當共識越來越快，年輕投資人在賭什么？

出品｜虎嗅科技組

作者｜陳伊凡、劉煊琦

編輯｜苗正卿

頭圖｜AI生成

這是虎嗅WAIC“追蹤Token商業新范式”系列文章第21期

在科技投資中，年齡從來不是判斷能力的充分條件。但在技術范式快速切換的階段，年輕投資人值得被單獨觀察。

原因并不復雜。AI、機器人、商業航天和量子計算正在同時推進，新技術從論文走向產品、從實驗室進入產業的速度明顯加快，過去的傳統投資邏輯不再奏效，投資人要進入這些項目，僅靠財務模型和成熟行業經驗已經不夠，還要理解技術語言，接受尚未收斂的路線，并在共識形成之前作出判斷。

移動互聯網時代，一家公司可以用用戶增長、留存、收入和網絡效應快速證明自己；今天的AI與硬科技項目，卻可能橫跨算法、芯片、傳感器、供應鏈、工業場景和監管體系。投資人既要看得懂一次技術躍遷，也要判斷它能否成為穩定產品，能否形成數據與訓練閉環，還要陪企業穿過漫長的工程化和商業化周期。

今年WAIC上，發布了“阿爾法α青年投資領袖”名單，選出了10位新生代投資人，但是榜單之外，更重要的是，把這些投資方向和判斷放在一起看，它更像一張正在生成的科技投資趨勢圖。

WAIC FUTURE TECH青年投資人榜單詳情

這張圖透露出一個共同變化：資本正在從追逐技術名詞，轉向識別技術進入產業的真實路徑。下一輪機會未必屬于最響亮的概念，而更可能出現在模型紅利尚未釋放的環節、物理世界仍未補齊的能力缺口，以及需要長期資本提前進入的基礎設施中。

趨勢一：AI正在離開屏幕，進入物理世界

過去幾年，市場理解AI的主要入口是大模型、聊天機器人和生成式應用。如今，投資視線正在向端側設備、機器人、汽車、工業系統和空間基礎設施移動。AI不再只是生成一段文字或一張圖片，而要感知環境、理解人的意圖，并在真實世界里完成動作。

這也是具身智能、人形機器人、AI硬件和端側智能受到集中關注的原因。錦秋基金投資執行董事周欣從2018年開始關注機器人。

她在圓桌中提醒，具身智能的泡沫并非來自技術毫無進展，而是市場把大語言模型的迭代速度，直接套在了與物理世界深度耦合的機器人上。模型能力提升，不等于場景落地同步完成。一次漂亮的Demo可以制造想象力，卻無法回答機器人能否連續執行一百次，失誤率是否可控，部署和運維成本能否下降，最終ROI是否成立。

這套判斷把具身智能的競爭從“演示效果”拉回了“交付能力”。真實世界沒有提示詞可以重來。工廠、倉庫、家庭和公共空間都要求系統應對噪聲、磨損、突發情況和人的不可預測行為。模型只是其中一層，觸覺、傳感、執行器、控制系統、數據采集和場景反饋共同決定產品能否工作。

資本的熱度可以量化。

中國信通院《具身智能發展報告（2025年）》顯示，截至2025年12月，我國具身智能和機器人領域投資事件達744起，融資總額735.43億元；IDC預測2026年全球人形機器人出貨量將突破5萬臺，同比增長178%。

但落地的冷數據同樣存在：頭部企業宇樹科技2025年前三季度的人形機器人收入中，來自科研教育領域的占比高達73.6%。設備大量賣給了高校和科研機構，距離在工廠里創造實際價值，還有一段路要走。這恰好印證了周欣的提醒：模型的進展不能直接等同于落地的進展。

端側智能由此成為另一條重要線索。周欣認為，如果AI是一場接近工業革命級別的認知革命，智能就不可能長期只存在于云端。未來的認知網絡將由云端和端側共同構成：底層是芯片和硬件載體，中間是圍繞Agent形成的運行環境，上層則是能夠理解個人需求的應用。Agent可能逐漸成為硬件的交互入口，向上理解用戶的偏好、歷史和狀態，向下調用手機、眼鏡、汽車、機器人及家庭設備。

這會改變AI硬件的商業模式。硬件不再只靠一次性銷售獲得收入，而可能通過持續服務創造價值。真正的壁壘也不只是“設備里加入了AI”，而是設備能否降低使用門檻，能否圍繞用戶形成穩定的數據和服務關系。

榜單中多位投資人的布局已經沿著這條路線展開：厚雪資本副總裁白則人關注無人配送、觸覺傳感和干線物流自動駕駛，耀途資本投資經理過靖關注垂直專用機器人、無人機集群和光伏安裝機器人。無人配送恰好是“AI進入物理世界”里跑得最快的賽道之一：2025年行業融資總額逼近百億元，白則人所在的線性資本參與投資的白犀牛，同年完成三輪融資、累計超1億美元，活躍運營車輛從2023年底的約100臺增長到2025年12月的超2000臺，在全球170多座城市常態化運營。這類生意沒有驚艷的Demo，卻每天都在接受效率、成本和可靠性的檢驗。AI從數字世界進入物理世界之后，技術想象力依然重要，但規?；桓秾⒊蔀楦驳姆炙畮X。

趨勢二：大模型紅利沒有結束，競爭焦點轉向“智能飛輪”

當市場不斷尋找下一代架構和新概念時，一個容易被忽略的事實是：這一代大模型的產業紅利可能還遠未釋放。

啟明創投執行董事胡奇提出，今天最大的偽共識之一，是人們對下一次躍遷技術關注過多，卻較少討論如何讓現有大模型真正完成生產力重構。TCP/IP成為標準協議后，互聯網紅利經歷了漫長釋放；貝葉斯理論和CNN也在提出多年后持續影響新的技術系統。底層技術從出現到改變行業，通常不是一兩年的線性過程。大模型進入公眾視野不過數年，商業系統、組織流程和產業基礎設施還沒有完全跟上模型能力。

這意味著，投資人不必在“繼續投資大模型”和“尋找下一代技術”之間二選一。更重要的問題是，哪些公司能夠把已有模型能力嵌入真實工作流，形成不會被下一次模型升級輕易抹平的價值。

靖亞資本投資總監劉云階把這種能力稱為“智能飛輪”。用戶使用產品產生數據，數據進入訓練或優化過程，模型能力提升后改善體驗，更好的體驗又帶來更多用戶、場景和反饋。數據閉環、訓練閉環和用戶反饋閉環相互推動，公司由此獲得持續自我增強的能力。

如果把這套判斷放到具體公司上看，智譜和可靈可以作為兩個注腳。主持人在圓桌中提到，胡奇曾在行情爆發前重倉智譜。智譜，2022年至2024年收入從5740萬元增至3.124億元，三年復合增長率約130%，2025年上半年收入1.909億元、同比增長325%，并于2026年1月登陸港交所，成為“全球大模型第一股”。快手的可靈AI則展示了模型能力嵌入創作工作流后的商業化速度：2024年6月開放測試，約45天就上線收費體系，2025年全年收入約10.4億元，12月單月收入突破2000萬美元，截至2025年底全球用戶超6000萬、累計生成超6億個視頻，服務超3萬家企業客戶和開發者。用戶創作、數據回流、模型迭代、體驗提升，飛輪的每一圈都在直接轉化為收入。

用這一框架看，AI公司的核心指標也需要變化。ARR、GMV和SaaS效率仍然有參考價值，卻不足以說明一家公司是否擁有長期壁壘。一個功能可能因為基座模型升級而迅速貶值；一個真正進入業務流程、能夠積累專有數據并持續學習的系統，則可能隨著模型進步變得更強。

劉云階進一步將智能價值鏈分成三層：智能的產生、智能的分發和智能在物理世界中的具象化。世界模型、藥物發現屬于智能的產生；Agent和企業級Agent承擔智能的分發；具身智能、智能駕駛則讓智能轉化為物理行動。這個框架把“AI賽道”拆成一條完整價值鏈。資本尋找的不再只是某個熱門應用，而是，每一層中能夠占據平臺位置、形成反饋閉環的公司。

因此，大模型投資的重心正在改變。過去的問題是“誰的模型更強”，接下來的問題是“誰能把模型能力變成一個越用越強、越深入業務的系統”。

趨勢三：數據瓶頸催生新的底層技術，科學基礎模型成為非共識方向

大模型繼續擴展，遲早要面對一個更基礎的問題：高質量的人類數據有限，而且采集和標注成本很高。當互聯網語料和人工反饋逐漸接近瓶頸，模型還能從哪里獲得新的經驗？

胡奇將強化學習、自我博弈和持續迭代視為可能的答案。他以AlphaGo Zero為例：模型只掌握圍棋規則，通過自我對弈生成經驗，在不依賴人類棋譜的情況下提升能力。類似機制能否從規則清晰的游戲，走向更復雜的科學研究、工程系統和現實任務，將決定AI能否突破對既有數據的依賴。

這也提供了一套判斷底層技術的標準。它首先要能在足夠大的產業中帶來普遍提升，而非只對一家公司的局部環節有效；其次要擴展AI的能力邊界，例如解決數據、推理或持續學習問題；最后還要經得起時間檢驗，不能只在一輪技術敘事中成立。

沿著這條邏輯，科學基礎模型成為一個值得關注的非共識方向。它與常見的AI for Science并不完全相同。后者常被理解為自動化實驗室、蛋白質結構預測、材料發現或某個單點科研工具；科學基礎模型則試圖在生命科學、材料和仿真等領域建立更底層、更通用的模型能力，服務一個學科中的多個任務。

這個方向的難點也很明顯?？茖W數據具有專業性強、標準不一、獲取昂貴等特點，研究成果本身還可能存在錯誤甚至造假。模型不僅要學習文獻和實驗數據，還要判斷證據質量，理解學科規律，并與真實實驗形成驗證循環。目前尚不確定未來會由每個大學科分別形成自己的基礎模型，還是出現跨學科的統一架構。但它所指向的問題已經足夠清楚：當通用互聯網數據的邊際價值下降，專業世界中的高質量數據、科學規律和實驗反饋，可能成為下一輪模型能力增長的重要來源。

趨勢四：越靠近硬科技深水區，越需要耐心資本

與AI應用相比，商業航天、量子計算、太空算力和先進能源的驗證周期更長。它們很難依靠一款產品上線后的幾個月數據證明自己，技術路線、工程能力、供應鏈、資質、行業標準和產業需求必須在較長時間里共同成熟。

厚雪資本副總裁王澍禾對量子計算的判斷體現了這種克制。當前光量子、中性原子、離子等路線各有優勢和瓶頸，通用量子計算何時落地仍有很大不確定性。除了裝置設計和供應鏈等工程問題，行業還面對材料、算法、物理機理、人才和評價標準等基礎問題。更現實的路徑，可能是讓量子計算與經典超算、GPU和CPU形成模塊化協作，而非期待通用量子計算在短期內獨立替代現有體系。

不確定并不等于沒有投資價值。前沿行業中的適度熱度會吸引人才、資金和產業資源，即使并非所有公司都能成功，過程中仍會沉淀工程經驗、供應鏈能力和可以遷移的技術成果。關鍵在于，資本不能把遠期可能性直接折算成短期確定性，也不能因為商業化較遠，就完全放棄在早期建立判斷。

商業航天同樣如此。這個行業涉及發射、審批、資質許可、測試、質量管理和供應鏈協同，鏈條遠長于一般軟件產品。但它的產業化正在加速：2025年我國完成87次航天發射，其中民營商業火箭企業執行23次，入軌航天器324顆；行業融資總額達186億元，同比增長32%，商業發射服務訂單同比增長約四成。風險投資不可能等企業完全跨過“死亡之谷”再進入，因為那時早期投資的窗口往往已經關閉。投資人需要在變化中尋找不變：市場需求是否終將出現，團隊是否擁有底層研發和工程組織能力，能否處理供應鏈與商業化問題，又是否具備足夠韌性，等到產業的大門真正打開。

王澍禾對太空具身機器人的關注是這種判斷的一個具體例子。它聽上去像商業航天、機器人和AI幾個熱門概念的疊加，但背后已經出現明確需求。隨著衛星數量增加，報廢衛星處理、太空碎片清理、在軌運維和在軌建造都會成為太空生態的一部分。當商業航天從“如何把設備送上去”轉向“如何長期使用和維護太空資源”，新的基礎設施和服務體系就會出現。

榜單中對太空算力、空天能源材料 和量子計算的關注，說明年輕投資人并未把目光局限于更快兌現的AI應用。他們也在進入那些技術路線尚未完全收斂、卻可能重塑未來產業基礎的領域。硬科技的耐心，并不意味著放棄回報，而是把回報押在更長的時間尺度上。這樣的投資要求資本足夠早，也足夠耐心。

當AI從云端進入設備，從數字內容進入物理行動，當科技投資從軟件擴展到芯片、能源、機器人和太空基礎設施，資本的角色也會改變。它需要更早理解技術，更深進入產業，并在結果尚不明確時作出長期選擇。這份榜單值得觀察的，正是這一代投資人將如何學習這種選擇。

本文來自虎嗅，原文鏈接：https://www.huxiu.com/article/4877273.html?f=wyxwapp