华尔街和金融街都喜欢“巨头产业链”这个概念，然而顶级实验室的科研链是更为前瞻性的，这是进行中的AI投资黄金十年的捷径，实验室的财报上已悄悄缀满了沉甸甸的果实。
研究苹果，要画果链；研究英伟达，要画英链；研究宁德时代，也能画出一整张电池链图谱。到了 AI，这套方法依然有效，只是起点该换了：不要先看二级市场最响亮的叙事，而要先看顶级实验室、头部模型公司和云厂商在投资什么项目，甚至在买什么，在哪一层买，向谁买，买的是芯片、算力租约、软件栈，还是机器人本体。
因为在技术拐点上，顶级实验室财报上的天使投资项目和采购单，即“顶级实链”往往比A轮募资路演说明书更早给出赢家的信号。
最新的案例是，熬过孤独的北京智源人工智能研究院（下称智源），这家被评为全球前十的大模型实验室，在“全球大模型第一股”北京智谱华章科技股份有限公司（下称智谱，02513.HK）的IPO中获得了奖赏，是今年一季度最大的顶级实验室赢家。
这笔投资，智源旗下公司于2022年1月以知识产权评估的方式完成天使轮出资，价值2037万元，在2023年2月转让给启明创投一部分老股，但在2025年3月被美国列入实体清单后，于上市前以8000万元将剩余股份165242股约占0.41%转让给安徽嘉岸启信创业投资合伙企业后退出。若持有至上市，这笔投资潜在价值超过12亿港元。
实验室看得最准，却未必能吃到最大的果实——地缘政治的铁幕，有时比市场判断更早决定退出时点。
智谱于2026年1月8日上市，发行价为116.2港元/股，上市后市值一度突破3000亿港元。投资较早的华控基金回报倍数接近20倍，中科创星、启明创投、美团、达晨财智也有数倍乃至数十倍的回报。
一位参加了智谱老股的转让过程的早起科技投资人对此印象很深刻，他回忆说：“2023年当时对国产大模型争议纷纷，创投界多位大佬认为大模型拼硬件垄断，话语权不在国人手里，最终结局可能和商汤四小龙类似，但我们还是看好，认为国产大模型必有一席之地。”
这类争议在当时的确是普遍现象，一位主管一家百亿规模的著名投资基金管理合伙人，他的观点是认为最大利润被芯片硬件供应商拿走，而大模型公司无法创造匹配收入，很可能以亏损终局，因此不愿意投资。
十多年前，顶级实链这个信号已经出现过。英伟达2016年的博客写得很清晰：到 2011年，Andrew Ng （吴恩达）在斯坦福的团队已与 NVIDIA Research 合作，把深度学习从 2000 个 CPU 的 Google Brain 级别，压缩到 12 块英伟达 GPU 的规模；同年，斯坦福还被英伟达授予 CUDA Center of Excellence。换句话说，在大众市场真正意识到深度学习革命之前，实验室已经用采购和课程，把 GPU 选成了默认基础设施。
具身智能也在重复这一幕，只是这一次，信号不只来自芯片，还来自机器人本体。五年前左右，迄今公开可见的高校实验室设备页显示，Unitree 的 Go1、Go2 迅速成为大学研究中的高频平台之一：特拉华大学把 Unitree Go1 EDU 列入机器人运动研究设备，普渡大学 ARIES 实验室把 Unitree Go2 用于真实世界 AI 应用测试，马萨诸塞大学阿默斯特分校展示了 Unitree Go1，哈佛一个 AI 与机器人实验室则公开写明采购了 Unitree 的 G1Edu 和 Go2Edu。IEEE Spectrum 当年对 Go1 的评价也很说明问题：对于一台动态四足机器人，它“便宜得惊人”。
这正是我想推演的投资捷径：AI 不是一个单点公司故事，而是一串层层传导的采购关系。最上层是模型和研究方向；往内里一层，是训练与推理所需的芯片；再往下，是云、数据中心、电力、网络与软件栈；再往下一层，到了具身智能，就是实验室里那台被学生反复调试的机器人、机械臂和传感器。谁被顶级实验室选中，谁就更有机会从“实验器材”变成“行业标准”，再从“行业标准”变成上市公司的收入与利润。
今天在硅谷，这条链条已经比十年前更清晰。Anthropic 公开表示，其工程师正与 AWS 的 Annapurna Labs 一起优化 Trainium 芯片和 Neuron 软件栈；路透随后报道，Anthropic 将在 AWS 上把 Claude 扩展到超过 100 万颗 Trainium2 芯片。
OpenAI 则把自己的采购逻辑直接制度化：Stargate 项目宣布未来四年拟投入 5000 亿美元建设 AI 基础设施，随后又公布新增五个美国数据中心站点，并写明 Oracle 已开始交付首批 NVIDIA GB200 机架，用于 OpenAI 的下一代训练与推理。
到了 2026 年 3 月，Mira Murati 创办的 Thinking Machines 又宣布，将至少采购 1 吉瓦的英伟达下一代处理器。若把这些公告连起来读，会发现所谓“AI 竞赛”，本质上首先是一场采购竞赛。
因此，真正值得研究的，不只是“哪家模型最好”，而是“哪一层最先被标准化”。十年前，被标准化的是 GPU 和 CUDA；五年前，在具身智能的若干大学实验室里，被标准化的是一批价格足够低、接口足够开放、可以快速复现论文的四足机器人；今天，被标准化的则是从 Trainium、GB200 到超大规模算力租约的一整套基础设施。资本市场往往在第二步才反应：先给模型公司高估值，再去追捧上游硬件；可真正的先手，往往藏在第一步——实验室和头部 AI 公司把谁放进了采购清单，甚至用脚投票—真金白银投资。
这也是为什么，研究 AI 投资，不能只看发布会和 benchmark。榜单会变，模型会迭代，应用甚至会昙花一现；但采购是要花真金白银的，预算会暴露真实偏好。博士生和研究员不会为了讲故事选设备，他们只会为了更便宜、更稳定、更容易复现而下单。那份采购判断，往往比 CEO 在台上的愿景更诚实。
上述投资人在参与实验室投资时，意外发现当时实验室最大的苦恼是，在英伟达GPU的采购费用上，一年翻番，以前只要数百万元训练，2023年竟然达1亿多元，除了希望采购到最低价，同时在想方设法能否以异构部署解决。
回来后，在交叉检验了其他AI社群的企业采购清单后，他投资了英伟达，再也没有动摇，迄今也没卖。
另一个证据是，上述实验室的科研思路在三年前指明了巨头的道路。今年3月份，英伟达在GTC大会上正式宣布以200亿美元并购了Groq，因为其团队钻研的LPU实现了更高性价比的异构部署。这是英伟达的计算架构上的一次重大升级。
如果一定要把这套方法浓缩成一句话，那就是：在 AI 时代，最好的产业链研究，不是从卖方报告开始，而是从研究顶级实验室和头部模型公司的采购单和做法开始。 十年前，谁看懂了斯坦福实验室里的 GPU，谁就更早看懂了英伟达；五年前，谁留意到高校走廊里越来越多的 Unitree，谁就更早看懂了具身智能硬件的性价比拐点；三年前，谁看懂了智源实验室里的苦恼，谁就更早看清了大模型第一股的未来；今天，谁在追踪 OpenAI、Anthropic、Thinking Machines 和它们背后的云与芯片合同，谁就更接近下一轮 AI 资本开支真正的受益者。
（作者系择遇大树人工智能基金合伙人，北京星际宝藏智能科技有限公司董事长，作者联系邮箱：yuanlu007@pku.org.cn。本文仅代表作者观点。责任编辑邮箱：tao.feng@ftchinese.com）