从液冷技术推动的数据中心升级，到通用模型向行业模型的演进，从数据治理的系统化建设，到算力资源的普惠化探索，智算正以技术与应用“双轮驱动”的方式，重构产业智能化的新格局。7月3日下午，2025 DEMO WORLD智算服务&上海松江经济开发区专场，12家科技企业到场分享最新技术与产品。
在随后的圆桌对话环节，BV百度风投董事总经理刘水，沙索集团亚洲战略投资孵化总监王睿嘉，毅达资本合伙人周喆，就智算基础设施的技术演进、AI在行业场景中的落地路径、以及大模型时代对数据与算力资源的新需求，分享了他们的最新洞察。大家认为智能计算已不再只是底层支撑，而正加速成为驱动产业变革的新型生产力。
以下是三位嘉宾现场对话的实录，由创业邦整理：
主持人：从刚才12家创新企业的分享可以看出，目前各行业对智算服务的需求正在大幅提升。想请教各位嘉宾，基于你们投资和业务的实践来看，当前的智算服务发展情况是怎样的？
周喆：我们从2016年左右就开始关注数字化、智能化，2022年成立了数字基金。对我们来说，不存在 “今年 AI 才火起来” 这一说法，我们能看到，数字化、智能化一直在推进。最近大模型出来后，大家的信心确实增强了，投资人又开始四处奔波，感觉一切都被点燃了。
我们观察到的、包括自己投资的企业，有个现象挺有意思。我自己投资的一家做工业控制安全的公司，今年上半年发了篇公众号文章，内容是公司推出了接入 DeepSeek的一体机。我问企业，你们怎么也在弄这个？ 企业跟我说，其实是因为公司的大量的客户都是有关单位信息化部门，都在问公司有没有一体机产品，想跟风搞搞企业知识库、智能办公，公司带着需求，跟相关公司合作推出来了。
我们之前投资了一家智能视频公司-奥看科技。用AI算法赋能摄像头变得智能。但大模型出来之前，算法成本非常高，周期非常长。一个场景往往需要上千张照片、数十万的成本才能尝试进行算法训练，同时效果也无法保障，因此阻碍了智能视频技术的应用推广。公司业界第一批推出的、完全自主研发的视频领域大模型，能够将算法训练的成本降低了1/1000倍；推理成本降低了1/10倍；视频存储的成本降低至少1/2。正在跟华为几个相关军团合作，服务交通、公安等客户。
王睿嘉：周总说的这点我深有同感。即便在我们这种相对传统的行业，自动化、数字化、智能化的工作也已经开展了很长时间，但自从近几年ChatGPT等大模型出现后，大家的心态似乎变了——所有行业、所有公司都在思考“能不能把人工智能加进来”。我举一个我们实际操作的例子：
我们在南非的生产基地，自有发电厂的蒸汽轮机存在运维的痛点，就是设备叶片上会产生盐结晶。这个也是所有发电厂蒸汽轮机常见的问题。我们和当地的AI初创公司合作，接入机器学习模型，通过预测来研究提前安排设备运维的最佳时间点。从长期来看，这种技术能把结晶对设备的损伤降到最低，也把运维的成本和效率调节到最优。
其实这类工作并非大模型走红后才开始做的，而是已经开展了多年。但大模型变热之后，在各行各业里面从管理层到客户，再到所有合作方，都觉得AI这件事变得更重要了，于是现在能看到明显的加速态势。
刘水：我们一直在投资AI领域，今天到场的12家企业中，确实有百分之八九十都交流过。从投资的视角来看，我们看到了巨大的机会。
第一，当前模型的进展真的很快，包括多模态模型和开源领域的发展都非常迅速。几年前很难想象AI能用来做蛋白质结构预测、材料结构量化，但这些现在都在成为现实。包括今天在座的很多企业，不少都在做AI基础设施（AI infra）相关的工作，无论是处理数据、开发引擎，还是帮助模型落地到端侧。我们能看到技术迭代速度极快，若从智算服务的角度来说，本质上这些模型的训练可能需要更多算力支撑；而当真正进入应用端进行推理时，也会给很多初创公司带来机会。我认为，现在模型的进步对整个智算服务的推动作用非常明显。
第二，关于初创公司的机会。各地政府都在建设智算中心，但建完之后如何让算力真正发挥作用、高效运转是关键。比如潞晨所做的模型部署、结构优化工作就很重要。这正是初创公司的机会：从基础设施层面，如何更低成本地用好算力；从应用层面，如何让算力不闲置、更高效率地出租和使用，这些都非常关键。
再说说我们自己的布局和投资逻辑。模型进展迅速，所以在软件侧，首先我们会投资一些模型，包括多模态模型、文生视频等，之前已经有过一些布局。在此基础上，大家也能看到，尤其是从去年年底到今年，Agent（智能体）的发展很快，现在多智能体协同已经能完成更多任务，这给很多应用类公司带来了机会——可以在细分领域通过Agent实现对人工的替代，这是在数字世界的应用。
刚才提到物理世界的Physical AI（物理人工智能），我们早期投资过智能驾驶公司、无人配送和无人物流相关企业，也包括矿山场景的布局，还投了人形机器人领域的公司。这类领域中，一方面，智能大脑的训练需要更多算力；另一方面，模型真正落地到终端时，会面临功耗、算法效率等诸多问题，而这些问题中也蕴藏着大量机会。
主持人：谢谢三位的分享，刚才我们听了12家企业的分享，他们覆盖领域非常广，涉及材料、合成生物、智驾、应用领域、电商、服装制造。12家企业里面，想问一下对哪些企业的印象更深呢？大家可以谈谈自己的投资逻辑和判断标准。
刘水：我们有自己的投资逻辑和判断。今天到场的企业很有代表性，一类是聚焦相对细分的领域，更偏向于如何运用模型在具体场景、具体垂类行业中实现应用；另一类则像是“做基础支撑”的角色——不管是做数据合成还是开发引擎，核心都是帮助应用方用好模型。
我们在投资时比较挑剔，会关注企业不同阶段的特点：对于非常早期的项目，更多还是看技术实力。如果要改变一个传统行业，就得看团队的综合能力，其中如何获取数据至关重要，因为模型训练的效果永远离不开高质量的数据。其次，要看团队是否是复合型团队，懂AI的成员是否真正理解行业，不同阶段的团队需要吸纳不同类型的人才。
从我们的视角来看，早期投资更偏重基础领域。有几家做平台型的公司，在非常早期阶段很难固定商业模式，往往是通过输出技术、搭建平台，与客户共同打磨商业模式。早期看技术，到了中期（比如A轮之后），企业相对会找到产品市场契合点（PMF），这时我们会重点论证产品落地的可行性。不同阶段，我们的判断标准会有所不同。
王睿嘉：我们的角色略有不同，既是将来潜在的投资方，也是应用方，看项目会从几个角度出发。
第一个角度，我很认同刘总提到的“卖水人”视角。举个例子，过去我们看过很多与研发直接相关的项目，从欧洲到美国再到亚洲都有。但发现在行业中很多项目推进不下去。即便大模型对于新材料新分子的预测有了很大突破，但是实验做不出来，工艺也无法落地，这说明双方存在不匹配的问题。这就需要有人来卖“铲子和水”：比如垂直领域的数据集、高通量实验室的技术和设备其实都存在巨大缺口。即便AI大模型在新材料、化学工业研发领域的应用潜能很大，但由于这些卡点的存在，潜能距离充分发挥还有很长的一段路。很多情况下真正有需求的企业即便用了AI，由于实验、工艺端的卡点，使得研发效率也不能产生大的提升，这其实说明其中其实蕴含着很多机会。
第二个角度，垂直行业的经验Know-How。有些技术拿过来之后，比如制造业工厂的碳排放AI管理、运维技术，我们发现一个问题：这些技术的出发点很好，瞄准的痛点也确实是行业痛点，但实际用起来之后，无论是直接使用还是联合开发下一步，应用方的痛点反而变多了。一线工人和整个运营团队需要做的工作更多了，工厂投入的人力物力也随之增加。甚至有时候，原本建工厂已经投入十个亿，现在为了配套这些技术，基础设施可能还要再加两个亿，这些投入能否最终回本就成了问题。尤其在现在这种大家投资比较谨慎的时期，这种状况会让企业的决策层对AI的应用更加保守。所以，无论从投资角度还是用户角度，我们首先会关注团队是否真正了解下游行业。
举个例子，让纯粹学计算机的人立刻去干化学实验室里的活儿，可能需要花不少时间去学习一下吧；但如果让AI专家和化学专家一起合作，这件事就会靠谱得多。我们也希望看到，如果一个团队想在某个应用行业做纵深发展，团队里必须有来自这个行业的人。这样一来，很多行业内的概念他们能直接理解，能少走很多弯路，市场的切入、拓展和推广过程也会简单不少。这是我们这些行业看到的经验，也是一个期许：希望创业企业的创始人们需要关注这一点，否则进入细分行业后会遇到很多问题。
周喆：回到主持人的话题，今天这12家企业都很有意思，给我的印象很深，做得都非常棒，大家在各自领域的探索都很出色。
我们毅达包括行业里早些年投资中后期项目偏多，这类项目相对容易判断。这些“低垂的果实”很容易摘的原因是，我们论证起来也相对简单——当企业发展阶段偏后期，财务数据不错时，再结合行业势头去做投资决策，相对会更稳妥。
后来我们也逐渐往早期项目延伸。投早期项目，首先还是看团队，所谓“投资即投人”是有道理的，要结合行业发展来看团队潜力。我们希望团队能有足够的亮点：要么是有过大厂成功职业经历的“大佬”，毕竟有过成功经验和管理经验，出来创业的可靠性也会更高；要么是曾在优秀企业作出过成绩，或者技术足够顶尖。科研成果转换背景的创业项目，我们会关注产业需求和进展。最近在聊一个国家自然科学一等奖的产业化项目，它的技术确实足够硬核，属于能解决“卡脖子”问题的类型，这种项目的团队是值得关注的。
第二点，投早期行业的判断，有些时候我们会看华为这类产业链上的产业巨头的态度。需求是否是存在的，市场空间如何，当前行业所处时间，对我们投资决策比较重要。
第三，项目是否与产业巨头有合作很有说服力，客户给钱购买产品就说明一切，甚至产业资本一起投资，也是一个很好的加分项。
主持人：从大家刚才的分享来看，总结一下大家考量项目的核心维度：一是技术本身；二是复合型团队，尤其在进入垂直领域时，团队中一定要有该领域的专家；三是场景落地能力——方案是否能贴合具体场景需求，真正实现落地并起到降本增效的作用。这些都是大家在投资时比较看重的方面。
最后一个问题，今天开场时我们这个场次非常火爆，能看出大家对智算赛道的浓厚兴趣。想请教各位，智算的兴起会对哪些产业产生带动作用？现场有政府部门的代表，也有很多创新企业，能否针对政府在产业引进、招商方面，以及创新企业在创业方面，分别给出一些建议？
刘水：今天是智算专场，现场还有政府的各位领导，我认为这一波AI的崛起会让整个产业链都受益，包括在座的创业者、投资人以及政府决策层面。
第一，对于政府而言，在算力建设方面，肯定能为AI创业者提供更多算力实惠——通过合适的方式让大家用到更好、更便宜、更稳定的算力。同时，园区提供的其他配套支持对初创企业也非常重要。
第二，作为专注早期科技投资的机构，我们与周总团队侧重成长期的投资模式存在差异。在项目早期阶段，我们更注重对技术潜力与团队价值的前瞻性判断，愿意基于对创新方向的深度认同先行投入，同时始终陪伴团队成长，协助打磨商业模式，并整合资源生态提供全方位支撑。
第三，对于创业者，有几点建议：1）和大企业、传统企业合作时，往往会遇到一些困难，这种困难并非源于体量不对等，更多是技术理解层面的差异。AI落地、Agent应用过程中会出现各种问题，这时候需要思考如何设计产品，把工具做得更简单易用。
2）很多做应用的公司可能会考虑出海。大部分AI应用类公司从成立起就定位全球化，因为海外市场付费意愿更强、生态更完整，创业者选择这个方向，尤其是纯软件领域，能像过去做SaaS一样，通过全球化布局更快验证产品。毕竟在国内，软件领域想从大型企业客户那里收费并不容易，包括数据类公司，如何实现规模化发展、扩大收入规模都是挑战。
3） 硬件领域则有所不同。如果做的是软硬件一体方案，国内拥有显著的供应链优势，一定要充分利用这一优势，同时面向全球市场，提供软硬件结合的解决方案。
总之，创业者核心还是要考虑如何更好地服务客户。大概就是这些建议。
王睿嘉：我想给政府领导们的建议是，AI领域其实没有绝对的“好方向”或“坏方向”，希望政府能给大企业、中小企业以及创新企业都给予足够的支持和鼓励。但如果政府想找一些相对稳妥的方向，从我们的角度看，就像大家常说的“大家都在淘金时你来卖水、卖铲子”——可以关注AI领域里那些“卖水”“卖铲子”的行业。比如我们刚才提到的材料高通量实验技术和设备、材料和化学的数据集相关领域，这些都非常重要。假设A公司模型做得好，B公司应用做得好，而C公司是A和B的供应商，那C公司肯定能赚到钱。从招商角度来说，这类“卖水、卖铲子”的领域值得重视。
刚才刘总提到创新企业和大企业合作的问题，我深有感触。我的很多工作就涉及这部分，尝试过和欧洲、美国、亚洲的很多创新企业合作，最近一个项目尤其让我体会深刻——这是一个欧、美、中三地合作的项目，我陪着创新企业把他们的技术引入我们的体系，推进产品落地，整个过程我相当于陪他们走了一遍“死亡谷”（不光是他们走，是我们跟他们通过我们的体系一起走了一遍）。这里面有很多问题是大企业和startup合作时的常见问题：startup不了解大企业的运作方式，双方都没有真正搞清楚对方的核心需求。而这里面更常见的是startup们不了解大企业真正需要什么，所以合作中往往要临时补课。运气好的话，能碰到我们这样愿意投入精力、投入资源的合作方——我们帮你补短板、给你兜底，哪怕“死亡谷”不容易过去，我们的项目也会和你一起推进，通过我们自己的体系帮你冲过去。
但有些企业因为双方地位不对等、企业文化差异等问题，合作失败了人家也觉得无所谓。不过大家要意识到，在很多行业里startup的成功之路，可能都绕不开和大企业的合作——无论是作为合作方还是客户，这或许是必经之路。你要了解怎么和他们合作、他们能提供什么，更要提前准备好他们需要你做的事，这个过程非常重要，可能是你走出“死亡谷”的关键一步。把这步走对了，之后的路会越来越顺。这是我的感受，也是给创业者们的一点期许。
周喆：刘总、王总几乎把核心都讲到了，我再补充几点。
第一，我们与政府招商部门也有联动，观察到，政府招商有些方式比较有效，比如与相关服务部门合作，包括投资标的多活跃度高的投资机构，把这些机构已投或考察过的项目，作为招商的目标客户群进行批量对接，可以能更精准地吸引企业。
第二，通过政策和产业赋能的方式吸引企业主动对接政府？以我们基金为例，我们和南京玄武区合作较多，我会很主动地给玄武区推荐数字经济特别是大模型领域的企业去子公司成立研发中心甚至落户总部。因为玄武区有由我省网信办参与指导的大模型工厂，不仅能在大模型备案等政策上指导，还能和已经初步形成的产业上下游联动。现在创业和十年前不同，需要整合各类资源，政府要做的就是把这些资源充分聚集到平台上。
今天这样的活动就很好，创业邦手里有很多资源，通过这个平台把投资机构、行业巨头和资金都聚集过来，大家交流后再做后续跟踪，这种模式非常好。今天这12家企业里，有不少我们之前已经聊过，甚至在对应方向上也投过类似的企业。我也做了些笔记，那些还没聊过的，之后会通过创业邦对接一下。
