一家 AI 公司多久没有推出新产品，就可能出局？

投资人宋春雨给出的答案是：三个月。

在他看来，在今天，AI 模型能力、产品形态和技术路线几乎每个月都在升级，三个月就是一次大迭代……投资人必须围绕下一代基础模型演进的关键技术来投资布局。

最近，在联想创投 2026 CVC 创投周活动上，铅笔道与多家媒体一起，与联想集团副总裁、联想创投首席投资官、高级合伙人宋春雨交流。

今年，智谱 AI 在港股上市，一度突破万亿元市值。宋春雨谈到，联想创投在智谱 AI 最困难的时候选择押注。

"DeepSeek 的模型能力几乎压过了中国其他模型，那段时间也是唐杰的至暗时刻。智谱面临融资困难，而我们判断，基础模型公司一旦进入牌桌，竞争就会长期处于你追我赶的状态。一家公司可能暂时领先，也可能很快被另一家公司超过。智谱的人才密度，有持续追赶和迭代的能力…… "

联想创投还非常关注 AI 多模态领域的应用项目创业，字节跳动、米哈游等公司的产品、研发部门负责人出来，就会被盯上。联想创投在这个赛道也有诸多布局，代表性企业演语科技 ARR 有望达到 6 亿至 7 亿美元。

以下是宋春雨访谈内容精华，由铅笔道编辑。

为什么能投中智谱？

这一轮 AI 产业革命，是一个典型由非共识驱动的过程。很多时候，正确的投资决定可能与过去的经验和直觉相反。

智谱就是一个典型案例。

在 AI 1.0 阶段，我们投资旷视科技、第四范式等公司，取得了比较成功的结果。这些成功经验，也让我们形成了一套判断早期 AI 企业的方法。

但 ChatGPT 出现之后，中国基础模型公司的团队画像，与我们过去成功投资的 AI 企业很不一样。

这导致我们错过了 Kimi 和智谱的早期阶段。

阶跃星辰是一个例外。因为我们与印奇有长期信任关系，所以项目一出来，我们很快就进行了投资。

我们很早也注意到了 DeepSeek，大概在 V2 阶段，就认为这个团队非常好。

因为我们投资了 Mistral AI，DeepSeek 团队还曾希望通过我们与 Mistral 交流。Mistral 是全球较早采用开源 MoE 路线的公司，对 DeepSeek 团队也有一定启发。

当时，中国一下子出现了多家基础模型公司，包括智谱、Kimi、百川智能、零一万物等。

我们把这些项目都看了一遍，但最初一家也没有投。

很多财务型投资机构可能会选择把六家公司全部投一遍，但我们不是扫射型投资机构，出手还是非常谨慎的。当时我们最认可的是 DeepSeek，但梁文锋不融资。

2023 年年初到年底，很多基础模型公司连续完成五六轮融资。我们开始复盘：AI 1.0 阶段，我们的投资很成功；到了 AI 2.0 阶段，我们是不是过于严格了？

后来，我们决定必须在中国的基础模型选手中，选择一家最有潜力的公司。

1 月 8 日，智谱登陆港交所 图源：智谱官方公众号

当时智谱估值已经接近 200 亿元，DeepSeek 又迅速崛起。那段时间也是唐杰的至暗时刻，智谱遇到融资难题。

但我们没有根据直觉马上放弃，而是重新进行深度研究。团队对智谱进行了大量访谈，我本人也与唐杰聊了四五次。最后一次开投资会时，我还在与他通电话讨论。

最终决定投资智谱，主要有几个原因。

第一，我们判断，基础模型公司一旦进入牌桌，竞争就会长期处于你追我赶的状态。

一家公司可能暂时领先，也可能很快被另一家公司超过。DeepSeek 本身也是后来追上来的，此前它的能力并不一定超过智谱、Kimi 和美国模型公司。

因此，某一时点的模型排名，不应该成为判断一家基础模型公司长期价值的唯一依据。

第二，我们认可智谱的人才密度。

唐杰和清华体系聚集了一批数学、物理和计算机能力非常强的研究人员。我们认为，这支团队有持续追赶和迭代的能力。

第三，当时其他基础模型公司大多选择 To C，只有智谱重点做 To B。

我们判断，大模型进入千行百业之后，一定会形成 To B 市场。智谱在产业化和企业服务方面具有差异化优势。

第四，我们进行了大量访谈，发现清华已经非常明确地支持智谱，很多资源正在向智谱集中。

虽然智谱当时的模型能力落后于 DeepSeek，但我们愿意下注唐杰和团队持续追赶的能力。

三个月没产品基本出局

AI 行业的竞争，已经开始以一个月、三个月计算，和过去非常不一样。

我们与海内外同行交流时，发现大家都非常重视未来一个月到三个月的变化。因为很多人相信，一个月或者三个月内，就可能出现革命性的技术突破。

行业里有一种说法：如果一家公司一个月没有推出有影响力的产品，它可能已经落后；如果三个月没有做出重要进展，基本就可能出局。

前一段时间，很多人认为 Claude Code 在 AI Coding 方面的能力非常强，增长速度也非常快。但很快，OpenAI 的 Codex 又可能超过它。Kimi 通过三万亿参数的大模型，也重新回到了 SOTA 开源基础模型的牌桌上。

模型能力和竞争格局的迭代速度非常快。对这个行业来说，三个月已经是一次非常大的迭代。

盯着头部科技公司业务 " 一号位 "

在应用层，我们把机会分为数字世界和物理世界。

数字世界的核心是智能体，有两个领域最有可能出现平台级应用。

第一类是软件，包括 AI Coding。未来，大量软件开发、设计和操作流程都会被 AI 改变。

第二类是内容，尤其是多模态。人们刷抖音、看 Instagram、看电影和短视频，未来这些内容中会有越来越高的比例由 AI 和智能体生成。

我们在这个方向投资了不少项目。

在多模态领域，我们投资了演语科技。按照目前的发展情况，它的 ARR 接近 4 亿美元，预计到今年年底，ARR 可能接近 6 亿至 7 亿美元，公司估值接近 30 亿美元。

演语科技旗下 AI 创作平台 LiblibAI

半图科技由米哈游 AI 研发负责人创立，可以生成并实时运行可训练的超写实数字人。这些数字人不仅可以对话，还能根据指令唱歌、跳舞和实时互动。

阶跃星辰则在探索多模态基础模型与终端设备的结合。

我们希望在 AI 应用领域找到具有平台属性的机会，投出下一个小红书或者字节跳动这样的现象级公司。

我们对 AI 应用创业者的要求也在提高。现在，我们投资的很多团队，都是字节跳动、剪映、米哈游等公司的产品或研发负责人。只有人才密度和产品能力达到很高水平的团队，我们才会下注。

在物理世界，我们重点看两个方向。

一个是自动驾驶。过去，自动驾驶仍然没有真正解决泛化问题。大模型出现之后，把新的模型能力应用到自动驾驶领域，一些过去十年没有解决的问题，可能在半年内就将取得突破，并且向产业渗透。

另一个是机器人。我们对机器人的投资是全栈式的，从核心部件、基础模型训练，一直到垂直行业落地，都在进行布局。

三大优先投资方向

现阶段，第一个优先方向，是围绕下一代基础模型演进的关键技术进行布局。

前一阶段主要是语言大模型。接下来，我们会重点关注多模态基础模型、具身智能基础模型和 AI for Science。

现在中国很多具身智能公司，仍然是在单一场景中做 Fine-tuning，不具备真正的泛化能力。我们希望寻找能够实现泛化的具身智能基础模型，这也是我们投资 AMI 的重要原因之一。

第二个优先方向是推理算力。

预训练 Scaling 之后，推理计算和 Agentic 强化学习都将进入 Scaling 阶段，需要大量针对推理优化的专用芯片和基础设施。

我们投资算苗科技、无问芯穹等公司，本质上都是在解决推理计算成本和效率问题。

第三个优先方向是 AI 应用。

我们的布局重点会从 AI Coding 逐渐迁移到 AI 多模态。同时，我们也关注基础模型如何进入垂直行业。

无论是 Palantir 的 FDE 模式（前沿部署工程师），还是 NeoCloud 模式（新型云平台），核心问题都是如何把基础模型与企业业务结合，构建千行百业的 Token 经济。

硬科技投资五大分歧

下一代 AI 技术路线还远没有形成全面共识。

这反而是好事。所有人都形成共识之后，资产价格就会被抬高，投资机构也很难获得超额回报。

这一轮 AI 革命，不是简单依靠商业模式创新，而是要等待科研和技术原点真正取得突破。

其中一个重要分歧是：基础模型还能不能继续 Scaling？

有人认为模型规模已经接近上限，但我是比较坚定的 Scaling 派。

预训练、推理计算和 Agentic 强化学习之后，我认为还会出现更大规模的 Scaling。比如 AI for Science 是否需要更大的模型，现在没有人知道，必须由前沿实验室继续探索。

这也是我们持续投资算力、更大模型和更优算法的原因。

第二个分歧是能源问题。

AI 对算力和能源的消耗非常大。第四次工业革命能否持续，很大程度上取决于能源供给。

所以我们也开始布局更底层的能源技术，包括可控核聚变，投资了诺瓦聚变。可控核聚变等新技术，某种程度上也是为了支撑这一轮 AI 革命而出现的。

第三个分歧是 Token 经济的商业模式。

Token 经济究竟是什么样的经济，目前还没有完全清晰。

一种模式是 NeoCloud，由云计算平台提供算力和模型服务。

第二种模式是 Model as a Service，把模型与算力打包，通过出售模型服务计算 Token 收入。

第三种模式更加颠覆，不按照消耗了多少算力收费，而是按照最终效果和交付成果收费。比如直接交付代码，客户按照代码创造的价值付费。

第四个分歧是开源和闭源。

我认为，开源模型会受到大型企业客户欢迎，特别是拥有私有数据的企业。它们不愿意把自己的数据、流程和 Know-how 交给闭源模型，因此会有很强的私有化部署需求。

非常有意思的是，现在全球三个开源基础模型的领先企业，DeepSeek、Kimi 和智谱，都是中国创业公司，而不是大厂。

第五个分歧，是基础模型和应用之间的关系。

我们内部经常讨论一个问题：基础模型会不会 " 吃掉一切 "？基础模型会吞掉多少应用？应用公司的机会究竟在哪里？

算力紧缺会持续

目前 AI 商业模式需要消耗巨大的算力和能源，有点像 " 吞金兽 "。

大公司增加 AI 资本开支时，资本市场有时会担心投入过大，甚至在财报公布后出现股价下跌。

我认为，这种现象是短期存在的。

这也是我们为什么加大投资新型算力架构。行业必须大幅降低 Token 成本和计算成本，只依靠 GPU 是不够的。

当前基础模型企业对算力仍然处于供不应求的状态，基本上是 " 有多少卡收多少卡 "。

一方面，它们需要训练更大的模型；另一方面，还要探索 AI Coding 之外的多模态、机器人、AI for Science 和世界模型。

这些前沿方向都需要大量算力。

我个人判断，未来一到两年，算力供应短缺和高资本开支仍会持续。

全行业都在等待一个临界点，也就是 AI 的经济模型真正转正。过去半年已经出现了一个比较重要的苗头，就是 AI Coding。

AI Coding 能够比较直接地证明 AI 进入企业之后的商业价值，因此也会推动新一轮算力军备竞赛。

AI 推理带来的三重机会

推理是用户每一次使用模型时都会发生的成本，因此，推理商业模式对成本和性价比极其敏感，而现在的推理成本仍然很高。

这会推动整个推理架构进行全栈优化。

在芯片层，需要出现为推理专门优化的处理器。

在 Infra 层，需要根据不同基础模型和不同芯片进行深度优化。无论使用英伟达，还是摩尔线程、沐曦等芯片，都需要把模型性能和吞吐量优化到更高水平。

在 NeoCloud 层，企业通过运营整套系统，为客户提供更低的推理成本和更好的推理性能。

因此，推理产业会形成芯片、Infra 和 NeoCloud 等不同层次的垂直分工。

中国能够直接竞争 NeoCloud 的企业可能相对有限，但在推理芯片、新型计算架构和模型基础设施方面，仍然有很大机会。

例如算苗科技利用 3D 堆叠降低计算成本；无问芯穹这样的企业，则可以在模型和算力之间进行深度优化。

所以，AI Infra 领域仍然存在比较明确的创业机会。

50% 的 AI 应用可能被基础模型消灭

在过去半年，基础模型已经把一些通用能力直接内化了，包括通用 Harness、通用 Deep Research 和部分通用 AI Coding 能力。

因此，创业公司必须与可能被基础模型吞掉的领域划清界限。

Cursor 曾经长时间引领 AI Coding，但后来也受到 Claude Code 和 OpenAI Codex 的直接竞争。

对于投资机构来说，即使一家应用公司最终被几十亿美元收购，也可能带来不错的回报。但从长期独立发展的角度看，通用型基础应用正在被基础模型吞吃。

简单一点说，我认为大约 50% 的 AI 应用可能会被基础模型吃掉。

什么样的应用更有机会长期存在？我们主要看三个要素。

第一，任务足够长程和复杂。

第二，能够进入企业的核心业务工作流。

第三，拥有闭源、原生的数据，也就是 Agentic Data。

Agentic Data 是 AI 在企业内部运行过程中产生的数据，在公共互联网中找不到，也很难被通用基础模型训练进去。

通用 AI Coding 应用很难长期守住。通用 Deep Research 团队也比较难守住，因为它们处理的数据主要来自互联网，基础模型很快就可以获得相似能力。

一些法律 AI 公司也面临同样的问题。如果核心能力主要来自公开法律数据，基础模型可能逐渐覆盖它们的能力。

复杂长程任务则不同。

例如 AI 短剧涉及导演、镜头、节奏、审美和大量连续决策。不同导演有不同的风格和品位，不可能通过一个通用基础模型完全解决。这类任务更难被基础模型直接吞掉。

另一类机会，是把开源基础模型带进企业工作流。

Palantir、Airbnb 等企业不愿意把内部 Know-how、工作流、数据和 Skills 交给 Anthropic 或者 OpenAI 的闭源模型训练，因此更愿意使用开源模型和私有化部署方案。

这也是中国开源模型的重要机会。

具身智能的 "ChatGPT 时刻 "

具身智能真正的分水岭是泛化。

市场上 90% 以上的具身智能公司，仍然采用深度学习 1.0 时代的逻辑。

企业可以组织数据科学家，针对一个场景做 Fine-tuning 和单独训练，在这个场景中表现得非常好。但是换一个场景，就要重新投入一批人进行训练。

这种模式不能 Scaling，也不具备真正的泛化能力。

例如机器人在一个房间里可以非常流畅地叠被子，但换一个房间、换一张床，或者房间形状发生变化，它就可能不会做了。

语言模型进入 2.0 时代后，Transformer 的重要价值在于泛化。模型不需要针对每一个新任务重新训练，拿到新场景中就可以直接使用。

目前大多数具身智能模型还没有达到这个阶段。

它们可以解决一个房间、一个工位或者一个工厂场景的问题，但换一个场景就要重新投入人员和数据，成本非常高。

AI 1.0 和 AI 2.0 的本质区别，就是有没有泛化性。

谁能够率先证明具身智能基础模型具备泛化能力，迎来具身智能的 "ChatGPT 时刻 "，谁就可能成为物理世界中最重要的公司之一。

我判断，具身智能的泛化能力可能在未来 6 到 10 个月出现比较重要的进展，因为现在已经看到一些苗头。