币安交易所官网

人工智能产业过去两年经历了高速扩张，从大模型训练热潮到企业级应用快速落地，市场对于AI的商业价值始终保持高关注度。不过，AMD首席执行官苏姿丰近期的一番表态，为这场热潮提供了一个值得思考的新角度。她表示，目前真正从人工智能训练中直接赚到钱的企业并不多，但AI的发展已经不再停留在单纯训练阶段，而是进入推理阶段，并开始具备执行实际任务和创造价值的能力。与此同时，她还提到CPU业务以及部分ASIC业务正在出现增长迹象。这一系列观点背后，不只是对行业现状的观察，也反映出AI产业竞争重点可能正在发生变化。随着市场逐渐从“算力堆积”走向“应用兑现”，资本和企业的关注点或许正在进入新的周期。

进一步拆解相关信息，可以发现至少有几个关键细节值得关注。首先，苏姿丰提到“没有人真正从AI训练中赚钱”，这并不意味着训练本身没有价值，而是指出当前产业链中的现实问题。过去两年，全球科技企业持续投入巨额资金建设数据中心、采购GPU以及训练大型模型，但高投入并未完全对应高回报。许多公司在模型能力持续提升的同时，商业化路径仍处于探索阶段。其次，她强调人工智能已经进入推理阶段，这意味着AI开始从后台模型构建逐渐转向前台应用部署。推理是指训练完成后的模型在实际场景中执行任务，例如智能助手对话、自动驾驶决策、企业数据分析等。相比训练阶段的大规模算力消耗，推理阶段更关注成本效率和真实使用价值。第三，CPU与ASIC业务的增长信号同样值得重视。CPU长期被视为传统计算市场的重要组成部分，而ASIC则属于针对特定场景定制的专用芯片。两者增长意味着市场对于通用计算和垂直应用芯片的需求正在同步扩张。

如果分析背后的原因，可以发现人工智能产业已经逐步进入商业验证周期。过去市场对于AI的关注主要集中在模型参数规模和训练能力上，“模型越大越强”一度成为行业共识。但一个明显变化是，企业如今开始更加关注投资回报率。训练阶段需要大量算力和持续资本投入，而实际收入却相对有限，因此市场正在重新评估产业链价值分配方式。相比之下，推理环节更接近最终用户，能够直接产生订阅收入、服务收入以及企业效率提升收益。因此，未来资本和资源可能会进一步向推理侧倾斜。

这种变化对整个半导体产业也会带来明显影响。此前AI浪潮推动GPU需求爆发式增长，而接下来CPU、ASIC以及边缘计算芯片的重要性可能持续上升。因为推理任务并不一定需要最顶级的大规模训练集群，在许多场景下，低功耗、高效率以及定制化能力反而更加关键。值得注意的是，越来越多科技公司已经开始设计自研ASIC芯片，以降低对通用GPU的依赖。这种趋势可能改变过去由少数芯片架构主导市场的格局。

放大到整个行业背景来看，类似的技术发展路径并非首次出现。云计算发展初期，大量资金同样投入基础设施建设，但真正创造持续收益的往往不是底层服务器本身，而是建立在其上的应用生态。移动互联网也是类似逻辑，智能手机普及之后，真正改变行业格局的是社交平台、移动支付以及在线服务。人工智能如今似乎也在重复类似过程。训练阶段相当于修建高速公路，而推理和应用则更像跑在道路上的商业活动。

与此同时，市场对于AI芯片的定义也正在发生变化。过去很多企业简单将AI芯片等同于高端GPU，但随着推理需求增加，专用化、场景化趋势越来越明显。例如智能手机中的本地AI芯片、汽车中的自动驾驶芯片，以及企业服务器中的推理加速器，都在不断拓展市场空间。这意味着未来竞争可能不只是比拼算力规模，而是比拼谁能够更有效地将算力转化为实际价值。

苏姿丰此次的观点，本质上是在提醒市场重新思考人工智能的商业逻辑。当前阶段，大规模训练虽然仍是技术发展的基础，但行业焦点正在逐渐从“构建能力”转向“兑现价值”。对于芯片厂商而言，这意味着产品布局需要更加多元；对于投资者而言，也意味着评估标准可能从单纯关注算力转向关注盈利能力。未来几年，AI产业很可能进入更强调效率和实际应用的新阶段，而推理能力以及专用芯片生态，或许将成为下一轮竞争的重要方向。