17 Juicios de un Inversor sobre la Incorporación, Modelos y Potencia de Cómputo

Autor: Xiaoyan, Tencent Technology

Editor: Xu Qingyang

En los últimos años, las palabras clave más candentes en el círculo de inversión tecnológica de China han girado en torno a la IA, la robótica y la inteligencia incorporada.

En el ámbito de los grandes modelos, Zhiyu es una de las primeras empresas discutidas en el contexto de "la versión china de OpenAI". Jieyue Xingchen y Shengshu Technology también están en el centro de direcciones populares como modelos fundamentales y generación de video. En el sector de la robótica, Ubtech ya ha ingresado al mercado de capitales, mientras que empresas como Galaxy Universal Robotics, Yinshi Robotics y Tashizhi Hang representan diferentes exploraciones de la robótica desde el cuerpo, modelos hasta la implementación en escena.

Detrás de estas empresas estrella hay una institución de inversión común: Qiming Venture Partners. Fundada en 2006, gestiona 11 fondos en dólares estadounidenses y 7 fondos en RMB, con un total de activos gestionados que ascienden a 9.5 mil millones de USD.

Habiendo invertido múltiples veces en olas tecnológicas, ¿cuál es la metodología de Qiming Venture Partners?

Recientemente, el socio gerente de Qiming, Zhou Zhifeng, compartió ideas sobre la metodología de inversión de Qiming, discutiendo las tendencias de desarrollo subyacentes en campos de vanguardia como grandes modelos, inteligencia incorporada y chips de cómputo, y desglosando los estándares centrales que diferencian el bombo conceptual de la implementación real en la industria.

Como inversor, Zhou Zhifeng es un verdadero experimentador profundo de la IA. Durante las discusiones, a menudo aborda desde perspectivas cotidianas, pintando un cuadro real de la era de implementación de la tecnología de IA. Mencionó que sus mayores en casa ya son hábiles en el uso de plataformas de videos cortos y pueden usar la IA para consultas de información diaria; en su propio entorno laboral, la IA también está profundamente integrada, ya que depende de herramientas de IA para análisis de datos y organización de materiales, e incluso con un horario apretado, continúa prestando atención a la iteración de contenido de videos cortos generados por IA.

Estos fragmentos de la vida real validan intuitivamente una tendencia central: la IA ya no es solo un concepto profesional confinado a teorías de laboratorio o artículos de revistas, ni simplemente una historia de capital que persiste en comunicados de prensa de financiamiento en el mercado primario, sino que realmente se ha hundido en los terminales móviles de las personas comunes, completando el salto de la tecnología de vanguardia a una herramienta diaria para todos.

La responsabilidad del inversor es identificar qué direcciones tecnológicas, formas de productos y empresas son más propensas a llevar estos cambios a la realidad antes de que ocurran a gran escala.

Zhou Zhifeng resume este pensamiento como inversión "medio paso más rápido"—no necesariamente la más temprana, ni esperar el consenso del mercado para entrar, sino ingresar después del avance tecnológico y antes del punto de explosión comercial.

Zhou Zhifeng, Socio Gerente de Qiming Venture Partners

Tomando a Zhiyu como ejemplo, en mayo de 2020, el lanzamiento de GPT-3 hizo que Qiming Venture Partners se diera cuenta de que la Ley de Escalado estaba siendo validada, y los grandes modelos habían cruzado un nodo tecnológico importante. Basado en este juicio, Qiming invirtió en Zhiyu en diciembre de 2021. En ese momento, ChatGPT aún no se había lanzado, y "All in AI" aún no era un lema colectivo en el círculo de inversión. No fue hasta noviembre de 2022 que ChatGPT irrumpió en la escena, y la IA generativa fue realmente empujada frente al público y al mercado de capital de riesgo.

Entonces, ¿dónde surgirá la próxima oportunidad de "medio paso" en las direcciones candentes de IA, robótica, potencia de cómputo y chips? Durante la discusión en el lugar, Zhou Zhifeng no proporcionó una respuesta directa, sino que desglosó los cambios que ocurren en estas pistas.

Frente a estas pistas candentes y la afluencia de dinero caliente, Zhou Zhifeng cree que cuanto más cerca se esté del ojo de la tormenta, más se debe volver a la pregunta más fundamental: ¿se está creando un valor real, y puede resistir la verificación de la lógica comercial? Mencionó repetidamente que el mercado probablemente entrará en una fase de "muéstrame el dinero". Cuanto más nuevo sea algo, más se debe tener cuidado con la brecha entre la atención a corto plazo y el valor a largo plazo; cuanto más ruidoso sea el mercado, más las empresas deben demostrar que pueden convertir la tecnología en ingresos y la imaginación en realidad.

A continuación, para la eficiencia de lectura, Tencent Technology ha organizado los juicios centrales de Zhou Zhifeng en una narrativa en primera persona.

01 "La inteligencia incorporada es el campo que más me mata las células cerebrales, sin excepciones"

1. Después de comunicarme con muchas empresas de inteligencia incorporada, principalmente tengo tres sensaciones.

Primero, tanto los mercados primario como secundario son particularmente optimistas sobre esta pista. La razón principal es que esta puede ser la primera industria en la historia que combina la "escala de envío de teléfonos inteligentes" y el "precio unitario de automóviles de pasajeros". Si esta industria madura, habrá un envío anual de 1 mil millones de unidades, con un precio promedio de alrededor de 30,000 USD, equivalente a 200,000 RMB. Esta es una pista de primer nivel en la historia del desarrollo comercial humano en los últimos dos a trescientos años, sin excepciones.

Segundo, todos están ahora compitiendo por OPI, compitiendo esencialmente por dividendos de escasez. El mercado secundario tiene esta característica: cuando la primera o segunda empresa en una gran pista sale a bolsa, debido a la escasez de objetivos, pueden disfrutar de super dividendos de capital, lo que se refleja intuitivamente en precios de acciones y valores de mercado que se disparan más allá de la lógica convencional, por lo que todos quieren ser los primeros en salir a bolsa.

Tercero, muchas empresas se están volviendo cada vez más difíciles de distinguir. Hemos monitoreado que hay más de 370 empresas relacionadas con la inteligencia incorporada en China, y básicamente recibimos dos o tres nuevos proyectos cada semana. Sus antecedentes de equipo, rutas técnicas y escenarios de implementación se están volviendo cada vez más similares: son en su mayoría profesores, pequeños genios, ejecutivos de gigantes de conducción autónoma o con antecedentes en modelos de IA; todos hablan de VLA y modelos mundiales; y sus implementaciones giran principalmente en torno a la fabricación industrial, la logística y los servicios comerciales, con recientes apariciones de escenarios de robots biónicos. Pero el problema es que actualmente no hay un estándar objetivo para evaluar los niveles técnicos o las capacidades de los modelos que realmente puedan determinar quién tiene una tecnología y capacidades de implementación más fuertes.

Por lo tanto, después de que la primera o segunda empresa salga a bolsa, puede dispararse a un alto valor de mercado debido a la escasez. Sin embargo, seis meses a un año después, el mercado probablemente entrará en una fase de "muéstrame el dinero", centrándose solo en si puede ser implementado y si puede convertirse en ingresos por ventas y márgenes de beneficio.

Si para finales de este año o mediados del próximo año, la implementación no cumple con las expectativas, incluso si se lista con éxito, el valor de mercado puede caer a unos pocos cientos de miles de millones, y los mercados primario y secundario también experimentarán una inversión de valoración. El apoyo de valoración original en el mercado primario no se mantendrá, y la dificultad de financiamiento posterior para las empresas aumentará significativamente.

La clave sigue siendo la tecnología. Si no hay avances clave en la pista de robótica, especialmente si la ruta técnica no puede converger, la industria encontrará difícil implementar a gran escala. Actualmente, muchas empresas que exploran la robótica aún están utilizando modelos de escenario propios, en lugar de los modelos generales muy publicitados. Si no se puede lograr la convergencia técnica, no se pueden abrir escenarios de implementación a gran escala, y al final, solo pueden hacer algunos proyectos de demostración opcionales, lo que dificulta lograr una escala comercial.

Así que lo que puedo hacer ahora es mirar continuamente y activamente todos los nuevos proyectos que surgen, asegurando una recopilación de información integral y un seguimiento continuo del panorama de la industria.

Actualmente, el mercado primario sigue recaudando desesperadamente fondos, y las empresas con escalas relativamente estables se están preparando desesperadamente para OPI. Pero, en última instancia, independientemente de si salen a bolsa o no, el mercado sigue mirando la comercialización. Si la industria no puede producir resultados de implementación reales, el mercado probablemente enfrentará un ajuste profundo.

2. Nunca he creído que los modelos mundiales sean una pista completamente nueva; la probabilidad de que VLA y los modelos mundiales se fusionen en el futuro supera el 50%.

Es más como un camino técnico que ha sido exagerado hasta convertirse en un concepto popular en el mercado primario. Recientemente, han surgido alrededor de 30 nuevas startups en modelos mundiales, y en comparación con las empresas anteriores con rutas técnicas de VLA, no hay una diferencia esencial en la implementación comercial.

3. Actualmente, la inteligencia incorporada carece de estándares de evaluación objetivos.

Los modelos de lenguaje tienen muchos puntos de referencia, pero la inteligencia incorporada enfrenta la fuerza laboral del mundo físico, lo que hace que la evaluación sea mucho más difícil. Actualmente, hay alrededor de tres a cinco puntos de referencia de inteligencia incorporada en el mercado global, pero estas listas han enfrentado mucho escepticismo recientemente. Algunas empresas logran altas valoraciones al manipular los rankings, lo que los expertos de la industria pueden ver como sin sentido.

Antes de que los estándares converjan, actualmente nos enfocamos más en la lógica de abajo hacia arriba: primero, si las rutas de algoritmos y arquitecturas de modelos se alinean con nuestras deducciones; segundo, si el equipo tiene una rica experiencia en ingeniería; tercero, la estrategia de datos. Los datos pueden ser la variable más crítica en el futuro. Los modelos de lenguaje lograron la Ley de Escalado con 10 mil millones de tokens; los modelos de video lo lograron con decenas de millones de clips. Actualmente, las principales empresas de modelos incorporados en China y EE. UU. tienen solo unas pocas centenas de miles de horas de datos, lo que está a un orden de magnitud de distancia de la escala suficiente. Sin embargo, es probable que las principales empresas de inteligencia incorporada en China y EE. UU. alcancen esta escala de datos este año, por lo que pueden ocurrir avances.

Una vez que ocurran avances tecnológicos, la evaluación se volverá más simple. Por ejemplo, en un escenario industrial, si una gran fábrica tiene 25 procesos, sin ningún entrenamiento posterior o solo un entrenamiento posterior muy simple, podemos observar la tasa de éxito de los robots completando estas tareas. Si la tasa de éxito supera el 50%, la gran fábrica pagará genuinamente por la compra de los robots; si es solo del 5%, eso indica que aún no es factible.

4. Los datos son un cuello de botella técnico que los modelos incorporados necesitan superar, pero puede cambiar rápidamente en el próximo año o dos.

Para crear modelos incorporados, puede requerir de 1 a 2 millones de horas de datos de entrenamiento, y en esta etapa, la cantidad de datos es más importante que la calidad de los puntos de datos individuales. En cuanto a varios esquemas de emparejamiento de datos, el término profesional de la industria es estrategia de datos, y esta área ha formado un consenso en los últimos meses. Anteriormente, la industria se dividía en varias rutas de datos, como los datos recopilados por las máquinas reales desarrolladas por Tesla, que tienen la mayor autenticidad, lo que facilita que los modelos aprendan y se adapten. Cuando los modelos se despliegan en hardware para ejecución, la coincidencia con los datos de entrenamiento es completamente consistente.

Sin embargo, el umbral para recopilar este tipo de datos de máquinas reales es extremadamente alto. Incluso empresas líderes como Tesla encuentran difícil avanzar, con una producción anual muy limitada; requiere desplegar 1,000 robots, con personal dedicado, y cada dispositivo solo puede recopilar datos de manera efectiva durante una o dos horas al día, lo que resulta extremadamente ineficiente. Puede llevar diez años acumular 1 millón de horas de datos, y si Tesla encuentra dificultades, otras empresas lo encontrarán aún más difícil. Este tipo de datos es de la mejor calidad, pero escaso en total. Anteriormente, Google y OpenAI tendían a utilizar datos de video; Google tiene una profunda experiencia en modelos de video, pero las grandes cantidades de datos de video generales están desconectadas de escenarios robóticos prácticos. Por ejemplo, los videos de escenas de salas de conferencias probablemente no enseñarán a los robots habilidades prácticas y, en cambio, introducirán muchos datos de ruido de baja calidad en los modelos.

Entre los dos extremos está el dato UMI que ha surgido en el último año, donde las operaciones de los trabajadores se registran en escenarios operativos reales utilizando dispositivos portátiles, lo que facilita la alineación con las necesidades de entrenamiento del modelo. Actualmente, las empresas líderes en China y EE. UU. planean adquirir un total de 1 millón de horas de datos de entrenamiento este año, con datos de máquinas reales representando solo del 1% al 3%, datos UMI alrededor del 70%, y datos de video aproximadamente el 20%. Nuo Yiteng ha dividido su negocio de captura de movimiento para desarrollar de manera independiente, y la tecnología de captura de movimiento puede optimizar la recopilación de datos UMI y de máquinas reales, ahora capaz de suministrar varios datos de entrenamiento en todas las categorías.

Además de la escala, los datos táctiles también se volverán importantes. Por ejemplo, cuando un robot levanta un líquido aparentemente ordinario pero en realidad más pesado, los humanos perciben inmediatamente el cambio de peso y ajustan su agarre; sin embargo, los datos de máquinas reales actuales, los datos de textura y los datos de video carecen en su mayoría de esta información táctil.

Por lo tanto, ahora hay varias empresas que intentan crear soluciones de tela táctil para desarrollar máquinas con percepción táctil, recopilando datos táctiles. Esta dirección es candente para la inversión, pero actualmente no hay ninguna empresa en el mundo cuya tecnología haya alcanzado una madurez completa.

5. En términos de modelos de inteligencia incorporada, las ventajas de China residen principalmente en tres áreas: datos, escenarios de implementación y soporte de hardware.

Actualmente es difícil cuantificar las diferencias técnicas entre los modelos en China y EE. UU. porque la brecha radica esencialmente en la potencia de cómputo. La tecnología no se ha convergido completamente, y la exploración y la investigación tecnológica son particularmente como navegar en el mar oscuro por la noche en busca de la Isla del Tesoro.

EE. UU. no tiene limitaciones de potencia de cómputo, y las empresas líderes pueden enviar 30 barcos simultáneamente cada noche. Cada ronda de retroalimentación de exploración es crucial para encontrar dirección, y cada equipo informa sobre sus rutas. Por ejemplo, si navegan 5 millas náuticas a un ángulo de 30° hoy sin encontrar el objetivo, no necesitarán repetir esa ruta en el futuro.

China está actualmente limitada por las restricciones de chips, lo que le permite desplegar solo un barco por noche, lo que resalta una brecha central. La trayectoria general de los grandes modelos de lenguaje ya está clara, por lo que la brecha percibida no parece significativa. Sin embargo, si la industria experimenta el próximo salto tecnológico, estadísticamente hablando, explorar 30 rutas simultáneamente en comparación con solo una ruta aumenta significativamente la probabilidad de que EE. UU. logre un avance tecnológico primero. Aunque las diferencias actuales entre los modelos parecen pequeñas, la brecha general a largo plazo no es despreciable.

Sin embargo, China tiene ventajas claras en datos, escenarios de aplicación industrial y soporte de hardware.

Varias empresas líderes en EE. UU. están obteniendo datos de empresas chinas, lo que indica que sus propias reservas de datos son insuficientes.

En segundo lugar, en términos de escenarios de aplicación industrial, China tiene enormes empresas manufactureras como CATL y BYD, que tienen fábricas físicas amplias para I+D colaborativa.

En tercer lugar, en cuanto al soporte de hardware, los robots humanoides constan de alrededor de 1,200 componentes, con más del 90% de la cadena de suministro concentrada en el Delta del Río Yangtsé y el Delta del Río Perla de China. Las empresas chinas pueden iterar rápidamente tanto el cuerpo como el modelo. Una vez que se identifica un desajuste entre el algoritmo del modelo y la ejecución del hardware, los proveedores pueden ajustarse y optimizarse en un plazo de dos semanas.

En resumen, China tiene ventajas significativas en hardware y datos, mientras que EE. UU. tiene fortalezas en el desarrollo de modelos, pero la brecha entre los dos no es vasta.

En cuanto al debate sobre si los robots humanoides son para "mostrar" o "uso práctico", muchas discusiones no logran aclarar conceptos.

Los algoritmos relacionados con la inteligencia incorporada se pueden dividir generalmente en tres direcciones principales: Manipulación, Navegación y Locomoción.

Primero, la Manipulación implica el control de tareas físicas, y tanto la inteligencia incorporada como los modelos mundiales caen bajo esta dirección. Actualmente, la industria no ha formado una ruta unificada y madura. En segundo lugar, la tecnología de Navegación ha madurado y se ha aplicado a la conducción autónoma. Tercero, la Locomoción se refiere a acciones de rendimiento como correr y artes marciales, que son más sobre exhibición.

Las tres pertenecen al ámbito de los algoritmos de IA robótica, pero el núcleo que determina si los robots pueden crear un valor comercial a gran escala sigue siendo la tecnología de control. La locomoción se ha desarrollado de manera más madura, siendo Yushun un líder global en este área, y UBTECH también tiene una base sólida. Por lo tanto, es normal que la gente piense que solo están exhibiendo sus capacidades, ya que esta es efectivamente su fuerte. Recientemente, se han establecido más de 360 nuevas empresas de robótica, todas enfocándose en el control; Yushun y UBTECH están bien financiadas y han construido equipos de I+D relevantes, por lo que sus capacidades en esta área también son fuertes.

Mirando únicamente los escenarios de control de rendimiento, el techo del mercado global es solo de aproximadamente 1 mil millones de dólares. En contraste, la escala global de escenarios de aplicación robótica relacionados con la fabricación industrial es mucho mayor, con los dos no estando en el mismo nivel. En términos simples, la tecnología de control maduró antes; en el pasado, los robots solo podían realizar funciones como bailar y actuar. Tomará hasta este año o el próximo para que las tecnologías relacionadas con el control se converjan, permitiendo que los robots aterricen en escenarios verdaderamente prácticos a gran escala.

02 "Dos Cambios en el Campo de la IA Superan las Expectativas, Un Cambio Queda Corto"

En el próximo año o dos, la valoración de las empresas de IA finalmente regresará a la capacidad de ingresos y entrega. Las empresas de software empresarial tradicionales pueden tener una relación precio-ventas (P/S) de 5-15 veces, mientras que las de sectores candentes con tecnologías líderes pueden alcanzar de 20 a 100 veces. Para empresas como Zhipu, si pueden mantener su valoración depende de si pueden lograr un crecimiento significativo en los ingresos. Si pueden alcanzar una escala de ingresos de 10 mil millones, un P/S de 100 veces correspondería a un valor de mercado de 1 billón; sin embargo, si los ingresos son solo de 1.5 mil millones, la valoración del mercado enfrentará una corrección, y la misma lógica se aplica al sector de la robótica.

El ARR (Ingresos Anuales Recurrentes) de una empresa representa su potencial de crecimiento, mientras que los ingresos reconocidos reflejan el flujo de caja. La industria de la robótica no es diferente; en última instancia, aún depende de los ingresos generales, y estos indicadores financieros son la medida más justa.

Por lo tanto, las cosas más importantes para las empresas de IA son dos: si las capacidades del modelo pueden seguir mejorando y si se pueden generar usos y ingresos reales desde el lado del cliente. Estos dos factores determinan si una empresa tiene valor a largo plazo.

En el último año, ha habido dos cambios en el campo de la IA que superaron las expectativas, mientras que un cambio quedó corto.

El primer cambio que supera las expectativas es la potencia de cómputo de IA. La potencia de cómputo total y la velocidad de transición de entrenamiento a inferencia, así como el cambio en los paradigmas de cómputo o demanda, han superado todas las expectativas. Por ejemplo, una gran empresa tecnológica nacional tenía un presupuesto de potencia de cómputo de alrededor de 50 mil millones de yuanes el año pasado, y este año el presupuesto es más de seis veces el del año pasado.

Así, ya sea la aparición de una gran cantidad de nuevas empresas de chips de IA de nueva generación en el mercado primario o la especulación en el mercado secundario en torno a la memoria HBM y los sectores de comunicación óptica, las diversas tendencias candentes en la industria están fundamentalmente impulsadas por una enorme demanda de potencia de cómputo, y la lógica subyacente es coherente. En cuanto a si el aumento a corto plazo en acciones individuales es razonable, no puedo juzgar, pero el calor y el crecimiento general del mercado de potencia de cómputo han superado con creces mis expectativas.

El segundo cambio que supera las expectativas es la velocidad de desarrollo de la tecnología de modelos en sí y la rápida formación de consenso en torno a los modelos en el mercado. Por ejemplo, en enero de este año, con la aparición de agentes inteligentes representados por langostas, las capacidades de codificación se convirtieron en una ventaja competitiva central de los grandes modelos de lenguaje, lo cual no anticipé cuando discutimos las diez principales perspectivas en WAIC el año pasado, donde solo mencionamos que la capacidad de codificación era importante.

Porque la capacidad de codificación ha traído las capacidades de los agentes inteligentes, creo que el valor industrial de los agentes inteligentes es exponencialmente mayor que los productos de IA dominados por chatbots en los últimos dos o tres años. Además, se ha formado un ciclo de retroalimentación positivo: el consumo de potencia de cómputo generado por los agentes inteligentes es miles de veces mayor que el de los productos puramente conversacionales, lo que también explica por qué el crecimiento en el sector de la potencia de cómputo ha superado las expectativas; estos dos están interrelacionados.

El desarrollo de la tecnología de modelos y el entusiasmo del mercado de capital por las empresas de modelos también han superado las expectativas. La velocidad a la que el mercado ha formado un consenso en torno a las empresas de modelos de alta calidad es extremadamente rápida, con los valores de mercado de las empresas líderes capaces de alcanzar billones; un gran número de neo-labs y nuevas startups de modelos han surgido, con fundadores en su mayoría siendo de la generación post-95 y post-00, y estos proyectos pueden lograr valoraciones en rondas ángel de 2 mil millones a 3 mil millones, lo que nunca he visto en un mercado tan candente en todos mis años de experiencia.

Lo que ha quedado corto de las expectativas son las aplicaciones de IA, especialmente las aplicaciones 2C. El año pasado, juzgué que 2025 sería el año inaugural de la era de las aplicaciones de IA. Mirando ahora, el mercado general de aplicaciones de IA aún está superando las expectativas, pero la forma en que se abre es algo diferente de lo que pensé el año pasado. Hoy, las aplicaciones de IA están principalmente relacionadas con la codificación de IA, incluida la desarrollo de agentes inteligentes, lo cual no anticipé. Pensé que podríamos ver a la IA realmente empoderando diversas industrias este año, quizás produciendo algunas aplicaciones 2C con un poco de esperanza de convertirse en la próxima Tencent, ByteDance o Alibaba, pero parece que no ha surgido ninguna nueva generación de aplicaciones 2C que haya emocionado particularmente a todo el mercado.

La primera generación de aplicaciones de IA establecidas en 2022 y 2023, representadas principalmente por herramientas conversacionales y productos de acompañamiento emocional como CharacterAI, ahora se han estancado en gran medida, y la industria está atrapada en una competencia de homogeneidad de productos. El crecimiento de usuarios también se ha desacelerado en comparación con el rápido crecimiento de los dos años anteriores. Nuestra revisión interna concluyó que el problema central radica en que la lógica de crecimiento de usuarios y tráfico de internet y de internet móvil no funciona para productos 2C en la era de la IA.

Los juguetes de IA y los cortometrajes de IA son ejemplos. Algunas empresas de juguetes de IA han vendido cientos de miles de unidades, pero el 90% de los usuarios no activan la función de interacción de IA a largo plazo. Las empresas admiten que esto es en realidad algo bueno porque si cientos de miles de usuarios estuvieran todos en diálogos de alta frecuencia, consumiendo continuamente tokens, la empresa no podría soportar los costos. En los cortometrajes de IA, la proporción de contenido generado por IA ha aumentado rápidamente, pero es difícil producir verdaderos éxitos de taquilla.

Esto indica que la industria de los cortometrajes depende de una base a gran escala, pero la monetización central depende en gran medida de obras exitosas, y en esta etapa, la IA aún no puede producir muchas obras exitosas. Esto también ilustra que en la creación artística, la expresión y concepción artística humana juegan un papel significativo; no se puede simplemente confiar en que la IA genere visuales de personajes exquisitos para respaldar contenido de alta calidad.

En el último año, la tecnología de modelos de video ha logrado un crecimiento exponencial.

La nueva generación de modelos de video, como el explosivo Seedance 2.0 a nivel mundial, adopta la arquitectura MoE, mejorando significativamente las capacidades inteligentes. Ahora soporta resolución 4K. Debido a esto, muchas películas de Hollywood y anuncios de grandes marcas como Coca-Cola y McDonald's tienen segmentos que son totalmente o parcialmente generados por IA, dependiendo de las capacidades de generación de alta definición del modelo.

En esta ronda de modelos mundiales, pueden empoderar la generación de video, lograr efectos de movimiento y colisión de objetos, y restaurar leyes físicas reales, lo cual era completamente impredecible hace un año. En el último año, las empresas relacionadas han visto un rápido crecimiento empresarial, con los jugadores líderes cayendo en dos categorías: tres grandes empresas globales, Seedance de ByteDance, Kuaishou's Keling y Veo de Google; y startups como nuestra invertida Shenshu Technology, Aishi Technology y Video Rebirth, todas las cuales han logrado un crecimiento diez veces en negocios e ingresos.

Ahora, Hollywood, la industria publicitaria, empresas de bodas y conferencias están utilizando estas tecnologías. Varios escenarios de aplicación se han abierto repentinamente, y predigo que la escala general de comercialización de la industria verá un aumento significativo este año.

Seedance, Keling y Veo de Google tienen ventajas centrales en potencia de cómputo y datos.

Seedance, Keling y Google pueden considerarse un tipo, e incluso si Keling se separa, aún puede depender del poder de cómputo y el apoyo de datos de Kuaishou; la ventaja central de estas tres empresas es su propia escala de potencia de cómputo, lo que les da una ventaja sobre startups como Shenshu Technology. Después de la actualización del modelo de video, tanto las escalas de entrenamiento como de inferencia deben mantenerse al día, y estas empresas tienen decenas de miles a cientos de miles de tarjetas, dándoles una ventaja clara.

Sin embargo, creo que todavía hay oportunidades para startups: la tecnología aún no se ha convergido completamente, y las startups no están rezagadas frente a las grandes empresas en términos de talento y velocidad de iteración de exploración tecnológica. Creo que la decisión de Keling de separarse también ayudará a retener talento de primer nivel. La lógica subyacente de la relación entre los VCs y las startups es que aunque las startups son más pequeñas, sus mecanismos de incentivos de capital y su capacidad para concentrar todos los recursos para ejercer esfuerzo les dan ventajas sobre las grandes empresas.

La escala del mercado se está expandiendo rápidamente, y después de la escalada, la división del trabajo se volverá más refinada, con una clara diferenciación en los esfuerzos de comercialización de varias empresas. Primero, en cuanto a modelos de lenguaje, las tres empresas líderes en EE. UU. tienen diferentes experiencias de usuario; algunos sienten que Gemini ofrece una mejor experiencia de chat, pero desde una perspectiva técnica y de consenso industrial, ChatGPT de OpenAI tiene la mayor base de usuarios y fue el primero en lanzar un chatbot conversacional, con muchas optimizaciones centradas en escenarios conversacionales.

Para escenarios conversacionales en inglés, ChatGPT lidera globalmente en fluidez; Gemini, respaldado por Google, tiene acceso a vastos datos en línea, con ventajas en recuperación y organización de información; Anthropic, comenzando desde principios fundamentales, tiene ventajas en capacidades de codificación y agentes inteligentes desde el principio, y los tres han formado una clara diferenciación.

Cada empresa de generación de video también sigue diferentes rutas: ByteDance se centra en el C-end, Keling apunta al negocio B-end, y nuestra invertida Shenshu Technology también se centra en ciertos escenarios B-end, con una tendencia muy clara de diferenciación industrial. Los requisitos para las características del modelo en escenarios B-end y C-end también difieren significativamente.

Ahora hay un peligro oculto: después de la formación del consenso de IA, una gran cantidad de dinero caliente está inundando.

Después de que se forme el consenso, una gran cantidad de dinero caliente está ingresando primero al mercado secundario. Actualmente, no hay muchas empresas de IA puramente hardcore que estén cotizadas, y el grupo de fondos que se puede absorber en el mercado secundario no es grande. Ahora es evidente que el dinero caliente en el mercado secundario está comenzando a fluir de regreso a los mercados primario y primario y medio. Muchas empresas acaban de completar financiamiento y no carecen de fondos, sin embargo, las instituciones aún están dispuestas a aumentar las valoraciones en un 50% a 100%, agregando inmediatamente otra ronda de inversión. Esta afluencia de dinero caliente tiene un impacto significativo en la industria; las empresas que reciben fondos más allá de sus necesidades pueden interrumpir sus juicios estratégicos y operaciones diarias. Sin embargo, también entiendo a los emprendedores; cuando alguien ofrece activamente una valoración más alta y una gran cantidad de financiamiento, elegir rechazar es inherentemente contraintuitivo y difícil de hacer.

A corto plazo, esto es más beneficioso para nosotros, pero a largo plazo, el mercado se volverá muy caótico. Como mencioné anteriormente, ahora hay casi diez empresas de inteligencia incorporada con valoraciones superiores a 20 mil millones, y más de diez empresas con valoraciones de más de 10 mil millones, todas establecidas solo hace dos o tres años, lo cual es en sí mismo bastante anormal.

Muchas empresas están vertiendo grandes cantidades de capital en el sector de IA, lo que probablemente conducirá a una competencia caótica: primero, el costo de la potencia de cómputo está disparándose; un servidor de NVIDIA que originalmente costaba 3 millones de yuanes ahora se está negociando por más de 10 millones, aumentando el costo general de la potencia de cómputo en toda la industria. En segundo lugar, hay una competencia feroz por talento, lo que lleva a salarios disparados en la industria. En tercer lugar, del lado del cliente, hay una competencia desordenada, ya que las empresas carecen de escenarios comerciales maduros y solo pueden agruparse para competir por grandes clientes, comparando meramente escalas de ingresos.

Estos fenómenos perjudicarán el desarrollo de la industria a largo plazo, y el mercado actual está lleno de fervor irracional.

12. Actualmente, el mercado de capital tiene una especie de "infatuación misteriosa" con jóvenes emprendedores de IA.

Primero, la mayoría de las instituciones perdieron las oportunidades de inversión en empresas de grandes modelos hace dos o tres años. Muchas instituciones no invirtieron en ese entonces debido a la falta de convicción y determinación respecto a la IA. A principios de este año, hubo un consenso sobre los grandes modelos, lo que llevó a muchas instituciones a apresurarse a ponerse al día, lo que sin duda proporcionará dividendos de capital especiales a las empresas de modelos emergentes.

En segundo lugar, después de que surgió DeepSeek, muchos quedaron sorprendidos. Numerosos informes de medios afirmaron que el equipo central consiste en estudiantes de doctorado de la Universidad de Pekín y la Universidad de Tsinghua, en lugar de veteranos en el campo de la IA. Esto ha llevado a la impresión de que cuanto más joven sea el equipo, más inteligentes son, y cuanto menos carga histórica lleven, más probabilidades tienen de tener éxito. Muchos inversores en el mercado ahora tienden a confiar en equipos jóvenes. Esto no quiere decir que los equipos jóvenes sean malos; también hemos invertido en equipos muy jóvenes y hemos visto muchos proyectos. Solo creo que usar la juventud de los emprendedores como el principal criterio para la inversión es muy subjetivo y insostenible.

En tercer lugar, han surgido algunos nuevos laboratorios de modelos de vanguardia en EE. UU. El personal central de las tres principales empresas en el extranjero ahora gana salarios anuales de más de diez millones de dólares. Algunos investigadores jóvenes destacados, debido a sus generosos ingresos y la falta de preocupaciones financieras, eligen establecer independientemente nuevas empresas de modelos, lo que también anima a muchos jóvenes en China a intentarlo.

La lógica detrás de esta ola es comprensible, pero cuando evaluamos proyectos individuales, no simplemente invertiremos porque el fundador sea joven. Debemos centrarnos en si su ruta técnica es disruptiva o capaz de lograr una mejora de diez veces. Incluso si el fundador es solo un estudiante de doctorado o un recién graduado sin experiencia relevante en la industria, recopilaremos información corroborativa de múltiples fuentes para verificar de manera integral el verdadero poder del equipo y las elecciones de su dirección de I+D, realizando una evaluación y análisis completos.

13. En tiempos de locura, debemos prestar atención a las lecciones de la historia. En tiempos ruidosos, el pensamiento filosófico puede volverse más importante; necesitamos reflexionar y comprender estos asuntos.

Para las jóvenes empresas que se han establecido solo hace dos o tres años, mi consejo es mirar más hacia la historia. Cuanto más grande sea la ola, más debemos aprender de las lecciones históricas.

De hecho, situaciones similares han ocurrido en el pasado durante grandes olas—como las eras de internet y de internet móvil—solo que la escala se ha vuelto cada vez más exagerada. A finales de la década de 1990, muchas personas podían recaudar fondos y completar OPI en un plazo de dos años. Pero, en última instancia, el polvo vuelve al polvo; sin crear verdaderamente valor, incluso si son favorecidos por el mercado de capital, pueden aún así fracasar.

Por lo tanto, en tiempos de locura, debemos prestar atención a las lecciones de la historia. En tiempos ruidosos, el pensamiento filosófico puede volverse más importante; necesitamos reflexionar y comprender estos asuntos.

La esencia de la inversión es que invertimos en una empresa que puede lograr escalabilidad en el futuro, permitiéndonos realizar retornos a través de OPI y otros medios. Por ejemplo, invertiríamos en McDonald's pero nunca invertiríamos en un restaurante de tres estrellas Michelin. No importa cuán rentable sea un restaurante Michelin, si no puede lograr capitalización y carece de un amplificador de OPI, no puede proporcionar una salida.

03 "Si los agentes inteligentes no emergen en un año, la demanda de potencia de cómputo será reevaluada"

14. Este año, varios gigantes tecnológicos en EE. UU. han elevado su presupuesto anual de potencia de cómputo de IA de más de 700 mil millones a más de 800 mil millones; el presupuesto de China es de alrededor de 100 mil millones.

Estos datos estadísticos pueden no ser completamente precisos, pero la dirección es clara: esta es actualmente la mayor demanda en la sociedad comercial humana que es más cierta que el campo de la robótica y tiene un ciclo de aterrizaje más corto, con una demanda muy clara.

Para dar algunos ejemplos específicos, hace unos años, todos se centraban en el entrenamiento de modelos, pero a partir de este año, sabemos que la demanda de potencia de cómputo e inferencia de ByteDance ha cambiado gradualmente de una relación de 1:1 a más inferencia. Incluyendo a Zhipu, el uso de tokens ha aumentado; si puede mantener el crecimiento de los últimos meses, su potencia de cómputo de inferencia definitivamente aumentará rápidamente. Esencialmente, grandes empresas tecnológicas como ByteDance verán que su demanda anual de potencia de cómputo de inferencia alcanzará el nivel de millones de tarjetas en dos a tres años. Así que esta es una demanda enorme, muy fundamentada y real.

Por lo tanto, la demanda del mercado para las empresas de GPU es muy grande. Incluso si las empresas de GPU solo capturan el 1% de este vasto mercado, significa que pueden lograr ingresos anuales de decenas de miles de millones, y su correspondiente valor de mercado puede alcanzar fácilmente cientos de miles de millones. Sin embargo, el mercado primero se dispersará y luego se convergerá. China puede actualmente acomodar muchas empresas de GPU, pero ¿cuántas quedarán en cinco o diez años? Creo que definitivamente se convergerá.

15. Actualmente, hay aproximadamente tres tipos de rutas de GPU nacionales:

Las empresas de chips de IA en el mercado corresponden a tres rutas técnicas diferentes, siendo las dos últimas emergentes solo en el último año y siendo particularmente activas en el actual mercado primario. El primer tipo son los fabricantes de GPU nacionales, con empresas como Biren Technology, Muxi, Moore Threads, Kunlun Core, Cambricon y Huawei como puntos de referencia. El factor central actual es quién ha asegurado la capacidad de producción de la cadena de suministro nacional. Actualmente, solo unas pocas empresas tienen una perspectiva prometedora para un suministro estable y continuo.

Debido a problemas de cadena de suministro, el suministro de capacidad de proceso avanzada es limitado, lo que ha llevado a la aparición de dos nuevas rutas que pueden satisfacer mejor las futuras demandas de inferencia de IA y evitar problemas de cadena de suministro. Las dos rutas son DRAM apilada en 3D y DDR. Actualmente, hay casi diez empresas que persiguen la ruta de apilamiento 3D y la ruta DDR, muchas de las cuales son empresas líderes, con valoraciones actuales generalmente en el rango de 10 mil millones a 20 mil millones de yuanes, y sus escalas de financiamiento son bastante grandes.

La lógica detrás del optimismo del mercado por estas empresas es sencilla: siempre que los productos puedan ser producidos en masa, pueden resolver inmediatamente el problema de capacidad de suministro; además, el espacio incremental futuro en el mercado de inferencia es enorme, y estas empresas siempre capturarán las correspondientes cuotas de mercado.

16. Las expectativas del mercado sobre la demanda de potencia de cómputo aún están vacilando, lo cual es algo a tener en cuenta.

Lo que todo el mercado necesita estar más alerta es que hace apenas unos días, ya hubo un choque cuando surgieron informes de que Meta planeaba vender parte de su potencia de cómputo redundante. Esta noticia no fue oficialmente liberada por Meta, y el mercado comenzó a dudar de todas las previsiones anteriores de la industria. Esa noche, el mercado de valores de Corea del Sur activó directamente un cortocircuito, con acciones de Samsung y SK Hynix cayendo en picada, mientras que las acciones relacionadas de Hong Kong y A-shares también cayeron en sincronía.

Si las aplicaciones de IA posteriores no logran mantener un crecimiento explosivo sostenido, por ejemplo, si el desarrollo de agentes no muestra mejoras después de un año, o si la comercialización no avanza más, o si las capacidades de los modelos no mejoran más y solo pueden mantener el nivel actual, la escala general de aplicaciones no podrá aumentar, y las expectativas de crecimiento de potencia de cómputo se verán destruidas, lo que llevará a riesgos concentrados en los mercados primario y secundario.

17. La brecha entre los chips de IA de alta gama nacionales y NVIDIA radica principalmente en el ecosistema de software.

Actualmente, los chips utilizados para el entrenamiento de modelos son básicamente de NVIDIA, y todos los sistemas de entrenamiento de modelos están construidos sobre el ecosistema CUDA. Para lograr alta eficiencia y bajo costo en la inferencia, la compatibilidad con CUDA es esencial. Este no es solo un desafío para las empresas chinas; AMD también ha luchado con este problema durante más de una década.

Algunos cambios están surgiendo ahora. Primero, en comparación con la era de IA 1.0, la convergencia de los algoritmos de grandes modelos es mayor, lo que hace que la optimización de operadores sea relativamente más fácil y reduce las barreras de adaptación que trae CUDA. En segundo lugar, en los últimos seis meses, la capacidad de escribir código de grandes modelos ha mejorado; ahora todos los fabricantes de chips que no son NVIDIA están utilizando grandes modelos para adaptar automáticamente los operadores. Sin embargo, independientemente de los desarrollos, el ecosistema CUDA sigue siendo la mayor barrera competitiva de NVIDIA.

En el lado del hardware, se ha dicho durante muchos años que nuestros procesos de suministro de energía avanzados están rezagados respecto a TSMC por una generación, y el número de transistores en los chips es menor. Para lograr la misma potencia de cómputo, debemos aumentar el área del chip, lo que eleva los costos y aumenta la presión de disipación de calor, llevando a una serie de problemas en cadena. En términos simples, nuestros chips de alta gama actuales están rezagados respecto a NVIDIA por al menos una generación.

Descargo de responsabilidad: Este contenido se proporciona únicamente con fines generales de desarrollo de marca e informativos y no constituye asesoramiento financiero, de inversión, legal ni fiscal. Cualquier evento, recompensa, evento en línea o información relacionada que se mencione en el presente documento no debe considerarse como una recomendación, solicitud o invitación para comprar, vender, tradear o negociar de cualquier otra forma con cualquier criptoactivo o para utilizar cualquier servicio. Los criptoactivos son sumamente volátiles y pueden provocar pérdidas. Es posible que los servicios de WEEX y los eventos en línea no estén disponibles en todas las regiones, así como que estén sujetos a las leyes, regulaciones y requisitos de elegibilidad vigentes. Usted es responsable de asegurarse de que su uso de los servicios de WEEX cumpla con las leyes locales y de evaluar cuidadosamente los riesgos antes de participar en cualquier actividad relacionada con las criptomonedas.