当你读到这篇分享时，2025年已进入倒计时，又一年即将落幕。自2022年11月ChatGPT横空出世至今，三年过去了。2025年，AI依然是创投领域最受瞩目的关键词。时间给了我们很多答案，也留给我们更多的开放性问题。特别值得一提的是，中国在这轮AI浪潮中的位置已经发生关键性变化。
AI是否会引发一次真正的生产力革命？
通用人工智能（AGI）会在短期内实现吗？
本轮AI热潮何以空前？
技术投资通常会经历哪三个阶段？AI时代的投资逻辑又是什么？
如果美国的AI热度下降，相关市场情绪是否会向中国传导？如果会，中国如何跑出独立行情？
在本轮AI浪潮中，中国的结构性优势是什么？
不止于AI，2025年生物医药领域发生了哪些变化，有哪些属于中国的机会？
关于AI的两个开放性问题
比如蒸汽机时代，从1712年大气式蒸汽机被发明出来，到第一辆蒸汽汽车的出现，再到蒸汽轮船首航，前后耗时近百年。
又比如互联网和移动互联网时代，从1981年IBM推出第一代个人电脑Model 5150，到有iPhone，再到微信成为国民级应用，耗时大概30年。
将时间拨回到6年前。
2019年，彼时全球股市的总市值约为89万亿美元，与当年全球GDP规模约86万亿美元基本相当。其中，美股市值为34万亿美元，在全球股市总市值的占比超1/3。
从历史经验看，这一结构仍处于相对合理的区间。之所以称其“合理”，是参考了巴菲特提出的一个衡量国家或地区整体资本市场估值水平的指标——一国股票市场总市值 ÷ 该国GDP，该指标被称为“巴菲特指数”。
在巴菲特看来，当这一比例处在80%～120%时，资本市场的整体估值与实体经济规模大体匹配；显著低于该区间，意味着估值偏低；显著高于该区间，则可能潜藏着泡沫化风险。
以这一标准衡量，2019年全球资本市场总市值与全球GDP差不多1比1，显然处于合理范围之内。
再往后发生了什么事呢？
大家应该还记忆犹新。2020—2021年，受疫情冲击影响，一些发达经济体的央行采取了极为宽松的货币政策，全球进入了一轮前所未有的“大放水”。
这“水”有多大呢？仅2020年，美联储、欧洲央行和日本央行的资产负债表合计扩张规模就达到约8万亿美元。TradingView的统计数据进一步显示，在这一年前后，全球主要央行的扩表规模达到约12万亿美元。
简单解释一下“扩表”，扩表并非简单意义上的“印钞”。所谓央行扩表，本质上是基础货币的投放。央行通过购买国债、企业债，或向银行体系提供流动性，使其资产负债表扩张。这部分资金首先进入银行体系或财政部门，属于货币体系中最底层、最原始的一层流动性。当这些基础货币开始通过银行信贷等渠道进入实体经济循环时，便会进一步产生货币乘数效应。
举个简单的例子，银行向居民放贷，居民拿到贷款后可能没全部花完，暂时用不完的部分会存回银行，这部分储蓄可能又会被银行继续贷出，资金在体系内多轮流转，最终形成远大于初始投放规模的广义货币总量。
由于中国金融体系高度依赖银行体系，货币乘数相对较高，一般在4或5。在美国这样主要依赖资本市场的体系中，货币乘数也会达到3或4。
如果我们取平均数4，那么之前说到的“放水”的12万亿美元乘以4就是接近50万亿美元。一年增加近50万亿美元的全球流动性，对比2019年86万亿美元的全球GDP总额，前者几乎占了后者的近60%，这在全球经济史上都极为罕见。这也能很好地解释为什么在2020—2021年，即便全球经济受到疫情冲击，但是几乎所有国家的股市都表现强劲，中国也不例外。
二、2022—2023年：增量资金被极限配置到美元资产
接下来的2022年同样大事连连。
首先是2022年2月，俄乌冲突爆发。
这场危机对当时的欧洲造成了多层冲击：底层是能源安全问题，欧洲无法继续依赖俄罗斯的能源供应；中层是产业链安全问题，能源短缺影响工业生产和供应链；上层是国家安全问题，冲突是否会蔓延至北约等区域还不确定。
当时还有新闻提到，因为天然气短缺，有些德国人甚至被迫储备木材过冬。所以你可以理解，从2022年2月尤其是二季度开始，全球数十万亿美元的流动性在配置欧洲资产上的意愿显著下降。
2022年，中国仍处于疫情防控中，2023年5月在日本举办的七国集团（G7）峰会炒作涉华议题。多方面的不确定性，使得外资在短期内对配置中国资产持观望态度。
在全球资本配置格局中，美国、欧洲和中国是最重要的三大市场。欧洲和中国暂被低配的结果就是，增量资金被极限配置到美元资产。
当时的美国市场又是什么情况？
2022年3月，美联储首次加息25个基点，随后5—7月又连续三轮加息50、75、75个基点，三个月累计升息约200个基点（2%）。通常情况下，美元升息会推高美元及美元计价资产的升值预期，本就会吸引全球资金流入；再考虑到欧洲和中国的情况，巨量流动性几乎只能集中流入美元计价资产，直接推动了美国股市自2022年三季度起的持续上涨。
所以我们看到一个神奇的现象，尽管经历了三四年的疫情冲击，全球经济增长整体非常缓慢，但是全球名义GDP已达到114万亿美元（含通胀因素）。与此同时，全球资本市场市值达到约130万亿美元，约为全球GDP的1.14倍，接近巴菲特指数的上限。其中，美国资本市场的市值（68万亿美元）占比超过一半，显著高于其他国家。
这里对宏观经济感兴趣的朋友可能会联想到，在2023年和2024年，很多经济学家在讨论所谓的“美国例外论”，即在全球经济普遍疲弱的背景下，美国经济表现出较强的韧性。
一种解释是，这种韧性源于美国的经济结构：金融及相关服务行业（包括法律咨询、投行、并购、基金管理等）约占GDP的20%，高科技产业约占30%，两者合计约占GDP的一半。因而在巨量全球流动性涌入的背景下，金融和科技行业的资产价格受益最为明显。
资本市场不会直接说，“资产价格上涨是因为全球资金太多且集中配置”。那么要合理化这种高估值，就需要引入某种“宏大叙事”——“生逢其时”的AI便成了彼时最合适的选择。
我们可以看到，2022年10月以来，美国科技“七巨头”（即Alphabet、亚马逊、苹果、Meta、微软、英伟达和特斯拉）的市值迅速增长，这七姐妹的市值总和甚至超过了除中美之外的任何单一国家的GDP。金融和科技互相推涨，而金融和科技产生的财富又进一步推升了消费和服务领域的增长，包括衣食住行及娱乐等支出。
三、2025年至今：全球资金正从“极限配置”走向“再配置”
故事当然没有结束。
掌握大量资金的人都清楚，大资金不会长期集中配置在单一类别的资产上。即便是我们这样的早期投资机构也不敢把所有资金全押在单一热门赛道上。在特定阶段，资金可能会集中配置，但最终资金一定会从“极限配置”走向“再配置”。
我们来看看看这种“再配置”是如何发生的？
自2024年三季度末起，随着美国大选走势逐渐明朗，特朗普可能重新上台的预期渐强，市场开始重新评估美国自身的政策连续性。与此同时，一些此前承压的主要经济体反而出现了风险消化的迹象。它们都希望向全球资本展示自身的吸引力，以赢得更高的资金配置。
先来看欧洲。当市场对俄乌冲突的判断逐步从担忧冲突升级与外溢转向冲突常态化，进而评估阶段性缓和乃至停火的可能性。这种预期的转变与不确定性的下降，一定程度上构成了欧洲资产被再配置的基础。所以即便欧洲经济在2025年几乎仍然无增长，欧洲股市的表现在相当长的时间里都优于美股。
再来看中国。港股2025年在融资规模、再融资规模、上市公司数量以及市场涨幅等多项指标上位居全球前列。与此同时，金融开放和资本市场制度改革的持续推进、以DeepSeek为代表的AI技术突破、人形机器人亮相春晚点燃的具身智能热潮、民营企业家座谈会等一系列事件，持续向外界传递着积极的信号，以增强市场对于中国资产的信心。
当然，美国也不会希望“大钱”都跑掉，所以我们也看到了美国在关税政策上的微妙拉锯和对降息预期的管理。
所以，我们正身处一场金融旋涡中，旋涡的本质是全球资产的重新配置。几乎所有主要国家或地区，都在用各自的方式向全球资本“给出理由”：要么告诉资金“不要离开我”，要么告诉资金“你可以来我这儿”，甚至是“你应该多来我这儿”。
这就是当下全球金融市场的真实图景。
我觉得这种逻辑在2026年同样成立。未来一段时间内，假如全球不再出现新一轮大规模“放水”，即全球资本市场总市值维持在130多万亿美元的水平，我们基本就进入了一种“此消彼长”的存量博弈状态：A多了，B和C就少；A少了，B和C就会多一些。胜负手就在于，谁能更好地创造新的投资叙事和想象空间。
在这样的背景下，你我手里的股票，或者企业明年在香港上市的计划能否顺利推进，可能一半取决于这轮全球资金的再配置，另一半则取决于中国国内资金和政策环境、企业自身发展等关键变量。
讲完宏观形势，我们回到投资本身。当下关于AI投资，引发热议的话题有三个：
第一，美国的AI泡沫会不会破裂？
第二，如果美国的AI热度下降，泡沫破了，中国的AI资产会受到影响吗？
第三，如果冲击难以避免，中国的AI产业如何对抗这种冲击并走出独立行情？
要回答这三个问题，或许需要先来看看：这一轮AI热潮与投资正在经历怎样的演变周期？
初步结论是，过往几乎所有技术驱动的投资，无论是大数据、人脸识别，还是自动驾驶，基本都经历了三个阶段：
首先是投资聚焦于技术本身；
其次是关注最有想象力的应用；
最后是能落地的应用。
当下的大模型和AI投资，以及AI for Science投资，应该也不例外。
一、AI技术投资的三个阶段
谁今天就能用上这项技术？
谁能把它推向成千上万的用户？
谁能让用户愿意为此付费？
二、AI投资，接下来会发生什么？
那么，新的疑问又来了：如果这个周期已经走到第三阶段，接下来会发生什么？
首先，我们需要明确一点：技术史上的任何一次重大技术变革，都不会只经历一轮上述提到的三个阶段就结束，而是会经历多轮三步走。经历的轮次越多，往往意味着这项技术变革对社会和经济的渗透越深，影响力越大。
互联网就是一个典型的例子，它走过了多轮周期，如今已深入我们日常生活的方方面面。
回到AI，我们可以一同思考下接下来这三个阶段会怎么发展。
第一阶段：大模型的下⼀步是百花齐放，还是赢家通吃？
如果大家留意了最近一个月的新闻，会发现一个非常明显的变化：围绕大模型的讨论几乎都集中在大公司身上。不管是Google的Gemini，还是阿里的千问、字节的豆包，舞台中心基本是头部公司。
为什么会出现这种现象？
其实是因为如果一场技术变革只停留在“技术本身”，而没有真正引发前端产品形态和终端用户使用习惯的根本转变，那么大公司通常可以通过持续砸钱，最终把差距追平，甚至反超。
大数据时代发生的事可以作为例证。你会发现，在大数据这一轮技术浪潮中，也有一些公司成功上市，但目前没有催生出新的千亿市值的公司。一个原因就是我刚提到的：大数据并没有带来前端UI（用户界面）的根本变化，也没有引发用户使用习惯的迁移。
抖音是个例外。作为一家做大数据推荐的公司，抖音能做到千亿美元市值的原因有很多，我们换个角度来看：
第一，技术变了，信息分发方式从搜索引擎变成大数据推荐；
第二，UI变了，从通过键盘输入关键词，变成了手指滑动；
第二，用户使用习惯变了，用户从坐在PC前使用互联网，变成了在移动状态下、碎片化地使用手机。
再来看历史上其他伟大的千亿市值公司，如微软、谷歌、特斯拉，也都赶上了前端（UI）+中端（技术）+终端（设备和用户习惯）同时发生变化。
微软的成功并不仅仅是因为PC，还在于它通过鼠标这种全新的设备和体验革新，把图形化软件操作系统带入大众市场；谷歌把关键词输入这种新交互方式和网页搜索以及早期人工智能技术结合，重塑了信息获取的方式；特斯拉也类似，它不仅给车加了自动驾驶功能，更通过“整车UI软件化”完全改变了人与车的交互方式。
回到大模型，“大公司的机会”是一个阶段性的结果，还是一个会持续的趋势？
目前看，大模型正在走向“云化”。也就是说，它不再是一个单点竞争的产品，而是跟硬件云一样逐渐演变为一种基础服务。如果这个逻辑成立，几乎可以断定竞争格局将逐渐收拢到第一梯队的巨头之间。
因为只有它们同时具备以下能力：
能长期承担巨额算力与数据中心的资本开支；
本身就拥有成熟的云基础设施、庞大的用户群；
具备持续投入大模型研发的能力；
可以把大模型作为软件能力，直接“搭载”在基础云上销售。
是否真会如此，也许不用等太久，或许明年就会见分晓。
总结一下，一个技术创新周期并不必然会产生一波千亿市值公司。它取决于前端、中端、终端是否同时发生变化，以及消费者习惯是否真正迁移。如果答案是否定的，这轮技术红利往往会被既有巨头凭借资源、资本与规模优势迅速吸收，最终演化为存量玩家间的竞争。
第二阶段：机器人的操作能力能实现突破吗？
我们今天看到的机器人demo，多集中在打拳、跑步、跳跃、跳舞、踢球……这些都是运动能力的体现。机器人运动能力进阶的背后，有两个关键推动力：一是如新能源车在内的行业的发展带动了电机、传感器等硬件的进步；二是自动驾驶和强化学习带来的算法能力提升。
需要强调的是，今天的机器人能卷运动，但不擅长操作。
所谓“操作”，是指抓取物体、使用工具、改变物体状态，真正地“干活”。为什么操作能力是机器人当前的短板？主要原因是操作涉及机器人与物理世界的复杂交互，而我们几乎没有可直接复用的积累。
或许你会说，我们也看到了许多酷炫的演示视频展示机器人叠衣服、切菜或倒咖啡，但这些任务大多是针对固定物体的操作，有明显的局限。
比如机器人在桌子上叠衣服，如果突然改变桌子高度，可能机器人就叠不了。
比如让机器人来倒水，杯子里有多少水，杯子是软的还是硬的，水是凉的还是热的，杯子倾斜到什么角度水会洒出来？这背后涉及的物体材质、重量、状态、力反馈等，对机器人来说都是没有被系统性采集的数据。
但问题是，如果只能解决运动能力，机器人顶多胜任搬运、巡检等有限场景，无法承担“帮人做各种事情”的通用任务。所以机器人往下迭代，一定绕不开操作能力。
一种思路类似于自动驾驶中采用的“自主数据采集”。
然而这种方式的优劣势都很明显：好处是数据可复用，坏处是采集效率低。除了特斯拉已经在全球投放数百万辆汽车，实现了大规模、真实且多样化的数据采集，大多数车企仍依赖规模较小的测试车队进行数据收集，在数据量和场景多样性上有明显局限。
一个挑战在于机器人的硬件尚未定型，只要设计有所调整，例如五指变三指，三指变两指，两指变夹爪，或者更改关节运动方式，原有的数据和训练成果就可能失效，需要重新采集和训练。
另一类方法是合成数据和VLA（视觉-语言-动作），肯定有帮助，但局限性也很明显。
以VLA为例，我可以打一个比方。我很喜欢打羽毛球，所有能看的比赛我都看了，都学习了，但我的水平仍无法进阶成国家级运动员。这是因为视觉信息（Visual）到语言理解（Language）再到动作执行（Action）的转化链条，并非单靠数据积累就能自动完成，它涉及复杂的感知、认知和执行过程。机器人面临的情况类似。
此外，物理模型作为训练机器人操作能力的一种路线，也备受关注。我认为物理模型肯定是必要的，因为机器人要改变物体的物理状态。但是，提升机器人的操作能力，难以仅依赖算法+大脑。
如果问题真能靠算法+大脑解决，大语言模型势必早已出现。事实上，大模型的突破并非仅仅源于算法创新，而是建立在对过去40来年逐步积累起来的海量互联网文本数据的学习之上。
参考过往科技浪潮的演化，许多互联网超级应用的诞生都离不开装有高精度、低成本、低功耗的芯片与传感器的智能设备的普及。
比如，微信的出现，依赖的是智能手机中的麦克风阵列，使语音得以被清晰地解析；打车App的出现，建立在GPS芯片被装进每一部手机，实时位置数据的获取成为可能；抖音和快手、美图的兴起，则有赖于高清、可变焦的光学摄像头在智能手机中的广泛应用。当这些应用开始普及，大量新维度的数据应运而生。
因此，无论采取哪种技术路线，机器人操作能力的突破都取决于能否获得丰富的新维度数据，而这些数据的获取正与我们接下来要讲的AI应用密切相关。
第三阶段：能落地的AI应用。
我们目前投资的AI应用大致可以分为三类：AI基础设施、垂直领域的AI Agent、AI驱动的智能硬件。
方向一，AI基础设施，也就是AI芯片。
回顾历史，新应用都会催生新的基础设施——芯片巨头。
只有单一硬件PC的时代，“个人买得起”的通用计算成为核心需求，由此成就了英特尔。随后，互联网游戏与视频内容的普及，对高性能图形与图像处理能力提出了远超以往的要求，这一需求催生出了英伟达；再往后，随着智能手机成为新的核心终端，终端形态高度多样化、功耗与集成度成为关键约束，芯片与基础设施体系随之发生迭代，Qualcomm、Broadcom等公司正是在这一阶段走到舞台中央。
回到当下，一旦AI真正走向应用端，数据存储、通信、算力、功耗、成本与尺寸将被重新定义。这套与服务器端英伟达完全不同的需求组合，几乎必然会孕育出新的高度垂直化的AI基础设施芯片机会，涵盖推理、服务器端与端侧等。
方向二，垂直领域的AI Agent。
做垂直领域的AI Agent，通常要同时满足两个条件：
第一，这个行业及产业链本身已经具备较高的数字化水平，最好业务流程、数据流和客户交互都已经在线化、结构化。
第二，它的服务价值可以通过自然语言交互来兑现。
比如教育、心理咨询、金融服务这些行业都能很好地契合上面提到的两个条件。
但从实践来看，垂直Agent更适合已有公司的转型。原因很简单：这些公司已经拥有真实的业务流、稳定的数据流和存量客户，同时具备改造业务及产品的技术能力，包括重新抽象出与业务适配的便宜可用的模型。
当然，过去两三年也涌现出一些值得探索的新方向，比如全链条数字化的电商直播Agent、全链条数字化的编程Agent，以及全链条数字化的游戏Agent。
整体而言，垂直Agent更容易成为中型公司的“第二增长曲线”，可以同时实现“开源”和“节流”。新赛道里的机会目前看来并不容易找，核心难点在于缺乏长期积累的数据和稳定的客户基础。
方向三，AI驱动的智能硬件。
下面这张图能够展示中国当下在智能硬件方向的机遇。
