邱懿武
工作台

李丰:如何穿越周期——AI 技术的发展趋势与 AI 公司的泡沫由来(北大 AI 创投第 7 课)

AI 有没有泡沫与 AI 有没有未来并不互斥——资本可为想象力定价,商业最终要为价值买单。

原文日期
整理日期
讲者
李丰(峰瑞资本创始合伙人,前 IDG 资本合伙人);主持:刘勇(TaoZ Capital|蓝驰创投|热酷和亿友创始人);Panel 对谈:高岱恒(DINQ 创始人,前阿里通义实验室算法)

渠道:微信公众号 · 体裁:演讲(主题演讲 + Panel 对谈 + 现场问答) · 信源层级:二手(公众号听课笔记整理;一手为课程现场) · (北大《AI 创业与投资》第七课整理稿,讲座于 2026-10-28 晚,北大二教 109)

全篇概述

这是峰瑞资本创始合伙人李丰在北大《AI 创业与投资》第七课上的一场讲座(题为《AI 技术的发展趋势与 AI 公司的泡沫由来》),整理稿约 2.2 万字。李丰被主持人称为“周期之王”,其鲜明特点是习惯把企业放进宏观经济、资本流动与技术演进的长周期中理解。

整场讲座的核心方法,是把三件容易被混为一谈的事拆开:① 技术有没有价值(大语言模型的突破是真实的,但能力有边界);② 公司有没有价值(能否找到真实需求、持续付费、稳定交付);③ 公司今天的估值是否合理(资金成本、风险偏好、增长预期都会变)。

李丰的独特之处是不从机器人或大模型架构讲起,而是先从美元、全球资本流动和 2000 年互联网泡沫讲起,再一步步带向技术周期、大模型的数据来源、机器人进入物理世界的困难、传感器、Token 成本。他的核心判断是:本轮 AI 之所以如此火爆,是因为技术突破恰好叠加了一次规模罕见的资本周期——两者相互强化,却不是同一条因果链。

需要留意的边界:整理稿由主办方根据现场 PPT 与录音转写,作者已对市场数据与历史事实做必要核验,并声明“未经独立确认的具体数字,不作为已证实事实叙述”;李丰本人也反复强调个人判断不构成投资建议、不给出精确的泡沫破裂日期。

---


一、为什么 AI 这么火:先看技术背后的资本周期

二、从 2020 放水到 2022 资金重配:AI 泡沫的起点

阶段发生了什么关注的变量
2020–2021疫情冲击 + 大规模货币宽松流动性扩张
2022美联储加息、俄乌冲突风险偏好与跨境资金配置
2022.11 后ChatGPT 带来生成式 AI 热潮技术突破与资本叙事
2024–2026AI 基础设施与模型投入持续扩大资金需求、估值与现金流

三、增量资金不够了:全球资本市场进入什么阶段

四、思科的历史警示:长期合同不能证明没有泡沫

五、伟大的技术不止经历一轮泡沫:AI 投资三阶段

  1. 投资技术本身(新技术刚突破,资本愿为未来预期付高价;2023–2024 大语言模型是典型)。
  2. 投资最有想象力的应用(通用 Agent、具身智能机器人;但——越有想象空间的应用,越不一定短期落地,需要数据/硬件/基建/可靠性/安全/客户需求共同成熟)。
  3. 投资真正能落地、赚钱的应用(谁有客户?谁能持续被用?谁愿付钱?谁能形成可复制交付与健康现金流?重点从“最有想象力”转向“最有商业可行性”)。

六、错过智谱和张一鸣:大模型不是凭空出现的

七、AI 进入物理世界:机器人为什么缺数据,也缺可靠模型

八、真人数采、物理仿真与新模型:下一条技术路线在哪里

九、从短视频到 AlphaFold:为什么传感器是重要的下一步

十、中国在技术周期中的位置:从追赶到应用驱动

十一、AI 最大的商业化约束:每一次 Token 调用都需要成本

十二、从能源到端侧:低成本 AI 会带来哪些新机会

十三、Panel:AI 泡沫下,投资人与创业者的不同判断

(李丰 × 高岱恒,DINQ 创始人,前阿里通义实验室算法)

十四、现场问答:企业软件、模型安全、服务业与年轻人的创业机会

十五、写在最后:资本可以为想象力定价,商业最终要为价值买单

李丰始终在区分三件事:技术有没有价值 / 公司有没有价值 / 公司今天的估值是否合理。


整理者的分析

标注:以下为整理者(范德)的分析,非李丰原话,不代表其立场。

  1. 这场最有价值的不是结论,是“三问分离器”——技术有没有价值 / 公司有没有价值 / 今天的估值是否合理,三者必须分开判断。这与懿武判断体系里“拒绝对话里的概念混用”高度同构,可直接作为看项目/看标的的前置分解动作:任何标的先用这三问各打一次分,防“技术真→公司好→估值合理”的连续偷换。
  2. “周期后半段,做技术的人开始研究金融”是一条极廉价、可复用的泡沫温度计——不看模型能力,看谁在关心什么。对造物云/教育线的映射:当团队讨论的重心从“产品好不好用”漂移到“估值/融资/叙事”,就是资本周期信号。
  3. “传感器 > 数据采集”这条判断,是本篇里最能落到产品的一环——设备首先要足够有用、便宜、可靠,让人愿意持续使用,数据才会自然积累。这正好解释了 AI 时代“有用的产品”与“有用的数据”是同一件事,与“一人创意团队/工作台”的思路同源:先做用户真心愿用的东西,数据是副产品,不是目标。
  4. Token 成本 × 端侧部署,是 AI 产品定价的第一性约束——“Coding 这类符号任务单位经济价值高、日常闲聊付费意愿弱”,为一句话划出了 AI 商业化的价值分界线:收费能力取决于“AI 替客户创造的可货币化价值”,而非模型效果。

保留意见:① 本篇为公众号整理的听课笔记(二手),一手为课程现场;文中市场数据与历史事实作者称已做必要核验,但未获同口径独立核实,引用时宜以原始出处为准。② 文中李丰本人反复声明不构成投资建议、不给泡沫破裂时点,整理稿中大量为条件性判断(“可能”“未必”),不宜转述为确定性结论。③ 整理稿自标两处口径问题(M2 倍数、长期协议比例)与一处成本结构校正(Epoch AI:服务器约 60%、能源约 7%),已在正文以 ⚠️ 标出,勿沿用未校正的旧数字。