共计 1068 个字符，预计需要花费 3 分钟才能阅读完成。
AI 的竞争焦点正在发生变化。 在 2026 中国 AIGC 产业峰会上 ,Fusion Fund 创始合伙人张璐分享了她对硅谷 AI 趋势的观察: 过去两年被反复讨论的模型规模、训练算力, 正在让位于推理效率、数据中心通信层, 以及真实世界数据的获取能力。
📌 AI 叙事从“大模型”转向“产业部署”
张璐提到, 硅谷过去一轮 AI 创新主要围绕大语言模型、生成式 AI 和训练算力展开 。但进入新阶段后, 行业更关心的是 AI 如何进入具体行业, 如何用更低成本的小模型完成垂直场景部署, 以及语言模型之外的物理 AI、世界模型等方向。
这一变化背后, 是 AI 从技术展示走向产业落地 。企业不再只看模型参数和榜单表现, 而是更关注系统能否稳定运行、成本是否可控、能否接入真实业务流程。
🔍 推理将成为算力消耗主角
在基础设施层面, 张璐给出了一个重要判断: 训练更像一次性投入 , 而推理会成为持续发生的长期需求。随着 AI 交互从聊天对话走向智能体, 系统需要更频繁、更持久地响应用户和任务, 推理算力的重要性会继续上升。
💡 数据中心的“隐形电老虎”在通信层
除计算本身外, 张璐特别强调了数据中心通信环节的能耗问题 。AI 数据中心内部不仅要完成计算, 还需要大量数据传输、交换和调度。她提到, 在部分讨论中, 通信过程消耗的电力可能远高于计算本身, 甚至达到几十倍到上百倍量级。
- 推理需求增长: 智能体长期在线会带来更稳定的推理负载。
- 通信能耗上升: 数据在芯片、服务器和集群之间流动, 成为成本压力来源。
- 基础设施重构: 光通信、边缘计算、小模型部署将获得更多关注。
📊 物理 AI 的瓶颈在高质量真实数据
张璐认为, 物理 AI 并不等同于人形机器人 , 它还包括无人驾驶、工业制造、医疗、物流、太空等场景中的 AI 与物理世界交互。当前架构和算力正在成熟, 真正不足的是可用于训练的高质量真实世界数据。
合成数据可以补充训练, 但难以完全覆盖真实世界中的边缘场景 。制造业、医疗等行业积累了大量高价值数据, 却往往缺少标准化采集、治理和转化机制, 无法直接变成可训练的数据资产。
她还提到, 新型传感器、人工皮肤、边缘计算等技术 , 可能成为物理 AI 获取真实数据的重要入口。特别是在工业现场和机器人触觉场景中, 低能耗、高精度的数据采集能力将直接影响模型能力上限。
🚀 行业观察:AI 落地比拼的不只是技术
围绕“未来推理将吃掉 70% 算力,30% 留给训练丨硅谷投资人张璐”，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
