WAIC观察：AI狂热下的七重冷思考

一、盛宴即顶点：当共识过于整齐，风险已在堆积

WAIC现场热闹非凡，但喧嚣背后藏着典型的顶部信号：Side Event全面币圈化，高颜值展台成为标配，产品同质化严重到难以分辨厂商。这标志着一个关键转折——AI已从极客驱动的技术探索，滑向大众参与的叙事狂欢。一级与二级市场一旦形成高度一致的信仰，多头便不再是盟友，而是未来踩踏中的潜在卖方。共识越强，反转时的杀伤力越大，“多杀多”不是预言，而是规律。

二、大模型没有护城河：Scaling Law仍是唯一地基

当前AGI进展的核心支撑，仍是朴素却顽固的Scaling Law：模型能力与参数规模、训练算力、数据质量呈幂律关系。谁能更低成本获取GPU、更高效组织算力、更持续投入高质量数据清洗与标注，谁就能暂时领先。但这种优势注定不可持续——模型能力正快速收敛，技术壁垒被不断抹平，服务价格持续下探。真正稳定盈利的，是军备竞赛上游的“卖水者”：GPU厂商、HBM供应商、高速互联芯片商、数据中心运营商、电力服务商、数据标注平台……甚至只是连接资源的中间商。他们不赌终局，只赚过程。

三、数据瓶颈：AI时代最稀缺的持续性资产

展会之外，一批低调但盈利扎实的公司正悄然崛起，核心聚焦在数据。统一多模态表征的成败，本质取决于高质量、跨模态对齐、可迭代演进的训练数据。而这类数据严重短缺：清洗不彻底、标注不准确、对齐不一致、更新不及时。模型会越来越便宜，GPU会越来越普及，唯独优质数据愈发稀缺且昂贵。数据已从一次性成本，变为长期资本开支。我们将其划为三类增量方向：一是专家数据（Expert Data），如医学、法律、工程等垂类高信噪比语料；二是RL环境与Agent训练数据，不再满足于问答对，而是构建Environment→Task→Trajectory→Reward→Verifier闭环；三是具身/机器人数据，采集难度极高、成本极大、真实性极强，目前几乎空白。

四、AI应用困局：别做模型的Feature，要做它的客户

当下AI应用层的普遍误区，是把模型“暂时不会”的能力包装成产品。但模型边界每天都在外扩——搜索、编程、图像生成、视频合成、计算机操作、自主Agent……每一次升级，都在吞噬应用层的价值空间。若产品价值随模型迭代而持续稀释，那它本质上只是模型的一个Feature，而非独立Application。真正的护城河在于：成为模型不可或缺的客户。这包括——独家数据资产、深度业务Context、不可替代的工作流（Workflow）、真实场景的权限接口（Permission）、以及垂直领域的分发渠道（Distribution）。不与模型竞争能力，而为其提供不可替代的输入与落地通路。

五、具身智能：一场用软件逻辑给硬件系统定价的泡沫

H4馆内，数十家机器人公司展出外观相似、动作迟缓、功能雷同的产品，估值却动辄数亿美金。问题根源在于错配：资本正用“大模型式”的Scaling思维，去评估一个软硬耦合、物理约束极强的复杂系统。GPT-5可零边际成本服务全球用户；而每新增一个机器人用户，就要多造一台机器——涉及BOM清单、精密制造、全球供应链、实地交付、周期维护与资产折旧。AI智能可指数跃迁，物理世界成本却遵循制造业线性规律。具身智能终将成庞大产业，但大概率不是高毛利赛道。再看自动驾驶——目标清晰、规则明确、数据海量、工业基础成熟，尚烧掉数千亿美元未解长尾。具身所面对的真实复杂度，是其N倍。现在谈商业化，为时过早。

六、皮条客的黄金时代：信息差即利润，模糊即机会

多数AI创业公司尚未盈利，甚至不如个体知识工作者变现高效。于是出现一种奇特生态：表面是技术公司，聊深了却是Token发行方、算力转售商、老股撮合人、B300倒手商、数据集分销商，甚至售卖“与某CEO共进午餐”的稀缺权益。AI恰好满足中间商繁荣的全部条件：技术迭代快、信息不对称深、资本极度充裕、故事足够宏大。VC赌终局，FA赌共识——后者无需验证趋势是否成立，只需判断市场何时相信它。越是宏大模糊的叙事（如世界模型、通用具身代理），越利于FA运作。大厂烧钱训练模型，LP押注十年后的AGI，中间商则把当下的钱稳稳赚走：要么薅大厂的CAPEX，要么薅LP的FOMO。

七、钱，才是终极护城河

常有人问：AI时代最稀缺的资源是什么？人才？算力？数据？答案只有一个：钱。融资能力，已成为当前AI行业最真实的竞争优势。创业者不必等到现金流紧张才融资，而应持续构建资金冗余——账户里已有两年 runway，也要再融一轮。因为真正的战争不在高歌猛进时，而在行业下行周期。届时，谁还有现金，谁就能低价收购倒闭团队的人才、技术与客户。二级市场亦如此：未来2–3年或将经历剧烈泡沫出清，而那时手握现金者，将拥有碾压级胜率。生存，就是胜利；活下来，就赢了99%。