AI行业进入高速迭代与资本狂热期
站在2026年年中回望，整个AI行业的发展并未出现任何减速迹象。从年初OpenCL引发的创业热潮，到世界模型、具身智能等新方向的快速涌现，再到资本市场对存储、光计算等基础设施概念的持续追捧（如某港股市值突破万亿港币），AI正以前所未有的速度渗透进科技、科研与产业的各个角落。FOMO（错失恐惧） 成为上半年最显著的情绪底色：大量新项目涌入赛道，估值快速攀升，投资人普遍面临“必须看遍所有项目”的焦虑；结构分化 亦同步加剧——热门赛道融资如火如荼，而大量非热点领域则维持冷静甚至下滑，与二级市场科技股的结构性行情高度一致；更关键的是，估值前置 已成为常态：早期项目在未达成明确里程碑前便获得高估值，十亿美元估值可能数月内“火箭式”诞生，传统基于milestone的估值逻辑被彻底打破。
“确实在上半年我们也看到很多的项目，可能一周的时间它的估值就变，甚至可能一个项目可能会同时在有三轮融资在进行……一轮在交割中，一轮在谈协议，还有一轮已经在敲定方案过程中。”
“我怕自己被AI时代甩掉。”
创业范式与产品逻辑的深层重构
尽管市场情绪躁动，但上半年也孕育了若干结构性趋势。一方面，研究型创业公司（类似美国New Lab模式）兴起：越来越多教授背景创业者不再纠结于“是否教授创业”，而是聚焦于以商业化机制加速前沿研究，投资人关注点转向“能否成为行业最佳研究输出者”；另一方面，在落地层，AI应用与硬件产品逻辑回归本质——从追逐Agent形式转向验证任务闭环能力：团队能否交付真实任务价值？能否通过反馈形成数据飞轮壁垒？硬件端亦从“堆砌AI功能”转向挖掘用户未被满足的潜在需求。
一个更深远的变化是：AI工具极大降低了产品实现门槛。创业者不再必须具备算法背景，产品经理、设计师甚至非IT从业者（如律师、家庭主妇）凭借低成本Coding工具即可完成全栈产品开发。这标志着技术创业范式从“找CTO敲钉子”转向“自己就是钉子”的时代——AI已成为普惠化生产力工具。
“原来我们也经常会说，很多技术型创业者他会拿锤子找钉子，但现在看起来都是钉子直接出来创业，然后锤子就是已经变成了一个非常普世化的工具了。”
OpenCloud开源引爆Agent浪潮与市场认知跃迁
OpenCloud的开源是上半年最具破圈效应的事件之一：它极大降低了Agent的部署门槛，使普通用户能在本地电脑自主部署，迅速掀起“全民装龙虾”热潮；但开源也带来体验与安全性的挑战，导致大众用户热度逐渐向更成熟平台迁移。相较去年Manus引发的“数字员工”概念，OpenCloud的开源属性更强调自主可控与去中心化参与，推动Agent从“产品功能”升级为“基础设施级共识”。这一波热潮虽有泡沫成分，却完成了关键的社会认知教育——Agent不再只是技术术语，而成为公众理解AI落地价值的入口。
与此同时，二级市场也出现显著分化：投资者不再仅凭“是否AI”标签决策，而是基于对技术路径、数据闭环能力与商业化可行性的深度判断。正如段子所言——“你是站在光里还是光着站在那里”，折射出市场对AI长期价值的重新校准：泡沫之下，真正构建数据闭环与产品壁垒的团队，正悄然构筑下一轮增长的护城河。
Agent热潮的表与里：从开源热潮到OS级范式迁移
Agent的快速走红，表面看源于低门槛部署与开源生态繁荣——用户可自主安装、自由定制，借助自然对话方式快速搭建任务流程。但这一热潮背后，是Agent从“工具”向“Agent OS”形态的跃迁：它不再仅服务于单一任务，而是成为用户在端侧自主定义、训练、迭代智能体的操作系统级平台。尤其在中国，得益于本土开源模型的高质量支持，叠加社交传播效应，Agent迅速形成爆发式热度。
“大家开始自己去尝试去装 OpenCL，尝试去下载各种各样的 skills，然后自己在叫有一个所谓的‘养龙虾’的概念。”
“当大模型应用从纯粹的聊天这样的交互形式，变成了帮助用户去做任务执行，那这里面什么事情？开始变得更重要了。”
这一过程中，大量非技术用户（如美妆博主转型科技内容创作者）通过 OpenCore 等方式快速构建个性化 workflow，验证了 Agent 在真实场景中的落地能力。PPT生成、内容分发、企业流程自动化等垂直应用也已形成稳定使用习惯——尽管泡沫存在，但真正需要 Agent 的用户，已在稳定使用中。热潮退去后，留下的不是喧嚣，而是可复用的流程沉淀与真实价值闭环。
Harness Engineering：从预设路径到环境驱动的智能进化
Agent 的核心价值在于其闭环系统特性——需环境搭建、决策执行、反馈迭代。过去，这一闭环依赖人工强定义 workflow；而今天，Harness Engineering（ harness 工程）成为主流范式：开发者聚焦于定义清晰的环境边界与反馈通路，模型则在其中自主探索最优路径。
这一转变的关键驱动力是模型能力的跃升：大模型的 agentic 能力显著增强，使其在复杂场景中能通过长程推理与试错，产出优于人工预设的策略。这标志着 Agent 从“执行指令”走向“自主演化”——用户只需搭建好“舞台”，AI 便能在此环境中“随机进化”，类似寒武纪生物大爆发：不依赖单一突破，而靠环境丰度与试错自由度催生高价值结果。
“它就像一个机器一样在运行……模型只是支撑它核心智能的一个大脑。”
“就像寒武纪生物大爆发一样……它因为有足够好的环境且足够丰富的资源之后，大家在里面随机进化，往往最后进化出来的结果就是一个大爆发。”
数据飞轮重构：任务轨迹取代对话日志，成为新资产核心
大模型长期被诟病缺乏数据飞轮，而 Agent 的兴起正推动其向任务驱动型数据闭环演进。过去 Chatbot 时代，核心资产是对话上下文数据；而 Agent 时代，真正稀缺的是任务轨迹数据——即模型如何决策、如何执行、如何反馈的完整行为链。
这类数据对强化学习（Agent RL） 至关重要：只有积累真实任务执行数据，才能训练出超越人类水平的智能体。但挑战在于：垂直场景的轨迹数据是否能回流至基模厂商？若不能，则意味着Agent 层存在独立演化的数据主权空间——创业公司可通过构建垂直领域的数据沉淀机制，形成差异化壁垒，避免被“模型即应用”的趋势吞噬。
“任务轨迹才是一个关键的核心数据。”
“谁能拿到这些资产，谁就又更有可能去提供更好的这样的一个用户体验。”
因此，任务轨迹的所有权与流通机制，正成为新一轮竞争的核心战场。大厂虽在通用 Agent 领域占优（如 Deep Search、Coding），但创业公司仍可通过硬件绑定（如“龙虾机”）、垂直场景深耕等方式，在数据闭环中找到生存与增长空间。
Agent领域的残酷现实：离模型太近的创业公司易被吞噬
当前AI Agent创业生态中，离大模型最近的领域正面临高度集中化趋势。以Cursor为例，它曾是过去三年Coding Agent领域的先驱与最强代表，但最终被其核心依赖的Cloud平台（如GitHub Copilot）自家发布的Agent产品所取代。这一案例揭示了一个关键现实：在模型能力快速迭代、基础设施高度集成的赛道中，创业公司极易被大厂生态“吞噬”——就像恒星末期膨胀后对邻近行星的引力吞噬一样不可逆。
"就像恒星到末期膨胀一样，你就是一个行星，离它很近，瞬间被吞噬。"
尽管收购对Cursor而言并非最差结果，但其衰落路径清晰指向一个结构性结论：在模型-数据-应用闭环高度内聚的场景中，独立创业公司难以维持长期竞争力。大厂凭借模型迭代速度、数据获取能力与用户触达渠道的综合优势，正在快速收编上游创新环节。
IM与办公软件：Agent落地的天然温床
与高风险的模型紧耦合赛道不同，IM（即时通讯）与办公软件正成为Agent落地的优质场景。其核心优势在于：已有的成熟用户生态、现成的文件与文档体系，以及沉淀多年的企业工作流数据。当用户习惯已嵌入某办公平台（如钉钉、企业微信、Slack），Agent的渗透阻力大幅降低；而发票报销、合同审批等标准化流程，更可被直接转化为可学习、可复现的Agent任务。
"你有很多工作流是沉淀在上面的……这个流程沉淀在上面，这个是不是agent可以快速去学？"
这意味着，IM/办公软件厂商具备天然的“数据-场景-用户”三位一体优势，能将SaaS时代积累的数字化流程快速升级为Agent能力。这不仅是工具升级，更是工作流范式的重构——从“人操作软件”转向“Agent在软件中自主执行”。
隐私与模型能力的博弈：B端才是关键战场
当前AI落地的最大矛盾，是模型能力与数据隐私之间的张力。C端用户普遍更看重效率体验，愿意让渡部分数据隐私；但B端企业则视数据为最核心资产——技术文档、产品设计方法、客户信息等，一旦泄露将直接威胁商业生存。
"原来很多律师是不能把自己客户的资料泄密的，核心的工程师是不能把自己的配方泄密的……如果这些问题能解决，是不是这些场景就会成为今天AI下一步渗透的人？"
因此，能否构建“隐私保护下的模型-数据连接通道”，已成为决定AI能否在B端大规模渗透的关键。这催生了三类需求：① 本地化/端侧部署方案（如Mac mini热卖反映的探索热情）；② 端侧AI硬件（算力盒子、路由、硬盘等）；③ 企业数据标准化与图谱构建工具。尤其在风控、医疗、法律等高敏感场景，“幻觉容忍度极低”，导致AI仍停留在效率工具层，难以介入核心业务流。
低算力部署：模型轻量化的创业机会
在当前AI硬件成本高企的背景下，如何在相对低算力、低硬件开支的条件下实现更强功能，正成为值得关注的创业方向。该路径的核心在于：将大参数模型（如通过剪枝、量化、与SSD存储协同等手段）部署到性能受限的硬件上。这不仅降低了落地门槛，也为后续资源扩充后保留扩展优势。目前已有不少初创公司聚焦于此，一级市场也对此保持高度关注与投资热情。
如果这个做好了，那假设后面真的资源多了，那它也有它的优势。
我猜测这也许是一个可以切入的，没错没错。
世界模型：热词背后的多元技术路线
2026年一级市场的显著趋势是“世界模型”成为超级热点，上半年涌现出数十家自称与该方向相关的公司。但需注意：世界模型并非特指某类模型，而是一种概念框架——即对“外部干预→状态预测”的建模能力。从牛顿定律到人类日常交互认知，皆可视为世界模型的广义体现。
当前主流技术路线至少有三类： - 视频驱动型（如Sora、VCS）：以生成视频形式预测未来状态，但常违反物理规律； - 3D空间建模型（如李飞飞团队）：构建可交互的真3D虚拟世界，强调空间操作与渲染能力； - 抽象隐空间表征型（如Jasper）：拒绝token级预测，主张通过高阶抽象（如“话筒”而非像素）建模世界，代表对LM范式的反叛。
它如果以以及说你觉得它到底未来跟 L M 会是一种什么关系？
我觉得语言跟世界模型，其实我个人更倾向于，并不是说谁好谁不好，或者谁要干掉谁。
技术演进与数据瓶颈：爆发背后的双重驱动
世界模型在2024上半年集中爆发，源于供给侧的两大技术节点： 1. 视频模型成熟：从早期Sora的“明星吃面”到如今高度拟真的物理仿真，视频生成已具备足够真实感，为具身智能、动作驱动型世界模型打下基础； 2. 3D表示技术进步：从Mesh、NeRF到高斯泼溅（Gaussian Splatting）及3D VGGT，AI生成3D内容能力显著提升，但受限于算力与数据，真正落地者仍属少数（如腾讯）。
与此同时，数据瓶颈仍是最大挑战。头部玩家正全力构建“数据金字塔”：底层为合成数据，中层为第一视角（egocentric）数据，顶层为真机遥操数据。英伟达提出的“十万→百万→千万小时” scaling 路径，被视为破局关键。
人类的视频数据，大量的视频数据其实就包含了很多物理世界的信息跟特征……但三D生成……更多的还是基于一些经验或者规则驱动去做的。
所以李飞飞那一套的话，相对来说难度会大很多。
世界模型的数据拼图：三类路径与现实约束
当前世界模型的发展正面临一个核心瓶颈：并非缺视频数据，而是缺蕴含物理信息的数据。头部大厂与视觉模型厂商正投入大量资源构建高质量数据集，目标是从“十万小时”级向“百万小时”甚至“千万小时”推进，以支撑模型的可扩展性（scale）。从数据采集路径来看，目前主要有三类方式：
第一类是真实物理传感器采集，包括摄像头、雷达、力传感器、触觉、温度、声音等，记录最原始的物理量，并与视频流、3D数据结合，形成高保真训练数据。这类数据虽最可靠，但成本极高——不可能为训练一个模型花五六百亿去采集数据。
第二类是仿真与数据孪生生成的合成数据。不同于早期“simulation gap”严重的合成数据，如今随着精度提升（如某些AE公司已实现99.95%以上精度），仿真数据能生成真实环境中极难采集的稀缺样本，具备高可控性与经济性。
第三类是纯数据驱动的视频物理推理：基于视频内容，由AI模型直接推断接触力、受力变化等物理状态，生成标签。这在具身智能中可体现为：通过人类第一视角（egocentric）数据反推机器人所需的物理动作参数。
“从数据的角度来说，那现在不缺视频，我们也不缺视频数据。其实我们还是缺的是，呃，蕴含了物理信息的相应的数据。”
“最后还是基于说 ROI 最高的角度去合理的分配多种数据的构成，然后形成一个数据利用梯度的系统。我觉得这个是跟巨深是一样的思路。”
最终，数据策略需结合下游场景、表征方式与算力成本综合权衡，构建多源异构、梯度利用的数据体系，而非依赖单一路径。
青年学者创业潮：FOMO、资源缺口与学术初心
这一轮世界模型创业潮中，大量项目由尚未毕业的博士生或刚获教职的青年学者主导。投资人愿意押注他们，背后有双重逻辑：一是市场叙事已从“商业化优先”转向“研究驱动”，New Lab 模式被一级市场接受——投资人愿意为“改变世界的研究”先买单，再谈落地；二是资源现实倒逼：学校资源难以支撑AGI级研究，亟需产业级算力、资金与人才支持，正如DeepSeek的融资逻辑。
但投资人并非盲目乐观。FOMO（错失恐惧）确实存在，但理性者更希望赌出中国下一个DPC（Domain-Specific Pattern Company）：一家纯粹、研究导向、能产出颠覆性成果的公司。
“合理的角度来说，不会，呃，项目在没有什么变化的情况下，砰砰砰，连续四五轮下去，估值翻十倍，对吧？这个是从理性层面上肯定是不合理的。”
“他出来，他出来创业拿了钱这件事情，即便我们从最最差的小头来讲没有成功，但对他自己来说，其实也是做出了还不错的一些学术成果。”
值得注意的是，学术成功 ≠ 商业成功。一位曾创业被收购后任教的教授曾提醒：创业公司中的研究必须以“公司成功”为最终目标，而非论文导向。能否跨越这一鸿沟，是判断教授能否带出好公司的关键。
VLA与世界模型：互补而非替代的具身智能双引擎
具身智能领域正经历一场叙事重构：过去一年，“世界模型”几乎成为所有创业公司的标准话术”，而VLA（Vision-Language-Action）模型则被部分人视为“过时”。但真实行业动态远更复杂。
VLA的核心问题在于：VLM的视觉部分参数量小，物理理解不足，过度依赖遥操作数据做模仿学习，导致泛化能力受限，甚至被质疑为“过拟合”。而世界模型的兴起，源于一个关键思路转变——用生成替代理解：通过视频生成模型（如开源模型）作为基座，让模型在“先想象动作结果”后再执行，从而将物理规律内嵌于隐空间，提升泛化上限。
然而，北美头部大厂（如Janus AI）最新观点指出：不应陷入“VLA vs 世界模型”的方法论之争，而应回归具身智能本质目标——构建一个zero-shot可泛化的动作系统。Peter Florence强调：目标驱动 > 方法驱动。
“巨声智能也不应该基于，不要幻想着靠一些 methods 拿着这些锤子去把这个钉子给搞定掉。”
“VLA是指我们看到这网球打过来，我们要去执行什么样的动作把它打回去。世界模型指的是我们平时在看到他过来的时候，先去想我们要什么样的方式打回去……对于熟悉的动作来说，可能你就不需要世界模型了。”
二者实为互补：世界模型负责陌生场景的预测与规划，VLA负责熟悉动作的快速本能响应。未来具身系统更可能采用“预测+直觉”混合架构，而非非此即彼。
世界模型与VLA：从‘先想再动’到‘本能反应’的演进
当前具身智能面临的核心瓶颈之一是推理延迟——“先想再动”的模式在动态、实时性要求高的场景中明显滞后。专业运动员的动作并非依赖推理，而是基于身体本能，这提示我们：在熟悉动作中，世界模型未必必要；但在陌生环境中，预测与反馈机制仍不可或缺。因此，世界模型与视觉-语言-动作模型（VLA）并非对立，而是互补关系。例如，VLA可实现从视觉输入到动作输出的端到端快速响应，而世界模型则可作为其训练环境或预测模块。严博提出的“world-action model”进一步将预测与动作结合，代表了行业对二者融合路径的积极探索。
“先想再动，这明显球场上很多高专业的运动员不是先想再动的，他们是基于身体的本能的。”
“一旦通用化的基模到了，就跟元模型一样，到了一个质变点的时候，你再加上强化学习，再加上一些推理，那它所获得的给你涌现出来的呃成果，就会远超于你的预期。”
硬件与本体落地：从表演经济到功能价值的过渡期
2024年上半年，人形机器人已进入阶段性商业化验证期，尤其在表演、接待、展览等场景中形成明确的租赁与购买价值。技术如Mimic的全身动作重定向系统，使机器人舞蹈表现大幅提升，推动硬件出货量增长。这类“情绪价值”驱动的落地虽非终极形态，但构成了重要的财务基础——如语数科技已展现出可观的硬件营收与利润水平，接近经典硬件公司的上市标准。
然而，真正规模化落地仍受制于“不可能三角”：长程复杂任务、高成功率、跨场景泛化难以兼顾。当前策略是优先选择客户可接受的单项或双项指标突破。更重要的是，硬件能力需与模型能力协同进化：如灵巧手的发展使egocentric数据（人手动作数据）得以有效利用，而触觉传感器则为实现“闭眼摸物还原3D形状”等高阶能力提供基础。二指夹爪+触觉反馈闭环已能实现“夹豆腐不碎”的精细操作，印证了感知-控制闭环对功能落地的关键意义。
“情绪价值也是价值嘛，对吧？比如它的跳舞啊这些，其实都是情绪价值，但其实也很重要。”
“如果它纯靠手和这些触觉能把它还原出来，那我相信再跟视觉模态再加其他模态结合在一起，基本上它再去完成一些任务，就问题不大。”
未来方向：AI for Science与物理仿真底层革新
除具身智能本体与模型融合外，两个值得关注的前沿方向正在浮现：一是AI for Science的深化——不再局限于AlphaFold式的分子预测，而是覆盖科研全流程（假设生成、实验设计、数据分析）的Auto Research系统。尤其在社会科学领域，AI有望弥补其长期缺乏高效实验推演机制的短板，通过数字孪生或合成社会实验提升研究效率。
二是物理仿真底层重构：传统基于偏微分方程（PDE）的仿真存在“准而慢、快而不准”的矛盾。当前趋势是用神经网络算子替代PDE求解器，实现高精度与高效率兼得。这不仅加速仿真流程，更可能催生新一代AI-native物理引擎，为世界模型提供更可靠的训练底座。
“AI 在这些环节里能替代掉那些 pipeline，极大的加速这个 research 的效率。”
“今天可能具身智能的模型本身就也有刚彭奇提到的那个不可能三角，其实还是在一个非常早期的阶段。”
AI for Science 的边界拓展：从硬科技到社会科学
过去，AI for Science 的探索主要集中在生命科学、材料、药学等自然科学领域，聚焦于分子合成与预测等任务。但近期一个值得关注的新动向是：AI 正在为社会科学提供前所未有的研究加速能力。传统社科研究受限于实验机制——要么依赖大规模社会调研（以整个社会为实验场），要么依赖小范围抽样，效率与可复现性都较低。而 AI 的介入，有望在推演建模、因果推断、行为模拟等环节实现突破，从而构建更系统、可迭代的社科研究范式。这标志着 AI for Science 的想象空间不再局限于传统硬科技，而是向更广义的“科学方法论”延伸。
“社会科学原来所有的社科是缺乏一个高效的推演的实验机制……是不是 AI 在这里今天能够为这个社会科学做一些新的研究的加速？”
“突然让我觉得对 AI for science 这个事儿，思路打开了很多，就不再是局限在说 AF 材料、AF 生物科技里面。”
AI 硬件：从数据采集入口到世界模型的物理接口
国内 AI 硬件正迎来独特的发展窗口：成熟的供应链、年轻而敏锐的创始人团队、以及完善的 AI 基础设施，共同构成了快速产品化与迭代的“最佳土壤”。但其核心价值远不止于硬件本身——关键在于它能否成为连接数字世界与物理世界的枢纽。当前，线上数字化数据已较丰富，但与物理世界交互的数据（如生命体征、脑电、行为上下文）仍极度稀缺。AI 硬件正是填补这一缺口的关键载体。
从产品定位看，AI 硬件需明确自身角色：是单纯的数据采集器，还是能作为数据 Hub，整合多源上下文、为用户提供闭环服务？本质上它仍是消费品，因此能否在真实使用场景中持续产生价值，是其能否被市场接受的核心。
“AI 硬件只是个概念……它可能有算力、有 AI 的软件能力、有各种传感器，能够在我们使用这些硬件的过程中，让这个模型和 AI 更了解我们自己。”
上市潮与泡沫周期：一级市场的理性再校准
2024 年上半年，AI 公司迎来一波显著上市潮：语雀（科创板）、智谱、MiniMax、DeepSeek 等相继完成融资或上市。从一级市场投资人视角看，这既是阶段性价值兑现，也为行业注入“弹药”——持续高强度的研发投入亟需资本支持。值得注意的是，这类公司上市逻辑不同于传统企业，更关注其长期生态位与网络效应，而非短期盈利（类似互联网早期逻辑）。
短期看，上市将引发 FOMO（错失恐惧）情绪，推高一级市场估值；但二级市场反馈更敏捷——一旦商业化或技术进展不及预期，股价将快速回调，进而反向压制一级市场估值预期。泡沫是否破裂虽难预测，但其后的“挤出效应”将清晰显现：仅靠 demo 或讲故事的公司难以持续融资，而真正具备持续研究交付能力、关键里程碑突破、行业引领地位的公司，将获得资本持续青睐。
“泡沫的阶段，大家都会想着是我买的、我投的公司肯定也会是最好的公司……泡沫破裂之后，大家对资产的质量要求就会更高。”
“偏 research 类型的方向……真的能持续给出一些 milestone 关键突破进展且引领行业的公司，我觉得还是会持续拿到钱去撑过去的。”
下半年关键变量：能否构建真实数据闭环
下半年最值得关注的变量是：能否在特定场景中构建真实、可运转的数据闭环。无论是具身智能（Agent）、机器人，还是大模型，其长期竞争力将取决于是否具备自我决策、自我审查、自我学习的能力——即能否在真实使用中持续优化，而非仅依赖静态 demo 或离线训练。
具象来看，若一家公司能打通从数据采集、预训练、后训练、部署到在线强化学习的全流程闭环，其系统性优势将远超单点技术公司。对 Agent 而言，商业模式不在于提供技能（skills），而在于能否交付接近人类水平的、具备持续进化能力的智能体。这既可能依赖硬件（如传感器、执行器），也可能依赖软件架构创新，是下半年值得重点观察的方向。
“一旦能形成这种机制，或者是帮助去形成这种机制的公司……天然的竞争力还是要远高于一些单点切入的公司。”