香港电台(Radio Television Hong Kong, RTHK)创立于1928年，是香港历史最悠久的公共广播机构，隶属于香港特别行政区商务及经济发展局，秉持公共广播服务宗旨，制作播出资讯、教育、文化及公共事务等多元节目。

　　2026年6月，迈睿资产管理有限公司 (Merit Asset Management Limited) CEO王浩宇接受香港电台深度专访，围绕人工智能产业的历史定位、技术演进路径、全球发展格局及长期资产配置逻辑等话题展开分享。他提出，当前市场对AI的讨论多聚焦于模型能力与算力成本，而决定产业长期格局的底层变量，是单位智能成本的持续下降，智能正逐步成为普惠可及的基础资源。

　　在王浩宇看来，人工智能并非短期市场题材，而是如同电力、蒸汽机、半导体一样的通用性基础技术，将逐步重塑社会生产效率、商业运行模式与全球资本流向。

　　如果将这一轮AI产业发展置于更长的历史周期中观察，您如何定位其价值与所处阶段？

　　从历史纵深来看，这一轮人工智能技术突破的产业价值，可与互联网的普及相类比，其底层技术属性更接近电力、蒸汽机、芯片等通用技术革命。

　　人工智能技术并非近年突然出现，而是经历了长期的技术积累。自神经网络的早期研究至今已有数十年发展历程，在算力、算法、数据三者的共同推动下，当前技术正进入加速落地的阶段。

　　同时也要看到，全球人工智能产业仍处于发展的较早阶段。ChatGPT的推出推动了消费级AI产品的普及，而当前市场上的主流AI应用，从长期发展视角看仍属于早期形态，如同计算机发展初期的基础操作系统，具备奠基意义但仍有广阔的迭代空间。

　　从产业视角看，人工智能并非已经成熟的赛道，而是刚刚进入快速发展通道的长期产业曲线。投资层面更应关注其对全社会生产效率的提升作用，以及产业落地过程中形成的可持续盈利模式，而非短期的估值波动。

　　您提到了产业发展的底层变量，如果概括而言，AI时代产业发展的核心变量是什么？

　　这一趋势的重要性在于，它决定了人工智能产业能否实现大规模普及，而非局限于少数场景的应用。

　　前些年市场普遍认为AI应用成本较高，训练、推理环节的算力投入，以及芯片、服务器等硬件成本居高不下。但拉长时间维度可以看到，无论是单位推理成本、调用成本，还是单位算力价格，均呈现明显的下降趋势，部分场景的成本下降速度甚至快于传统半导体行业的摩尔定律节奏。

　　例如近年大模型推理成本已出现数量级下降，相同任务的调用成本较两年前，在多数场景下降幅超过90%。未来随着模型压缩、架构优化、芯片迭代与产能扩张，成本下降的趋势仍将延续。

　　这意味着，智能资源将如同电力、带宽、存储一样，从少数主体可及的高价资源，逐步成为广泛供给的基础能力。当智能成本下降到一定阶段，带来的将不只是技术进步，更是全社会商业体系的成本结构重构。

　　当前市场仍普遍感受到算力供给紧张，GPU等核心硬件存在供需缺口，您如何看待这一现象？

　　从全球产业发展的普遍规律来看，具备成熟制造路径的产品，供需缺口往往会随资本投入与产能扩张逐步收窄，最终走向商品化。当前GPU供给紧张，本质是AI产业需求增速快于短期供给节奏，属于产业扩张前期的正常现象。

　　市场经济具备自我调节机制，高需求与盈利预期会吸引资本快速进入相关领域。当前全球云服务商、芯片企业、大型科技公司均在持续加大相关领域的资本开支，头部科技企业的相关投入规模已达数千亿美元级别。当前的供需缺口，本身就在孕育后续的产能扩张。

　　我们判断，未来5到10年，算力资源将逐步从稀缺品转向基础商品。届时产业的核心价值将不再局限于算力供给本身，而是如何将普惠的智能能力嵌入具体行业，创造更高的附加值。

　　这也是我们开展AI领域投资的重要原则：既关注基础设施赛道的机会，更重视算力成本下降后，率先实现技术落地与盈利兑现的应用领域。

　　处于金字塔上层的，是技术复杂度较高、面向通用复杂场景的少数大型通用模型，这类模型承担技术突破的功能，在高复杂度应用场景中具备不可替代的价值，将长期占据技术制高点。

　　而更具产业规模与商业价值的是金字塔的基座部分，这里将涌现大量开源模型、垂直行业模型、端侧小模型等。这类模型将部署在手机、PC、汽车、工业终端及企业私有环境中，解决具体场景下的高频需求，具备更高的成本效率。九游会真人游戏股份有限公司

　　从技术扩散的规律来看，中小模型对大模型能力的复现周期正在明显缩短。过去一项前沿技术能力可能需要两三年才能实现普及，现在不少能力在6到12个月内即可完成下沉应用。

　　对投资而言，这意味着人工智能产业并非 “规模越大越有优势” 的单一赛道竞争，而是多层级、多终端、多行业的生态化竞争。上层技术决定产业高度，基座应用决定产业厚度，而资本市场往往更关注具备落地能力、可兑现商业价值的领域。

　　长期来看，科技进步是全人类的共同财富，技术发展离不开全球协作。当前全球人工智能产业呈现多元发展态势，其中美国与中国凭借各自的产业基础与资源优势，成为推动 AI 技术创新与落地应用的重要力量。

　　美国的优势集中在前沿模型研发、高端芯片设计、顶尖科研体系与成熟资本市场等方面；中国的优势则体现在工程化落地能力、完整的制造产业链、丰富的应用场景数据、开源生态建设速度，以及庞大的内需市场等方面。二者各有所长，均已形成较为完整的产业生态体系。

　　值得关注的是，中国在AI产业化落地进程中的追赶速度较快，无论是模型能力迭代、终端产品落地，还是国产算力替代、企业级应用部署，均在加速推进。

　　当一项技术从实验室走向大规模商业化，比拼的不仅是技术原创能力，更是成本控制、产品普及与产业链配套的效率。在这一领域，中国企业具备较强的执行效率优势。

　　更长远来看，人工智能作为通用性技术，其持续进步将推动全球生产效率提升，助力人类文明发展。

　　从产业竞争的视角看，欧洲地区在AI产业商业化落地与产业放大节奏上相对审慎。

　　欧洲并不缺乏顶尖科研人才与技术积累，其发展节奏偏缓的核心原因，在于产业扩张与监管平衡的步调把握。在技术革命的早期发展阶段，需要一定的试错空间与商业化探索空间；若制度成本过高，可能会削弱企业的创新活力。

　　资本市场对不确定性较为敏感，若创新收益尚未兑现，合规成本与法律责任已大幅上升，资本与产业资源自然会向更具发展效率的区域流动。

　　这也是我们在全球资产配置中，重点关注中美两国科技资产的原因之一。并非其他市场没有投资机会，而是人工智能级别的产业革命，其大部分增量价值往往会向产业基础扎实、资本活跃度高、政策支持力度强的市场集中。

　　如果 “智能成本下降” 是产业发展的底层趋势，那么商业模式将发生哪些变化？

　　当前不少AI服务仍按照调用量、算力消耗等维度收费，这是产业处于基础设施发展阶段的过渡性特征，行业习惯按资源投入计价。但从长期来看，这种模式将逐步迭代。

　　随着智能成本持续降低，客户的关注重点将不再是技术参数与资源消耗量，而是AI服务带来的实际价值 —— 包括人力成本的节约、运营效率的提升、业务收入的增长等。因此未来AI产业的商业模式，将逐步从 “卖资源” 转向 “卖结果”，从 “按调用量收费” 转向 “按价值收费”。

　　例如AI法律辅助工具，客户的付费依据并非生成的文字量，而是合同审阅效率的提升AI销售系统的价值，也体现在获客效率的优化与转化率的提升上。

　　这也是我们评估AI应用企业的核心标准之一：其产品是否嵌入了真实的业务工作流，能否将技术优势转化为可量化的商业价值。

　　从中长期的投资回报确定性来看，应用层有望涌现更多具备稳定价值的投资标的。

　　模型层是人工智能产业的技术底座，其重要性不言而喻。但任何底层技术走向成熟后，都会经历能力扩散、成本下降、竞争加剧的过程。能够长期留存利润的，往往不是底层技术提供者本身，而是深度理解行业需求、客户痛点与业务流程的企业。

　　人工智能真正的竞争壁垒，不只在于模型能力，更在于对垂直行业工作流的重构能力。例如代码生成不只是输出程序语句，还需结合需求理解、上下文调用、测试部署、团队协同等全流程；合同审阅也不只是内容摘要，还需匹配法律法规、行业惯例、风险识别与责任归类等专业能力。只有深度嵌入业务流程，AI才能从辅助工具升级为核心生产力。

　　因此在配置方向上，我们更看好能够整合多模型、多工具、多数据流，最终交付实际业务价值的应用型企业。如果说模型是发动机，那么整套业务系统才是真正驱动行业效率提升的核心载体。

　　从时间维度来看，未来1-3年与5-10年，人工智能产业的资本市场主线将如何演进？

　　第一阶段是未来1到3年。市场仍将围绕算力基础设施、模型能力迭代、智能体框架、应用场景落地等方向展开，板块波动较大，但产业主线清晰。这一阶段的核心特征是基础设施持续扩张、技术成本快速下行、应用赛道逐步分化。不少企业将在这一阶段快速成长，也会有部分企业因商业闭环不清晰逐步退出，市场分化将较为明显。

　　第二阶段是未来5到10年。人工智能将逐步如同电力、云计算一样，成为社会运行的基础能力，退至产业背景层。届时市场不会持续讨论模型参数与技术路线，如同当下不会频繁讨论云服务的底层架构一样。真正决定价值分配的，是那些依托AI能力重构行业效率、占据核心利润空间的企业。

　　从资产定价的角度看，这意味着产业的价值中枢将逐步从模型层向应用层、平台层、产业升级层迁移。当前不少AI产品形态，未来都将经历迭代、整合与替代，这是技术产业发展的正常规律。

　　回到投资层面，结合迈睿资管的投资框架，您如何将AI产业趋势转化为具体的资产配置策略？

　　我们的投资思路始终坚持不押注单一技术路线，重点布局确定性趋势下的多层次机会。如果 “智能成本持续下降” 是核心趋势，那么配置逻辑主要分为三个层面：

　　第一层，是受益于需求扩张的基础设施类资产。包括算力芯片、服务器、光模块、数据中心、电力配套、散热系统等领域。在AI大规模普及之前，基础设施建设先行，这类领域在产业扩张前期往往具备较高的业绩弹性。

　　第二层，是技术扩散后率先兑现盈利的应用与平台类资产。即能够将AI能力深度嵌入垂直场景、形成可复制盈利模式的企业。能够推动AI从工具升级为全流程生产力的企业，将具备更扎实的估值基础。

　　第三层，是与 AI 产业共振的宏观受益资产。包括有色金属、电力产业链、自动化设备、高端制造等领域。这类资产虽不属于狭义 AI 赛道，但却是 AI 基础设施建设与全社会数字化、智能化升级的直接受益者。人工智能产业并非悬浮的概念，其发展最终将落地到电力、算力、设备、制造等实体产业的资本开支中。

　　从区域配置来看，我们重点关注美股市场的硬科技核心资产，以及港股、A股市场的科技成长与高端制造赛道。美股市场汇聚了全球范围内的顶尖创新企业；港股与A股市场则具备估值弹性、产业承接能力与政策支持的综合优势。

　　可以概括为：同时布局产业上游的基础设施供给，也关注下游应用端的价值落地机会。

　　基础设施层对应芯片、服务器、电力、光通信、数据中心等上游环节；应用层则对应平台企业、行业龙头等依托AI实现效率提升的价值创造主体。

　　同时我们也会高度关注估值水平与投资节奏。再好的产业赛道，也并非任何价位都具备投资价值。人工智能是长期发展赛道，但其发展路径不会是线性的，必然伴随波动、调整、分化与迭代。

　　因此我们的策略并非追逐短期热点，而是在确定性趋势中寻找具备盈利兑现能力、商业模式清晰、估值合理的资产，通过跨市场、多层次的配置，平衡成长性与波动性。

　　我认为最重要的启示是，不应只关注技术本身的先进程度，更要关注智能成本普惠化之后，能够重构产业利润分配的企业。

　　技术革命的最终胜负，往往不取决于初期的技术惊艳度，而取决于谁能将新技术转化为普惠的基础设施，谁能在基础设施之上建立可持续的商业体系。

　　对投资者而言，需要把握的不只是短期市场热点，更是趋势背后的产业秩序变化。人工智能不是短期的市场概念，而是一场将持续十年甚至更久的生产效率革命。在这样的产业浪潮中，值得长期关注的并非一时热度最高的企业，而是那些既顺应技术发展方向，又能够穿越周期、持续兑现盈利的优质资产。

　　整场访谈中，王浩宇围绕人工智能产业构建了一套连贯的分析逻辑：从历史视角看，AI是具备全局影响力的通用技术革命；从产业逻辑看，单位智能成本下降正在重构产业供需关系；从技术演进看，未来将形成 “通用大模型引领、垂直小模型落地” 的多层级生态；从全球格局看，多元发展、各有所长是产业的长期态势；从投资落点看，基础设施扩张、应用场景落地、实体产业升级是三大核心主线。

　　归根结底，人工智能产业的长期价值，不在于单一模型的技术领先性，而在于当智能能力如同电力一般普惠可及之后，全社会生产效率的提升与产业价值的重新分配。

　　风险提示：本文所载受访者观点仅代表其个人及所在机构立场，不构成任何投资建议或收益承诺。资本市场存在固有风险，投资者应审慎评估自身风险承受能力，独立作出投资决策。