Productor| Grupo de Tecnología de Huxiu
Autor| Chen Yifan, Liu Xuanqi
Editor| Miao Zhengqing
Imagen de portada| Generada por IA
Este es el artículo número 21 de la serie "Seguimiento del Nuevo Paradigma Comercial Token" de WAIC de Huxiu
En la inversión tecnológica, la edad nunca ha sido una condición suficiente para juzgar la capacidad. Pero en una etapa de rápida transición del paradigma tecnológico, los jóvenes inversores merecen ser observados por separado.
La razón no es compleja. La IA, la robótica, la aeroespacial comercial y la computación cuántica están avanzando simultáneamente, la velocidad a la que las nuevas tecnologías pasan de los artículos a los productos, del laboratorio a la industria se ha acelerado notablemente. La lógica de inversión tradicional del pasado ya no es efectiva. Para entrar en estos proyectos, los inversores no solo necesitan modelos financieros y experiencia en industrias maduras, sino también comprender el lenguaje técnico, aceptar rutas aún no consolidadas y tomar decisiones antes de que se forme un consenso.
En la era del internet móvil, una empresa podía demostrar su valor rápidamente con el crecimiento de usuarios, la retención, los ingresos y los efectos de red; los proyectos actuales de IA y tecnología dura pueden abarcar algoritmos, chips, sensores, cadena de suministro, escenarios industriales y sistemas regulatorios. Los inversores deben comprender un salto tecnológico, juzgar si puede convertirse en un producto estable, si puede formar un ciclo cerrado de datos y entrenamiento, y acompañar a la empresa a través de largos ciclos de ingeniería y comercialización.
En WAIC de este año, se publicó la lista "Líderes Inversores Jóvenes Alfa α", seleccionando a 10 nuevos inversores. Pero, más allá de la lista, lo más importante es que al poner juntas estas direcciones y juicios de inversión, se asemeja más a un mapa de tendencias de inversión tecnológica que se está generando.
Detalles de la lista de inversores jóvenes WAIC FUTURE TECH
Este mapa revela un cambio común: el capital está pasando de perseguir nombres técnicos a identificar las rutas reales de entrada de la tecnología en la industria. La próxima oportunidad puede no pertenecer al concepto más resonante, sino que es más probable que aparezca en eslabones donde el dividendo del modelo aún no se ha liberado, en las brechas de capacidad aún no cubiertas en el mundo físico y en la infraestructura que requiere capital paciente para entrar temprano.
Tendencia 1: La IA está abandonando las pantallas y entrando en el mundo físico
En los últimos años, la entrada principal del mercado para entender la IA fueron los modelos grandes, los chatbots y las aplicaciones generativas. Ahora, la mirada de la inversión se está moviendo hacia dispositivos de borde, robots, automóviles, sistemas industriales e infraestructura espacial. La IA ya no solo genera texto o una imagen, sino que debe percibir el entorno, comprender las intenciones humanas y completar acciones en el mundo real.
Esta es también la razón por la que la inteligencia incorporada, los robots humanoides, el hardware de IA y la inteligencia en el borde reciben atención concentrada. Zhou Xin, directora ejecutiva de inversiones de Jinqiu Fund, ha estado siguiendo la robótica desde 2018.
En una mesa redonda advirtió que la burbuja de la inteligencia incorporada no proviene de una falta de progreso técnico, sino de que el mercado ha aplicado directamente la velocidad de iteración de los modelos de lenguaje grandes a los robots, que están profundamente acoplados al mundo físico. La mejora de la capacidad del modelo no equivale a la finalización simultánea de su implementación práctica. Una demostración impresionante puede crear imaginación, pero no puede responder si el robot puede ejecutar una tarea cien veces seguidas, si su tasa de error es controlable, si los costos de despliegue y mantenimiento pueden reducirse y, finalmente, si el ROI es viable.
Este juicio lleva la competencia en inteligencia incorporada del "efecto de demostración" de vuelta a la "capacidad de entrega". El mundo real no permite reintentos con palabras clave. Las fábricas, almacenes, hogares y espacios públicos requieren que los sistemas manejen ruido, desgaste, situaciones imprevistas y comportamientos humanos impredecibles. El modelo es solo una capa; el tacto, los sensores, los actuadores, los sistemas de control, la recopilación de datos y la retroalimentación del escenario determinan conjuntamente si el producto puede funcionar.
El entusiasmo del capital se puede cuantificar.
El "Informe de Desarrollo de la Inteligencia Incorporada (2025)" de la Academia China de Tecnología de la Información y las Comunicaciones muestra que hasta diciembre de 2025, los eventos de inversión en inteligencia incorporada y robótica en China alcanzaron los 744, con un total de financiación de 73,543 millones de yuanes; IDC predice que el envío global de robots humanoides superará las 50,000 unidades en 2026, un aumento interanual del 178%.
Pero también existen datos fríos sobre la implementación: en los ingresos por robots humanoides de la empresa líder Unitree Robotics en los primeros tres trimestres de 2025, el 73,6% provino del campo de la educación científica e investigación. Los equipos se vendieron en gran medida a universidades e institutos de investigación, lo que indica que todavía hay un camino por recorrer para crear valor real en las fábricas. Esto confirma precisamente la advertencia de Zhou Xin: el progreso del modelo no equivale directamente al progreso en la implementación.
La inteligencia en el borde se convierte así en otra pista importante. Zhou Xin cree que si la IA es una revolución cognitiva de un nivel cercano a la revolución industrial, la inteligencia no puede permanecer mucho tiempo solo en la nube. La futura red cognitiva estará compuesta conjuntamente por la nube y el borde: en la base están los chips y los portadores de hardware, en el medio el entorno de ejecución formado alrededor de los Agent, y en la parte superior las aplicaciones que pueden comprender las necesidades personales. Los Agent pueden convertirse gradualmente en la interfaz de interacción del hardware, comprendiendo las preferencias, historial y estado del usuario hacia arriba, y llamando hacia abajo a teléfonos, gafas, automóviles, robots y dispositivos domésticos.
Esto cambiará el modelo comercial del hardware de IA. El hardware ya no solo obtiene ingresos mediante ventas únicas, sino que puede crear valor a través de servicios continuos. La verdadera barrera no es solo "añadir IA al dispositivo", sino si el dispositivo puede reducir el umbral de uso y formar una relación estable de datos y servicios en torno al usuario.
Las inversiones de varios de los inversores de la lista ya se han desplegado a lo largo de esta línea: Bai Zeren, vicepresidente de Houxue Capital, se enfoca en la distribución sin conductor, sensores táctiles y la conducción autónoma en logística de troncal; Guo Jing, gerente de inversiones de YaoTu Capital, se enfoca en robots especializados verticales, enjambres de drones y robots de instalación fotovoltaica. La distribución sin conductor es precisamente uno de los sectores de más rápido crecimiento en "IA entrando en el mundo físico": en 2025, el financiamiento total de la industria se acercó a los 10 mil millones de yuanes, White Rhino, en el que participa Linear Capital donde trabaja Bai Zeren, completó tres rondas de financiación en el mismo año, acumulando más de 100 millones de dólares, y los vehículos operativos activos aumentaron de unos 100 a finales de 2023 a más de 2000 en diciembre de 2025, operando de forma rutinaria en más de 170 ciudades a nivel mundial. Este tipo de negocio no tiene demostraciones deslumbrantes, pero se somete diariamente a pruebas de eficiencia, costo y fiabilidad. Una vez que la IA pasa del mundo digital al físico, la imaginación técnica sigue siendo importante, pero la entrega a escala se convertirá en una línea divisoria más dura.
Tendencia 2: El dividendo de los modelos grandes no ha terminado, el foco de la competencia se desplaza hacia la "rueda de la inteligencia"
Mientras el mercado busca constantemente la próxima generación de arquitecturas y nuevos conceptos, un hecho fácilmente pasado por alto es que el dividendo industrial de esta generación de modelos grandes puede estar aún lejos de liberarse.
Hu Qi, directora ejecutiva de Qiming Venture Partners, plantea que uno de los mayores pseudoconsensos actuales es que la gente presta demasiada atención a la próxima tecnología de salto, pero discute menos sobre cómo hacer que los modelos grandes existentes realmente reestructuren la productividad. Después de que TCP/IP se convirtiera en un protocolo estándar, el dividendo de Internet se liberó durante un largo período; la teoría bayesiana y las CNN también continuaron influyendo en nuevos sistemas técnicos muchos años después de su propuesta. El paso de una tecnología subyacente a la transformación de una industria generalmente no es un proceso lineal de uno o dos años. Los modelos grandes han estado en la vista pública solo unos años, y los sistemas comerciales, los procesos organizativos y la infraestructura industrial aún no se han puesto al día completamente con la capacidad de los modelos.
Esto significa que los inversores no tienen que elegir entre "seguir invirtiendo en modelos grandes" y "buscar la próxima generación de tecnología". La pregunta más importante es qué empresas pueden integrar la capacidad de los modelos existentes en flujos de trabajo reales, creando un valor que no sea fácilmente borrado por la próxima actualización del modelo.
Liu Yunjie, director de inversiones de Jingya Capital, llama a esta capacidad la "rueda de la inteligencia". Los usuarios generan datos al usar el producto, los datos entran en el proceso de entrenamiento u optimización, la mejora de la capacidad del modelo mejora la experiencia, y una mejor experiencia atrae a más usuarios, escenarios y retroalimentación. El ciclo cerrado de datos, el ciclo cerrado de entrenamiento y el ciclo cerrado de retroalimentación del usuario se impulsan mutuamente, otorgando a la empresa una capacidad de autorrefuerzo continuo.
Si aplicamos este juicio a empresas concretas, Zhipu y Kling pueden servir como dos ejemplos. El moderador mencionó en la mesa redonda que Hu Qi había invertido fuertemente en Zhipu antes de la explosión del mercado. Zhipu, con ingresos que aumentaron de 57,4 millones de yuanes en 2022 a 312,4 millones en 2024, una tasa de crecimiento anual compuesta de aproximadamente 130% en tres años, ingresos de 190,9 millones en la primera mitad de 2025, un aumento interanual del 325%, y que cotizó en la Bolsa de Hong Kong en enero de 2026, convirtiéndose en la "primera acción de modelos grandes del mundo". Kling AI de Kuaishou muestra la velocidad de comercialización cuando la capacidad del modelo se integra en el flujo de trabajo creativo: abierto a prueba en junio de 2024, lanzó un sistema de pago en unos 45 días, con ingresos anuales de aproximadamente 1040 millones de yuanes en 2025, ingresos mensuales superiores a 200 millones de dólares en diciembre, más de 60 millones de usuarios globales a finales de 2025, acumulando más de 600 millones de videos generados, sirviendo a más de 30,000 clientes empresariales y desarrolladores. La creación del usuario, el retorno de datos, la iteración del modelo, la mejora de la experiencia, cada giro de la rueda se convierte directamente en ingresos.
Visto bajo este marco, los indicadores clave de las empresas de IA también necesitan cambiar. ARR, GMV y la eficiencia SaaS aún tienen valor de referencia, pero no son suficientes para indicar si una empresa tiene barreras a largo plazo. Una función puede depreciarse rápidamente debido a una actualización del modelo base; un sistema que realmente entra en los procesos comerciales, capaz de acumular datos propietarios y aprender continuamente, puede volverse más fuerte con el progreso del modelo.
Liu Yunjie divide además la cadena de valor de la inteligencia en tres capas: la generación de inteligencia, la distribución de inteligencia y la materialización de la inteligencia en el mundo físico. Los modelos mundiales y el descubrimiento de fármacos pertenecen a la generación; los Agent y los Agent empresariales asumen la distribución; la inteligencia incorporada y la conducción inteligente convierten la inteligencia en acción física. Este marco desglosa el "campo de la IA" en una cadena de valor completa. El capital ya no busca solo una aplicación popular, sino empresas que puedan ocupar una posición de plataforma y formar un ciclo de retroalimentación en cada capa.
Por lo tanto, el enfoque de la inversión en modelos grandes está cambiando. La pregunta pasada era "qué modelo es más fuerte", la pregunta siguiente es "quién puede convertir la capacidad del modelo en un sistema que se fortalezca con el uso y se adentre en el negocio".
Tendencia 3: Los cuellos de botella de datos generan nuevas tecnologías subyacentes, los modelos base científicos se convierten en una dirección no consensuada
A medida que los modelos grandes continúan expandiéndose, tarde o temprano enfrentarán un problema más fundamental: los datos humanos de alta calidad son limitados y su recolección y etiquetado son costosos. Cuando los corpus de Internet y la retroalimentación humana se acercan gradualmente a un cuello de botella, ¿de dónde más pueden obtener nueva experiencia los modelos?
Hu Qi considera el aprendizaje por refuerzo, el autojuego y la iteración continua como posibles respuestas. Cita el ejemplo de AlphaGo Zero: el modelo solo conoce las reglas del Go, genera experiencia a través del autojuego y mejora su capacidad sin depender de partidas humanas. Si mecanismos similares pueden pasar de juegos con reglas claras a investigaciones científicas, sistemas de ingeniería y tareas reales más complejas, determinará si la IA puede superar su dependencia de los datos existentes.
Esto también proporciona un conjunto de criterios para juzgar las tecnologías subyacentes. Primero, debe poder traer una mejora generalizada en una industria lo suficientemente grande, no solo ser efectiva para un eslabón local de una empresa; segundo, debe expandir los límites de capacidad de la IA, por ejemplo, resolviendo problemas de datos, razonamiento o aprendizaje continuo; finalmente, debe resistir la prueba del tiempo, no solo ser válida en una narrativa técnica.
Siguiendo esta lógica, los modelos base científicos se convierten en una dirección no consensuada que merece atención. No son completamente idénticos a la común IA para la Ciencia. Este último a menudo se entiende como la automatización de laboratorios, la predicción de estructuras proteicas, el descubrimiento de materiales o una herramienta de investigación puntual; los modelos base científicos intentan establecer capacidades de modelo más fundamentales y universales en campos como las ciencias de la vida, los materiales y la simulación, sirviendo múltiples tareas dentro de una disciplina.
Las dificultades de esta dirección también son evidentes. Los datos científicos son altamente especializados, con estándares variables y costosos de obtener, y los propios resultados de investigación pueden contener errores o incluso ser falsificados. El modelo no solo debe aprender de la literatura y los datos experimentales, sino también juzgar la calidad de la evidencia, comprender las leyes disciplinarias y formar un ciclo de verificación con experimentos reales. Aún no está claro si en el futuro cada disciplina principal formará su propio modelo base o surgirá una arquitectura unificada transdisciplinaria. Pero el problema al que apunta es suficientemente claro: cuando el valor marginal de los datos genéricos de Internet disminuye, los datos de alta calidad del mundo profesional, las leyes científicas y la retroalimentación experimental pueden convertirse en una fuente importante para el próximo crecimiento de la capacidad de los modelos.
Tendencia 4: Cuanto más cerca de las aguas profundas de la tecnología dura, más se necesita capital paciente
En comparación con las aplicaciones de IA, los ciclos de verificación para la aeroespacial comercial, la computación cuántica, la computación espacial y la energía avanzada son más largos. Es difícil que se demuestren a sí mismas con unos meses de datos después del lanzamiento de un producto. Las rutas técnicas, las capacidades de ingeniería, la cadena de suministro, las calificaciones, los estándares de la industria y la demanda industrial deben madurar conjuntamente durante un período prolongado.
El juicio de Wang Shuhe, vicepresidente de Houxue Capital, sobre la computación cuántica refleja esta contención. Actualmente, las rutas como la fotónica, los átomos neutros, los iones tienen sus ventajas y cuellos de botella, y aún hay gran incertidumbre sobre cuándo se materializará la computación cuántica universal. Además de los problemas de ingeniería como el diseño del dispositivo y la cadena de suministro, la industria también enfrenta problemas fundamentales como materiales, algoritmos, mecanismos físicos, talento y estándares de evaluación. Una ruta más realista podría ser que la computación cuántica forme una colaboración modular con la supercomputación clásica, las GPU y las CPU, en lugar de esperar que la computación cuántica universal reemplace independientemente el sistema existente a corto plazo.
La incertidumbre no equivale a la falta de valor de inversión. Un calor moderado en las industrias de vanguardia atrae talento, capital y recursos industriales. Incluso si no todas las empresas tienen éxito, en el proceso se acumulan experiencia de ingeniería, capacidad de cadena de suministro y resultados técnicos transferibles. La clave es que el capital no puede convertir directamente la posibilidad a largo plazo en certeza a corto plazo, ni abandonar completamente el juicio temprano porque la comercialización esté lejana.
Lo mismo ocurre con la aeroespacial comercial. Esta industria involucra lanzamiento, aprobación, permisos de calificación, pruebas, gestión de calidad y coordinación de la cadena de suministro, una cadena mucho más larga que la de un producto de software típico. Pero su industrialización se está acelerando: en 2025, China completó 87 lanzamientos espaciales, de los cuales empresas privadas de cohetes comerciales ejecutaron 23, con 324 artefactos espaciales puestos en órbita; el financiamiento total de la industria alcanzó los 18.600 millones de yuanes, un aumento interanual del 32%, y los pedidos de servicios de lanzamiento comercial crecieron aproximadamente un 40%. El capital de riesgo no puede esperar a que las empresas crucen completamente el "valle de la muerte" para entrar, porque entonces la ventana de inversión temprana a menudo ya se ha cerrado. Los inversores necesitan buscar lo inmutable en el cambio: si la demanda del mercado finalmente aparecerá, si el equipo tiene capacidad de investigación subyacente y organización de ingeniería, si puede manejar problemas de cadena de suministro y comercialización, y si tiene suficiente resiliencia para esperar a que se abra realmente la puerta de la industria.
El interés de Wang Shuhe en los robots corporales espaciales es un ejemplo concreto de este juicio. Suena como una superposición de varios conceptos populares como aeroespacial comercial, robótica e IA, pero detrás ya existe una demanda clara. A medida que aumenta el número de satélites, el tratamiento de satélites en desuso, la limpieza de desechos espaciales, el mantenimiento en órbita y la construcción en órbita se convertirán en parte del ecosistema espacial. Cuando la aeroespacial comercial pase de "cómo enviar equipos" a "cómo usar y mantener los recursos espaciales a largo plazo", surgirán nuevas infraestructuras y sistemas de servicios.
La atención en la lista hacia la computación espacial, los materiales energéticos aeroespaciales y la computación cuántica muestra que los jóvenes inversores no limitan su mirada a las aplicaciones de IA de realización más rápida. También están entrando en campos donde las rutas técnicas aún no han convergido completamente, pero que pueden remodelar la base industrial futura. La paciencia en la tecnología dura no significa renunciar al retorno, sino apostar por el retorno en una escala de tiempo más larga. Tal inversión requiere que el capital sea lo suficientemente temprano y lo suficientemente paciente.
Cuando la IA pasa de la nube a los dispositivos, del contenido digital a la acción física, cuando la inversión tecnológica se expande del software a los chips, la energía, la robótica y la infraestructura espacial, el papel del capital también cambiará. Necesita comprender la tecnología más temprano, entrar en la industria más profundamente y tomar decisiones a largo plazo cuando los resultados aún no sean claros. Lo que vale la pena observar en esta lista es cómo esta generación de inversores aprenderá a tomar este tipo de decisiones.
Este artículo proviene de Huxiu, autor: Chen Yifan_YF Enlace original: https://www.huxiu.com/article/4877273.html?type=text
