软件、不沉视硬件的决策者，你的是走不了这么远、这么结实的。正在汗青上，特斯拉的芯片设想次要分为两条线：一条是正在车端运转的推理芯片，另一条是用于锻炼的Dojo芯片，现在Dojo项目曾经被闭幕了。实话实说，正在锻炼芯片这一块，Dojo一曲赶不上英伟达，所以它一直存正在着被打消的风险。我感觉本年马斯克算是“怯士断腕”，完全把它停掉了。目前，特斯拉用于端到端锻炼的芯片仍然全数来自英伟达。大师都晓得，黄仁勋曾公开表扬过马斯克，他说世界上能建起这种计较集群、正在这么短时间内搞定水冷和供电、把xAI做成的人，只要马斯克一个。虽然特斯拉车端不需要像xAI那么多GPU，但正在我印象里，埃隆出格喜好问团队：“我可以或许帮你们处理什么问题？”若是团队说需要更多GPU，他就会勇往直前地给你上更多。这也是为什么记得正在某几个季度，特斯拉的运营成本（Operation Cost）变得很大，就是由于买了很是多的GPU。前五年我是正在AI软件团队，间接向Andrej Karpathy报告请示；之后两年我转组到了奥斯汀，参取芯片的研发。第五代设想次要是推理芯片，从算力上来讲，我感觉马斯克是想得比力远的。这背后的焦点逻辑叫做“软硬件协同设想”（Co-design）。这其实并不新颖，苹果就是这么做的。为什么iPhone用起来这么丝滑？它正在硬件目标上并不是较着领先，就是由于它是Co-design。但协同设想有个问题：若是是配合设想，只需你的软件太烂，硬件就不会太好（笑）。由于做为硬件工程师，设想芯片最头疼的并不是你让我塞几多算力，而是“软件上的需求是什么”。只要软件部分能清晰无误地告诉我将来3年、5年以至6年的需求，我才能把工作做好。你的需求来自于软件。若是你的软件是基于法则（Rule-based）的，那设想出来的芯片就是Rule-based的；若是软件是端到端的，那芯片就是端到端的。既然是软硬协同，就不克不及有“瘸腿”。这也是为什么特斯拉的推理硬件比别人好，焦点要素就是这个问题。当然为什么Dojo失败了呢？起首，锻炼芯片的复杂度确实要比推理芯片高很是多，难度极大。其次，我认为还有一个问题，就是缺乏一种“置之死地尔后生”的怯气。正在锻炼芯片上，由于有英伟达正在这里，你天天能够买现成的。恰好是由于贫乏了如许一股必需本人做的怯气，导致大师到今天失败了。所以，特斯拉现正在就专注于做推理芯片。于振华：芯片正在设想时，端到端（End-to-End）手艺还没有出来。所以你能够使命芯片是按照基于法则（Rule-based）的系统来设想的。但到了设想第五代芯片的时候，不只曾经有了端到端手艺，为什么我会提到这一点？说实话，我正在奥斯汀的后两年转到硬件部分，很大一个缘由是由于软件何处太累了，我想着转过来就能“歇息歇息”。我工做了一年多，本来马斯克是根基不来我们硬件这边的，而以前正在软件何处他是每周都盯着，但硬件他以前不管得那么紧。所以，他正在第五代芯片设想时就要求把这个要素考虑进去。这块芯片不只是为了特斯拉的从动驾驶，还要能承载狂言语模子的计较需求。当然这必定不是起点，后面还有第六代、第七代等等。其实若是只做推理，问题会简单良多。好比比来英伟达收购了Grog，也是由于后者专注推理。正在这个方面，特斯拉其实曾经根植了很是多年。稍微总结一下，仍是阿谁焦点逻辑——软硬件协同（Co-design）：你要先有好的软件，才能设想出好的硬件，再来跑更好的软件。泓君：我们适才聊了良多关于特斯拉的话题。正在对话起头时我曾提到Waymo，它比来正正在以1000亿美元的估值寻求150亿美元的融资。其实Waymo也有它的劣势，起首它曾经实正去掉了司机。按照摩根士丹利的演讲数据，虽然目前它的每英里运营成本是1。43美元，比拟之下特斯拉大约是0。81美元。但大摩预测，正在新的一年里，跟着新车型的推出，Waymo的成本可能会大幅下降至0。99到1。08美元估值曾经千亿美金了，但摩根大通说特斯拉的每英里运营成本只要0。81区间。我晓得二位都是特斯拉的股票持有者（这一点我们先做一个持仓披露确认），若是纯真从投资者角度来看，按目前这个估值，你们会投资Waymo吗？由于我感觉适才提到的阿谁运营成本，无论Waymo降得有多低，实正到了量产层面，它的成本很难比特斯拉低太多，绝对值仍然会出格高。这里面还有一个环节要素是。你要运营一个车队，就涉及充电、各类传感器的办理，以及应对传感器损坏等等。这算下来不是简单的账面数字，而是一个很是复杂的运营盘子，举个例子，正在湾区的Waymo充电坐，光是担任充电的小哥就雇了三个。那三个小哥坐正在椅子上盯着这堆车，车来了就担任把电插上。它需要人，而特斯拉是不需要这小我的，好比Cybertruck其实曾经是无线充电了。所以我想表达的是，对于这一类手艺公司，我们看它账面可否打平只是一方面，更要看车辆正在整个生命周期内能用多久。Waymo用的还不是固态激光雷达，而是机械光雷达。这个工具其实我们行业内大师心里无数：机械雷达天天正在那转，到底能转多久？两年？差不多三年就不可了。比拟之下，特斯拉用的是摄像头。所以若是我们把折旧还有均派都算下来，其实两者的差距仍是蛮大的。所以我不会投资Waymo，并且我感觉1000亿美元的估值实正在太贵了。于振华：我感觉谷歌仍是很不错的。过去这一年，Gemini的表示实的很优良。可是，你看谷歌也没有选择“All-in”Waymo，对不合错误？它也只是领头罢了。我之前也说过，Waymo这种基于法则（Rule-based）的从动驾驶线，它其实不具备规模经济效应。并不是说用户增加了10倍，你的成本就能连结不动；相反，你的城堡可能也要随之增加良多，由于你需要实打实地去摆设车队，对吧？这是两个完全分歧量级的合作。即便特斯拉的手艺线和Waymo到最初都能实现无人驾驶，这仍然是两个量级的较劲。若是你看2025年全年的走势，你会发觉市场履历了几个很是较着的转机点：2月、4月以及最主要的8月17号。正在8月17号之前，市场的审美常划一齐截的：逃求高质量（High Quality）、低波动的龙头。但8月17号美联储后，环境变了。美联储传达了一个很是明白的（Bias）：我认可通缩仍是个问题，但我更要保增加。这个间接导致了资金起头从那些估值曾经很高、增加很是确定的“高质量公司”（好比英伟达、微软）流出，转而涌向那些动、低质量以至是所谓的“垃圾股”，当然不是实垃圾，而是High Beta资产。市场起头博弈非AI的周期性行业，好比金融、房地产。这种因子的猛烈切换，让我们认识到即便大的AI趋向没变，但资金流动的逻辑正正在发生微妙的变化。Ren Yang：我被市场教育的处所是谷歌。我们内部之前一曲对谷歌持悲不雅立场，认为搜刮是最容易被AI的阵地。但2025年谷歌通过Gemini的快速迭代和TPU的垂曲整合劣势，证了然市场是极其务实的。谷歌的估值正在短短几个月内从底部的14倍敏捷拉到了接近30倍。这背后的逻辑是：只需你证了然你不只有第一梯队的模子能力，还有比英伟达GPU成本更低的推理设备（TPU），叙事就会霎时反转。2025年下半年，英伟达和谷歌、博通这几家ASIC阵营的公司其实曾经拉开了差距，这就是市场正在为“推理成本效率”订价。陈茜：现正在呈现了英伟达GPU vs 谷歌TPU+博通ASIC的阵营分化。2026年，英伟达的护城河会松动吗？Ren Yang：起首要明白，ASIC不是新工具，谷歌做TPU曾经十年了。正在2026年，GPU仍然会是支流，由于它具备无可对比的通用性和CUDA复杂的生态，它是“万能冠军”。可是，当模子厂商起头“坐队”时，款式会发生裂痕。目前的态势是：谷歌Gemini深度绑定本人的TPU，OpenAI临时还离不开英伟达。但若是你看边际变化，若是你是一个开辟者，你必然会去寻找更廉价、更高效的算力。这就是为什么博通和那些光通信公司表示惊人。芯片设想素质上是Code Design，周期很长。软件是动态的，硬件是静态的。若是你软件算法正在变，你就要靠GPU的矫捷性；若是你的算法不变了（好比推理侧），你必然会逃求ASIC的成本劣势。Bruce Liu：其实大师没需要盯着英伟达一家。2025年下半年，存储（Memory）和光通信的边际变化其实弘远于GPU焦点。由于当你要Scale out（横向扩展）一个十万张、百万张卡的集群时，最卡脖子的不再是纯真的算力，而是带宽。这就是为什么你会看到博通这种光通信范畴的巨头正在四时度涨得比英伟达还猛。2026年，我们的投资逻辑要从“买铲子”转向“买毗连铲子的那根管子”，寻找智能密度提拔过程中最稀缺、最卡脖子的阿谁环节。陈茜：现正在大师都正在谈本钱内轮回，谈OpenAI 1。4万亿的超大规模CapEx。这个泡沫会正在2026年破吗？我们常拿2014年的页岩油泡沫做类比。其时的页岩油行业每年烧掉9000亿美金，发了大量的垃圾债（High Yield Bonds），大师一曲烧了5年钱。曲到最初沙特策动价钱和让油价跌破成本，大师才发觉这弟子意不挣钱，泡沫才破。现正在的AI行业，只需大师对“模子智力每三个月翻倍”的还正在，资金就不会断流。并且现正在的信贷周期才刚起头起来。银行正通过私募股权（Private Equity）和影子银行把钱络绎不绝地搬进数据核心。你看黑石（Blackstone）这种公司都正在拼命买电、买地。所以我认为2026年大要率还不是泡沫的起点，除非我们持续看到两代模子能力原地踏步，那种“ROI持久不达标”的惊骇才会实正刺破泡沫。Ren Yang：2026年的一个环节锚点是OpenAI的IPO。若是OpenAI可以或许向市场证明它有雷同iOS那样的系统级入口地位，且具备极强的贸易变现闭环，那么它的上市会极大地提振整个AI板块的估值。但若是它只是一个会被不竭“商品化”的智力接口，那么它可能会变成一个庞大的“价值圈套”，间接带崩市场的中枢。实正的黑天鹅可能来自欧洲或日本。若是日本央行由于通缩压力激进加息，间接抽走全球的廉价日元流动性（Carry Trade），或者特朗普的激进财务政策导致市场不再支撑美国发债（雷同昔时英国的特拉斯危机），那么所有高估值资产城市霎时。Ren Yang：我们需要关心特朗普的“Affordability（可承担性）”打算。他提出的一季度900亿美金的返税政策，可能会极大地刺激美国的小我消费。若是这导致通缩从头昂首，而美联储又不敢激进加息，那么我们可能会进入一个很是复杂、多变的宏不雅周期。正在2026年，做投资必然要紧盯PMI数据和就业市场的边际变化，三小时的曲播，我们从AI的智力鸿沟聊到了美股的流动性根源。正在目前这个情感取估值双高的时辰，2026年，科技行业正从“”“实和”。正像Bruce适才说的，AI这列火车不只不会停，以至可能正在2026年加快往前跑。我们最等候的是2026年能看到实正的AI Killer App呈现。目前Vibe Coding只是前菜，但愿能看到更多能进入实正在工做流、改变通俗人糊口的产物，而不只仅是大师都正在调API。而对于从动驾驶和机械人来说，2026年也将是一个大年。我们要正在复杂的物理世界里，寻找那些实正具有“置之死地尔后生”怯气的团队。最初送给投资者们两句话：不要匹敌美联储，也不要匹敌手艺前进的。正在2026年，虽然风险正在添加，但对于那些能看清“智能密度”逻辑的投资者来说，非共识盈利仍然存正在。