Автор | Группа технологий Huxiu
Авторы | Чэнь Ифань, Лю Сюаньци
Редактор | Мяо Чжэнцин
Титульное изображение | Сгенерировано ИИ
Это 21-я статья в серии "Отслеживание новой бизнес-парадигмы Token" от Huxiu на WAIC.
В технологических инвестициях возраст никогда не является достаточным условием для суждения о способностях. Но на этапе быстрой смены технологических парадигм молодые инвесторы заслуживают отдельного внимания.
Причина проста. ИИ, робототехника, коммерческая космонавтика и квантовые вычисления продвигаются одновременно. Скорость перехода новых технологий от научных статей к продуктам, из лабораторий в промышленность заметно возросла. Прежняя традиционная логика инвестирования перестала работать. Чтобы инвестировать в такие проекты, инвесторам уже недостаточно финансовых моделей и опыта работы в зрелых отраслях. Нужно понимать технический язык, принимать еще не сформировавшиеся подходы и делать выводы до формирования консенсуса.
В эпоху мобильного интернета компания могла быстро доказать свою состоятельность ростом пользовательской базы, удержанием, доходами и сетевыми эффектами. Сегодняшние проекты в области ИИ и хардкорных технологий могут охватывать алгоритмы, чипы, сенсоры, цепочки поставок, промышленные сценарии и системы регулирования. Инвестору нужно не только понимать, как происходит технологический скачок, но и оценивать, может ли он стать стабильным продуктом, способен ли он сформировать замкнутый цикл данных и обучения, а также сопровождать компанию через длительные циклы инжиниринга и коммерциализации.
На WAIC этого года был опубликован список "Молодых инвестиционных лидеров Альфа α", куда вошли 10 представителей нового поколения инвесторов. Однако, важнее самого списка то, что если рассматривать вместе эти инвестиционные направления и оценки, это больше похоже на формирующуюся карту трендов технологических инвестиций.
Подробности рейтинга молодых инвесторов WAIC FUTURE TECH
Эта карта раскрывает общее изменение: капитал переходит от погони за технологическими терминами к выявлению реальных путей вхождения технологий в индустрию. Следующая волна возможностей может принадлежать не самым громким концепциям, а скорее тем звеньям, где потенциал моделей еще не раскрыт, тем пробелам в возможностях физического мира, которые еще не восполнены, и той инфраструктуре, куда требуется долгосрочный капитал на ранних этапах.
Тренд первый: ИИ покидает экраны и входит в физический мир
За последние годы основными точками входа для понимания ИИ рынком были большие языковые модели, чат-боты и генеративные приложения. Сейчас инвестиционное внимание смещается в сторону устройств на стороне клиента, роботов, автомобилей, промышленных систем и космической инфраструктуры. ИИ больше не только генерирует текст или изображения, он должен воспринимать окружение, понимать намерения человека и выполнять действия в реальном мире.
Это также объясняет повышенный интерес к воплощенному интеллекту (embodied AI), человекоподобным роботам, ИИ-железу и интеллекту на стороне клиента. Чжоу Синь, исполнительный директор по инвестициям в Jinqiu Fund, следит за робототехникой с 2018 года.
В ходе круглого стола она отметила, что пузырь воплощенного интеллекта возникает не из-за отсутствия технологического прогресса, а потому что рынок напрямую переносит скорость итераций больших языковых моделей на роботов, глубоко интегрированных с физическим миром. Улучшение возможностей моделей не означает синхронного достижения успеха в реальных сценариях. Эффектная демонстрация может породить воображение, но не может ответить на вопросы: способен ли робот выполнить задачу сто раз подряд, является ли уровень ошибок приемлемым, снизятся ли затраты на развертывание и обслуживание, и, в конечном счете, окупится ли инвестиция.
Такая оценка переводит конкуренцию в сфере воплощенного интеллекта с "эффекта демонстрации" обратно к "способности к поставкам". В реальном мире нельзя просто переписать промпт. Заводы, склады, дома и общественные пространства требуют от систем способности справляться с шумом, износом, неожиданными ситуациями и непредсказуемым поведением человека. Модель — лишь один из слоев. Тактильные ощущения, сенсоры, актуаторы, системы управления, сбор данных и обратная связь от сценария вместе определяют, будет ли продукт работать.
Ажиотаж капитала можно измерить.
Согласно отчету "Отчет о развитии воплощенного интеллекта (2025 год)" Китайской академии информационно-коммуникационных технологий (CAICT), по состоянию на декабрь 2025 года в Китае было зафиксировано 744 инвестиционных сделки в области воплощенного интеллекта и робототехники на общую сумму 73,543 млрд юаней. IDC прогнозирует, что мировой объем поставок человекоподобных роботов в 2026 году превысит 50 000 единиц, увеличившись на 178%.
Но существуют и холодные данные о внедрении: поступления от человекоподобных роботов компании-лидера Unitree Robotics за первые три квартала 2025 года на 73,6% состояли из доходов от научно-исследовательской и образовательной сфер. Оборудование в основном продается университетам и научным учреждениям, и до создания реальной ценности на заводах еще далеко. Это как раз подтверждает предостережение Чжоу Синь: прогресс моделей не равен прогрессу внедрения.
Интеллект на стороне клиента (Edge AI) становится еще одной важной тенденцией. Чжоу Синь считает, что если ИИ — это когнитивная революция, сравнимая с промышленной, то интеллект не может долго существовать только в облаке. Будущая когнитивная сеть будет состоять из облака и периферийных устройств: на нижнем уровне — чипы и аппаратные носители, в середине — среда выполнения, формирующаяся вокруг агентов, а на верхнем уровне — приложения, способные понимать личные потребности. Агенты, вероятно, постепенно станут точками взаимодействия с оборудованием, понимая предпочтения, историю и состояние пользователя на верхнем уровне и управляя телефоном, очками, автомобилем, роботом и домашними устройствами на нижнем.
Это изменит бизнес-модель ИИ-железа. Железо больше не будет приносить доход только от разовой продажи, а сможет создавать ценность через непрерывное обслуживание. Реальным барьером будет не просто "ИИ внутри устройства", а способность устройства снижать порог вхождения и формировать стабильные отношения данных и услуг вокруг пользователя.
Инвестиционная деятельность нескольких инвесторов из рейтинга уже развернута вдоль этой линии: Бай Цзэжэнь, вице-президент Houxue Capital, сосредоточен на беспилотной доставке, тактильных датчиках и автономных грузовых перевозках. Го Цзин, инвестиционный менеджер YaoTu Capital, следит за вертикальными специализированными роботами, роями дронов и роботами для установки солнечных панелей. Беспилотная доставка как раз является одним из самых быстрорастущих направлений в рамках "вхождения ИИ в физический мир": в 2025 году общий объем финансирования в отрасли приблизился к 10 млрд юаней. Компания White Rhino, в которую инвестировал Linear Capital (где работает Бай Цзэжэнь), в том же году завершила три раунда финансирования на общую сумму более 1 млрд долларов, количество активно эксплуатируемых транспортных средств выросло примерно со 100 единиц в конце 2023 года до более 2000 к декабрю 2025 года, работая в обычном режиме в более чем 170 городах по всему миру. Такой бизнес не обладает эффектными демонстрациями, но ежедневно проходит проверку на эффективность, стоимость и надежность. После выхода ИИ из цифрового мира в физический, технологическое воображение по-прежнему важно, но масштабируемость поставок станет более жестким водоразделом.
Тренд второй: Дивиденды больших моделей еще не исчерпаны, фокус конкуренции смещается к "интеллектуальному маховику"
В то время как рынок постоянно ищет следующее поколение архитектур и новых концепций, легко упустить из виду тот факт, что промышленные дивиденды от нынешнего поколения больших моделей, возможно, еще далеки от исчерпания.
Ху Ци, исполнительный директор Qiming Venture Partners, отмечает, что одно из самых больших ложных представлений сегодня заключается в том, что люди уделяют слишком много внимания следующим прорывным технологиям и слишком мало обсуждают, как заставить существующие большие модели действительно реконструировать производительность. После того, как TCP/IP стал стандартным протоколом, дивиденды интернета высвобождались долго; теория Байеса и CNN также продолжали влиять на новые технологические системы спустя много лет после их появления. Переход от появления базовой технологии к изменению отрасли обычно не является линейным процессом, занимающим год или два. Большие модели появились на публичной арене всего несколько лет назад, и деловые системы, организационные процессы и промышленная инфраструктура еще не полностью поспевают за их возможностями.
Это означает, что инвесторам не нужно выбирать между "продолжать инвестировать в большие модели" и "искать следующее поколение технологий". Более важный вопрос: какие компании смогут встроить существующие возможности моделей в реальные рабочие процессы, создав ценность, которую нелегко стереть следующим обновлением модели.
Лю Юньцзе, инвестиционный директор Jingya Capital, называет эту способность "интеллектуальным маховиком". Пользователи генерируют данные, используя продукт; данные поступают в процесс обучения или оптимизации; улучшение возможностей модели улучшает пользовательский опыт; лучший опыт привлекает больше пользователей, сценариев и обратной связи. Замкнутые циклы данных, обучения и пользовательской обратной связи взаимно усиливают друг друга, что дает компании возможность постоянного самосовершенствования.
Если применить эту оценку к конкретным компаниям, то Zhipu AI и Kling AI могут служить двумя иллюстрациями. Ведущий круглого стола упомянул, что Ху Ци ранее сделал крупную ставку на Zhipu AI. Zhipu AI: с 2022 по 2024 год выручка выросла с 57,4 млн юаней до 312,4 млн юаней, среднегодовой темп роста за три года составил около 130%; выручка за первую половину 2025 года составила 190,9 млн юаней, увеличившись на 325% в годовом исчислении, и в январе 2026 года компания вышла на Гонконгскую фондовую биржу, став "первой в мире акцией большой модели". Kling AI от Kuaishou продемонстрировала скорость коммерциализации после встраивания возможностей модели в рабочий процесс создания контента: открытый бета-тест в июне 2024 года, запуск платной системы примерно через 45 дней, выручка за 2025 год составила около 1,04 млрд юаней, ежемесячная выручка в декабре 2025 года превысила 20 млн долларов США, по состоянию на конец 2025 года у нее более 60 млн пользователей по всему миру, создано более 600 млн видео, обслуживается более 30 000 корпоративных клиентов и разработчиков. Создание контента пользователями, возврат данных, итерации модели, улучшение опыта — каждый виток маховика напрямую превращается в доход.
Если смотреть через эту призму, ключевые показатели ИИ-компаний также должны измениться. ARR, GMV и эффективность SaaS по-прежнему имеют ценность, но недостаточны, чтобы показать, обладает ли компания долгосрочными барьерами. Функция может быстро обесцениться из-за обновления базовой модели; система, которая действительно интегрирована в бизнес-процессы, способна накапливать специализированные данные и непрерывно обучаться, может стать сильнее с прогрессом моделей.
Лю Юньцзе далее разделяет интеллектуальную цепочку создания стоимости на три уровня: генерация интеллекта, распространение интеллекта и материализация интеллекта в физическом мире. Мировые модели, открытие лекарств относятся к генерации интеллекта; агенты и корпоративные агенты осуществляют распространение интеллекта; воплощенный интеллект, автономное вождение материализуют интеллект в физические действия. Эта структура разделяет "сектор ИИ" на полную цепочку создания стоимости. Капитал ищет уже не просто какое-то популярное приложение, а компанию, способную занять платформенную позицию на каждом уровне и сформировать цикл обратной связи.
Следовательно, фокус инвестиций в большие модели меняется. Прежний вопрос был "чья модель сильнее", следующий вопрос — "кто сможет превратить возможности модели в систему, которая становится лучше с использованием и глубже интегрируется в бизнес".
Тренд третий: Ограничения данных порождают новые базовые технологии, научные фундаментальные модели становятся направлением без консенсуса
По мере дальнейшего расширения больших моделей рано или поздно придется столкнуться с более фундаментальной проблемой: высококачественных человеческих данных ограниченное количество, и их сбор и разметка обходятся дорого. Когда интернет-корпусы и человеческая обратная связь приближаются к пределу, откуда модели смогут получать новый опыт?
Ху Ци рассматривает обучение с подкреплением, самоигру и непрерывную итерацию как возможные ответы. Он приводит в пример AlphaGo Zero: модель знала только правила игры в го, генерировала опыт через самоигру и повышала свой уровень, не полагаясь на записи человеческих партий. Может ли подобный механизм перейти от игр с четкими правилами к более сложным научным исследованиям, инженерным системам и реальным задачам, определит, сможет ли ИИ преодолеть зависимость от существующих данных.
Это также дает набор критериев для оценки базовых технологий. Во-первых, технология должна приносить всеобщее улучшение в достаточно большой отрасли, а не быть эффективной только для локального звена одной компании. Во-вторых, она должна расширять границы возможностей ИИ, например, решая проблемы с данными, логическим выводом или непрерывным обучением. Наконец, она должна выдерживать проверку временем, а не быть актуальной только в рамках одного цикла технологического нарратива.
Следуя этой логике, научные фундаментальные модели становятся направлением, заслуживающим внимания, несмотря на отсутствие консенсуса. Они не совсем идентичны распространенному понятию AI for Science. Последнее часто понимается как автоматизация лабораторий, предсказание структуры белков, открытие материалов или какой-либо единичный научный инструмент; научные фундаментальные модели же пытаются создать более базовые, более универсальные способности моделей в таких областях, как науки о жизни, материаловедение и симуляция, обслуживая множество задач в рамках одной дисциплины.
Сложности этого направления также очевидны. Научные данные характеризуются высокой степенью специализации, отсутствием единых стандартов, дороговизной получения, а сами результаты исследований могут содержать ошибки или даже быть сфальсифицированными. Модели должны не только изучать литературу и экспериментальные данные, но и оценивать качество доказательств, понимать закономерности дисциплины и формировать цикл проверки с реальными экспериментами. Пока неясно, сформируются ли в будущем отдельные фундаментальные модели для каждой крупной научной дисциплины или появится единая кросс-дисциплинарная архитектура. Но проблема, на которую они указывают, уже достаточно ясна: когда предельная ценность общих интернет-данных снижается, высококачественные данные из профессионального мира, научные законы и экспериментальная обратная связь могут стать важным источником роста возможностей моделей в следующем цикле.
Тренд четвертый: Чем ближе к глубоким водам хардкорных технологий, тем больше требуется терпеливого капитала
По сравнению с ИИ-приложениями, коммерческая космонавтика, квантовые вычисления, космические вычисления и передовая энергетика имеют более длительные циклы проверки. Им трудно доказать свою состоятельность данными за несколько месяцев после запуска продукта. Технологические подходы, инжиниринговые возможности, цепочки поставок, квалификации, отраслевые стандарты и промышленный спрос должны совместно созревать в течение более длительного времени.
Суждение Ван Шухэ, вице-президента Houxue Capital, о квантовых вычислениях отражает эту сдержанность. В настоящее время различные подходы, такие как фотоника, нейтральные атомы, ионы, имеют свои преимущества и узкие места, и остается значительная неопределенность относительно сроков появления универсальных квантовых вычислений. Помимо инженерных проблем, таких как конструкция устройств и цепочки поставок, отрасль сталкивается с фундаментальными вопросами в области материалов, алгоритмов, физических механизмов, кадров и стандартов оценки. Более реалистичный путь, возможно, заключается в том, чтобы квантовые вычисления формировали модульное сотрудничество с классическими суперкомпьютерами, GPU и CPU, а не ожидать, что универсальные квантовые вычисления в краткосрочной перспективе независимо заменят существующие системы.
Неопределенность не означает отсутствия инвестиционной ценности. Умеренный ажиотаж в передовых отраслях привлекает таланты, капитал и промышленные ресурсы; даже если не все компании добьются успеха, в процессе будут накапливаться инженерный опыт, возможности цепочек поставок и технологические результаты, которые можно перенести. Ключевой момент в том, что капитал не должен напрямую конвертировать долгосрочную возможность в краткосрочную определенность, и не должен полностью отказываться от формирования суждений на ранних этапах только потому, что коммерциализация далека.
То же самое относится и к коммерческой космонавтике. Эта отрасль затрагивает запуск, утверждение, лицензирование, тестирование, управление качеством и координацию цепочек поставок, и ее цепочка намного длиннее, чем у обычного программного продукта. Но ее индустриализация ускоряется: в 2025 году Китай выполнил 87 космических запусков, из которых 23 были выполнены частными коммерческими ракетными компаниями, на орбиту было выведено 324 космических аппарата; общий объем финансирования отрасли составил 18,6 млрд юаней, увеличившись на 32% в годовом исчислении, заказы на коммерческие запуски выросли примерно на 40%. Венчурный капитал не может ждать, пока компании полностью преодолеют "долину смерти", потому что к тому моменту окно возможностей для ранних инвестиций часто уже закрыто. Инвесторам нужно искать неизменное в меняющемся: появится ли рыночный спрос в конечном итоге, обладает ли команда фундаментальными исследовательскими и инженерными организационными возможностями, способна ли она решать проблемы цепочек поставок и коммерциализации, и достаточно ли у нее устойчивости, чтобы дождаться настоящего открытия дверей отрасли.
Внимание Ван Шухэ к космическим воплощенным роботам (space embodied robots) — конкретный пример такой оценки. Это звучит как наложение нескольких популярных концепций: коммерческая космонавтика, робототехника и ИИ, но за этим уже просматривается четкий спрос. По мере увеличения количества спутников, утилизация отработавших свой срок спутников, очистка космического мусора, орбитальное обслуживание и орбитальное строительство станут частью космической экосистемы. Когда коммерческая космонавтика перейдет от вопроса "как доставить оборудование на орбиту" к вопросу "как долгосрочно использовать и обслуживать космические ресурсы", появятся новые инфраструктура и сервисные системы.
Внимание в рейтинге к космическим вычислениям, материалам для аэрокосмической энергетики и квантовым вычислениям показывает, что молодые инвесторы не ограничивают свой взгляд только ИИ-приложениями с быстрой отдачей. Они также входят в те области, где технологические подходы еще не полностью сформировались, но которые могут заложить основу для будущих отраслей. Терпение в хардкорных технологиях не означает отказ от отдачи, а означает, что отдача ожидается в более длительной временной перспективе. Такие инвестиции требуют от капитала достаточно раннего входа и достаточного терпения.
Когда ИИ переходит из облака в устройства, из цифрового контента в физические действия, когда технологические инвестиции расширяются от программного обеспечения до чипов, энергетики, робототехники и космической инфраструктуры, роль капитала также меняется. Ему нужно раньше понимать технологии, глубже вникать в отрасль и делать долгосрочный выбор, когда результаты еще не ясны. Эта группа инвесторов заслуживает внимания именно потому, что показывает, как новое поколение учится делать такой выбор.
Эта статья взята с Huxiu, автор: Чэнь Ифань_YF Ссылка на оригинал: https://www.huxiu.com/article/4877273.html?type=text
