黄郑：当智能成为生产要素：AI智算、具身智能与下一轮资本重估

本文来自微信公众号： 复旦金融评论 ，作者：黄郑

■作者：黄郑科珹资本创始合伙人、可可资本合伙人、《AI改变世界》联合作者

■‍公众号：复旦金融评论

从“模型竞赛”到“Token经济”，中国AI产业如何穿越估值与商业化的双重关口。

过去四十余年，中国经济增长有两组极为重要的动力：一是以房地产、基础设施和城市化为代表的资本形成，二是加入全球分工体系后，以人口、制造能力和出口为支撑的全球化红利。今天，这两组动力都进入结构性调整期。人口增长趋缓，资本边际产出下降，外部贸易环境更趋复杂。问题不在于旧动能会不会消失，而在于谁能接续其边际贡献。

人工智能被寄予厚望，原因恰在于它并非传统意义上的单一产业。汽车、互联网或新能源，都曾形成庞大产业链，但AI更像一层通用技术底座：它可以进入研发、制造、物流、金融、医疗、教育和消费服务，逐步进入千家万户或是赋能百行千业，改变几乎所有行业的信息处理方式。若用增长经济学的语言表达，传统生产函数主要由劳动、资本和全要素生产率构成；AI时代，一个更具解释力的表达是：产出不仅取决于劳动与资本，还取决于可被持续调用的“智能计算”。

这并不意味着AI可以凭空创造增长。它真正的经济价值来自三次转换：

第一，把计算资源转换为低成本、可计量的Token；

第二，把Token转换为企业可以使用的认知能力和行动能力；

第三，把这种能力转换为收入、利润和生产率。

三次转换中任何一环失效，技术繁荣都可能停留在资本开支和估值层面。

因此，观察AI不能只问“模型是否更聪明”，还要问三个更难也更加具有现实意义的问题：单位智能成本是否持续下降？智能能否进入高频、刚需的真实场景？收入增长能否覆盖不断扩大的算力、能源和获客成本？

AI智算：从算力竞赛走向“Token经济”

1.AI正在成为一种可计量的生产能力

大模型早期竞争以参数规模、训练集规模和基准测试为中心。进入推理时代后，产业重心正在发生位移。企业购买的并不是参数本身，而是在某一成本和时延下完成任务的能力。Token因此成为连接技术与商业的关键计量单位：在供给端，它对应芯片、存储、网络、电力、模型与算法的综合成本；在需求端，它对应一次问答、一段代码、一份报告、一次客服交互或一个智能体任务。

Token不是货币，却具有类似工业中间品的意义。电力把不同能源转换成统一可用的功率，云计算把服务器转换为按需使用的计算资源，Token则尝试把模型能力转换为按量调用的“智能服务”。当企业可以像购买云服务一样购买推理能力，AI才可能从实验性工具变成标准化生产要素。

以“OpenClaw”一类智能体工具的扩散作为象征：AI应用正从一次问答转向持续运行、自动规划和调用外部工具。与聊天机器人相比，智能体的任务链更长、调用更频繁、上下文更复杂。一次简单对话消耗的Token有限，而一个持续监控邮件、交易风险或生产流程的智能体，可能全天候运行。需求函数由“用户数量”转向“智能体数量×任务频率×单任务复杂度”，推理消耗的增长速度由此可能显著快于人类用户增长。

这也解释了一个看似矛盾的现象：单位Token价格下降，并不必然导致算力需求相应变动。相反，按照杰文斯悖论，当单位成本下降激活更多场景、每个场景又使用更多智能时，总消耗可能加速增长。国际能源署2026年的分析显示，2025年全球数据中心用电需求增长约17%，到2030年可能由约485太瓦时增至约950太瓦时；其中AI专用数据中心的用电增速更快。效率改善与总量扩张将长期并存。

2.智算竞争已经不是“买多少GPU”

“算力”在早期容易被简化为芯片数量，然而有效算力是一个系统工程。决定最终Token成本的至少有五层：芯片决定单点计算能力，存储与互联决定数据供给效率，集群软件决定硬件利用率，模型与算法决定完成同一任务所需的计算量，电力与散热决定整套系统能否稳定运行。

训练时代更看重峰值性能，推理时代更看重单位成本、可用率、时延和软件兼容性。芯片性能领先但互联不足，集群会被通信拖慢；硬件充足但调度不佳，利用率会被空置和排队侵蚀；模型能力强但推理路径过长，商业毛利仍会受压。未来的竞争单位不是单颗芯片，而是“一度电最终能够生成多少有商业价值的Token”。

这为中国提供了不同于单点追赶的路径。中国在先进制程和部分高端芯片上仍有约束，却拥有大规模电力系统、完整制造业、丰富工程师资源和复杂产业场景。若能够通过国产芯片、光互联、存储、集群调度、模型压缩和开源生态的协同优化，形成更低的系统级Token成本，局部硬件差距并不必然等于最终服务成本差距。

能源在这一逻辑中不再只是后台费用。这时，AI与能源的关系成了“Bit背后是Watt”。数据中心选址、电网接入、变压器、冷却和稳定电源正在成为扩张瓶颈。国际能源署也指出，数据中心建设开始受到燃气轮机、变压器、先进芯片和电网审批等多重约束。对于AI企业而言，获取低价、稳定、低碳的电力将像获取芯片一样重要；对于区域经济而言，能源禀赋能否转化为算力服务，取决于电网、网络、数据中心和软件平台能否被组织为一个整体。

3.中国智算的机会在“软硬协同”，风险在重复建设

推理需求上升与外部技术限制，为国产替代打开了窗口。训练任务高度集中于少数前沿模型，生态迁移成本高；推理任务则更分散，模型体量、精度要求与部署环境差异更大，企业更愿意为成本、稳定性和数据安全采用多样化方案。因此，国产芯片、异构算力、光模块、存储、液冷、算力调度和推理优化都可能受益。

但“国产替代”并不是估值的充分条件。一个危险倾向是把智算中心建设等同于AI产业发展：地方拥有机房、机柜和设备，却缺少稳定客户、软件生态与真实任务，最终形成低利用率资产。算力不像传统道路，建成并不自动产生外部性；它更接近需要持续运营的工业平台。判断智算项目，应当看真实上架率、付费客户结构、单位能耗产出、软件迁移成本和长期合同，而不是只看名义峰值。

中国智算真正值得期待的方向，是由“卖设备”转向“卖可用能力”：算力包、模型服务、行业推理平台以及软硬一体的解决方案。谁能屏蔽底层异构性，让开发者以稳定接口调用多种芯片，并以更低成本完成同一任务，谁就可能占据产业链中间层的关键位置。

具身智能：把数字智能带入物理世界

1.具身智能不是“大模型+一副身体”

大语言模型LLM处理的是数字世界中的语言、图像和代码，具身智能面对的则是充满摩擦、噪声和不确定性的物理世界。它需要感知环境、理解任务、规划动作、控制身体，并从真实反馈中修正策略。多模态感知、交互学习和自我进化构成其三项核心能力。

与传统工业机器人相比，具身智能的目标不是在固定工位重复预先编程的动作，而是在变化环境中完成更通用的任务。传统机器人强调精度、节拍和可靠性；具身机器人还必须处理长尾情况。它要理解“把易碎品放到右侧第二层”这样的语义指令，也要识别物体被遮挡、地面湿滑或人突然进入工作区等异常。

目前主要技术路线包括分层控制、视觉—语言—动作模型（VLA）和世界模型。分层控制便于工程拆解和安全约束，却可能在复杂长任务中失去全局最优；VLA将感知、语言与动作统一编码，端到端泛化潜力更强，但对高质量示范数据依赖较大；世界模型试图在内部模拟物理规律，可降低部分真实采集成本，却仍面临“仿真到现实”的迁移鸿沟。产业化不会由某一路线一统天下，更可能是大模型负责理解与规划、传统控制保证实时性和安全、行业数据持续校正的混合架构。

2.中国的优势不是“最会走路”，而是最可能形成迭代飞轮

中国人形机器人受到资本关注，不仅因为整机展示密集，更因为其背后连接着成熟的电机、减速器、传感器、电池、结构件和精密制造体系。供应链完整可以缩短打样周期、降低试错成本；制造场景丰富，则为机器人提供了大规模训练和部署空间。工业和信息化部发布的《人形机器人创新发展指导意见》明确提出，要突破“大脑、小脑、肢体”等关键技术，并推动产品在制造、特种与民生服务场景中示范应用。

这一优势需要被准确理解。机器人“出货”不等于产业成熟，舞台表演也不等于稳定生产。真正的竞争壁垒来自四个闭环：硬件成本随规模下降，现场数据随部署增加，模型能力随数据迭代提升，能力提升又带来更多订单。只有四个环节相互强化，企业才从项目制集成商转变为平台型公司。

制造业可能是最先形成闭环的场景。工厂环境相对可控，任务价值可以通过人力节省、良率提高和停机时间降低来衡量，客户也有较强的设备管理能力。仓储搬运、上下料、巡检、分拣和危险环境作业，可能比家庭服务更早规模化。家庭场景看似空间巨大，却包含无数非标准物体、开放环境和安全责任，付费意愿与维护成本也更不确定。

因此，具身智能的商业化顺序很可能是“先专用、后通用；先B端、后C端；先半结构化、后开放环境”。资本市场偏爱一个机器人包打天下的叙事，产业现实却更像新能源汽车的早期：先在有限场景打磨供应链、软件和服务体系，再逐步扩展能力边界。

3.具身智能的核心资产是数据，但数据不天然形成壁垒

与语言模型可以利用互联网积累的海量文本不同，机器人缺少规模化、标准化的公开动作数据。高质量示范数据采集成本高、速度慢，不同机器人本体和应用场景之间的数据也难以直接复用。进一步看，数据获取成本高、有效数据供给不足以及跨本体、跨场景复用困难，构成具身智能建立数据闭环的三重约束。

第一重约束是数据获取成本高。机器人训练所需的数据不仅包括视觉和动作轨迹，还包括力反馈、接触状态、环境变化以及人工接管等信息，通常需要通过遥操作、真实场景部署或高质量仿真获得。其中，真机遥操虽然数据与本体匹配度最高，但需要同时投入机器人本体、采集场地、操作人员、传感器、维护调试和质检系统，成本会随采集规模同步增加。据光轮智能CEO谢晨披露，目前具身数据的市场价格已从每小时几十元到数千元不等，复杂任务、失败纠正轨迹和高精度评测数据的价格更高。

第二重约束是有效数据供给不足。数据数量并不等于数据质量，大量重复、简单的成功轨迹，可能只能让机器人模仿标准动作，却无法帮助其理解力反馈、物体接触、安全边界以及任务失败后的恢复方式。真正有价值的，往往是能够揭示机器人为何失败、如何纠正以及如何处理异常情况的数据，例如抓取滑落、物体遮挡、受力变化、环境扰动和人员突然进入工作区域等。企业如果不能识别并筛选这些高信息密度的数据，即使积累了大量视频和动作轨迹，也未必能够持续提升模型的稳定性和泛化能力。

第三重约束是数据跨本体、跨场景复用困难。不同机器人的关节结构、传感器配置、执行器性能和控制方式存在差异，同一套动作轨迹很难直接迁移到另一种机器人本体。不同工厂的设备布局、工艺流程、物体类型和安全要求也各不相同，使数据具有很强的场景依赖性。如果企业缺少统一的数据采集标准、动作表征方式、仿真迁移能力和跨本体适配机制，数据就容易被限制在单个项目中，每进入一个新场景都需要重新采集、标注和训练，难以形成可复制的产品能力。

因此，数据并不会因为数量增加而自然成为竞争壁垒。具身智能企业真正需要建立的，是“现场部署—数据采集—失败分析—模型训练—产品升级—更多部署”的持续闭环：通过真实运行发现问题，从海量数据中筛选高价值样本，再将训练结果以软件更新的方式应用到已部署的机器人中。只有当数据能够持续降低故障率和人工接管率、缩短新场景的部署周期，并最终转化为更多订单和客户复购时，数据才真正成为具身智能企业的核心资产。

投资风向：从技术赔率转向商业胜率

1.中美AI资产正在形成两种定价逻辑

美国AI投资的突出特点，是资本规模大、基础模型和云平台商业闭环较完整。斯坦福大学《2026年AI指数报告》显示，2025年美国私人AI投资约为中国的23倍。巨额资本推动了先进芯片、云基础设施和模型公司的快速扩张，也把回报压力推到前所未有的水平。资本开支能否转化为持续增长的Token收入，是美国AI估值能否维持的关键。

中国的特点则是工程化速度快、制造场景多、开源模型活跃，但客户付费、平台抽成和高毛利软件收入仍在形成。中国企业可以用更低成本逼近前沿能力，也可以凭借供应链和场景实现更快部署；然而，低价竞争如果不能提高使用频率和客户留存，可能只会压缩全行业利润。

因此，中美并非简单的“技术领先者”与“成本追赶者”。美国的核心命题是如何消化高资本投入，中国的核心命题是如何把低成本能力变成高质量收入。前者面临估值与现金流的匹配，后者面临规模与利润率的匹配。

2.重新审视AI产业链的利润分布

当前利润更多集中在上游芯片、存储和云基础设施，原因是供给稀缺、客户付费明确、资本开支集中。模型层需要承担巨额训练与推理成本，价格却因开源和竞争持续下降；应用层最接近客户，但获客、交付和行业适配又削弱了软件毛利。所谓“中间层空心化”，正反映了产业价值尚未稳定分配。

这种格局不会永久不变。硬件供给扩张、模型能力趋同和Token价格下降后，利润可能向两端迁移：一端是具有能源、芯片、互联和软件协同能力的系统平台；另一端是掌握客户流程、专有数据和分发渠道的应用公司。仅仅套用通用模型、缺乏数据与工作流壁垒的“包装型应用”，最容易被模型升级吞噬。

值得警惕的是，把所有AI收入视为同等质量。有些收入依赖一次性项目和定制开发，有些来自持续订阅和按量调用；有些增长依赖高额补贴，有些来自客户可量化的投资回报。投资者应把“AI相关”拆解为具体经济关系：谁付钱、为什么付、多久续费、替换成本多高、毛利在算力价格波动后是否仍可维持。

3.三条值得长期跟踪的投资主线

第一条是算力层的“效率资产”。不仅包括国产GPU、光芯片、光模块、先进封装、存储与液冷，也包括异构调度、推理加速和算力运营。筛选标准不是概念稀缺，而是能否降低单位有效Token成本、提高集群利用率并建立稳定客户关系。

第二条是具身层的“闭环资产”。优先关注掌握核心部件、具有量产能力且能持续获取场景数据的企业。订单数量之外，更应观察单机毛利、故障率、现场人员配置、客户复购与软件收入。机器人如果每部署一台都需要大量工程师驻场，就尚未形成真正的规模经济。

第三条是应用层的“场景资产”。AI制造、医疗、金融、交通和科研都可能出现龙头，但胜出者未必拥有最大模型，而更可能掌握最难替代的数据、牌照、渠道和责任体系。应用公司要证明的不只是“能够生成”，而是能在质量、安全、合规和成本约束下稳定完成任务。

这三条主线对应三种护城河：系统效率、数据飞轮和客户流程。它们也提供了比参数、榜单和融资规模更可靠的判断方法。

4.AI投资需要新的尽调尺度

面对技术快速迭代，传统尽调仍然必要，但问题需要更新。技术上，要区分自研能力、开源组装和供应商依赖；产品上，要区分演示效果与真实稳定性；商业上，要区分预订、框架协议与确认收入；财务上，要把算力折旧、推理补贴和股权激励还原进单位经济模型；治理上，要评估数据授权、模型安全与行业责任。

更重要的是，投资者应建立“反规模幻觉”。用户多并不等于价值高，Token消耗大也不等于商业模式好，出货快更不等于现金流健康。规模只有与复购、毛利和学习效应结合，才构成护城河。AI时代最昂贵的错误，可能不是错过某个风口，而是把补贴形成的使用量误认为真实需求，把硬件堆叠形成的性能误认为系统能力，把短期估值上涨误认为长期价值创造。

结语：穿越周期的不是概念，而是生产率

AI正在推动一场比互联网更深的成本重构。互联网降低了信息分发成本，AI进一步降低认知、决策和部分执行成本；具身智能则试图把这种下降传导到物理劳动。由此产生的机会，既包括芯片、能源和数据中心，也包括机器人、行业软件和新的服务形态。

但技术可能性与经济现实之间始终存在一道鸿沟。AI能否成为中国经济的新增长引擎，不取决于发布多少模型、建设多少智算中心或出现多少人形机器人，而取决于三个结果：企业是否真正提高全要素生产率，劳动者是否能够获得新的技能与岗位，资本是否形成可持续回报。

政策也需要从“支持供给”走向“培育有效需求”。对智算基础设施，应强化利用率、能效和跨区域协同，减少重复建设；对具身智能，应以制造业真实场景、中试平台和安全标准推动迭代；对数据，应建立可授权、可计价、可追溯的流通机制；对就业，应把教育结构从一次性学历训练转向贯穿职业生涯的人机协作能力。

未来的分野，不会简单发生在“拥有AI”和“没有AI”的企业之间，而会发生在能否把AI嵌入组织、流程和资产负债表的企业之间。模型会迭代，Token会降价，硬件会折旧，热点会迁移。真正能够穿越周期的，是持续把更便宜的智能转化为更高生产率、更好产品和更稳现金流的能力。

从这个意义上说，AI的终局并不是一个更大的科技行业，而是一套新的经济基础设施。当智能像电力一样可获得、像云计算一样可调用、像资本一样可配置时，增长函数才真正增加了一个新变量。而今天的产业竞争与资本选择，正在决定这个变量由谁定义、如何计价，又将为谁创造价值。

□本文依据黄郑在复旦大学国际金融学院EE项目“科创山海·智驭未来”活动主旨演讲整理，仅代表作者个人观点，仅供读者参考，并不作为投资、会计、法律或税务等领域的建议。

□编辑|潘琦复旦大学国际金融学院研究中心

□视觉|葛雯瑄复旦大学国际金融学院研究中心

□图源|AI辅助生成