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。
---
- 日期:2026-11-09
- 原始日期:2026-10-28
- 来源:阅读原文 (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)
- 渠道:微信公众号
- 体裁:演讲(主题演讲 + Panel 对谈 + 现场问答)
- 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)
- 信源层级:二手(公众号听课笔记整理;一手为课程现场)
- 标签:AI投资 / 资本周期 / 泡沫 / 具身智能 / Token成本
- 一句话: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。
一、为什么 AI 这么火:先看技术背后的资本周期
- 资本周期 ≠ 技术周期:技术周期关心“能力如何突破、成本怎样下降、产品如何进真实应用”;资本周期关心“资金从哪来、流向哪、投资者愿承担多少风险、市场愿为未来付多高价格”。
- 关键:两者本来各自发展,却可能在某个历史阶段相遇——当技术突破碰上一轮强劲资本扩张,就出现巨大财富效应,财富效应又吸引更多资金、人才与创业者进场,形成正反馈。
- 一个观察泡沫的经验标准:“周期前半段,做金融的人开始研究技术;周期后半段,做技术的人开始研究金融。”(最早金融从业者研究 Transformer、参数与能力边界;后期技术从业者开始聊期权价值、上市、市值、自己股份值多少钱。)
- 因此他先从一个看似无关的东西讲起:美元指数。
二、从 2020 放水到 2022 资金重配:AI 泡沫的起点
- 影响美元的两大要素:① 利率(加息提高美元资产吸引力);② 风险(全球动荡时资金涌向美元/高流动性资产)。二者同时出现 → 资金向美元重新配置的动力增强。
- 2020 疫情:各主要央行非常规宽松、资产负债表快速扩张,为金融资产价格上涨提供流动性背景。
- 2022 转折:美国进入快速加息周期 + 俄乌冲突 → 全球资本重新考虑配置;就在 2022 年 11 月,ChatGPT 发布。
- 李丰对本轮 AI 热潮的重要解释:技术突破与资本重配在同一个历史阶段相遇,形成了很强的相互强化效应;但二者并非同一条因果链——ChatGPT 不足以单独解释全球资产价格变化,资金宽松也无法凭空创造技术突破。
| 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 |
| 2024–2026 | AI 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
- 三方争夺资金:① 美国国债(2026 年联邦债务总额突破 40 万亿美元,含新增赤字 + 到期再融资);② 科技巨头的 AI 基建(数据中心、GPU、服务器、电力、土地);③ 股票市场本身也需要买盘。
- 一个标志性数据:Alphabet 2026 年 Q2 经营现金流约 391 亿美元,资本开支约 449 亿美元 → 当季自由现金流约 -58 亿美元(简化口径)。李丰强调这不代表 Google 失去经营能力,而是说明 AI 基建已成为极其资本密集的活动。
- 用房地产作比喻:房价上涨 → 单套更贵 → 要维持涨势需更多愿接高价的买家,同时涨幅越大越有人卖出获利。股市同理:价格继续上升,需要买卖力量持续支持。
- AI 板块为何开始轮动:存储芯片走强时其他科技板块回落、光模块上涨时资金离开其他 AI 基建方向——体现市场从普遍上涨转向存量竞争。
- 资本周期三阶段:① 增量普涨(流动性大增,愿为未来高价格买单);② 存量博弈(新增流动性受限,资金在资产/板块间重配,波动增加);③ 再配置(原资产估值与现金流难维持时,资本重新选择资产、行业乃至地区)。李丰判断当时正处于第二阶段后部。
- 一个反直觉例子:若俄乌冲突结束(通常被理解为利好),从美元资产角度未必是利好——欧洲风险下降 → 资金重新配置到欧洲 → 原来集中在美元资产的部分资金可能流出。一件事是利好还是利空,不能离开资金配置与市场预期单独判断。
四、思科的历史警示:长期合同不能证明没有泡沫
- 常见反驳:“GPU 供不应求,很多企业提前签了长期采购协议,既然是真实订单,为什么担心泡沫?”
- 历史类比:2000 年互联网泡沫早期,市场追捧互联网公司;随后判断转向“不管哪家胜出,社会要上网都得先买网络设备、交换机、光纤”→ 思科成为极受关注的公司。2000 年 3 月 27 日,思科市值一度达约 5690 亿美元,为当时全球市值最高。
- 李丰的对照:当市场相信一种技术终将普及,往往会首先追逐被认为提供不可替代基础设施的公司。但——基础设施长期有需求,不代表每一家供应商都能长期维持高利润;订单规模大,不等于企业当前估值一定合理。
- 周期行业教训(芯片、光伏):景气高峰时“长期合同 + 产能扩张 + 供不应求”同时出现,但一旦需求预期变化、客户资金恶化、新增产能集中释放,原有订单也可能调整。思科在 2001 年出现大规模库存减记与经营重组。
- ⚠️ 两处待核:① 当年互联网基建企业长期协议未实际执行的具体比例缺乏充分独立核验;② 现场提到的“美国 M2 增长约八倍”不符合 2000–2026 同口径(按美联储统计约接近五倍)——不能单纯用货币数量变化推导一家科技企业的合理市值上限。
- 现实约束:Data Center Watch 报告显示,2026 年 Q1 美国至少 75 个、涉及约 1300 亿美元的数据中心项目因地方反对被阻止或延期(≠全部永久取消,也≠AI 需求消失),反映的是电力、土地、审批、资金、社区接受度等现实限制。
五、伟大的技术不止经历一轮泡沫:AI 投资三阶段
- 判断:重大技术影响越深远,越可能经历多轮研发、投资与应用扩散——互联网、新能源汽车、自动驾驶皆如此。
- 一级市场投资三阶段:
- 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)。
- 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)。
- 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”)。
- 对 AGI 的判断:若 AGI 真意味着极其广泛的通用智能,希望它在一轮资本周期里解决所有关键技术与应用问题,可能过于乐观(属历史归纳,非严格技术时间预测)。
- 马斯克案例:擅长在不同资本市场阶段,把企业业务与新技术叙事组合——特斯拉(上海工厂→自动驾驶/人形机器人);X 与 xAI 2025 年完成整合、SpaceX 2026 年 2 月收购 xAI;2026 年 10 月 SpaceX 与 Tesla 开始评估业务整合(尚未达成)。资本叙事可变化,但技术是否兑现最终由产品能力与商业结果证明。
六、错过智谱和张一鸣:大模型不是凭空出现的
- 两段错失:① 2021 年前后看过智谱(当时估值不到 5 亿元,主营知识图谱/科技情报,他认可技术但对商业空间存疑,未投);② 2012–2013 年有朋友建议去见张一鸣,因已投过大数据相关企业而没接触。
- 引出的问题:一家公司今天的技术能力和商业模式,是否足以决定它几年后的发展空间? 在技术快变的行业,答案往往没那么简单。
- 2017 年 Transformer、2022 年 ChatGPT 是重要节点,但真正支撑大模型的还有更早的互联网基础设施、算力与数据积累——过去几十年人们用 PC、手机、键盘、搜索、聊天产生了海量文本数据,他们不是为训练大模型而上网,只是因为这些数字产品有用。数十年后,这些自然积累的数据成了大模型的重要基础。
七、AI 进入物理世界:机器人为什么缺数据,也缺可靠模型
- “这么多做机器人大脑的公司,反过来也说明大脑还有很多问题没解决。”
- 难点一·数据:语言模型靠文本学语言规律;但机器人抓取一个物体,需要知道空间位置、形状、材质、重量、接触力量,动作失败还要理解为什么失败——涉及空间、时间、动作、接触、环境反馈多维度,互联网文本无法直接提供。现有物理数据在覆盖度、精度、获取成本、可复用性上仍不足。
- 难点二·模型:语言模型是概率建模(同一问题可有多个合理回答);物理操作常有明确约束(机械臂不能穿过桌面、抓取不稳会掉落,碰撞/重力/材料/设备限制不会因动作“看起来合理”就消失)。问题:现有架构能否可靠处理物理世界的复杂约束、状态变化与因果关系?
- 澄清:这不是说概率模型无法学物理——概率方法已广泛用于感知/状态估计/决策,DeepMind 的 RT-2 等视觉-语言-动作模型也展示了结合互联网知识与机器人动作数据的潜力;但从实验能力走向大规模部署,仍需解决泛化、鲁棒性、安全与成本。李丰关心的是:市场可能高估 AI 短期能力进展。
八、真人数采、物理仿真与新模型:下一条技术路线在哪里
- 路径一·真人数采(遥操作/人工示范/动作捕捉):对具体任务有价值,但能否以合理成本支撑通用模型的大规模训练存疑。比喻:“发现训练语料不够,就雇一万人不断写作文”——能否代替几十年互联网自然积累的文本? 不仅看数量,还看多样性与关系组合的丰富度。李丰未集中投资真人数采方向(也承认可能因此错过好项目)。
- 路径二·仿真与合成数据:可降本、可重复实验、可改场景;但核心问题是 Sim-to-Real——仿真成功能否迁移到真实世界?(摩擦、重量、形变、传感器误差都会影响结果。)NVIDIA 的 Cosmos 世界基础模型平台是此方向的重要探索。
- 路径三·从模型本身找办法:① 绕开数据不足、直接靠更强模型能力(戏称“用魔法打败魔法”,但未必容易);② 在模型中加入物理知识、约束与不同计算结构;③ 改变底层架构,或让不同模型分别承担理解/规划/动作控制(如 Figure 的 Helix 系统)。
- 核心提示:市场形成共识之后,最容易犯的错误之一,就是把当前技术路线的成功直接外推为未来的唯一答案——自动驾驶就经历过规则驱动、数据驱动及多种系统组合的多次路线变化。
九、从短视频到 AlphaFold:为什么传感器是重要的下一步
- 逻辑:语言模型的语料来自用户长期使用互联网 → 那么物理世界的数据,是否也能靠新设备与产品自然积累?
- 案例链:
- B站(李丰曾投资并任董事):移动互联网早期流量贵,用户习惯提前下载缓存;3G→4G、流量成本下降后在线观看成主流。
- 抖音/快手:除移动互联网与推荐算法外,关键硬件基础是高清摄像头变小、变便宜、进入每天使用的手机。设备、网络、产品、内容生态共同发展,非单一因素决定。
- AlphaFold:能力建立在长期科学数据与实验基建之上(基因测序积累序列、X 射线晶体学/核磁共振/冷冻电镜积累结构数据)——重要模型能力,往往离不开此前长期形成的数据生产体系。
- 影石 Insta360:2013 年底至 2014 年刘靖康带项目找到他(具体估值/金额/收益属其现场回忆,未获同口径独立核实;影石 2014 年创业、IDG 参与早期投资有公开资料支持)。他看好它,除图像拼接技术外,更因为看到智能手机产业与中国精密制造推动摄像头等零件小型化低成本化,与软件结合催生新产品(全景相机满足户外/极限运动/旅行/创作者的真实需求,产品规模化 → 数据持续产生)。
- 长期判断:未来 AI 想真正理解并作用于物理世界,可能需要更多新传感器与智能设备进入实际生活(手机、眼镜、汽车、机器人,或今天还没有的产品)。关键不只是数据采集能力——设备首先要足够有用、便宜、可靠,让人愿意持续使用;产品进入大规模使用,才可能长期产生有价值的物理数据。(原始数据还需清洗、对齐、标注、筛选。)传感器普及不是具身智能成功的充分条件,却可能是下一阶段重要的数据基础设施。
十、中国在技术周期中的位置:从追赶到应用驱动
- 技术发展两阶段:① 靠基础研究与自身突破;② 大规模进入应用,客户需求与真实反馈反过来推动技术继续发展。
- 中国特点:早期原创阶段常处追赶位置,进入应用阶段后,凭场景、产业链与工程能力,有机会加快迭代。
- 案例:2013 年前后关注并试图推动投资旷视科技——判断手机摄像头普及将推动图像数据增长(用“文本多了→搜索引擎变重要”类比“图像多了→需图像理解/识别/检索”),但最终未推进成功。也讲到汤晓鸥教授与早期人脸识别产业。
- 中国商业化优势:① 制造业产业链长,提供丰富实际需求;② 硬件供应链成熟,利于降本;③ 市场规模与场景多样;④ 部分产业有政策支持。
- 但:不能等同于“中国在所有 AI 应用上必然反超”——不同技术对基础研究、算力、数据、客户付费、监管的依赖不同,真正决定竞争优势的仍是产品能力与实际使用结果。
十一、AI 最大的商业化约束:每一次 Token 调用都需要成本
- 关键区别:传统互联网服务多是从既有数据库检索展示(边际成本低);AI 推理每服务一次用户,都要承担实际计算成本(问题复杂或上下文大,算力消耗随之增加)。
- 提出的问题:若资本泡沫出清、基座模型公司必须追求盈利,该怎样收费? 消费者已习惯免费搜索,但大模型计算成本未必与传统搜索相同。
- 价格趋势的另一面:2025 年斯坦福《AI Index》报告指出,2022 年 11 月至 2024 年 10 月,达到 GPT-3.5 相近能力水平的模型推理价格下降超过 280 倍(模型优化、硬件进步、开源生态、竞争都能显著降低单位成本)。所以问题更应理解为:当计算成本真实存在、用户付费意愿又不一致时,AI 产品应怎样选择自己的市场与收费方式?
- 哪些应用能支撑 Token 成本:大模型在代码、数学、自然语言等符号任务上能力明确,尤其 Coding(帮程序员省大量时间 → 企业更愿付费);部分专业知识工作、行业研究、科学计算单位经济价值较高;但普通消费者日常使用,付费意愿可能较弱。
- 因此 AI 应用不能只比模型效果,还要比:客户获得多少价值 / 一次服务成本多少 / 能收多少费 / 规模扩大后收入能否持续覆盖成本。
十二、从能源到端侧:低成本 AI 会带来哪些新机会
- 基础设施视角:若 AI 成为广泛使用的基础设施,其价格必须足够低,才能长出大量上层应用(类比水电煤:价值不在单次高利润,而在大规模供给支撑更广经济活动)。算力竞争可能最终落到能源(电力可获得性、稳定性、成本)。
- 一个长期推演:中国未来也许可通过向全球提供模型与 Token 服务,间接输出自身能源与算力优势——长期战略想象力大,但不确定性也大。
- ⚠️ 数据校正:Epoch AI 2026 年典型 1GW AI 数据中心成本模型估算,若按使用寿命年化,服务器成本约占总拥有成本 60%,能源约 7%——说明当下硬件折旧仍很重要,能源会随产业成熟更关键,但不能简单认定未来算力竞争只剩电价竞争。中国能否形成大规模 Token 出口市场,还受芯片、模型能力、跨境网络、政策合规、客户需求影响。
- 端侧方向:若企业要盈利而用户不愿为每次简单调用付费 → 让更多 AI 能力进入终端设备。以智能驾驶类比(每次变道/刹车都请求云端会带来成本、延迟、连接稳定性与安全风险 → 重要计算需在车端完成,非实时任务云端协同)。同理出现在手机、智能眼镜、可穿戴设备。下一阶段重点不是“谁取代谁”,而是:哪些任务该本地完成,哪些值得付云端推理成本?
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)
- 有没有泡沫? 李丰(宏观资本周期):存在较明显的资产估值泡沫,但公司真实价值无法脱离资金供给、盈利预期、风险偏好——同一家公司在资金宽松/收紧环境下估值可能非常不同。高岱恒(微观业务):很多 AI 企业仍在真实采购数据、算力、专业服务,高价值数据价格明显提高,头部公司仍吸引人才——部分实际需求未因泡沫争议消失。两者不矛盾:真实需求可存在,资产价格也可能同时被高估。
- 模型公司必须盈利会怎样? 除提高收入外,可能减少部分支出(控制数据采购成本、放缓部分研发、重估数据中心计划)→ 进一步改变上游数据公司、算力供应商与基础模型之间的竞争关系。今天需求旺盛,不代表未来价格、毛利率、增速不变。
- 哪些被高估/低估? 李丰:离热门大模型叙事很近、却缺实际客户与商业成果的公司估值风险较高;有成熟客户关系、真实业务工作流、长期数据积累的企业,其 AI 应用价值可能尚未被充分认识。高岱恒更关注数据服务、算力资源与企业实际采购需求。(被低估与否最终需具体估值与商业模型支持,不能仅凭行业属性下结论。)
- 人才流向:AI 让技术工作方式改变;年轻人除专业能力外,需通过公开项目、长期实践、个人作品建立被外界看见的真实能力——专业背景/论文/名企经历仍重要,但公开表达、可信合作关系、解决问题能力也可能越来越有价值。
- 未来 12 个月关注四条:① AI 进物理世界的行动能力与模型可靠性;② 新类型数据的生产方式(获得更高质量物理数据的新型传感器);③ AI for Science;④ 模型边界、安全与端侧部署带来的新产品机会。
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
- Token 收费会不会让下游成本失控? 不会这么简单——模型公司可能收紧免费额度、调整服务范围、重设商业模式,但不等于 Token 价格突然涨几十上百倍;开源模型与不同推理服务商的竞争会对价格形成约束。
- Token 中转站是不是好生意? 短期可能有清晰价差与盈利空间;但若只是低价采购、高价转售,长期经营会受上游定价与渠道变化影响——问题是能否建立独立客户价值与稳定服务能力。
- 中国能不能出现 Palantir 这样的企业软件公司? 中美产业链结构不同:美国部分产业集中在高附加值环节(芯片设计、金融、专业知识服务),管理高价值人力/信息/复杂流程,客户愿为提效付高价;中国产业链更完整、环节更多、覆盖大量不同附加值,核心需求未必总是“高价值知识工作者的管理问题”,有些更关注生产成本、供应链效率、交付能力、现场运营。真正的问题是:软件解决客户哪一项真实业务问题?这问题能产生多少经济收益?
- 年轻人没经历过历史,怎样形成周期判断? 李丰:自己也是不断做错判断后才学会从更大范围理解问题;“当初是否忽略了更大范围的影响因素?” 企业本身不够 → 看行业 → 再不够 → 研究供应链、技术演进、资金环境、宏观经济,再用于判断具体企业。历史类比不是拿过去直接套今天,而是通过历史不断增加自己能考虑的变量。
- 普通人怎样发现新消费需求? iPhone 并非脱离此前技术积累(个人计算、iPod、音乐商店等);新能源车可能推动激光雷达降本,进入原本无法使用它的新产品——一个行业的规模化,可能意外推动另一个行业获得新产品机会。
- 中国下一轮巨大消费机会(他自己强调尚未完全确定):服务业。 类比电商——中国零售需求增长与互联网普及同时发生,且中国没有像美国那样先形成普遍的信用卡习惯,于是形成不同于美国的商业形态。服务业同理:仍有扩张空间;但普遍人力成本高、依赖专业人员交付、难快速规模化;而语言模型擅长处理自然语言、专业知识与部分符号信息——金融、教育、健康等知识密集型服务可能成为值得研究的 AI 应用方向。他关注的不是简单用 AI 代替一个人,而是 AI 能否改善原来难以降本、难以规模化的服务过程。
- 普通人付不起昂贵 AI 会员费? 两类问题:① 劳动技能迁移(岗位被改变,需转向其他工作);② 低成本普及(需更便宜的模型、智能硬件与端侧产品)。
- AI 安全最大的机会? 不直接给消除幻觉的方案,而是:当 AI 能以极低成本大量生产图文视频,传统依赖大量人工的内容审核模式面临挑战,需要新的识别与安全治理技术。更重要:过去关注模型能力上限,未来也需要知道模型能力边界(如自动驾驶能处理大量日常场景,仍可能在复杂低频场景失败)——只有知道模型何时可靠、何时易错,才能建立更安全的产品。 模型安全、边界评估与可靠性可能成为下一阶段重要研究与投资方向。
- 中国经济怎样重新形成正向预期? 从制造业规模效应谈起(面向全球大规模生产形成成本优势,但国内竞争也可能带来持续价格压力);尤其关注房地产(住房资产在中国居民财富中占比高,房价与预期变化影响消费、储蓄、投资决策)——房地产逐步企稳与居民预期修复,可能是形成正向循环的重要条件(不给确定拐点时间)。
- 没有成熟实验室的普通学生还能创业吗? 李丰回顾早年关注的年轻创业者(B站、影石 Insta360、脸萌)——当年的 90 后是较早把互联网作为生活一部分的群体,对某些需求的理解可能比更年长的投资人更直接。但若一开始就要解决需多年科研积累的复杂技术问题,必须认真考虑团队能力与资源限制。最适合年轻人的机会,未必是别人告诉你最热门的方向,也可能藏在你最熟悉的生活方式里。
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。
- 一轮资本热潮,可能让人提前为未来十年甚至更久的想象支付价格;但技术发展不会因估值已高就跳过需要完成的研发、验证与应用。
- 具身智能:模型、数据、传感器、真实场景仍是需跨越的关键问题。
- AI 应用:Token 成本、部署方式、客户需求、单位经济仍需认真计算。
- 创业者:选择技术路线与选择商业模式同样重要。
- 投资人:既要识别真正创造价值的技术,也要判断市场是否已提前支付过高价格。
- 结论:泡沫是否存在,与 AI 是否有长期未来,并不互斥。 资本泡沫可能破裂,技术仍可继续发展;技术可持续进步,一些公司却可能因成本/需求/资金约束无法存活。最终能穿越周期的,不一定是拥有最宏大叙事的企业,而是把技术能力转化为真实产品、并持续为客户创造价值的企业。——资本可以暂时奖励想象力,但商业最终需要回答:你究竟创造了什么价值?
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。
- 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。
- “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。
- “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。
- 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。