富拓外汇：炒硬件不赚钱了？AI下半场，资本如何重估“软硬协同”

当人工智能走过技术可行性的验证阶段，产业界与资本市场的关注重心正在发生显著转移：AI究竟如何在商业层面兑现价值？算力与数据的投入如何在企业资产负债表中形成可量化的回报？

7月19日，在2026世界人工智能大会暨人工智能全球治理高级别会议分论坛“AI创新者思享汇”上，一场围绕“从AI能做什么到用AI实际做什么”的圆桌对话，系统呈现了当前AI产业化进程中的逻辑演进。

汇正财经首席投资官顾晨浩发表观点称，当前AI硬件产业正经历从功能叠加向服务闭环的转型。市场也高度关注的具身智能与智能穿戴赛道，尽管具身智能机器人的技术复杂度持续提升，但二级市场对纯硬件生产企业的反馈相对温和，与AI主题的整体热度形成反差。究其原因，市场尚未在这些企业中看到除硬件代工以外的核心价值留存。

产业应用范式转换：从感知到记忆的价值跃迁

李未可科技创始人茹忆在论坛上展示了其AI眼镜产品，并对产品的功能定位进行了阐释。他指出，该产品的核心差异在于对记忆能力的构建——不同于简单的记录，记忆涉及对信息的整理、筛选与关联性构建，能够帮助用户管理决策、承诺及认知体系。他举例说明，借助该产品的记忆整合功能，其年度发布会PPT的制作周期从以往的一周压缩至一天。

对此，顾晨浩从投资视角进行了延伸分析，回顾可穿戴设备的发展历程，十年前的相关产品主要局限于心率监测、睡眠追踪等基础功能，缺乏衍生服务能力，导致相关硬件企业在二级市场长期被赋予周期股估值——市场关注焦点集中于毛利率、产能利用率等传统制造指标。

顾晨浩强调，当硬件设备具备感知与记忆能力，形成数据采集、处理、反馈的服务闭环后，商业模式将发生本质变化。产品生命周期延长所衍生的持续服务能力，使得企业估值体系面临重构。市场给予软硬件协同企业的估值水平，有望从传统制造业的市盈率区间提升至软件服务业的水平，这可能意味着从20倍以下向30至40倍以上的跃迁。

针对企业如何通过AI产生实际效益的问题，周伟然分享了一项全球调研成果。普华永道近期走访了全球逾万名CEO，结果显示，约20%的受访企业在AI应用方面取得了显著成效，其在成本控制与收入增长两方面的表现均优于同业，差距达7倍以上。

基于此项研究，周伟然将成功要素归纳为三点：首先是AI战略必须由企业最高决策层依据整体规划统筹推进，确保自上而下的执行力。其次是数据治理，他强调，数据整顿是AI落地的前置条件。此外，随着各国相继出台AI监管法规，企业在设计阶段即需对合规性与道德风险进行充分评估，否则即便投入大量人力物力，最终也可能因合规障碍而无法实现预期效果。

投资逻辑转变：从制造业主导到Token资本定价

在讨论当前AI商业化最为成熟的领域时，周伟然引用了微软CEO萨提亚·纳德拉的表述——未来企业将拥有两类核心资本：人力资源与Token Capital（算力资本）。这意味着企业不仅需要人的创造力，也需要将算力视为战略性资产。

顾晨浩在论坛中就AI对投研体系的重塑效应发表了系统见解。他认为，AI技术的应用已显著提升传统投研工作的效率——以往需耗时数小时的深度资讯采集与分析，如今可在更短时间内完成初步生成。

但顾晨浩同时强调，AI并未、也难以取代投资决策中人的核心作用。"金融市场的运行不仅依赖数据与算法，更涉及市场参与者的行为与预期。在非理性波动出现时，投资者需要的并非标准化话术，而是基于深度认知的专业判断与沟通。"他阐述了汇正财经在AI应用中的基本原则——即在确保投资研究准确性、服务质量和合规底线的基础上，保留人的判断温度。

"周总提及微软CEO提出的'Token Capital'概念，这是一个值得深入分析的方向。"顾晨浩表示，"未来企业的核心竞争力，不仅取决于人力资源的配置效率，更取决于其将行业知识转化为高效能Token的能力。能够在较低算力消耗条件下解决复杂产业问题的企业，将在AI竞争格局中占据更有利的定价地位。"

茹忆在回应相关提问时补充了产品端的思考。他认为，AI硬件的市场拓展不应单纯依赖创造"酷炫"的新场景，而应在已有需求场景中持续突破。从满足现有需求到进一步优化用户体验，将历史数据转化为可执行的方案与建议。这一思路在投资层面具有明确的对应逻辑：商业化进程最快的领域，往往是那些数据标准化程度高、需求量大的应用场景。

顾晨浩对此进一步明确，当前AI商业化变现最为成熟的赛道集中在代码开发辅助、AI驱动的营销与游戏内容生成、以及智能客服等领域。这些行业的共同特征在于：拥有标准化数据基础、旺盛的市场需求、以及清晰的付费意愿与商业模式。

中国AI产业化的结构性优势与挑战

在讨论中国AI技术落地与产业化前景时，周伟然分析，中国拥有诸多独特优势：作为全球第二大经济体，14亿人口的规模效应带来了极为丰富的应用场景；完备的产业链体系覆盖了从基础研究到终端应用的各个环节；此外，AI的发展高度依赖高质量数据，而同文化、同语言环境下产生的数据具有高度一致性，为模型训练提供了优质土壤。

在技术迭代方面，周伟然认为中国产业界具备快速的迭代能力，有助于加速掌握核心技术，减少对外部供应的依赖。但他同时指出，中国企业正积极全球化布局，如何实现与海外市场的有效对接是一大挑战。在这一过程中，香港可以发挥桥梁作用，成为连接内地与全球数据资源的重要节点。

顾晨浩则从投资端进行了补充分析，中国拥有全球规模最大的制造业体系，由此产生的场景数据极为丰富，为垂直领域大模型的训练提供了良好基础。但与此同时，数据治理能力的提升与合规框架的建设同样关键。正如周伟然在论坛中所言，缺乏系统化整理的数据基础，即使拥有先进的模型架构，也难以产出可靠的输出结果。

在金融投顾领域，顾晨浩强调了人机协同的必要性。AI可辅助完成全量数据的压力测试与情景假设，但最终的投资建议，尤其是面向个人投资者的服务输出，仍需具备专业资质的人员进行把控。这一原则对于整个AI产业链的投资研判同样具有参照意义：在关注技术创新的同时，需同步评估企业在合规建设与数据治理方面的投入与能力。