我们都在问，为什么大部分的人在投资里，总会错失一个个时代。是因为太多精彩纷呈的诱惑，还是短期激励与考评的限制？我们觉得，更多是没能把握住时代的主要矛盾，迷失在投资世界无限的细节与纷扰之中，纵然“持”却不能“久”，总在跌宕起伏的市场波动中与时代失之交臂。
一、 回首来势
回首2024，我们精力全部集中在了AI投资的研究上，基金也获得了不错的收益。这一年转瞬即逝，而时代的主体脉络已变得清晰可见。鉴往知来，在我们迎接2025“新赛季”之前，有必要先对过去这一年的两条时代主脉络做个总结。
第一条脉络是加速进化的AI前沿模型能力。
2024年，我们最常听到的质疑是：AI的进化“撞墙了”。但年底收官，我们可以论定，在穷尽了公开文本数据之后，科技界在多模态和逻辑推理数据上，又找到了另外两条AI能力的进化路线。
其一是AI的“多模态能力”。它允许AI能实时的接收语音与视频作为交互信息，能从视频数据中学到部分世界规则，也可以拟人的声音或电影画质的视频来表达和输出，这是AI融入人类社会的“基本接口”。随着Sora的官宣，视频生成模型大战打响了，来自中国的海螺和可灵等视觉模型，甚至以更高质量和更低成本反超了西方选手。未来，随着AI多模态能力成本的下降，使用“视觉”与“听觉”进行交互，会大面积取代“文字”交互，这是非常重要的一种AI能力的进化方向。
其二是AI的“逻辑推理能力”，这是继“直觉”能力之后的又一项模型的核心能力。o1模型的出现，使得AI不再是“一问一答”的聊天机器人，而是会对任务进行拆解、探索和反思检验的“任务机器人”，幻觉问题也得到了更进一步的解决。推理时间的“扩展定律”，也取代了模型参数的“扩展定律”，成为模型能力进化的算力投资方向。值得注意的是，推理时间的“扩展定律”进化速度甚至加快了，从o1预览版到o3 mini版之间，相隔仅仅4个月。按照Openai科学家Noam Brown说法，在通往AGI的道路上，最大的难题已经得到了解决。
另一条脉络则来自成熟模型的“降本与平权”。
相比“前沿模型的效果收敛”“收敛模型的成本下降”要容易得多，模型降本的速度有些超乎想象。按照A16Z的统计，过去两年，AI模型每百万Token的推理成本下降了3个数量级（如下图，即10%的10%的10%）。这得益于前沿模型收敛之后，全球模型研发企业的人才流动和算法平权，以及AI算力投资竞赛的遍地开花。通过对模型参数的剪枝量化，GPT4从初始1.8万亿参数下降到最新4o的几千亿参数；通过对模型矩阵运算的低秩分解，Deepseek的MLA机制允许模型运算化整为零，对内存的占用也十不存一；通过采用更多专家的MOE架构，从GPT4初始的8个专家，到Deepseek最新的V3模型已有257个专家，每次会话的激活参数大幅下降。还有来自软硬件层面的创新，包括ASIC芯片的开发热潮，跟随TPU的步伐，Trainium、Dojo、Maia等ASIC芯片都陆续问世；以及GPU不断升级的更高算力、更宽内存和更大GPU集群；还有软件层面的迭代也为AI加速，英伟达声称通过CUDA软件的创新，H100在过去1年内性能提升了5倍。
降本为AI模型的普及带来极大的推动作用。ChatGPT的周度活跃用户数达到了3亿，成为史上增长最快的应用产品，也为Openai带来1570亿美元的天价估值。而降本的另一个影响，则是模型能力的快速平权。与GPT4o同台竞争的Claude、Gemini、Llama和Xai等模型，虽然用户数仍差一个数量级，但模型能力都与Openai之间快速缩短差距；甚至于国产的字节豆包、智普GLM、阿里千问、幻方DeepSeek等AI模型，也起码在各项“开卷考”的测试中达到4o相同水平。而与Sora竞争的视频生成模型，如Runway、谷歌Veo、Meta Movie Gen，以及来自中国的快手可灵、海螺AI、字节即梦的等产品，甚至在成本和效果上都超越了Sora（因中国拥有视频数据优势，以及Openai算力资源紧缺所致）。
二、 远望前程
踏入2025，时代的这两条主脉络开始交汇，另一番图景也逐渐变得清晰 —— 世界正迈入一个“AI Agent”的时代。目前为止所有模型所训练出的知识与能力，都在为此AI应用形态的落地而做准备。沿着这条路发展下去，我们首先会在2025年，看到以下几个Agent发展的必要条件，变得更加充分，带动普及率的逐步提升。
交互能力：文本、声音与视觉等实时多模态输入、输出与转换能力，直接决定了Agent的交互能力。成熟的Agent应用，应该更多依赖于实时的语音和视觉交互和结果输出。2025年，“降本”是该能力发展的主旋律。以视频生成为例，当前的成本仍是高不可攀，Sora生成一分钟高清（1080p）视频的报价在120美金。假如全球短视频都靠模型生成，一年70亿小时的产出，线性计算成本就是8400亿美金（长度高于一分钟的视频，生成成本会非线性上涨）；再考虑视频生成的成功率可能只有不到20%，那么总成本将高达4.2万亿美元，根本不切实际。即便是以成本优势领先的国产模型，例如快手可灵，生成一段5秒钟的高清视频也需要约3.5元人民币。按照Deepseek V3模型最新价格来计算，3.5元相当于约200万token的文字问答价格，或进行1000次模型对话所需成本。可见，2025年快速降低视频模型的成本，对于多模态能力的推广至关重要！
逻辑推理能力：这是Agent对任务进行拆解、探索和结果检查时的核心能力。“降本”也同样是推理能力在2025年的主旋律之一。Openai科学家 Noam Brown在12月最新采访中提到：“让AI在一手扑克牌中思考30秒，能达到将模型参数扩大10万倍相同的效果……我们未来的目标是让模型能够思考数小时、数天、甚至数周”。以当前o1每百万token输出成本60美金来衡量，随着思考时间的拉长，推理的成本会非常之高。12月o3系列模型发布时，我们在赞叹其强大性能之余，也看到了单个任务的算力成本仍不具商用价值——高强度模型完成单个任务的成本甚至高达数千美金，而相比之下，人类可能只需花费5美金。不过对此我们并不过多担心，正如前文所述，我们发现：相比“前沿模型的效果收敛”，“收敛模型的成本下降”要容易得多，而且是全球科技企业齐心协力的结果。目前推理能力仍处于最早期的发展阶段，降本提效的斜率非常陡峭，我们有信心25年的成本下行会为AI Agent的落地推广提供有效助力。
记忆与长窗口能力：更好的长短期记忆机制和上下文窗口长度，对于Agent的使用体验和使用效率至关重要，这也是2025年前沿模型能力重点开发的方向之一。想象一下，如果你新来的同事，过了一个月还是保持着第一天的记忆，你们之间的互动性和工作效率会大打折扣；对于AI陪伴类Agent，记忆与个性化更是意味着情感交互的深入程度；而虚拟助手在帮助用户进行日程安排、新闻推荐、餐厅建议等服务时，更是需要长期记忆的支持；一些复杂的任务环境里，可能需要数个小时乃至数天的推理工作，所涉及的中间工作数据，更是需要一套有效的记忆机制和更长的上下文窗口去搭配。目前的聊天机器人，通过“定制化指令”和“上下文预填充”的方式进行临时或少量的记忆，大规模应用的上下文窗口也大多在10万token的级别，但面对任务机器人Agent所需的记忆和窗口长度，我们还要在机制和硬件上进行迭代。这与两年开发逻辑推理能力相比，想让要容易得多
人类的任务行为数据：这或许是模型能力以外，关系到Agent的应用落地最重要的一项条件。从底座通用大模型，到适用于某类任务的Agent应用，需要模型学习任务的“工作流”。就像毕业生逐渐适应就业岗位的工作内容、工具使用和团队协作，这是一个微调的过程。这个学习过程，目前为止大部分是通过人类设置的“提示词工程”来完成，本质上还是人类的“手动编码”，这与深度学习的本质仍相背离。2025年，构建Agent的主流方式，可能是各个领域使用“人类完成任务的行动数据”，对底座模型进行“强化微调”来实现。（任务行为数据带着任务步骤的因果信息，是模型能力泛化的关键；而强化微调技术则是Openai在12月的技术发布会上给世界带来的最新技术）那么，摆在各行各业面前的挑战，就在于这些“人类的任务行为数据”是否准备好了。在人类工作生活的许多领域里，行为数据的采集面临着采集感应器缺失，隐私保护，数据噪声过高，数据种类多样性较低等问题。这导致了Agent应用的落地过程中，前期的行为数据积累和再组织工作，成为落地时间和效果的重要制约因素。这也导致了以此为业务的公司，例如国防领域的数据治理和AI决策龙头P公司，成为市场的香饽饽，市销率高达50倍以上。而2025年，每一家有着打造Agent业务野心的企业，都需要在人类行为数据的采集和治理上去下功夫，消费者市场也可能会出现更多的IOT硬件，为收集用户行为数据做准备。
总而言之，围绕Agent应用的构建，2025年我们会继续看到模型成本继续的大幅下降，也会看到前沿模型能力的继续提升。而Agent应用可能会在拥有人类任务行为数据的领域里，首先试水并逐步提升效果，类似于自动驾驶从L2到L5的过程。这个世界的许多商业模式也都将面临冲击或发生重构。
到目前为止，人工智能的本质还是“模拟人类”，是将所有“人类行为痕迹”，通过一定算法和算力，转变成机器可重复的“技能”。因此，在算法和算力逐步平权和普及的2025年，那些在过去业务中保留着任务行为数据的公司，最有可能诞生出Agent，成就全新的商业模式。而那些没有数据的公司，可能面临着被时代淘汰的命运。
例如，在汽车行业里，过去人类驾驶的行为痕迹大多没有被作为数据保存下来的，但电车龙头T公司用了十年，销售超过700多万电动车，并记录下了所有车主的驾驶行为痕迹，再从中评选出5星司机的优秀驾驶行为，做出了FSD驾驶软件，为公司创造了无人出租车的新业务。FSD就是一个驾驶Agent——虚拟司机。而大部分传统汽车厂商，都没有为这个即将到来的变革做足准备：当汽车使用率从现在每周10小时上升到每周100小时，使用自动驾驶的共享汽车变得普及，每年汽车销量将不可避免地出现下滑。
例如，在软件行业里，全球最大的CRM软件公司S，也是凭借过去累积的百行千业的销售与客服行为数据，做出了名为Agentforce的虚拟销售代表或客服代表，商业模式从卖软件开始转成卖虚拟员工，我们在上期观察中详细介绍过。
例如，在教培行业里，拥有“如何培养一个优秀的老师，如何设计一个有效的教案，如何因材施教的教导学生”等行为数据的教培企业，最有可能会推出AI老师。商业模式也会从过去开教学网点卖大班课，转变成在不受空间与教师资源的限制下，大规模销售1对1的AI私教课。而过去仅有题库资源的竞争对手，可能会因为没法训练优质的AI教师与课程而惨遭淘汰。
例如，在社交领域里，那些与你生活交集更广的生态平台，掌握了用户使用电脑与手机的行为数据，所推出的AI陪伴机器人或虚拟助手，会更懂用户，能够进行更深入的交流，产品粘性更强，甚至具备网络效应。值得一提的是，目前所有AI应用中，AI虚拟陪伴软件拥有最高的用户时长。第一名Character.AI最近3个月日均时长甚至高达98分钟，是ChatGPT的近9倍。随着模型多模态沟通能力的提升与降本，未来两年，AI陪伴应用会以多种形式进入你我的生活，包括不限于虚拟好友、AI玩具、AI配饰等，也有可能成为社交网络企业下一项重磅业务。
例如，在房地产行业里，中介平台公司如果拥有足够多的房产数据库，以及中介作业流程数据，完全可以推出AI中介助手，替代房产中介线上低效的重复劳动，大幅提升人类中介的人效和专业度。
例如，在广告行业里，如何为具体商家定制营销方案和广告素材，选取合适的广告对象，也是一个经验活。在最多广告行为发生的地方，会保留最多的广告行为数据，所训练出的广告营销Agent，其转化率理论上也会是最高，与流量盲目变现的商业模式，效果形成天壤之别。
相反，传统过去的商业模式中，也存在一些无法获得高质量任务行为数据的公司，可能较难诞生Agent应用。例如，互联网时代有很多非常优秀的公司和产品，实际上并不产生高质量人类行为痕迹。像导航软件、打车软件、搜索引擎，计算器等，所涉及的任务步骤较少，每一步的复杂度和自由度较低，并不存在使用产品的“经验”一说。好比你会说某人能熟悉使用excel，而不会说他熟悉地使用打车软件。因此，在AI应用的范畴里，这些产品最终会成为Agent所使用的工具、数据库与服务提供商，导致商业模式不可逆地发生一些改变。我并不是说有了人工智能，这些公司就没有价值：人们不用重新发明轮子，同理人工智能也不用放着“计算器”程序不用，每次都靠推理来算数。
三、 投资启示
尝试理解了时代的这些来龙去脉，对我们的投资又有什么启示？
第一，对于AI算力需求来说，模型降本带来的风险是次要矛盾，降本之后的AI应用的普及才是主要矛盾。至今还有很多人怀疑AI基础设施投资的合理性，其实AI投资的回报率，归根到底还是AI应用的普及度问题。如果AI基础设施投资，所服务的只是某个具体的细分行业，自然容易入不敷出。但如果服务的对象是全球所有行业和全部人口，就另当别论了。全球GDP100万亿美元，假如AI可以拉动每年经济增长1%，就足以支撑4万亿美元的AI投资（4年折旧）；且在创收之外，AI也在为经济节省开支：例如，全球3000万程序员每年的薪酬约1.5万亿美元，假如AI能替代其中1/3的人工成本，就能省下5000亿美元，这还没算其他管理、销售或研发费用的节省。所以说，AI应用的普及度越广，AI基础算力的目标市场空间就越广阔，而成本下降只是普及过程的手段而已。
第二，随着AI应用的普及，AI算力全面进入“推理时代”，对高端GPU的需求可能会不减反增，这与市场担忧的“推理任务简单导致高端GPU需求下降”有所不同。首先，最新的Blackwell系列GPU，是专为推理任务而生，其独创的FP4精度，高达288GB的内存，以及72个芯片全互联的NVLink技术，使得推理任务的运行效率相较H200提升了30倍。其次，在未来Agent的工作环境中，时间逐渐拉长的思维链推理，对于芯片集群的共享芯片内存和通讯速度的要求非常高，12月刚刚推出GB300的内存设计，是迄今为止世界上唯一可以支持10万token过程推理数据的芯片。此外，当AI应用全面普及之后，用户数暴涨，任务多样性和并发数也会变得非常高，对于集群并行的需求只会越来越大。而集群是GPU的优势所在，并行计算的集群越大，加速效果越高，运行的成本就越低。再者，与ASIC对比的过程中，我们不能只看单一芯片参数或是单一任务的成本比较，GPU在通用性、集群能力和软件加速上，是提高芯片的算力使用率和并行加速效果的主要手段，对比过程不能视而不见。最后，传统大厂定制ASIC更多是战略意义，为自己在N公司产品的采购中争取话语权。ASIC芯片的设计难度不比GPU低，除了G公司从2013年（N公司当时还只是个不起眼的百亿市值企业）起耕耘出了TPU以外，其他大厂的路还很漫长，且在挑战GPU的路上还有另外两大困难：不断变化和迭代的算法（ASIC是将算法逻辑固定到电路里的芯片，算法大改，芯片作废），以及高速移动的靶点（在芯片研发领域，暂时还没有哪家公司的迭代速度跟得上N公司）。
第三，预训练以及对训练算力的需求没有停止，甚至竞争可能加剧。随着算法和算力的平权，我们甚至有可能看到第一个超越GPT4o的底座模型，出现在Openai以外的地方。预训练还没有停止，在推理时间的扩展道路之外，做大模型规模仍在继续，只是还不见第一个效果收敛的模型出现而已。这也留给了竞争对手一个超越Openai的机会，竞争的火药味只会更浓，十万卡集群依旧是竞争的起点。而数据墙可能在未来几年内见顶，但不是2025年。目前来看，首先发布前沿模型的公司拥有的品牌优势，能够快速聚拢用户。以11月份的网页端访问数据为例，ChatGPT达到近40亿次访问量，而第二名Gemini只有2.8亿次，差了一个数量级。所以，虽然“已收敛模型的降本和平权”是过去一年的主旋律，但能够在最前沿模型上超越Openai至今还无人能及，其意义和实际效果都将非常诱人。这里的竞争火药味也是预训练算力需求得以持续最重要的催化剂。
第四，B端软件可能会最先被Agent化。B端软件的功能使用起来相对复杂，所涉及工作流逻辑链条较长，数据也相对容易被留存用以微调模型，所以最容易诞生Agent。正如我们11月观点所述，软件公司的Agent化带来一种全新的商业模式——销售“虚拟员工”并以工作量定价。这会逐渐区别于当下的软件订阅付费模式，甚至因为客户裁员而导致软件订阅收入的下降，一如上个时代云订阅替代买断式付费的过程。另一方面，软件企业本身占大头的研发成本和销售成本，也会因自身使用编程Agent和销售客服Agent而逐渐下降，带来软件公司利润率普遍的上升。叠加全球软件IT采购走出周期谷底，以及整体软件估值也从底部抬头，2025年软件行业的投资机会值得重视。
第五，传统的C端软件Agent化的道路可能相对较窄，但原生的C端Agent应用可能层出不穷。C端用户付费意愿低，使用频率非常高（意味着算力成本高），且用户行为模式单调，Agent化的意义不大。正如前文所述，大部分传统C端软件未来充当的角色，可能更多是作为Agent所使用的工具、数据库与服务商。但也有某些消费者领域适合Agent化，例如游戏和电商。游戏领域里，除了制作过程会受益于AI工具的降本和加速，游戏NPC的Agent化互动也是一个可以深挖的场景；甚至会出现打破固定游戏剧情线路，场景与剧情走向完全根据互动结果而重新生成的开放性游戏。事实上，以生成式图片为场景，以文字问答进行互动的剧情游戏平台《彩云小梦》，已经可以做出Agent NPC和生成式剧情的开放性游戏。电商领域的推荐机制经过了从展示到搜索，再到信息流推荐的几轮进化迭代；如今，如何根据用户具体需求进行主动选品，也是一个可以被Agent化的任务——全能AI导购Agent。它能完全从用户需求角度出发（而不是广告角度出发），给予产品品类功能的科普，品牌特性的解释，以及匹配需求产品的推荐。这种Agent完全可以通过用户选品的行为数据和各种形态的推文训练出来。还有，我们也已经看到了一些全新的AI原生应用品类的诞生，例如AI搜索或AI知识引擎、AI短视频生成器、AI陪伴的电子宠物或AI伴侣。该等应用与某些许多互联网场景相结合，例如社交网络或短视频平台，可以创造出更多爆款产品。
第六，AI应用的机会不止于信息产业，传统领域如医疗、金融和教育等方向也会有值得投资的机会。以AI教育为例，目前的行业实践主要以学习机为载体，为学生提供习题的搜题解题、薄弱点推荐练习和作业批等功能。这些功能靠着小模型，以题库数据作为训练对象，已经存在了许多年。而在大模型能力逐渐成熟之后，AI教育的最终模式会逐渐演变成“AI教师”的Agent。事实上，ChatGPT已经成为很多人日常生活中的老师。但在义务教育阶段里，AI老师还需要依赖于教学大纲数据，教师培训数据和师生互动数据对于模型的训练微调。中国教培龙头T公司CTO田密有一个说法是，教培行业存在“个性化、大规模和高质量”的不可能三角：公司最早推出的培优小班可以做到高质量和个性化，但做不到大规模；后来做了网校，大班的方式可以做到大规模和高质量，但做不到个性化；再后来做了各种AI课，勉强可以做到个性化和大规模，但是教学质量和真人老师还是有很大的差距。AI教师Agent可以将这三者结合起来，让教育成为可高质量规模化的产业。且与真人教师相比，可以做到24小时随身教导，进行跨学科教育（知识是一种网络，连接越广，学得越好），也解决了课外辅导灰色产业的属性，商业模式彻底轻资产化，盈利方式从“卖学习机”转变成“按AI老师课时付费”。目前市场开始出现的“AI老师”雏形是“AI讲题”的功能，24年中T公司发布的九章随时问APP，不再针对习题直接给出答案，而是引导学生一步步的思考和解题。相信随着大模型推理能力的发布和飞速降本，25年AI教师的能力也会逐步得到提升。
第七，时代的脉络起源于大洋彼岸，尤其是前沿模型的探索；而降本和平权的主线，却在中华大地上此起彼伏，层出不穷。AI应用的普惠效应，或在缺乏增长点疲弱的中国经济身上，再次如互联网科技一般，重启一个新的增长引擎。12月，豆包和Deepsek V3分别的两场发布，不仅让我们看到在算力约束条件下，中国AI模型平权和降本的速度没有放缓，更重要的是，让我们嗅到了25年的AI竞争的“火药味”，中国各大科技企业正在陆续加入这场 All in AI 的竞赛。我们观察到，中国的AI龙头B公司，本月据称将在2025年向AI领域投入1300亿以上资本开支，将其AI模型的调用量提升10倍以上，同时继续降本以使多模态应用能融入自身业务。消费硬件龙头X公司，也于本月成立了AI平台部，在努力构建万卡集群的同时，挖来了Deepseek核心开发人员领导模型开发，其IOT生态也非常适合搭建Agent平台来统筹和赋能消费者，我们可以像iPhone一样，期待小爱同学的全面升级。电动车领导者L公司的CEO李想，本月也罕见地做了一期长达三小时的AI对话，核心观点是要将公司打造成一家“人工智能”企业，每年投资至少100亿去打造大语言模型底座能力，把汽车打造成“硅基家人”。甚至近两年低调沉默的社交龙头T公司，似乎也在摩拳擦掌地准备加入这场“人工智能激战”。凭借其垄断的社交关系网络、纵横交错的应用场景和长年积累的用户行为数据，T公司的AI应用落地潜力巨大，尤其在AI陪伴领域。我们期待25年这一场AI化竞争浪潮在中国的市场上，能为沉闷的经济和投资注入更多的活力。
第八，在结束思考之前，我们还需要再仔细审查下当前AI投资的市场估值和一些潜在风险。价值投资从来不是一马平川，过程中有太多是非曲折，这些可能是投资的次要矛盾，也可能会造成长期上涨过程的无数深坑。投资人也需要甄别和监视这些次要矛盾，警惕其演变成主要矛盾，对投资的确定性造成冲击，并提前做好应对预案。可以说，长期的价值投资，就是一个不断与次要矛盾抗争，牢牢守住主要矛盾的结果。
其中一个当前的次要矛盾，来自不便宜的市场估值。经过两年的上涨，美股指数当前的估值，在过去20年的历史上，显得比较昂贵。纳指100未来12月动态PE估值27倍，标普500动态估值22倍，皆高于平均水平（纳指20倍，标普16倍），临近20年来最高点（如下图）。虽然我们对于2025年的AI产业发展趋势感到乐观，但也需要对高企的市场估值抱以客观审慎态度。我们倾向于认为，在当前AI技术、经济复苏和利率下行的带动下，市场估值可能会保持高位运行；但至少在当前充满变数的国际环境中，以及日元套息利差不断缩小的全球流动性环境下，25年的市场波动可能会有所加剧，指数收益率不能期望像过去两年一样高。投资人可以考虑提高现金仓位比例，使用保护式期权，或在确定性较高、估值相对较低的投资上提高仓位，为随时可能到来的高波动市场，做好策略和心理上的准备。
另一个次要矛盾是市场所担心的美股集中度问题（如下图）。我们并不过多担忧。首先，现有龙头的集中度变化，说明的是在时代发生剧烈变化的时候，许多市值龙头企业都会被后来者所替代，就像这两年迅速崛起的算力巨头N公司。时来天地皆同力，运去英雄不自由，向来如此。投资人所需要做的，是甄别并远离那些可能逐渐被时代抛弃的旧日宠儿。其次，从全球视野来看，当前美股的集中度依然低于其他重要市场，虽然在接近历史高点，但并不一定说明什么（如下图）。
另一个次要矛盾也值得一提，存在于确定性最高的AI算力领域。过去几年，GPU龙头N公司的产品迭代速度越来越快，这是公司自20世纪90年代从游戏显卡的激烈竞争中胜出，并保持垄断地位最重要的一个优势。但在AI算力的生意里，芯片从代工厂出货后，并不能马上满足客户急迫的训练推理需求，中间还需要产业链的配套，尤其是数据中心建设的配合。因为Blackwell系列芯片在功率和用电量、散热形态、集群规模、维护难度等方面，相对于Hopper系列对数据中心都提出了更高的要求，据调研这造成了新数据中心建设进度的延迟（并不是每个数据中心都有Xai十万卡集群的建设条件和速率）。当客户数据中心建设进度落后于芯片出货进度，芯片会作为库存堆积在ODM渠道与最终用户的仓库里。虽然芯片从长期来讲依旧供不应求，但我们也要对短期库存可能造成的数个季度的短期需求下行周期，做好心理准备。
还有一个次要矛盾，存在于我们所描述的AI软件应用范式当中，从长期思考，甚至有可能演变成主要矛盾，也不得不察。传统的B端软件，本质上是企业业务流程的一种固化和自动化执行，是人类程序员历史工作的结晶。但Agent本质上是可以实时高效低成本地为业务逻辑进行编程，相对于一成不变的程序，灵活性要大幅提升，成本大幅下降。所以理论上来讲，未来企业的数据搭配底座大模型就可以调配出业务Agent，来完成企业各流程的自动化执行，传统商业软件或许完全没有存在的必要。这也是一个非常大的风险。不过到目前为止，因为B端软件公司坐拥了不止一家企业的行为数据，相对于企业用户自己微调模型，软件公司微调模型存在规模经济和技术优势，可以在末日审判来临之前，先行一步进行业务转型。抑或者，现有的B端软件灵活性虽差，也可作为固定的工具被Agent所使用，不用重复发明轮子。我们也可以拭目以待，这个繁荣了近60年的行业将会何去何从，这是个非常有趣的问题。
以上是我对2024年时代脉络的观察总结，以及2025年时代脉络的走势预测。把握住这些时代主要矛盾的来龙去脉，有助于我们坚定那些正确的判断，摈弃那些纷杂的噪声，抵制那些致命的诱惑，让投资不至于错失一个时代。
与时代和伟大企业共成长，2024年给了我们许多的收获，也让我们又一次获得了百亿私募冠军。这是连续第二年获得了冠军，两连冠也应该是创造了国内私募基金行业的历史。我们会用全部的担当和智慧，继续努力为投资人创造满意的回报！时代不息，奋斗不止！
风险提示及免责声明：市场有风险，投资需谨慎。在任何情况下，文章中的资讯仅供读者参考之用，文中提到的公司亦仅为阐述产业逻辑，所有内容均不带任何投资建议，读者不应单纯依靠本文而取代个人的独立判断。对于因使用、引用、参考本文内容而导致的投资损失、风险及纠纷的，东方港湾不负任何责任。