从 AI 的演进趋势，到产业链上的商战风云。

新眸原创 · 作者 | 简瑜

今年，链博会现场，阿里云创始人王坚与英伟达创始人兼 CEO 黄仁勋进行了一场持续近半小时的对话。

议题从 AI 的下一阶段形态、模型开源路径、生物工程边界拓展，延伸至 AI 与人类关系的底层逻辑。两位掌舵者虽未直接谈及产品或商业对抗，却不约而同地指向了 AI 技术未来的几个关键议题。

站在这场对话的交汇点，外界可以窥见一个信号：当生成式 AI 的热潮逐步冷却，行业的讨论正从参数、数据和算力，转向与现实世界的接触面——一个更具 " 物理属性 " 的 AI 阶段，正在显现。

从本次对话出发，本文将尝试拆解以下几个问题：

l 当 AI 迈入 " 物理智能 " 时代，硬件厂商、云厂商乃至大模型公司各自的机会与挑战将如何重构？

l 围绕开源、生物工程、人与 AI 的关系等关键命题，这场对谈背后透露出怎样的长期判断？

l 从英伟达与阿里云的表态中，可以读出他们下一阶段战略布局的哪些信号？

从认知 AI 迈向物理 AI

下一场 AI 变革的想象边界在哪？

在这次对话中，黄仁勋抛出了一项颇具前瞻性的判断：继认知智能和生成式 AI 之后，下一波浪潮将迈入 " 物理 AI" 时代。

所谓物理 AI，指的是 AI 从数字世界走向物理世界，具备感知、推理、决策、再到执行动作的完整能力链条。从这个维度来看，人形机器人、自动驾驶等热门方向，皆可归于物理 AI 的范畴。

和以 " 指令 - 推理 " 为核心的生成式 AI 不同，物理 AI 更强调与现实场景的交互能力。这意味着 AI 系统必须能在不确定的物理环境中，自主理解外界信息并做出连续反应，其对多模态感知、Agent 系统以及实时响应能力的要求，将远高于当下。

从训练范式上看，这也标志着大模型训练逻辑的转变。

过去模型依赖大数据进行预训练，而进入物理 AI 阶段后，" 后训练 " 和微调将变得至关重要。以强化学习为代表的机制，不再只是一个 " 优化补丁 "，而是确保 AI 行为与人类意图对齐的关键过程。而这背后，对算力的消耗也将进入下一个数量级。

众所周知，英伟达之所以能够在认知智能到生成式 AI 的跃迁期占据上风，离不开其早期在通用 GPU 计算和 CUDA 生态上的持续投入。但如果说 CUDA 为 AI 带来了 " 思考 " 的肌肉，物理 AI 则意味着 AI 开始 " 动起来 "，这将进一步牵动整个上游产业链的价值重构。

例如，具备多模态输入能力的传感器厂商（如 Sony、ADI）与为机器人提供行动部件的精密减速器制造商（如 Harmonic Drive、Nabtesco），将从 " 边缘配角 " 走向系统核心。

AI 的 " 六感 " 与 " 四肢 "，都将从这些硬件基础中生长出来。

除此之外，云计算的架构也将面临新一轮的调整。算力需求的指数级增长，将推动 IaaS 层逐渐标准化为 " 水电煤 " 式的底层基础设施，而原本复杂的 SaaS 层则会被成为更轻量的接口形态。真正的差异化，或许将回到业务逻辑和产品体验本身。

与此同时，大模型的发展也正在逼近 "Scaling Law" 的临界点。过去行业普遍遵循的堆参数、提能力范式正在逐步失效。

换句话说，模型能力的评估标准将从单一的参数规模，转向对综合表现的全方位考察：是否具备处理超长文本的能力？能否在复杂语境中进行多步推理？是否可以适配不同场景并实现物理层面的交互？这些，才是下一阶段竞争的核心变量。

这背后带来的影响远不止技术层面。对大模型企业而言，组织结构或将被重新定义。传统以工程效率为导向的分工方式，难以支撑跨模态、跨场景的快速迭代。未来的团队，可能要从流水线式的写代码，走向产品导向的系统协作。

一个很容易被大家忽略的事实是，未来 AI 的核心应用场景，可能会围绕制造业展开。

不只是 AI 控制生产线，更是 AI 直接嵌入到产品形态中。可以预见的是，从 AI 手机、AI 电脑到 AI 眼镜，未来将出现一批原生搭载物理 AI 的设备品类，它们可能重塑人们与智能设备的交互方式。

三个关键命题：

" 开源 "、" 生物工程 "、"AI 与人 "

在这次对话中，黄仁勋与王坚不约而同提到了 " 开源 " 在 AI 发展中的重要性。

" 源 " 指源代码和实现细节，过去，开源与闭源更多是技术路线之争；但当我们回到 " 物理 AI" 的语境下，它已逐渐演变为一种商业战略和生态选择。

随着 AI 系统需要适应更多元的现实场景，对定制化能力和可控边界的要求不断提升。开源模型因其更高的灵活性与透明度，正在成为 AI 走向 " 场景级 " 落地的关键基础。尤其是在产品需求快速变化的环境中，能够自主调校模型行为的企业，无疑会更有适应力。

与此同时，当 AI 大模型的应用边界不断扩展，相关的权责划分也愈加重要。

而在开源的场景中，开发者广泛参与、使用、测试的过程，本身也是对模型安全性、内容生成边界等问题的一次次实践倒逼，这种持续的共建和监督，有助于逐步厘清 AI 模型在实际应用中的权责归属。

英伟达对 " 开源 " 的推动，并非只体现在口头上。早在两个月前，其推出的 NVLink Fusion 技术，就首次向第三方 CPU 和加速器开放了 NVLink 生态系统，通过发布 IP 与硬件接口，鼓励外部硬件厂商与自家芯片实现互操作。

不过，问题也随之而来：当大模型纷纷走向开源，竞争的焦点将会是什么？

答案可能正是生态闭环的构建能力。正如众多苹果用户之所以选择苹果，是因为其强大的软硬件生态体系一样，未来的大模型厂商也必须在开源基础上构建一个涵盖模型、数据、应用和硬件的完整生态系统。

但这也意味着，体量更小、资源更少的 AI 初创公司，在面对巨头级平台时，可能会加速失去独立生存空间。

除了技术与生态，另一个在此次对话中被反复提及的关键词，是 " 生命工程 "。

今年早些时候，英伟达联合加拿大 Mila 研究所推出了 La-Proteina ——一个面向蛋白质结构的 AI 生成模型。这一动作背后的信号很明确：医药行业尽管门槛极高、节奏极慢，但一旦突破，其市场空间和社会价值是极为可观的。

对 " 人 " 本身的讨论，则贯穿于整个对话的末尾。黄仁勋描绘了一种未来的关系：AI 将像伴侣一样，从你出生陪伴到你老去。这种想象听起来浪漫，但并非遥不可及。我们与 AI 的关系，正在悄然从 " 工具 " 转向 " 共生 "。

事实上，在移动端，AI 已悄然嵌入我们每天的行为中。

根据 QuestMobile 2025 年 AI 应用报告，以小艺、小布、小 V 为代表的手机原生 AI 助手，在用户规模上已占据相当份额。尽管这些手机厂商的 AI 助手在人均使用频次上仍不高，但这反而说明了一件事—— AI 与手机的结合方式，还远未定型。

正如黄仁勋所言，AI 会成为你的 " 数字伙伴 "。而这个伙伴的形态、位置、能力边界，正是下一阶段所有 AI 企业和开发者真正需要回答的问题。

QuestMobile 2025 年 AI 应用报告

英伟达与阿里云的未来十年：

布局与突破在哪儿？

今年以来，英伟达一直在反复强调一个关键定位：这家公司正在从芯片制造商，转型为 AI 基础设施建设者。

英伟达也正在用行动落地它的 AI Infra 战略。一个典型的案例，就是它重仓投资的云计算公司 CoreWeave，其核心业务是为 AI 应用提供高性能 GPU 云服务。自 3 月 IPO 以来，CoreWeave 的市值已经翻了近两倍，如今已逼近 730 亿美元，其成长速度几乎和英伟达本身的热度同步。

但英伟达的布局并不止于 " 云 "。正如我们前文提到的 " 物理 AI" 概念，在算力层面也衍生出了新的技术范式——边缘计算平台。

边缘计算中的 " 边缘 "，相对于 " 云 " 而言，意味着将计算资源部署在更接近数据源的位置——在终端、在设备本地，而不是远在云端。

虽然听起来像是一种 " 非主流 " 方案，但它所瞄准的，是物理 AI 时代最核心的一批场景：自动驾驶、机器人、无人机、工业终端。这些领域对延迟、实时性有着极高要求，显然，传统云架构无法胜任。

相比之下，阿里云所面临的局势就复杂得多。

当上游硬件厂商不断向下游 " 伸手 "，既做基础设施又卖云服务，对于以 IaaS 起家的阿里云来说，显然是个压力不小的信号。于是我们看到，阿里云的战略也在 " 向下游走 "。

一个典型的内部战略方向是 "IaaS + PaaS 一体化 " 模式。相较于传统 IaaS 只提供裸资源的方式，阿里云更希望客户使用它的 " 中间层能力 " ——数据库、大数据平台、Serverless、容器化、DevOps 工具等，换句话说，是把云从资源卖家变成产品提供者，从而向生态型平台进化。

这就呼应了我们在前文中对 " 开源 " 的讨论：不论是英伟达，还是阿里云，它们都在试图摆脱单一卖方角色，向系统级、平台级生态靠拢。

开源只是手段，本质是抢夺下游场景的控制权。

在 AI 时代，硬件、算力、模型、数据、场景之间的边界正在变得模糊，谁能更早占住 " 算力 + 平台 " 的支点，谁就拥有重构下游规则的资格。这场战役，也许早已在这场炉边对话之外，悄然打响。

— END —

更多内容，点击下方关注