Produit|Groupe Technologie Huxiu
Auteurs|Chen Yifan, Liu Xuanqi
Éditeur|Miao Zhengqing
Image de couverture|Générée par IA
Il s'agit du 21e article de la série "Suivre le nouveau paradigme commercial du Token" de WAIC par Huxiu.
Dans l'investissement technologique, l'âge n'a jamais été une condition suffisante pour juger des capacités. Mais à une période où les paradigmes technologiques évoluent rapidement, les jeunes investisseurs méritent d'être observés séparément.
La raison n'est pas compliquée. L'IA, la robotique, l'aérospatiale commerciale et l'informatique quantique progressent simultanément, la vitesse à laquelle les nouvelles technologies passent des articles à la production, des laboratoires à l'industrie s'accélère notablement. Les logiques d'investissement traditionnelles ne fonctionnent plus. Pour investir dans ces projets, les investisseurs ne peuvent plus se contenter de modèles financiers et d'expérience sectorielle mature ; ils doivent aussi comprendre le langage technique, accepter des trajectoires qui ne sont pas encore stabilisées et porter des jugements avant que le consensus ne se forme.
À l'ère du mobile internet, une entreprise pouvait prouver sa valeur rapidement par la croissance des utilisateurs, la rétention, les revenus et les effets de réseau ; les projets d'IA et de deep tech d'aujourd'hui peuvent en revanche englober des algorithmes, des puces, des capteurs, des chaînes d'approvisionnement, des scénarios industriels et des cadres réglementaires. L'investisseur doit à la fois comprendre un saut technologique, juger s'il peut devenir un produit stable, s'il peut former une boucle fermée de données et d'entraînement, et accompagner l'entreprise à travers de longs cycles d'ingénierie et de commercialisation.
Cette année, le WAIC a publié la liste "Alpha α Jeunes Leaders de l'Investissement", sélectionnant 10 investisseurs de la nouvelle génération. Mais au-delà du classement, ce qui est plus important, c'est que, mis ensemble, ces orientations et jugements d'investissement ressemblent plus à une carte des tendances de l'investissement technologique en train de se dessiner.
Détails du classement des jeunes investisseurs WAIC FUTURE TECH
Cette carte révèle un changement commun : le capital passe de la course aux termes technologiques à l'identification des voies réelles d'entrée de la technologie dans l'industrie. La prochaine opportunité n'appartiendra pas nécessairement au concept le plus bruyant, mais pourrait davantage apparaître dans les segments où le dividende des modèles n'est pas encore libéré, dans les lacunes de capacité non encore comblées du monde physique et dans les infrastructures nécessitant un capital patient en entrée précoce.
Tendance 1 : L'IA quitte les écrans pour entrer dans le monde physique
Ces dernières années, la principale entrée du marché pour comprendre l'IA a été les grands modèles, les chatbots et les applications génératives. Aujourd'hui, le regard des investisseurs se tourne vers les dispositifs périphériques, les robots, les voitures, les systèmes industriels et les infrastructures spatiales. L'IA ne consiste plus seulement à générer du texte ou une image ; elle doit percevoir l'environnement, comprendre l'intention humaine et accomplir des actions dans le monde réel.
C'est aussi la raison pour laquelle l'intelligence incarnée, les robots humanoïdes, le matériel IA et l'intelligence périphérique font l'objet d'une attention concentrée. Zhou Xin, directrice exécutive des investissements chez Jinqiu Fund, suit le secteur de la robotique depuis 2018.
Lors d'une table ronde, elle a rappelé que la bulle de l'intelligence incarnée ne vient pas d'une absence de progrès technologique, mais du fait que le marché a transposé la vitesse d'itération des grands modèles linguistiques directement sur des robots profondément couplés au monde physique. L'amélioration des capacités des modèles n'est pas synonyme d'une progression simultanée de l'adoption. Une démo impressionnante peut créer de l'imagination, mais elle ne peut pas répondre à la question de savoir si le robot peut exécuter une tâche cent fois de suite, si son taux d'erreur est acceptable, si les coûts de déploiement et de maintenance peuvent baisser, et si le retour sur investissement final est viable.
Ce raisonnement ramène la compétition dans l'intelligence incarnée des "effets de démonstration" à la "capacité de livraison". Dans le monde réel, on ne peut pas reprendre les *prompts*. Les usines, les entrepôts, les foyers et les espaces publics exigent tous que les systèmes fassent face au bruit, à l'usure, aux situations imprévues et aux comportements imprévisibles des humains. Le modèle n'en est qu'une couche ; le toucher, les capteurs, les actionneurs, les systèmes de contrôle, la collecte de données et les retours d'expérience des scénarios déterminent ensemble si le produit fonctionne ou non.
L'engouement des capitaux peut être quantifié.
Le rapport "Développement de l'intelligence incarnée (2025)" de l'Académie chinoise des technologies de l'information et des communications montre qu'à fin décembre 2025, les événements d'investissement dans l'intelligence incarnée et la robotique en Chine s'élevaient à 744, pour un montant total de financement de 73,543 milliards de yuans ; IDC prévoit que les expéditions mondiales de robots humanoïdes dépasseront 50 000 unités en 2026, soit une croissance de 178%.
Mais les données froides de l'adoption existent également : au troisième trimestre 2025, les revenus des robots humanoïdes de l'entreprise leader Unitree provenaient à 73,6% du secteur de la recherche et de l'éducation. Une grande partie des équipements est vendue à des universités et des institutions de recherche, ce qui laisse un chemin à parcourir avant de créer une valeur tangible dans les usines. Cela corrobore justement la mise en garde de Zhou Xin : les progrès des modèles ne sont pas directement équivalents aux progrès de l'adoption.
L'intelligence périphérique devient ainsi un autre fil conducteur important. Zhou Xin estime que si l'IA est une révolution cognitive d'une ampleur proche de la révolution industrielle, l'intelligence ne peut pas rester longtemps confinée au cloud. Le futur réseau cognitif sera constitué à la fois du cloud et du périphérique : la couche de base est constituée des puces et des supports matériels, au milieu se trouve l'environnement d'exécution formé autour des agents, et au-dessus se trouvent les applications capables de comprendre les besoins individuels. Les agents pourraient progressivement devenir l'interface d'interaction du matériel, comprenant les préférences, l'historique et l'état de l'utilisateur en amont, et contrôlant le téléphone, les lunettes, la voiture, les robots et les équipements domestiques en aval.
Cela modifiera le modèle économique du matériel IA. Le matériel ne dépendra plus uniquement des revenus de la vente unique, mais pourra créer de la valeur par des services continus. Le véritable avantage ne consiste pas seulement à "ajouter de l'IA à l'appareil", mais à savoir si l'appareil peut réduire le seuil d'utilisation et s'il peut former une relation stable de données et de services autour de l'utilisateur.
Les investissements de plusieurs investisseurs figurant sur la liste suivent déjà cette trajectoire : Bai Zeren, vice-président de Houxue Capital, s'intéresse à la livraison sans pilote, aux capteurs tactiles et à la conduite autonome sur autoroute ; Guo Jing, responsable des investissements chez YaoTu Capital, s'intéresse aux robots spécialisés verticaux, aux essaims de drones et aux robots d'installation photovoltaïque. La livraison sans pilote est précisément l'une des pistes les plus avancées dans l'"entrée de l'IA dans le monde physique" : en 2025, le financement total du secteur a atteint près de 10 milliards de yuans, et Bai Zeren, via Linear Capital, a investi dans White Rhino, qui a réalisé trois tours de financement la même année, pour un total supérieur à 100 millions de dollars américains, et a vu son parc de véhicules actifs passer d'environ 100 fin 2023 à plus de 2 000 en décembre 2025, opérant de manière routinière dans plus de 170 villes dans le monde. Ce type d'activité ne produit pas de démos spectaculaires, mais est soumis quotidiennement au test de l'efficacité, des coûts et de la fiabilité. Après que l'IA est passée du monde numérique au monde physique, l'imagination technologique reste importante, mais la livraison à grande échelle deviendra une ligne de démarcation plus tangible.
Tendance 2 : Le dividende des grands modèles n'est pas terminé, le point de compétition se déplace vers la "roue d'inertie de l'intelligence"
Alors que le marché cherche constamment la prochaine architecture générationnelle et les nouveaux concepts, un fait facilement négligé est que le dividende industriel de cette génération de grands modèles est peut-être encore loin d'être libéré.
Hu Qi, directeur exécutif chez Qiming Venture Partners, souligne que l'un des plus grands faux consensus aujourd'hui est que les gens s'intéressent trop à la prochaine technologie de saut, tout en discutant moins de la manière de faire en sorte que les grands modèles existants réalisent véritablement une reconstruction de la productivité. Après que TCP/IP soit devenu un protocole standard, le dividende d'internet a mis du temps à se libérer ; la théorie de Bayes et les CNN ont également continué à influencer de nouveaux systèmes technologiques des années après leur proposition. Le passage d'une technologie fondamentale à la transformation d'un secteur n'est généralement pas un processus linéaire d'un an ou deux. Les grands modèles ne sont entrés dans la sphère publique que depuis quelques années, et les systèmes commerciaux, les processus organisationnels et les infrastructures industrielles ne se sont pas encore complètement adaptés aux capacités des modèles.
Cela signifie que les investisseurs n'ont pas à choisir entre "continuer à investir dans les grands modèles" et "chercher la prochaine technologie générationnelle". La question la plus importante est de savoir quelles entreprises peuvent intégrer les capacités des modèles existants dans de véritables flux de travail, créant ainsi une valeur qui ne sera pas facilement effacée par la prochaine mise à niveau du modèle.
Liu Yunjie, directeur des investissements chez Jingya Capital, appelle cette capacité la "roue d'inertie de l'intelligence". L'utilisation du produit par l'utilisateur génère des données, qui entrent dans le processus d'entraînement ou d'optimisation ; l'amélioration des capacités du modèle améliore l'expérience, ce qui attire à son tour plus d'utilisateurs, de scénarios et de retours. Les boucles fermées de données, d'entraînement et de retours utilisateurs se renforcent mutuellement, donnant ainsi à l'entreprise une capacité d'auto-amélioration continue.
Si l'on applique ce raisonnement à des entreprises concrètes, Zhipu AI et Kling peuvent servir d'illustrations. L'animateur de la table ronde a mentionné que Hu Qi avait pris une position importante dans Zhipu avant l'explosion du marché. Zhipu AI a vu ses revenus passer de 57,4 millions de yuans en 2022 à 312,4 millions de yuans en 2024, soit un taux de croissance annuel composé d'environ 130% sur trois ans ; au premier semestre 2025, ses revenus étaient de 190,9 millions de yuans, en hausse de 325%, et elle a été cotée à la Bourse de Hong Kong en janvier 2026, devenant la "première action mondiale de grands modèles". Kling AI de Kuaishou, quant à lui, montre la vitesse de commercialisation lorsque les capacités du modèle sont intégrées au flux de travail créatif : ouvert aux tests en juin 2024, il a mis en place un système de tarification en environ 45 jours ; ses revenus annuels 2025 étaient d'environ 1,04 milliard de yuans, avec un revenu mensuel unique dépassant 20 millions de dollars américains en décembre, et à fin 2025, il comptait plus de 60 millions d'utilisateurs dans le monde, ayant généré plus de 600 millions de vidéos et servant plus de 30 000 clients et développeurs d'entreprises. La création par l'utilisateur, le retour des données, l'itération du modèle, l'amélioration de l'expérience, chaque tour de la roue se transforme directement en revenus.
À travers ce cadre, les indicateurs clés des entreprises d'IA doivent également évoluer. L'ARR, le GMV et l'efficacité SaaS restent des références, mais ne suffisent pas à indiquer si une entreprise possède un avantage concurrentiel durable. Une fonctionnalité peut rapidement se déprécier en raison d'une mise à niveau du modèle de base ; un système véritablement intégré aux processus métier, capable d'accumuler des données exclusives et d'apprendre continuellement, peut en revanche devenir plus fort avec les progrès du modèle.
Liu Yunjie divise davantage la chaîne de valeur de l'intelligence en trois couches : la génération de l'intelligence, la distribution de l'intelligence et la matérialisation de l'intelligence dans le monde physique. Les modèles du monde, la découverte de médicaments relèvent de la génération de l'intelligence ; les agents et les agents d'entreprise assurent la distribution ; l'intelligence incarnée et la conduite autonome transforment l'intelligence en actions physiques. Ce cadre décompose le "secteur de l'IA" en une chaîne de valeur complète. Le capital ne cherche plus seulement une application à la mode, mais, à chaque niveau, les entreprises capables d'occuper une position de plateforme et de former une boucle de rétroaction fermée.
Ainsi, le centre de gravité de l'investissement dans les grands modèles est en train de changer. La question passée était "qui a le modèle le plus puissant", la question suivante est "qui peut transformer la capacité du modèle en un système qui devient plus fort à l'usage et s'enfonce dans les activités".
Tendance 3 : Les goulets d'étranglement des données font émerger de nouvelles technologies de base, les modèles fondamentaux scientifiques deviennent une orientation non consensuelle
Alors que les grands modèles continuent de s'étendre, ils finiront par affronter une question plus fondamentale : les données humaines de haute qualité sont limitées, et leur collecte et leur annotation sont coûteuses. Lorsque les corpus internet et les retours humains approchent progressivement de leurs limites, d'où les modèles peuvent-ils encore tirer de nouvelles expériences ?
Hu Qi considère l'apprentissage par renforcement, l'auto-jeu et l'itération continue comme des réponses possibles. Il cite l'exemple d'AlphaGo Zero : le modèle ne maîtrisait que les règles du jeu de go, générait de l'expérience par auto-affrontement et améliorait ses capacités sans dépendre des parties humaines. La possibilité qu'un mécanisme similaire passe de jeux aux règles claires à des tâches de recherche scientifique, d'ingénierie et du monde réel plus complexes déterminera si l'IA peut dépasser sa dépendance aux données existantes.
Cela fournit également un ensemble de critères pour juger des technologies de base. Elle doit d'abord pouvoir apporter une amélioration généralisée dans un secteur suffisamment vaste, et non être efficace uniquement pour une partie des activités d'une entreprise ; elle doit ensuite étendre les frontières des capacités de l'IA, par exemple en résolvant des problèmes de données, de raisonnement ou d'apprentissage continu ; enfin, elle doit résister à l'épreuve du temps et ne pas être valable uniquement dans un récit technologique donné.
En suivant cette logique, les modèles fondamentaux scientifiques deviennent une orientation non consensuelle digne d'intérêt. Ils ne sont pas exactement identiques à l'IA pour la science courante. Cette dernière est souvent comprise comme l'automatisation des laboratoires, la prédiction de structures protéiques, la découverte de matériaux ou un outil de recherche ponctuel ; les modèles fondamentaux scientifiques tentent quant à eux d'établir des capacités de modélisation plus fondamentales et plus universelles dans des domaines comme les sciences de la vie, les matériaux et la simulation, pour servir de multiples tâches au sein d'une discipline.
Les difficultés de cette orientation sont également évidentes. Les données scientifiques sont spécialisées, de normes variables, coûteuses à obtenir, et les résultats de recherche peuvent eux-mêmes contenir des erreurs, voire être falsifiés. Le modèle doit non seulement apprendre à partir de la littérature et des données expérimentales, mais aussi juger de la qualité des preuves, comprendre les lois de la discipline et former une boucle de validation avec les expériences réelles. On ne sait pas encore si l'avenir verra émerger un modèle fondamental propre à chaque grande discipline, ou une architecture unifiée transdisciplinaire. Mais la question qu'il soulève est déjà suffisamment claire : lorsque la valeur marginale des données internet génériques diminue, les données de haute qualité du monde professionnel, les lois scientifiques et les retours expérimentaux pourraient devenir une source importante de croissance future des capacités des modèles.
Tendance 4 : Plus on s'approche des eaux profondes de la hard tech, plus le capital patient est nécessaire
Comparés aux applications d'IA, les cycles de validation de l'aérospatiale commerciale, de l'informatique quantique, du calcul spatial et des énergies avancées sont plus longs. Il est difficile pour ces domaines de prouver leur valeur en quelques mois après le lancement d'un produit ; la trajectoire technologique, les capacités d'ingénierie, la chaîne d'approvisionnement, les qualifications, les normes sectorielles et la demande industrielle doivent toutes mûrir ensemble sur une période relativement longue.
Le jugement de Wang Shuhe, vice-président de Houxue Capital, sur l'informatique quantique reflète cette retenue. Actuellement, les différentes approches (photons, atomes neutres, ions, etc.) présentent chacune des avantages et des goulots d'étranglement, et le moment où l'informatique quantique universelle deviendra réalité reste très incertain. Outre les problèmes d'ingénierie liés à la conception des dispositifs et à la chaîne d'approvisionnement, le secteur est également confronté à des problèmes fondamentaux de matériaux, d'algorithmes, de mécanismes physiques, de talents et de normes d'évaluation. La voie la plus réaliste pourrait être de faire collaborer de manière modulaire l'informatique quantique avec le calcul haute performance classique, les GPU et les CPU, plutôt que d'espérer que l'informatique quantique universelle remplace à court terme les systèmes existants de manière indépendante.
L'incertitude n'est pas synonyme d'absence de valeur d'investissement. Une chaleur modérée dans un secteur de pointe attire les talents, les capitaux et les ressources industrielles ; même si toutes les entreprises ne réussissent pas, le processus laisse des expériences d'ingénierie, des capacités de chaîne d'approvisionnement et des résultats technologiques transférables. La clé est que le capital ne peut pas convertir directement une possibilité lointaine en une certitude à court terme, ni abandonner complètement l'établissement d'un jugement précoce en raison d'une commercialisation plus éloignée.
Il en va de même pour l'aérospatiale commerciale. Ce secteur implique le lancement, les autorisations, les licences, les tests, la gestion de la qualité et la coordination de la chaîne d'approvisionnement, une chaîne bien plus longue que celle d'un produit logiciel classique. Mais son industrialisation s'accélère : en 2025, la Chine a réalisé 87 lancements spatiaux, dont 23 par des entreprises privées de fusées commerciales, plaçant 324 engins spatiaux en orbite ; le financement total du secteur a atteint 18,6 milliards de yuans, en hausse de 32%, et les commandes de services de lancement commerciaux ont augmenté d'environ 40%. Le capital-risque ne peut pas attendre que les entreprises aient complètement franchi la "vallée de la mort" pour entrer, car à ce moment-là, la fenêtre d'investissement précoce est souvent déjà fermée. Les investisseurs doivent trouver ce qui est constant dans le changement : la demande du marché finira-t-elle par apparaître ? L'équipe possède-t-elle des capacités de recherche fondamentale et d'organisation de l'ingénierie ? Peut-elle gérer les problèmes de chaîne d'approvisionnement et de commercialisation ? A-t-elle la résilience suffisante pour attendre que la porte de l'industrie s'ouvre vraiment ?
L'intérêt de Wang Shuhe pour les robots spatiaux incarnés est un exemple concret de ce type de jugement. Cela peut sembler être une superposition de plusieurs concepts à la mode : aérospatiale commerciale, robotique et IA, mais des besoins clairs émergent déjà. Avec l'augmentation du nombre de satellites, le traitement des satellites en fin de vie, le nettoyage des débris spatiaux, la maintenance en orbite et la construction en orbite deviendront tous des éléments de l'écosystème spatial. Alors que l'aérospatiale commerciale passe de "comment envoyer l'équipement là-haut" à "comment utiliser et entretenir les ressources spatiales à long terme", de nouvelles infrastructures et systèmes de services apparaîtront.
L'intérêt manifesté dans la liste pour le calcul spatial, les matériaux énergétiques aérospatiaux et l'informatique quantique montre que les jeunes investisseurs ne limitent pas leur regard aux applications d'IA à retour rapide. Ils s'engagent également dans des domaines dont les trajectoires technologiques ne sont pas encore complètement convergentes, mais qui pourraient remodeler les fondations industrielles futures. La patience dans la hard tech ne signifie pas renoncer aux rendements, mais placer les rendements sur une échelle de temps plus longue. Un tel investissement exige que le capital arrive assez tôt et soit assez patient.
Alors que l'IA passe du cloud aux appareils, du contenu numérique aux actions physiques, et que l'investissement technologique s'étend du logiciel aux puces, à l'énergie, aux robots et aux infrastructures spatiales, le rôle du capital changera également. Il devra comprendre la technologie plus tôt, pénétrer plus profondément l'industrie et faire des choix à long terme alors que les résultats ne sont pas encore clairs. Ce qui mérite d'être observé dans cette liste, c'est précisément comment cette génération d'investisseurs va apprendre à faire ce type de choix.
Cet article provient de Huxiu, auteurs : Chen Yifan_YF. Lien original : https://www.huxiu.com/article/4877273.html?type=text
