AI创投融资在2026年上半年制造了一个前所未有的分化市场：86%的美国风险投资流向AI，43.2%的交易数量却只对应这一部分资金。创纪录的不是所有创业公司的融资景气，而是少数AI公司吸收巨额资本的能力。

一、开篇——4,127亿美元为什么不是一场普遍繁荣

AI创投融资在2026年上半年把美国风险投资推上新纪录。7月8日发布的《Q2 2026 PitchBook-NVCA Venture Monitor》显示，今年上半年美国风险投资交易额达到4,127亿美元，较2025年全年高出近30%，也超过2021年3,586亿美元的历史年度峰值。

单看这个数字，美国创投似乎已经走出过去几年的调整期。但把报告里的几组数据并排放在一起，结论会完全不同。

第一，AI公司获得3,559亿美元，占全部风险投资额的86%，较2025年的65.5%继续大幅上升；AI交易数量占比却只有43.2%。也就是说，AI不只是项目多，而是单笔融资的资本密度远高于其他赛道。

第二，1亿美元及以上融资占全部投资额的87.5%。低于1亿美元的绝大多数交易合计只获得514亿美元，占比从2024年的43.8%、2025年的33.1%，压缩至今年上半年的12.5%。

第三，报告估算上半年共有9,646笔交易，首次获得风险投资的公司约5,674家，全年首次融资数量甚至可能刷新纪录。资本入口没有完全关闭，但进入之后能否获得大额后续资金，正在变成另一回事。

第四，集中不只发生在创业公司端。美国风险基金上半年募集724亿美元，接近2025年全年749亿美元，却只分布在405只基金中。成熟管理机构拿走89%的募资额，达到近十年最高比例。

所以，4,127亿美元不能被简单解读为「美国创投全面复苏」。更准确的描述是：市场同时打开了更多小入口，却把绝大部分资金、估值和后续融资能力集中到少数AI公司与头部基金手中。

真正值得研究的问题不是「AI是不是泡沫」，而是：当86%的资金追逐43.2%的交易，一级市场的定价机制、机构策略和早期机会正在发生什么变化？

二、AI创投融资为什么集中——资本购买的不是标签，而是规模化权利

从软件投资转向私人基础设施融资

过去的软件公司通常先用较少资本验证产品，再随收入增长逐轮扩张。前沿AI公司的融资逻辑不同：模型训练、推理集群、数据中心、电力、芯片预付款和高端人才都需要巨额前置投入。资本规模本身开始影响公司能否进入下一阶段竞争。

这使头部AI融资越来越接近私人基础设施融资。投资人不只购买未来收入的一部分，还在购买算力取得权、生态控制权和进入少数潜在平台公司的席位。公司越被认为可能成为基础层，越能获得大额资本；资本越充足，又越能买到算力、人才和分发，形成自我强化。

报告列出的第二季度七笔10亿美元以上融资合计872亿美元，其中五笔属于AI公司。仅这一组超级交易，就相当于上半年所有低于1亿美元融资总额的约1.7倍。

这正是本轮马太效应的机制：不是资本先平均筛选大量项目，再等待赢家出现；而是资本越来越早地把未来赢家预期集中到少数公司，并用巨额融资帮助这些公司扩大领先。

AI估值溢价已经穿透所有主要轮次

报告显示，2026年AI公司的估值抬升倍数中位数约为2.2倍，非AI公司约为1.6倍。按轮次看，AI公司A轮投前估值中位数为8,300万美元，非AI公司为4,400万美元；B轮分别为2.67亿美元和1.34亿美元；C轮分别为6.48亿美元和3.976亿美元。

这说明AI溢价不是只存在于几家基础模型公司。头部交易正在形成新的可比估值，并向更早轮次传导。只要项目被归入高增长AI赛道，市场就可能用更高的收入预期、更快的市场占领速度和更大的终局空间给它定价。

但高估值不是护城河，而是一份提前签下的增长合同。估值抬得越快，公司下一轮需要交出的收入、留存和毛利证明就越强。若增长没有兑现，过去由大额融资制造的势能，也可能反过来放大下轮融资和估值回撤压力。

这不是「所有AI项目都好融资」

86%是金额占比，43.2%才是交易数量占比。两者之间42.8个百分点的裂口，揭示了最容易被标题掩盖的事实：资本集中在AI内部同样严重。

头部机构偏好的不是简单增加一个AI功能的公司，而是能够控制关键资源、沉淀专有数据、进入高频工作流，或者显著降低算力与部署成本的平台。AI标签可以帮助项目进入投资人的搜索范围，却不能自动换来下一轮资本。

对早期创业者而言，真正的问题已经从「是不是AI」变成「在头部模型能力不断外溢时，为什么价值必须留在这家公司」。没有独立数据、分发、成本结构或工作流控制力的项目，即使拿到第一笔钱，也可能在后续融资中遭遇更严格的分化。

三、资金结构——公司、基金与地域形成三重集中

公司端：超级融资改写总量

1亿美元以上交易占87.5%，说明4,127亿美元主要由超级融资推动，而不是典型项目的融资额同步上涨。报告还提醒，大型融资经常包含分期注资或此前已经承诺的资金。例如某笔650亿美元融资中，约150亿美元来自早先承诺，因此媒体标题中的轮次金额不完全等于当期新增现金。

这类结构会让市场总量看起来比真实新增购买力更强。对投资人而言，尽调时需要把「宣布金额」「已交割金额」「新增现金」「二级份额」和「未来分期条件」拆开，而不能只按新闻标题计算资金供给。

基金端：LP正在把信任投给既有赢家

上半年，规模10亿美元及以上的16只基金合计募集495亿美元。Andreessen Horowitz、Thrive Capital与Founders Fund三家机构合计募集348亿美元，占全部风险基金募资额的48.1%。与此同时，新基金管理人只募集34亿美元，共完成53只基金，按当前进度全年规模将明显低于2025年。

成熟机构拥有更大的资金池，可以在早期给出更高价格，也可以在头部公司后续轮中持续跟投。新基金则同时受到募资困难、持股比例下降和优质项目准入门槛上升的挤压。

这意味着马太效应形成闭环：头部LP把钱交给头部基金，头部基金用更大支票进入头部AI公司，头部公司的高估值和潜在退出又强化LP对头部基金的偏好。市场表面上交易活跃，真正有能力连续下注的参与者却在减少。

地域端：交易数量分散，交易价值继续向枢纽聚拢

湾区、纽约、洛杉矶和波士顿四个主要科技枢纽只占48.6%的交易数量，却拿走87%的交易金额。即使在早期阶段，四大枢纽也获得79.4%的融资额；在种子及种子前阶段，这一比例仍达到60.4%。

AI所需要的人才、算力、客户和头部机构网络具有明显集群效应。远程协作可以分散团队，却没有消除资本网络的地理密度。对枢纽之外的创业公司而言，仅靠产品达到「同样好」可能不够，还需要用可量化增长、独占客户资源或明显更低的成本，抵消网络位置带来的劣势。

四、真正的护城河——融资能力本身何时有效，何时失效

看起来像护城河的：融资额、估值与明星股东

巨额融资可以延长跑道、购买算力并吸引人才，明星机构也能带来客户与后续资本。但这些优势只有在资金转化为持续能力时才成立。若资金主要用于补贴推理、争夺同质化人才或购买任何竞争对手都能获得的硬件，它更接近昂贵库存，而不是长期壁垒。

高估值同样具有两面性。它可以减少当轮稀释、增强品牌信号，却会抬高下一轮和退出门槛。当市场只接受少数赢家时，估值越高，容错空间反而越小。

可能成为真护城河的：资本转化效率

这一轮最值得追踪的指标不是公司融了多少钱，而是每一美元资本能否形成四类可积累资产：更低的单位推理成本、更高质量的专有数据、更深的工作流嵌入，以及能够降低获客成本的分发网络。

如果融资只能换来一次性算力，公司需要不断依赖下一轮；如果融资能够降低单位成本、带来数据飞轮或提高客户迁移成本，公司才可能把资本优势转化为经营优势。

这也给早期投资人提供了更实用的判断框架：不要只问项目能否搭上AI浪潮，而要问它是否能在不按同等比例增加资本的前提下扩大收入。AI时代真正稀缺的不是融资故事，而是资本效率能够随规模改善的公司。

护城河失效的三个场景

第一，基础模型能力快速商品化。若通用模型以更低价格覆盖更多任务，缺乏数据和工作流控制力的应用公司将被压缩。

第二，公开市场不接受私人市场估值。大额融资把增长预期提前写进价格，一旦上市或并购无法验证这些估值，后续轮和基金账面回报会同时承压。

第三，超级融资的收入质量不透明。分期资金、旧承诺、二级交易与高优先权条款可能让名义融资额高于公司真正可以自由支配的新增资本，也可能把下行风险留给普通股东。

五、被市场低估的周边机会

头部模型公司的直接投资窗口已经高度拥挤。4,127亿美元照亮的左侧机会，不是再复制一家高资本消耗的基础模型公司，而是帮助整个AI体系提高资本转化效率。

机会一：算力效率与资源调度

当资金大量流向模型训练和推理，客户会从「能否获得算力」转向「每一单位算力产生多少有效结果」。推理优化、异构芯片调度、模型路由、缓存、网络互连、液冷和能耗管理，都可能从成本项变成决定毛利的基础设施。

追踪信号：客户是否按节省的算力成本付费；产品能否跨模型与跨芯片工作；收入增长是否明显快于自身算力采购支出。

机会二：数据、环境与评测基础设施

模型能力越接近，企业越需要用专有数据、任务环境和结果评测建立差异。相比通用数据标注，能把真实业务流程转化为可重复训练环境，并证明模型改进与业务结果相关的工具，更可能形成长期迁移成本。

追踪信号：客户是否把内部评测集持续留在平台；环境与评测收入是否具有订阅属性；产品能否覆盖从测试、上线到回归监控的完整闭环。

机会三：垂直工作流控制层

资本集中在基础层，并不意味着应用层没有机会。相反，模型能力扩散会降低产品开发门槛，但也会让单纯套壳更快失去价值。真正值得左侧布局的是掌握交易、审批、诊疗、设计、制造或客服等关键流程，并能从每次使用中沉淀结构化反馈的垂直平台。

追踪信号：客户购买的是单一AI功能还是完整工作流；产品是否进入核心系统并获得写入权限；模型替换后，客户数据、流程和分发优势是否仍然留在公司。

六、【黑马判断】+ 布局建议 + 风险披露 + 结语

分层布局建议

给一级市场投资者：不要把4,127亿美元当作普遍估值上行的依据。尽调时应把融资金额拆成新增现金、旧承诺、分期资金和二级交易，并重点比较单位收入所需资本、模型成本占收入比例、后续融资依赖度。更优的左侧位置可能在算力效率、数据评测和垂直工作流，而不是头部基础模型公司的高价跟投份额。

给二级市场投资者：AI融资扩张会向芯片、网络、数据中心、电力、散热和企业软件传导，但资本开支增长不等于股东回报同步增长。需要区分一次性设备订单与持续服务收入，并观察客户集中度、利用率和自由现金流能否改善。

给创业者：第一笔融资仍有机会，真正收紧的是大额后续资本。应尽早证明公司拥有模型之外的资产：专有数据、核心流程、低成本分发或可量化的效率优势。融资计划要按更长周期设计，不能把下一轮估值提升当作默认条件。

风险披露

第一，统计口径风险。报告数据截至2026年6月30日，部分交易数量为估算值，后续可能修订；交易额也不完全等于当期到账的新增现金。

第二，商业化周期风险。AI基础设施投入巨大，企业客户的付费增长、毛利改善和续约速度可能慢于资本投入。

第三，竞争与技术替代风险。模型商品化、云平台整合和开源技术进步，可能迅速压缩独立工具与同质化应用的价值。

第四，估值与流动性风险。私人市场高估值需要公开市场或并购退出验证；若退出窗口无法广泛打开，账面繁荣难以转化为LP现金回报，基金募资会继续向头部集中。

结语

回到开篇，4,127亿美元并没有告诉我们「所有创业公司都更容易融资」，它告诉我们资本正在以前所未有的力度选择少数AI平台。入口可以变多，价值却可以更集中；交易可以活跃，后续资金却可以更挑剔。

在这样的市场里，左侧投资最危险的动作是追随总量，最有价值的动作是拆开总量。86%之后真正值得寻找的，不是下一个AI标签，而是下一层不可替代的资本效率。

── 投黑马研究团队

本文为投黑马「融资观察」第014期。核心数据来源于《Q2 2026 PitchBook-NVCA Venture Monitor》原始报告及NVCA报告说明页，并参考公开报道进行交叉核验。报告数据截至2026年6月30日，部分数量为估算值，后续可能修订。本文仅就企业、融资与产业层面作客观分析，不构成任何投资建议。一级市场投资有风险，决策需独立判断。

2026年5月，台积电在第76届电子元件与技术会议 ECTC 上公布了一套面向 CoWoS-R 平台的直接到硅液冷方案。它不再让热量依次穿过芯片盖、导热材料和外置冷板，而是在 SoC 裸片背面制作硅微柱结构，让去离子水更贴近发热源流动。

最吸引眼球的数据是5.3千瓦：在每分钟8升流量下，这套测试载具能够带走超过5千瓦热量。这个数字接近两台大功率家用烤箱同时工作，却集中在一块大型先进封装上。不过，它是实验载具的整封装散热能力，不等于某颗量产 GPU 已经达到5.3千瓦功耗。

一、进展详情：被缩短的前四棒

理解这项技术，先要看清今天 AI 芯片的热量如何离开大楼。整个过程可以拆成八棒接力：硅裸片产生热量；第一层热界面材料 TIM1 填平微观缝隙；一体式均热盖 IHS 保护裸片并摊开热点；第二层热界面材料 TIM2 连接冷板；冷板把热交给冷却液；机架歧管汇集各服务器的水路；冷却液分配单元 CDU 用泵和换热器隔开 IT 水路与楼宇水路；最后由冷水机、干冷器或冷却塔把热排到室外。

这八棒里，最拥堵的是靠近芯片的前四棒。硅片表面并非均匀发热，局部热点会先触发温度上限，迫使 GPU 降频。TIM、IHS 和冷板能够保护芯片、填平空隙并扩散热量，但每增加一层材料，也增加一段热阻。

台积电的方案瞄准的正是这段路径。其 ECTC 论文使用一块3.3倍光罩尺寸的 CoWoS-R 测试载具，包含4颗 SoC 测试裸片和8组 HBM。传统带盖冷板在每分钟1至2升流量下可处理约1.9至2.3千瓦；去盖冷板可处理约2.5至3.0千瓦。流量继续增加后，两种方案受 TIM 热阻限制，改善趋于饱和。

直接到硅方案在每分钟2升时与去盖冷板接近，在每分钟4升时达到4千瓦，在每分钟8升时达到5.3千瓦。它并非简单地「在芯片里挖水管」，而是在裸片背面形成微柱阵列，以更大的接触面积和更短的传热距离把热交给液体。

二、趋势与商业模式：散热开始成为封装的一部分

这项技术的真正变化，不只是散热能力翻倍，而是价值边界向芯片内部移动。传统模式中，芯片公司交付封装，服务器与冷却厂商再安装冷板；直接到硅模式下，微柱、密封和流体接口需要与 CoWoS 工艺、封装翘曲及芯片可靠性共同设计。散热因此从可替换的外围部件，变成先进封装的一部分。

这会让台积电等先进封装厂商获得新的技术控制点，也可能压缩 IHS、TIM2 和一部分通用冷板的价值。但「颠覆整条液冷产业链」仍然言之过早。即使冷却液直接抵达硅背面，热水仍要经过软管、快接、歧管、CDU、楼宇水环和室外排热设备；高流量还会提高泵功耗、压降控制与流量均衡的难度。

可靠性也是商业化门槛。台积电报告称测试载具通过 MSL4 湿敏等级测试，未发现氦泄漏或密封剂分层。微软在同届会议上还展示了用于 NVIDIA GH200 的直硅微流道组件，在每分钟1升流量下，将 GPU 结温到入口水温的热阻降低51%至60%。但长期堵塞、颗粒污染、硅侵蚀、现场维修和集群级可用性仍需更长时间验证。

因此，这条路线目前处于「升温中的工程验证期」，尚未进入大规模量产主流。眼下更现实的商业路径，是让直接到硅与现有机架液冷系统共存，而不是一次替换整座数据中心。

三、全球风口与格局：谁掌握不可替代的接口

从全球产业链看，最值得关注的并非所有带有「液冷」标签的公司，而是掌握关键接口、验证能力和整套交付能力的玩家。

第一类是先进封装平台。台积电把微柱散热结构带入 CoWoS-R，意味着封装厂开始定义芯片侧流体接口。若未来进入量产，芯片设计、封装、密封材料与冷却结构需要更早协同，传统冷却厂商必须从「交付一块冷板」转向参与联合设计。

第二类是机架级液冷集成商。NVIDIA 的 GB200 NVL72 已采用液冷机架，单架需要处理约120千瓦冷却能力。NVIDIA 公布的生态名单覆盖 Vertiv、CoolIT、Boyd、nVent、Motivair、施耐德电气、丹佛斯等厂商；其中 Vertiv 与 NVIDIA 已给出7兆瓦集群参考架构，出售的是电力、热管理、空间和部署方案的组合，而不只是单个零件。

第三类是 CDU 与楼宇排热厂商。施耐德电气旗下 Motivair 在2026年推出单台2.5兆瓦 CDU，并提出多机扩展至10兆瓦以上。CDU负责控制温度、压力、流量和水质，同时隔离芯片侧与楼宇侧水环。无论冷却液最终接触冷板还是硅背面，这个「变压器式」中枢都不会消失，反而会随着流量和机架密度上升变得更关键。

产业链真正可能发生的，不是冷却公司集体出局，而是利润池重新分层：封装厂拿走更靠近热源的技术价值，具备冷板与接口能力的厂商进入联合设计，CDU 与基础设施厂商继续承接从机架到室外的系统价值。只卖标准化金属冷板、又缺少客户验证和系统集成能力的供应商，承受的压力最大。

四、还要观察什么：性能之外是可维护性

直接到硅液冷能否跨过量产门槛，不能只看峰值散热。第一项指标是单位流量能带走多少热，同时付出多少泵功耗；第二项是微柱或微流道能否在多年运行中抵抗污染、堵塞与材料腐蚀；第三项是出现故障后，数据中心能否像更换冷板一样快速维修，而不必报废整块昂贵封装。

还要观察接口能否标准化。今天 NVIDIA 已把 GB200 NVL72 的机架、歧管和浮动盲插接口设计贡献给开放计算项目，推动机架侧生态扩张。未来若芯片侧接口仍由各家封装平台分别定义，系统厂商就要同时维护多套水质、压力和连接标准，商业化速度会受到限制。

换句话说，5.3千瓦证明了「热可以更快地离开硅片」，却还没有证明「这种系统可以低成本、可维修地运行数年」。接下来决定产业格局的，将是可靠性数据和规模交付，而不是实验室里的单次峰值。

投黑马 · 前沿洞察

直接到硅液冷的本质，是把散热从服务器部件推进为先进封装能力；它重写的是价值分配边界，而不是取消整条液冷链。

当前最值得关注的玩家分为三层：台积电掌握封装侧结构，NVIDIA推动机架接口与生态，Vertiv、CoolIT、Motivair等公司承接歧管、CDU和设施级交付。真正稀缺的是跨越芯片、机架与楼宇水路的联合验证能力。

读者可持续跟踪三个可观测看点：台积电直接到硅方案是否出现量产客户与时间表，微软 GH200 微流道测试是否披露集群级故障数据，OCP 是否形成芯片侧流体接口与冷却液标准。

── 投黑马研究团队

资料来源

• ECTC 2026 会议日程与论文信息
• 台积电 ECTC 2026 论文 DOI：10.1109/ECTC51846.2026.00092
• NVIDIA GB200 NVL72 开放计算设计与液冷生态
• NVIDIA DGX GB200 机架系统硬件说明
• 施耐德电气：AI 数据中心液冷架构
• Motivair 2.5兆瓦 CDU 产品公告

企业AI投资正在从「购买最强模型」转向「拥有持续优化能力」。Prime Intellect用算力、强化学习、环境与评测组成全栈平台，这笔融资押注的是企业智能生产方式的迁移。

一、开篇——这笔融资为什么不普通

2026年7月8日，AI基础设施公司Prime Intellect宣布完成1.3亿美元A轮融资，由Radical Ventures领投，NVIDIA Ventures、Intel Capital、Dell Technologies Capital及原有投资人参投。公开报道显示，本轮投后估值约10亿美元；加上此前融资，公司累计融资超过1.5亿美元。

这笔钱至少有四个不寻常的细节。

第一，轮次与规模不匹配。1.3亿美元通常是成熟公司的中后期融资体量，Prime Intellect却把它放在A轮。公司2024年4月才宣布550万美元种子轮，2025年2月又获得Founders Fund领投的1500万美元融资。两年多时间，它从一个「聚合闲置GPU」的去中心化算力项目，跃升为10亿美元估值的企业AI基础设施独角兽。

第二，增长速度异常。公司披露，平台已有超过6000家客户，覆盖算力、强化学习、后训练、沙箱、推理、环境和评测；相关需求在不到一年内带来超过1亿美元的年化收入。即使这一数字仍需等待更完整的收入质量披露，它依然解释了为什么投资人愿意在A轮给出如此激进的定价。

第三，投资人结构不是常见的纯财务组合。领投方Radical Ventures专注AI原生投资，NVIDIA Ventures、Intel Capital和Dell Technologies Capital则分别连接GPU、芯片平台、服务器与企业基础设施。它们同时进入，说明资本买的不只是一个软件工具，而是AI训练与部署栈里可能出现的新控制层。

第四，公司走了一条反叙事路线。过去两年，企业采用AI的主流路径是调用闭源模型API，把智能能力当作外部服务购买。Prime Intellect却认为，企业应该在自己的数据、工作流和产品反馈上训练专用模型，并持续强化，而不是永远等待通用模型下一次升级。

问题由此浮现：当最强通用模型仍在快速进步，企业为什么还要花钱自建一套训练与强化系统？机构此刻押注的，究竟是一家GPU聚合商，还是企业智能生产方式的一次迁移？

二、为什么是这个方向

主流叙事：模型越强，企业越省事

企业AI过去的默认答案很简单：购买最强模型的API，接上自己的数据，再做一层应用。这个路径启动快、前期成本低，也避免了自己训练模型的复杂工程。只要基础模型持续变强，应用就能被动获得能力升级。

但这套逻辑在智能体阶段暴露出三个问题。

其一，通用模型的平均能力很强，却未必能在某个高频工作流中同时做到更准、更快、更便宜。其二，企业把真实用户反馈、工具调用轨迹和业务结果交给外部模型，却未必能把这些反馈变成自身可积累的模型资产。其三，智能体一旦深入财务、客服、开发和运营流程，企业需要的不只是一次推理，而是可重复的评测、训练、上线和继续优化。

Prime Intellect押注的反叙事是：预训练让前沿能力集中在少数模型公司，强化学习和后训练则可能把差异化能力重新带回企业内部。企业不必从零训练一个通用大模型，而是可以选择合适的开放模型，用自己的环境、任务与奖励信号，把它训练成某个工作流里的专才。

这不是抽象口号。Prime Intellect披露的Ramp案例显示，Ramp使用其平台训练了一个用于财务表格检索的35B专用子智能体FastAsk。在公司自建的保留评测集上，该模型的准确率较基座提高10个百分点，并以更低的延迟和成本超过被比较的闭源前沿模型。需要强调的是，这属于公司与客户公布的个案结果，不能直接外推到所有任务；但它证明了一个关键商业命题：在边界清晰、反馈可验证的流程里，「专用小模型＋持续强化」可能比「每次调用最大模型」更经济。

为什么是现在：环境和评测开始成为新瓶颈

模型训练的旧瓶颈是算力和数据。智能体时代的新瓶颈增加了两项：环境与评测。

环境决定智能体能否在接近真实业务的沙箱里调用工具、执行多步任务并获得反馈；评测决定企业能否判断一次训练究竟带来了真实提升，还是只在某组样例上得分更高。没有这两层，强化学习容易变成昂贵实验，无法进入稳定生产循环。

Prime Intellect把算力市场、强化学习框架、任务环境、沙箱、评测、推理与部署放在一套栈里，试图减少企业跨多个供应商拼装系统的成本。它卖的不是单个GPU，也不是单次训练服务，而是「把业务反馈变成模型改进」的完整流水线。

这就是本轮融资的真正时点逻辑：基础模型能力足够强，开放模型足够丰富，企业开始积累智能体运行轨迹，而推理成本与业务确定性又迫使客户寻找更细颗粒度的优化。资本因此从「谁能训练下一个通用模型」转向「谁能让数千家企业训练自己的专用智能」。

三、投资人结构解读

Radical Ventures——领投的是强化学习基础设施，不是算力转售

Radical Ventures长期围绕AI模型、基础设施和垂直应用布局。该机构在2026年AI趋势判断中明确提到，Prime Intellect正在抽象强化学习管线的复杂度，帮助客户构建定制模型。这与本轮领投高度一致。

Radical Ventures看中的核心，不应只是GPU聚合业务。算力转售容易陷入供给同质化、价格透明和毛利承压，而训练环境、评测体系与客户工作流的结合更可能形成软件收入与迁移成本。它押注的是Prime Intellect能否从算力入口向训练控制层上移。

NVIDIA Ventures——投资一个让GPU消耗更深的中立层

Prime Intellect早期的计算市场聚合不同云和数据中心的GPU，现在又把业务延伸到强化学习、后训练和持续推理。无论客户选择哪种开放模型，只要训练与强化频率上升，对高性能计算的需求就会增加。

因此，NVIDIA Ventures的投资并不矛盾。Prime Intellect表面上帮助客户比较和调度算力，长期却可能扩大GPU的使用场景：过去企业只在推理时消耗算力，未来每个关键工作流都可能持续采集轨迹、反复训练与评测。NVIDIA买的是新增工作负载及开发者入口，而不是某一家云服务商的份额。

Intel Capital——押注智能体负载从GPU扩展到系统协同

Intel Capital在投资说明中把Prime Intellect定义为训练和部署自我改进智能体的全栈平台。智能体工作负载并非只有模型计算，还包括沙箱、工具调用、数据预处理、存储与调度，对CPU、内存和网络的系统协同提出更高要求。

Intel Capital进入本轮，说明芯片产业资本关注的对象已从单纯模型训练扩展到智能体运行基础设施。对Prime Intellect而言，Intel也能提供企业客户、硬件适配和系统优化资源，帮助它降低对单一算力形态的依赖。

Dell Technologies Capital——押注企业从「租智能」转向「拥有智能」

Dell Technologies Capital给出的投资逻辑最直接：随着后训练和强化学习重塑AI，更多组织希望拥有自己的智能，而不是持续租用外部智能。Dell连接服务器、存储、数据中心和企业IT采购体系，天然关心AI工作负载是否会回到企业可控的私有或混合基础设施中。

它的加入给Prime Intellect补上了企业落地的一环。训练工具能否进入大客户，不只取决于算法能力，还取决于安全、部署、运维、采购与服务体系。Dell所代表的渠道和基础设施经验，能帮助这家公司从开发者平台走向企业级交付。

原有投资人与产业天使——形成产品分发网络

原有投资人包括Founders Fund、Menlo Ventures等，个人投资者则出现Ramp、Box、Zapier、Harvey、Cognition、Cloudflare、LangChain和Mercor等公司的创始人或核心人物。这份名单的价值不只是声量。

这些公司分别处于企业软件、智能体、法律AI、自动化、云基础设施和人才平台等场景，恰好是强化学习平台最需要的首批设计伙伴。产业天使既能提供真实任务环境，也能带来标杆案例和开发者分发。投资人结构因此形成一条清晰链路：专业AI基金负责判断技术范式，芯片与硬件资本提供基础设施，应用层创始人提供工作流和客户验证。

四、护城河拆解

看起来像护城河的：算力规模、开源项目与融资额

聚合多个GPU供应商能扩大可用资源，但供给本身并不排他；客户也可以在不同云平台之间迁移。开源研究和模型能建立品牌与开发者信任，却也意味着部分技术成果会被同行复用。1.3亿美元融资可以换来集群和人才，但资金优势同样可能被更大平台追平。

这些都是入场券，不是真正的护城河。

可能成为真护城河的：工作流闭环与跨层数据

Prime Intellect真正有机会筑墙的地方，是从算力到环境、训练、评测、部署的跨层闭环。客户一旦把内部任务转化为训练环境，沉淀奖励函数、评测集、运行轨迹和模型版本，就不再只是购买计算小时，而是在平台上积累一套专属的智能生产资产。

这会形成三种迁移成本。第一是工程迁移：训练管线、沙箱和部署方式需要重做。第二是数据迁移：真实工作流轨迹与评测集包含大量隐性结构。第三是组织迁移：业务团队和模型团队围绕同一平台形成协作流程。若Prime Intellect能把三者同时锁住，护城河会明显强于单纯算力市场。

护城河失效的三个场景

第一，基础模型公司把环境、强化学习和评测做成原生能力，并以模型API客户为入口打包销售。它们掌握模型本体和分发渠道，可能压缩独立平台空间。

第二，云厂商把类似工具纳入现有AI平台。企业客户通常倾向减少供应商数量，如果独立平台的效果优势不够显著，就可能输给「足够好且采购方便」的一体化方案。

第三，年化收入的质量不及增长表象。若较大比例来自低毛利算力转售，而非高留存的软件和训练服务，那么1亿美元年化收入并不等于成熟的软件商业模式。当前公开信息尚未拆分收入构成、毛利率、客户集中度与净留存率，这正是后续尽调必须追问的部分。

五、被市场低估的周边机会

Prime Intellect本轮已经完成，10亿美元估值也让直接投资窗口明显收窄。更值得左侧投资者关注的，是这笔融资照亮的三类周边机会。

机会一：智能体环境与奖励设计工具

企业要做强化学习，首先要把真实流程变成可重复运行的任务环境，并设计可验证的奖励信号。不同于通用标注平台，这类公司需要理解工具调用、业务规则、异常状态与结果归因，技术和行业知识都更重。它可能成为智能体时代的新型数据基础设施。

追踪信号：头部企业是否把「环境工程师」或「评测工程师」设为独立岗位；垂直场景是否出现共享环境标准；客户是否愿意为任务环境的持续维护而非一次性交付付费。

机会二：强化学习可观测性与安全评测

模型持续学习后，企业需要知道行为为什么改变、奖励是否被钻空子、版本升级是否破坏原有能力。传统MLOps记录训练指标，但智能体还要追踪多步轨迹、工具权限、奖励偏差和线上回归。围绕这些问题的可观测性、红队测试与审计工具仍处早期。

追踪信号：大客户采购是否从「模型评测」升级为「智能体全生命周期评测」；监管行业是否要求保留工具调用与决策轨迹；是否出现能横跨多个模型和训练平台的中立评测层。

机会三：异构算力调度与闲置容量金融化

强化学习工作负载既有短时突发的大规模训练，也有持续推理和大量沙箱任务，对GPU、CPU、网络和存储的组合需求复杂。能够跨云、跨芯片调度，并对中断风险、性能和价格进行量化的基础设施仍有空间。

追踪信号：企业是否开始把多云算力作为常态配置；现货实例在可容错训练中的使用比例是否提升；算力供应商是否开放可编程的容量与价格接口。真正的机会不在简单比价，而在把异构资源变成可靠、可预测的生产能力。

六、【黑马判断】+ 布局建议 + 风险披露 + 结语

分层布局建议

给一级市场投资者：本轮直接窗口已关闭，应扫描环境构建、智能体评测、强化学习可观测性和异构算力调度等更早期标的。选股时重点追问三个指标：软件收入占比、客户自建环境数量、同一客户的训练与评测频次。只有客户持续把业务反馈放回平台，才说明闭环真正成立。

给二级市场投资者：间接路径包括AI服务器、网络、存储、数据中心和企业AI基础设施供应商。但不要把所有算力需求都等同于高质量增长，应区分一次性集群采购与持续性工作负载，并关注资本开支能否转化为更高利用率和服务收入。

给创业者：不要与全栈平台正面拼算力规模。更现实的切口是选择一个高价值垂直场景，把任务环境、奖励信号和评测标准做深，成为平台离不开的专业层。谁能定义「什么叫完成得好」，谁就更接近掌握智能体训练的价值入口。

风险披露

第一，商业化周期风险。企业自建模型优化闭环需要数据、人才与组织协同，很多客户可能长期停留在试验阶段，无法形成稳定扩张收入。

第二，竞争加剧风险。基础模型公司、云厂商和开源框架都在补齐强化学习、环境和评测能力，Prime Intellect面临上下游同时进入的压力。

第三，技术替代风险。若通用前沿模型在成本和特定任务能力上持续快速改善，企业训练专用模型的投入回报可能下降；新的推理时优化方法也可能替代部分后训练需求。

第四，收入质量与基础设施风险。公开披露的年化收入尚缺少毛利率、留存率和客户集中度细节；算力聚合还涉及供应稳定、网络性能、数据安全和多供应商运维复杂度。

结语

回到开篇，这笔A轮真正不普通的地方，不是1.3亿美元，也不是10亿美元估值，而是资本开始为一种新的企业能力定价：企业不再满足于租用一次智能，而希望拥有让智能持续变好的生产线。Prime Intellect要证明的，是这条生产线能否成为独立平台，而非云厂商的一项功能。

在智能体时代，最值得长期拥有的资产未必是某个模型版本，而是「业务反馈—训练—评测—部署」不断循环的能力。聪明钱这次买下的，正是这个循环可能形成的控制点。

── 投黑马研究团队

本文为投黑马「融资观察」第013期。融资信息与经营数据主要来源于Prime Intellect官方公告、Intel Capital投资说明、Prime Intellect客户案例、Prime Intellect历史融资公告及公开报道。公司披露数据未经独立审计，本文仅就企业与产业层面作客观分析，不构成任何投资建议。一级市场投资有风险，决策需独立判断。

AI & 一级市场

台积电2纳米新制程试产线数据首度曝光

6月29日，业界供应链渠道释出台积电位于新竹宝山厂区2纳米（N2）工艺的最新试产线良率与晶圆参数。数据表明，其背面供电技术的最新试产表现超出了市场此前预期。（据供应链信息）

本次技术迭代将全面应用于明年的下一代消费电子旗舰芯片与大模型算力加速卡。由于引入了全新的GAA（纳米片）晶体管架构，上游设备与特定化学材料的供应链采购标准出现结构性拉高。

【投黑马点评】
2纳米工艺的试产推进，是全球算力基础设施从「架构优化」重新回到「物理极限突破」的拐点。对于一级市场的左侧投资者而言，通用芯片的设计投资红利正在边际递减，而围绕N2制程配套的先进半导体材料（如新型光刻胶、特殊气体）以及先进封装（CoWoS）上游核心部件，正打开新一轮高确定的投资窗口。

阶跃星辰传出新一轮早期算力扩容融资

6月29日，国内大模型初创企业阶跃星辰被曝正与数家产业战略投资方密集接洽，计划募集一笔专项用于万卡级算力集群扩容的早期资金。（据公开市场信息）

此轮融资将重点引入拥有地方算力节点资源的战略股东。在当前异构算力调度受到行业高度重视的背景下，此举旨在进一步保障其千亿级参数多模态大模型的持续训练与迭代。

【投黑马点评】
大模型企业的竞争早已演变为资源组织能力的博弈。阶跃星辰此举表明，早期大模型标的正在通过引入「算力地产商」来对冲长期的算力短缺风险。左侧资金在评估大模型底层标的时，应将「算力获取成本的结构性优势」作为核心判据，而非单一的模型评测分数。

科技商业

阿里自研AI干线物流重卡悄然上路测试

6月29日，由阿里巴巴物流及达摩院核心技术团队联合打造的自研智卡重卡，在华东某高等级思路上完成了首次无干预干线物流编队测试。车辆完全由其内置的具身智能大模型进行路径规划与实时避障。（据企业官方公告）

该重卡系统深度集成了高精度激光雷达与多模态视觉感知网络。测试的成功意味着基于大模型底座的自动驾驶技术正式进入国内核心货运大动脉的实测阶段。

【投黑马点评】
干线物流是自动驾驶最快闭环的万亿级商业场景。阿里此举证明，大模型能力正在向下侵入到实体工业的末梢——具身智能物流。物流巨头和电商巨头开始亲自下场重构运力。早期标的中，专注于干线重卡线控底盘改造以及商用车大模型微调的初创团队，将迎来这一波产业资本的密集扫货。

IBM正式向商业客户交付全新一代量子处理器

6月29日，IBM在欧洲量子算力中心宣布，已正式向其首批商业企业客户交付了基于全新架构的商业化量子计算处理器系统。该系统可直接在云端与现有的传统超级计算机集群进行异构协同。（据行业研究机构）

新系统在量子比特的纠错能力上实现了数量级提升，各大金融机构及跨国制药企业已率先接入，用于模拟复杂的分子结构与衍生品定价。

【投黑马点评】
量子计算正在经历从「实验室玩具」向「特定场景商业工具」的惊险一跃。尽管距离通用量子计算（FTQC）还很遥远，但这种「传统超算+量子加速」的混合模式，将直接颠覆新药研发（AI制药）和材料科学的研发周期。早期投资者应当把目光从单纯的算力卡，分出一角投向超前布局量子算法与混合编译器的初创黑马。

欧盟针对部分智能汽车联网标准展开安全审查

近日，欧盟针对部分进口智能汽车的跨境数据传输与车联网（V2X）安全标准正式启动了专项合规审查。审查重点聚焦在自动驾驶感知数据是否会在本地进行完全脱敏处理。（据监管机构公告）

此举预计将拉长部分车企在欧洲市场的软件版本更新周期，并迫使相关企业加速在欧洲本土建立独立的数据合规存储中心。

【投黑马点评】
智能汽车的跨国博弈正从单纯的关税战，升级为更隐蔽的「数据安全与合规壁垒」。合规不仅是挑战，也是左侧机会。汽车供应链中的「数据脱敏中间件」、「跨境隐私计算框架」等出海合规软件服务商，正迎来确定性的刚需爆发期。

早期项目融资快报

具身智能双足机器人初创企业「速腾星体」完成数亿元天使轮融资

6月29日，专注于工业级具身智能双足机器人研发的初创企业「速腾星体（StellarMotion）」宣布完成总额数亿元的天使轮融资。本轮融资由国内顶级硬科技早期基金领投，资金将主要用于首款双足机器人在新能源汽车总装线的落地测试。（据行业研究机构）

「速腾星体」核心团队来自全球顶尖机器人实验室。公司主打高动态平衡控制算法与自研的高功率密度一体化关节，可在复杂工业环境下实现高精度的手眼协同作业。

【投黑马点评】
双足机器人在天使轮就能斩获数亿元，足见一级市场对具身智能的焦虑与狂热。相较于单纯在实验室刷视频的团队，「速腾星体」一落地就锁死「新能源汽车总装线」这一具体产线瓶颈，商业导向极强。早期投资者应重点关注那些具备「自研核心零部件（如高精度减速器、驱动器）」且拥有真实工业客户场景切入能力的早期团队，单纯买备件组装的壳公司正在被加速淘汰。

今日左侧信号

信号：半导体供应链与具身智能在重工业、物流干线的物理落地成为资本避风港。

追踪方向：大模型泡沫正在向实体产业沉降。建议早期投资者停止在纯软件层面的内卷，重点深挖先进半导体封装材料、智能卡车线控底盘升级以及工业级具身智能细分关节标的。追踪方向 -> 前沿科技。

── 投黑马研究团队

2026年6月22日，一家成立才18个月、产品还没出货的AI网络芯片公司Upscale AI，宣布完成1.9亿美元A-1轮融资。把它单独拎出来，有四个细节不太寻常。

第一，这家公司的全部使命，就是拆掉NVIDIA最坚固的一道墙——而NVIDIA这次亲自掏钱进来了。 Upscale做的是AI数据中心的「scale-up」网络互联，对标的正是NVIDIA的NVLink与NVSwitch。后者是把成千上万颗GPU绑定在NVIDIA生态里的关键锁扣。一家立志用开放标准替代这道锁扣的公司，迎来了被替代者本人的投资。

第二，节奏。 18个月，三轮融资，累计5亿美元，投后估值冲到20亿美元——在一颗自研交换芯片尚未量产、首款产品要到2026下半年才落地的阶段。这个估值曲线，已经不像传统A轮，更像市场在用「卡位费」给一个尚未验证的赌注定价。

第三，投资人名单的杂。 领投方是管理着约150亿美元的Premji Invest；新进的有NVIDIA、Salesforce Ventures、淡马锡、Seligman Ventures；老股东里有Mayfield、Tiger Global、StepStone、Maverick Silicon、Prosperity7；更早的种子轮里，还坐着Qualcomm Ventures、Intel Capital、Celesta、Xora，甚至斯坦福大学。产业资本、主权基金、财务巨头、对手公司，挤在同一张桌子上。

第四，它是「分拆」出来的。 Upscale并非凭空而起，而是从一家比特币矿机硬件公司Auradine（现已更名Velaura AI）的内部孵化、再剥离独立出来。把挖矿攒下的ASIC设计与散热功耗经验，平移到了AI互联这条全新赛道。

这就引出了本期要回答的核心问题：当聪明钱都在抢算力、抢大模型时，为什么这一拨资本，选择押注「连接算力的那根线」？而被颠覆的对象NVIDIA，为什么要给颠覆者递钱？

二、为什么是这个方向——网络层的反叙事

过去三年，一级市场的AI叙事高度集中在两端：要么是模型层（基础模型、应用、Agent），要么是算力层（GPU、自研推理芯片、数据中心）。网络互联层，长期是被叙事忽略的中间地带。 Upscale的第一个反叙事判断就在这里：真正的瓶颈，正在从「单颗芯片多快」迁移到「成千上万颗芯片之间能不能高效对话」。

联合创始人、CEO Barun Kar把这件事说得很白：现在的网络，不再是CPU到CPU、CPU到存储，而是GPU到GPU，要求极高带宽、极低且可预测的延迟，本质上是一张「内存语义」的负载-存储网络。一句话——当模型训练把几万颗加速器绑成一台「超级计算机」，决定整机效率的，往往不是单颗芯片的峰值算力，而是芯片间同步的那一刻有没有人掉队。

第二层反叙事更尖锐：方向对了，路线却偏要跟主流反着走。 市场的默认路线是NVLink、NVSwitch、InfiniBand这一整套NVIDIA私有方案，性能强、但把客户锁进单一生态——你想用它的互联，机柜里最好全是它的卡。Upscale押的是另一条路：完全基于开放标准的「fabric」。它的技术栈搭在一组业界开放协议上——UALink（由AMD、Broadcom牵头、80多家公司支持的加速器互联标准）、Ultra Ethernet、面向scale-up的ESUN，以及开放网络操作系统SONiC与硬件抽象层SAI。目标是让不同厂商的加速器，能像插标准插座一样接入同一张网，「用同一种语言对话」。

为什么现在是时机？因为窗口正好打开。开放标准刚刚成形、还没有出现统治级的商用实现；而下游的超大规模厂商，对「避免被单一供应商锁定」的诉求达到了历史峰值。据行业测算，仅AI数据中心交换设备市场，到2030年年规模就将突破1000亿美元；五大科技公司2026年的基础设施开支预计在6600亿到6900亿美元区间，几乎是上一年的两倍。在如此体量的基建狂奔里，哪怕只啃下「开放替代」这一小块，也足够撑起一家新巨头。Upscale的赌注，是想成为「这一代AI网络的思科」。

三、投资人结构解读——五类钱，五种意图

这张投资人名单之所以值得逐一拆解，是因为它把「同一笔融资里不同资本的不同算盘」摆得格外清楚。

领投：Premji Invest——跟着人下注。 这家脱胎于Wipro创始人家族的约150亿美元基金，并非第一次押Khemani。它曾在联合创始人、执行董事长Rajiv Khemani的上一家公司Innovium后期入局，最终见证Innovium在2021年被Marvell以约11亿美元收购。管理合伙人Sandesh Patnam的逻辑很直接：过去几年算力层本身都是为生成式AI重写的，那么网络、存储、缓存——基础设施的每一层，都同样没有为这种负载设计过。这是典型的「赛道逻辑+创始人复用」双重确认：既看好瓶颈迁移的大方向，又赌一个已经赢过一次的人。

最耐人寻味：NVIDIA——被颠覆者的对冲。 一家要替代NVLink的公司，拿了NVIDIA的钱，这看似矛盾，实则是产业资本最冷静的一手。Upscale本就已是NVIDIA合作伙伴网络的一员；Khemani对此的回应是「未来是异构AI系统的世界，不是NVIDIA或我们二选一，而是各种方案共存」。对NVIDIA而言，这笔投资更像一张期权：如果开放路线真的成势，它在桌上有人；如果不成，损失有限。对赛道而言，这是一个强烈信号——连最大的既得利益者，都不敢把「开放标准会失败」当成确定性。

产业战略资本：Intel Capital、Qualcomm Ventures——拆墙的受益者。 这两家芯片巨头在更早的种子轮入局，意图清晰：开放fabric一旦成立，受益最大的正是NVIDIA之外的加速器阵营。它们投的不只是Upscale，而是「异构能跑通」这件事本身。

财务与主权资本：淡马锡、Salesforce Ventures、Tiger Global、StepStone、Maverick Silicon、Prosperity7——为「资产负债表」背书。 这一层的意义，除了成长资本，还有一个容易被忽视的作用：自研芯片在最先进制程上流片，未投产就要烧掉数亿美元；晶圆厂还要求公司提前最多两年锁定并付费预订产能。Khemani自己点破——供应商要看你的资产负债表有多强，才肯把产能留给你。换句话说，这一轮的厚度本身，就是拿给供应链看的「履约能力证明」。

孵化母体：Auradine（现Velaura AI）——分拆结构的隐形股东。 Upscale的技术与团队，部分平移自这家矿机硬件公司的ASIC与散热功耗积累。这种「老硬件团队孵化新AI基础设施公司」的结构，本身就是一种值得追踪的资本模式。

四、护城河拆解——开放标准是把双刃剑

Upscale最容易被讲成护城河的三件事：顶配的创始团队、卡位开放标准的先发身位、以及全栈自研（自己做芯片、系统、软件）。但要区分「看起来是护城河」和「真正的护城河」。

先说团队，这是最实的一块。Khemani是连续创业者，Innovium是十年里唯一在Broadcom垄断的网络芯片市场里真正撕开份额的初创公司；他还掌过Intel的网络处理业务、当过Cavium的COO。Kar则是Palo Alto Networks的创始团队成员，管过Juniper整条以太网产品线。这种「既懂芯片、又懂系统、还打过大厂硬仗」的组合，是早期最稀缺的资产，也是这轮高估值的真正锚点。

但开放标准这件事，恰恰是护城河里最脆的一环。 逻辑很简单：开放标准按定义就是非排他的——UALink、Ultra Ethernet谁都能照着做。Upscale押注开放，赢得了「政治正确」和生态盟友，却也意味着它无法靠标准本身建立排他壁垒。真正能转化为护城河的，是三样更苦的东西：一是时间窗与客户design-in，谁先拿到超大规模厂商的设计导入，谁就锁定多年订单；二是供应链卡位，提前锁定先进制程产能本身就是壁垒；三是全栈系统集成能力，把硅、系统、软件捏成一个能跑的整机，比单点做交换芯片难得多。

天花板与潜在失效场景也要说清楚。其一，对手不弱：直接竞品Nexthop AI在2026年3月已完成5亿美元B轮、估值42亿美元，进度可能更靠前；身后还有Broadcom和NVIDIA近乎无上限的研发预算。其二，开放标准能否在真实大规模训练里追平NVLink的性能，仍未被证明——「标准好」不等于「实现好」。其三，最根本的替代风险来自客户本身：若超大规模厂商选择自研互联（部分巨头已有自有方案），开放第三方的空间会被两头挤压。开放路线的尽头，也可能是被商品化。

五、被市场低估的周边机会

需要先说清楚：Upscale本轮的直接投资窗口已基本关闭——20亿美元估值、明星投资人锁满，一级市场很难再以「左侧」价格进入。真正的左侧机会，在它「照亮」的周边。

机会一：开放互联的物理配套层。 scale-up fabric要跑起来，离不开retimer、光互联、共封装光学（CPO）、高速线缆这些「毛细血管」。开放标准越成势，配套层的标准化需求越刚性，而这一层目前仍高度分散、缺少卡位者。追踪信号： 首批UALink商用交换机出货时点、光模块/连接器厂商通过UALink兼容认证的名单。

机会二：非NVIDIA阵营的加速器厂商。 开放fabric的最大受益者，是想绕开生态锁定的加速器供应商——包括AMD及一批专注推理的ASIC新创。它们需要一张「中立的网」来让自己的芯片具备集群竞争力，这反过来会催生对开放互联的真实订单。追踪信号： neocloud（新型云厂商）采用非NVIDIA加速器集群的规模化订单、异构集群的公开部署案例。

机会三：开放网络的软件与可观测层。 SONiC等开放NOS、scale-up的测试验证工具、异构集群的调度与可观测软件，是比硬件更轻、更早期、也更容易被忽视的一层。硬件巨头扎堆造芯片时，软件工具链往往留着空白。追踪信号： 围绕SONiC/UEC生态的开发者工具创业项目数量、超大规模厂商对第三方网络可观测方案的采购。

此外，「矿机硬件团队孵化AI基础设施公司」这一分拆模式本身，也值得当作一条线索追踪——Auradine之外，是否会有更多拥有ASIC与功耗散热经验的硬件团队，沿同样路径切入AI基建。

六、【黑马判断】+ 布局建议 + 风险披露 + 结语

分层布局建议

对一级市场投资者： Upscale本轮已无左侧入口，重心应转向它照亮的周边——开放互联的物理配套（光互联/CPO/retimer）、开放NOS与可观测软件、异构集群测试工具。选股标准建议三条同时满足：团队具备大厂networking或silicon背景、明确卡位某一项开放标准、且已有可验证的客户导入信号。对单纯「蹭开放标准概念」、无客户、无供应链能力的项目保持警惕。

对二级市场投资者： 间接路径更稳健。开放scale-up一旦成势，受益面会外溢到以太网交换、互联IP、光模块等已上市环节；可观察这些公司在UALink/Ultra Ethernet生态中的产品节奏。注意事项：开放标准进展与NVIDIA互联份额之间存在此消彼长，但二者节奏都高度依赖产品落地与真实性能验证，不宜用单一事件外推。

对创业者： 市场空白集中在「硬件巨头顾不上的软层」——开放fabric的调度、可观测、故障定位软件，scale-up的测试与一致性验证工具，以及异构集群的运维。这些方向资本投入轻、卡位早、且与大厂形成互补而非正面对撞。

风险披露

其一，商业化周期长。 首款基于UALink的交换芯片要到2026下半年至年底才落地，自研ASIC在先进制程上流片，未出货即需投入数亿美元并提前锁定产能，现金消耗节奏快。

其二，竞争加剧。 直接竞品Nexthop AI已完成5亿美元B轮、估值42亿美元；Broadcom与NVIDIA拥有近乎无上限的研发资源，开放阵营需要在性能上正面证明自己。

其三，技术替代风险。 开放标准能否在真实大规模训练中追平NVLink，尚未被验证；而NVLink仍在持续迭代，护城河是动态的。

其四，治理与利益结构风险。 Upscale由Auradine（现Velaura AI）孵化分拆，存在母体关联；同时NVIDIA既是被对标对象、又是股东，这一特殊结构意味着战略投资人的意图，未必始终与公司的开放路线完全一致，需持续观察其治理边界。

结语

回到开篇那个反常的画面：一家立志拆掉NVIDIA互联护城河的公司，拿了NVIDIA的钱。这恰恰说明，AI基础设施的竞争重心，正在从「谁的芯片更快」悄悄滑向「谁能把芯片连得更好、连得更开放」。Upscale未必能笑到最后——它的产品还没出货，对手个个财大气粗。但这笔融资真正昭示的，是一条左侧投资的底层哲学：当所有人都盯着舞台中央的算力，聪明钱已经在买那根连接算力、却始终不被注视的线。瓶颈会迁移，叙事会换位，提前一步看清「下一个卡点在哪」，才是左侧的全部意义。

── 投黑马研究团队

这不是孤例。把时间轴往回拉四个月：2 月，李飞飞的 World Labs 拿到 10 亿美元；3 月，Yann LeCun 离开 Meta 后创办的 AMI Labs 拿到 10.3 亿美元种子轮；同月 Runway 融资 3.15 亿美元。一个半年前还只活在论文里的词——「世界模型」（world model）——正在变成一条有头部玩家、有巨头站队、有真金白银定价的赛道。

Odyssey 的 CEO Oliver Cameron 把这一轮的目标说得很直白：要让世界模型迎来自己的「GPT-3 时刻」。对左侧投资者来说，真正的问题不是这句话够不够性感，而是：这条线现在处在哪个阶段，又有哪些可观测的变量，能让你在共识形成之前就看清它的真实斜率。

一、信号描述

Odyssey 是一家专做「世界模型」的实验室，创始团队来自自动驾驶——也就是把 AI 用在物理世界里最难的那个场景。这次 3.1 亿美元 B 轮，把它的估值推到 14.5 亿美元，并同步宣布与 AWS 达成合作：亚马逊成为其首选云服务商，Odyssey 将采用专为大规模训练设计的 Trainium 芯片。

所谓世界模型，指的是能够理解并模拟物理世界因果关系的多模态系统，区别于以预测下一个词为核心的大语言模型。Odyssey 过去三年陆续放出 Odyssey-2 Max（提升物理仿真精度）、Starchild-1（首个实时多模态世界模型）、Agora-1（共享世界中的多智能体交互）等成果，研究团队来自 DeepMind、特斯拉、Waymo、Meta、苹果与 Wayve。

数量级上看，单笔 3.1 亿美元在今天的 AI 融资里算不上头条；但叠加上半年内同一方向的几笔十亿美元级融资，这条线累计吸纳的资本已经不是「一个团队的故事」，而是「一个品类的形成」。

二、为什么值得左侧投资者认真对待

第一个要回答的问题是：这是概念炒作，还是结构性拐点？我们的判断偏向后者，依据有两点不寻常的细节。

其一，定价方在变。给 Odyssey 站台的不只是财务投资人，而是亚马逊、AMD、谷歌风投这类产业资本，外加 Jeff Dean 这样的技术权威以个人身份入场。当云厂商、芯片厂商和顶级研究者同时下注同一个方向，说明这件事已经从「研究赌注」前移到「基础设施卡位」——巨头担心的不是错过一家公司，而是错过一种新的算力消耗形态。

其二，叙事在收敛。Natural Capital 的合伙人把这笔钱称为其「迄今最大单笔投资」，理由是相信 Odyssey 有可能「定义语言模型之外的 AI」。半年里，李飞飞、LeCun 这两位分处学界两端的人物不约而同押注世界模型，本身就是一个强信号：当对同一条技术路线的判断开始跨阵营趋同，往往意味着它正从边缘议题走向主流共识的前夜。

窗口判断上，我们认为世界模型整体仍处在早期向主流过渡的拐点：头部玩家已经清晰（World Labs、AMI、Odyssey、Runway 各占身位），但商业化路径、评测标准、杀手级应用都还没定型。这恰恰是左侧最有价值的一段——共识已足够支撑融资，但定价尚未充分，认知差还在。

三、传导路径

第一层：直接受益方——世界模型实验室本身。

最直接的受益者是已经卡住身位的几家头部实验室。它们拿到的不只是钱，更是算力承诺与产业绑定（Odyssey 绑定 AWS Trainium 即是一例）。对左侧而言，这一层的机会窗口正在快速收窄——估值已经到十亿美元量级，留给早期入场的空间有限。真正值得盯的是第二梯队：在某个垂直场景（机器人仿真、自动驾驶数据生成、游戏内容）里用世界模型做出差异化、但还没被巨额融资点名的小团队。

第二层：结构性机会——被大厂逼出来的细分空间。

巨头扎堆做「通用世界模型」，反而会把一批更聚焦的需求留给创业公司。世界模型要落地，需要物理仿真的评测基准、合成数据的标注与质检、长时序一致性的工具链。这些「卖铲子」的环节，往往不是大厂愿意亲自做的脏活，却是整条链跑通的必需品。被竞争挤出的细分空间，通常比主赛道更适合左侧布局。

第三层：基础设施受益——无论谁赢都会被消耗的底层资源。

Odyssey 与 AWS 的 Trainium 合作点破了一个事实：世界模型是当前 AI 里对算力吞吐和延迟要求最苛刻的工作负载之一。无论最终哪家实验室胜出，训练与推理所消耗的专用芯片、高带宽存储、推理优化软件都会被持续吃掉。算力与数据这两类底层资源，是这条赛道里确定性最高的一层——它不赌单一团队的成败，只赌品类整体的扩张。

第四层：风险与泡沫——别被「下一个 GPT-3」带节奏。

需要冷静的一面同样明显。「GPT-3 时刻」是一句极具感染力的口号，但世界模型至今没有公认的评测标准，也没有一个真正出圈的杀手级应用；半年内密集的十亿美元级融资，已经把头部估值推到了业绩尚无法验证的高度。当一个品类在产品成熟之前先完成了资本成熟，FOMO 情绪与过度定价就是最大的风险。左侧的纪律在于：相信方向，但对单个标的的入场价保持苛刻。

投黑马 · 信号解读

世界模型正在重演大模型早期的剧本——在产品被验证之前，资本和巨头已经先一步完成了卡位。它的本质，是 AI 从「理解语言」向「理解物理世界」的一次范式外延，确定性在方向，不确定性在节奏与赢家。

当前最值得关注的不是某一家头部实验室的估值，而是它们对算力与数据的争夺方式：谁拿到了更便宜、更专用的训练资源，谁就握住了这条赛道的真实成本曲线。Odyssey 绑定 AWS Trainium，就是这种卡位的一次公开演练。

左侧投资者可追踪三个可观测信号：其一，专用训练芯片（如 Trainium、AMD 系）在世界模型实验室中的采用进展；其二，是否出现公认的世界模型评测基准或榜单——这是品类从「讲故事」转向「比性能」的分水岭；其三，第一个跑出真实付费场景（机器人、自动驾驶数据、游戏）的世界模型应用何时出现。

── 投黑马研究团队

一、开篇——这笔IPO为什么不普通

双重股权这四个字，把一桩史上最大的IPO，变成了一堂关于「谁说了算」的公开课。本周登陆纳斯达克的SpaceX，以约750亿美元的募资规模刷新纪录，定价135美元、估值约1.75万亿美元，首日股价上涨近两成、市值一举突破两万亿美元。但真正值得融资观察拆解的，不是这串估值数字，而是藏在招股文件里的四个不寻常细节。

第一，经济权与控制权的史诗级背离。据SpaceX向监管机构提交的招股文件（S-1/A），创始人持有的股权约为42%，但在IPO完成后掌握约82.4%的投票权。第二，这种背离不是偶然，而是被精心设计的——公司采用双重股权架构，普通投资者买到的A类股每股一票，而创始人及少数内部人持有的B类股每股十票。第三，公司在上市前将注册地迁至得克萨斯州，当地公司法允许一些在原注册地受限的治理条款，等于给这套控制结构又加了一道锁。第四，市场的反应是分裂的：一边是大型养老金与治理基金公开质疑、集体回避，另一边是机构与散户超额三倍认购、个人投资者认购金额据报超过千亿美元。

一个被反复追问的细节是：在这套结构下，要罢免公司最有权力的高管，按数学计算需要他本人投票同意。换句话说，能解雇他的只有他自己。于是核心问题摆上台面：当一家两万亿美元的公司几乎把「问责」清零，机构为什么还抢着买单？而这种极致的创始人控制，对SpaceX的未来究竟是护城河，还是一颗定时器？这正是本期融资观察要回答的。

二、为什么是这个方向——一个逆潮流的选择

要读懂这笔IPO，先要看清它逆的是什么潮流。

过去十年，全球机构投资界的主流声音是「一股一票」。以美国机构投资者委员会为代表的治理力量长期主张：股权与投票权应当对等，多重股权架构因为割裂了二者，被越来越多的指数编制方与养老金列入警惕清单。监管与评级体系对「同股不同权」的新发行也日趋审慎。换句话说，时代的风,是朝着「削弱创始人特权、强化股东问责」吹的。

SpaceX偏偏反向而行,而且把控制权推到了极致——不仅保留十倍投票权的B类股，还通过迁移注册地进一步加固。这是一个典型的反叙事选择，背后的逻辑只有一条：长期主义需要免疫短期压力。从可复用火箭、到铺满天空的卫星互联网，再到如今押注的轨道算力，SpaceX过去二十多年里几乎每一个关键赌注，回报周期都以十年计，过程中还多次濒临破产。支持者的论点很直接：如果让这样一家公司随时暴露在季度财报与激进投资者的压力之下，它根本走不到今天。强控制，在这个叙事里不是缺陷，而是执行力的来源。

投黑马的判断是：这个方向选择本身没有对错，它是一场用「治理让步」交换「战略定力」的交易。真正的问题不在于该不该让创始人集权，而在于——这笔交易的价格，市场算清楚了吗？

三、投资人结构解读——一场用脚投票的分裂

这笔IPO最耐读的地方，是投资人阵营出现了清晰的裂缝。读懂谁在退、谁在进、各自图什么，就读懂了聪明钱对「控制权」的真实定价。

退场的一方：治理派的养老金与专门基金。 据公开披露的机构投资者联名信，多家大型公共养老金的负责人在上市前联名表达反对，核心理由是这套结构让公司「免于对公众股东问责的程度，在美国大型发行人中几乎闻所未闻」。一批以公司治理为投资纪律的基金选择直接回避这单——对它们而言，董事会独立性不足、罢免机制形同虚设，是不可逾越的红线。它们的缺席是一个强信号：这不是一笔「人人都能安心持有」的资产。

入场的一方：资产派的资管巨头、主权基金与散户。 与治理派的冷淡相反，大型资产管理公司、主权财富基金、对冲基金与散户同场抢筹，最终录得约三倍超额认购。它们买的显然不是治理，而是SpaceX资产的稀缺性——一张已经盈利的卫星互联网现金流网络，外加一份押在轨道算力上的高弹性期权。对这部分资金来说，「治理折价」是一个愿意支付的成本，用来换取一个几乎无法在别处复制的高增长敞口。

第三股力量：被动指数资金。 一旦被纳入主流宽基指数，追踪指数的被动基金将在规则驱动下买入。值得注意的是，部分指数体系对「同股不同权」的新成分股设有限制，这意味着这套结构在为创始人锁定控制权的同时，也可能让公司在某些被动资金池的纳入上付出代价——这是双重股权一个常被忽略的隐性成本。

把三股力量放在一起看，结论是清晰的：SpaceX的投资人结构不是「众星捧月」，而是「治理派出清、资产派接盘、被动盘补位」的三方分化。这种分化本身，就是融资观察眼中这笔交易最特殊的地方——它逼着每一个买家先回答一个问题：你买的，到底是公司的未来，还是创始人的判断？

四、护城河拆解——把「创始人强控制」当作护城河来检验

市场习惯把SpaceX的护城河算在火箭复用率和卫星数量上。但本期我们换一个角度：把「创始人强控制」这件事本身，当成一道护城河来拆，看它到底是真壁垒，还是被误读的风险。

看起来是护城河的部分是真实的。 单一决策者意味着极致的执行力与转向速度：可以在没有董事会冗长博弈的情况下，把一家AI公司迅速并入、把战略一夜压向轨道算力。在「从0到1」的阶段，这种不受掣肘的长期主义，确实是SpaceX奇迹的一部分来源。强控制在创新爆发期能转化为速度优势，这一点有大量公司史与学术研究支撑。

但这道护城河有明确的天花板和失效场景。 其一是关键人风险：当一家两万亿美元公司的命运高度绑定于一个无法被罢免的个体，继任真空与判断失误几乎没有缓冲垫，全部信任压在一个人身上。其二是问责缺失会放大叙事自循环的风险——当外部制衡接近于零，纠错只能依赖决策者自我修正。其三，也是最容易被估值忽略的一点：治理折价会随时间显形。研究显示，双重股权公司在高速成长期平均可以跑赢，但估值溢价往往随时间衰减，在上市约七到九年后，不少公司反而相对单层同股公司出现折价，尤其是在缺乏「日落条款」自动收回超级投票权的情况下。迁移注册地进一步降低了公众股东的司法救济空间，则让这种折价的潜在幅度更大。

投黑马的判断是：创始人强控制是一把双刃剑，它在「从0到1」是加速器，在「从1到N」可能逐渐变成估值的一道隐形税。它没有让SpaceX变得不值得投资，但它确实给这份资产标注了一个市场今天未必充分计价的「治理风险溢价」。

五、被市场低估的周边机会

本轮直接的投资窗口已经关闭——公司已经上市，散户即便参与认购也大多只拿到极小配额。但这桩以「双重股权」为标志的超级IPO，照亮了三个值得提前关注的周边机会。

机会一·其他创始人强控制的AI超级独角兽的二级份额。 SpaceX不是孤例，几家头部AI公司同样以各种形式将控制权高度集中于创始团队。同样的结构会催生同样的「控制溢价与治理折价」博弈，而它们尚未上市，pre-IPO二级份额是一个潜在的提前布局窗口。追踪信号：这些公司是否在融资文件中引入「日落条款」、以及其二级市场份额的定价与折溢价变化。

机会二·公司治理与代理投票服务。 多重股权架构的扩散，本身会放大市场对独立治理分析、代理顾问与ESG评级服务的需求——当越来越多巨头削弱股东问责，「替机构看懂治理风险」就成了刚需。追踪信号：治理类基金的资金流向、独立治理研究与代理顾问机构的融资与并购动作。

机会三·Pre-IPO二级流动性平台。 超级独角兽估值高企、散户一票难求，正在把大量需求挤向未上市股权的二级交易平台。SpaceX份额本身在这些平台上的折溢价，就是观察市场情绪的温度计。追踪信号：主流二级股权平台的成交量、活跃买家结构，以及头部独角兽份额的二级定价。

这三个机会的共同点是：它们都不押注SpaceX本身的涨跌，而是押注「超级独角兽+强控制」这一结构性现象在一级与二级市场之间撕开的缝隙。

六、黑马判断与布局建议

分层布局建议：

对一级市场投资者而言，与其追逐已上市的SpaceX，不如扫描同样「创始人强控制」的头部AI独角兽，在其二级份额上寻找提前布局窗口；选股标准是关注是否设有「日落条款」与相对清晰的继任安排，这两点直接决定治理折价的上限。

对二级市场投资者而言，参与SpaceX要清醒地意识到，你买到的是「资产+一份你无法投票影响的判断」，仓位管理上应把它当作高弹性、低治理保护的标的，并持续跟踪其是否被纳入主流指数、以及治理结构是否出现松动。

对创业者而言，这套结构提供的镜鉴是：在融资早期就把控制权与问责机制设计清楚，比上市前临时加固更可信；越来越多机构开始为「治理可读性」付费，清晰的治理本身正在成为一种融资竞争力。

风险披露：

• 治理折价兑现（中等概率，影响二级持有者）： 若估值溢价如历史规律般随时间衰减，公众股东将在缺乏问责工具的情况下被动承受折价。
• 关键人风险（低概率、高杀伤，影响全体股东）： 公司命运高度绑定单一不可罢免的决策者，继任真空或重大判断失误几乎没有制度缓冲。
• 叙事兑现不及预期（中等概率，影响估值中枢）： 两万亿美元市值中包含对轨道算力等未验证故事的大量预期，技术或商业化节点延期将直接冲击定价。
• 被动资金纳入受限（低概率，影响流动性溢价）： 部分指数体系对同股不同权新成分股的限制，可能削弱被动资金的承接力度。

结语： 回到开篇那个问题——当一家两万亿美元的公司几乎清零了问责，机构为何还抢着买？答案是，市场今天选择为「控制溢价」付费，相信强控制能继续兑现奇迹。但融资观察更想提醒的是：历史上，这份溢价往往会被时间一点点换成治理折价。真正聪明的钱，不会简单地为一个人的判断买单或离场，而是去寻找这种结构在市场缝隙里撕开的、被低估的机会。看懂一笔融资的控制权设计，往往比看懂它的估值数字，更能预判它的下一程。

── 投黑马研究团队

免责声明：本文为基于公开信息的研究分析，不构成任何投资建议。市场有风险，决策需谨慎。

轨道数据中心这个词，半年前还像是科幻小说的边角料，如今却已是三家公司真金白银烧着硬件在天上跑的现实战场。就在本周，一家刚以史上最大规模IPO登陆纳斯达克、上市首日市值即突破两万亿美元的商业航天巨头，向监管机构申报了一百万颗算力卫星的部署计划——这个数字本身不重要，重要的是它把一个被忽略的判断摆到了台面上：地球，可能正在变成AI算力的瓶颈，而不是它的家。

一、为什么现在是关键窗口

先说一个反常识的事实：当下最贵的那批AI数据中心，争的早已不是芯片，而是电、是地、是水、是散热。一座百兆瓦级的训练集群，落地选址第一个问题不是「算力多强」，而是「附近电网够不够」。当算力需求开始以年翻倍的速度撞上地面电网的物理天花板时，一个原本属于航天工程师的答案，突然被AI基础设施的投资人重新捡了起来——把数据中心搬到轨道上去。

这不是PPT上的概念。据公开报道，轨道数据中心这个赛道，从「概念」走到「竞争」只用了不到一百二十天，目前已有三家公司的算力硬件真实运行在轨道上。YC孵化的创业公司Starcloud在去年十一月把搭载英伟达H100的卫星送上天，并完成了人类首次在太空训练AI模型；与此同时，SpaceX与xAI合并而成、市值首日破两万亿美元的实体申报了百万量级的算力卫星，谷歌的「Project Suncatcher」也披露了自己的轨道算力计划，准备在2027年做首次在轨测试。

对投黑马的读者来说，真正该问的问题从来不是「火箭能飞多高」，而是「当一整个产业的物理边界开始外移时，左侧的钱应该提前埋在哪一层」。本期黑马雷达不谈某一枚火箭的估值——那是二级市场的功课；我们要拆的是这条刚刚点火的赛道：它的真实逻辑是什么，谁手里握着护城河、谁脚下踩着隐患，以及那些还没被资本拥挤起来的早期机会，究竟藏在哪里。

二、核心变量：为什么AI算力会被推上天

要理解这个战场，得先理解一件事——把数据中心送上天，听起来荒诞，算的却是一笔越来越清醒的经济账。

地面数据中心今天面对的是四重硬约束。其一是电力：AI训练是电老虎，而电网扩容以年为单位、以行政审批为节奏，远跟不上算力以月为单位的扩张。其二是土地与水：超大规模集群需要连片土地和海量冷却水，越来越多地方政府已开始对其设限。其三是散热：电力的尽头是热，地面数据中心近四成的能耗实际上花在「把热搬走」上。其四是碳与舆论：能耗越大，绿电压力与社会争议越大。

把同一座数据中心放到近地轨道上，这四重约束的解法几乎被颠倒了过来。在特定的「晨昏轨道」上，卫星可以接近全天候被太阳直射——电力不仅免费，而且密度更高、不分昼夜。真空环境意味着不需要风冷或水冷，热量可以通过辐射板直接散向绝对零度的宇宙背景，这恰恰是地面最头疼、太空最擅长的事。没有土地、没有水、没有邻避抗议。换句话说，地面数据中心是「带着算力到处找电」，轨道数据中心则是「把算力搬到电免费、散热免费的地方」。

这就是这条赛道的核心变量：当发射成本被可复用火箭压到某个临界点之下，「上天」的总拥有成本就会开始低于「在地面找电扩容」。一旦这条曲线交叉，资本会用脚投票。本期要定义的战场，正是这个尚未被主流认知充分定价的物理边疆——轨道AI基础设施。它不是航天的延伸，而是AI数据中心产业在地球之外的续命方案。投黑马的判断是：这条赛道的临界点，比多数人以为的更近。

三、竞争格局：谁在赢，谁踩着隐患

这个战场目前清晰地分成三个阵营，各有各的护城河，也各有各的命门。

第一阵营·垂直整合的发射方。 以SpaceX与xAI合并、上市首日市值逾两万亿美元的实体为代表，它的护城河无人能及：自己造火箭、自己造卫星、自己有算力需求，发射、平台、负载三位一体。当别人还在为「谁帮我发上天」谈判时，它已经能把边际发射成本压到内部成本价。隐患同样明显：它的轨道算力故事高度依赖一个尚未验证的宏大叙事，且公司治理高度集中于单一决策者，重大方向几乎无外部制衡——这是把信任押注在一个人判断上的隐含成本。投黑马只陈述事实：发射端的绝对优势，与执行端的叙事风险，在它身上同时存在。

第二阵营·携生态入场的科技巨头。 谷歌的「Project Suncatcher」走的是另一条路——太阳能卫星搭载自研AI芯片、彼此用激光链路连成在轨集群，已就发射服务与SpaceX接触，并与对地观测卫星公司Planet合作验证。英伟达则推出了面向轨道数据中心的太空级算力模组「Space-1 Vera Rubin」，等于在为整条赛道铺芯片底座。这一阵营的护城河是芯片、资本与生态完整度；隐患是慢——谷歌的首次在轨测试要到2027年，比那些已经把硬件送上天的创业公司晚了一年半。在一个「先在轨者先拿到验证数据」的赛道里，慢，本身就是风险。

第三阵营·已在轨的创业公司。 这是黑马雷达最关注的一层。Starcloud（位于美国华盛顿州雷德蒙德）成立仅约两年，去年十一月发射的首颗卫星Starcloud-1已搭载商用H100完成在轨AI训练，被英伟达列为生态伙伴，最新一轮约1.7亿美元由Benchmark领投、运营着七十多座地面数据中心的基础设施基金EQT跟投，估值站上约11亿美元，是YC史上最快跻身独角兽的公司之一，并已申报近八万八千颗卫星的部署。它的护城河是「最早把真实算力跑在轨道上」的验证身位与资本卡位；隐患则是从「一颗H100」到「近九万颗卫星」之间，隔着散热规模化、批量发射成本、在轨运维这些尚未跑通的硬骨头。

同一阵营里还有两个值得点名的玩家。洛杉矶的Orbital由a16z旗下加速器Speedrun孵化，刻意避开最烧钱的「训练」战场，专攻「推理」——因为训练需要数千颗GPU近零延迟密集互联，而推理请求可以被拆开分散处理，对在轨架构更友好，这是一个被低估的务实选择，其首次测试任务计划于2027年4月。另一家Cowboy Space（由Aetherflux更名而来）则把激进推到极致：让火箭上面级本身留在轨道上、直接充当一座兆瓦级的太空数据中心，把「运载工具」和「数据中心」合二为一，单笔募资就达约2.75亿美元，目标在2027年点亮其名为Stampede的在轨算力节点。

此外，赛道里还有一支由之江实验室与商业航天公司国星宇航（ADA Space）联合推进的「三体计算星座」，已在去年五月规模化把首批12颗计算卫星送入轨道，单星算力达约744 TOPS、总体规划约2800颗、千级POPS的星座算力，并已在轨验证星间激光链路与AI模型运行。从纯赛道角度看，它证明了「在轨算力网络」不只是创业公司的实验，而是已被工程级资源验证过可行性的方向——这对一级市场判断赛道成熟度，是一个不可忽略的客观信号。

四、被市场低估的早期机会

巨头的发射价签和创业公司的估值，都已经被资本照得通亮。但黑马雷达真正的价值，是去那些光还没打过去的角落。下面四个机会，每一个都过了三层过滤——需求真实、当前方案稀缺、认知差显著。

机会一·太空热管理系统。 这是整条赛道最硬的物理瓶颈，也是最没被讲故事的环节。算力上天解决了供电，却把散热从「水冷工程」变成了「真空辐射工程」——所有热量只能靠辐射板散向宇宙，散热面积、材料与展开结构直接决定一颗算力卫星能塞进多少GPU。谁能把单位散热面积的功率密度做上去，谁就握住了轨道算力的「天花板螺栓」。当前能做空间级大功率热控的供应商屈指可数。追踪信号：地面液冷/相变散热厂商是否成立航天事业部、或与轨道算力公司签订联合开发协议。

机会二·在轨光通信与激光星间链路。 算力在天上，需求在地上，这中间的数据怎么回传、卫星之间怎么组成算力集群，全靠激光通信。训练任务尤其要求多星近零延迟互联，这等于要在太空里搭一张光纤骨干网。这一层的需求是刚性的——没有它，单颗算力卫星就是信息孤岛。当前具备空间激光通信批量交付能力的玩家极少，认知差显著。追踪信号：星间激光终端的在轨组网演示、单链路速率突破、以及轨道算力公司是否自研还是外采。

机会三·辐射加固与抗辐射芯片封装。 商用H100上天能跑，不代表能长期稳定跑。轨道辐射会让消费级/数据中心级芯片出现位翻转、加速老化，要把地面芯片「太空化」，需要在封装、屏蔽与容错架构上做文章。这是一个介于半导体与航天之间的窄门赛道，懂芯片的不懂太空、懂太空的不懂AI芯片，交叉地带的早期公司极稀缺。追踪信号：商用GPU的空间级加固方案流片、在轨长周期可靠性数据公开。

机会四·地面—轨道算力调度中间件。 这是最像「软件」的一个机会，也最容易被硬件叙事淹没。当算力分布在天上成百上千颗卫星、而需求来自地面千行百业时，「哪个任务该发给哪颗星、何时调度、如何计费」就成了一个全新的编排问题。这与投黑马在第007期反复强调的「中间件吃肉」逻辑一脉相承——基础设施越复杂，调度层的价值越高。当前这一层近乎空白，没有事实标准。追踪信号：轨道算力公司是否开放API、是否出现第三方在轨推理调度平台、地面云厂商是否接入轨道算力。

五、关键变量追踪

这条赛道的真伪与节奏，可以靠三个变量来判读。每个变量都有具名、可观测的信号。

变量一·发射成本曲线。 这是整条赛道的「总开关」。轨道数据中心的经济性，本质上是发射成本除以卫星寿命。信号有二：一是新一代重型可复用火箭的入轨成功率与复用次数能否稳定爬升，二是每公斤入轨成本是否持续向「百美元级」逼近。这条曲线一旦击穿临界点，「上天比扩容便宜」就从口号变成财务模型。

变量二·在轨验证里程碑。 赛道目前最缺的是「规模化可靠运行」的证据。信号有三：Starcloud能否公开更大规模的在轨训练/能耗数据、Orbital在2027年4月的推理首飞成败、以及谷歌Project Suncatcher与Cowboy Space在2027年的在轨测试结果。这三个节点会在未来十八个月内密集落地，是判断「故事兑现速度」的硬指标。

变量三·资本与产业转向信号。 钱往哪流，赛道就往哪熟。信号有二：一是顶级风投与基础设施基金是否对在轨算力公司持续加注（尤其是运营地面数据中心的资本开始「向天上对冲」，本身就是强信号），二是各国主权基金与产业政策是否把轨道算力列为战略基建。

三变量的联动逻辑： 发射成本下行（变量一）会触发更密集的在轨验证（变量二），验证一旦跑通，资本与政策会加速涌入（变量三），而充裕的资本又会反哺更高频的发射、进一步摊薄成本——这是一条典型的「成本—验证—资本」飞轮。飞轮一旦转起来，赛道的窗口期会比想象中关闭得更快。

投黑马·独家评级

赛道热度：🔥🔥🔥🔥🔥　　硬件已在轨、巨头与创投同时入场，半年从概念到竞争
左侧机会：⭐⭐⭐⭐　　　　运营层估值已抬升，但卖铲子的基础设施层仍是洼地
布局紧迫度：⚡⚡⚡⚡　　成本—验证—资本飞轮已启动，窗口期以季度计

推荐关注层次：
太空热管理/激光通信（卖铲子） ＞ 在轨算力运营商 ＞ 轨道调度中间件（非共识）

七、分层布局建议与风险披露

第一层·基础设施，低风险长周期。 押注「无论谁赢都要用」的卖铲子环节：太空热管理、激光星间通信、辐射加固封装。逻辑是这一层不赌某家运营商胜出，只赌赛道本身成立；选股标准是「在轨已有交付或联合开发协议、且地面业务能造血」的硬科技公司；时间窗口是未来12–24个月,趁运营层光环尚未传导到供应链估值时提前埋伏。

第二层·在轨算力运营商，中风险中周期。 即那批已经或即将把算力送上天的创业公司。逻辑是它们卡住了「最早在轨」的验证身位；选股标准是「已有真实在轨数据 + 头部资本背书 + 清晰的训练或推理路线选择」，警惕只有申报数字没有飞行记录的公司；时间窗口锚定2027年的几次关键首飞，飞行成败将直接重定价整层估值。

第三层·平台与非共识，高风险短周期。 包括「火箭即数据中心」的激进垂直整合者，以及尚未成形的轨道算力调度平台。逻辑是赌一个尚未被验证的架构范式；选股标准是「技术路线足够差异化、且团队具备跨航天与AI的稀缺复合能力」；时间窗口最短、波动最大，只适合作为组合里的高赔率小仓位。

风险披露：

• 散热与规模化物理失效（中高概率，主要冲击第二、三层）： 从「一颗H100在轨」到「数万颗卫星组成算力集群」，散热面积与功率密度可能存在尚未跨越的工程天花板，导致单星算力远低于宣传，运营商估值面临重估。
• 发射成本未达临界（中概率，冲击全部三层）： 若新一代重型火箭的复用与降本节奏不及预期，「上天比扩容便宜」的财务前提就不成立，整条赛道的时间表会整体后移。
• 地面侧技术突破釜底抽薪（低概率、高杀伤，主要冲击运营层）： 若地面在小型核能供电、先进液冷或能效上出现跃迁，「电力与散热」这两个把算力逼上天的核心痛点被地面化解，轨道方案的经济性优势将被显著削弱。
• 轨道资源与监管约束（中概率，冲击第二、三层）： 频谱、轨道位置与日益拥挤的近地空间，可能带来审批与协调成本的上升，万颗级星座的部署节奏存在不确定性。

结语： 回到开篇那个问题——当一百万颗算力卫星的申报摆上台面，多数人看到的是一枚火箭飞得多高，而左侧研究者要看的，是一整个产业的物理边界正在外移。轨道数据中心是否会成为AI算力的最终归宿，今天没有人能下定论；但「算力开始逃离地球」这件事本身，已经为提前布局的人画出了清晰的几层。投黑马的态度一如既往：不追尾焰的掌声，只在别人仰望火箭时，低头记下那些卖铲子、搭骨干、写调度的人——他们的名字，往往才是赛道兑现时真正升空的那一批。

投黑马·信号解读

轨道数据中心赛道在不到半年里完成了从概念到竞争的跃迁，三家公司硬件已在轨、巨头与顶级创投同场入局。投黑马的核心判断是：这不是航天故事的续集，而是AI基础设施在地面电力、土地与散热约束下，向地球之外寻找的续命方案——它的驱动力来自AI算力需求，而非火箭本身。

真正的左侧机会，并不在已被资本照亮的在轨运营层，而在尚处洼地的「卖铲子」环节：太空热管理、激光星间通信、辐射加固封装，以及几乎空白的地面—轨道算力调度中间件。基础设施越复杂，越靠后的环节越值钱，这是投黑马反复验证过的左侧规律。

接下来十八个月，三个信号值得持续盯紧：每公斤入轨成本是否击穿临界点、2027年几次关键在轨测试的成败、以及运营地面数据中心的资本是否开始「向天上对冲」。这三者一旦共振，「成本—验证—资本」飞轮就会加速，而赛道的左侧窗口，也会随之以季度为单位悄悄关闭。

── 投黑马研究团队

AI & 一级市场

英伟达发布RTX Spark超级芯片，ARM架构正式杀入PC战场

5月31日，英伟达CEO黄仁勋在台北Computex大会上发布RTX Spark超级芯片，宣布正式进军个人电脑市场。

这颗芯片采用双芯粒设计，集成20核ARM CPU（10颗Cortex-X925性能核+10颗A725能效核）与Blackwell架构GPU（6144个CUDA核心），支持最高128GB LPDDR5X统一内存，带宽达300GB/s。芯片由台积电3nm工艺制造，联发科负责CPU与I/O芯粒设计。

微软、戴尔、惠普、华硕、联想、MSI等厂商将于今年秋季首批推出超过30款笔记本和10款台式机。黄仁勋称这将开启「PC的新时代」——让Windows电脑具备本地运行AI智能体的能力。（据企业官方公告）

【投黑马点评】
英伟达从数据中心向消费端的这一步，本质是把AI推理能力从云端拉回终端。128GB统一内存意味着本地可以跑百亿参数模型——这直接威胁到云端推理的商业模式。对一级市场而言，端侧AI芯片、本地模型优化、隐私计算这三条创业赛道的窗口正在同时打开。高通和苹果的护城河，从今天起要重新评估了。

软银豪掷750亿欧元，在法国建欧洲最大AI算力集群

5月31日，软银集团宣布将在未来数年投资最高750亿欧元（约合人民币5900亿元），在法国北部建设总容量达5吉瓦的AI数据中心群。

首期项目投资450亿欧元，计划2031年前在上法兰西大区三个地点（敦刻尔克、博斯凯勒、布尚）建成3.1吉瓦算力容量。软银还将与施耐德电气合作建设AI基础设施与机器人制造中心。作为OpenAI的重要投资方，这是软银在欧洲规模最大的一笔AI基础设施投入。（据多家媒体报道）

【投黑马点评】
孙正义押注的逻辑很清晰：全球AI算力需求远超当前供给，谁先把电力变成Token谁就掌握下一个十年的基础设施税。750亿欧元砸下去，法国北部将变成欧洲AI的「水电站」。对早期投资者的启示是：围绕超大规模数据中心的配套生态——冷却技术、电力调度、光模块——将在未来18个月迎来密集订单。

宇树科技获英伟达选为人形机器人研究平台首个合作方

6月1日，英伟达宣布选定中国人形机器人公司宇树科技（Unitree），作为其首款面向研究机构销售的机器人系统平台。

这套系统将提供给斯坦福大学、苏黎世联邦理工学院等全球顶尖实验室使用。宇树此前已是日本航空在羽田机场部署人形机器人的供应商，单台成本约1.54万美元。据悉宇树正在筹备IPO。（据多家媒体报道）

【投黑马点评】
英伟达为宇树背书的信号远比一单硬件生意重要——这意味着宇树的硬件将成为全球机器人研究的「标准实验器材」，类似当年Arduino对创客生态的意义。当一家中国公司成为全球机器人研究的默认平台时，围绕它的软件生态、零部件供应链和应用开发机会才是一级市场应该关注的。

SpaceX AI冲刺1.75万亿美元IPO，下周启动路演

SpaceX AI（SpaceX与xAI合并后的新实体）确认将于6月12日在纳斯达克挂牌，股票代码SPCX，计划融资约750亿美元，目标估值1.75万亿美元——将成为人类历史上规模最大的IPO。

路演将于6月4日正式启动，6月11日定价。不过马斯克近日在X平台的发言与招股书内容出现矛盾——他称SpaceX与Anthropic的算力租赁协议仅为180天短约，而招股书中并未披露此细节，引发市场对信息透明度的担忧。（据公开市场信息）

【投黑马点评】
1.75万亿估值的底层假设是：火箭发射+卫星通信+AI大模型+社交平台形成闭环飞轮。但马斯克在社交媒体上随口「补充」招股书信息的做法，恰恰暴露了这家公司治理结构的最大风险。对一级市场而言，真正值得关注的不是SPCX本身，而是这笔IPO如果成功，将为私募市场中的AI+硬科技公司重新定锚估值天花板。

科技商业

GitHub Copilot今日取消固定月费，按Token计量引发开发者反弹

6月1日，GitHub正式将Copilot所有付费计划从固定月费切换为基于Token消耗的「AI Credits」计费模式。

各档月费不变（Pro 10美元、Pro+ 39美元、Business 19美元/人、Enterprise 39美元/人），但对应的不再是「无限使用」而是等值的AI Credits额度（1 Credit = 0.01美元）。代码补全和Next Edit建议仍免费，但智能体编程（Agentic Coding）会大量消耗Credits。社区反馈显示，一次深度Agentic编程会话可消耗30-40美元——Pro用户的月度额度一次用完。官方公告帖收到900多个踩和400多条抗议评论。（据企业官方公告）

【投黑马点评】
微软这步棋的真实意图是筛选用户：用免费补全留住长尾开发者保市占率，用按量付费从重度AI编程用户身上收割利润。但反过来看，这也给开源替代方案（Cursor、Continue、Cody）打开了一个巨大的获客窗口——当老大开始涨价时，正是挑战者融资的最佳时机。

台积电3nm核心负责人达博辞职归国，加盟中科大

5月29日，曾主导台积电日本3nm量产线相关技术的中国科学家达博，正式辞去日本国立材料研究所（NIMS）终身教职，带领整建制团队全职回国，加盟中国科学技术大学担任讲席教授。

达博是甘肃人，中科大本硕博九年，2013年赴日研究，在NIMS仅一年即获终身教职，成为该机构史上最年轻终身学者。他在电子束利用率领域的突破性成果被日本学界评为「具有与准晶发现相当的原创性意义」。辞职前，设备厂商泛林曾提出无偿捐赠支持，仍未能挽留。（据多家媒体报道）

【投黑马点评】
比一个人回来更值得注意的是「整建制团队」回来——这意味着一条完整的技术能力链条在迁移，不只是一颗种子。电子束光刻恰好是EUV之后的下一代候选方案之一。对早期投资者而言，这类顶尖人才归国往往预示着12-18个月后会出现相关方向的天使轮项目。

神舟二十一号航天员平安抵京，在轨210天刷新中国纪录

5月30日，神舟二十一号乘组航天员张陆、武飞、张洪章乘飞机平安抵达北京，进入隔离恢复期。

三人于2025年11月1日进驻中国空间站，在轨驻留210天，刷新中国航天员单乘组在轨最长纪录。任务期间完成3次出舱活动，其中张陆成为目前出舱次数最多的中国航天员。他们搭乘的是神舟二十二号飞船返回舱，5月29日晚在东风着陆场成功着陆。（据企业官方公告）

【投黑马点评】
210天驻留对商业航天的意义在于：验证了中国空间站长期载人运营的可靠性，这是未来开放商业载荷和太空旅游的技术前提。随着空间站进入常态化运营阶段，围绕微重力实验、在轨制造和天地往返运输的商业航天创业公司，正在从「概念期」进入「客户验证期」。

2026智博会天津收官：364项合作落地，具身智能首次独立成馆

5月31日，2026世界智能产业博览会在天津国家会展中心闭幕。为期四天的展会汇聚超过700家企业，达成合作意向364项，发布248项新成果（其中54%为全球或全国首发）。

最大亮点是具身智能首次独立设馆——80多家国内外企业展示近150种机器人设备，搭建「机器人小镇」覆盖生产、商业、娱乐、家庭、养老五大场景。上海创智学院在闭幕日发布开源具身世界模型τ₀-WM，让机器人具备「行动前预演」能力。（据多家媒体报道）

【投黑马点评】
具身智能从「AI分论坛的一个议题」升级为「独立展馆」，这个信号比任何融资新闻都更能说明产业节奏。150种机器人同台竞技的背后是：通用本体硬件已不再是瓶颈，竞争正在向「谁的世界模型更好」转移。τ₀-WM的开源意味着创业公司可以跳过世界模型从零训练的阶段，直接在应用层创新。

AMD Computex多线出击：AM5承诺支持到2029

5月31日，AMD在Computex上宣布多项产品更新，最重要的战略信号是确认AM5平台将支持到2029年，保障用户投资不打水漂。

新品方面，发布Ryzen 7 5800X3D十周年纪念版（6月25日上市，349美元）、AM5平台的Ryzen 7 7700X3D（7月16日，329美元），以及全球发售的Radeon RX 9070 GRE显卡。同时推出EXPO Ultra Low Latency内存标准，游戏帧率平均提升4%。（据企业官方公告）

【投黑马点评】
「AM5支持到2029」这句话看似面向消费者，实则是对整个PC生态链的定心丸——主板厂商敢备料、内存厂商敢适配、OEM敢做长周期规划。在英伟达ARM芯片即将搅局PC市场的当口，AMD选择用平台稳定性来守住x86阵地。这场ARM vs x86的PC大战，2027年才会见分晓。

轻松一刻

谷歌要在东京表参道开店，跑去和苹果做邻居

6月1日，谷歌宣布今年夏天将在东京表参道开设全球首家美国以外的直营零售店——Google Store表参道。

店面位于东急Plaza表参道「Omokado」一楼，距离苹果表参道店步行仅几分钟。店内将展示和销售Pixel手机、Nest智能家居、Fitbit等全线硬件产品，还能作为网购自提点。日本是谷歌设立海外办公室的第一个国家，选址表参道显然是要在苹果的「主场」插旗。（据企业官方公告）

【投黑马点评】
谷歌选在苹果隔壁开店这件事本身就很有喜感——像是优等生转学后非要坐在班长旁边。但认真说，硬件直营店是谷歌从「服务公司」转型「生态公司」的信号，Pixel+Nest+Fitbit需要一个让消费者「摸得到」的场景。

今日左侧信号

信号：端侧AI算力从「够用就好」跃迁到「本地跑大模型」

追踪方向：英伟达RTX Spark的128GB统一内存让PC本地运行百亿参数模型成为现实，叠加GitHub Copilot涨价推动开发者回归本地工具——端侧AI推理芯片、模型压缩/量化技术、隐私优先的本地AI应用三条赛道即将进入密集融资期。建议深挖 → 前沿信号

── 投黑马研究团队

豆包付费订阅的消息，表面看是字节跳动的一次商业化试探，底层逻辑却指向一个更深刻的结构性转折——当中国用户量最大的AI原生应用开始对复杂任务收费，意味着整个AI应用层正在经历从「流量逻辑」到「价值逻辑」的范式迁移。

过去两年，中国AI应用市场的主旋律是「免费换增长」。豆包、Kimi、文心一言、通义千问……大厂用补贴烧出了数以亿计的月活用户。但一个被忽略的事实是：这些用户中，绝大多数只是在用AI聊天、写段子、翻译几句话——这些任务的算力成本极低，大厂补得起。

真正的转折点出现在「复杂任务」被验证的那一刻。当用户开始用AI生成完整的PPT、做数据分析、剪辑视频时，单次推理的算力消耗可以是简单对话的50到100倍。豆包选择在此刻推出三档付费（68/200/500元月费），本质上是在回答一个关键问题：AI应用的价值锚定，到底是「使用时长」还是「任务完成度」？

这个问题的答案，将决定未来两年AI应用赛道的投资逻辑。

二、核心变量：AI应用从「对话工具」到「生产力引擎」的跃迁

要理解豆包付费的深层含义，需要先厘清一个框架：AI应用的商业化有三个递进阶段。

第一阶段：流量变现（广告模型）。 用免费AI吸引用户，通过广告或导流变现。这是传统互联网的延续，天花板明显——AI对话场景的广告加载率远低于信息流。

第二阶段：订阅制（SaaS模型）。 对高频用户收取月费，提供更强的模型能力或更多的调用次数。ChatGPT Plus走的就是这条路。豆包此次推出的三档订阅，正是进入这一阶段的标志。

第三阶段：任务计价（交易模型）。 不按月收费，而是按完成的任务价值收费——生成一份PPT收5元，完成一次数据分析收20元。这是终局形态，但目前尚无规模化案例。

豆包的定价结构透露了一个关键信号：专业版500元/月的定价，已经逼近企业级SaaS的价格带。 这意味着字节跳动判断，AI应用的付费天花板远高于市场预期。当一个C端应用敢收500元月费时，它实际上是在和Notion AI、Microsoft Copilot抢同一批用户。

更值得关注的是官方透露的付费场景——PPT生成、数据分析、影视制作。这三个场景有一个共同特征：产出物有明确的商业价值，用户愿意为结果付费，而非为过程付费。 这与ChatGPT Plus「更快响应速度+更长上下文」的付费逻辑截然不同。

投黑马认为，这种「按产出价值定价」的模式一旦跑通，将重新定义AI应用的估值框架——从DAU/MAU驱动，转向ARPU和任务完成率驱动。

三、竞争格局分析

豆包付费的背后，是中国AI应用商业化的全面加速。当前主要玩家的卡位逻辑正在分化。

豆包（字节跳动）：流量碾压型选手

卡位逻辑：坐拥抖音生态的流量优势，豆包月活已突破亿级，是中国用户基数最大的AI原生应用。海量用户基础意味着即使付费转化率只有1%，也能撑起可观的订阅收入。

护城河：抖音生态的用户习惯迁移成本极低（同账号体系），加上字节在推荐算法上的积累，豆包能精准触达高付费意愿用户。更重要的是，字节自研的豆包大模型在成本端具备优势——自有模型意味着每一分订阅收入的毛利率更高。

隐患：流量优势不等于产品深度。当用户为500元/月的专业版付费时，他们期待的是「专业级产出质量」，而非「大众级产品+更多额度」。字节的产品基因偏向大众消费，能否打造出真正满足专业用户的深度工具链，尚待验证。

投黑马判断：短期最具规模化潜力，但中长期面临「大众产品做专业化」的基因挑战。

Kimi（月之暗面）：技术差异化路线

卡位逻辑：以长上下文和深度推理能力建立技术品牌，吸引的是对AI能力有明确认知的「懂行用户」。这类用户的付费意愿和ARPU天然更高。

护城河：在长文档处理、复杂推理等场景上建立了用户心智。品牌定位清晰——「更聪明的AI」，与豆包的「更好用的AI」形成差异化。

隐患：用户规模是硬伤。月活量级与豆包差距明显，且获客成本持续攀升。如果豆包专业版在能力上追平Kimi，纯技术差异化将不再是护城河。

投黑马判断：最可能率先跑通高ARPU订阅模式，但规模天花板受限于获客能力。

文心一言（百度）：生态整合型选手

卡位逻辑：背靠百度搜索+办公+云的全场景生态，试图用「AI无处不在」的策略覆盖用户全链路需求。

护城河：搜索场景的自然流量入口，加上百度网盘、百度文库等工具的存量用户，理论上可以实现「场景内自然付费转化」。

隐患：产品体验的割裂感。百度的AI能力分散在十几个产品中，用户缺乏统一的「文心一言就是我的AI助手」的认知。相比之下，豆包作为独立App的品牌心智更清晰。

投黑马判断：企业端有机会，C端订阅难以形成规模突破。

通义千问（阿里）：企业服务基因

卡位逻辑：阿里云的企业客户资源+钉钉的办公场景，天然适合走B端订阅路线。

护城河：企业级客户的信任度和付费习惯已经养成（阿里云ARR超千亿），AI能力叠加到现有付费体系中的边际成本极低。

隐患：C端存在感弱。通义千问在消费端的品牌认知远不如豆包和Kimi，如果AI应用商业化的主战场最终在C端爆发，阿里将处于被动。

投黑马判断：B端稳健但缺乏想象力，C端付费难以突围。

四、被市场低估的早期机会

豆包付费开启的不只是一家公司的商业化，而是整个AI应用生态的价值重估。以下四个方向是投黑马判断中被严重低估的左侧机会。

机会一：AI任务编排中间件

核心逻辑：当AI应用从「单轮对话」升级为「复杂任务完成」时，需要一个编排层来协调多个模型、工具和数据源。豆包付费场景中的PPT生成，实际上需要调用文本生成、排版引擎、图片生成、数据可视化等多个能力模块——这背后需要强大的任务编排系统。

当前空白：大厂自建编排层，但不会开放给第三方。独立开发者和中小AI应用公司面临「重复造轮子」的困境。

护城河来源：先发者通过积累大量任务模板和执行数据，可以持续优化编排效率，形成数据飞轮。

追踪信号：关注Coze（字节旗下）等平台的第三方开发者活跃度变化；观察是否有独立编排层创业公司获得A轮以上融资。

机会二：垂直场景AI生产力工具

核心逻辑：豆包500元/月的专业版覆盖的是「通用复杂任务」，但真正的高价值场景往往是垂直的。法律文书生成、医疗报告分析、建筑设计辅助——这些场景的付费意愿远超500元/月，但需要深度的行业Know-how。

当前空白：大模型厂商没有动力深入每一个垂直行业。豆包做的是「宽度」，留下了「深度」的巨大空间。

护城河来源：垂直数据积累+行业专家网络+合规壁垒。医疗AI需要NMPA认证，法律AI需要律所背书——这些都不是通用大模型能快速突破的。

追踪信号：观察各垂直行业AI工具的客单价变化；关注是否有垂直AI公司的续费率超过80%（意味着产品已过PMF阶段）。

机会三：AI原生计费与用量管理基础设施

核心逻辑：当AI应用开始按任务复杂度收费时，需要精确计量每次调用消耗的算力、Token数、工具调用次数。这是一个全新的计费场景——传统SaaS的「按席位收费」模型完全不适用。

当前空白：目前AI应用的计费逻辑极其粗糙（按月/按次），无法支撑「按任务价值定价」的精细化需求。当豆包三档价格之间出现巨大价差（68元vs500元），如何让用户清晰感知「多花的钱换来了什么」，需要全新的用量可视化和计费系统。

护城河来源：计费系统一旦嵌入客户的收入链路，替换成本极高（参考Stripe在支付领域的壁垒）。

追踪信号：关注云计算厂商是否推出AI专用计费API；观察是否有Billing infra创业公司拿到种子轮融资。

机会四：AI产出质量评估与审核工具

核心逻辑：付费用户对产出质量的容忍度远低于免费用户。当用户每月支付500元时，一次低质量的PPT生成就可能导致退订。AI应用厂商急需一套自动化的产出质量评估系统——在交付给用户之前，先判断产出是否达标。

当前空白：目前的AI输出评估主要依赖人工抽检或简单的规则过滤，无法覆盖「专业级产出」的质量要求。

护城河来源：评估模型需要大量标注数据训练，先发者积累的评估数据集本身就是壁垒。加上不同行业的评估标准差异巨大，垂直化带来额外护城河。

追踪信号：关注AI应用厂商是否公开招聘「AI质量工程师」岗位；观察是否有评估工具类项目在GitHub上获得快速star增长。

五、关键变量追踪

变量一：豆包付费转化率与留存数据

为什么这个变量是关键指标：豆包是中国首个亿级月活AI应用推出多档订阅的案例。其付费转化率将直接验证「中国用户是否愿意为AI复杂任务付费」这一核心假设。如果转化率超过2%，意味着中国AI应用的付费市场规模远超当前预期。

→ 追踪信号1：豆包App Store排名变化及营收榜排名（数据来源：七麦数据/Sensor Tower）
→ 追踪信号2：字节跳动财报或公开发言中关于「豆包商业化」的表述变化（数据来源：字节官方、36氪等科技媒体报道）

变量二：竞品跟进速度与定价策略

为什么这个变量是关键指标：如果Kimi、文心一言在三个月内推出类似的多档订阅，意味着行业共识已经形成——AI应用付费是确定性趋势。如果竞品选择「低价跟进」，则价格战可能压缩整个行业的利润空间。

→ 追踪信号1：Kimi、文心一言、通义千问的产品更新日志中是否出现付费相关功能（数据来源：各产品官方公告、即刻/小红书用户反馈）
→ 追踪信号2：各家AI应用的定价带分布——是否出现「500元以上」的高端档位（数据来源：App Store订阅页面）

变量三：复杂任务完成质量的用户满意度

为什么这个变量是关键指标：付费的前提是「产出值这个价」。如果用户付费后发现PPT生成质量不稳定、数据分析频繁出错，退订潮将迅速到来。这个变量决定了AI应用付费模式是「真需求」还是「伪命题」。

→ 追踪信号1：社交媒体（小红书/即刻/微博）上豆包付费版的用户评价情绪变化（数据来源：社交聆听工具如新榜、飞瓜）
→ 追踪信号2：豆包App Store评分变化趋势，尤其关注付费上线后一个月内的评分波动（数据来源：App Store/七麦数据）

三个变量的联动逻辑：

豆包付费转化率验证需求真实性 → 竞品快速跟进确认行业共识 → 用户满意度决定留存和复购 → 高留存率触发估值重估 → 整个AI应用赛道进入「价值定价」新周期，早期基础设施公司获得溢价。

投黑马 · 独家评级

赛道热度：🔥🔥🔥🔥🔥　　中国AI应用商业化元年正式开启，全行业关注
左侧机会：⭐⭐⭐⭐　　　　基础设施层尚处早期，认知差显著
布局紧迫度：⚡⚡⚡⚡　　豆包定价落地后3-6个月内竞品将密集跟进，窗口期有限

推荐关注层次：
AI任务编排中间件 ＞ 垂直场景AI生产力工具 ＞ AI原生计费基础设施

七、分层布局建议

第一层：低风险，长周期 — AI应用基础设施

投资逻辑：无论哪家AI应用胜出，底层的编排、计费、质量评估系统都是必需品。这是「卖水人」策略在AI应用时代的翻版。

选股标准：团队需有云计算/SaaS基础设施背景；产品已有至少3家AI应用客户在使用；技术架构支持多模型多工具的灵活编排。

时间窗口：2026年Q2-Q4完成布局。当前多数项目处于种子轮到Pre-A阶段，估值合理。一旦豆包付费数据验证成功，这一层的估值将快速上行。

第二层：中风险，中周期 — 垂直行业AI生产力工具

投资逻辑：通用AI应用（豆包/Kimi）做宽度，垂直工具做深度。当通用应用教育了用户「AI可以完成复杂任务」后，垂直工具将承接「通用工具做不好的那20%高价值场景」。

选股标准：聚焦单一垂直行业（法律/医疗/金融/设计）；客单价超过1000元/月或单次任务计费超过50元；续费率超过70%；团队核心成员有该行业5年以上从业经验。

时间窗口：2026年Q3-2027年Q1。需要等待通用AI应用完成用户教育后，垂直场景的付费意愿才会显著提升。

第三层：高风险，短周期 — AI应用层的非共识押注

投资逻辑：如果豆包付费模式跑通，可能催生一批「AI原生的付费应用」——它们从第一天就按任务价值收费，不走免费增长的老路。这类公司如果找到正确的场景，增长曲线将极其陡峭。

选股标准：产品上线即收费（非免费转付费）；单用户月贡献超过100元；用户获取不依赖大厂流量（有独立分发渠道）；DAU不大但付费率超过15%。

时间窗口：2026年Q2-Q3，需要在市场尚未形成共识前完成判断。一旦豆包Q2财报披露付费数据，这类项目的估值窗口将迅速关闭。

风险披露：

风险一：豆包付费转化率低于预期（概率中等，影响大）。如果亿级用户中付费转化不足0.5%，可能证明中国C端用户的AI付费意愿被高估。影响：第一层和第三层布局均受冲击，需重新评估整个赛道的商业化节奏。

风险二：大厂「补贴战」重启（概率低但影响大）。如果某家大厂选择「永久免费+算力无限」的极端策略来狙击竞争对手，将压制整个付费生态的发展。影响：第三层「原生付费应用」首当其冲。

风险三：复杂任务产出质量不达标导致退订潮（执行风险，概率中等）。AI生成PPT/数据分析的质量稳定性仍是未解难题。如果用户付费后体验落差过大，可能导致行业信任危机。影响：全部三层均受影响，但第二层（垂直工具因质量更可控）受冲击最小。

风险四：监管政策对AI生成内容施加限制（概率低，影响中等）。如果针对AI生成的商业内容（如PPT、报告）出台审核要求，将增加AI应用的合规成本，压缩利润率。影响：第二层医疗/法律垂直方向首当其冲。

结语：

豆包三档定价落地的那一刻，中国AI应用赛道的底层逻辑已经改变——从「谁的用户多」变成了「谁的用户愿意付钱」。这不是一次简单的产品更新，而是AI商业化进入深水区的分水岭。对于左侧投资者而言，真正的机会不在应用层本身，而在支撑这场付费革命的基础设施中。在所有人讨论「豆包能收多少钱」的时候，我们已经在看「谁帮豆包把钱收好」。

在聚光灯照亮之前，投黑马已经在那里。

投黑马 · 信号解读

豆包付费不是一家公司的商业化尝试，而是中国AI应用赛道从「免费增长」进入「价值变现」阶段的结构性信号。当最大的免费AI应用开始对复杂任务收费，意味着市场已经承认：AI的价值不在对话本身，而在它能替代多少人类工时。这个认知一旦形成共识，整个AI应用的估值体系将被重写。

左侧投资者真正应该追踪的不是豆包的月度订阅数据，而是三个先行指标：第一，500元/月专业版的首月留存率是否超过60%（验证高端付费需求真实性）；第二，竞品是否在90天内推出同价位产品（验证行业共识形成速度）；第三，AI任务编排和计费基础设施领域是否出现融资加速（验证产业链价值传导）。三个信号同时亮起时，就是All-in的时刻。

── 投黑马研究团队