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*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*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*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 *确定性、也*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。
