这些AI关键词正在被重新定义
编辑部 整理自 AIGC2026
AI快讯网 |
从硅谷投资人的视角看，AI的叙事正在悄然换轨。
在这个新旧周期交替的关键节点，Fusion Fund创始合伙人张璐带来了她的一线判断：
过去两年，行业所有目光都聚焦在模型和算力上，但真正的战场正在向基础设施的“通信层”和物理世界的“数据层”转移。
在今年的中国AIGC产业峰会上，她将这一轮AI叙事的转向说得十分直白——
推理将超越训练成为算力消耗的新主角，而数据中心里那个鲜少被提及的通信环节，其耗电量可能是计算本身的百倍以上。
至于下一个真正值得押注的方向，在她看来并非更大的模型，而是更真实、更高质量的数据，以及医疗、太空、纳米机器人这三个AI应用方向。
为了完整体现张璐的思考，在不改变原意的基础上，我们对演讲内容进行了翻译和编辑整理，希望能给你带来更多启发。
本届中国AIGC产业峰会聚集了近20位产业代表，线下参会超千人，线上直播观众近400万，获得了主流媒体的广泛关注与报道。
核心观点速览：
- 算力需求的重心正在从训练转向推理：训练是一次性投入，推理才是可持续长期需求；随着智能体交互替代对话交互，推理算力占比将从当前50%继续攀升，成为AI基础设施最核心的优化方向。
- 数据中心的真正电老虎是通信：在AI数据中心内，通信消耗的电量可能比计算本身高出百倍，这意味着光学通信等新一代通信技术的价值远比通常认知更为关键。
- 物理AI现在卡在数据层：架构和算力都已具备，真正的瓶颈是缺乏足够高质量的真实世界数据；合成数据可以作为补充，但无法替代边缘场景中的真实采集。
- 数据的质量比数量更重要，而医疗恰恰是高质量数据密度最高的行业之一：这是大量AI科技公司在2025年集中入局医疗赛道的底层逻辑，而不只是因为它市场够大。
- 技术创新只是起点，产业整合速度才是AI落地的真正竞争力：当500强企业的AI预算从千万级跃升至数十亿级，采购周期从半年压缩到一两个月，这种加速度本身就是模型和应用持续迭代的燃料。
以下为张璐演讲原文：
大家好，我是张璐，我是硅谷Fusion Fund的创始和管理合伙人。
在过去的十到十一年时间里，我们一直专注北美市场早期科技公司的投资，尤其专注在三个领域——企业级人工智能、医疗AI以及工业自动化。
过去两年，大家可能都关注到硅谷经历了快速迭代的创新周期，尤其是以人工智能为驱动的快速产业创新以及产业植入进程。
我们过去这两年非常辛苦，但也非常兴奋，看到了很多杰出的企业家、创业者快速成长，也看到了产业中从人工智能基础设施到应用层面的多重创新。
到今年，我认为已经进入了一个新时期，人工智能在整体叙事和创新的专注层面有了新变化。
今天很高兴有机会和大家分享过去一年我们看到硅谷新兴的人工智能创新风向变化，以及最新动态。
过去几年，我们聊人工智能创新时，有几个关键词反复出现：大语言模型、生成式AI、训练、算力需求等等。
但最近这段时间，语境有了新转向——现在更多讨论行业专属应用，基于小语言模型如何以更低成本、高效率的方式进行产业垂直AI植入，同时模型对象也在转变。
从语言模型，现在更多讨论的是物理AI和世界模型。
在计算层面，我们经常讲AI算力需求巨大，以前算力大量消耗在训练端。
但过去这段时间，大家更多讨论推理对于算力的需求会越来越大，甚至超过训练，成为长期可持续的算力需求。
根本层面上，对数据的讨论也越来越多——从最早讲规模定律（Scaling Law），认为数据越多模型越好，
到现在大家更多关注数据的质量：如何获取高质量行业数据？如何通过高质量行业数据建立更好的数据治理（data curation）和数据图书馆（data library）？
基于这些数据质量去优化人工智能，无论是模型能力还是应用能力迭代。
今天根据这些不同方向，跟大家快速分享几个我们非常看好、且正在快速发展的人工智能领域。
首先是人工智能基础设施。
如果大家关注英伟达3月的GTC大会，也能看到英伟达的叙事在改变——以前它是GPU芯片企业，现在黄仁勋已经明确：
英伟达是一个人工智能基础设施公司，一个人工智能工厂。
从Token经济学来看，未来对人工智能基础设施的需求可能就像对电力的需求一样常见，这是一场巨大的基础层产业革命。
我们看到对AI基础设施的创新需求非常高。AI进入产业部署阶段，大规模部署需要强力的AI基础设施来辅助和支持。
大量新建的AI数据中心面临很多挑战，比如电力消耗、通信能量消耗以及各种技术问题。
如何在这些层面进行更多技术创新，带来了很多创新机会，其中聊得比较多的是基础设施本身的算力优化。
核心算力变化在于：以前算力关注训练本身，现在训练是一次性投入，而推理是可持续的算力需求。
几年前，训练算力需求占70%以上，推理只有20%-30%，现在推理已经占到了一半，未来可能变成30:70（训练:推理）。
这个过程中，推理的需求更具可持续性，也更大量，推理消耗的算力更为核心。
因此，如何进行推理优化？如何进行推理算力优化？是未来AI基础设施要解决的核心问题之一。
刚才主要关注计算部分的算力，但在AI基础设施层面，大家更多讨论计算过程消耗了多少能量。
现在全世界都在讨论，AI的核心发展瓶颈之一是耗电量，但计算之后下一步是通信（Communication）。
通信过程中有通信能力需求、内部通信、交换机（switch）需求，在AI数据中心里，通信环节的整体耗电量可能比计算大几十倍甚至上百倍。
去年我有幸在斯坦福和前任校长、谷歌母公司Alphabet董事会主席John Hennessy做过对话，他专门提到：
在通信过程中消耗的电量可能比计算本身超过百倍以上。
CPU、GPU的设计思路是尽量在本地、在芯片本身做尽量多的计算，而不是进行更多传输——你可以把计算到处部署，也可以把数据到处挪动，但挪动数据消耗的电量比移动计算本身的成本更高。
这催生了很多新技术关注通信部分——如何有新一代通信技术？现在很多新创新在光学通信层面，去大规模降低通信过程中的能量消耗，这很关键。
我们刚才也提到一个转变：从语言模型→世界模型→物理AI。
到物理AI，应用的数据不只是文本数据，还有三维数据、真实世界数据，数据量级也更巨大。
这也是为什么我们在该领域会看到更多创新。
刚才我多次提到“物理AI”。
物理AI现在也是新兴发展方向，它不只是我们常讲的人形机器人。
物理AI涉及仿真模拟（simulation）、数据层、世界模型等领域，覆盖物理世界和AI的交互。无论是无人驾驶、工厂高精度生产，还是医疗、物流供应链、太空行业，都在大规模应用物理AI。
如何让物理世界和AI更好地互动？这是创新很重要的方向。
我们看到很多创新聚焦在仿真模拟层和数据层。
对于物理AI，最大的瓶颈是——架构做好了，也有算力，但最缺的就是数据，最大瓶颈也在数据。
没有足够高质量的真实世界数据去支持物理AI模型训练，当然有很多人讨论合成数据。
合成数据发展速度很快，包括通过合成数据支持仿真模拟，但过程中会发现合成数据存在很多弊端或盲点。
因此，真实世界中边缘场景、边缘数据的收集仍然非常关键。
这意味着我们不仅要关注模型层技术发展，还要更努力投入新型数据收集平台和数据优化平台的技术创新，这样才有更好的数据库支持物理AI进一步发展。
既然物理AI核心痛点在数据层，如何获得真实世界和工业界的高质量数据？
你会发现传统制造生产行业产生了很多高质量真实三维数据，但痛点在于没有一个非常好的数据收集平台进行标准化收集、优化和治理，使数据达到可进行AI模型训练的阶段。
而很多真实世界的应用场景对数据收集平台的消耗有天然限制。
因此，如何在边缘端更好进行AI部署是重要方向。
这里我提到一个新技术——我们看了很多年一直在发展的人工皮肤，核心是柔性电路（Flexible Electronics）。
今年出现了很多类似公司，其中做得最好的研究之一来自斯坦福大学鲍哲南教授实验室，他们做的人工皮肤传感器是一款高精度、低能耗传感器，可以薄到像手套一样，无论是套在机械手还是人手上，触觉有高精度的传感点，这个触觉数据可以成为重要数据来源支持物理世界。
在这个过程中，我们不仅看到初创企业在做新型数据收集平台。
和500强企业，尤其是一些制造龙头企业对话时，我发现他们内部也在做这方面的技术探索，大家意识到了核心瓶颈在数据层，也有更多创新聚焦到数据层。
我还想再强调一点：边缘计算。
边缘计算未来发展很快，这个方向对我们来说已不是新方向，我们从2018、2019年就开始投资边缘计算。
过去两年，产业形成了共识：人工智能发展的未来方向是在边缘端的人工智能部署。
如何达到边缘端AI部署？又回到刚才的问题，它需要小模型。
比如我们今年有一家公司刚被高通收购，他们的模型可以小到不足10亿token，在一个Raspberry Pi（树莓派）上就能运行，具备和GPT-4同等的人工智能能力。
包括前段时间谷歌发布的一些开源模型，也有一些非常小的边缘模型，所以边缘端的人工智能铺设非常重要。
边缘端AI铺设再和新型数据收集平台整合，我们就可以在边缘端进行数据收集、本地化处理和本地化AI应用，对高监管行业和数据隐私敏感的行业是很好的发展方向。
最后，跟大家讲几个我非常看好的具体人工智能应用方向。
今年对硅谷来说是人工智能医疗领域非常重要的一年，年初先是礼来（美国制药公司）和英伟达达成10亿美金合作。
他们的合作不仅是AI和医疗结合，他们也希望构建AI+医疗+数据技术的生态，帮助更多初创企业达成战略合作，我们有好几家公司跟他们合作。
1月份，大家可能关注到，无论是ChatGPT还是Claude，都发布了针对医疗领域应用的专属产品，尤其是Claude的Claude for Health专注底层基础设施，在数据、隐私、安全和合规层面帮助医疗领域服务商和医院更好地进行AI医疗整合。
几周前，默克（美国制药企业）也和谷歌Gemini发布了非常重磅的战略合作。很多AI科技企业都在纷纷入局医疗领域。
医疗领域不仅是美国最大市场之一（美国20%的GDP在医疗领域），更重要的是，大家意识到数据的质量比数据量更重要。
哪个行业有海量高质量数据？其中很重要一个就是医疗领域。
2017年我们就开始发布AI医疗报告，去年又做了最新版，可以看到很多新进化。
到现在，我们看到很多新型AI医疗公司专注垂直领域小模型。
比如专门针对细胞疗法做垂直AI模型，针对MRA（磁共振血管造影）测序数据做垂直模型，甚至针对特定疾病如帕金森、老年痴呆，结合各种数据、生物信息学进行个性化诊断和治疗。
这个过程中，不只是AI模型，机器人和物理AI也在医疗领域大规模铺设。
这里我提到一家公司叫Medra，也是我们去年刚投资的。
他们是斯坦福背景团队，做了一套物理AI系统——从AI层面理解如何进行生物医疗实验设计，同时进行机械手臂、自动化机器人实验，最后整体自动化整个生命科学包括医疗领域的科研过程。
几周前，他们在旧金山开启了全球现在最大的全无人物理AI机器人实验室，正昼夜不停进行各种实验搭设。
这家公司早期就和很多药厂合作，现在我们去聊AI医疗已经不是几年前单纯的问诊、医生辅助，已经涉及非常核心的个性化治疗部分。
个性化治疗也不只是之前看得较多的癌症、心脑血管疾病，现在尤其是脑部疾病，例如帕金森、老年痴呆、抑郁症，都可以和AI甚至物理AI深度整合。
另外我个人非常看好的方向是——物理AI和太空科技的结合，未来3-5年整个太空领域的发展、太空经济学、太空生态、太空基础设施的崛起会非常快速。
当然大家现在都在关注马上要到来的SpaceX IPO，这是非常强大的信号，会让大家看到接下来三五年整个太空经济的快速崛起。太空生态的特殊性使其具有天然的AI原生和机器人原生特性。
比如太空基础设施的搭设会用到很多物理AI和机器人创新应用，同时未来一个大方向是太空工厂。
当然可以运送人上去太空工厂，但可能更好的选择是短期内运送机器人上去。比如探月任务，在人类登月之前会部署很多机器人和机械设备。
我们自己也有投资专门做太空基础设施的公司，尤其是机器人层面的应用进行效能提升。
例如太空加油站，所有设备已经做好，过去一年就达到了上亿美元的订单收入。这个产业的快速迭代也是一个非常新兴的、迭代迅速的AI创新方向。
最后一个方向跟医疗相关，但需要一定时间成熟，却会让大家非常兴奋——
以更小的维度看机器人发展，我们叫它微米机器人或者纳米机器人。
更小的机器人可以进入人类血管里清除血栓；或者更进一步缩小到DNA级别进行靶向药物递送，实现体内免疫隐形。
现在越来越多技术在这个方向迭代，比如清除血栓的微米机器人已进入商业化应用初始阶段。包括DNA引擎、Nanoswimmer（纳米机器人细分形态）、靶向递药的纳米机器人应用在未来几年也会有很好前景。
今天就和大家快速分享过去一年多我们看到的一些让人兴奋的AI发展方向。
现在整个生态处在迭代期，还有很多新的模型架构在涌现。
当然这个过程中AI生态面临很多挑战，但对创业者来说，挑战就意味着机会，我们看到更多优秀创业者跳到产业里开展新方向探索。
作为投资人，我们非常幸福。现在对早期AI投资人来说是很幸福的时刻，可以看到这么多技术不仅处在创新阶段，还处在产业快速迭代的时代。
最后想和大家分享：除了技术创新，更重要时间节点是从今年开始产业对技术整合的态度在快速变化。
我们看到大量500强企业在人工智能方面的预算从几千万变到几亿，甚至几十亿。销售周期从以前半年甚至更长，到现在一个月、两个月。这种产业的快速整合才是人工智能技术能够快速发展的核心竞争力。
因为只有到达真实应用场景，快速获得用户和应用场景反馈，获得高质量产业数据，才可以让我们的模型架构和应用不断迭代。
非常期待接下来一年会有更多新创新出现，也欢迎大家有时间多来硅谷进行技术层面上的交流，谢谢。
客观分析：从张璐的演讲中可以清晰看到，AI产业的关注点正从“暴力堆算力”转向“精细化运营”。推理算力占比提升、通信能耗被正视、高质量数据成为稀缺资源——这三大趋势意味着AI基础设施的投资逻辑正在重塑。对于创业者而言，与其在通用大模型的红海中搏杀，不如深入垂直领域（如医疗、太空）挖掘真实世界数据的价值。产业整合速度的加快，也预示着AI落地将从“试验田”进入“主粮区”，具备快速交付能力和行业know-how的团队将迎来窗口期。
