a16z 的 Jennifer Li 宣布领投 TypeSafe AI。其发布的 Jev 模型是本年度最大的叙事突破：与主流大模型不同，Jev 属于新型 System One 模型，直接以类型化值向代码返回决策，而非文本输出，实现 AI 与软件的原生深度集成。Jev 成本仅为前沿模型的 1/100 到 1/500，分类任务速度快 100 倍且准确率相当，上线 3 天即生成 1 万亿 tokens，25% 的财富 500 强企业已集成。作者认为 AI 应让软件更智能，而非替代工程师，并赞许 TypeSafe 尊重开发者、务实可组合的理念。
本文是一篇关于生物科技与AI结合（Bio x AI）的投资主题深度分析。作者认为这是历史上最具可操作性的主题入门指南，引用Dario Amodei在《Machines of Loving Grace》中提出的5-10年内治愈大多数疾病的愿景，并指出AI巨头正从言论转向行动：Anthropic建立湿实验室、Jeff Dean创办Discovery Loop、Demis Hassabis专注Isomorphic Labs。文章核心是'design-make-test-learn'自动化药物发现循环，并逐一分析各子主题的相关公司，如DNA/RNA合成领域的Twist Bioscience、GenScript、Azenta，以及生命科学工具公司等。
黑石集团总裁Jon Gray在面向全球顶级投资者的闭门演讲中，系统披露了黑石关于人工智能投资的内部数据与判断。他指出Anthropic和OpenAI等模型公司年化收入已达1050亿美元，超大规模数据中心资本支出翻倍至8200亿美元，AI投资回报显著。他以1870-1900年工业革命类比当前AI变革，强调当前需求远超供应，与铁路泡沫不同。他展示了AI在投资组合公司中的具体应用成效，认为芯片、数据中心和电力才是真正的投资核心，同时提示网络安全、监管、地缘政治和估值过高等风险，最后重申'一切都关乎回报'的投资理念。
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。
文章整理了黑石集团总裁兼COO Jon Gray面向100多位全球顶级投资者闭门演讲的10个核心观点。Gray认为当前AI浪潮更接近1870年工业革命的开端而非2000年互联网泡沫：Anthropic和OpenAI等模型公司收入一年增长100倍达1050亿美元；黑石投资的14家AI公司收入增长21倍至5.25亿美元；超大规模数据中心资本开支达8200亿美元，占美国GDP的2.5%。他指出真正的瓶颈在芯片、电力和数据中心等物理世界，黑石押注技术栈最底层的计算、电力与土地，追求确定性回报。
作者深度使用 GPT-6 和 Fable 5.1 两天，消耗超 21 亿 Token 后感受到焦虑与恐惧。他重构了所有工作流，删除 95% 的 prompt 效果反而更好，认为 AI 已跨越某个奇点，出现类似'灵性'的对话体验。作者核心判断是社会分工和财富将因 AI 重新洗牌，留给普通人调整的时间远比想象中少。他建议放下人类 ego，接受 AI 的指导，并通过购买 AI 基础设施股票进行对冲。
作者基于Grok对其多年公开推文与周报的归纳，系统梳理了自己的买方投资体系：以认知差为超额收益来源，以估值纪律为约束，以仓位分层为执行工具，以尾部风险管理为生存条件。文章提出可复制的六步决策顺序、成熟买方的五次转换（信息→预期差→盈利→估值→仓位→预案），以及制度宏观、产业公司、组合工程三套坐标系。作者强调波动不等于风险，投资者应追求'模糊的正确'，并通过公开分析帮助读者建立自己的判断框架，方法上最接近霍华德·马克斯。
文章认为GPT-6 Astra发布后，评测焦点不应是benchmark提升，而是'人可以离开电脑'这一范式变化：AI生产单位从一次回答转变为可持续数小时的数字劳动。作者提出评估Agent的三个核心指标：自主工作时间、监督密度和单任务完成成本，并指出Token计费正失去经济解释力，企业购买的是被正确完成的任务而非Token。基于此，关于GPU、云、数据中心的估值计算方式需要重建。作者以用GPT-6完成上市公司财务分析为例，说明AI可替代初级分析师并十倍放大资深分析师效率，主张建立以Agent-hours和成功任务成本为核心的新AI投资框架。
文章指出2026年AI行业正从“能力竞赛”转向“生产力竞赛”，模型本身不再是唯一重点。真正的商业价值在于工作流和收入。投资人应关注三个核心信号：一是AI应用能否真正盈利并为企业省钱；二是Agent能否深度接入企业系统并实际执行任务；三是AI能否走出数字世界，通过Physical AI（具身智能、机器人等）改造现实。此外，AI基础设施（卖铲子）及安全权限治理也是极具潜力的长期红利。
文章由Kova撰写，提出了一个基于2026年超大规模企业$300B+资本开支流向的AI投资4层模型（半导体制造、核心芯片、DC物理层、DC建造层）。基于此模型及Picks-and-shovels、Anti-correlation等原则，作者筛选出了包含LRCX、MU、VRT等在内的10只长线底仓股票，并详细阐述了每只标的的Thesis、权重配置及具体的退出与监控策略。
本文从投资视角出发，将AI产业链划分为算力基础设施、模型层、中间件、应用层及能源约束四个层级。作者主张建立“知识仓”，深入理解产业逻辑，以应对未来的市场波动。文章详细分析了英伟达等核心公司的护城河，并指出了光互连、散热等第二、三圈层的潜在投资机会，强调了从“训练”向“推理”转变带来的市场格局变化。
文章通过对比微处理器革命和集装箱运输的历史，分析 AI 投资的现状。作者引用 Jerry Neumann 的观点，指出当前 AI 技术处于 ICT 浪潮的成熟期，而非新爆发期，属于“无惊喜”的技术。这意味着早期技术红利的消失，模型层和应用层面临完全竞争，大部分投资人将难以获利。真正的赢家可能是拥有“高量低价”基因的下游使用者（如沃尔玛、宜家模式）及最终消费者，而非上游技术提供商。
文章描述了2026年初硅谷因AI爆发性进展而产生的集体焦虑。从Matt Shumer关于“判断力”AI的描述，到OpenAI利用模型自我构建的事实，指出“智能爆炸”已进入正反馈循环。文章引用投资人王利杰的观点，分析了免费版与付费版AI的认知差，并给出了行动建议。作者认为，算力成本限制了AGI的无限进化，人类应关注决策层优势，将AI视为工具而非威胁。
