从EDA到AI算力，一位长期科技投资人眼中的技术、资本与市场

从政策蓝图到技术突破，2026年人工智能行业已从AI走向“AI+”的商用化落地发展新周期。而找到方向，释放“AI+”商业化红利的核心引擎是什么？作为上海涌泉亿信资本管理有限公司的董事长，艾亮认为，“AI+”商业化落地的关键在于半导体产业协同。

对于有着深耕资本市场与股权投资行业二十余年经验的艾亮而言，无论是大数据、AI算力还是芯片，数字科技产业的底座——半导体创新是最关键的突破口之一，全链协同则为创新路径。

观点1——价值定位转变：半导体从“算力上游”成为“AI+”产业增长瞄点

艾亮长期参与中国数字技术大规模产业应用的经验。从大数据、数字金融到智能制造和数字基础设施，中国市场为新技术提供了大量复杂的商业场景，从而他判断，进入“AI+”商业化落地阶段，半导体的供给能力、成本曲线、产品迭代节奏，已经直接决定了AI应用的落地边界。

Q1记者：过去几年AI产业最受关注的是大模型和应用，但您认为进入“AI+”阶段以后，半导体的重要性会进一步上升。为什么？

过去几年AI最受关注的是模型能力和技术突破，但一项技术能够实现，与它能够大规模进入产业，其实是两个不同的问题。

AI真正进入汽车、机器人、工业制造、消费电子等场景以后，企业考虑的不只是模型效果，还要考虑算力成本、功耗、部署效率、稳定性以及规模化供给。这些问题最后都会传导到底层芯片。所以我认为，进入“AI+”阶段以后，半导体已经不只是AI产业链上游的算力供给，它实际上会越来越直接地影响AI应用能够做到什么程度、以什么成本实现，以及能不能形成规模化的商业模式。

从投资角度看，这个变化也很重要。过去大家可能更容易把AI应用、算力和半导体看成几个不同的投资方向，但随着AI进入产业，我认为它们之间的联系会越来越紧密。应用产生需求，需求传导到算力，算力进一步影响芯片，而芯片的创新和迭代又离不开EDA等底层工具。

所以我比较关注的，不只是某一个环节增长得有多快，而是整个产业链的价值关系正在怎样变化。

Q2：作为投资人，您怎么判断技术趋势是不是投资机会？判断技术方向是否有投资价值的关键是什么？

技术壁垒肯定是第一步。做科技投资，如果企业本身没有真正的技术能力，后面的商业化其实很难成立。

但我这些年的一个体会是，技术先进和企业具有长期投资价值，并不能简单画等号。我们还要继续往下看几个问题：这项技术究竟解决了产业链里的什么问题？客户为什么需要它？这种需求是真实、持续的，还是阶段性的？产品有没有经过客户验证？企业最终怎样把技术转化成产品和收入？

我还比较关注一家企业在产业链里的位置。有些技术本身很好，但离客户太远，或者上下游条件还没有成熟，它的商业化周期可能就会非常长。反过来，有些企业恰好解决了产业链里的关键瓶颈，它的商业价值可能会随着整个行业发展迅速体现出来。

所以我现在看数字科技项目，一般会把技术壁垒、客户需求、应用场景、产业位置和商业化路径放在一起判断。

对投资人来说，我觉得真正困难的并不是发现一项“看起来很先进”的技术，而是判断这项技术有没有可能最终成为一家具有持续商业价值的企业。

观点2——半导体产业协同创新路径：横、纵向全链驱动

艾亮认为，AI+商业化的落地诉求背后，需要半导体产业的协同创新。这一观点，在艾亮投资实践中取得成效。艾亮曾主导投资的位于江苏的国产数字EDA工具企业，正是以“技术+资本+市场”的三维综合判断，从而为该企业完成股权投资。

按照这样的投资逻辑，艾亮从2012年开始布局的多个数字科技项目获得实际成果。特别是在2021年后，艾亮负责投资的包括国内一线EDA设计、先进存储芯片，以及封装、算力等在内的各种AI产业科技与先进制造项目投资累计近10亿。

Q3：您一直强调“产业协同”。在您看来，AI+时代的半导体产业协同具体体现在哪里？

我理解的协同大概有两个方向。

一个是横向的，也就是应用和技术之间的协同。AI进入不同产业以后，对底层技术提出的要求是不一样的。汽车、机器人、工业制造、智能终端，对算力、功耗、实时性、可靠性和成本都有不同要求。过去可能更多是先做出一项技术，再寻找它适合什么市场；未来会越来越多地出现应用需求反过来定义技术和产品的情况。

另一个是纵向的，也就是产业链上下游之间的协同。AI应用规模扩大以后会产生更多算力需求，算力需求会继续传导到芯片，而芯片设计效率和迭代能力又与EDA等底层工具密切相关。

所以我认为，AI商业化越深入，越难把应用、算力、芯片和EDA完全割裂开来。

这也是为什么我们现在看一个科技项目，不会只问它在自己的细分领域是不是领先，还会问：它在整个产业链里处于什么位置？上下游是谁？它的技术价值最终通过什么路径变成客户价值？

对投资人来说，这实际上意味着判断方式也要发生变化——从判断一个技术点，逐渐转向判断一个技术点在整个产业体系里的价值。

Q4：能否结合您实际参与过的项目谈谈？比如EDA这样的底层技术，距离最终AI应用比较远，投资人怎么判断它有没有商业价值？

EDA确实是一个比较典型的例子。它处在芯片设计产业链的底层，技术门槛很高，研发和客户验证周期也比较长。对投资人来说，如果只是看技术团队介绍产品做到了什么程度，其实还不足以形成投资判断。我们还要进一步看，它解决的是芯片设计流程中的什么问题，客户为什么需要它，产品有没有经过实际验证，与市场上其他方案相比有什么差异，以及企业从技术研发走向规模化商业应用还缺什么。

2021年底开始接触这家国产数字EDA工具企业后，我和团队花了比较多时间去了解公司的技术路线、产品规划、客户验证情况以及EDA行业的竞争格局，这也是为什么我在第二年参与主导相关基金完成了对该企业约六千万元人民币的投资。

这笔投资对我来说，不只是判断一个EDA技术项目值不值得投。更重要的是，我们要考虑一家底层技术企业怎样从产品研发真正走向市场。技术研发当然是创始团队和工程师的核心工作，投资人不能替代他们，但我们可以从资本和产业的角度帮助企业考虑下一阶段需要什么样的融资、怎样选择长期投资人、如何连接产业资源，以及技术怎样更有效地进入客户和市场。

这也是为什么我后来越来越强调，科技投资不能只是“看技术、看下一步”。技术、资本和市场要放在一起判断。一项技术有壁垒，是投资的基础；但它能不能解决真实客户的问题，能不能进入产业链，最终形成持续的商业价值，同样决定了这项投资能走多远。

对底层科技企业来说，一次融资解决的只是某一个阶段的问题。资本不能代替企业做技术创新，但好的科技投资应该理解技术周期，在后续融资、产业资源和市场拓展等方面继续发挥作用，帮助企业缩短从技术价值走向商业价值的距离。

Q5：现在算力是AI产业非常热门的方向，但市场同时存在重复建设和需求泡沫的讨论。您实际参与算力项目时，会怎样判断一个算力业务是不是真正具有商业价值？

我看算力项目时，第一个问题通常不是“有多少服务器”，而是谁在使用这些算力、用来做什么，以及谁愿意为这些算力持续付费。

算力需求增长是一个大的产业趋势，但趋势并不意味着每一个项目都有商业价值。具体到一个项目，我们还是会看客户是不是真实存在，对应的是训练、推理还是其他计算需求，应用场景是否明确，设备投入与未来收入之间能不能形成合理的商业模型。

这也是我参与一家高性能算力集群的上市企业相关算力业务时比较关注的问题。这家企业原来的业务基础主要在高端制造领域，在向算力服务拓展的过程中，我参与了相关算力业务的战略规划和重要事项讨论。我们考虑的不只是设备投入，而是新的算力能力怎样对应真实客户和应用需求，以及怎样形成能够持续发展的业务模式。

从后来公开披露的业务情况看，相关算力业务已经形成了实际服务合同。比如2025年披露的四份算力服务合同合计约11.84亿元，服务期为五年，其中部分高性能服务器集群明确用于仿真模型和环保治理领域垂类大模型的推理应用。

这个项目也让我更加明确一个判断：算力本身不是商业模式。算力最终服务什么应用、解决什么问题、有没有持续客户，才决定它能不能形成真正的商业价值。

观点3——投资逻辑：从“投技术”到“投协同”

从艾亮分享近二十年的股权投资和产业并购经验来看，具备强上下游协同属性的项目，后续的成长确定性和商业化落地速度，明显优于单一技术型项目。为此他表示，进入AI+商业化落地阶段，单一的技术领先已经不足以构建商业壁垒，投资的核心锚点正在从“技术力”转向“协同力”。

Q6：您刚才多次提到“真实场景”。其实您比较早就提出过“场景驱动+技术赋能”。从早期的大数据和数字化项目，到今天的EDA、AI算力，这套投资逻辑发生了什么变化？

我比较早参与大数据和数字产业项目的时候，就一直关注技术怎样进入实际产业场景。

2015年前后，我们参与国家级的大数据智慧产业园相关合作，当时讨论的不只是建设一个产业载体，还包括科技企业孵化、专项产业基金，以及资本怎样支持大数据、云计算、物联网等企业发展。那时候我就在关注一个很实际的问题：技术最终用在哪里？

后来在一些产业交流中，我把这个思路概括为“场景驱动+技术赋能”。这些年技术方向一直在变，从大数据、云计算到今天的AI、EDA和算力，但有几个基本判断没有太大变化：技术解决什么问题，有没有真实需求，能不能从技术变成产品、再从产品形成可持续的业务。

今天看AI，这个逻辑仍然成立，只是产业链更复杂了。除了应用场景，还要考虑算力、芯片、底层软件和上下游之间的关系。所以我的投资判断也从比较早强调“场景驱动+技术赋能”，进一步发展到今天更强调技术、资本、市场和产业之间的协同。

Q7：所以您现在提出科技投资正在从“投技术”走向“投协同”。这里的“协同”具体是什么意思？

首先我想强调，“从投技术到投协同”不是说技术不重要了。恰恰相反，技术永远是科技投资的基础。

我想表达的是，单点技术领先已经越来越不足以保证一家企业能够取得商业成功。

我理解的“协同”主要有三个层面。

第一个是技术和市场的协同。技术解决的是不是客户真正存在的问题，产品和需求能不能匹配。

第二个是产业链的协同。特别是在AI时代，EDA、芯片、算力、模型和应用之间相互影响。一家企业如果能够在产业链中找到清楚的位置，与上下游形成有效连接，它的技术价值才更容易被释放出来。

第三个是资本和企业发展阶段的协同。技术企业早期需要研发资本，产品形成以后需要客户和产业资源，进入扩张阶段以后又需要新的融资和资本市场支持。不同阶段需要解决的问题是不一样的。

所以我说“投协同”，本质上是投资人的判断维度变得更多了。

过去我们可能更多是在寻找好技术，今天还要进一步判断，这项技术能不能进入产业链、找到真实需求，并最终形成持续的商业价值。

写在最后：

从大数据、数字化应用，到EDA、AI算力和数字基础设施，艾亮关注的技术方向不断变化，但其投资判断始终围绕一个核心问题展开：技术如何进入真实产业，并最终形成商业价值。

二十余年的资本市场与股权投资经历，也让他形成了一套相对清晰的科技投资方法：既看技术本身，也看真实需求和产业位置；既关注投资时的价值判断，也关注资本如何帮助技术企业走向商业化。从国产数国产数字EDA工具企业，到全球知名电商旗下的产业数字化科技公司、以及国内全球新型存储芯片研发制造企业…一系列数字科技项目，均由艾亮带领团队参与主导，通过这套方法在不同技术周期中不断得到实践和调整。

在艾亮看来，随着AI从技术突破走向“AI+”商业化，科技投资也正在进入新的阶段——不是不看技术，而是不能只看技术。真正有价值的技术，最终要在产业和市场中得到验证，而投资人的价值，也在于发现并推动这一过程。

标签：