作者记录硅谷101 Alignment 2026 年度峰会 Day 1 三场分享的核心洞察：模型竞赛、新型AI研究实验室与AI for Science。贯穿全场的主题是'生成越来越便宜，验证越来越贵'。开源vs闭源之争本质是利润表问题，价值向model-agnostic应用层转移；数学因可验证、可数字化、数据充足成为AI攻克焦点，验证成本趋近于零是北极星；AI for Science最大瓶颈是湿实验验证周转时间。作者从投资视角提出：拆解AI应用公司COGS、关注闭源转开源迁移路线图、可验证代码生成是下一个基础设施层。
金沙江创投主管合伙人朱啸虎在北京大学创新创业学院发表演讲，探讨AI时代的投资框架。他提出核心判断：技术会平权，商业不会。AI正从技术进步主导期转向技术扩散主导期，决胜要素回归商业本质。他重申二十年不变的三个S投资标准（市场足够大、可快速规模化、可持续可防御），阐述商业模式金字塔，对比腾讯同心圆流量模式与阿里买流量模式，并判断开源模型五年将走完Linux三十年的路。他还直言200多家人形机器人企业绝大部分活不过十年，强调AI创业要看执行力和增长速度，先算清楚账。
作者提出 AI4Science 的五层产业投资框架，指出随着模型快速生成科学假设与候选设计的成本下降，真实世界的实验验证、测量和数据生产能力成为新的瓶颈。文章以 Moderna 个性化 mRNA 疗法、Anthropic 蛋白质设计等案例说明假设生成变快而验证跟不上的矛盾。通过分析 Tempus（数据变现）、Recursion（持续生产数据）、Twist 与金斯瑞（科学数据工厂）、TMO（卖铲子）及自主实验室等模式，提出数据护城河五维评估：稀缺性、质量、因果价值、可复用性和反馈速度，并给出评估 AI4Science 公司的五个关键问题。
本文深入剖析了2026年物理AI感知层的全赛道格局，涵盖激光雷达、事件相机、太赫兹视觉等五大领域。通过Gartner曲线定位与三层护城河模型，文章揭示了“传感器前融合芯片化”等范式转移，并指出真正的投资机会在于上游材料与芯片生态，而非单纯的传感器组装。
本文是一篇长达3万字的投资终极指南，旨在为读者构建系统、全面的投资认知框架。文章首先通过“全景地图”厘清了传统投资（股票、债券、现金、衍生品）与另类投资（私募、对冲、实物、数字资产）的界限与规模，并分析了中美市场的结构性差异。随后，文章深入拆解了股票投资（含价值、成长、量化流派）和债券投资（含久期与信用策略）的核心逻辑、理论模型（如MPT、CAPM）及实战风险矩阵，帮助投资者从理论到实践全方位理解市场规律。
