30秒看懂

最大变化： DeepSeek 启动科创板 IPO 筹备，投前估值约710亿美元（约5000亿元人民币），四个月内估值从约100亿美元翻近七倍；OpenAI 旗舰模型一个月内第二次降价。

最大融资信号： 环球、索尼、华纳三大唱片公司与游戏巨头 EA 共同入股 Stability AI，创意 AI 从开源分发转向授权与工作流。

最值得追踪： DeepSeek 能否年内递表、以第五套标准过会；OpenAI 降价对推理侧算力与模型厂商毛利率的实际冲击。

AI & 市场

DeepSeek筹备科创板上市，估值710亿美元

8月24日披露的消息显示，AI 公司 DeepSeek 已启动科创板 IPO 筹备，计划年内递交上市申请、2027年正式挂牌，新一轮融资投前估值约710亿美元（约5000亿元人民币），投资人名单覆盖腾讯、宁德时代、京东、网易以及国家人工智能产业基金。（来源：外媒、财经）

按知情人士披露的数字，DeepSeek 的年度经常性收入已达4亿至5亿美元，毛利率超过50%，主要来自向企业销售模型 API 的云端访问服务；创始人梁文锋为本轮最大单一出资方，据报出资约200亿元，外部股份被强制锁定5年。以710亿美元估值与约5亿美元年化收入计算，市销率约148倍，明显高于 OpenAI 约35倍、Anthropic 约84倍的同期水平。（来源：外媒）

撑起这个倍数的，是 DeepSeek 用开源加低价跑出的开发者基本盘。其旗舰模型 V4 的 API 定价远低于 OpenAI 与 Anthropic 的同类产品，靠极致的推理成本压缩仍能守住50%以上的毛利，这一度被视为中国大模型在算力受限下的差异化打法。此番把估值抬到710亿美元，资本押注的正是这套「便宜但赚钱」的路径能否复制到更大规模。（来源：外媒）

DeepSeek 选择科创板，与2026年6月上交所放宽大模型企业上市门槛直接相关——第五套上市标准不再以盈利为硬指标，只看核心技术、规模化落地与合规备案。此前智谱、MiniMax 已先行赴港，智谱上市后市值一度突破1.27万亿港元，MiniMax 首日暴涨逾一倍，两家公司的财富效应为 DeepSeek 的 A 股估值留下了参照坐标。（来源：中国证券报）

【投黑马点评】
148倍市销率买的是开源模型的未来，可这个倍数已经超过2000年互联网泡沫时不少公司的水平。真正要盯的是它的自我造血能力能不能撑住：4至5亿美元的年化收入、50%的毛利，放进710亿美元的盘子里仍然很薄，一旦 IPO 窗口收紧或推理价格战继续下探，这个估值就是悬在头上的利剑。证伪点很明确——看它年内能不能真的递表，以及递表后披露的收入增速是否对得上这一轮募资的故事。

工信部发布「模数共振」行动，AI赋能新型工业化

8月25日，工信部、国家数据局联合发布《关于联合实施2026年「模数共振」行动的通知》，以数据、模型、场景全链条协同，推动人工智能赋能新型工业化。行动面向钢铁、工业母机、汽车、航空航天、信息通信等20个重点行业，部署了构建行业数据集、完善模型评测、创建「智能体工厂」等七项任务。（来源：中国经济网）

政策落地的背景，是 AI 与制造业的融合仍卡在数据壁垒与模型适配不足。工信部数据显示，我国规上制造业企业人工智能技术应用普及率已超30%，人工智能渗透领航工厂业务场景超70%，工业机器人装机量连续5年居全球第一，但高端工业软件对外依赖度高、复合型人才紧缺，规模化产出仍是短板。通知提出，鼓励各地「模数共振」空间与国家数据基础设施互联互通，逐步打造为「智能体工厂」。（来源：中国经济网、中宏网）

【投黑马点评】
这纸文件的价值，在于把 AI 从「模型军备竞赛」拉回「场景落地」这条更硬的路。工业大模型、智能传感、边缘计算是被点名的受益方向，但政策解决的是往哪走，兑现收入还得看厂商自己——工业场景容错率低、定制化重，能否在这些行业跑通复购，才是这轮红利能不能落地的分水岭。

OpenAI旗舰模型一个月内第二次降价

8月25日起，OpenAI 下调 GPT-5.6 Sol 的开发者价格：每百万 token 输入从5美元降至4美元、输出从30美元降至20美元，降幅分别为20%和33%，促销价至少持续到11月21日。这是 GPT-5.6 系列不到一个月内的第二次降价，此前低成本型号已经降过一轮。（来源：外媒）

【投黑马点评】
旗舰模型降价的信号，分量远重于低价型号——价格战的战场已经烧到天花板。对应用层是红利，对还在烧钱追估值的模型厂商是实打实的压力，DeepSeek 那148倍市销率，正好站在这一轮降价的对立面。

商业科技

Stability AI完成7600万美元B轮

8月25日，Stability AI 宣布完成7600万美元 B 轮融资，环球音乐、索尼音乐、华纳音乐三大唱片公司与游戏巨头 EA 共同入股，AMD Ventures 等参投，公司累计融资额达到2.32亿美元。此前，环球、华纳、EA 已与 Stability 分别签署战略合作，共同开发基于授权数据的 AI 工具。（来源：外媒）

这笔钱指向一个清晰的转向：Stability 正从 Stable Diffusion 时代的开源模型分发，走向面向专业创作者的授权工作流。Stable Diffusion 曾是开源生图浪潮的代表作，为 Stability 攒下巨大知名度，却也招来 Getty Images 等版权方的诉讼，公司2024年一度经历创始团队更迭与重组。其新品 Stable Audio 3.0 是一族基于完全授权数据训练的音乐模型，已通过数字音频工作站插件接入 Logic Pro 等专业软件。（来源：外媒）

【投黑马点评】
让版权方反过来当股东，是创意 AI 想绕开版权诉讼的一步好棋，但代价是绑定——Stability 可能沦为几家巨头的内容代工厂。真正的考验是它能不能靠授权工具收上钱：融资稿里没有一个字的收入或客户数据，这正是最该追问的地方。

Emerald AI完成1.5亿美元A轮

8月25日，AI 数据中心电力调峰公司 Emerald AI 宣布完成1.5亿美元 A 轮融资，估值10.5亿美元，由 Energize Capital 与 DCVC 联合领投，英伟达、三星风投、GE Vernova、Salesforce Ventures 等参投，12家财富全球500强公司已成为其投资方。其软件可让数据中心在电网高峰时主动降载、低谷时调度多余算力，据国际能源署测算，到2030年数据中心将贡献美国电力需求近半的增量。（来源：外媒）

【投黑马点评】
当电力取代芯片成为 AI 基建的新瓶颈，帮数据中心削峰填谷的软件成了确定性很高的卖水人，英伟达自己下场投资，等于承认算力再强也绕不开电。但削峰填谷听上去美好，真要落地得先回答一个硬问题：让数据中心在高峰让出算力，牺牲的推理性能谁来买单——如果客户算不清这笔账，1.5亿美元的估值就还停在概念阶段。

融资快报

罗博网联完成近亿元B轮，聚焦矿山无人驾驶

8月25日，工业具身智能与矿山无人驾驶公司罗博网联完成近亿元 B 轮融资，投后估值约10亿元，由海南际宸领投，多家矿山产业资本跟投。公司以「强车弱云」架构提供 L4 级前装无人驾驶全栈方案，主攻露天矿山运输场景。（来源：投资界）

【投黑马点评】
产业资本领投，说明这笔钱买的是矿山场景的确定性。无人驾驶在矿区弱网环境下的可靠性，才是它能否从「能跑」走到「常态生产」的关键。

OJO完成近亿元天使轮，做设计Agent平台

8月25日，AI 设计 Agent 平台 OJO 宣布完成近亿元天使轮融资，由顺为资本与联想创投联合投资。公司由前剪映国内业务负责人张琪智创立，通过可组合的智能体团队完成从创意到交付的设计全流程，海外上线48小时新增用户过万。（来源：投资界）

【投黑马点评】
设计智能体想替代的，是设计师最值钱的那部分判断。48小时新增用户过万只能证明好奇，能不能让企业为「可投产的设计」持续付费，才是天使轮之后要交的卷子。

今日信号

信号： 8月25日前后，AI 的估值与价格朝相反方向走——DeepSeek 以710亿美元估值冲科创板，一级市场把开源模型的故事越讲越大；OpenAI 却在旗舰模型上一个月内第二次降价，大模型正加速变成像电力一样的大宗商品。

追踪方向： DeepSeek 是否在年内向科创板递表、募资与估值能否坐实；OpenAI 降价对推理侧算力需求与模型厂商毛利率的实际冲击；创意 AI 的授权模式能否跑出真实收入。

研究导航

今日最值得继续回答的问题： 当 DeepSeek 以约148倍市销率冲刺科创板、OpenAI 在同一周下调旗舰模型价格，一级市场的估值锚究竟该锚定技术稀缺性还是已兑现的收入，两条路线的证伪点各在哪里？

── 投黑马研究团队

30秒看懂

最大变化： 8月24日，小鹏集团人形机器人业务完成首轮超9亿美元融资、投后估值超63亿美元，刷新中国具身智能单轮私募纪录；同一天，美债收益率破5.33%创2007年来新高，全球科技股集体重挫。

最大融资信号： 小鹏机器人本轮由IDG资本领投，腾讯、阿里巴巴战略入局，车企把智能电动车的供应链与制造能力迁移到人形机器人，物理AI成为资本新一轮竞逐的焦点。

最值得追踪： 小鹏IRON能否兑现2026年底量产、2027年交付的时间表；英伟达8月26日财报如何定调AI芯片需求；美债利率若继续上行，全球AI估值还会承受多大压力。

AI & 市场

小鹏机器人首轮融资超9亿美元，创中国具身智能纪录

8月24日，小鹏集团宣布，旗下人形机器人业务完成首轮股权融资，融资金额超9亿美元，投后估值超63亿美元（约430亿元人民币），刷新中国具身智能行业单轮私募股权融资纪录。本轮由IDG资本领投，高榕创投参投，腾讯、阿里巴巴作为战略投资者入局；交割完成后，小鹏集团继续控股机器人业务，相关业务仍纳入集团合并报表。（来源：小鹏集团官方公告、中国证券报）

小鹏集团董事长何小鹏称，公司过去12年坚持全栈自研，已构建物理世界基座模型、图灵AI芯片与AI基础设施等技术底座，本轮融资将加速IRON量产与物理AI模型迭代。今年一季度，小鹏已由「小鹏汽车」正式更名为「小鹏集团」，明确向物理AI科技公司转型，IRON的量产基地也于2月在广州天河区动工，占地约11万平方米。（来源：小鹏集团官方公告、新快报）

小鹏IRON定位高阶通用人形机器人，全身76个自由度、单手21个自由度，搭载3颗图灵AI芯片，端侧算力2250 TOPS，物理AI大模型可直接在机器人本地部署。按规划，IRON将于2026年底进入量产，先在小鹏门店与园区落地，2027年面向中国及海外市场上市交付。（来源：中国证券报、澎湃新闻）

【投黑马点评】
这笔钱买的是「造车能力能迁移到造人」的假设，而这个假设至今没有被稳定兑现。人形机器人的真正难关是任务泛化：76个自由度、2250 TOPS，车企都能堆出来，但离开演示场景，机器人能不能稳定干完一件真实产线的活，全行业还没解出答案。63亿美元估值里，很大一块是尚未兑现的预期，IRON若在2026年底量产后迟迟拿不出可复用的商业场景，这轮「纪录」就会变成具身智能赛道又一座估值高峰。

美债收益率破5.33%，全球科技股重挫，AI估值迎重估

美东时间8月24日，美股三大指数涨跌不一，纳指收跌0.76%，费城半导体指数跌2.7%，英伟达跌2.91%、连续第7个交易日下跌，创2022年9月以来最长连跌纪录。更早的亚洲时段，韩国KOSPI跌3.12%、恒生科技跌3.61%、A股创业板指跌3.21%，科技股全线承压。（来源：财联社、中新经纬）

压力源头在债券市场。30年期美债收益率一度升至5.337%，创2007年以来新高，10年期美债收益率回升至约4.734%。无风险利率抬升直接压低成长股远期现金流的折现，AI的高估值叙事随之承压。中金研报指出，标普信息技术板块前向市盈率约21倍，远低于2000年互联网泡沫时期的55倍，AI资产的泡沫争议与系统性破裂目前仍可区分。（来源：第一财经、央广网）

同期，OpenAI首席执行官Sam Altman公开承认，包括OpenAI在内的整个行业普遍高估了AI的近期增速，企业采购习惯与用户行为的改变需要更长的渗透周期。市场焦点随后转向本周的关键变量：英伟达8月26日发布的第二财季财报，以及8月27日至29日的全球央行年会，二者将共同决定这轮AI估值重估的走向。（来源：外媒、财联社）

【投黑马点评】
市场把这轮下跌归因于利率，但真正的压力测试还没开始：AI基建的每一分投入，最终要靠企业客户为推理买单来收回，而Altman自己都承认行业高估了近期增速。一级估值对利率的传导有滞后，可一旦二级市场改用回报来衡量AI，早期项目的定价锚会松动得比想象中更快，融资窗口可能在年底前就明显收窄。

Anthropic挖角谷歌TPU创始人，自研芯片进入实质推进

8月24日，Anthropic宣布谷歌TPU创始团队成员Amir Salek加入其算力团队，负责组建自研AI芯片设计组，这标志着其自研芯片计划从纸面走向落地。同期的企业支出数据显示，Anthropic最贵的Fable 5模型发布两月后，企业消费占比仅约11%，被更便宜的Opus 5反超，贵价旗舰模型的商业模式再度引发讨论。（来源：外媒、芯智讯、澎湃新闻）

【投黑马点评】
挖来TPU之父，说明Anthropic也怕被英伟达卡脖子；Fable 5遇冷则戳破了「最强模型就能卖最贵」的定价逻辑。冲刺2万亿美元估值前，Anthropic得先证明企业愿意为旗舰溢价买单。

商业科技

字节收拢办公AI产品线，豆包将推独立办公App

8月24日，字节跳动完成办公AI产品团队整合，旗下AI编程工具TRAE与智能体开发平台扣子（Coze）团队整体并入豆包体系，TRAE Work、扣子将与豆包整合工作场景能力，TRAE IDE及CLI保留为豆包品牌下的编程子产品线。字节方面回应称，此次调整旨在更好协同产品与技术资源，现有用户权益不受影响。（来源：科创板日报、红星资本局）

调整之后，豆包最快将于本周内推出独立的AI办公产品「豆包工作」，作为字节面向办公场景的统一品牌。这是继7月底飞书与豆包产品团队整合、8月6日梁汝波将豆包明确为「主干」AI业务之后，字节在AI办公赛道落下的又一步重棋。近一周，豆包密集上线手机远程控制电脑、Windows虚拟桌面、超200项技能与连接器等功能，QuestMobile数据显示其月活已达3.82亿，断层领先国内AI应用。（来源：华尔街见闻、DoNews）

【投黑马点评】
把TRAE、扣子收进豆包一张牌桌，字节抢的是「桌面Agent」这个离付费最近的入口。但3.8亿月活里，绝大部分是免费的个人用户，办公AI能不能让企业掏钱仍是问号——飞书深耕企业多年都没跑通，豆包想用消费级流量反攻B端，难度只会更大。下一步真正该看的是「豆包工作」上线后的企业付费转化。

英伟达Groq 3 LPX全面投产，推理效率数倍提升

美东时间8月24日，英伟达宣布面向低延迟推理的Groq 3 LPX机架全面投产，并与Vera CPU、Rubin GPU一同部署到新云服务商Nebius的数据中心。英伟达援引第三方测试称，Groq 3 LPX在10万token上下文下每秒可输出3400个token，Vera Rubin NVL72在真实智能体负载下每兆瓦吞吐量最高达上一代GB300 NVL72的30倍，每token成本降低约35倍。（来源：财联社、外媒）

【投黑马点评】
英伟达把Groq推向量产，是想把低延迟解码这块拼图也攥在自己手里。但30倍吞吐、35倍降本都是实验室口径，落到客户账单能兑现几成，要等Nebius跑起来才知道。

融资快报

中数睿智完成数亿元战略融资，国家级基金入场

8月24日，被业内视作「中国版Palantir」的北京中数睿智宣布完成数亿元战略融资，由中国互联网投资基金、苏创投、全国社保基金、金融街资本、工银资本、昆仑资本联合投资，老股东鼎晖VGC持续跟投。公司主打高可靠产业决策AI，已在电力、石油、航天等领域服务超50家央国企、落地800余个复杂生产场景，距离上一轮亿元级B轮融资仅过去三个月。创始团队脱胎于清华大学，由董事长韩涵博士带队，主攻高可靠、强决策的产业级因果智能，过去两年营收连续翻倍并已实现盈利。（来源：中国基金报、每日经济新闻）

【投黑马点评】
国家队与社保系资本接连入场，瞄准的是容错率最低的工业决策场景。产业级因果智能连续拿到大额融资，说明它在能源、电力这些关键基础设施里的落地价值，正获得国家级资本的正式背书。

挪威法律AI公司Newcode完成1350万美元A轮

8月24日，挪威法律AI初创公司Newcode宣布完成1350万美元A轮融资，由OnDean Forward与Relativity旗下Rel Labs领投。Newcode定位为律所提供自建自控的AI能力，已服务爱尔兰大律师公会超过2150名执业律师，本轮资金将用于拓展美国市场与产品研发。（来源：外媒）

今日信号

信号： 8月24日，AI资本同时呈现两张面孔——小鹏机器人以超9亿美元刷新具身智能融资纪录，一级市场对物理AI的热情不减；美债收益率破5.33%却让全球科技股集体重挫，二级市场开始用更高的利率重新给AI定价。

追踪方向： 小鹏IRON的量产进度与真实订单；英伟达8月26日财报对AI需求的定调；美债利率走向与全球央行年会释放的信号。

研究导航

今日最值得继续回答的问题： 当车企把车规级量产能力整套搬进人形机器人，具身智能的竞争会不会从「谁的机器人更聪明」提前进入「谁的能量产、谁的成本更低」的制造业逻辑，一级市场的估值锚又将随之怎么变？

── 投黑马研究团队

AI健康看板正在数据极客圈兴起。越来越多爱好者用大模型把心率、睡眠和日程等生物数据编织成个性化健康教练，揭示了个人健康数据自主化的趋势，也暴露出隐私与准确性的双重隐忧。

25岁的软件工程师朱飞霖是一名曾参加竞技比赛的跑者，过去总靠人类教练记录分段成绩并管理训练计划。如今，他在一个聊天机器人的密切监督下备战业余马拉松。他用健身追踪器收集锻炼和睡眠等生物特征数据，字节跳动的豆包模型在获取这些数据后，会为他量身定制锻炼调整建议，帮助他将工作日程与运动表现有机联系起来。

在用上豆包之前，朱飞霖经常收到心率变异性（HRV）等统计数据的提示，但带来的往往是焦虑，无法形成清晰认知。「系统弹窗说，你的HRV是60。好极了，但我根本不知道这到底是什么意思。」

一、进展详情

健康数据爱好者们常常紧盯锻炼、步数、睡眠指标、心率和营养数据，还要把这些信息与日历、会议记录、电子邮件以及就诊记录进行交叉比对。如今他们正利用AI系统来强化这些习惯，将AI当作高度个性化的健康教练和助手。纠结于这些细枝末节绝非主流做法，许多医生提倡在健身和营养方面简单一点。然而，越来越多的「数据狂人」却乐在其中，终于找到了属于他们的极客天堂。

47岁的詹美琳从事销售工作，目前正使用朋友开发的一款AI工具。这款机器人综合分析了她的健康数据，不仅为她量身定制了防脱发饮食方案，甚至还提示了肾功能下降的早期预警征兆。「这就像是我专属的『爱的语言』，」她说。

黎玥只花了一个下午就搭建好了自己的AI健康数据看板。她是一名常驻纽约的创业者，也是一名跑者。如果某天晨跑状态低迷，看板就能帮她找出原因——究竟是生理期快到了，还是昨晚没睡好。不过31岁的黎玥偶尔也会发现系统生成的锻炼计划存在漏洞。她说自己从不盲目信任AI，而是会用经过时间检验的训练原则把关。研究也表明，聊天机器人仍会给出错误的医疗建议。

二、趋势与商业模式

打造出电影《她》里那种真正的AI助手，是当前技术角逐的目标。虽然部分AI健康系统已足够强大到能为人类提供辅助，但大多数系统仍缺乏解锁更多定制化功能所需的关键背景。「数据狂人」们正通过DIY抢占先机，尽管也有人担心这会牺牲过多的个人隐私。

这些数据爱好者利用AI模型搭建起专属的工具和数据看板，既用于商业，也用于个人生活。有人说定制的机器人给了他信心，使他终于加入了当地的跑步俱乐部。另一人则给全家安排上了一套AI系统，彻底革新了全家人的饮食结构。如今的「数据狂人」不再去分析静态图表，他们只需在早上喝咖啡时给机器人发条信息，就能弄明白昨晚为何没睡好。有些人还能通过微信和飞书上的聊天智能体，直接与自己的数据互动。

传统的健康应用也在整合AI功能，但对27岁的印度软件工程师潘天伟来说这根本不够。他表示，如果没有全局视角，追踪工具就只能提供泛泛而谈的建议。潘天伟花了四年时间搭建了一套AI系统，通过微信与系统交互。他追踪骑行记录、屏幕使用时间、日历事件、社交媒体指标和睡眠质量，连短信内容都能喂给系统。系统不仅鼓励他在周一多睡懒觉、在工作日减少出行，还能帮他整理日程甚至为朋友挑选礼物。

同事一句关于职场压力的玩笑话，让他萌生了用数据找出造成压力的同事的想法。他利用AI将日历与心率数据联系起来，最终锁定了公司的一位增长产品经理。「豆包说这家伙是头号嫌疑人。」这一发现逗乐了大家，办公室里随之掀起了一场关于数据如何指导生活的广泛讨论。

三、全球风口与格局

维护一个定制的健康数据看板并非易事。这不仅需要耗费大量时间与AI反复进行提示词互动，还得通过各种繁琐的变通办法来导出原始指标数据。潘天伟将敏感信息和生物识别数据统统汇聚到自己的系统里，运行这套系统的本地电脑服务器就放在他家猫爬架旁边。「我们坐拥海量数据，」他说，「但除了各家公司提供的那点功能外，并没有真正把这些数据用起来。」

这意味着当前AI健康看板的用户画像高度集中：具备技术能力的软件工程师、创业者和数据从业者。他们既是早期采用者，也是产品验证者。大模型公司提供基础设施——豆包和通义千问等模型具备理解非结构化健康数据并生成建议的能力，但官方并未推出专门的健康数据看板产品。可穿戴设备厂商掌握着最核心的数据入口：华为运动健康、小米运动和OPPO健康等平台存储了全球数亿用户的心率、睡眠和运动数据，但AI功能仍停留在统计分析层面，尚未开放足够深度的数据接口供第三方模型调用。数据极客们不得不通过各种变通方案导出原始数据，再喂给自己的AI系统。

隐私是最大的变量。戴上健身追踪器就意味着接受某家科技公司的健康规则，而将敏感生物识别数据喂给云端AI模型，让数据主权问题更加复杂。尽管有人担心牺牲过多个人隐私，数据极客们显然认为自主可控的收益大于风险。这一矛盾将推动本地化AI部署和隐私计算技术在健康场景的需求上升。从发展阶段判断，AI健康看板目前处于萌芽期，用户基数小但粘性极高，商业化路径尚未跑通。

四、投黑马·前沿洞察

AI健康看板DIY浪潮的本质是个人健康数据主权觉醒——用户不再满足于平台提供的标准化统计，转而用大模型把分散的健康数据编织成个性化认知工具。

最值得关注的变量是大模型公司的健康数据接口策略与可穿戴设备厂商的数据开放程度。潘天伟式的本地部署方案揭示了隐私计算和端侧AI在健康场景的真实需求。

三个后续看点：字节跳动和阿里巴巴是否推出官方健康数据分析API；华为运动健康和OPPO健康是否开放更深层的数据导出权限；个人健康数据看板是否催生新的SaaS创业赛道。

── 投黑马研究团队

免责声明：本文基于公开资料进行研究与报道，仅供行业交流，不构成任何投资建议。

去年11月，扎斯基亚·维拉托罗（Zasckia Villatoro）与塞巴斯蒂安·米切尔（Sebastian Mitchell）迎来了首次线下约会。在此之前，她对这位男士的全部了解都来自自己的AI聊天机器人。

33岁的维拉托罗曾花数周时间与这个机器人沟通，梳理自己的生活习惯、价值观、成长背景与约会偏好。机器人随后向她推荐了几位预测高度契合的男性。它介绍称，36岁的米切尔「背景多元，出生于德国，在澳大利亚、西班牙和苏格兰长大」——恰好与维拉托罗本人的跨国成长经历契合。两人都渴望建立一段认真的恋爱关系，且都不想要下一代。维拉托罗支付了约20美元的约会安排费，按照机器人的指引来到市中心一家酒吧。

「感觉我们根本不像陌生人，」维拉托罗回忆道。自那以后，两人一直在一起。这段始于算法推荐的感情，正在成为AI重塑约会行业的一个切片。

促成这段关系的Amata等新兴应用正全力押注「爱情导师」型聊天机器人；另一些应用则选择在真人相见前，先派出代表各自用户的AI代理替本体「约会」。面对行业风向的转变，Bumble和Grindr等传统约会平台也在跟进布局。生成式AI让牵线配对这门原本更像一门艺术的手艺，多出了几分可复制的科学性。背后的核心命题是：当海量滑动让人疲劳，算法红娘能否成为更好的解法？

一、进展详情

AI约会赛道目前分化出几条不同路径，每一条都在回答同一个问题：如何用技术降低找到对的人的成本。

第一种是「AI红娘访谈」模式，代表产品为Amata和Known。用户先与AI进行深度语音或文字访谈，系统从中提取用户的价值观、生活习惯、情感历史和约会偏好，再通过算法在用户池中进行匹配推荐。Known在这个模型上增加了一道人工质检——公司配备了一支小型真人红娘团队，负责训练AI并在匹配结果发送给用户前进行复核。创始人塞莱斯特·阿马登（Celeste Amadon）表示，团队「正在不断改进区分用户自述信息与事实真相的方法」。今年4月，28岁的科技营销人员索菲娅·西尔弗（Sophia Silver）通过Known结识了现在的男友。她的AI语音红娘在一周内就发来推荐，短信写道：「你们俩都喜欢下厨。我都能想象，你们会挑一道两个人都没做过的菜，一起忙活一个晚上。」

第二种是「AI代理约会」模式。用户的AI分身先行对话，通过机器人之间的对谈测算两位真人用户的匹配度。2024年曾涌现过一波主打这一概念的初创公司，但很快纷纷倒闭。常驻丹佛的记者杰西卡·贾尔斯（Jessica Giles）曾体验一款名为Volar的此类应用，结果她的AI代理在对话中宣称她养了一只叫贝利（Bailey）的狗——实际上狗的名字叫切斯特（Chester），还说她是动漫迷——但她并不是。更尴尬的是，一位年长男性的AI代理对话中，对方本人突然切入并写道：「很显然AI分不清62岁和26岁的区别，但我分得清」，随后取消了匹配。

传统巨头则采取了更保守的第三条路。Tinder和Hinge明确表示，只会把生成式AI定位为「约会教练」，侧重为用户的个人资料提供撰写建议、推荐聊天开场白，绝不会直接代替用户去滑动筛选。Grindr正在打造自有智能技术栈gAI（发音同「Gay-eye」），这个系统具备提醒用户哪些以前配对过的人也许值得重新联系等功能。Bumble在试验AI助手Bee，但其CEO惠特尼·沃尔夫·赫德（Whitney Wolfe Herd）强调，AI的作用是让约会更顺畅、少一些麻烦，「而不是抹去人情味」。两家均未透露近期会放弃滑动配对机制或会员订阅收费模式。

二、趋势与商业模式

AI红娘最核心的商业变量不是技术路径的选择，而是收费模式的结构性切换。

大多数AI约会平台采用「按次约会付费」模式。用户支付约一杯鸡尾酒的费用——通常在15到25美元之间——即可获得AI筛选并安排的一次线下见面机会。收入绑定在真实的约会行为上，这与行业长期主流的「免费滑动＋增值订阅」形成明确分化。传统模式靠推销「超级喜欢」、无限滑动次数和曝光加权等高级套餐变现，核心是延长用户停留时长；新模式的逻辑截然相反——越快促成高质量的线下见面，平台就赚得越多。

转向有财务数据作背书。Match Group公布第一财季付费用户同比下降5%，而Bumble的付费用户降幅超过21%。用户对无休止滑动的疲劳是实打实的，这是AI红娘切入市场的基本盘。

最引人注目的资本动作来自Hinge创始人贾斯廷·麦克劳德（Justin McLeod）。他于2025年底从这家自己创立的公司离职，为新的AI红娘初创公司筹集了1800万美元融资，平台将于今年晚些时候上线。值得注意的是，这家新公司最初在Hinge内部孵化，而旗下拥有Tinder和Hinge的Match Group也是投资方之一——这意味着传统巨头在以「内部创业＋财务投资」的方式押注新模式，既不放弃存量现金牛，也不错过增量赛道。麦克劳德对媒体表示：「我们当年在现有最佳技术的支持下精心打造了Hinge，但我深信，除了滑动翻阅成百上千份个人资料，约会一定还有更好的解法。」

从发展阶段判断，AI约会目前处于萌芽期向升温期的过渡阶段。方向已经清晰，但用户端的体验尚未稳定收敛：部分早期用户抱怨AI推荐话术过于油腻，或是将用户自述的择偶偏好原封不动地复述一遍，「用千篇一律、空泛得令人尴尬的套话来描述多个交友档案」。此外，可供推荐的人选库远不及传统平台——这是新人平台面临的基础供给瓶颈。不过在这些问题上，人类自己的责任至少与技术相当：AI红娘目前不会主动质疑用户提供给它的信息，而正如职业红娘亚历山德拉·孔蒂（Alessandra Conti）所指出的，单身人士天生就不擅长客观地描述自己及理想伴侣。

三、全球风口与格局

AI约会赛道的参与者正在形成三个清晰的梯队。

第一梯队是麦克劳德的新创公司以及Known等获得机构资金支持的初创企业。它们试图从模式层面替代滑动逻辑，投注的是行业基础设施级的变化。第二梯队是Bumble、Grindr、Tinder和Hinge等已有海量用户的传统平台，策略是在现有交互框架内嵌入AI模块来优化体验，不颠覆底层产品形态。第三梯队是2024年那批主打AI代理约会的公司，多数已出局。它们的结局说明了一个关键教训：纯技术炫技无法跨越用户信任这道门槛——当AI代理在替你约会时说错了你的狗的品种，用户的好感会在瞬间归零。

资本信号是明确的。1800万美元的种子轮融资规模不算巨大，但考虑到创始人的行业资历和Match Group的战略参投，这笔交易标志着一线约会平台的投资逻辑正在从「优化匹配算法」这个已经卷了十几年的维度，向「重构匹配范式」迁移。

一个容易被忽视的变量来自传统真人红娘行业。职业红娘孔蒂认为，引导客户打破他们自设的硬性条件清单，恰恰是匹配工作的核心——「他们需要的是充满温情的引导与适度质疑」。当前AI红娘尚不具备这种能力，它接受用户的自我描述为客观事实。这道信任鸿沟是决定AI约会能否从尝鲜走向主流的关键变量。Known的「人机协作」——让真人红娘训练AI并做匹配结果质检——正在尝试弥合这道鸿沟，也为后续产品迭代留下了关键的信任缓冲层。

四、投黑马·前沿洞察

AI约会赛道正站在两股力量的交叉点上：传统平台的海量匹配效率触及天花板，用户对「左滑右滑」的疲劳持续加深；而AI方案试图以算法效率替代随机性，却在人性温度上尚未被市场充分验证。赛道的核心矛盾在于——AI能大幅压缩从陌生到见面的时间成本，但用户对算法推荐的约会对象天然存疑，而AI代理替人「约会」则可能进一步放大信息失真风险。

最值得关注的是麦克劳德的新创公司和Known。前者的优势在于品类定义经验——Hinge本身就是约会行业从「游戏化」向「认真关系」转型的标志性产品，创始人对品类切换的直觉是这个赛道最稀缺的资产。Known的差异化在「人机协作」模型上，真人红娘作为AI的训练层和质检层，既是当前的信任锚点，也为模型迭代保留了持续输入高质量反馈的通道。

三个后续看点：麦克劳德平台年内上线后的首月用户留存率和付费转化率；Bumble和Grindr是否会在2026年底前做出更激进的AI付费切换动作；以及是否有AI约会公司率先公开匹配成功率的独立第三方验证指标——这将是赛道走向成熟的关键信号。

── 投黑马研究团队

AI办公正在从分散的模型、协作软件和云服务走向一体化。字节将飞书、豆包与火山引擎的产品及商业团队重新组合，腾讯和阿里同期归拢办公智能体产品线。企业工作入口的竞争由功能叠加进入组织协同与交付能力的比拼。

2026年7月30日，字节跳动启动面向AI业务的组织调整，AI办公成为此次变动的中心。据《科创板日报》报道，飞书产品团队与豆包产品团队将整合为新的豆包产品团队，由豆包负责人赵祺负责，飞书负责人谢欣向赵祺汇报；飞书现有产品和服务保持不变，双方将在生产力场景展开更深的产品协作。

同一轮调整还触及企业市场的销售体系。飞书GTM团队将与火山引擎团队整合，成立To B GTM组织「创造力服务平台」，统一负责字节MaaS、SaaS等云服务的市场、销售与客户服务，由火山引擎负责人谭待负责。GTM即产品走向市场的完整链条，包括获客、销售、交付和客户成功。

这轮重组把AI办公的四个关键部分拉进了同一张组织图：模型能力、协作入口、云端运行环境和企业商业化。

一、飞书补上工作上下文，火山引擎补上执行底座

大模型进入企业后，需要解决的任务已经越过聊天和内容生成。一个能够完成真实工作的智能体，要理解企业知识，识别员工身份与组织权限，调用文档、会议、日历和业务系统，还要在受控环境中连续执行多步操作。

飞书掌握消息、文档、会议、知识库、组织关系和权限体系，这些信息构成AI理解「谁在做什么、可以访问什么、下一步该找谁」的工作上下文。飞书官网对「飞书里的豆包」的说明也显示，豆包正逐步进入知识问答、文档、搜索、群聊总结、会议与妙记问答等协作入口。

豆包承担通用AI入口和模型能力。QuestMobile数据显示，2026年6月豆包活跃用户规模为3.82亿，千问和DeepSeek分别为1.67亿和1.29亿。火山引擎则提供模型服务、算力、数据平台和智能体运行环境。火山引擎在6月FORCE原动力大会披露，豆包大模型日均Token调用量已达180万亿，过去一年增长超过10倍。

三者组合后，一项企业任务可以从飞书中的消息或文档触发，由豆包理解目标并规划步骤，再通过火山引擎调用模型、数据与工具完成执行。产品团队合并的价值，就在于减少身份、权限、数据和工具之间的接口损耗。

二、AI To B的收入将由三层产品共同驱动

字节此前的企业业务边界较清楚：飞书销售协作软件，火山引擎销售云计算和模型服务，豆包主要承担通用AI产品入口。智能体让三种产品的客户需求开始重叠。企业购买飞书AI能力时，会产生模型调用和云资源消耗；采购火山引擎后，也需要一个让员工使用智能体的日常入口。

新的商业结构可以分为三层。第一层是飞书的账号、协作与管理软件订阅；第二层是豆包模型按Token或套餐计费；第三层是火山引擎的算力、数据、智能体开发与运行服务。统一GTM组织有机会把一次单品销售变成组合式采购，并通过客户使用量增加实现扩张收入。

这也解释了销售团队为何与产品团队同步调整。企业AI项目需要共同完成场景选择、权限配置、数据接入、模型评测、上线运行和持续服务。多个团队分别拜访客户，容易形成重复销售和责任断点；统一客户界面后，字节可以围绕一项业务结果配置不同产品。

目前仍缺少公开数据证明组合销售已经提高合同金额、续费率或毛利率。日均Token调用量反映使用规模，月活反映入口规模，两者都不能直接等同于收入。投黑马此前在OpenAI部署公司的分析中提到，企业AI价值正在从提供模型延伸到完成落地，交付效率也会成为商业化上限。

三、国内大厂同时归拢办公智能体产品线

字节的动作发生在一轮密集的行业调整中。7月20日的腾讯内部通知显示，QClaw产品中心相关业务及部分团队调整至云产品六部，这也是WorkBuddy所属部门；QClaw继续运营。7月21日，多家媒体报道称，阿里将QoderWork、悟空和MuleRun整合为「千问办公」，由钉钉CEO陈宇森负责。

不到十天，腾讯、阿里和字节先后把分散的办公智能体产品向统一负责人或统一部门归拢。竞争重心正在从单个智能体的功能完整度，推进到模型、数据、办公入口、云平台与销售服务能否协同。

需求侧也在升温。易观分析发布的《2026年二季度中国办公智能体平台市场洞察》显示，2026年6月，17款国内主流桌面端AI原生办公智能体合计访问量超过6000万次，WorkBuddy月访问量领先，TRAE IDE国内版与QoderWork处于第一梯队。市场尚未定型，但用户已经开始把AI从网页问答带进桌面任务。

四、全球争夺的是组织上下文与行动权限

微软和谷歌正在沿着相近方向建设企业AI栈。微软2026年6月开放Work IQ API，把邮件、日历、会议、聊天、文件、人员和业务系统形成的组织上下文提供给智能体，并加入工具调用、长期任务工作区、权限和审计能力；商业模式采用Copilot Credits按使用量计费。

谷歌在4月升级Gemini Enterprise，将模型、智能体开发、长期任务、协作空间、连接器和治理集中到同一平台。Workspace Intelligence进一步把Gmail、Docs、Drive和Meet中的信息组织为实时工作上下文，让智能体在原有权限边界内理解任务并采取行动。

这些布局呈现出共同方向：下一代企业生产力平台需要同时拥有工作入口、组织上下文、行动工具和治理系统。模型可以替换，企业数据迁移、权限重建和流程改造的成本更高。平台争夺「工作入口」，实质上是在争夺智能体理解企业并获得行动许可的位置。

对创业公司而言，通用办公助手正面临更强的平台挤压，机会将更多出现在垂直流程、跨系统连接、权限治理、智能体评测和高价值任务交付。只要项目能够把AI输出转化为可验证的业务结果，大厂统一底座也可能降低其模型和基础设施成本。

投黑马 · 前沿洞察

字节此次调整的核心，是让模型、企业知识、执行环境和商业交付围绕同一项工作任务运转。AI办公由功能插件进入平台重构期，组织边界开始跟随产品边界改变。

最值得关注的创业机会集中在平台之间仍未标准化的连接层，以及对权限、安全、质量和业务结果负责的垂直执行层。通用入口趋于集中，行业知识与交付责任仍然分散。

后续可观察三个具名信号：飞书与豆包是否推出统一企业产品和账号体系，「创造力服务平台」是否披露组合定价与客户案例，腾讯WorkBuddy和阿里「千问办公」能否把访问量转化为企业续费与任务完成率。

── 投黑马研究团队

AI数字人正在进入影视内容生产：老牌艺人用授权分身延长荧幕生命，虚拟角色则从短剧走向独立账号运营。模型能力之外，肖像边界、内容控制和持续塑造角色的能力，将决定这门生意能否走出新鲜感。

2026年7月，王祖贤年轻时期的AI形象出现在网易游戏《天下》的宣传短片《倩影》中。片尾以「演员：王祖贤（AI）」标注身份，两分钟短片全部由AI生成。公开报道显示，王祖贤授权了年轻时期的形象，底层制作使用网易互娱DM Monet画布与火山引擎。

几乎同一时间，AI短剧《被裁掉的女孩》里的方桃子与周以衡开始以「演员」身份走红。据新播场7月24日报道，该剧播放量超过2亿；方桃子的独立账号更新早餐、买花、健身和探店，单条日常视频最高获得超过21万次点赞。一个角色从剧情中走出来，开始拥有连续的人设、社交关系和粉丝。

两种路径共同指向一个新近升温的文娱产品：有现实原型的数字分身，以及完全由模型生成的虚拟演员，正在进入短片、短剧、游戏和广告。

一、两类AI演员，做的是两门生意

有现实原型的数字分身，核心资产来自具体个人的脸、声音和可识别表演特征。王祖贤的《倩影》属于这一类。吴启华今年6月公开透露，已将自己20岁时的肖像授权给AI影视制作公司；游本昌则授权肖像与声音参与微短剧《济公之冒牌降龙》，公开信息显示，合作限定为一部作品，并保留对剧本和成片的审核权。

这类产品出售的是受约束的使用许可。艺人的公众认知、经典形象和观众记忆能够缩短内容冷启动周期，制作方则减少重新邀约、化妆和实拍的部分成本。艺人肖像权、声音权益与影视角色版权仍属于不同权利层，复现一张脸并不自动获得角色、剧本、服装设计或原作的改编权。

方桃子代表另一条路线。她没有对应的真人明星，角色价值由外形设定、故事经历、语言习惯、社交账号和粉丝关系共同积累。制作团队既是制片方，也承担经纪公司与账号运营工作。虚拟角色可以延续到第二季、品牌内容、直播互动和衍生品，商业重点由单次播放转向角色生命周期。

美国演员工会SAG-AFTRA把这两类对象分别称为「数字复制品」与「合成表演者」。前者可识别地复现真实个人，后者呈现为人类，却不对应某一位可识别演员。这个区分也为国内市场提供了一条清晰边界：授权明星分身与从零经营虚拟IP，需要完全不同的权利链和运营能力。

二、商业模式开始从单片授权走向平台化

明星数字分身最直接的收入来自项目授权。合约可按作品、期限、区域、媒介和商业场景计价，艺人还可以保留剧本、品牌类别和最终成片的审核权。老牌艺人的年轻形象尤其适合游戏NPC、致敬短片、品牌创意和经典内容再开发，但反复调用同一张怀旧面孔，也会快速消耗新鲜感。

AI原生角色的收入结构更接近「内容IP加虚拟网红」。短剧负责建立人物关系，独立账号负责日常陪伴，广告、商单和衍生内容承担变现。《被裁掉的女孩》让方桃子在剧情外买花、健身、回复评论，说明运营团队已经把角色当作持续更新的媒体账号，而非一部作品里的静态资产。

平台正在把两条路线装进同一套基础设施。爱奇艺2026年世界大会披露，超过100位深度合作艺人同意入驻纳逗Pro艺人库，创作者可以从库中选择艺人，并与本人或团队沟通合作权益和执行细节。纳逗Pro同时连接IP库、数字资产库、制作智能体、平台分发与分账系统，试图把「找角色、谈权利、做内容、拿流量、收收入」串成一条链。

这条赛道目前处于「升温中的商业验证期」。内容已经出现爆款，授权案例也开始增加；标准合同、可复用工作流和长期付费仍在形成。此前投黑马在AI视频改写导演入场券中讨论了小团队制作门槛下降，数字艺人把变化进一步推进到了选角、经纪和IP运营。

三、真正的基础设施是权利控制与可追溯

脸和声音属于高度敏感的身份资产。国内现行《互联网信息服务深度合成管理规定》要求，服务商提供人脸、人声等生物识别信息编辑功能时，应提示使用者依法告知被编辑个人并取得单独同意。2025年9月1日起施行的《人工智能生成合成内容标识办法》，又对视频等内容提出显式与隐式标识要求。

对一份数字分身合同而言，授权对象只是起点。行业还需要明确用途、期限、区域、媒介、可否转授权、能否改写人设、是否允许训练新模型、生成素材由谁保管、合约结束后如何删除，以及艺人对剧本和成片拥有什么控制权。数字分身若进入实时对话或开放式游戏，角色可能说出合同签署时从未写过的台词，审核方式也要随产品形态改变。

全球市场正在把这些问题写进合同。SAG-AFTRA的2025年广告合同要求，创建数字复制品前取得同意，使用前提供足够具体的用途说明并再次取得知情同意；数字复制品生成表演会触发相应报酬。合同还规定，最后一支广告使用期结束后，制作方若未取得继续保存的同意，应销毁数字复制品。

这些条款展示了一套可交易的权利结构：知情同意、逐项用途、持续补偿、访问控制、到期处置和再次授权。未来数字艺人平台的竞争力，很大一部分将来自权限管理、版本记录、内容标识、收益结算与侵权追踪。本文仅作行业观察，具体授权合同仍应由专业法律人士审核。

四、演员价值将从可见外形转向不可复制的表演

AI可以稳定生成面孔、服装和动作，也能把一位艺人的年轻形象放进新的场景。连续的微表情、复杂身体语言、对手戏反应和长时间情绪变化仍需要大量人工选择与修正。模型降低了获得「可用镜头」的成本，角色是否令人相信，继续取决于剧本、导演、表演知识与剪辑。

这会重新划分演员市场的价值。外形统一、动作程式化、角色差异较小的内容，更容易使用虚拟演员；鲜明的身体质感、声音节奏、即兴反应和真实人生经验，会成为真人演员更重要的优势。数字分身也可能成为演员的新工具，让本人在体力受限时参与特定项目，或授权不同年龄阶段的形象。

虚拟演员没有私人生活，却仍然可能出现版权争议、人设失控、虚假代言和运营事故。风险从艺人个人转移到了制作方、平台与模型供应链。每一次生成、修改和分发由谁批准，将成为数字经纪业务的核心流程。

短剧是否因此迎来新一轮热潮，最终要看角色能否持续被观众喜欢。怀旧面孔可以带来第一次点击，精致外形可以带来关注，好故事、稳定人格和清晰权利链才能支撑第二季。数字艺人的长期价值将由内容复利决定。

投黑马 · 前沿洞察

AI数字艺人的核心变化，是把演员的脸、声音与角色运营拆成可以分别授权、生成和持续管理的内容资产。影视公司的选角能力因此开始与数据权限、模型工作流和账号运营结合。

当前最值得关注的玩家包括拥有艺人关系和IP库的平台、能够完成精细授权管理的经纪与法律服务团队，以及具备连续叙事和角色运营能力的AI原生工作室。单次生成效果很快会普及，权利链与角色生命力更难复制。

读者可持续跟踪三个可观测看点：纳逗Pro艺人库是否披露首批正式合作项目与分账方式，方桃子等AI角色能否在第二季和商业合作中保持热度，明星数字分身合同是否开始公开用途边界、收益分配与到期删除机制。

── 投黑马研究团队

2026年5月，一部3分34秒的AI短片《丧尸清道夫》把刘梓瑜推到聚光灯下。这位中专毕业、没有电影学院经历的云南创作者，用10天和约3000元完成作品。云南网5月20日的采访显示，当时全网播放量已超过6000万；随后地方公开报道又提到海外播放量超过1200万，后续媒体按多平台统计称总播放量突破1亿。

这不只是一则「普通人逆袭」故事。4月举行的第十六届北京国际电影节AIGC单元中，1997年出生的孟柯凭55分钟悬疑片《霉》获得最佳导演奖与最佳技术突破奖，《七日浮生》获得最佳AIGC长片。非科班、小团队和原本处于产业边缘的创作者，第一次可以绕过漫长的项目立项，用成片直接面对观众、平台和电影节。

一、进展详情：一台电脑开始承担半个剧组

传统影视生产的门槛，不只是一台摄影机。编剧、分镜、美术、演员、场景、灯光、后期与发行要形成一条完整链路，任何一环都需要资金和协作。AI视频把其中一部分工作压缩进了个人电脑：文本和图片生成提供概念设计，视频模型完成镜头素材，剪辑、配音和特效工具负责把离散片段拼成作品。

刘梓瑜的经历说明，这套工具首先释放的是「做出第一部片」的权利。他过去负责家中公司的宣传片，也做婚礼摄影，2026年1月底才开始系统接触AI视频。制作《丧尸清道夫》时，他没有先写好完整剧本，而是从机器人牛仔、原子朋克、海滨和丧尸等元素出发，在不断生成与修改中形成叙事。片中一个机器人骑鸵鸟、被倒下的椰子树绊住的镜头，仍需要他反复试错，再用后期手段遮盖模型缺陷。

另一类创作者采用更接近传统导演的方法。《七日浮生》接近50分钟，7人团队会先围读剧本、拆解人物关系，再把分镜交给不同模型生成。导演刘驰需要像给演员讲戏一样，先说明人物低头究竟源于愧疚还是思考。AI并不理解整部剧本的情绪弧线，创作者必须把意图拆成可执行的镜头任务。

变化因此很具体：AI减少了调动真实人力和物理资源的成本，却没有取消导演工作。它把导演的部分职责，从「管理一个庞大剧组」改成了「管理模型、素材和反复试错」。

二、趋势与商业模式：最稀缺的不是提示词

把这些案例放在一起看，AI影视正处于「升温」阶段，但竞争重点已经从会不会生成画面，转向能否持续控制画面。

《牡丹记》是一个典型样本。两位创作者用宣纸与纸塑质感构建视觉世界，7分钟短片每分钟约设置10个关键帧，制作周期横跨半年。两人估算的模型会员成本约2000元，远低于真人制作，但大量时间仍花在绘制、修图、重做关键帧和统一人物风格上。低成本不等于一键生成，它只是让创作者可以承担更多次失败。

这也解释了为什么「会写提示词」很快会从优势变成基础技能。真正难复制的是四件事：能否写出值得拍的故事，能否把情绪拆成镜头，能否建立稳定的视觉体系，以及能否在不完美的素材中做出取舍。AI把技术平均线抬高之后，人的审美和判断反而更醒目。

商业模式也在同步成形。第一层是工具订阅与按量生成；第二层是为品牌、广告、短剧和游戏提供制作服务；第三层是围绕作品开发系列内容、角色和IP；第四层则是平台用赛事、流量、算力和合作计划绑定优质创作者。快手披露，可灵AI在2026年第一季度收入超过6.5亿元，同比增长超过300%，并推出最多15人实时协作的团队计划。这说明AI视频已经不只是模型展示，而是在向生产软件与协作平台演进。

不过，创作者被平台称为「超级创作者」，不代表已经掌握稳定的商业地位。很多合作首先服务于模型展示，直接转化未必高；平台也可能通过算力赞助、独家档期和流量资源影响创作者选择。对小团队而言，真正可持续的资产仍是观众关系、可复用工作流和自有IP，而不是某一次被模型厂商认领的爆款。

三、全球风口与格局：模型、工作台和内容公司正在合流

全球AI视频竞争已不再只比单个镜头的画质。谷歌把Veo、Imagen和Gemini整合进电影制作工具Flow，让创作者管理角色、场景、物体与风格；Veo 3.1随后加入竖屏生成、角色和背景一致性增强，并提供1080p与4K选项。Adobe则把自家模型与Veo、Runway、可灵等模型放进同一创作环境，强调生成、编辑和时间线衔接。

内容公司也开始从采购工具走向共同开发。2026年6月，Runway与狮门影业扩大合作，狮门对Runway进行股权投资，双方计划基于现有IP与生成模型共同开发短篇剧集。另一边，快手称可灵AI已经进入影视、广告、电商和游戏等专业场景。模型公司需要优质作品证明能力，内容公司需要更快的试制与交付，创作者则需要算力、发行和商业订单，三方正在形成新的协作关系。

格局仍有明显的不确定性。人物一致性、复杂表演、长镜头调度、配音和细节稳定性，仍会限制大银幕级作品；训练数据、角色肖像、音乐和视觉风格的授权，也决定作品能否安全商业化。更重要的是，当生成本身越来越便宜，内容供给会迅速膨胀，观众对「AI感」的新鲜度会下降。届时决定胜负的，不是作品用了多少模型，而是它有没有值得记住的人物、情绪和叙事。

四、AI降低的是试错成本，不是成名难度

AI视频确实让更多人第一次获得了完成作品的机会，却不会让每个创作者都成为导演。过去的稀缺资源是摄影棚、设备、演员和资金；现在新的稀缺资源变成注意力、审美、稳定产能与版权清晰的内容资产。门槛没有消失，只是换了位置。

对影视行业而言，最可能发生的不是「一个人替代所有人」，而是项目早期的概念设计、预演、分镜和部分镜头生成先被重构。小团队能够用成片验证创意，大公司则可以用AI降低试制成本，再决定哪些项目值得投入真人制作。纯AI、真人实拍与混合制作会长期并存，并按题材、预算和观众预期分工。

这也与投黑马此前对AI长片制作成本结构和创作者自有受众成为发行渠道的观察相连：制作门槛下降之后，发行能力与观众关系会成为更重要的筛选器。

对新创作者而言，这个窗口仍然真实存在。刘梓瑜、孟柯和《牡丹记》的创作者证明，非科班身份不再等于无法进入牌桌。但AI只能帮助一个想法更快变成画面，无法替代生活经验、叙事训练和对人的理解。下一批真正留下来的创作者，未必是最早学会某个模型的人，而是最早把模型变成个人语言的人。

投黑马 · 前沿洞察

AI视频的本质，不是把电影变成一句提示词，而是把影视生产的第一轮试错从重资产项目压缩为个人和小团队可以承受的创作实验。

当前最值得关注的玩家不只包括可灵、Veo、Runway和Adobe，也包括能把爆款转成连续作品的AI原生工作室。模型能力会趋同，稳定的导演方法、观众关系与自有IP更难复制。

读者可持续跟踪三个可观测看点：AI短片创作者能否推出第二部稳定作品，平台的「超级创作者」计划能否形成可持续分账，AI参与的长片是否开始公开制作成本、版权链与真实票房数据。

── 投黑马研究团队

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。

今年早些时候，纽约联邦储备银行发布的数据显示，美国哲学专业毕业生找到工作的概率高于计算机科学专业的同龄人。在数据可查的最近一年（2024年），计算机科学专业毕业生失业率为7%，哲学专业仅为5.1%。耶鲁大学哲学家卢西亚诺·弗洛里迪（Luciano Floridi）说，不少学生还没毕业就收到了offer，学术界的人才流失被他形容为一场「大出血」。这股看似反常的潮流背后，是AI实验室正把两千多年的哲学传统，当成一种新的工程方法在用。

一、进展详情：从苏格拉底到「灵魂文档」

哲学给AI研究者的启示，许多其实由来已久。古希腊的「苏格拉底式反诘法」——佯装无知、层层追问，以澄清概念、暴露矛盾、揭示后果——正在被搬进模型训练。慕尼黑大学哲学与人工智能专家约尔格·诺勒（Jörg Noller）观察到，经过苏格拉底式方法训练的模型，不再那么热衷于讨好人类，而是更愿意追求真理，从而缓解当前许多系统普遍存在的「阿谀奉承」倾向。

与之配套的是「苏格拉底式无知」：在《申辩篇》中，苏格拉底称自己的智慧主要在于知道自己有多无知。把这种谦逊植入模型，有助于抑制过度自信——诺勒把这一常见缺陷称作「人工智能的不成熟」。谷歌DeepMind资深哲学家伊阿松·加布里埃尔（Iason Gabriel）认为，全行业幻觉现象的减少正得益于此类努力；从更宏观的层面看，他把哲学训练称为改善长链条推理（即「思维链」）的「强大机制」。

最具代表性的产物，是给模型写一部「宪法」。位于旧金山的AI实验室 Anthropic 是这一理念的倡导者之一——其 Claude 模型的「宪法」融合了从康德著作、苹果公司服务条款到《世界人权宣言》的庞杂素材，由首席哲学家阿曼达·阿斯克尔（Amanda Askell）主导的最新版本于1月21日发布，长达78页，被一些员工戏称为 Claude 的「灵魂文档」。

二、趋势与商业模式：把伦理框架做成产品旋钮

把单一案例放到一起看，会发现这并非孤立事件，而是一条正在升温的产业走向：哲学训练正从「锦上添花」变成模型差异化的底层配置。它至少沿三条路径商业化。

其一是把价值观直接写进模型。特拉华大学技术哲学家托马斯·鲍尔斯（Thomas Powers）举例，若给一个AI法律助手喂入约翰·洛克的著作，它便会把强有力的财产权视为政治自由的基础。开发者若不认同某套原则，可以替换素材，也可以做成可调参数。IBM 的「Granite」系列模型就配备了调节旋钮，让企业客户把模型输出与自家理念对齐；IBM 负责任人工智能负责人弗朗西斯卡·罗西（Francesca Rossi）说，这些旋钮让用户自行选择哲学上的权衡，例如在「个人自主」与「社会和谐」之间找平衡。把抽象伦理变成一个可销售的配置项，这正是新商业模式的雏形。

其二是把伦理框架当成产品性格来差异化。哲学家主要聚焦两大伦理路线。一是「义务论」（deontology），它设定严格规则，禁止撒谎、胁迫以及把人当作手段，即便是为了更大利益。Anthropic 的宪法纳入了大量义务论规定，鲍尔斯认为这能让AI行为更一致——对于要部署进家庭和公共场所的机器人是一项优势；牛津大学哲学家尼克·博斯特罗姆（Nick Bostrom）则指出，以义务论视角看世界的模型往往更诚实、更不容易误导用户，而诚实正是 Claude 受关注的特质之一。另一条路线是「后果论」（consequentialism），通过权衡成本与收益来决策，OpenAI 的 ChatGPT 与谷歌的 Gemini 更偏向这一路线——谷歌为其模型设定的「整体利益远大于可预见风险」便是典型的结果导向目标。

可以判断，这条赛道正处在从「萌芽」迈向「升温」的阶段：标准尚未统一，但头部实验室已不约而同把伦理路线作为模型对外的核心性格标签。

三、全球风口与格局：实验室、车企与安全公司同时入场

往全球视野看，争抢哲学人才的并不只有大模型公司，资本与岗位正沿着「凡是要替人做判断的系统」扩散。

应用层是一个明显的聚集点。硅谷实验室 Inflection AI 把义务论约束用在了主打情感支持的聊天机器人 Pi 上，其负责人肖恩·怀特（Sean White）说，Pi 擅长识别有自残或伤害他人风险的用户；弗洛里迪也指出，义务论式的「宪法」有助于确保合规。自动驾驶是另一个核心场景——当事故不可避免时，软件必须决定以何种最不惨烈的方式碰撞，这是一道典型的后果论难题。Waymo 高级工程师克里斯·格德斯（Chris Gerdes）说，当前趋势是让驾驶软件更具后果论导向。在国防与军用系统领域，后果论同样处于核心：相关从业者表示，系统设计需要把任务目标与可能的附带伤害进行权衡——这里的讨论停留在技术与伦理框架层面，而非政策评判。

格局之外，变量同样清晰。哲学家关心的「棘手问题」恰恰是这套体系尚未解决的部分：什么情况下可以打破义务论规则？后果不明朗时如何决策？系统是否该把动物福利或环境纳入考量？为商用车制造AI安全系统的 Nauto 公司负责人、哲学家斯特凡·赫克（Stefan Heck）甚至抛出一个更尖锐的设问：优先保护年轻行人而非老年行人，道德上是否可接受？他预测未来会出现充满伦理争议的诉讼——毕竟后果论算法明确允许造成某种伤害，只要初衷是避免更严重的后果。批评者还担心「道德能力退化」：当机器越来越多替人做伦理判断，人类是否还愿意自己判断？路易斯维尔大学AI理论家罗曼·扬波斯基（Roman Yampolskiy）提醒，道德「在历史上不稳定、在文化上多变、在战略上可被操纵，而且往往只有事后才被理解」。

投黑马 · 前沿洞察

哲学家进入AI，本质上是模型竞争从「能力」延伸到了「价值观」——当各家模型的智力水平逐渐拉平，「它信什么、守什么规则」正成为新的差异化战场。

当前最值得关注的，是把伦理框架做成可销售配置的尝试：从 Anthropic 的78页「宪法」到 IBM 的价值观旋钮，抽象哲学第一次有了明确的产品形态与付费理由。

读者可持续跟踪三个具体看点：一是各家模型「宪法/对齐文档」的公开版本与更新节奏，二是义务论与后果论路线在自动驾驶、情感陪伴等场景的落地分化，三是首批围绕「算法允许的伤害」展开的伦理诉讼何时出现。

── 投黑马研究团队

大多数投资人都听过「拿得住才能赚大钱」，于是把「死拿」当成了一种信仰。但在一级市场，长期持有从来不是一个决定，它常常是「不做决定」的代名词。本文介绍投黑马总结的「退出决策树」框架，用论点、赔率、流动性三个节点，把模糊的「要不要卖」拆成可重复执行的判断。读完你会发现：真正的退出纪律，不是预测顶部，而是在每一个节点上诚实地重新选择一次。

一、开篇：你以为自己在坚守，其实只是停止了思考

先讲一个几乎每个基金都经历过的场景。

某只基金在 A 轮投进了一家明星公司，三年里估值翻了八倍。中间有过两次老股转让的机会，对手方愿意按当时估值的九折接走一部分份额，落袋的金额足够把整只基金的本金收回来。负责这个项目的合伙人拒绝了，理由很体面：「我相信这家公司，它会是我们这期基金的本垒打。」

又过了两年，行业风口转向，公司增长停滞，再融资按下修估值完成，老股转让市场上几乎无人问津。当初九折能走的份额，现在打四折都没人接。基金到期清算时，账面上这个项目仍然是「浮盈」，但 DPI——真正还给出资人的现金——惨不忍睹。复盘会上，那位合伙人说了一句很诚实的话：「我以为我在坚守，但其实从第一次拒绝转让那天起，我就再也没认真想过这个仓位该怎么办。」

这是一级市场最隐蔽的亏损方式。它不像看错项目那样有明确的失败时刻，而是温水煮青蛙——你把「持有」误当成了「判断」，把「死拿」包装成了「信仰」。问题的根子在于：绝大多数投资人有一套完整的买入框架，却几乎没有一套同样严谨的退出框架。 买的时候问十个问题，卖的时候只剩一句「我相信它」。而「相信」恰恰是最不需要动脑的那个动作。

真正的问题不是「你该不该卖」，而是「你凭什么判断该不该卖」。当你说不出这个「凭什么」，你的持有就不是信仰，是赌博——只不过赌的是时间，而时间在一级市场里是最贵的筹码。

二、框架核心：把「要不要卖」拆成一棵每期重走的决策树

投黑马在长期跟踪早期项目退出的过程中，反复看到同一个规律：退出做得好的机构，靠的不是某次精准的顶部逃顶，而是有一套可以周期性重复执行的退出判断流程。我们把它命名为「退出决策树」。

它和「止损线」有本质区别。止损线是一条静态的价格红线，触发就卖，本质上把退出简化成一个数字。但一级市场没有连续报价，份额也不是想卖就能卖，一条线根本不够用。「退出决策树」不是一条线，而是一棵树——它由三个依次递进的节点组成，你每隔一个固定周期（比如每个财报季、每轮新融资节点）就从根节点重新走一遍，每个节点给出「继续持有 / 部分退出 / 全部退出」的指令。

三个节点分别是：

论点节点——你当初买入的投资论点，今天还成立吗，成立到什么程度？
赔率节点——从今天的价格往后看，剩余的赔率还配得上这个仓位吗？
流动性节点——你有没有一条真实可执行的退出通道？

这三问的顺序不能颠倒，它们是一个过滤漏斗：先判断「这家公司的故事变了没有」，再判断「就算故事没变，现在的价格还有多少肉」，最后判断「就算想卖，卖不卖得掉」。任何一个节点亮红灯，都会改变你的持仓决定。

需要说清楚边界：「退出决策树」解决的是「该不该继续持有、退出多大比例」的方向性判断，它不解决「具体卖给谁」「老股转让的价格怎么谈」这类执行层问题。它是一张决策地图，不是一本操作手册。把方向想清楚，执行才有意义；方向错了，执行越漂亮亏得越快。

三、框架详解：三个节点，依次过滤

第一问·论点节点：你的投资论点，现在处在哪一格？

定义。 每一笔早期投资，背后都有一个可以用一句话说清的论点：你赌的到底是什么。可能是「这个团队能在某个新市场里跑出第一」，可能是「这项技术会把某个环节的成本砍掉一个数量级」。论点节点要做的，就是定期把这句话拿出来，对照现实，看它落在三格中的哪一格。

核心问题：我当初赌的那件事，兑现了、失效了，还是路径变长了？

判断标准是把论点的状态分成三类，对应三种完全不同的动作：

• 论点已兑现：你赌的事情已经发生，公司已经成为你预期中的样子。这时候继续持有，赌的就不再是原来那个论点，而是一个你从未认真研究过的新论点（比如「它能从行业第一变成行业垄断」）。论点兑现是减仓信号，不是加仓信号。
• 论点已失效：你赌的核心假设被证伪了，团队没跑出来，技术路线被绕过，市场没起来。这时候任何关于「再等等就能回本」的念头都是赌徒谬误。失效就该走，哪怕亏。
• 论点未变但路径变长：故事还对，但兑现的时间从三年拖到了七年。论点没死，可你的资金占用成本、基金存续期都在被消耗。这一格最考验人，它不要求你立刻清仓，但要求你把它纳入下一问——赔率，重新算账。

反面示例。 最常见的错误是把「论点已兑现」当成「论点还在加强」，于是在公司最辉煌的时候不但不减，反而因为「越来越相信」而拒绝任何退出。信仰在这里偷偷替换了判断：你不是在评估论点，你是在为已经发生的浮盈寻找继续持有的理由。

第二问·赔率节点：从今天往后看，剩余赔率还配得上这个仓位吗？

定义。 赔率节点强迫你做一件反人性的事——忘掉成本价，只看未来。你已经赚的或亏的，是沉没的；唯一该计算的，是从今天这个估值再往后，这个仓位还能给你多少潜在回报、要冒多少潜在风险。

核心问题：如果今天我手里是现金而不是这家公司的份额，我还会按现在的估值买进来吗？

这是整棵树里最锋利的一刀。判断标准是「机会成本视角」：你占用的不只是钱，还有这只基金有限的额度和注意力。同样一笔钱，留在一个已经涨了八倍、剩余空间有限的项目里，还是腾出来投三个赔率更高的新项目？左侧投资的精髓从来不是「拿住一个就够了」，而是持续把资金配置到赔率最高的地方。当一个仓位的剩余赔率掉到你新项目的门槛之下，它就该让位。

这里有个关键纪律：赔率下降不一定意味着全部退出，更多时候意味着「部分退出」。 把本金和一部分利润拿回来，留一小块「免费仓位」继续享受可能的超额上行，是一级市场里最务实的中间解。它既尊重了「论点可能继续兑现」的不确定性，又锁定了已经到手的赔率。

反面示例。 典型错误是「锚定成本价做决策」——「我成本才一块钱，现在五块，跌回三块我也不亏」。这句话把退出判断建立在了和未来完全无关的历史数字上。市场不在乎你的成本，它只兑现未来的赔率。关于这种锚定如何系统性地毒化判断，投黑马在《估值锚定陷阱》里有专门拆解，此处不展开。

第三问·流动性节点：你有没有一条真实可执行的退出通道？

定义。 前两问在二级市场也成立，但第三问是一级市场独有的、也最容易被忽略的一环。你想退出，不代表你能退出。一级市场的份额没有连续报价，退出依赖具体的通道：老股转让、新一轮的部分套现条款、并购、IPO 解禁后减持。流动性节点要求你在「想卖」之前，先确认「卖得掉」。

核心问题：在我真正想退的那个时点，有没有一条现实存在、价格可接受的退出路径？

判断标准是把流动性当成一种会枯竭的资源来管理，而不是一个永远在那儿的选项。关键洞察是：流动性往往在你最想用它的时候消失。 公司高速增长、人人追捧时，老股一票难求，你想卖随时有人接——可那时论点和赔率都在告诉你别卖；等到增长熄火、你终于想退了，接盘的人也一起消失了。这就是为什么成熟的机构会在流动性最充裕、而不是最需要的时候，主动兑现一部分——他们是在流动性还在的时候提前锁定未来的退出权。

反面示例。 最危险的假设是「反正它要 IPO，到时候自然能退」。把全部退出寄托在一个尚未发生、且时间不可控的流动性事件上，等于把自己的现金回流交给了别人的时间表。开篇那个故事的合伙人，犯的正是这个错——他默认「明星公司总有人接」，却没意识到这个「总有人接」是有保质期的。

三个节点连起来看，逻辑非常清楚：论点决定「这个赌注还成不成立」，赔率决定「成立的话还值不值得占着这个仓位」，流动性决定「想退的话退不退得出来」。三问全绿，安心持有；任何一问亮红，就启动相应比例的退出。这棵树最大的价值，不是替你做决定，而是逼你每隔一段时间，诚实地重新做一次决定——而不是用「我相信」这三个字，把判断永久地外包给信仰。

四、实战案例：一笔被反复讨论的早期持仓，如何走完这棵树

把框架套到一个真实且被市场充分验证过的案例上：一家社交平台公司，一位以早期天使身份在 2004 年投入约五十万美元、最终持有到 2012 年上市的投资人。这是公开披露、被反复研究的一笔投资，正好可以完整走一遍「退出决策树」。我们只描述已经发生的事实，不做任何「他应该怎样」的评判——框架的价值在于还原决策过程，不在于事后裁判。

走第一问·论点节点。 这笔投资 2004 年的原始论点很简单：一个还在校园里的社交产品，有可能成为一代人的默认社交方式。到 2012 年公司 IPO 时，这个论点已经大幅兑现——它早已不是「有可能成为」，而是「已经成为」全球级别的社交平台。按照论点节点的判断，论点兑现是减仓信号：继续满仓持有，赌的将是一个全新的、风险收益结构完全不同的论点（从「全球社交平台」进一步变成「数十年的广告与数据帝国」），而这个新论点并不是当初买入时研究过的那个。论点节点在这里给出的，是「至少部分退出」的指令。

走第二问·赔率节点。 IPO 时点上，这家公司的估值已经是天使轮的成千上万倍。用「如果今天我手里是现金，还会按这个估值全仓买进吗」来拷问，答案显然是否定的——剩余的潜在涨幅，相对于已经到手的天文数字回报和上市后的波动风险，赔率已经被大幅压缩。赔率节点的指令同样指向「兑现大部分，保留一小块免费仓位继续参与上行」。这恰好解释了这类案例里反复出现的操作：在解禁窗口大比例减持，而非清仓，也非死拿。

走第三问·流动性节点。 这是最关键的一环。上市本身，就是一级市场投资人梦寐以求、却又极其稀缺的流动性事件——它在某个确定的时间窗口，把原本几乎无法变现的早期份额，变成了可以公开卖出的股票。流动性节点的纪律是「在流动性出现时兑现，而不是赌它永远都在」。IPO 解禁正是这样一个「流动性最充裕」的窗口，主动在此时兑现，本质上是在用确定的退出权，替换未来不确定的市场情绪。

框架帮我们看清了什么。 事后看，这家公司上市后股价又涨了数倍，「死拿到今天」的账面回报会更惊人。但这正是「退出决策树」要破除的幻觉：用上帝视角的事后最大值，去评判当时的退出决策，是不公平的，也是学不会的。 框架优化的从来不是「赚到最多」，而是「在每个节点上，基于当时已知的论点、赔率和流动性，做出风险调整后最合理的选择」。这个案例里，三个节点在 IPO 时点高度一致地指向「大比例兑现、保留少量上行」——这是一个有纪律的决定，而不是一次对顶部的精准预测。一级市场里没有人能持续逃顶，但有纪律的人，可以持续地不把已经到手的赔率，重新押回赌桌。

反过来，开篇那个亏掉 DPI 的故事，错就错在三个节点一个都没认真走：论点已兑现却当成还在加强，赔率已压缩却用成本价自我安慰，流动性还充裕时拒绝兑现、等枯竭了才想退。他不是输给了市场，是输给了「我相信」这三个字——它让他有了不做判断的借口。投黑马跟踪过的大量退出复盘里，这种「用信仰替代决策」的失败，远比「看错项目」更普遍，也更可惜。

投黑马 · 左侧心法

退出和买入是同一枚硬币的两面，但绝大多数投资人只磨了买入这一面。「退出决策树」的真正用意，不是教你逃顶，而是把「持有」从一个默认状态，变回一个需要每期重新签字确认的主动决定。论点、赔率、流动性三问，任何一问你答不上来，你的持有就失去了依据。

它帮你避开的最大陷阱，是把「死拿」浪漫化成「信仰」。信仰是停止思考的许可证，而一级市场最贵的成本，恰恰是时间和注意力被一个早该退出的仓位长期占用。真正的纪律不是拿得久，而是每一次继续拿，都有说得清的理由。

但要用好这棵树，有一个前提：你必须先有一个写得下来、能被证伪的原始投资论点。如果你买入时根本没想清楚自己在赌什么，那么退出时的三问会全部失灵——没有论点，就无所谓论点是否兑现。退出纪律的源头，永远在买入那一刻。

── 投黑马研究团队