9月2-3日我们组织2026年秋季策略会。我们认为，AI产业仍处于发展早期，若将本轮AI工业革命比作一场棒球比赛，当前或大致处于"九局中的第二局"，但产业关注点正从前期的算力投入逐步转向"如何变现"。本次分论坛串联数据中心、自动驾驶与具身智能等重要环节，邀请西京投资主席兼CIO刘央分享AI时代的投资逻辑，驭势科技CEO吴甘沙探讨自动驾驶商业化，破壳机器人联合创始人杨如达介绍具身智能产业进展，最后由Venture Hub高级合伙人黄敏聪分享东南亚数据中心的投资与运营模式，从基础设施端探讨AI算力的价值变现。

1）Token定价或主导未来AI投资框架。本次大会刘央围绕其新书《硅基—算力时代的耶路撒冷》，分享AI时代投资框架的变化。随着算力和数据成为企业的核心资产，传统PE、DCF估值方法的适用性有所下降，投资框架正从利润与现金流转向算力与Token。刘央认为，AI正走向应用落地与商业变现，投资机会也将从模型能力与算力规模，转向产业地位、流量入口等关键变现能力。应用端关注已有需求和业绩支撑的公司，基础设施端关注能源、数据中心等稀缺资源，硬件端则关注国产替代、半导体设备和先进封装等确定性较高的方向。与此同时，AIDC投资仍需关注电力、硬件迭代及融资杠杆等风险，避免简单以规划规模判断项目价值。

2）数据中心ROI为行业关注焦点。刘央与黄敏聪均从不同角度探讨AIDC的投资回报。刘央从投资框架出发，提出AI投资应由传统财务指标延伸至Token价值创造；黄敏聪则结合具体项目，从资产、算力、运营、应用四个环节梳理AI基础设施的投资与变现路径。我们认为，数据中心项目非标准化程度较高，ROI需综合考虑电力成本、建设运营效率、客户消纳、融资结构及退出安排；GPU融资还需关注租约期限、硬件折旧与残值。随着AIDC投资规模扩大，项目筛选与回报测算的重要性进一步提升。

3）物理AI是值得关注的重要方向。过去市场对自动驾驶的关注更多集中于Robotaxi等开放道路场景，而驭势科技则从机场、工厂等封闭场景切入，率先实现规模化无人运营；再依托通用自动驾驶底座向更多车型和场景复制。破壳机器人也打破机器人应用主要集中于工业场景的传统认知，聚焦家庭生活场景，探索具身智能从工业走向家庭的可能性。公司以WAM世界动作模型探索复杂家庭环境下的通用操作能力。我们认为，随着技术逐步成熟，物理AI正走向多场景落地，商业化路径有望进一步拓宽。

风险提示：行业与技术进展不确定性、政策与宏观环境波动、早期项目经营及融资风险。本报告所涉未上市或未覆盖公司，仅基于公开信息整理，不构成推荐或覆盖意见。

站在"棒球九局"的第二局，看AI五层蛋糕变现

回顾历次工业革命，当前以大模型与算力驱动的AI浪潮与前三次工业革命有着相似的演进规律。第一次工业革命解决了动力来源，第二次依托电力实现生产规模化与标准化，第三次奠定了半导体、计算机与互联网的关键地位。而本轮AI浪潮则将电力、生产标准化、海量数据、算力和网络深度融合，构筑起"AI工厂"这一新型产业载体，并持续转化为智能生产单元Tokens，最终推动AI实现商业变现。针对资本市场普遍担忧的投资回报率问题，我们认为技术创新从萌芽到真正释放生产力，必然要经历长期的基础设施建设与商业模式演进，绝非一蹴而就。当前AI工业革命仍处早期阶段，其演进逻辑与英伟达CEO黄仁勋2026年3月发文详述的五层蛋糕理论高度契合，即能源、芯片、基础设施、模型与应用层共同构成完整的AI工厂生产体系，而最顶层的应用层正是AI工厂输出Tokens、助力实现商业价值兑现的最终环节。

若将本轮AI工业革命比作一场棒球比赛，我们认为当前或大致处于第二局阶段。2023至2025年可视为第一局，特征为围绕大模型训练展开，资本开支高度集中于GPU与HBM。进入2026年，随着推理开始实现商业变现，低时延智能体加速迈入企业生产环节，AI工业革命的第二局正式开局。在这一阶段，硬件需求已不再由GPU和HBM单一主导，整体芯片架构正向异构计算演进，科技巨头推动自研ASIC落地，CPU重获重要席位，低时延推理芯片如Groq LPU等也参与重塑算力格局。与此同时，存储体系也从以HBM为主导，逐步扩展至涵盖DRAM、NAND、HDD及片上SRAM的多层级融合架构。

在五层蛋糕的第二层，Agentic AI时代正加速推动算力架构向异构计算和多层级存储演进。第一局中GPU凭借卓越的并行计算能力在训练领域一枝独秀，但步入推理主导的第二局，工作负载呈现高度多样化与低时延需求，涵盖实时推理、智能体规划、工具调用及长期记忆管理等任务，单一GPU架构已无法全面覆盖。英伟达正布局全栈计算平台，Vera CPU承担通用计算与智能体调度枢纽，Rubin GPU继续攻坚高吞吐量任务，加上NVLink 6与ConnectX-9等互连技术提升协同效率，同时吸收Groq推出LPU以加速从训练向实时推理的演进。谷歌同样依托TPU、Axion ARM CPU、低时延芯片及OCS互连打造全栈AI计算矩阵。存储方面，多层级架构同步兴起，片上SRAM主导低时延任务，HBM持续提供高带宽支撑，DRAM与CPU深度协同，CXL内存实现资源池化扩展，大容量SSD与HDD则共同承载数据湖底座需求。英伟达最新平台在Rubin GPU搭载HBM4之外，更在Vera CPU中采用基于LPDDR5X的SOCAMM模块，充分印证了存储体系异构化的演进趋势。

在"五层蛋糕"的第五层，推理需求持续增长，推动AI工厂将算力转化为Token产出，并进一步实现商业变现，充分体现了英伟达CEO黄仁勋在Computex提出的"Compute is Revenue"理念。回顾第一局的训练阶段，科技巨头遵从Scaling Law规律扩大资本开支投入，而步入以推理为主的第二局，伴随智能体逐步渗入企业生产流程，AI正式从资本消耗期转向价值创造期，代码生成、企业办公、智能客服与软件开发等场景加速落地变现，付费机制向基于Token消耗量、API调用频次及Agent服务能力的持续订阅模式演进。数据中心也摆脱了传统成本中心定位，正加速向营收中心跃迁。在此商业模式下，Tokens是实质变现单元，决定AI工厂创收能力的关键指标包括单位功耗的Token产出量、首个Token生成时间、平均无中断时间以及设备使用寿命。这四个维度分别衡量了能效水平、系统响应体验、基础设施稳定性以及算力资产的长期回报，是判断AI工厂投资回报率的重点。

资本开支的持续性与现金流压力始终是市场关注的焦点，但我们认为Meta将部分算力对外出租属于"腾笼换鸟"式的资产优化，而非算力过剩或削减开支的信号。市场有观点认为，Meta或将旧款H系列释放至推理端或外部租赁，同时将Blackwell与Rubin等新一代芯片集中用于前沿模型训练，或旨在最大化资产利用率并增厚经营现金流。过去三年AI资本开支主要依托谷歌、亚马逊、Meta、微软、Oracle等科技巨头的自有资金与经营性现金流，但随着基建规模加速扩张，传统融资渠道正接近承载力边界，算力的融资范式已发生深刻变革，以战略融资为主的表外融资模式正逐步兴起。谷歌与Blackstone组建250亿美元融资平台、博通为NeoCloud与Anthropic提供信用背书、英伟达拟为OpenAI提供高达2500亿美元项目融资担保，以及英伟达与AMD以算力兜底模式扶持新兴算力平台，均表明资本市场应突破单纯跟踪巨头资本开支的传统分析框架，将视野向新兴基建服务商与信贷市场拓展。我们认为，未来的跟踪重点应转向项目融资可及性、长期服务协议质量、信用增级机制以及REITs与私募信贷等创新工具的赋能效应，伴随表外融资持续催化硬件采购与数据中心扩张，最终有望构筑起"算力—融资—应用—收入—利润"的闭环正向循环。

在产业链投资机会方面，晶圆代工与先进封装直接受惠于AI产业发展，先进制程与先进封装的良率和产能瓶颈对AI芯片供给构成直接约束，行业存在从台积电外溢的需求，英特尔18A节点与EMIB-T封装技术正逐步提升成熟度，三星晶圆代工业务近期亦取得重要突破，陆续在Anthropic自研芯片、特斯拉AI5、英伟达LPU及谷歌TPU等项目中取得进展。尽管英特尔和三星在先进制程和先进封装领域的技术积淀和客户拓展上正在提升，但未来能否实现市占率的跃升，仍取决于良率改善、产能爬坡、政策落地、地缘政治博弈、以及生态体系完善等多重变量。随着Agentic AI时代工作负载趋向推理，CPU在第二局中重新获得重要席位，成为GPU的最强辅助，x86凭借单核性能在处理庞杂控制指令时具备优势，ARM则凭借低功耗与多核并发能力应对推理负载，两者在Agentic AI新战场各显其能，CPU的复兴也直接拉动传统DRAM需求。存储方面，HBM依然为中长期重点，DRAM负责与CPU深度协同承载工作内存，大容量NAND肩负模型权重调用使命，HDD充当海量存储基石，片上SRAM负责低时延推理，多层级存储均已成为刚需。当前海外DRAM与NAND市场由SK海力士、美光、三星等形成寡头格局，但伴随长鑫存储登陆资本市场释放产能，以及长江存储技术迭代蓄势待发，全球存储市场份额版图或将迎来重塑。

总结而言，随着AI工业革命迈入以推理为主导的第二局，Tokens已成为重要的变现单元。从AI五层蛋糕的框架来看，AI工厂的价值创造路径日益清晰。我们也认为，若要在本局中击出"全垒打"，资本市场的投资逻辑应摆脱单纯博弈GPU及其供应链，全面拥抱异构计算架构、多层级存储协同，并将投研视野拓宽至由表外战略融资驱动的新兴算力生态。

AI时代的AIDC：从GW级AI工厂到Token定价框架

AI数据中心正经历从传统机房到吉瓦级Token发电厂的转变。英伟达将AI数据中心重新定义为AI工厂，以电力与数据为原料、以Token为产品，产能度量单位从机柜数演进为吉瓦级别，交付方式也从单一芯片升级为全栈AI工厂平台的整厂输出。西京投资主席兼CIO刘央指出，2026年以来，这一趋势加速落地：xAI Colossus 2已迈入GW级训练集群，延续了此前Colossus 1（10万块H100）仅用122天的快速建设能力；OpenAI与英伟达计划合作部署至少10GW算力集群；英伟达与LG于2026年6月达成面向物理AI与机器人的合作，推动AI工厂由大模型训练进一步延伸至实体产业；供电侧，800VDC或将成为下一代高密度AI工厂的标准架构，通过减少电力转换环节、铜材使用和电气设备占地，提高GW级集群的供电效率。刘央在本次活动中表示，AI工厂本质上是一类可反复升级的算力不动产；其指出，1GW负荷已接近一座中型城市用电规模，模块化与工厂预制将传统18-24个月的交付周期压缩至约6–9个月，而厂房和电网设计寿命约20年、GPU迭代周期仅2-3年，意味着土地和电力可以长期复用，但每一代芯片更新都会重新拉动资本开支。

AI数据中心的发展受需求、经济与战略三重驱动。需求侧，推理正接棒训练，AI由模型单次训练转向高频日常使用，Agent与多模态进一步将Token消耗从人机交互延伸至机器自主执行。刘央认为，单位Token成本下降将扩展应用场景，并通过杰文斯效应进一步推升总Token需求。供给侧，GW级集群可摊薄电力、网络和散热成本，规模扩大有助于降低单位Token成本；战略层面，各国加快建设主权AI算力，科技巨头则通过长约锁定电力和算力资源，数据中心的战略基础设施属性持续提升。此外，刘央还指出，随着AI数据中心用电需求快速增长，PJM容量市场清算价格近年来大幅攀升，2026年7月公布的2028/29交付年拍卖已触及FERC批准的325美元/MW-day价格上限，反映电力供给正成为AI基础设施扩张的重要约束。刘央认为，AIDC建设是"算、存、光、电、装"等环节需求扩张的重要起点，但资本开支增长并不意味着所有商业模式都能同等受益，高杠杆算力租赁和产能批发模式仍需关注GPU迭代、融资成本和客户议价风险。

刘央强调，沿AIDC建设潮的需求传导链，算力、存储、光互联、电力与先进封装将受益，但投资逻辑出现分化。算力环节，英伟达的竞争优势建立在CUDA生态和开发者使用习惯之上，生态控制力和持续迭代能力与硬件性能同样重要。存储环节，AI持续推升带宽与容量需求，HBM已成为高端算力的重要配套，应更多关注新增产能和份额提升。光互联环节，大规模GPU集群持续提高高速互联需求，订单、客户验证、交付周期和产品结构通常领先利润表反映景气，但仍需关注美国FCC政策不确定性。电力环节，电力获取能力正越来越多地影响数据中心选址和建设进度，因此项目评估应关注实际可用电力，而非仅看规划容量。先进封装环节，随着晶体管微缩成本提高，其成为延续算力增长的重要路径；半导体设备、耗材与先进封装同时具备AI扩产和国产替代逻辑。整体而言，AIDC投资需要将研究节点前移，更关注订单、验证、产能、电价和交付周期等前置信号。

AI数据中心时代也对传统估值体系提出了新的要求。刘央认为，随着算力和数据成为企业的核心资产，传统PE、DCF估值方法的适用性有所下降，AI产业部分价值形成过程难以完全由现有财务指标体现：一是GPU和数据中心可资本化，但研发、人才、数据和生态建设大量计入当期费用，长期能力难以充分反映在利润表中；二是大额资本开支叠加快速变化的竞争格局，提高长期现金流预测难度；三是护城河随算法和技术路线变化，竞争优势与风险溢价更加动态；四是数据飞轮、开发者生态、核心人才和工作流绑定等长期竞争力难以通过传统资产负债表衡量。ARR、NRR等成长指标虽可补充收入维度，但对长期竞争优势的解释仍相对有限。

基于此，刘央在所著《硅基—算力时代的耶路撒冷》提出，新的定价锚点需要围绕Token展开。每种经济形态都有核心观察指标：能源经济看度电成本，广告经济看eCPM，AI经济则可从Token观察生产与消费。从这一视角，产业链可分为三层：算力制造商如英伟达、台积电决定Token供给的物理上限；Token制造商如OpenAI、Anthropic将算力转化为智能；Token集成商如Cursor、Genspark则将模型能力转化为用户愿意付费的产品。评估AI企业可重点关注三个维度：Token规模反映体量和议价能力；Token效率衡量单位算力或Token投入创造的有效价值；生态控制力体现开发者、客户及用户工作流黏性，以及企业持续参与价值分配的能力。三者形成相互强化的飞轮：规模扩大推动效率优化，效率提升增强生态黏性，生态扩大又反哺规模。

将三维框架应用于关键节点，可以进一步判断算力投入能否转化为商业价值。刘央认为，台积电等先进制程产能直接影响全球高端AI芯片供给，其价值除晶圆代工盈利能力外，也来自关键产业节点的稀缺性。相比之下，xAI虽拥有较大规模算力储备，Grok亦进入主流模型第一梯队，但其2025年32亿美元的营收尚不显著，且存在64亿美元的运营亏损，其估值持续性仍取决于X平台用户、数据和分发入口能否转化为稳定生态和商业化能力。算力投入本身不能替代商业化结果，若长期无法形成用户黏性、收入增长和可持续模式，则需重新评估其资产价值。Sun Microsystems曾拥有领先的SPARC性能与Java生态，后受到x86与Linux冲击；英特尔在移动时代亦因功耗效率和移动生态不足而错失部分市场。因此，相比静态判断规模、效率和生态优势，更重要的是持续跟踪三个维度的趋势变化。

基于上述分析，当前AIDC主线仍有持续跟踪价值，但投资重点正由全面景气转向高确定性环节和真实商业化。AI正在从"堆算力、竞模型"逐步向应用落地延伸，AI应用仍是长期方向，但需要更加重视真实收入、客户质量和商业闭环。刘央认为，AI对传统软件形成全面替代的判断仍有待验证，企业软件、数据库等厂商已有的客户关系、产品能力和工作流黏性仍具一定价值。风险方面，应重点跟踪电力获取、GPU迭代减值、算力利用率和政策变化，尤其需要验证项目是否真正取得电力、完成开工并落实客户需求，而不能简单将规划容量等同于未来收入。整体而言，AI时代投资需要从单纯比较技术性能，进一步转向判断企业是否掌握稀缺产业节点、能否持续提升效率，并形成稳定生态和商业化能力。

驭势科技：服务全场景自动驾驶，跨越物理AI奇点

驭势科技历经十年发展，战略重心经历三次迭代，并由自动驾驶进一步向Physical AI延伸。驭势科技CEO吴甘沙在会上表示，AI产业过去十年的核心投入主要集中于能源、芯片、基础设施和模型层，随着终端应用开始规模化落地，产业正逐步进入更加重视商业闭环的下一阶段，自动驾驶是Physical AI较早实现真实场景验证的方向之一。吴甘沙认为，自动驾驶既是Physical AI的孵化器，过去多年形成的数据飞轮等方法论及人才积累正向具身智能迁移，也是Physical AI技术与商业模式的重要试验场。公司战略相应经历三次调整：2019年聚焦"真无人"，将去安全员作为规模化商业运营的重要前提；2021年提出"全场景"，希望通过统一技术底座复用于不同车型和应用场景，摊薄自动驾驶较高的前期研发投入；2024年进一步提出Physical AI方向，希望将高成本训练形成的智能能力，以更低的边际成本复制至更多物理场景。公司目前围绕民航级安全、场景泛化能力和全场景车型布局三个方向提升规模化复制能力。

机场是驭势科技实现规模化商业运营的标杆场景，也是公司安全体系与数据能力的重要来源。 物理世界的自动驾驶直接涉及人员、车辆和航空器，对系统可靠性、异常处理和持续运营能力提出显著高于数字应用的要求。公司长期以民航安全与服务体系作为产品标准的重要参考，并通过长期真实运营解决最后一部分长尾问题。公司在本次活动中指出，截至2026年8月，其在机场无人驾驶市场的份额已超过90%，业务覆盖国内外21座机场，累计全无人安全运营里程超过600万公里，拥有1，000余项相关专利，国内二三线机场项目已实现单位经济模型转正。公司自2019年获批无人化运营以来，累计投入超过1.5亿美元、迭代约200个版本并处理数万个问题，形成机场专有自动驾驶数据积累。

长期运营能力不只体现在车辆自动驾驶本身，也逐步向机场作业全流程无人化延伸。公司产品已验证高温高湿、多雨、盐雾、暴雪、沙尘、弱网和夜间等复杂工况，并建立实时调度、多车协同、车辆诊断和预测性运维体系。在此基础上，公司进一步推进自动挂脱钩、自动充电、自动上下货等环节无人化，减少车辆无人化后仍需人工介入的作业环节，进一步降低客户全生命周期运营成本，并将机坪应用由行李及货运牵引拓展至摆渡接驳、围界巡逻、清扫、驱鸟和餐食配送等场景。公司还推出"造父"开源AI编程交付平台，将既有行业经验转化为编程和业务编排工具，支持机场控制系统接入及客户定制开发。公司认为，随着民航无人驾驶行业标准逐步完善，驭势科技机场自动驾驶有望由少数标杆项目进入更广泛复制阶段。

U-Drive全场景自动驾驶操作系统是驭势降低跨车型、跨场景复制成本的核心技术底座。公司以统一U-Drive平台连接不同车体硬件和应用场景，覆盖乘用车、干线及城市物流、公交、机场/工厂/园区、港口、矿山、农牧、环卫及巡检等领域。经过十年迭代，U-Drive由1.0低速载人、2.0真无人全天候物流、3.0物流与载人融合、4.0开放道路复杂场景，演进至当前5.0全场景自学习版本，并形成可泛化算法库、数百万场景库、标准硬件模板以及自适应工具链。后续6.0计划升级为通用自动驾驶大模型，通过世界模型提升复杂长尾场景处理能力，7.0则进一步探索端到端、世界模型及强化学习等模型融合。

驭势科技目标为通过平台化将传统项目制交付逐步转化为可规模复制的产品化能力。公司目标是实现新产品约3个月产品化、新场景约1周完成场景化适配，并进一步降低新客户部署复杂度。本次活动中，公司指出，从已有项目看，香港机场25台车辆早期交付耗时约一年，而乌鲁木齐机场40台车辆交付已缩短至不足一个月；工厂场景亦从早期5台车半年逐步缩短至数十至数百台项目约3个月交付。公司也表示，新场景目前仅需产品经理、架构师、开发及测试组成的小规模团队进行适配。同时，公司通过新的联合开发流程，将新车型开发成本降低至原有模式的约1/10、开发时间缩短至约1/4。

商业模式方面，公司计划由整车及解决方案销售逐步提高AI司机订阅收入占比。现阶段公司提供整车销售及维保、整车叠加AI司机订阅、融资租赁、自动驾驶车型及套件后装等多种方案，其共同目标是降低客户前期资本支出，并使无人驾驶方案全生命周期成本低于人工驾驶。长期而言，驭势希望进一步减少自身对整车制造和一线运营的参与，形成"AI司机+生态合作伙伴"的平台化模式。公司规划由商用车OEM提供认证车体并预装AI司机，由系统集成商、方案商和运营商负责具体行业部署，驭势通过AI司机管理云提供订阅收费、健康监测及数据安全合规服务，从而将自身能力更多集中于自动驾驶软件和持续迭代。全球化方面，公司已建立质量、准入认证、数据安全和本地服务四类体系，已有3款车型通过CE认证，并正在推进与欧洲、中东航司、机场和地服公司的合作。公司期望未来五年将业务覆盖由6个国家和地区扩大至50个国家和地区，并通过更多渠道合作伙伴拓展新场景。

公司短期聚焦已验证的高价值场景，中长期逐步拓展商用车与更广泛Physical AI应用。在本次活动中，公司再次强调，未来1-2年，主要聚焦机场及工厂牵引式物流、园区无人巴士、乘用车辅助驾驶以及港口、化工、电力和矿山等专用场景；3-5年计划进一步拓展公交、环卫、重卡和城配等市场；5-10年则将Robotaxi、干线物流及泛具身智能作为前瞻方向。公司长期愿景是为全球交付100万个可长期信赖的AI司机，成为世界最大AI司机与新劳动力提供者。同时指出，中国在开源AI能力、制造与供应链以及产业应用深度方面具备组合优势，中国新劳动力类机器人产品有望成为未来中国科技产品全球化的重要方向之一。

破壳机器人：加速实现具身智能走进千家万户

破壳机器人创立于2026年4月，自创立伊始即关注世界模型与家庭场景，而非VLA模型与工业场景。公司核心团队来自清华大学和上海期智研究院，依托全球领先的WAM世界动作模型技术，已搭建世界动作模型、全链路强化学习和机器人本体三大核心研发板块，并与国内知名酒店、地产等产业方开展生态合作。融资方面，云启资本、顺为资本、经纬创投、小米战投、弘晖基金等老股东持续加注，公司融资节奏与投资阵容在早期具身智能创业公司中处于领先水平。

在技术路线选型上，公司认为WAM世界动作模型是当前最贴近机器人决策、兼顾预测与控制的技术路径。WAM虽然训练与部署更为复杂，但能够直接围绕动作、观察与未来状态进行建模，在物理正确性与机器人决策之间实现更好的平衡。因此，公司选择自研WAM世界动作模型，希望在强大预训练基础设施和大规模数据驱动之上，构建具备高物理一致性的Manipulation基础模型。公司认为，从机器人操作走向Physical AGI，核心不仅是"训练得快"，更需要模型真正理解物理世界。公司自研Poke WAM的预测结果与真实世界表现更为接近，体现其在物理一致性方面的优势。

服务场景对数据、模型和本体提出更高要求，具身机器人规模化落地仍面临挑战。数据层面，传统遥操作采集成本较高，百万小时级数据集投入可达数亿元，同时精细操作仍以"拟人操作"为主，难以实现真正的"亲手操作"，且大规模数据采集与管理成本较高。模型层面，技术路线快速迭代，对企业持续研发投入提出更高要求，同时现有模型在灵巧性与泛化性上仍有较大提升空间，需要进一步突破精细操作、长时任务和工具使用，并实现跨场景、跨任务和跨本体泛化。本体层面，机器人硬件仍需持续降本并提升可靠性，成本需要从数十万元向十万元乃至数万元下降，稳定运行时间则需要从数小时提升至数天、数月。

针对上述瓶颈，公司围绕WAM世界动作模型、全链路强化学习和高质量真实数据构建"三位一体"的具身智能飞轮，通过数据、模型与强化学习相互促进，加快向Physical AGI演进。其中，Poke WAM通过世界动作模型提升对物理世界的理解与预测能力；Poke UMI持续获取高质量真实数据，为模型训练和迭代提供支撑；Poke RL则通过强化学习形成更优策略和更稳定输出。三者形成"真实数据-世界模型-强化学习"的闭环，每一轮训练和部署持续反哺下一轮迭代，推动机器人在灵巧性、泛化能力和复杂任务执行能力上不断提升。

Venture Hub：立足东南亚，从AI基础设施实现Token变现

Venture Hub立足于东南亚市场，定位于覆盖AI产业链全流程的科技投资与产业赋能平台，核心团队能力贯穿从底层基础设施到上层应用的完整链条：在基础设施端，覆盖AI数据中心选址、供电设计、工程建设及持续运营；在算力与平台层，通过智能路由实现任务编排、模型选择、Token经济性及负载优化；在应用端，则通过投资与产业咨询帮助合作伙伴将算力资源转化为可落地、可商业化的AI应用。同时，公司通过加速营筛选具备独特技术优势和全球商业化潜力的数据中心建设及运营团队，并通过系统化孵化、行业专家辅导及真实客户场景验证，加速项目实现产品市场匹配和早期商业化，并为后续融资奠定基础。

Venture Hub围绕AI基础设施构建覆盖"资产-算力-运营-应用"的全价值链投资体系，主要包括四个环节：1）数据中心投资。底层逻辑类似地产投资，但进一步叠加电力资源的价值变现，通过锁定低成本电力并向下游客户销售获取价差，同时通过长期消纳合同及阶梯式调价条款提升收益确定性。项目可分为新建与改造两类；新建项目重点平衡能耗与成本、扩展性及灵活性，同时关注工程延期、土地隐性溢价及退出风险；改造项目则主要针对闲置工业厂房及原加密货币矿场，在中国香港、日本等成熟市场进行资产升级，资本投入相对较轻，核心在于控制持续运营成本并提升资产利用效率。2）GPU算力融资。与云厂商主要自持服务器和GPU不同，新型算力云逐步采用轻资产模式，通过外部资本支持算力扩张，典型融资结构为"股权+债权"，并以GPU等算力资产作为核心抵押物。3）维护与增值服务。围绕高密度AI集群提供专业托管、电力管理、液冷及散热优化等服务，通过持续运营提升基础设施效率和资产价值。4）Token变现。进一步向企业及应用层延伸，通过模型路由、Token经济性优化等方式提升算力利用效率，并探索B2C转型、动态定价等商业模式，将底层算力最终转化为可持续的应用收入。

公司此次重点介绍其对数据中心及GPU算力融资项目投资模式、交易结构和目标回报的理解。（需要注意的是，数据中心及算力融资项目具有较强的非标准化特征，不同项目在开发阶段、资产条件、客户结构及融资安排等方面差异较大，回报水平的测算及交易结构主要反映Venture Hub自身的项目经验及投资框架。）数据中心投资方面，Venture Hub通常基于EBITDA倍数评估项目价值，并根据项目所处开发阶段设定相应的目标回报。根据公司介绍，其早期开发项目目标MOIC约为3-7倍，早期投资目标IRR约为30%-40%，随着项目逐步成熟、开发风险下降，后续阶段的预期回报相应收敛。公司认为，数据中心项目从前期开发、建设到稳定运营过程中，不同阶段投资者对应不同的风险收益要求。

GPU算力融资方面，Venture Hub介绍的典型项目通常采用"股权+债权"的资本结构，股债比例约为30/70或40/60；根据债权提供方及交易条款不同，公司观察到的债权综合回报目标约为8%-15%。在公司介绍的案例中，项目可通过签订约4年的GPU采购及租赁合同，将GPU托管于大型云厂商、Neocloud或AI实验室等算力消纳方的数据中心，并以租金收入覆盖机房租赁及融资成本。公司测算部分项目回本周期约2年，股权投资目标IRR可达20%以上、MOIC约2倍。对于市场较为关注的GPU折旧风险，公司认为，若消纳合同期限能够与硬件经济寿命较好匹配，同时GPU二手残值高于传统线性折旧假设，则有望一定程度上缓释项目的股权风险。

行业与技术路线不确定性风险：AI终端芯片、具身智能、AI基础设施等均属于技术快速迭代、竞争格局尚未收敛的新兴赛道，行业技术路线选择、市场需求增速及竞争格局演变均存在较大不确定性，可能导致相关公司的技术判断、产品规划与实际发展路径出现偏差。

早期阶段经营与估值波动风险：AI芯片、具身智能相关的公司、项目均处于业务发展早期阶段，尚未形成稳定的盈利模式与现金流，主要依赖持续外部融资支持，叠加相关赛道估值受市场情绪及资本环境影响较大，存在融资进度不及预期、估值大幅波动等风险。

政策与宏观环境风险：相关业务涉及半导体、跨境投资、电力与土地资源等多重监管领域，宏观经济环境、产业政策、贸易及出口管制政策的变化，均可能对相关公司的经营环境及行业发展节奏产生不利影响。

本研报中涉及到未上市公司或未覆盖个股内容，均系对其客观公开信息的整理，并不代表本研究团队对该公司、该股票的推荐或覆盖。

华泰证券研究所国内站（研究Portal）

https：//inst.htsc.com/research

访问权限：国内机构客户

华泰证券研究所海外站

https：//intl.inst.htsc.com/research

访问权限：美国及中国香港金控机构客户

添加权限请联系您的华泰对口客户经理

▲向上滑动阅览

本公众号不是华泰证券股份有限公司（以下简称"华泰证券"）研究报告的发布平台，本公众号仅供华泰证券中国内地研究服务客户参考使用。其他任何读者在订阅本公众号前，请自行评估接收相关推送内容的适当性，且若使用本公众号所载内容，务必寻求专业投资顾问的指导及解读。华泰证券不因任何订阅本公众号的行为而将订阅者视为华泰证券的客户。

本公众号转发、摘编华泰证券向其客户已发布研究报告的部分内容及观点，完整的投资意见分析应以报告发布当日的完整研究报告内容为准。订阅者仅使用本公众号内容，可能会因缺乏对完整报告的了解或缺乏相关的解读而产生理解上的歧义。如需了解完整内容，请具体参见华泰证券所发布的完整报告。

本公众号内容基于华泰证券认为可靠的信息编制，但华泰证券对该等信息的准确性、完整性及时效性不作任何保证，也不对证券价格的涨跌或市场走势作确定性判断。本公众号所载的意见、评估及预测仅反映发布当日的观点和判断。在不同时期，华泰证券可能会发出与本公众号所载意见、评估及预测不一致的研究报告。

在任何情况下，本公众号中的信息或所表述的意见均不构成对任何人的投资建议。订阅者不应单独依靠本订阅号中的内容而取代自身独立的判断，应自主做出投资决策并自行承担投资风险。订阅者若使用本资料，有可能会因缺乏解读服务而对内容产生理解上的歧义，进而造成投资损失。对依据或者使用本公众号内容所造成的一切后果，华泰证券及作者均不承担任何法律责任。

本公众号版权仅为华泰证券所有，未经华泰证券书面许可，任何机构或个人不得以翻版、复制、发表、引用或再次分发他人等任何形式侵犯本公众号发布的所有内容的版权。如因侵权行为给华泰证券造成任何直接或间接的损失，华泰证券保留追究一切法律责任的权利。华泰证券具有中国证监会核准的"证券投资咨询"业务资格，经营许可证编号为：91320000704041011J。