GenAI 横空出世三年，世界正因它加速进化。
资本层面， 2026年，NVIDIA、Meta 等科技巨头持续加码，通过并购和战略投资加速 AI 能力整合;从 Anthropic 到 OpenAI，百亿乃至千亿美元级别的大模型融资不断刷新早期融资纪录，后者刚刚宣布史上最高记录的1100亿美元最新融资。
从硅谷乃至整个美国，AI 的竞争态势持续升温。大模型发布节奏不断加快，算力、数据与人才的争夺进入白热化阶段。今年1月的 CES 上，Nvidia创始人黄仁勋多次强调，AI 将成为新的应用基础、改造物理世界，宣告AI已进入关键转折期。
在产业侧，AI 的落地范围也正从科技公司，迅速扩展至医疗、金融、保险、物流等多个传统行业，从工作流到组织架构，从效率提升到收入增长，重塑商业活动的运行方式。
“一整年，硅谷都处在 AI 军备竞赛模式中，人工智能已经进入大规模产业部署阶段。”硅谷知名早期基金 Fusion Fund 的创始人张璐表示。
十年前，张璐便开始系统性布局 AI 投资，是最早投资 AI 医疗及基础设施的硅谷投资人之一，已在AI基础设施及多个垂直领域中投出多家快速发展的独角兽企业，如专注于 AI 驱动的搜索引擎you.com，这家公司刚刚完成1亿美元C轮融资，估值超过15亿美元;以及由阿里巴巴前高管贾扬清联合创立的Lepton AI。该公司通过整合英伟达GPU服务器资源和自主研发的软件工具，帮助企业构建、训练和部署AI模型， 去年被英伟达以数亿美元收购。
在与投资界的交流中，张璐分享了她对硅谷乃至美国 AI 生态超级加速的判断，以及在这一进程中，正在发生的结构性变化。
AI 时代，硅谷正在“超级加速”
在张璐看来，硅谷过去一年的变化，并不只是模型能力的进步，而是产业条件逐步成熟后触发的一次系统性加速。
“问题已经从要不要用 AI，变成了‘如何在真实业务中规模化部署 AI’，”她表示。“这也是我在参加今年1月份的达沃斯世界经济论坛时，从全球各产业的领袖听到的普遍想法。”
硅谷投资人、 Fusion Fund 创始人张璐
这种变化，首先体现在 AI 在企业内部的渗透方式上。
根据麦肯锡在 2025年底发布的《The State of AI》报告，超过90% 的受访者在工作中使用过 AI，其中77% 已经在使用生成式 AI。AI 不再只是技术团队的工具，而是开始进入企业的核心工作流和决策链条。
在这一过程中，头部科技公司率先完成了新一轮能力整合。
2025年底，Nvidia花费200亿美元收购Groq，Meta花费143亿美元收购Scale AI，这些科技巨头通过并购、重金投资和内部整合，加速获取基础 AI 能力;与此同时，大模型竞争也进入新一轮升级阶段。Google 持续推出 Gemini 系列模型，Anthropic 发布新一代 Claude 模型并获得来自 Amazon 等公司的持续投资，而 OpenAI 在新一轮融资后估值已超过数千亿美元，投资方包括 Amazon、Nvidia 及软银等机构。从模型发布到资本投入，一系列动作也从侧面印证，基础 AI 能力正进一步向少数头部企业集中。
与此同时，AI的全产业部署趋势正在发生。
张璐指出，当 AI 从技术竞赛进入规模化部署阶段，真正释放增量空间的，并不只是在科技行业内部，而是那些拥有大量高质量数据、复杂业务流程和明确商业目标的非科技行业。
“大模型本身已经不再稀缺，真正稀缺的是数据、执行力和可落地的应用场景。”她表示，“当 AI 进入金融、保险、医疗、物流、供应链等行业时，每一个垂直领域本身就是万亿级别的市场，加起来超过美国GDP的50%。目前，各大企业用于 AI 部署的预算已经达到了破纪录的水平。”
对这些企业来说，引入 AI往往意味着一次业务流程、组织结构和决策方式的重构。这也使得它们在 AI 路径选择上，与科技公司出现明显分化。
“我们看到一个很有意思的现象:科技公司更多选择自己做 AI，而非科技行业反而更倾向于通过外部合作来引入 AI 能力。”张璐表示。Menlo Ventures在2025年发布的报告显示，有76%的企业AI应用来自于外部购买的解决方案。
在她看来，这一差异的背后，既与行业特性有关，也与数据和监管要求密切相关。
许多传统行业的数据高度敏感，并不适合全部迁移至云端，这使得企业更倾向于引入围绕具体业务场景优化的垂直小模型，通过本地或私有化部署，在满足监管与数据隐私要求的同时，提升实际效果并减少“幻觉”。
这也意味着，初创企业由此获得了深入这些 AI“蓝海市场”的机会。
它们不需要在通用模型层面与头部企业正面竞争，而是可以基于对产业的理解，利用开源模型和高质量行业数据进行针对性优化，提供更贴近真实业务需求、也更容易落地的解决方案。
在 Fusion Fund 的投资实践中，这一趋势已经逐渐明显。
张璐提到，Fusion Fund 建立了覆盖投资、行业研究、CXO及专家网络的综合生态。其中，CXO 网络覆盖全球1000强大型企业 CTO，Chief AI officer、等关键决策者。过去一年，她明显感受到，传统行业 CTO 的话语权正在上升，AI 预算和技术决策权限也在向其集中。
Fusion Fund团队
“我们有很多被投企业，如Reality Defender、vCluster、Rhino Federated Computing等已经与美国最大的银行之一展开深度合作，这类合作往往不是从基层试点开始，而是直接由 CTO 层推动。”她说。在预算到位后，新技术从试点走向真实业务应用的速度，比以往快了不止一个量级。
与此同时，张璐本人在 2025年初加入了美国最大型医疗系统之一CommonSpirit Health Foundation的董事会，这家机构覆盖约上千家医院机构。
从她的观察来看，大型医疗机构对 AI 的态度也正在发生变化——从谨慎观望，转向系统性思考如何将 AI 纳入诊疗流程、数据管理和长期运营之中。这意味着，AI 已经从科室级工具，进入医疗集团层面的战略议题。
在她看来，这一切仍然只是开始。
“即便是在最积极的传统行业中，AI 的整体渗透率可能连1% 都不到。”张璐判断道，“这意味着，未来几年真正的增长空间，依然非常巨大。”
未来一年，AI 的四大重点方向
在张璐看来，尽管 AI 创新呈现多点开花的态势，但从投资与产业落地的角度看，未来一年的重点方向已经逐渐清晰。
一、AI 基础设施:从模型竞争走向成本与效率竞争
随着模型能力不断提升，AI 竞争的核心正在从“谁的模型更大”，转向“谁能让 AI 以更低成本、更高效率运行”。
在这一阶段，真正的创新并不只发生在模型层，而更多体现在系统层与基础设施层。
算力消耗、推理成本和能耗控制，正在成为决定 AI 是否能够规模化落地的关键因素。
在这一逻辑下，Fusion Fund 所关注的一批基础设施企业，并不试图扩展模型规模，而是从系统架构上降低 AI 的运行成本。例如 Vectara，正围绕企业级检索与推理效率进行优化，试图在不依赖更大模型规模的情况下，提升 AI 在真实业务场景中的可用性和稳定性;再如 Memories.ai，通过引入长线记忆机制，减少重复推理与算力消耗，在不牺牲效果的前提下提升整体运行效率;端侧AI模型企业 Nexa AI 能够通过小规模模型实现端侧AI操作系统，刚刚宣布与和 Nvidia、AMD、Qualcomm三大芯片厂商达成深度战略合作，共同推动端侧 AI的大规模应用。
在张璐看来，这类围绕效率和成本展开的基础设施创新，将持续为 AI 的下一阶段扩张输血，也将斩获可观的市场份额。
二、AI 医疗:从工具应用走向垂直系统
医疗是张璐认为 AI 最具确定性、也最具长期价值的应用方向之一，早在2017年便启动布局。
与通用模型不同，AI 在医疗领域的价值，更多来自对特定问题的深度理解。 “医疗场景高度专业、数据高度敏感、隐私要求高，本身并不适合一套模型解决所有问题，AI带来了个性化、数字化诊疗的新机会。”
这一趋势也在今年持续得到行业验证。例如，Eli Lilly 与 NVIDIA 宣布在 AI 药物研发领域展开战略合作;与此同时，OpenAI 推出面向医疗场景的 ChatGPT 应用方案，Anthropic 也发布 Claude for Health，大型 AI 公司正加速进入医疗产业。
因此，在医疗方向，Fusion Fund 的投资也集中在垂直小模型与系统级能力上。例如其早期挖掘投资的 Cellular Intelligence，正尝试构建人体细胞层面的基础模型，用于支持干细胞研究及下游治疗方案开发，去年刚刚完成4700万美元新一轮融资。
硅谷传奇投资人Vinod Khosla是这轮融资领投，他表示:“一旦 Cellular Intelligence 的基础模型完成开发并通过验证，不仅将为其自身的产品管线创造价值，还有潜力重塑整个人体细胞治疗领域。”
此外，在神经退行性疾病与数字疗法方向，张璐也看到 AI 与医疗系统结合的明显加速。从帕金森病、阿尔茨海默症到抑郁症，AI 正逐步参与到个性化诊断和治疗路径设计中。
在她看来，随着联邦学习、边缘 AI 等技术逐步缓解数据孤岛问题，医疗将成为 AI 系统性落地的重要突破口。
三、Physical AI 与 SpaceTech:AI 走向真实世界
在张璐的判断中，AI 的下一阶段，不只发生在数字世界，而是开始真正进入复杂、不可控的物理环境。这也与黄仁勋在 CES 的主题演讲核心不谋而合。
与软件系统不同，物理世界的运行高度依赖环境反馈、实时决策和系统稳定性。
“在这些场景中，AI 面临的核心挑战，并不是模型参数规模，而是是否具备在复杂环境中持续运行、容错和协同的能力。”张璐说道。
这也使得 Physical AI 成为一条技术门槛更高、但长期价值更明确的方向。
在这一趋势下，Fusion Fund 的投资视野也延伸至太空系统这一极端物理场景。例如其所支持的 Starpath，正围绕太空在轨服务展开探索，尝试通过高度自动化的系统，为未来的太空基础设施提供补给与维护能力。
从更广泛的产业视角看，世界模型、仿真技术和边缘 AI 的成熟，也正在为 Physical AI 的落地提供关键支撑，使其从长期研究方向，逐步走向可工程化、可部署的阶段。
在张璐看来，太空系统之所以具有代表性，正是因为它将 Physical AI 面临的核心挑战集中呈现出来:远程环境、实时决策、系统协同，以及极高的稳定性要求。
“太空系统是一个极端例子，但它代表了 AI 未来将面对的真实世界复杂度。”她说。
在这一维度上，Physical AI 不仅是机器人或硬件的延伸，更是一种AI 与现实世界长期共存、持续运行能力的验证方式。
四、金融与保险:最早进入规模化部署的垂直市场
在张璐看来，金融与保险将是 AI 最快实现规模化落地的行业之一。
这两个行业合计占美国 GDP 的20%–30%，不仅拥有海量高质量数据，也具备清晰的业务流程和明确的 ROI 诉求，使其天然适合 AI 的系统性部署。
在这一领域，Fusion Fund 的被投企业已经开始进入大型金融机构的核心业务体系。例如垂直 AI 公司 Wand AI，已与包括美国头部金融系统的多家大型金融机构展开长期合作，直接服务于核心业务系统。
而在风险控制与内容安全方向，Reality Defender 因其在 AI 生成内容检测方面的能力，被摩根大通选入年度创新名人堂。
在张璐看来，这类“深度嵌入业务流程”的应用，标志着 AI 已不再停留在工具层，而是开始成为金融机构基础能力的一部分。
泡沫、能源与不确定性:AI 下一阶段的真实挑战
在快速加速的同时，张璐也并不回避 AI 发展过程中正在显现的结构性挑战。
首先，是资本热度与真实部署能力之间的错位。
她指出，当前市场中确实存在一定程度的估值泡沫，但问题并不只在于“泡沫会不会破”，而在于技术推进速度，正在快于组织和产业的消化能力。
“技术创新和现实落地之间还有一定空间，所以投资和AI整合都需要审慎做决策。”张璐表示。
从组织流程、数据治理，到合规和内部决策机制，AI 的规模化部署往往涉及系统性调整，这也使得部分技术价值在短期内难以完全兑现。
其次，是能源与基础设施的现实约束。
“在用完 GPU 之前，我们可能会先用完能源。”她直言。
随着 AI 应用持续扩张，算力需求正迅速向能源、电力和数据中心基础设施传导。
在她看来，未来一段时间，电力供给、能耗成本以及基础设施建设速度，都将成为制约 AI 扩张的重要变量。
第三，是全球环境不确定性对技术路径选择的影响。
在地缘政治、监管环境和宏观经济波动的背景下，企业在 AI 投入上的决策逻辑也正在发生变化。
张璐认为，不确定性并不必然意味着放缓，相反，它往往会推动企业更快寻找确定性更高、回报路径更清晰的技术部署方式。这也解释了为什么在当前阶段，垂直行业、To B 场景以及能够直接嵌入核心业务流程的 AI 应用，更容易获得持续投入。
“风险和机遇往往是同时出现的。”她说，“不确定性反而会迫使大家更快做出选择。”
随着 AI 技术进化及大规模应用加速，张璐指出，未来十年美国很可能迎来多线叠加的超级创新周期，而硅谷将成为这一创新趋势的重要引擎。
（推广）