在当今科技投资领域，人工智能无疑是最受瞩目的焦点。随着OpenAI宣布1.4万亿美元的基础设施建设计划，英伟达市值一度突破5万亿美元大关，市场对AI是否存在泡沫的质疑声此起彼伏。然而，AI领域并非铁板一块，不同细分领域的发展状况和投资价值存在显著差异。本文将深入剖析AI应用层、推理基础设施和模型训练三个关键领域的投资现状，帮助读者理性看待当前AI投资热潮，识别真正的价值所在。
AI应用层：被低估的价值洼地
与普遍认知相反，AI应用层实际上面临着投资不足的问题。基于AI基础设施/技术（如LLM API）构建的应用程序，其潜在价值远超大多数人所认识。从经济学角度看，应用层必须比底层基础设施更具价值，因为只有这样才能为基础设施和技术提供商创造足够的支付能力。
应用层的巨大潜力
在过去的几年里，我观察到许多采用Agentic工作流的企业正在蓬勃发展，这一趋势有望在未来十年加速发展。然而，许多风险投资机构对投资AI应用持谨慎态度，主要原因是他们认为自己难以识别出真正的赢家。相比之下，将10亿美元投入AI基础设施的建设路径则更为明确。
部分投资者也受到市场炒作的影响，认为几乎所有AI应用都将被前沿LLM公司的基础模型改进所淘汰。这种观点忽视了应用层创新的独特价值——即使基础模型不断进化，基于特定场景的应用仍将创造出不可替代的价值。
市场认知与实际需求的差距
当前，AI应用的渗透率仍然较低。许多开发者仍在使用旧一代的编码工具，甚至有些尚未采用任何Agentic编码工具。随着Claude Code、OpenAI Codex（随GPT-5发布而显著改进）以及Gemini 3使Google CLI变得极具竞争力等工具的不断进步，其采用率必将大幅提升。
当市场渗透率提高时，对token生成的总体需求将随之增长。这种需求的增长将反过来推动更多AI应用的开发，形成良性循环。对于我的风险工作室AI Fund而言，AI应用层仍然是一个巨大的投资重点。
AI推理基础设施：供需矛盾下的投资机遇
尽管AI的当前渗透率仍然不高，但基础设施提供商已经难以满足处理能力的需求，特别是在生成token方面。我的多个团队都在担心是否能获得足够的推理能力，而成本和推理吞吐量正在限制我们进一步利用AI的能力。
供不应求的市场现状
企业面临供应限制而非需求限制，这实际上是一个好问题。后者（需求不足）更为常见，即没有足够的人想要你的产品。然而，供应不足仍然是一个挑战，这正是我们的行业正在大力投资扩展推理能力的原因。
以高需求的token生成为例，高度自主的编码工具正在快速发展。这些工具的改进将推动其采用率的增长。同时，整体市场渗透率仍然较低，许多开发者仍在使用旧一代的编码工具（有些甚至没有使用任何Agentic编码工具）。随着市场渗透率的提高——我确信会实现，因为这些工具非常有用——对token生成的总体需求将增长。
推理基础设施的投资风险
需要强调的是，这并不意味着投资这个领域不会亏钱。如果我们最终过度建设——目前我还不确定是否会这样——那么提供商可能不得不以亏损或低回报出售能力。我希望这个领域的投资者能获得良好的财务回报。然而，好消息是，即使我们过度建设，这些能力也会被使用，这对应用开发者是有益的！
AI模型训练：高风险高回报的投资领域
看到对训练更大模型的投入，我感到很高兴。但在三个投资领域中，这似乎风险最高的。如果开源/开放权重模型继续增加市场份额，那么投入数十亿美元训练模型的一些公司可能不会看到有吸引力的财务回报。
技术进步带来的挑战
此外，算法和硬件的改进正在逐年降低训练特定能力水平模型的成本，因此训练前沿模型的"技术护城河
