出品｜虎嗅科技组

作者｜陈伊凡、刘煊琦

编辑｜苗正卿

头图｜AI 生成

这是虎嗅 WAIC" 追踪 Token 商业新范式 " 系列文章第 21 期

在科技投资中，年龄从来不是判断能力的充分条件。但在技术范式快速切换的阶段，年轻投资人值得被单独观察。

原因并不复杂。AI、机器人、商业航天和量子计算正在同时推进，新技术从论文走向产品、从实验室进入产业的速度明显加快，过去的传统投资逻辑不再奏效，投资人要进入这些项目，仅靠财务模型和成熟行业经验已经不够，还要理解技术语言，接受尚未收敛的路线，并在共识形成之前作出判断。

移动互联网时代，一家公司可以用用户增长、留存、收入和网络效应快速证明自己；今天的   AI   与硬科技项目，却可能横跨算法、芯片、传感器、供应链、工业场景和监管体系。投资人既要看得懂一次技术跃迁，也要判断它能否成为稳定产品，能否形成数据与训练闭环，还要陪企业穿过漫长的工程化和商业化周期。

今年 WAIC 上，发布了 " 阿尔法 α 青年投资领袖 " 名单，选出了 10 位新生代投资人，但是榜单之外，更重要的是，把这些投资方向和判断放在一起看，它更像一张正在生成的科技投资趋势图。

WAIC FUTURE TECH 青年投资人榜单详情

这张图透露出一个共同变化：资本正在从追逐技术名词，转向识别技术进入产业的真实路径。下一轮机会未必属于最响亮的概念，而更可能出现在模型红利尚未释放的环节、物理世界仍未补齐的能力缺口，以及需要长期资本提前进入的基础设施中。

趋势一：AI   正在离开屏幕，进入物理世界

过去几年，市场理解   AI   的主要入口是大模型、聊天机器人和生成式应用。如今，投资视线正在向端侧设备、机器人、汽车、工业系统和空间基础设施移动。AI   不再只是生成一段文字或一张图片，而要感知环境、理解人的意图，并在真实世界里完成动作。

这也是具身智能、人形机器人、AI   硬件和端侧智能受到集中关注的原因。锦秋基金投资执行董事周欣从 2018 年开始关注机器人。

她在圆桌中提醒，具身智能的泡沫并非来自技术毫无进展，而是市场把大语言模型的迭代速度，直接套在了与物理世界深度耦合的机器人上。模型能力提升，不等于场景落地同步完成。一次漂亮的   Demo   可以制造想象力，却无法回答机器人能否连续执行一百次，失误率是否可控，部署和运维成本能否下降，最终   ROI   是否成立。

这套判断把具身智能的竞争从 " 演示效果 " 拉回了 " 交付能力 "。真实世界没有提示词可以重来。工厂、仓库、家庭和公共空间都要求系统应对噪声、磨损、突发情况和人的不可预测行为。模型只是其中一层，触觉、传感、执行器、控制系统、数据采集和场景反馈共同决定产品能否工作。

资本的热度可以量化。

中国信通院《具身智能发展报告（2025   年）》显示，截至   2025   年   12   月，我国具身智能和机器人领域投资事件达   744   起，融资总额   735.43   亿元；IDC   预测   2026   年全球人形机器人出货量将突破   5   万台，同比增长   178%。

但落地的冷数据同样存在：头部企业宇树科技   2025   年前三季度的人形机器人收入中，来自科研教育领域的占比高达 73.6%。设备大量卖给了高校和科研机构，距离在工厂里创造实际价值，还有一段路要走。这恰好印证了周欣的提醒：模型的进展不能直接等同于落地的进展。

端侧智能由此成为另一条重要线索。周欣认为，如果   AI   是一场接近工业革命级别的认知革命，智能就不可能长期只存在于云端。未来的认知网络将由云端和端侧共同构成：底层是芯片和硬件载体，中间是围绕   Agent   形成的运行环境，上层则是能够理解个人需求的应用。Agent   可能逐渐成为硬件的交互入口，向上理解用户的偏好、历史和状态，向下调用手机、眼镜、汽车、机器人及家庭设备。

这会改变   AI   硬件的商业模式。硬件不再只靠一次性销售获得收入，而可能通过持续服务创造价值。真正的壁垒也不只是 " 设备里加入了   AI"，而是设备能否降低使用门槛，能否围绕用户形成稳定的数据和服务关系。

榜单中多位投资人的布局已经沿着这条路线展开：厚雪资本副总裁白则人关注无人配送、触觉传感和干线物流自动驾驶，耀途资本投资经理过靖关注垂直专用机器人、无人机集群和光伏安装机器人。无人配送恰好是 "AI   进入物理世界 " 里跑得最快的赛道之一：2025   年行业融资总额逼近百亿元，白则人所在的线性资本参与投资的白犀牛，同年完成三轮融资、累计超 1   亿美元，活跃运营车辆从   2023   年底的约   100   台增长到   2025   年   12   月的超   2000   台，在全球   170   多座城市常态化运营。这类生意没有惊艳的   Demo，却每天都在接受效率、成本和可靠性的检验。AI   从数字世界进入物理世界之后，技术想象力依然重要，但规模化交付将成为更硬的分水岭。

趋势二：大模型红利没有结束，竞争焦点转向 " 智能飞轮 "

当市场不断寻找下一代架构和新概念时，一个容易被忽略的事实是：这一代大模型的产业红利可能还远未释放。

启明创投执行董事胡奇提出，今天最大的伪共识之一，是人们对下一次跃迁技术关注过多，却较少讨论如何让现有大模型真正完成生产力重构。TCP/IP   成为标准协议后，互联网红利经历了漫长释放；贝叶斯理论和   CNN   也在提出多年后持续影响新的技术系统。底层技术从出现到改变行业，通常不是一两年的线性过程。大模型进入公众视野不过数年，商业系统、组织流程和产业基础设施还没有完全跟上模型能力。

这意味着，投资人不必在 " 继续投资大模型 " 和 " 寻找下一代技术 " 之间二选一。更重要的问题是，哪些公司能够把已有模型能力嵌入真实工作流，形成不会被下一次模型升级轻易抹平的价值。

靖亚资本投资总监刘云阶把这种能力称为 " 智能飞轮 "。用户使用产品产生数据，数据进入训练或优化过程，模型能力提升后改善体验，更好的体验又带来更多用户、场景和反馈。数据闭环、训练闭环和用户反馈闭环相互推动，公司由此获得持续自我增强的能力。

如果把这套判断放到具体公司上看，智谱和可灵可以作为两个注脚。主持人在圆桌中提到，胡奇曾在行情爆发前重仓智谱。智谱，2022   年至   2024   年收入从   5740   万元增至   3.124   亿元，三年复合增长率约   130%，2025   年上半年收入   1.909   亿元、同比增长   325%，并于   2026   年   1   月登陆港交所，成为 " 全球大模型第一股 "。快手的可灵   AI   则展示了模型能力嵌入创作工作流后的商业化速度：2024   年   6   月开放测试，约   45   天就上线收费体系，2025   年全年收入约   10.4   亿元，12   月单月收入突破   2000   万美元，截至   2025   年底全球用户超   6000   万、累计生成超   6   亿个视频，服务超   3   万家企业客户和开发者。用户创作、数据回流、模型迭代、体验提升，飞轮的每一圈都在直接转化为收入。

用这一框架看，AI   公司的核心指标也需要变化。ARR、GMV   和   SaaS   效率仍然有参考价值，却不足以说明一家公司是否拥有长期壁垒。一个功能可能因为基座模型升级而迅速贬值；一个真正进入业务流程、能够积累专有数据并持续学习的系统，则可能随着模型进步变得更强。

刘云阶进一步将智能价值链分成三层：智能的产生、智能的分发和智能在物理世界中的具象化。世界模型、药物发现属于智能的产生；Agent   和企业级   Agent   承担智能的分发；具身智能、智能驾驶则让智能转化为物理行动。这个框架把 "AI   赛道 " 拆成一条完整价值链。资本寻找的不再只是某个热门应用，而是，每一层中能够占据平台位置、形成反馈闭环的公司。

因此，大模型投资的重心正在改变。过去的问题是 " 谁的模型更强 "，接下来的问题是 " 谁能把模型能力变成一个越用越强、越深入业务的系统 "。

趋势三：数据瓶颈催生新的底层技术，科学基础模型成为非共识方向

大模型继续扩展，迟早要面对一个更基础的问题：高质量的人类数据有限，而且采集和标注成本很高。当互联网语料和人工反馈逐渐接近瓶颈，模型还能从哪里获得新的经验？

胡奇将强化学习、自我博弈和持续迭代视为可能的答案。他以   AlphaGo Zero   为例：模型只掌握围棋规则，通过自我对弈生成经验，在不依赖人类棋谱的情况下提升能力。类似机制能否从规则清晰的游戏，走向更复杂的科学研究、工程系统和现实任务，将决定   AI   能否突破对既有数据的依赖。

这也提供了一套判断底层技术的标准。它首先要能在足够大的产业中带来普遍提升，而非只对一家公司的局部环节有效；其次要扩展   AI   的能力边界，例如解决数据、推理或持续学习问题；最后还要经得起时间检验，不能只在一轮技术叙事中成立。

沿着这条逻辑，科学基础模型成为一个值得关注的非共识方向。它与常见的   AI for Science   并不完全相同。后者常被理解为自动化实验室、蛋白质结构预测、材料发现或某个单点科研工具；科学基础模型则试图在生命科学、材料和仿真等领域建立更底层、更通用的模型能力，服务一个学科中的多个任务。

这个方向的难点也很明显。科学数据具有专业性强、标准不一、获取昂贵等特点，研究成果本身还可能存在错误甚至造假。模型不仅要学习文献和实验数据，还要判断证据质量，理解学科规律，并与真实实验形成验证循环。目前尚不确定未来会由每个大学科分别形成自己的基础模型，还是出现跨学科的统一架构。但它所指向的问题已经足够清楚：当通用互联网数据的边际价值下降，专业世界中的高质量数据、科学规律和实验反馈，可能成为下一轮模型能力增长的重要来源。

趋势四：越靠近硬科技深水区，越需要耐心资本

与   AI   应用相比，商业航天、量子计算、太空算力和先进能源的验证周期更长。它们很难依靠一款产品上线后的几个月数据证明自己，技术路线、工程能力、供应链、资质、行业标准和产业需求必须在较长时间里共同成熟。

厚雪资本副总裁王澍禾对量子计算的判断体现了这种克制。当前光量子、中性原子、离子等路线各有优势和瓶颈，通用量子计算何时落地仍有很大不确定性。除了装置设计和供应链等工程问题，行业还面对材料、算法、物理机理、人才和评价标准等基础问题。更现实的路径，可能是让量子计算与经典超算、GPU   和   CPU   形成模块化协作，而非期待通用量子计算在短期内独立替代现有体系。

不确定并不等于没有投资价值。前沿行业中的适度热度会吸引人才、资金和产业资源，即使并非所有公司都能成功，过程中仍会沉淀工程经验、供应链能力和可以迁移的技术成果。关键在于，资本不能把远期可能性直接折算成短期确定性，也不能因为商业化较远，就完全放弃在早期建立判断。

商业航天同样如此。这个行业涉及发射、审批、资质许可、测试、质量管理和供应链协同，链条远长于一般软件产品。但它的产业化正在加速：2025   年我国完成   87   次航天发射，其中民营商业火箭企业执行   23   次，入轨航天器   324   颗；行业融资总额达   186   亿元，同比增长   32%，商业发射服务订单同比增长约四成。风险投资不可能等企业完全跨过 " 死亡之谷 " 再进入，因为那时早期投资的窗口往往已经关闭。投资人需要在变化中寻找不变：市场需求是否终将出现，团队是否拥有底层研发和工程组织能力，能否处理供应链与商业化问题，又是否具备足够韧性，等到产业的大门真正打开。

王澍禾对太空具身机器人的关注是这种判断的一个具体例子。它听上去像商业航天、机器人和   AI   几个热门概念的叠加，但背后已经出现明确需求。随着卫星数量增加，报废卫星处理、太空碎片清理、在轨运维和在轨建造都会成为太空生态的一部分。当商业航天从 " 如何把设备送上去 " 转向 " 如何长期使用和维护太空资源 "，新的基础设施和服务体系就会出现。

榜单中对太空算力、空天能源材料 和量子计算的关注，说明年轻投资人并未把目光局限于更快兑现的   AI   应用。他们也在进入那些技术路线尚未完全收敛、却可能重塑未来产业基础的领域。硬科技的耐心，并不意味着放弃回报，而是把回报押在更长的时间尺度上。这样的投资要求资本足够早，也足够耐心。

当   AI   从云端进入设备，从数字内容进入物理行动，当科技投资从软件扩展到芯片、能源、机器人和太空基础设施，资本的角色也会改变。它需要更早理解技术，更深进入产业，并在结果尚不明确时作出长期选择。这份榜单值得观察的，正是这一代投资人将如何学习这种选择。