如果你这段时间也在关注机构策略会的风吹草动，大概率会捕捉到一个出现频率越来越高的判断：AI交易的主线，正从算力硬件这端，缓缓移向应用那端。市场在急切等着一个能把资金稳稳接住的“下一个AI故事”。某国际投行最近一场AI主题讨论会，就把这个议题直接摆到了台面上。参会者反复强调的不再是哪块加速卡卖断了货，而是哪类应用能跑出真实的收入曲线。用更直白的话说就是：硬件这条赛道，机构已经吃得比较饱了，他们需要去找一条更长的坡道。这篇文章不打算预测什么必涨的方向，而是想把这轮“从硬件转向应用”背后的判断逻辑拆开来看。硬件阶段为什么会成为第一棒，应用接棒的合理性在哪里，以及所谓的“下一个AI故事”，究竟应该用什么标准去衡量。无论你是做投资的，还是负责公司AI落地的，这套思考框架应该都用得上。1. 一场投行策略会透露的信号：机构嘴里开始频繁蹦出“应用”1.1 会议中被反复点名的三个关键词如果把这轮策略会的内容压缩成几个反复出现的词，我听到最多的三个是：应用、利润、差异化。先说“应用”。过去两年，机构讲AI故事时最常用的词是“算力”“订单”“交期”。因为那些环节的业务增长最直观，下游只要愿意掏钱买卡，上游的营收和利润就能兑现。但到了这一轮讨论，大家开始追问一个更尖锐的问题：那些堆出来的算力，最后到底变成了什么样的产品和收入？所谓“应用”，其实就是“算力落地”的下一个环节。再说“利润”。硬件公司前期的高增长，有一部分靠产能爬坡和产品提价贡献，市场给的是“成长股加周期股”的混合定价。而应用类公司的价值在于，软件毛利率通常远高于硬件，且具备更稳定的经常性收入。机构投资者很清楚一件事：当行业从“抢货”进入“抢用户”，利润的质量会比利润的速度更重要。第三个词是“差异化”。AI基础设施存在很强的同质化倾向，因为大家都在买差不多的芯片、建差不多的机房，最后拼的是规模和成本。而应用层的差异化来自业务流程、数据资产和用户习惯，这些壁垒一旦建立，比单纯扩产能难复制得多。这场讨论会里很多争论，绕来绕去都会回到这三个词上。1.2 “从硬件转向应用”，不是看空算力，而是换一条更长的坡道很多人一听“资金从硬件转向应用”，第一反应是“算力是不是不行了”。这个理解稍微有点偏。从产业节奏上看，算力和应用从来不是零和关系。算力是应用的底座，应用是算力的归宿。没有足够的推理能力，再好的应用也跑不动；没有跑起来的应用，再多的算力也只能闲置。机构所谓的“转向”，更多是资金边际偏好发生了变化——已经在硬件上赚过大钱的仓位，开始寻找下一个赔率更好的位置。这里面有一个非常朴素的投资逻辑：任何资产涨到一定程度，分母端的预期就会被拉满，后续收益更多依赖“超预期的程度”，而非“增长的绝对值”。硬件环节的订单可见度高，但增速终归会从指数曲线慢慢变成线性曲线。而应用层的渗透率，目前普遍还在很早期的位置，恰恰是那个“更长坡道、更厚雪”的地方。所以与其把这轮讨论理解成“唱衰硬件”，不如理解成“想在应用层重新找到硬件期那样的确定性”。只是应用层的确定性不像芯片订单那么好量化，需要一套更细致的判断框架，这也是后面几节我要展开的重点。2. 复盘算力元年：AI交易的第一棒为什么一定是硬件2.1 硬件是AI叙事里“最不难证明”的一环在复盘“为什么要从硬件转向应用”之前，得先想明白一个问题：为什么这轮AI行情的第一棒，偏偏是算力硬件，而不是软件或者终端应用？答案其实很朴素：因为在行情启动的一两年内，硬件是唯一“业绩说得清楚”的环节。大模型训练需要成千上万张加速卡，推理同样要消耗海量计算资源，这是一道板上钉钉的算术题。模型可以吹能力，应用可以讲故事，但芯片的物理产能就在那里，谁先拿到货，谁就能把模型训练出来、把服务跑起来。这个阶段的投资逻辑，本质上是在“卖铲子”。大家都去淘金，但没有人知道最后谁能淘到金子，唯一确定的是，淘金者都需要铲子。于是资金非常务实地涌向了加速卡、服务器、网络设备、存储、先进封装、光模块这些环节。其中几个关键环节甚至一度出现“下订单要排到一两年后”的极端供给紧张，这种供不应求本身就是最强的业绩预告。2.2 从“修路”到“跑车”：硬件先行是产业规律的必然我经常用另一个例子理解这件事：修高速公路。修路的时候，车还没造出来多少，你可能会嘀咕：“修这么多条路，真有那么多车跑吗？”但产业发展的顺序就是这样——先修路，后跑车。没有路，汽车行业跑不起来；没有高速路网，物流和线上零售的大爆发也无从谈起。算力基础设施之于AI应用，就是那条要先修出来的高速公路。当然，“修路”和“跑车”并不是两个完全接续的时期，它们其实交织在一起。AI应用早在硬件建设高峰就已在萌芽，只是那时的应用还很粗糙，成本也很高。随着模型能力越来越强，单位推理成本快速下降，“跑车”的运营成本终于到了一个可以被生意接受的临界点。这就是我理解中“硬件向应用切换”的物理基础：不是修路的人不再赚钱，而是路上终于开始出现真正跑得起来的车了。2.3 硬件行情教会市场的两件事回头看，这轮硬件行情除了带来账面收益，更重要的是给整个市场上了两课。第一课：确定性值得付溢价。在充满噪音和故事的市场里，能看见订单、能跟踪出货、能算清楚产能的行业，天然具备更高的资金凝聚力。哪怕估值贵一点，只要增长能兑现，时间就能消化估值。这一课直接影响了机构对应用层的态度，他们也会用同样的尺度去要求应用公司：你说你行，请拿出收入、留存和毛利。第二课：业绩兑现是硬道理。硬件期最惊艳的行情，基本都发生在公司把“供不应求”真正变成财报数字之后。相反，那些只有概念、没有订单的环节，即使故事再动听，也很难持续获得资金加码。这提醒我们，等市场开始炒“应用”的时候，谁能最早把AI收入做进财报，谁就会成为新阶段的旗帜。3. 转场底层逻辑：应用爆发的三个前提，外加一个估值现实3.1 前提一：算力成本踩出“应用拐点”应用能不能赚钱，第一个决定因素是成本。两年前，让一个普通企业把大模型的接口嵌进自己的业务流程，按当时的单价算，很多场景的经济账是算不过来的。开发者和创业者也清楚：不管模型多聪明，只要单次调用的成本高于它能省下的人力成本，产品就只能在PPT里打转。但过去一段时间，情况在快速变化。一方面，新一代模型的推理效率持续提升，同样的任务消耗的算力明显下降；另一方面，蒸馏、量化、缓存复用等优化手段，让单位成本进一步走低。把计算成本、人力成本和产出价值放在一起算单位经济模型，越来越多的垂直场景开始从“负毛利”变成“正毛利”。这就是我理解的“应用拐点”：不是说哪一天所有应用突然爆发，而是越来越多的细分场景悄悄跨过盈亏平衡线。机构资金嗅觉很灵敏，它们会在“成本曲线即将穿越收益曲线”的位置提前埋伏。3.2 前提二：硬件资本开支的增速天花板越来越近第二个理由稍微有点扎心，但很现实：资本开支的增速是有天花板的。过去两年，头部云厂商和大型科技公司在数据中心、加速卡、网络设备上的投入，几乎都在大步快跑。这种投入可以撑住硬件公司一段时间的报表，但任何一个理性经营主体，都不可能永远把资本开支按指数速度推高。当基数越来越大，增速自然回落，这是数学规律，与意志无关。资本开支增速一旦见顶，市场对硬件环节的盈利预期就得重新锚定。与此同时，软件类公司的增长更多由用户数和客单价驱动，理论上不受物理产能限制，天花板更高。当资金的判断从“谁扩产最快”切换到“谁的增速更可持续”，流向自然发生改变。我经常提醒身边做投资的朋友：不要只盯着资本开支数字本身，更要看它相对上一年同期、上一季度的增速变化。那个“增速的拐点”，往往就是市场开始讨论“转向应用”的起点。3.3 前提三：市场需要更大的可寻址市场第三个逻辑更宏观：市场永远追求更大的池子。单纯从可寻址市场的量级看，硬件层面向的是数据中心、服务器和终端设备的替换需求，这块蛋糕非常大，但边界相对清楚。而企业软件、业务流程数字化、商用人工智能服务的想象空间，量级通常还要大上数倍。对机构资金来说，要给AI板块找一个未来五到十年的长期叙事，应用层显然更容易画出足够大的增长曲线。这也是为什么每次行业峰会上，“AI在医疗、金融、制造、教育里的渗透率还很低”这句话永远能引起共鸣。渗透率低，意味着空间大；空间大，意味着故事可以讲得足够久。对市场来说，“久”本身是有价值的——资金需要在上涨之后还能找到东西买，需要一个能接棒的“下一个AI故事”。3.4 估值现实：不是硬件不好，是“好”已经被充分定价最后这个理由也最现实：不是硬件不好，而是它的“好”已经被充分定价。经过前期大幅上涨，市场对硬件环节的预期早已打得很满：扩产、供不应求、提价、良率提升……这些好消息基本都被消化干净。这时候再想靠硬件赚钱，要求的不只是优秀，而是持续超预期。说实话，这很难。反观应用层，大部分公司还没有把AI收入充分体现在估值里，预期差要明显得多。机构资金天生喜欢“从低估处博重估”，于是愿意用更高的风险容忍度，提前布局那些可能成为“下一批明星”的应用公司。这不代表硬件立刻就不行了，而是说资金的边际增量，开始向预期差更大的方向移动。4. 应用层的机会地图：用“AI业务”标准筛掉九成伪AI应用4.1 先分清“AI功能”和“AI业务”说到应用层，我得先泼一盆冷水：目前市面上大量贴着“AI应用”标签的产品，严格来说只是“AI功能”，算不上“AI业务”。两者有什么区别，我一般用三个标准判断。第一，收入是否由AI直接创造。如果一个产品只是给原有软件装了一个聊天入口，用户并没有入口多付费，那它只是功能。反过来，客户订阅某产品就是为了用AI完成某项关键工作，且合同里明确写了对AI模块计价，这就是业务。第二，用户是否因为AI而选择你。有些工具虽然嵌入了AI，但用户选择它是因为原来的客户基础和界面习惯。这不叫AI业务，这叫业务用了AI。真正的AI业务，是用户从第一天起就冲着“它能帮我把活干完”来付费。第三，成本结构是否因为AI发生本质变化。比如一家交付型公司，因为引入AI把团队人数砍掉一半，毛利率大幅抬升，这时候AI就是商业模式本身。把“AI功能”当成“AI业务”，就好比给自行车装了个马达，最后还是得靠腿蹬。对比维度AI功能AI业务收入来源原有软件订阅，AI只是附加模块客户明确为AI能力或效果付费用户动机因为习惯、界面、迁移成本而用因为AI能干完某项活而购买成本结构AI只是锦上添花，成本反而增加AI重构交付流程，成本显著下降可替代性容易被对手或平台顺手集成依赖数据、场景与流程沉淀4.2 四个值得深入研究的方向帮大家把应用层的地图摊开，我认为至少四个方向值得深入研究。第一个方向是智能体驱动的业务流程自动化。AI从“回答问题”升级到“完成工作”，比如写代码、回工单、处理简历、跑流程审批。这类应用的共同特征是，产出不再只是一段文本，而是一个结果，所以商业价值更容易被量化。客户看得见自己省了多少人力，也愿意按结果付费。第二个方向是各垂直行业的工作流软件。医疗、法律、金融、制造等行业，都有大量流程复杂、文档密集、合规要求高的场景，非常考验对行业的深度理解。通用大模型解决不了所有行业问题，但把大模型嵌入具体工作流的公司，可以靠“行业数据加流程经验”建立护城河。第三个方向是AI原生的数据中间层。企业要用好大模型，第一步通常是建自己的数据管道、知识库和检索增强系统。这里面市场正在快速膨胀，价值也非常底层——没有数据中间层，上层应用就跑不稳。第四个方向是端侧AI与私有化部署。大量政企、医疗、制造业客户出于数据安全考虑，不允许核心数据出域。它们需要的不是公共大模型接口，而是把模型部署到自家机房。这块业务对交付能力要求高，但客户粘性极强，平均客单价也很可观。4.3 应主动避开的“伪应用”特征与机会相对的，是大量注定被淘汰的“伪应用”。我只要看到下面几个特征，就会主动降低关注度。第一种，只会用“AI”讲故事，换皮不换核。产品逻辑和原来的传统软件一摸一样，只是把对话窗口换成大模型。第二种，没有数据护城河。模型能力完全依赖外部厂商，自己的业务流程数据又零散，客户随时可以被平台型玩家顺手集成掉。第三种，边界不清，什么都能做，什么都做不深。真正的AI应用生意一定有一个强场景，而不是做一个“万能助理”，万能的产品往往意味着对任何具体用户都不够好用。市场上已经出现过不少产品，被巨头一个免费功能就碾死了。原因就是它们的“价值”恰好是大模型厂商顺手就能提供的。这一点，投资前请反复掂量。4.4 一个实用的三级筛选漏斗那什么样的应用层项目值得跟？我习惯用三级漏斗去筛。第一级看付费意愿。一个AI应用如果只能靠免费模式吸引用户，说明它的价值还不够刚需。看数据不要只盯着用户数，要看付费转化率、续费率和客单价。大模型的获客成本并不低，没有付费率支撑的日活，本质上是在烧钱买虚荣。第二级看单位经济。判断一个AI应用有没有真实商业价值，最简单的算法是：AI带来的收入增量或成本节省，是否高于调用模型和运营服务的成本。如果毛利结构因为“用AI越多亏得越多”而恶化，这生意就不可持续。第三级看壁垒来源。团队到底是靠“调用别人的模型加做个界面”生存，还是有独到的数据源、行业经验或不可替代的分发渠道？没有壁垒的AI应用，利润最终都会被上游模型层和下游渠道层吃掉。这个漏斗过一遍，大部分“伪AI应用”都能被筛掉。5. “下一个AI故事”候选清单：从叙事到真金白银的距离5.1 具身智能与人形机器人：最性感，也最容易反噬市场谈到“下一个AI故事”，总绕不开人形机器人和具身智能。这个方向的想象力确实足够大：如果能解决物理世界里的体力劳动，可寻址市场几乎是无限的。资本市场愿意为这种“无限感”给高估值，完全可以理解。但作为清醒的观察者，我要提醒：这个方向距离大规模商业兑现还有明显距离。核心瓶颈不在大模型，而在硬件可靠性、数据采集成本和真实场景的决策复杂度。一个机器人能在实验室里分拣零件，和在真实工厂里连续运行一年不出事故，是两回事。判断这个方向是否从“故事”走向“生意”，我只看三件事：出货量是不是逐月在爬坡？下游客户是不是真的为场景付费，而不是买几台样机充门面？厂商能不能在单一场景里跑出正毛利？三者都满足之前，建议把它当作主题性机会，而不是业绩性机会。5.2 Agent经济：最可能接过接力棒的一条主线如果说哪个方向最可能在一到三年内接棒成为“新的AI故事”，我倾向于认为是智能体经济。逻辑在于，对话式AI已经证明了“用自然语言指挥机器”的可行性，智能体再把“指挥”变成了“执行”。当系统可以自主完成一次信息检索、一份报表生成、一条客户投诉的闭环处理时，企业采购的就是“一个结果”，而不是“一个软件加一个人”。这种商业模式创新空间，比单纯卖软件订阅大得多。智能体方向尤其值得关注的是“多智能体协作”和“按结果计价”这两类玩法。前者意味着产品天花板从个人效率提升变成组织效率重构，后者意味着收入模型从按人头、按功能收费变成按价值、按效果收费。两种变化，都会让软件公司的收入规模上限发生数量级变化。当然，智能体在可靠性、安全性和可解释性上还有明显短板，这也是落地的主要阻碍。但方向的正确性，大概率没有问题。5.3 端侧AI与行业私有化：容易被忽略的“沉默金矿”在大家盯着“最性感”的方向时，我反而更关注一个容易被忽略的细分：端侧AI和行业私有化部署。很多机构客户的选择其实非常朴素：数据不能出域，供应商必须能驻场，模型结果必须能归因。这意味着它们需要的不是最前沿的模型，而是一个能落地、可定制、符合合规要求的整体方案。做这类业务的团队往往是“隐形冠军”——媒体关注不多、概念炒作不多，但现金流很扎实。这类需求我最看重的是“切换成本”。一旦客户的私有化模型调好了，知识库灌完了，告警规则配完了，客户几乎不可能轻易换供应商。后续的迭代维护、数据治理、模型更新，都是可预期的经常性收入。对普通投资者来说，这类公司比较难提前发现，因为曝光度不高、业绩节奏偏稳，但它们恰恰是应用层行情中最不容易被证伪的部分。5.4 判断“真故事”与“伪故事”的三条标尺候选方向看多了，最后拼的还是判断力。我给自己定了三条标尺，用来区分“可以下场的真故事”和“只能围观的热闹”。第一条标尺是付费意愿验证。没有人愿意掏钱的方向，再前沿也只是技术愿景。第二条标尺是规模化后的单位经济。做一单亏一单，复购规模越大窟窿越大，这就不成立。第三条标尺是产业链是否出现真实订单。下游采购合同、上游备货动作，往往比一份光鲜的白皮书诚实得多。用这三条标尺去过一遍，至少能过滤掉八成“一张路线图讲一年”式的伪机会。6. 面对风格切换，我的实操观察与跟踪方法6.1 不要把“机构调仓”误读成“行业见顶”文章最后这部分，聊聊我自己在跟踪中的真实体会。第一个体会是，风格切换不等于周期结束。机构资金从硬件挪向应用，说明的只是边际偏好的变化，而不是AI产业的衰退。一个健康的科技叙事，本来就应该先从基础设施启动，再向应用与商业化扩散。硬件和应用是上下游关系，应用越繁荣，推理需求越大，算力反而会被重新托起来。如果因为这个阶段硬件股价走平就断言“AI不行了”，大概率会错过产业真正的成熟期。成熟的标志，恰恰是技术开始大规模进入生产环境，变成财务报表上实实在在的数字。6.2 我习惯盯住的三个跟踪指标面对这种切换，我不会去赌某个具体方向，而是固定盯住三个指标。第一个是头部云厂商和大型科技企业的资本开支增速。这个数字反映了大玩家对算力需求的信心，也是判断硬件期何时进入“增速平台期”的最直接窗口。我格外关注它相对前几个季度的二阶变化，也就是增速本身是还在抬升，还是已经开始放缓。第二个是应用类公司的付费收入增速和客户留存。日活和月活在这个阶段意义有限，真正值得看的是有多少企业愿意为AI付钱，付完钱之后还在不在。留存率，是AI应用最诚实的评分标准。第三个是模型推理成本的下降速度。推理成本下降越快，应用层的商业模式改善空间就越大。我更愿意用“每单位任务的实际成本”去衡量，而不是只听发布会上的官方报价。6.3 先把自己变成“AI原生的从业者”最后一层，给所有在行业里的人，而不是只给投资者的建议：与其纠结哪个方向才是“下一个AI故事”，不如先确保自己已经站在AI做事的轨道上。我见过不少优秀的朋友，他们并不关心资本市场怎么给AI定价，只是闷头把自己负责的流程用大模型重新做了一遍。结果行业切换的时候，他们不是被迁移的对象，而是迁移的发起者。AI应用层的红利，最终会落到那些真正把技术变成业务效率的人手里——无论他们在一家公司里，还是在创业途中。我自己的习惯，是定期做一次“流程体检”：找出三个还在用笨办法做的重复性工作，尝试用现成的大模型能力重新实现一遍，记录成本和效果。这个习惯坚持下来，比读一百篇策略报告更接近AI的真实脉搏。真开始这么做，你大概就会理解，硬件转向应用背后那条真正的主线从来不是某个代码或者热点，而是效率又变便宜了。光这一点，就足够让很多想法长成现实。
如果你这段时间也在关注机构策略会的风吹草动，大概率会捕捉到一个出现频率越来越高的判断：AI交易的主线，正从算力硬件这端，缓缓移向应用那端。市场在急切等着一个能把资金稳稳接住的“下一个AI故事”。某国际投行最近一场AI主题讨论会，就把这个议题直接摆到了台面上。参会者反复强调的不再是哪块加速卡卖断了货，而是哪类应用能跑出真实的收入曲线。用更直白的话说就是：硬件这条赛道，机构已经吃得比较饱了，他们需要去找一条更长的坡道。这篇文章不打算预测什么必涨的方向，而是想把这轮“从硬件转向应用”背后的判断逻辑拆开来看。硬件阶段为什么会成为第一棒，应用接棒的合理性在哪里，以及所谓的“下一个AI故事”，究竟应该用什么标准去衡量。无论你是做投资的，还是负责公司AI落地的，这套思考框架应该都用得上。1. 一场投行策略会透露的信号：机构嘴里开始频繁蹦出“应用”1.1 会议中被反复点名的三个关键词如果把这轮策略会的内容压缩成几个反复出现的词，我听到最多的三个是：应用、利润、差异化。先说“应用”。过去两年，机构讲AI故事时最常用的词是“算力”“订单”“交期”。因为那些环节的业务增长最直观，下游只要愿意掏钱买卡，上游的营收和利润就能兑现。但到了这一轮讨论，大家开始追问一个更尖锐的问题：那些堆出来的算力，最后到底变成了什么样的产品和收入？所谓“应用”，其实就是“算力落地”的下一个环节。再说“利润”。硬件公司前期的高增长，有一部分靠产能爬坡和产品提价贡献，市场给的是“成长股加周期股”的混合定价。而应用类公司的价值在于，软件毛利率通常远高于硬件，且具备更稳定的经常性收入。机构投资者很清楚一件事：当行业从“抢货”进入“抢用户”，利润的质量会比利润的速度更重要。第三个词是“差异化”。AI基础设施存在很强的同质化倾向，因为大家都在买差不多的芯片、建差不多的机房，最后拼的是规模和成本。而应用层的差异化来自业务流程、数据资产和用户习惯，这些壁垒一旦建立，比单纯扩产能难复制得多。这场讨论会里很多争论，绕来绕去都会回到这三个词上。1.2 “从硬件转向应用”，不是看空算力，而是换一条更长的坡道很多人一听“资金从硬件转向应用”，第一反应是“算力是不是不行了”。这个理解稍微有点偏。从产业节奏上看，算力和应用从来不是零和关系。算力是应用的底座，应用是算力的归宿。没有足够的推理能力，再好的应用也跑不动；没有跑起来的应用，再多的算力也只能闲置。机构所谓的“转向”，更多是资金边际偏好发生了变化——已经在硬件上赚过大钱的仓位，开始寻找下一个赔率更好的位置。这里面有一个非常朴素的投资逻辑：任何资产涨到一定程度，分母端的预期就会被拉满，后续收益更多依赖“超预期的程度”，而非“增长的绝对值”。硬件环节的订单可见度高，但增速终归会从指数曲线慢慢变成线性曲线。而应用层的渗透率，目前普遍还在很早期的位置，恰恰是那个“更长坡道、更厚雪”的地方。所以与其把这轮讨论理解成“唱衰硬件”，不如理解成“想在应用层重新找到硬件期那样的确定性”。只是应用层的确定性不像芯片订单那么好量化，需要一套更细致的判断框架，这也是后面几节我要展开的重点。2. 复盘算力元年：AI交易的第一棒为什么一定是硬件2.1 硬件是AI叙事里“最不难证明”的一环在复盘“为什么要从硬件转向应用”之前，得先想明白一个问题：为什么这轮AI行情的第一棒，偏偏是算力硬件，而不是软件或者终端应用？答案其实很朴素：因为在行情启动的一两年内，硬件是唯一“业绩说得清楚”的环节。大模型训练需要成千上万张加速卡，推理同样要消耗海量计算资源，这是一道板上钉钉的算术题。模型可以吹能力，应用可以讲故事，但芯片的物理产能就在那里，谁先拿到货，谁就能把模型训练出来、把服务跑起来。这个阶段的投资逻辑，本质上是在“卖铲子”。大家都去淘金，但没有人知道最后谁能淘到金子，唯一确定的是，淘金者都需要铲子。于是资金非常务实地涌向了加速卡、服务器、网络设备、存储、先进封装、光模块这些环节。其中几个关键环节甚至一度出现“下订单要排到一两年后”的极端供给紧张，这种供不应求本身就是最强的业绩预告。2.2 从“修路”到“跑车”：硬件先行是产业规律的必然我经常用另一个例子理解这件事：修高速公路。修路的时候，车还没造出来多少，你可能会嘀咕：“修这么多条路，真有那么多车跑吗？”但产业发展的顺序就是这样——先修路，后跑车。没有路，汽车行业跑不起来；没有高速路网，物流和线上零售的大爆发也无从谈起。算力基础设施之于AI应用，就是那条要先修出来的高速公路。当然，“修路”和“跑车”并不是两个完全接续的时期，它们其实交织在一起。AI应用早在硬件建设高峰就已在萌芽，只是那时的应用还很粗糙，成本也很高。随着模型能力越来越强，单位推理成本快速下降，“跑车”的运营成本终于到了一个可以被生意接受的临界点。这就是我理解中“硬件向应用切换”的物理基础：不是修路的人不再赚钱，而是路上终于开始出现真正跑得起来的车了。2.3 硬件行情教会市场的两件事回头看，这轮硬件行情除了带来账面收益，更重要的是给整个市场上了两课。第一课：确定性值得付溢价。在充满噪音和故事的市场里，能看见订单、能跟踪出货、能算清楚产能的行业，天然具备更高的资金凝聚力。哪怕估值贵一点，只要增长能兑现，时间就能消化估值。这一课直接影响了机构对应用层的态度，他们也会用同样的尺度去要求应用公司：你说你行，请拿出收入、留存和毛利。第二课：业绩兑现是硬道理。硬件期最惊艳的行情，基本都发生在公司把“供不应求”真正变成财报数字之后。相反，那些只有概念、没有订单的环节，即使故事再动听，也很难持续获得资金加码。这提醒我们，等市场开始炒“应用”的时候，谁能最早把AI收入做进财报，谁就会成为新阶段的旗帜。3. 转场底层逻辑：应用爆发的三个前提，外加一个估值现实3.1 前提一：算力成本踩出“应用拐点”应用能不能赚钱，第一个决定因素是成本。两年前，让一个普通企业把大模型的接口嵌进自己的业务流程，按当时的单价算，很多场景的经济账是算不过来的。开发者和创业者也清楚：不管模型多聪明，只要单次调用的成本高于它能省下的人力成本，产品就只能在PPT里打转。但过去一段时间，情况在快速变化。一方面，新一代模型的推理效率持续提升，同样的任务消耗的算力明显下降；另一方面，蒸馏、量化、缓存复用等优化手段，让单位成本进一步走低。把计算成本、人力成本和产出价值放在一起算单位经济模型，越来越多的垂直场景开始从“负毛利”变成“正毛利”。这就是我理解的“应用拐点”：不是说哪一天所有应用突然爆发，而是越来越多的细分场景悄悄跨过盈亏平衡线。机构资金嗅觉很灵敏，它们会在“成本曲线即将穿越收益曲线”的位置提前埋伏。3.2 前提二：硬件资本开支的增速天花板越来越近第二个理由稍微有点扎心，但很现实：资本开支的增速是有天花板的。过去两年，头部云厂商和大型科技公司在数据中心、加速卡、网络设备上的投入，几乎都在大步快跑。这种投入可以撑住硬件公司一段时间的报表，但任何一个理性经营主体，都不可能永远把资本开支按指数速度推高。当基数越来越大，增速自然回落，这是数学规律，与意志无关。资本开支增速一旦见顶，市场对硬件环节的盈利预期就得重新锚定。与此同时，软件类公司的增长更多由用户数和客单价驱动，理论上不受物理产能限制，天花板更高。当资金的判断从“谁扩产最快”切换到“谁的增速更可持续”，流向自然发生改变。我经常提醒身边做投资的朋友：不要只盯着资本开支数字本身，更要看它相对上一年同期、上一季度的增速变化。那个“增速的拐点”，往往就是市场开始讨论“转向应用”的起点。3.3 前提三：市场需要更大的可寻址市场第三个逻辑更宏观：市场永远追求更大的池子。单纯从可寻址市场的量级看，硬件层面向的是数据中心、服务器和终端设备的替换需求，这块蛋糕非常大，但边界相对清楚。而企业软件、业务流程数字化、商用人工智能服务的想象空间，量级通常还要大上数倍。对机构资金来说，要给AI板块找一个未来五到十年的长期叙事，应用层显然更容易画出足够大的增长曲线。这也是为什么每次行业峰会上，“AI在医疗、金融、制造、教育里的渗透率还很低”这句话永远能引起共鸣。渗透率低，意味着空间大；空间大，意味着故事可以讲得足够久。对市场来说，“久”本身是有价值的——资金需要在上涨之后还能找到东西买，需要一个能接棒的“下一个AI故事”。3.4 估值现实：不是硬件不好，是“好”已经被充分定价最后这个理由也最现实：不是硬件不好，而是它的“好”已经被充分定价。经过前期大幅上涨，市场对硬件环节的预期早已打得很满：扩产、供不应求、提价、良率提升……这些好消息基本都被消化干净。这时候再想靠硬件赚钱，要求的不只是优秀，而是持续超预期。说实话，这很难。反观应用层，大部分公司还没有把AI收入充分体现在估值里，预期差要明显得多。机构资金天生喜欢“从低估处博重估”，于是愿意用更高的风险容忍度，提前布局那些可能成为“下一批明星”的应用公司。这不代表硬件立刻就不行了，而是说资金的边际增量，开始向预期差更大的方向移动。4. 应用层的机会地图：用“AI业务”标准筛掉九成伪AI应用4.1 先分清“AI功能”和“AI业务”说到应用层，我得先泼一盆冷水：目前市面上大量贴着“AI应用”标签的产品，严格来说只是“AI功能”，算不上“AI业务”。两者有什么区别，我一般用三个标准判断。第一，收入是否由AI直接创造。如果一个产品只是给原有软件装了一个聊天入口，用户并没有入口多付费，那它只是功能。反过来，客户订阅某产品就是为了用AI完成某项关键工作，且合同里明确写了对AI模块计价，这就是业务。第二，用户是否因为AI而选择你。有些工具虽然嵌入了AI，但用户选择它是因为原来的客户基础和界面习惯。这不叫AI业务，这叫业务用了AI。真正的AI业务，是用户从第一天起就冲着“它能帮我把活干完”来付费。第三，成本结构是否因为AI发生本质变化。比如一家交付型公司，因为引入AI把团队人数砍掉一半，毛利率大幅抬升，这时候AI就是商业模式本身。把“AI功能”当成“AI业务”，就好比给自行车装了个马达，最后还是得靠腿蹬。对比维度AI功能AI业务收入来源原有软件订阅，AI只是附加模块客户明确为AI能力或效果付费用户动机因为习惯、界面、迁移成本而用因为AI能干完某项活而购买成本结构AI只是锦上添花，成本反而增加AI重构交付流程，成本显著下降可替代性容易被对手或平台顺手集成依赖数据、场景与流程沉淀4.2 四个值得深入研究的方向帮大家把应用层的地图摊开，我认为至少四个方向值得深入研究。第一个方向是智能体驱动的业务流程自动化。AI从“回答问题”升级到“完成工作”，比如写代码、回工单、处理简历、跑流程审批。这类应用的共同特征是，产出不再只是一段文本，而是一个结果，所以商业价值更容易被量化。客户看得见自己省了多少人力，也愿意按结果付费。第二个方向是各垂直行业的工作流软件。医疗、法律、金融、制造等行业，都有大量流程复杂、文档密集、合规要求高的场景，非常考验对行业的深度理解。通用大模型解决不了所有行业问题，但把大模型嵌入具体工作流的公司，可以靠“行业数据加流程经验”建立护城河。第三个方向是AI原生的数据中间层。企业要用好大模型，第一步通常是建自己的数据管道、知识库和检索增强系统。这里面市场正在快速膨胀，价值也非常底层——没有数据中间层，上层应用就跑不稳。第四个方向是端侧AI与私有化部署。大量政企、医疗、制造业客户出于数据安全考虑，不允许核心数据出域。它们需要的不是公共大模型接口，而是把模型部署到自家机房。这块业务对交付能力要求高，但客户粘性极强，平均客单价也很可观。4.3 应主动避开的“伪应用”特征与机会相对的，是大量注定被淘汰的“伪应用”。我只要看到下面几个特征，就会主动降低关注度。第一种，只会用“AI”讲故事，换皮不换核。产品逻辑和原来的传统软件一摸一样，只是把对话窗口换成大模型。第二种，没有数据护城河。模型能力完全依赖外部厂商，自己的业务流程数据又零散，客户随时可以被平台型玩家顺手集成掉。第三种，边界不清，什么都能做，什么都做不深。真正的AI应用生意一定有一个强场景，而不是做一个“万能助理”，万能的产品往往意味着对任何具体用户都不够好用。市场上已经出现过不少产品，被巨头一个免费功能就碾死了。原因就是它们的“价值”恰好是大模型厂商顺手就能提供的。这一点，投资前请反复掂量。4.4 一个实用的三级筛选漏斗那什么样的应用层项目值得跟？我习惯用三级漏斗去筛。第一级看付费意愿。一个AI应用如果只能靠免费模式吸引用户，说明它的价值还不够刚需。看数据不要只盯着用户数，要看付费转化率、续费率和客单价。大模型的获客成本并不低，没有付费率支撑的日活，本质上是在烧钱买虚荣。第二级看单位经济。判断一个AI应用有没有真实商业价值，最简单的算法是：AI带来的收入增量或成本节省，是否高于调用模型和运营服务的成本。如果毛利结构因为“用AI越多亏得越多”而恶化，这生意就不可持续。第三级看壁垒来源。团队到底是靠“调用别人的模型加做个界面”生存，还是有独到的数据源、行业经验或不可替代的分发渠道？没有壁垒的AI应用，利润最终都会被上游模型层和下游渠道层吃掉。这个漏斗过一遍，大部分“伪AI应用”都能被筛掉。5. “下一个AI故事”候选清单：从叙事到真金白银的距离5.1 具身智能与人形机器人：最性感，也最容易反噬市场谈到“下一个AI故事”，总绕不开人形机器人和具身智能。这个方向的想象力确实足够大：如果能解决物理世界里的体力劳动，可寻址市场几乎是无限的。资本市场愿意为这种“无限感”给高估值，完全可以理解。但作为清醒的观察者，我要提醒：这个方向距离大规模商业兑现还有明显距离。核心瓶颈不在大模型，而在硬件可靠性、数据采集成本和真实场景的决策复杂度。一个机器人能在实验室里分拣零件，和在真实工厂里连续运行一年不出事故，是两回事。判断这个方向是否从“故事”走向“生意”，我只看三件事：出货量是不是逐月在爬坡？下游客户是不是真的为场景付费，而不是买几台样机充门面？厂商能不能在单一场景里跑出正毛利？三者都满足之前，建议把它当作主题性机会，而不是业绩性机会。5.2 Agent经济：最可能接过接力棒的一条主线如果说哪个方向最可能在一到三年内接棒成为“新的AI故事”，我倾向于认为是智能体经济。逻辑在于，对话式AI已经证明了“用自然语言指挥机器”的可行性，智能体再把“指挥”变成了“执行”。当系统可以自主完成一次信息检索、一份报表生成、一条客户投诉的闭环处理时，企业采购的就是“一个结果”，而不是“一个软件加一个人”。这种商业模式创新空间，比单纯卖软件订阅大得多。智能体方向尤其值得关注的是“多智能体协作”和“按结果计价”这两类玩法。前者意味着产品天花板从个人效率提升变成组织效率重构，后者意味着收入模型从按人头、按功能收费变成按价值、按效果收费。两种变化，都会让软件公司的收入规模上限发生数量级变化。当然，智能体在可靠性、安全性和可解释性上还有明显短板，这也是落地的主要阻碍。但方向的正确性，大概率没有问题。5.3 端侧AI与行业私有化：容易被忽略的“沉默金矿”在大家盯着“最性感”的方向时，我反而更关注一个容易被忽略的细分：端侧AI和行业私有化部署。很多机构客户的选择其实非常朴素：数据不能出域，供应商必须能驻场，模型结果必须能归因。这意味着它们需要的不是最前沿的模型，而是一个能落地、可定制、符合合规要求的整体方案。做这类业务的团队往往是“隐形冠军”——媒体关注不多、概念炒作不多，但现金流很扎实。这类需求我最看重的是“切换成本”。一旦客户的私有化模型调好了，知识库灌完了，告警规则配完了，客户几乎不可能轻易换供应商。后续的迭代维护、数据治理、模型更新，都是可预期的经常性收入。对普通投资者来说，这类公司比较难提前发现，因为曝光度不高、业绩节奏偏稳，但它们恰恰是应用层行情中最不容易被证伪的部分。5.4 判断“真故事”与“伪故事”的三条标尺候选方向看多了，最后拼的还是判断力。我给自己定了三条标尺，用来区分“可以下场的真故事”和“只能围观的热闹”。第一条标尺是付费意愿验证。没有人愿意掏钱的方向，再前沿也只是技术愿景。第二条标尺是规模化后的单位经济。做一单亏一单，复购规模越大窟窿越大，这就不成立。第三条标尺是产业链是否出现真实订单。下游采购合同、上游备货动作，往往比一份光鲜的白皮书诚实得多。用这三条标尺去过一遍，至少能过滤掉八成“一张路线图讲一年”式的伪机会。6. 面对风格切换，我的实操观察与跟踪方法6.1 不要把“机构调仓”误读成“行业见顶”文章最后这部分，聊聊我自己在跟踪中的真实体会。第一个体会是，风格切换不等于周期结束。机构资金从硬件挪向应用，说明的只是边际偏好的变化，而不是AI产业的衰退。一个健康的科技叙事，本来就应该先从基础设施启动，再向应用与商业化扩散。硬件和应用是上下游关系，应用越繁荣，推理需求越大，算力反而会被重新托起来。如果因为这个阶段硬件股价走平就断言“AI不行了”，大概率会错过产业真正的成熟期。成熟的标志，恰恰是技术开始大规模进入生产环境，变成财务报表上实实在在的数字。6.2 我习惯盯住的三个跟踪指标面对这种切换，我不会去赌某个具体方向，而是固定盯住三个指标。第一个是头部云厂商和大型科技企业的资本开支增速。这个数字反映了大玩家对算力需求的信心，也是判断硬件期何时进入“增速平台期”的最直接窗口。我格外关注它相对前几个季度的二阶变化，也就是增速本身是还在抬升，还是已经开始放缓。第二个是应用类公司的付费收入增速和客户留存。日活和月活在这个阶段意义有限，真正值得看的是有多少企业愿意为AI付钱，付完钱之后还在不在。留存率，是AI应用最诚实的评分标准。第三个是模型推理成本的下降速度。推理成本下降越快，应用层的商业模式改善空间就越大。我更愿意用“每单位任务的实际成本”去衡量，而不是只听发布会上的官方报价。6.3 先把自己变成“AI原生的从业者”最后一层，给所有在行业里的人，而不是只给投资者的建议：与其纠结哪个方向才是“下一个AI故事”，不如先确保自己已经站在AI做事的轨道上。我见过不少优秀的朋友，他们并不关心资本市场怎么给AI定价，只是闷头把自己负责的流程用大模型重新做了一遍。结果行业切换的时候，他们不是被迁移的对象，而是迁移的发起者。AI应用层的红利，最终会落到那些真正把技术变成业务效率的人手里——无论他们在一家公司里，还是在创业途中。我自己的习惯，是定期做一次“流程体检”：找出三个还在用笨办法做的重复性工作，尝试用现成的大模型能力重新实现一遍，记录成本和效果。这个习惯坚持下来，比读一百篇策略报告更接近AI的真实脉搏。真开始这么做，你大概就会理解，硬件转向应用背后那条真正的主线从来不是某个代码或者热点，而是效率又变便宜了。光这一点，就足够让很多想法长成现实。