2025年，对于AI商业，随着DeepSeek的炸裂登场，是极不寻常的一年。在过程中是百转千回；蓦然回首，却是尘埃落定。
一种开启新年的方式，是像沐浴更衣一样，认真反思过去一年的得失。认真反思是为了走得更远。
过去一年，我们在不同的分析中，对AI的商业和投资做过大大小小的预测，有对有错，有得有失。恰逢翻年，我们把这些预测归为25条，做一个整体复盘。
复盘的目的不是为了证明自己的正确，而是实践认知迭代的“三联”：预测-复盘-新知。希望从得失、尤其从错误中，总结不断演化的AI产业逻辑，并用于对当下、对2026年的判断。
以下，我们在每一条预测后面，在括号中表明预测的时点，用✅代表已被验证，❌ 代表错误，⚠️代表部分验证，📍代表结果不明，仍未验证。
01
对“DeepSeek 现象”的判断
为溪的预测&实际结果：
1.1 丨DeepSeek的未来产业地位：“DeepSeek 会超过 ChatGPT，成为全球日活最高的大模型应用。”（2月）❌
1.2 丨 AI产业将会普惠化发展：“这是所有人的游戏：赢家不再只是科技巨头，而是广义的科技产业链上的玩家。”（2 月） ✅
1.3 丨 最终还是要接受基本面的检验：“DeepSeek 会根本性地改变中国科技公司的想象力和流动性，但最终会回归到中国AI的实际水平提升速度、产业应用速度以及基本面上。”（2 月）✅
我们学到了什么？
2025年初，DeepSeek-R1 的成功震撼了全世界，仅用7天时间就完成了1亿用户的增长。虽然有这样梦幻的开局，但后来实际发生的是，2月的月活成为一年的高点（图1），占据最佳身位的 DeepSeek并没有将技术和产品上的领先优势，转化为商业的成功，一个中国版的 ChatGPT 故事也就没有如期发生。为什么会这样？
在做这个判断时，我们没有足够重视的，是DeepSeek 作为一家没有创收压力的研究型机构的动机问题：一方面是商业动机不足，其始终坚持在工程优化的路线上持续进步，但产品体验仍然停留在年初；另一方面是虽然对中国版AI基础设施升级有贡献，但市场化的产品体验并不是重点。DeepSeek并没有足够的动力，或者说没有表现出足够的适应性，去抓住这个泼天的机会。更普遍而言，用什么姿势去拥抱“最大的一次通用技术革命”，对所有人，包括初期的赢家和输家，都是持续需要解答的问题。
但客观而言，DeepSeek对中国乃至世界的AI产业和资本市场，带来了普惠型的正向影响：2025年初以来，美国的七姐妹总市值仅上升24.3%，而广义的AI科技公司上升了38.6%。中国的科技公司们在DeepSeek-R1面世之后，经历了估值重塑，打破了美国单极世界领军的格局，此后则经历了多轮的波动。以当时被提出的“中国十杰”概念为例，这十家企业一年的涨幅中有80%是在第一季度完成的。
在月活和市值之外，我们的复盘需要走得更深。DeepSeek 的案例，其实是一个非常典型的“企业如何同时跨越技术和商业的S曲线”的挑战。一家帮助全世界解锁了强化学习范式、建立了普惠型 AI 基础能力的企业，最终并没有拿到与之匹配的商业回报。2025年12月，DeepSeek 发布了最新的模型 DeepSeek V3.2，在其技术报告中，DeepSeek 坦诚地承认“闭源模型与开源模型之间的性能差距并未缩小，反而日益扩大，闭源智能体系统在复杂任务中展现出越来越强的优势。”原因主要有三：
第一，算法架构上的迭代问题。开源模型普遍依赖传统的“标准注意力”机制（vanilla attention，意思是每个token一样重要），闭源模型则都已经定制化地开发了非均等的注意力机制。特别是在长上下文任务（复杂度高的）里，二者差异很大；
第二，资源分配力度问题，在后训练上的投入不足（DeepSeek自己的后训练预算占预训练的10%，很多其他模型公司可能还不到1%）。但更加本质的，因为体验和投入都不够，DeepSeek缺少一个可规模化的人类反馈系统（杀手级应用），而依靠人工标注数据集，最终结果就是，很好的应试学生，在实际任务中的表现会被拉开；这可能是中国不少大模型企业面临的普遍问题。
第三，应用的价值创造问题。在真实应用场景中，开源模型的泛化能力和指令理解能力明显落后，影响最终的B端部署效果。这是算法、产品上的差距带来的结果。
DeepSeek目前的思路，仍然是通过技术创新本身来解决上述三种问题，在论文的最后，他们写道：“如果 Gemini 3.0 证明了持续扩展预训练的潜力，DeepSeek V3.2-Speciale 则证明了在大规模上下文环境中强化学习的可扩展性。”这是一个技术团队的思路，而非AI商业的思路。
对于有大量资源支持、也有理想追求的DeepSeek来说，这个选择当然是成立的。但对更多的科技创业企业来说，DeepSeek在2025年的旅程应该给我们的感悟是：技术和商业的两条S曲线，最终其实是一件事。在美国，OpenAI 、Anthropic、Gemini、X.ai，实际上都是通过技术和商业产品的结合，建立了数据飞轮，才有了后来模型持续升级、公司持续融资的可能性。不把AI当作产品来做，你只能走那么远。
可对照的是，豆包在2025年初被DeepSeek惊艳地超越之后，到年末又远远甩开DeepSeek，这就是技术结合商业的成功。从这个角度，我们也可以理解 OpenAI，在不断突破大模型边界的同时，注重不断定义新产品，其成功的不容易。
02
对大模型的判断
为溪的预测&实际结果：
2.1 丨 预训练大模型和推理大模型将会融合：“基础大模型和推理大模型的融合将会很快发生。”（2 月预测）✅
2.2 丨 大模型产业的收敛与垂直分工趋势：“无论中美，通用大模型公司只会剩下不超过 5 家，其他的大模型公司会转型成为大模型服务企业，走向垂直产业。”（2 月预测）✅
2.3 丨 当下对预训练和后训练的两条取舍路：“通往 AGI 有阶段性选择预训练或者后训练两条路：一条是 OpenAI 为代表的‘思维链+强化学习后训练’路线，和各个场景的结合；另一条是 Anthropic 为代表的‘创造独有场景中的数据飞轮（Coding）+预训练’路线。”（6 月预测）⚠️
2.4 丨 编程对于AI商业落地的战略意义：“Coding 是智能体在数字世界的手，其重要性仍然被很多人低估，头部大模型公司都会做，但 Anthropic 及其生态已经有明显的先发优势。”（6 月预测）📍
我们从中学到了什么？
首先，到年底为止，通用大模型演化出了哪些特征？我们看到，大模型产业通过创新和竞争，逐渐呈现出三个关键特征：第一，只剩下少数几家既有资源又有技术的基座模型。第二，基座模型相互之间有非常接近的通用能力。第三，基座大模型并非完全通用，而是各有擅长的专业场景能力，比如 OpenAI 在通用 task 和聊天陪伴场景中体验最好、Anthropic 在代码能力上最强、Gemini 在多模态能力上最强。
这是一个最佳的案例，验证了我们提出的“智能三环”框架（智能 = 推理 x 场景 x 数据）的现实发生：（见图2）
第一，大模型能力的收敛和分化，本质都和场景及数据有关。
大模型通用能力的接近，本质是公域数据走到尽头。
而大模型分化的本质，是不同模型构建的场景和数据的禀赋不同：以三大顶尖模型为例，OpenAI 的用户量最大，日常生活聊天类数据最多；Anthropic 的程序员用户最多，真实代码问答类数据最多；谷歌则有历史上沉淀的海量多模态数据，从预训练阶段就可以直接做多模态的输入和输出。
基于这个逻辑，有独特数据飞轮的模型厂商，在特定的场景里能持续做到最好的体验，所以可以预期，2026 年，各家大模型的分化会更加明显。不同通用大模型会成为通用的专家。
第二，从智能三环的角度，也可以判断后面可能发生的大模型产业格局：
OpenAI 的数据优势仍然是最大的，一个“OpenAI+1”的个人助理终局现在看最有可能。
其他模型（比如 Gemini）在通用能力上的追赶，其实无法缩小通用智能体产品在日常场景中和 ChatGPT 的差距。目前，从日活看，当 ChatGPT 的日活在 4.8-5 亿之间（对应 ~40%的 MAU），Gemini 则只有 9000 万（对应 ~15%的 MAU）；从过去 12 个月的留存率来看，ChatGPT 同样是 Gemini 的 2 倍（50%和25%）。
所以，可能发生的是，通用场景里的 ChatGPT 作为个人助理，结合一个专用场景的专业助理（程序员选择Claude，创作者选择 Gemini 等等）。
第三，那么，既然OpenAI有用户上的优势，为什么在模型能力上仍然被Gemini和Claude追上？我们认为这关乎智能三环内部的运转逻辑：OpenAI 过去大半年对预训练的忽视（这是我们没有预想到的），或者说是过于重视后训练的能力，实际上导致了场景中的海量数据，无法有效地反馈到推理能力本身的提升中，所以智能三环的飞轮没有转起来。这意味着，在智能三环中，模型能力赋能场景和数据，以及场景和数据赋能模型，都同样重要，这是一个双向的飞轮。
OpenAI 从遥遥领先到被追上，就是场景和数据的飞轮，还没有足够有效地反馈到推理能力的提升里。后训练确实带来了差异化，但不提升预训练大模型，后训练就会不可避免地撞墙。
所以，对于基座大模型公司来说，OpenAI学到的教训是，预训练必须做，这是真正提升模型智能上限的（一个有趣的对比是，这是人类大脑自己没法做的，只能靠后天的训练，所以有天才和常人的区别；而AI通过不断的预训练，都可以成为某个领域的天才），后训练和推理时间的Scaling Law（规模定律），更多是在场景中挖掘智能的上限，但并不能取代智能本身的上限。预训练和后训练二者不应该是替代关系，而是飞轮式的循环关系。
Google DeepMind 研究与深度学习副总裁 Oriol Vinyals 在推特上总结得好：“Gemini 3 这么强，核心秘诀就两点：更好的预训练，更好的后训练。”
03
对算力基础设施的判断
为溪的预测&实际结果：
3.1 丨 算力需求整体会大很多，同时英伟达的份额会相对下降：“我们会进入一个算力需求整体继续快速扩张、但英伟达的相对重要性下降”的阶段。”（2 月预测）✅
3.2 丨 存储会成为当下瓶颈：“接下来，存储（HBM、NAND、HDD）会成为整个 AI 算力产业链的关键瓶颈。”（9 月预测）✅
3.3 丨 算力基础设施产业的竞争格局：“算力基础设施行业在从普涨进入到一个上下游博弈、同环节竞争的分化阶段，因为供不应求，更上游的玩家将会受益更多。”（12 月预测）📍
我们从中学到的？
回顾 2025 年，算力基础设施的一个关键词就是产业链的“木桶效应”：整个算力基础产业其实是在“持续的供不应求”和“供给瓶颈的不断迁移”的背景中发展的。这意味着，每个阶段的相对赢家非常不同。
这个供给瓶颈发生的顺序，是严格按照芯片的“生产制造（Manufacturing capabilities）-交付使用（Availability）-持续运行（Sustainability）”的过程发生的。通俗地说，一开始是“造出来”的瓶颈，接着是“装进去”的瓶颈，后来是“跑得稳”的瓶颈。图3呈现了2025年四个季度市场对AI基础设施不同环节瓶颈的预测和后期的调整；这是一个值得仔细分析的AI基础设施如何发展、市场如何预判和纠错的案例。
整个2025上半年，当万卡集群成为标配之后，瓶颈首先出现在最核心的计算单元内部。我们发现，限制算力的不是 GPU 核心本身（台积电产能相对充裕），而是把芯片“包起来”的 CoWoS 封装，把芯片“连起来”的光互联，以及支持芯片长推理的 HBM。
到了年中，随着CoWoS 产能释放，更重要的是如何拿到这些芯片（与上游供应商的关系），以及建设数据中心的能力（液冷、土地、容量），在这个阶段，我们看到了 NeoCloud 们的崛起。
当先进的逻辑芯片真正投入使用，瓶颈又外溢到了计算之外。随着模型参数的指数级膨胀，GPU的计算速度远超数据搬运速度，这时“内存墙”成了新卡点——不只是 HBM 这一类被封装在计算芯片内部的存储单元，还包括了eSSD、HDD 等冷存储上的基建。
到2025年底，比存储更难解决的问题是物理世界基建的瓶颈。大模型运行时所需要的电力瞬时高波动性，给传统电网的电压和频率都带来了极大的挑战（至今仍未解决）。
按照这个逻辑往后推演，2026 年可能出现的墙包括：第一，如何解决电力短缺的问题；第二，在端侧，计算和存储的瓶颈会重新上演；第三，伴随着供给侧投入的不断扩大，AI 应用的整体 ROI 挑战持续。
从“木桶效应”的角度，我们也可以理解芯片产业中的企业生态位：
英伟达的“AI 系统”壁垒非常稳固，仍然是最可能第一家达到十万亿美金的公司。黄仁勋已经不止一次在业绩会中强调，英伟达的优势不只是逻辑芯片本身，还包括了网络（已经做到单季度近百亿营收）、存储、能效比等等。这个系统的壁垒并不容易打破。
AMD：“滑铁卢”其实出现在网络能力上（第一道墙）。在单体芯片上，AMD的参数可以做到优于同代的英伟达芯片，但在芯片互联上，AMD 仍然依赖标准的以太网协议（没有英伟达的 NVLink），就导致延迟增加、损耗变大；最后的结果是，节省了 10%的成本，但在整体 AI 系统的部署速度上会慢 2 个月，对大科技公司来说反而是成本更高。也因此，AMD 现在更像是一个备选，而非主流。
博通 + 谷歌的 TPU：挑战在于内存（第二道墙）。我们在之前的文章分析对比过，虽然 TPU 在整体性价比上已经追赶上了 GB200，但明年英伟达的 Rubin 系列会在内存上做一次跨越式的升级，而 TPU 在这一方面的迭代幅度相对更小，因此差距很可能再次被拉开。
04
对 AI 应用的判断
为溪的预测&实际结果：
4.1 丨 AI商业应用最先可能在哪里发生：“AI商业的应用有落地顺序：身处智能三环中心的产业（即信息密度最高、场景价值最高、最可计算的产业）将会最先落地 AI 商业，创造直接的基本面效率提升，比如数字广告业的 Meta、AppLovin 等。”（2 月预测）✅
4.2 丨 对 AI 搜索的判断：年初时（2 月预测），我们倾向于认为， AI 让搜索方式有了更多的可能性，ChatGPT、Perplexity、Manus等对谷歌的挑战会持续发生。但后来的事实证明（8 月预测），谷歌的搜索隐忧没有想象中那么大，而是谷歌和挑战者们分别有各自的课要补，如果 AI 搜索的场景仍然是浏览器，下一个谷歌仍然会是谷歌。⚠️
4.3 丨 对自身不做通用大模型的智能体商业崛起的判断：“‘套壳’的说法严重低估了以 Perplexity、Cursor 、Manus 为代表的不做大模型但是做智能体的 AI 服务商的价值。它们将会持续验证 AI 时代的‘安迪-比尔定律’，会成为真正的大模型和专业场景之间的桥梁，有自己独特的壁垒。”（6 月预测）✅
4.4 丨 对一些杀手级应用机会的判断：“ChatGPT 的 Pulse 预示着超级助理的雏形，Sora2 则预示着 AI 版抖音的机会，市场上存在 ChatGPT 级别的杀手级应用的机会。”（10 月预测）📍
我们从中学到的：
美国的AI商业已经进入到了 AI 应用的阶段，表现在AI应用类企业在ChatGPT问世以来成为增长最多的板块（图4）。但AI 在场景中如何颠覆现有玩家、或融合进入到现有产业中的方式，既是当下AI商业的难点，也是没有预料到的。
让我们复盘一下AI是如何颠覆一些应用场景的：
首先，这几年搜索的格局变化告诉我们，不应该假设有场景优势、数据优势、资本优势的大厂在自己的基本盘场景里会等着被颠覆。这也是“智能三环”框架告诉我们的重要结论之一。
2025年初，无论 ChatGPT 还是 Perplexity，看起来都像是谷歌的颠覆者。谷歌也有革自己命的决心，在一季度的一份内部纪要中明确写道：“ 摆在我们面前的有三条路：第一，搜索业务根基不动摇；第二，搜索流量部分流向自家的Gemini； 第三，搜索流量大量流向ChatGPT。第一条路当然是最好的，但最坏的情况是第三条，所以我们应该力保第二条路实现。”
但事实证明，只要巨头的模型能力追赶上、在自有场景中融合 AI，其竞争力仍然很强，谷歌 2500 亿美元级别的搜索广告，仍然在以双位数的速度增长，已经连续三个季度实现边际加速（9.8% → 11.7% → 14.5%）。
这个道理，可以帮助我们判断：ChatGPT 和 Perplexity 在浏览器上的努力对 Chrome 的冲击有限；ChatGPT 的群聊功能对 Meta 的冲击也有限。
真正发生颠覆的场景，往往有三个共同特点：第一，原有场景和智能三环发生了严重脱节；第二，产生了全新的用户和产品；第三，商业模式被新玩家重构。现在看来，已经发生颠覆的，其实是AI Coding。就在一年前，AI Coding 的头名，其实是有场景和数据优势的微软（Github Copilot 和 VSCode），但今天，微软已经不在这个赛道的讨论之列（被讨论的是Claude Code、Cursor、OpenAI Codex等）。让我们仔细分析这个场景发生了什么，及其中AI商业的逻辑：
第一，代码是最早耗尽公域数据、也最早进入到数据潜力挖掘的赛道。 Anthropic 做了两件事：一方面，以程序员为核心用户，创造了一个代码场景的数据飞轮（源源不断的新数据）；另一方面，定义了实用性代码的自有测试集。因此，Anthropic 的模型代码能力与其他玩家拉开了代差，而微软的场景、数据和OpenAI 的模型无法合力，直到后来解绑后接入 Claude。这是我们讲的第一点，微软没有能够把大模型、数据、场景的三环足够聚力；而在编程领域，因为其强大的逻辑性，大模型企业（如Anthropic）是可能从编程大模型出发，创造自身的智能三环生态和飞轮的。
第二，在Anthropic之上，Cursor作为一个自身不做大模型的AI服务企业，再造了一个coding的环境和场景，这个场景中写代码的方式、流程都和之前完全不同。在这个被称为“Vibe Coding”的新场景里，真正的用户其实已经不是专业的开发者，而是很多普通人，这些人写代码的习惯、流程是需要重新定义和学习的。Cursor 作为先发者，真正积累的是这方面的 know how。
第三，AI Coding 的商业模式和估值逻辑也已经被改变。在2025年初，一个普遍的做法是按照工具的订阅费（20 美金/月）来对 AI coding公司估值，似乎是一个永远算不平的账；但到今天，AI Coding 市场是直接对标全球程序员劳动力市场估值的，不少公司是愿意为这个能力向 Claude 支付 200 美元/月的费用的。也因此，越来越多的人相信这会是一个千亿美金级别的市场。
我们再来看AI如何融入（而非颠覆）场景：
在年初，我们想象中的 AI 融入原有业务的方式，是“ Meta 模式”。但事实证明，更加普适性的融合方式，更可能是 “AppLovin 模式”。二者有什么不同？
所谓的“Meta 模式”，就是企业拿过去积累的场景数据重新训练/微调一个自有的产业智能体，就像 Meta 的 Advantage+。但事实上，在数字广告行业，唯一能用大模型来优化算法的就是Meta，可以做到5%-10%的提效，对应200亿美金的利润增量。
而大部分行业中的玩家，没有大科技公司那么多的数据量（百亿级、千亿级，都和大模型的数据量差很远）。其真正拥抱 AI 的方法，其实是像 AppLovin 那样，把 AI 当做供给侧的能力升级工具，大幅提升原有低效环节中的效率，带来基本面的改善。这是智能三环的另外一个视角，即模型能力和场景数据丰富度之间的关系。那么，这是如何发生的？
AppLovin 的终极目标，是提升对用户在长尾场景（比如小游戏）的识别率，进而提升广告单价。
AppLovin 看到的是，上一代的传统 AI 算法，可以因为数据效率的改善带来巨大的效果提升；要拥抱这个机会，大模型在这个过程中，主要是做好执行。怎么做？在过去，要升级传统的 AI 算法，往往需要大量的成本，因为训练的数据主要是依靠人工来整理的，包括广告系统中大量的非结构化数据（包括广告文案、图片、视频、评论等）、用户的反馈信号数据（往往也是脏数据）等。现在，这两项工作都可以交给 AI 来完成，大幅地提效、高频地迭代。这意味着，AppLovin 可以用更低的成本、更短的时间，来实现对算法精确性的追求。
而 AppLovin做到的，一是通过大模型用好独有的数据，二是把对游戏广告场景的理解融入算法，这包括对相关业务环节定义的改变：如何设定广告系统的目标、用户的标签如何定义、冷启动的样本如何处理、如何对用户的行为反馈进行建模等等。也包括如何运营的改变：在设定模型目标时，不采用传统的点击率为目标，直接以尽可能精确的 ROI 回报为目标；在标签的设计上，结合用户在游戏中的时间跨度和活跃程度以及表现，来给用户打标，区分哪些是真实的长期用户、哪些是短期用户；在数据采样上，尽可能还原真实投放时用户的分布，避免模型出现偏差。这里的关键，是算法、数据、和场景know how的有效创新结合。即便本身不做新的产业大模型，不同企业在这个结合做出来的效果，也完全不同，尤其是对行业 know how理解的挑战。AppLovin之所以可以做到这些，和其自身曾经拥有上百款小游戏脱不开关系。
以上分析了AppLovin模式和Meta模式之间的差别。我们认为，后者其实代表了一种更普适的 AI 融合场景的思路：不是一定要做一个智能体，而是在信息最密集的环节里，以提升业务效率为根本的目标，用好大模型这个升级版的信息处理技术就可以。当然，要做到这一点，仍然需要大量的商业要素和流程重新定义的创新。这是这个阶段相对明显的低垂果实。
05
对“AI八仙”及其资本市场表现的判断
为溪的预测&实际结果：
5.1 丨 对英伟达的判断：“在一段时间内是 AI 时代的 Wintel，护城河很高。从其基本面成长性来看，估值其实并不贵。”（8-11 月一直预测）✅
5.2 丨 对OpenAI的判断：“OpenAI 军团和谷歌军团的竞争将会是交替领先，任何一方的过度反应都是机会。”（11 月预测）✅
5.3 丨 对微软的判断：“有先发优势和滚雪球优势，将会持续成为智能战略的范本”。（2 月预测）❌
5.4 丨对亚马逊的判断：“今年，AWS 和 Anthropic 的结合会成为惊喜。”（2 月、6 月预测）❌
5.5 丨 对谷歌的判断：“三季度起，谷歌将会从非共识变成共识。原因在于搜索隐忧的减少，以及因为 Gemini 大模型的进步，谷歌云将会事实上成为谷歌有壁垒的第二曲线。”（8 月、9 月预测）✅
5.6 丨 对Meta的判断：“基本面（即 AI 给数字广告带来的效率提升和广告范式改变）将会持续得好，带动市值的增长”（2 月预测）。⚠️
5.7 丨 对苹果的判断：“AI 版的 Siri 会比想象中慢，AI 硬件对手机的冲击会比想象中弱，护城河优势允许苹果后发。”（7 月、 10 月预测）✅
5.8 丨 对特斯拉的判断：“特斯拉还是没有壁垒，当下的电动车业务受到竞争格局影响还会持续，而新故事都还遥远。”（12 月预测）📍
我们从中学到的：
过去一年中，大科技公司整体而言，是较好、但并非最好的投资选择，这应该是投资者们记住和思考的。年初以来，美国的AI七巨头中其实只有英伟达和谷歌跑赢了大盘（纳斯达克指数的涨幅为 30%，标普 500 为 17%）。所以，巨头本身也在分化发展，应该分开理解。
对做AI商业和投资的人来说，跟踪AI七巨头最重要的价值，其实是通过这些企业看AI商业的发展，以及理解他们眼中的AI趋势，因为他们往往代表了最大的场景应用，我们之前已经在11月的文章《AI，八仙过海》中，做过较为完整的梳理和预测。在此，我们重点复盘与我们的预期偏离最大的两家云计算公司（微软+16%，亚马逊+6%）的表现。为什么会这样？
要理解云计算企业，首先需要懂得大模型的重要性。其根本的逻辑在于，在美国AI商业发展的现阶段，大模型在决定对基础设施的需求，所以需要结合大模型产业本身的进展，来理解云计算企业的状态。如之前分析，2025年初 DeepSeek-R1发布后，开源与闭源的差距又被重新拉开，也因此，世界并没有如纳德拉所说，“进入了模型的过剩时代”，顶尖的大模型仍然是 AI 产业链上最稀缺的要素。换句话说，围绕智能做云的逻辑，在现阶段仍然成立。在大模型发挥关键作用的背景下，微软和OpenAI的过早相对解绑，是双输。
大模型、云计算与芯片等AI基础设施能力的强绑定，也就是很多人怀疑的“循环投资”，实际上今年已经演化为AI基础设施产业的标配。这是一个“木桶效应”在竞争层面的结果。做得不够好的企业，就面临更大的挑战。
今年呈现出的一个重要趋势就是：基础设施玩家的“抱团卷”已经越来越明显，包括NeoClouds 和英伟达的绑定、谷歌云和博通的绑定、云计算公司和电力能源的绑定、云计算公司和开发商的绑定等等。
在这个背景下，微软和AWS 其实当下处于一个有清晰短板、但长板不够明显的处境里：没有独家绑定的大模型、没有足够好的自研芯片，这是二者和谷歌云的区别。我们因此预期，2026 年，三家美国传统云计算公司中，谷歌智能云仍然会是领跑。
在微软和AWS之间，我们认为AWS 的挑战是小于微软的。AWS的全栈布局仅次于谷歌，只是存在一个效果滞后的问题：一方面，Anthropic有迁徙到AWS的时滞问题，到今年四季度，AWS 才会成为其最大的云平台，其次才是谷歌云；另一方面，芯片上也存在时滞问题，Anthropic 原来全面采用谷歌的 TPU（Q4 对博通的百亿订单），AWS的Trainium即使在性价比上追赶上，Anthropic要部署起来仍然需要时间。反过来，主动和 OpenAI 解绑的微软，自研芯片也更落后，受到的挑战会更大。
06
对中国 AI 商业和资本市场的判断
为溪的预测&实际结果：
6.1 丨 中国大模型会追上美国：“中国的大模型们会很快追平美国同行”。（2 月预测）❌
6.2 丨 但大模型并不代表AI商业的成功：“中国的 AI 商业要跑起来，前提是模型应用能力要真正追赶上美国的第一梯队玩家，目前没有看到充分的证据。”（5 月、11 月预测）✅
6.3 丨 中国AI基础设施企业仍然面临基本面符合市场预期的考验：“中国的芯片和美国仍然存在代差，看似很高的毛利率背后其实有隐忧。”（9 月预测）。✅
我们从中学到的：
对美国 AI 商业的理解，可以帮助我们理解、判断中国AI商业的现状：
第一，模型能力决定上游的算力投资和下游的 AI 应用。事实上，只有少数的中国大模型（主要是 Qwen）追上了美国同行。模型能力的不足，也就限制了很多 AI 应用上的可能性，这决定了中国的AI商业落后美国一个阶段。反过来，因为开源和大科技公司的持续投入，全球算法范式不出现根本性突破的窗口期里，明年是可以期待中国顶尖大模型追上美国同行的脚步的。
第二，结合我们的“智能三环”理论，美国AI商业的发展路径预示了中国当下的发展路径：拥有场景优势、数据优势的大厂，会在最有想象力的场景里（无论是软件还是硬件）阻击初创公司。2026 年将会首先是一个中国大厂们的 AI 应用落地年。
抖音已经在年底放出了几个大招，包括即梦对剪映的升级，豆包在超级助手方向上的领先，豆包手机的尝试。
腾讯在四个方向上的AI 应用：和微信融合的超级助手（预计2026年第二季度 上线）、微信中的智能搜索和推荐、社交服务（对应 ChatGPT 的“群聊”功能）、小程序生态的 Agent 升级。
阿里巴巴宣布全面对标OpenAI，包括千问从工具升级为独立产品，意味着在各种2C、2B产品的对标落地。
对国内的 AI 创业公司来说，则需要更有锐度地找到自己的生态位，比如垂直、硬件、出海。
第三，关于中国企业的资本市场表现：2025 年的主题是DeepSeek之后估值的重塑。估值是一种假说，如果要走向持续的繁荣，必须看到结构性的基本面验证。目前因为中国AI商业是落后一个阶段的，在基本面的表现还不明显。这个逻辑决定了，2025年一季度以后，中国科技公司们的整体表现不够出色（图6），很多的相对确定性来自基础设施产业。但无论AI基础设施企业亦或其他，整体而言，中国很多的AI公司，既面临估值过高、盖特纳曲线回落的风险，也同时面临美国AI商业展示出的巨大成长空间。怎么做，就是不同企业的功课，也是投资者的功课。
07
结语
2025年，随着DeepSeek横空开局，中美AI商业是风起云涌，极不寻常的一年。
在过去的一年中，我们在中美AI产业格局、大模型、基础设施、应用、资本市场层面，都做了大大小小的判断。复盘这些判断，本身就是很有价值的行动，也决定了我们可以带着什么样的思考框架，进入新的一年。我们相信这也是对读者的价值。
在AI革命大潮奔涌而来的无常时代，在创新与定力的不定面前，在贪婪与知止的抉择面前，除了假说-验证-复盘-新知，我们不认为有别的拥抱革命的方式。