美国AI基础设施政策动态 - 美国众议院以221票赞成、196票反对通过《Speed Act》法案，旨在简化AI基础设施及大型数据中心电力系统的许可审批流程[1] - 该法案现提交至参议院，参议院正在处理更大范围的许可改革工作[1] - 法案通过对《国家环境政策法》进行收窄与提速来发挥作用，例如严格界定触发条件、允许免于重复审查、要求分析更聚焦直接影响并限制司法审查[3] 法案对行业及公司的影响 - 法案对谷歌、微软、亚马逊、甲骨文等超大规模云计算厂商的核心价值在于降低联邦政府许可的尾部风险并提升交付确定性，而非大幅加速建设进程[2] - 法案若最终生效，将有助于缩短或降低数据中心项目“通电周期”的尾部风险，缓解电力与电网规则这一AI数据中心扩张的硬约束[2][3] - 科技公司正加速采用包含可再生、燃气与核电的多元化供电策略，以确保24/7级别的可用电力[3] - 包括美光、OpenAI及微软在内的美国科技公司已公开表示支持该法案[2] 法案的局限性及其他行业动态 - 《Speed Act》无法自动解决地方选址与社区阻力、并网排队、关键设备交付周期以及公用事业成本分摊与电价政治等其他重大瓶颈[4] - 甲骨文等公司的部分超大项目已在地方层面遭遇争议与监管审查等不确定性[4] - 微软、谷歌、英伟达等24家顶尖AI企业已与美国政府签署协议，加入旨在推动AI在科学探索与能源项目中应用的“创世纪计划”[4] 华尔街对AI投资周期的看法 - 美国银行认为全球AI军备竞赛仍处于“早期到中期阶段”[5] - 先锋领航指出人工智能投资周期可能仅完成了最终峰值的30%-40%，但同时警告大型科技股回调风险正在增加[5] - 摩根士丹利、花旗等机构认为，以AI芯片算力硬件为核心的全球AI基础设施投资浪潮现在仅处于开端，在AI推理端算力需求推动下，持续至2030年的此轮投资规模有望高达3万亿至4万亿美元[5]

巨头动态与战略调整 - TikTok美国业务将成立新的数据安全合资公司 名为TikTok美国数据安全合资有限责任公司 负责美国的数据保护、算法安全、内容审核和软件保障 相关事宜将在明年1月22日前完成 [2] - 亚马逊重组AI部门 将通用人工智能部门并入新部门 新部门还将涵盖芯片研发团队与量子计算团队 由云计算部门资深副总裁Peter DeSantis负责 [7][8] - 腾讯回应旗下AI产品“元宝”被质疑人工操作 称一切带有“内容由AI生成”字样的评论均由元宝AI生成 背后并无人工运营 [3] 人工智能与模型进展 - OpenAI正就融资事宜与投资者进行初步谈判 公司估值或将达到7500亿美元左右 最多可筹集到1000亿美元资金 [3] - 字节跳动发布豆包大模型1.8及音视频创作模型Seedance 1.5 pro 截至今年12月 豆包大模型日均token使用量突破50万亿 较去年同期增长超过10倍 已有超过100家企业客户累计token使用量超过一万亿 [5] - 谷歌发布更具效率的人工智能模型Gemini 3 Flash 运行速度达到Gemini2.5 Pro的三倍 成本仅为Gemini3 Pro的四分之一 [15] - 美团开源虚拟人视频生成模型LongCat-Video-Avatar 在动作拟真度、长视频稳定性与身份一致性三个维度实现提升 [16][17] 半导体与硬件行业 - 机构预测HBM3e与Server DDR5价差将快速收敛 HBM3e价格原高出Server DDR5四至五倍 预期至2026年末 差距将缩小为一至二倍 [9] - 美光科技2026财年第一季度营收为136.43亿美元 上年同期为87.09亿美元 净利润为52.40亿美元 上年同期为18.70亿美元 [10] - 摩根大通预测2026年半导体行业收入将增长10%至15% 用于数据中心资本支出的业务支出将再增长50% [12] - 芯原股份披露 今年第三季度末 公司在手订单中来自系统厂商、大型互联网公司、云服务提供商和车企等客户群体的订单占比高达83.52% [11] - 小米宣布小米17 Ultra将于下周发布 搭载移动影像领域首款徕卡APO认证长焦镜头 [6] 融资、上市与合作 - 自动驾驶公司Momenta与出行及生活服务平台Grab达成战略合作 并获Grab战略投资 双方将共同推动自动驾驶技术在东南亚市场的应用 [13] - 卧安机器人启动港股招股 计划于12月30日登陆港交所主板 拟发行2222.23万股H股 发行价区间为63港元至81港元 最高募资18亿港元 [14] - 英伟达CEO黄仁勋透露 作为向OpenAI投资千亿美元计划的一部分 英伟达目前尚未向OpenAI支付“一分钱” [4] 机器人产品发布 - 逐际动力发布全新多形态具身机器人TRON 2 售价4.98万元起 集高性能操作双臂与全地形移动双足于一体 [18]

法案进展与核心内容 - 美国众议院以221票赞成、196票反对通过了两党提出的《Speed Act》法案，旨在简化AI基础设施及大型数据中心所需电力与能源系统的许可审批流程[1] - 该法案现已提交参议院，参议院正在处理更大范围的许可改革问题[1] - 法案通过对《国家环境政策法》的收窄与提速来发挥作用，例如严格界定触发条件、允许免于重复审查、要求环境影响分析更聚焦直接影响并限制司法审查[3] 行业支持与法案意义 - 包括美光、OpenAI、微软在内的美国科技公司已公开表示支持《Speed Act》[2] - 法案对谷歌、微软等四大云计算超大规模厂商的核心价值在于降低联邦政府许可的尾部风险、提升电力与能源配套工程交付的确定性，而非使建设进程一夜之间实质加速[2] - 法案若最终生效，最现实的意义是压低“拿到电、并上网、把能源基础设施建出来”这一关键外部约束的审批与诉讼不确定性，从而缩短或降低“通电周期”的尾部风险[2] 行业背景与约束 - 电力与电网规则正成为AI数据中心扩张的硬约束，例如在PJM等负荷紧张区域，监管机构正为“贴近电厂的大负荷/数据中心专属电网接入”制定更明确规则[3] - 大型科技公司正在加速采用“all-of-the-above”供电策略，在可再生能源之外同时拥抱燃气与核电，以确保24/7级别的可用电力[3] - 《Speed Act》是推动“能源侧供给工程更快落地”的政策工具箱之一，有助于加速与数据中心相关的输电/变电扩容、并网改造、管道与燃气电厂配套、部分发电与跨联邦土地的线路工程建设进程，并使其更易融资与签订长期电力合同[3] 法案的局限性 - 《Speed Act》无法自动解决地方选址/分区与社区阻力、并网排队与变压器等关键设备交付周期、以及公用事业的成本分摊与电价政治等其他重大瓶颈[4] - 甲骨文等公司参与的部分超大项目已在地方层面遭遇争议与融资、监管审查等不确定性，这些不由NEPA单点决定[4] 其他政府倡议 - 包括微软、谷歌、英伟达在内的24家顶尖AI企业已与美国政府签署协议，加入白宫发起的“创世纪计划”[4] - 该计划旨在推动人工智能等新兴前沿技术在科学探索与能源项目中的应用，以提升科研生产力，在能源、工业制造、药物研发等领域取得突破[4] 华尔街观点与市场展望 - 美国银行认为全球AI军备竞赛仍处于“早期到中期阶段”[5] - 先锋领航指出，人工智能投资周期可能仅完成了最终峰值的30%-40%，但大型科技股回调的风险正在增加[5] - 摩根士丹利、花旗等机构认为，以AI芯片算力硬件为核心的全球AI基础设施投资浪潮远未完结，现在仅处于开端[5] - 在前所未有的“AI推理端算力需求风暴”推动下，持续至2030年的本轮AI基础设施投资浪潮规模有望高达3万亿至4万亿美元[5]

报告核心观点 - 2025年是AI从实验迈向规模化应用的关键一年，AI正成为影响全球市场动态、衡量经济健康的核心力量，抢先布局AI的企业主导着创新浪潮 [1] - AI模型的快速迭代与广泛应用，正推动企业加速建立风险管理、安全治理等基础体系，为规模化应用筑牢根基 [1] - 数据中心领域需求激增，预计到2030年，AI就绪型数据中心容量年增速将达33%，超大规模提供商正通过专用基础设施投资消除AI落地障碍 [1] - 2025年AI将深度融合于企业运营各环节，通过五大战略趋势推动企业实现效率提升、创新加速与体验优化，人机协同将迈入全新阶段 [3] 五大核心趋势 趋势一：多模态AI - 多模态AI通过整合图像、视频、音频及文本等多种数据源来模仿人类学习，能以前所未有的精度解读更广泛的上下文，产生更精确、量身定制的输出 [18] - 该技术可帮助企业改进复杂数据分析、简化工作流，并增强依托AI获取分析洞见的便捷性，是支持未来经营活动的重要工具 [18] - 2025年全球多模态AI市场规模预计将达24亿美元，到2037年有望增至989亿美元 [1] - 多模态AI在医疗成像、医疗索赔处理等场景展现变革价值，同时助力企业提升决策效率与客户互动个性化水平 [1] - 在制造业，通过分析文本、视频、噪声和振动等多模态传感器数据，可以在设备故障发生前识别潜在异常，从而最小化停机时间并提高工作效率 [28] 趋势二：AI Agent - AI Agent正从单一聊天机器人演进为多Agent系统，客户服务、员工服务、创意服务等六大类型Agent成为企业AI转型核心工具 [2] - 82%的企业计划在未来三年内集成AI Agent，71%的企业认为其将显著提升工作流自动化与客户满意度 [2] - AI Agent在零售营销、媒体内容创作等领域应用成效显著 [2] 趋势三：辅助搜索 - 辅助搜索成为知识工作的下一个前沿，截至2031年，企业搜索市场规模预计将达到129亿美元 [2] - AI赋能的搜索工具通过处理多格式数据、理解复杂查询，加速企业内部数据获取与分析，为决策提供深度支撑 [2] - 该技术已在临床数据检索、企业信息查询等场景落地 [2] 趋势四：AI赋能的客户体验 - AI赋能的客户体验正迈向自然化、个性化，55%的组织将客户服务与支持列为生成式AI的重点应用领域 [2] - AI通过提供全渠道一致服务、情感分析、个性化推荐等功能，解决多渠道互动、客户信任不足等痛点 [2] - 该趋势在旅游规划、营销精准度提升等场景实现突破 [2] 趋势五：AI赋能安全防护 - AI正为安全防护注入新动能，成为安全专业人员的核心工具，可通过规则创建、攻击模拟、违规检测等功能降低安全成本 [2] - 2025年将是AI融入安全最佳实践的关键年，各行业正借助AI应对复杂威胁，强化数据安全与风险防控 [2] 行业影响与基础设施 - AI功能不断推陈出新，将在2025年继续推动组织在运营、竞争和创新方式方面进行彻底变革 [11] - AI成熟度愈发成为衡量经济健康的重要指标 [1] - 数据中心是AI普及速度的关键，需要高性能、高容量的AI就绪型基础设施 [14]

美东时间周四，在利好通胀数据的推动下，三大指数集体走高，结束了近期的下跌走势，纳指领涨，上 涨约1.4%。 截至收盘，道琼斯指数涨0.14%，报47,951.85点；标普500指数涨0.78%，报6,774.76点；纳斯达克指数 涨1.38%，报23,006.36点。 盘前公布的数据显示，美国11月CPI同比上涨2.7%，明显低于市场预期的3.1%；剔除食品和能源价格后 的核心CPI同比上涨2.6%，同样低于3%的市场预期。 Waddell & Associates首席执行官兼首席投资策略师David Waddell表示："那些(业主等值租金)等数据的涨 幅已接近疫情前水平。也许未来还会有一些调整，但就目前来看，这份报告传递的信息是通胀已得到控 制。" 美光科技大涨超10%，该公司此前发布了强劲的业绩展望。美光的表现重新点燃了近期有所走弱的人工 智能(AI)交易。 热门股表现 该报告原定于12月10日发布，但因此前美国联邦政府长期停摆而被推迟，而10月CPI报告直接被取消， 这意味着周四公布的这份数据并不具备标准CPI报告所包含的全部数据点。 大型科技股集体上涨，英伟达涨1.79%，苹果涨0.13%，微软涨1 ...

文章核心观点 - 谷歌即将上市的TPU v7（Ironwood）芯片技术指标比肩英伟达B200，其上市将加剧AI芯片市场竞争，并有望提升谷歌自身AI芯片市占率 [1] - TPU v7的推出将全面推动AI产业从硬件到软件生态的全产业链变革，自上而下带动上游环节需求，并为AI模型研发与应用普及注入动力 [2] - 随着谷歌TPU v7的上市，国内液冷、电源、PCB领域有望迎来新的发展机遇，同时国产算力芯片在国产替代趋势下长期上行 [1] 谷歌TPU v7产品技术细节 - 芯片名称为“Ironwood”，单芯片峰值算力达到4614 TFLOPs（FP8精度），配备192GB HBM3e内存，内存带宽高达7.4TB/s，功耗约1000W [1] - 与前代产品相比，Ironwood的算力提升了4.7倍，能效比达到每瓦29.3 TFLOPs，是前代产品的两倍 [1] - 服务器散热采用100%液冷架构，采用大冷板设计，覆盖4颗TPU及VRM；集群规模上最大支持144个机架互联，即9216个TPU芯片集群 [1] TPU v7的应用场景与客户 - TPU v7聚焦AI推理场景，支持实时聊天机器人、智能客服、智能驾驶等低延迟需求，同时可扩展至大规模模型训练 [2] - Anthropic计划用百万颗TPU训练Claude系列模型 [2] - Meta拟从2027年起在数据中心部署TPU，2026年通过谷歌云租用算力 [2] - 谷歌自身将TPU v7用于Gemini等模型的训练与服务，其超大规模集群能力与低成本优势正成为AI企业降低推理成本的首选方案 [2] 对产业链的影响与机遇 - TPU v7的上市将自上而下带动ASIC芯片、PCB、封装、HBM、光模块、散热、制造封装等上游环节需求 [2] - 随着明年谷歌TPU v7的上市，国内液冷、电源、PCB领域有望带来新的发展机遇 [1] - 随着AI芯片竞争格局不断深化，国产算力芯片在国产替代趋势长期上行 [1] 行业竞争格局展望 - 未来AI芯片的市场竞争将更加激烈，谷歌有望凭借TPU v7系列产品提升自身AI芯片市占率 [1][2] - 除芯片外，谷歌还同步推出一系列升级，旨在让其云服务更便宜、更快、更灵活，以便与亚马逊AWS和微软Azure竞争 [2]

核心观点 - OpenAI面临深刻的战略困惑，其尖端AI研发进展与核心产品ChatGPT的大众市场需求脱节，导致用户增长放缓，并引发内部资源重新聚焦的“红色警报”[1] - 尽管财务表现强劲，年化收入飙升且估值高涨，但用户增长乏力与谷歌等巨头的竞争压力构成了公司长期商业前景与高估值的核心矛盾[1][2][4] 战略与产品困境 - 公司研发重心与主流用户需求存在“鸿沟”，研究团队主要精力放在开发擅长复杂数学、科学问题的“推理模型”，但这些能力对大多数询问简单问题的用户而言过于高深[2] - ChatGPT当前以文本为中心的界面被比作上世纪80年代的MS-DOS操作系统，限制了用户发现其分析图像等其他功能的能力，需转向更具生成性和直观性的界面以获得大众市场青睐[3] - 在集成新的GPT-5模型时，研究人员发现模型性能会与ChatGPT的个性化功能相互干扰，反映出新技术落地为成熟产品时，公司内部协调面临障碍[8] 用户增长与财务表现 - 公司用户增长面临挑战，周活跃用户数截至本月早些时候不足9亿，难以实现年初设定的10亿周活跃用户目标[1][4] - 为实现2030年2000亿美元营收目标，公司将海量周活跃用户转变为日活跃用户视为未来商业化的关键[4] - 公司财务表现强劲，年化收入从今年1月的60亿美元飙升至超过190亿美元，主要得益于付费订阅，并有望在年底达到200亿美元年化收入目标[2][4] - 公司正寻求以高达7500亿美元的估值进行新一轮融资，该估值比两个月前高出50%[2][4] 竞争压力与市场地位 - 来自谷歌的竞争压力是促使CEO发布“红色警报”的直接原因，谷歌的AI模型在图像生成、代码处理等方面能力已与ChatGPT不相上下，且拥有搜索、Chrome浏览器等强大分发渠道及自研AI芯片的成本优势[5] - 公司内部领导层担心普通用户将很难区分ChatGPT和谷歌的Gemini，且聊天机器人的用户粘性相对较弱，使得OpenAI的市场地位更加脆弱[7] - 谷歌在8月发布备受消费者好评的图像生成AI“Nano Banana”后，OpenAI领导层才匆忙决定追赶该领域，此前曾降低其图像生成模型的开发优先级[5] 组织架构与资源分配 - 公司拥有超过1000人的研究部门在很大程度上与公司其他部门“隔绝”，被描述为本质上仍是一家以研究为中心的公司，“产品本身不是目标”[8] - CEO Sam Altman在今年大部分时间里将精力分散在Sora视频应用、音乐生成AI、网页浏览器、消费硬件和机器人等多个前沿项目上，占用了本可用于提升ChatGPT大众吸引力的宝贵资源[8] - CEO的“红色警报”旨在将部分员工调回ChatGPT项目，以应对迫在眉睫的竞争威胁[7]

谷歌AI模型与自研芯片进展 - 谷歌AI模型表现亮眼，加速对自研芯片及集群方案的演进，有望带来更多液冷增量需求 [1][2] - 谷歌正在推动TPU与PyTorch的完全兼容，有望大幅降低企业迁移成本，加速开拓市场 [2] - 谷歌发布TPUv7 Ironwood，单芯片算力达到4614 TeraFlops，内存容量为192GB，带宽高达7.2 Tbps，单集群可扩展至9216个芯片，并采用液冷解决方案 [2] - 谷歌发布Gemini 3系列模型，包含Pro预览版和Deep Think模式，整合了推理、多模态理解和智能体能力，在多个测试基准中表现亮眼，有望加速TPU集群部署 [2] TPU/ASIC市场需求与客户合作 - TPU需求旺盛，除谷歌自用于Gemini等模型训练外，Anthropic、Meta等企业计划租用TPU [2][3] - Anthropic与谷歌达成合作，将部署多达100万个谷歌的TPU芯片以训练AI大模型Claude，此次扩展计划价值数百亿美元，预计算力容量将于2026年达到1GW级别 [3] - Meta正与谷歌商讨，计划最早在2026年从谷歌云租用芯片，并在2027年开始在自有数据中心使用谷歌TPU芯片，此次投资或价值数十亿美元 [3] AI对基础设施的拉动效应 - AI大模型训练迭代与推理应用落地加速，并行策略对集群内部网络要求提升，带动光纤光缆用量提升，外部数据中心互联及城域光缆需求增长，或将带动光纤光缆价格复苏 [1][4] - 公司看好“光、液冷、国产算力”三条核心主线，并重视卫星、端侧AI [5]

谷歌AI模型与自研芯片进展 - 谷歌AI模型表现亮眼，加速对自研芯片及集群方案的演进，有望带来更多液冷增量需求 [1][2] - 谷歌正在推动TPU与PyTorch的完全兼容，有望大幅降低企业迁移成本，加速开拓市场 [2] - 谷歌发布TPUv7 Ironwood，单芯片算力达到4614 TeraFlops，内存容量为192GB，带宽高达7.2 Tbps，单集群可扩展至9216个芯片，并采用液冷解决方案 [2] - 谷歌发布Gemini 3系列模型，在多个测试基准中表现亮眼，其发布有望加速TPU集群部署 [2] TPU/ASIC需求与市场拓展 - TPU需求旺盛，除谷歌自用外，Anthropic、Meta等企业计划租用TPU [1][3] - Anthropic与谷歌达成合作，将部署多达100万个谷歌的TPU芯片，此次扩展计划价值数百亿美元，预计算力容量将于2026年达到1GW级别 [3] - Meta正与谷歌商讨，计划最早在2026年从谷歌云租用芯片，并在2027年开始在自有数据中心使用谷歌TPU芯片，此次投资或价值数十亿美元 [3] AI驱动的光通信与液冷需求 - AI大模型训练与推理应用加速，对集群内部网络要求提升，带动光纤光缆用量提升，外部数据中心互联及城域光缆需求增长，或将带动光纤光缆价格复苏 [1][4] - 谷歌TPUv7 Ironwood采用液冷解决方案，AI算力发展有望带来更多液冷增量需求 [1][2] 投资主线与相关标的 - 研报坚定看好“光、液冷、国产算力”三条核心主线，并重视卫星、端侧AI [5] - 液冷相关推荐标的包括英维克，受益标的包括飞龙股份、大元泵业等同飞股份、申菱环境、高澜股份等 [3][5] - 光纤光缆相关推荐标的包括中天科技、亨通光电，受益标的包括长飞光纤、永鼎股份、烽火通信等 [4][5] - 光通信、国产算力等其他主线涉及大量推荐及受益标的，包括中际旭创、新易盛、寒武纪、海光信息等公司 [5]

现代AI从实验室走向规模化的系统性复盘 - 现代AI的突破是算法、硬件、工程同时成熟后的系统性涌现，而非单点奇迹[1] - 强算法必须与强基础设施结合，才能真正走向规模化[1] 起点突破：硬件让AI从想法变成现实 - **早期算力觉醒**：2012年AlexNet的成功证明了足够算力对深度学习的决定性作用，其参数比别人多十倍，算力也超出好几倍[2][3] - **早期并行计算探索**：Jeff Dean在1990年就尝试用32处理器的超立方体计算机进行数据并行和模型并行训练，尽管当时因只用了10个神经元而失败[3][4] - **推理成本驱动硬件自研**：2013年Jeff Dean计算发现，若1亿人每天使用语音助手3分钟，将使谷歌服务器总量翻倍，这直接推动了TPU项目的启动[5][6][8] - **专用硬件的发展**：2015年第一代TPU专注于推理，其能效比同期CPU和GPU高出30-80倍；2017年TPU v2开始用于大规模训练；如今TPU已进化到第七代，Pathways系统可统一调度数万颗跨数据中心芯片[8] - **硬件生态多元化**：AI基础设施呈现多元化趋势，NVIDIA GPU路线持续演进（如H100、H200、B200），支撑着OpenAI、Meta等公司的大规模训练；同时，定制芯片如Google TPU和AWS Trainium为特定需求深度优化，在能效和成本上具有独特价值[9] 系统成熟：算法、组织、工具的协同推进 - **算法架构的可扩展性**：Transformer架构的突破在于将顺序处理变为并行处理，所有token同时计算，充分利用硬件并行能力。同样的准确率，Transformer使用的计算量比LSTM少10-100倍，使大规模训练从“理论可能”变为“工程可行”[10] - **组织方式的集中化**：在ChatGPT发布前，谷歌内部已有技术可行的聊天机器人，但受搜索业务思维限制及内部资源分散（Brain、Research、DeepMind三个团队各自为战）未能推向市场。ChatGPT上线后，谷歌整合资源成立了Gemini团队，将算力、模型、人才集中到一个目标上[11][12] - **工程工具栈的闭环形成**：JAX让研究员能用数学语言直接写代码；Pathways让数万颗TPU能被一个Python进程调度；蒸馏技术可将千亿参数模型压缩到能在手机上运行。这些工具降低了AI的准入门槛，提升了效率[13] - **三条曲线的交汇**：Transformer让模型能规模化，但需要更大算力支撑；更大算力需要组织资源集中，同时催生了更好的工具；更好的工具提升训练效率，反过来支撑了更大模型的训练。三者形成闭环，缺一不可[14][15] 未来门槛：规模化后需突破的三大挑战 - **能效：规模化的物理极限**：模型升级意味着消耗更多电力、时间和预算。Gemini的训练动用了上万颗TPU芯片。虽然谷歌通过自研TPU和采用FP4等超低精度格式来提升能效，但下一代推理硬件仍需在能效上再提升一个数量级[16][17] - **记忆：上下文的深度限制**：当前最强模型的上下文窗口也不过几百万个token，限制了其一次性能处理的信息深度。未来的目标是让模型能覆盖数十亿甚至万亿个token，这需要算法和芯片注意力计算架构的重新设计[18][19][20] - **创造：从模仿到联想**：AI在训练海量知识时，会通过压缩过程自动学习到不同事物之间的共同点或类比，这本身就是一种将遥远事物联系起来的创造力。这种能力被认为是AI下一阶段加速科学发现的关键[21][22][23] - **挑战的关联性**：能效是物理成本问题，记忆是架构能力问题，创造是认知边界问题。三者相互关联：能效不突破，长上下文训练成本过高；长上下文做不到，深度联想没有基础；联想能力不行，AI就永远只是个更快的搜索引擎[24][27]