【判斷1】一級市場迎來拐點，募投退同步修復，科技投資進入新周期
首先看數據。今年中國一級市場畫風和往年非常不一樣。去年8月我們科技投資大會的主題叫「渡口」，當時，數據是「止跌回暖、堵點仍存」。
2026年H1，數據可謂「激流」。市場不僅「回暖」，而且「反轉加速」，募投退三端同步改善：
募資端，LP參與基金數從1650起跳到2714起，按年增長64.5%；投資端，投資事件數按年增長15.6%，投資金額按年增長91.6%；退出端，IPO按年增長39.2%，併購交易金額暴增至去年上半年的兩倍。
這裏可以看到一個反差，投資金額的增長遠快於投資事件數的增長——資本回來了，但不是重新撒網，而是在向確定性集中。所以這不是舊周期迴歸，而是新的定價體系正在形成。中國科技投資正在進入新周期。
【判斷2】2026甲子星空座標系：中國科技投資象限分佈
這張圖是2026中國科技產業投資賽道的「甲子星空座標系」。
橫軸X：低資本耐心度→高資本耐心度
縱軸Y：低技術壁壘→高技術壁壘
兩軸形成了四個象限，我們分別命名為：硬核攻堅區、賽道卡位區、產品效率區、長坡厚雪區。
第一象限【硬核攻堅區】：高技術壁壘 + 高資本耐心度
代表未來國家戰略和硬科技方向，技術門檻極高、研發周期長（5-10年），需要長期資本支持，一旦成功具備壓倒性優勢，可重塑產業格局。
代表性賽道：
可控核聚變
光刻機
量子計算
光子芯片
投資邏輯：
技術代差帶來壁壘，國家政策支持強，卡脖子問題倒逼自主替代
適合國有資本+產業基金長期持有，投資人需有「10年不回本」的預期和極強的技術判斷力
資本關注高校/科研院所技術轉化項目
風險要點：
技術路徑不確定性高
受國際制裁影響大
極度依賴政策與人才
第二象限【賽道卡位區】：高技術壁壘 + 低資本耐心度
技術壁壘高，但往往概念先行、吸睛效應強，資源快速集聚形成虹吸效應，需要快速入局，否則就上不了牌桌，資本要求項目快速證明自己，快速給出里程碑事件。
典型賽道：
通用大模型
具身智能
世界模型
Harness
AI Agent
投資邏輯：
技術突破或新商業閉環引發巨大市場關注，激發想象空間
資本關注「風口」和首批可交付的里程碑場景
風險要點：
距離商業化閉環較遠
媒體或政策把預期拉爆，早期估值過高
後續孖展必須持續給出「里程碑」驗證，否則估值坍塌
第三象限【產品效率區】：低技術壁壘 + 低資本耐心度
護城河並不完全來自技術壁壘，可能來自於產品定義、運營或者規模，機會窗口期極短，一旦產品定義完成，會被快速模仿，需要快速迭代，資本追求短期流量變現。
典型賽道：
大模型套殼應用
AI內容生成工具
AI眼鏡
AI戒指、AI陪伴、AI寵物、AI睡眠等AI硬件
投資邏輯：
財務或產業資本快進快出
押注爆款，高舉高打，依賴渠道流量打法、營銷獲客能力
資本關注月均GMV增速、單用戶獲客成本、組織與效率
風險要點：
極易陷入價格戰，需警惕技術護城河缺失
模仿容易、抄襲氾濫
第四象限【長坡厚雪區】：低技術壁壘 + 高資本耐心度
「慢變量」生意，技術梯隊不明顯，但需求是長期的、剛性的，依賴場景深耕、數據積累、客戶黏性，復購效應強。
典型賽道：
養老科技
教育科技
工業AI
AI醫療
軍工AI
投資邏輯：
長期客戶價值與客戶黏性
場景排他性
資本關注復購率
風險要點：
收益釋放慢
市場教育周期長
存在客戶流失風險
賽道漂移
更重要的是，這不是一張靜態地圖，賽道會漂移。
橫向漂移最快：資本要求的兌現周期會變，這種變化以年甚至季度計。
從第一象限到第二象限的邏輯是：當一個賽道的技術里程碑臨近、新概念推高預期或者IPO窗口打開，資本耐心會突然下降，從「長期押注」進入「搶佔牌桌」。
從第二象限回到第一象限的邏輯是：一些賽道里程碑沒兌現、財務資本逃離，只剩國家意志和耐心資本陪跑。
縱向遷移相對慢，意味着壁壘的升降，以五年十年計。
向下的邏輯是：技術擴散把壁壘抹平，比如基座模型能力商品化，就會導致應用端陷入紅海，這是技術平權的必然；
向上的邏輯是：數據、資格、工藝和生態可能把壁壘重新堆高。
不同年份間賽道漂移，2026年的甲子星空座標系和2025年對比，已經發生了變化。2026年最明顯的變化，就是國產GPU、具身智能、商業航天、通用大模型等一批賽道，正在從「等未來」向「看兌現」遷移。
假如賽道中的第一批公司上市了或者馬上上市，一個遙遠的未來突然變得可見，資本自然會活躍，也就要求更快的兌現周期，它就從第一象限走向了第二象限，而越多賽道進入第二象限，資本就越活躍。第二象限有幾類，一類是已經跑出商業模型或局部盈利的，一類是臨近IPO的，另一類是世界模型等先行者卡位的。
【判斷3】AI投資進入激流：全球資本開支結構性重塑，水位、流速、流向、河道、河床，五個維度同時質變
收斂到AI領域的投資，更是「激流」。資金的水位、流速、流向、河道和河床正在同時變化。
水位上升：2026年上半年全球創業投資達到5100億美元，創下有史以來半年度全球創業投資額的新高；
流速加快：2026年上半年投資額已超過2025年全年；
流向匯聚：AI已變成絕對主導變量，AI吸收全球創業投資的70%以上，較2025年同期的55%明顯提升；
河道變窄：OpenAI和Anthropic兩家公司合計孖展2170億美元，約佔上半年全球創業投資的四成，高水位並未帶來普遍繁榮，資本河道正向少數頭部收窄；
河床變厚：2026年全球AI相關資本開支預計超過1萬億美元，投資從軟件擴展到算力、數據中心、電力、網絡和設備，資本正從模型向基礎設施底座擴展，流向支撐智能時代運行的整個產業底座。
所以AI投資的「激流」不是普漲：水位越高，頭部效應越強；流速越快，競爭門檻越高，判斷失效也越快。真正被重構的是整個智能時代的全球資本開支結構。
【判斷4】「四個世界的智能」彼此正交，同步演化，鋪就未來十年投資方向
接下來，我們跳出資本的視角，看一看AI發展本身的趨勢。
智能從來不是單一物種。2026年，AI系統正在面向數字、物理、科學和社會四類環境發展：
數字智能：AI參與認知和生產系統
物理智能：AI參與現實世界物理交互
科學智能：AI參與科學發現和知識構建
社會智能：AI參與組織和社會運行
四個智能面向「四種世界規律」——數字講程序與語義，物理講接觸與運動，科學講實驗與證據，社會講信念與規範。
這也是為什麼四者成熟速度不同。數字智能相對進展最快；科學智能因為擁有實驗反饋，正走向閉環雛形；物理智能受制於真實世界的長尾和失敗歸因，雖然火熱，依然在漸進發展；社會智能最難，因為狀態不可完全觀測、行為具有反身性，還受制度和倫理約束。
四個世界的智能鋪開了未來十年四條投資主線。
右圖數據顯示，數字智能領跑，物理智能、科學智能、社會智能依次放量。智能最終的舞台，是進入生產、進入物理、進入科學發現、進入社會運行，從「認知世界」擴展到「改變世界」與「創造世界」。
【判斷5】Scaling Laws多維延展，基模迭代趨近「熱更新」，「智能-速度-成本」三角博弈白熱化
Scaling Laws沒有結束，而是在向外擴展。
2026年，基模發布節奏從幾個月一次的大版本更新走向了幾乎「熱更新」。前沿智能指數的競爭越來越膠着，「智能-速度-成本」三角博弈白熱化。
前沿模型的主線任務，就是尋找下一個可以被Scaling的對象。而Scaling Laws得以成立，一個重要前提，就是智能的體系足夠複雜、變量足夠多——前沿模型總是可以發現下一個被Scaling的對象。
Scaling的對象一直在延展：從預訓練擴展走向後訓練擴展，走向推理時擴展，再走向系統級擴展。
預訓練擴大模型參數、數據、算力，後訓練擴大反饋、軌跡和驗證，推理時增加思考、採樣與搜索，系統級則擴大上下文、工具和多Agent協作。幾條曲線以冪律、階梯狀演進，即便是預訓練部分，在2026年Scaling laws也並未停止。合成數據+交互軌跡迴流貫穿其中，成為底層飛輪。
當然，再往後還有新Scaling的可能：一旦RSI（遞歸自進化）充分實現，如果系統能夠遞歸自我改進，想象空間會被進一步打開：合成數據飛輪、算法自發現、系統能力躍遷、自適應思考……Scaling就可能從「冪律/階梯狀Scaling」走向「遞歸Scaling」，那個時候增長的就不僅僅是智能，而是增長能力本身。
【判斷6】被低估的Harness：強模型不會終結系統工程，自優化Harness成為下階段看點
在模型膠着競賽、智能越來越強的同時，總有一個議題：模型是不是會吞噬一切？
答案是No。我要強調的是被低估的Harness。
這裏的Harness，指包裹在基座模型之外，負責Prompt、上下文、記憶、工具、技能、Sub-agent與運行流程的系統層，可近似理解為Agent的「操作系統」。
同一個模型，搭配不同Harness，最終表現相差很大。
一篇文章分析了64組「同模型、不同Harness」的對照，發現僅僅更換Harness，評測成績的平均差值就達到15.6%，在某些評測集上差距達48%；
在代碼、客服、科學研究等領域，專用Harness甚至貢獻了30%-50%的最終得分；
這篇文章還特別指出：更智能的模型並不會讓這個「Harness提升」的比例更小——伴隨模型變強，Harness可貢獻的價值比例不降反增。
為什麼？因為強模型打開了更大的行動空間，也製造了更復雜的系統問題。模型越強，Harness越不是「外掛」，而是逐步演化、上移，從模型外圍走向支撐Agent持續運行的系統底座。
基模可能吞噬Harness中靜態、通用的部分，但隨之而來，Harness將從基礎調用逐步上移到持續運行與系統組織，向更高層次、更復雜的問題轉移。
「不斷上移」之路：
Prompt被模型吞噬後，價值上移到Context；
Context部分被內化後，價值上移到工具與狀態；
工具選擇變強後，價值上移到反饋、驗證和恢復；
單Agent更強後，價值上移到多Agent組織、權限和治理。
模型提供原始能力，Harness決定這些能力如何被組織、放大、驗證和交付。
值得一提的是，2026年，Harness出現了新的進展：從人工優化走向自主優化。
2026年，兩項研究Self-Harness與Continual Harness把Harness自身變成AI可以優化的對象。
Self-Harness的思路很簡單：先讓AI跑任務，跑完以後自己覆盤，再去修改、優化自己的Harness，下一輪再驗證有沒有變好；Continual Harness又往前走了一步——不是跑完再改，而是邊跑邊改。右圖可以看到，自優化的Harness帶來了明顯性能提升。
雖然這個方向仍處於特定場景下的早期驗證階段，但可以判斷，強模型不會終結系統工程，自優化Harness將成為Agent發展的下一個重要看點。
【判斷7】世界動作模型（WAM）：補上VLA的「預測層」，賦能機器人決策閉環
然後看物理智能。一個關鍵議題是世界模型。今年世界模型非常火，不同技術路線也越來越多被討論。去年被討論最多的是VLA，而今年，WAM（世界動作模型）受到越來越多關注。
目前產業一線的真實格局是：VLA仍是落地產品的絕對主流，WAM處於前沿探索期，但越來越重要。
一組任務對比數據很能說明問題：純VLA在標準場景表現可用，可一旦物體佈局、光照、背景發生變化，任務成功率顯著衰減。而原生WAM在佈局變化的場景下，綜合魯棒性最優。
為什麼？VLA讓機器人「會行動」，WAM為機器人補上的是行動之前的「預測」和「推演」能力，這背後是對世界物理因果的深層建模。
另一個值得關注的是，數據範式也變了。VLA直接模仿動作，極度依賴海量真機操作數據；WAM學的是環境演化規律——機器人不再需要靠「喂」那麼多真實試錯來學會幹活。
當然，WAM不是要替代VLA。二者融合，可能讓機器人從「能動」變成「算好了再動」、「想清楚再做」，而這是從自動化邁向更高階智能化的關鍵一步。
【判斷8】AI for Science：從「預測科學對象」到「重構科學過程」，從科研輔助進入「閉環系統」早期形態，但尚未實現「關鍵一跳」
然後看科學智能。提到AI for Science，很多人想到的是AlphaFold，它代表上一階段最漂亮的範式——AI很擅長預測科學對象，尤其是數據乾淨的科學對象。
但2026年，AI for Science的敘事正在發生轉移：它不再只是預測蛋白質結構、預測材料性質，而是開始重構科學發現的全過程。
這個轉移我概括為四層閉環，每一層都有一些具體進展：
第一，流程閉環。AI Scientist把「想法-代碼-實驗-論文」端到端跑通，證明科學流程可以被Harness化；
第二，實驗閉環。Co-Scientist和Robin開始提出假設，並把真實實驗結果重新反饋給模型；
第三，物理閉環。AI X-ray Scientist讓AI規劃、控制真實科學設備；
第四，知識閉環。Astra等模型開始產出原創數學結果，並接入形式化證明和驗證。
2026年的AI for Science，正在從「預測科學對象」走向「重構科學過程」，從科研輔助進入閉環發現系統的早期形態。
當AI參與科學發現，很自然的一個問題就是：它可以成為愛因斯坦嗎？
要做到接近愛因斯坦級別的科學發現，要經歷一個「關鍵一跳」：從經驗感知「跳」到公理假設（溯因推理和範式革命）。
AI能不能Jump？能不能完成從經驗事實到全新理論公理的直覺飛躍？答案是：還不能。
當前AI越來越擅長在已有問題空間裏搜索、實驗、驗證和優化，卻尚未穩定表現出這個「縱身一躍」的能力。目前的AI Scientist證明了「閉環可以被工程化」，但還沒有證明「Jump可以被算法化」。
為什麼不能Jump？背後原因引發了不同立場的論文。
一派認為問題在「缺感」——AI缺少具身經驗和物理直覺；另一派認為問題在「缺懲」——認知錯誤沒有與真實世界代價充分耦合。
兩種解釋不同，卻指向同一個大方向：讓AI獲得更豐富的世界經驗和更真實的驗證反饋。如果「關鍵一跳」可以實現，將開啓最令人期待的未知領域。
【判斷9】RSI遞歸自進化：AI不僅改自己，還開始改「改進自己的方法」
再接着說一個前沿性感概念，也是近來一級市場Neo Labs中最貴的方向之一——RSI（recursive self-improvement，遞歸自進化）。
RSI概念的思想可以追溯到I.J.Good在1965年的「智能爆炸」：如果機器能夠參與設計更好的機器，自我改進就可能形成反饋迴路。這當然符合人們對AI下一個範式最樸素、自然、本能的期待。
2026年，RSI正在成為AI研究快速升溫的新方向。
相關arXiv論文從2025Q1不足30篇增加到2026Q2約500篇，一年多漲了16倍。討論已經從「能不能」的命題層，下沉到「在哪改、怎麼改」的工程層。
當下一個最現實的路徑是：RSI未必從模型開始，更可能先從更容易驗證的Harness和研發流程開始。
2026年8月，香港科技大學的一名博士生在arXiv上介紹了一個名為HSI（Hierarchical Self-Improvement，層級自我改進）的框架，它探討了一個關鍵問題：當底層大模型的權重被凍結（不再訓練）時，智能體能否通過內生地、自主地優化其Harness，以修改「修改的方式」來持續提升任務表現？
答案是Yes。這是改進「改進的方式」，二階導。
這個框架設計了三級遞歸：
執行層：Task Harness——負責幹活的Harness；
進化層：Evolver——負責修改Harness；
元進化層：Meta-Evolver——負責修改Evolver的搜索、篩選和改進策略，修改「Evolver應該如何尋找改進」。
換言之，工作從Improve Harness走到了Improve how to improve Harness。
HSI凍結了DeepSeek-V4-Flash的全部權重，在消融實驗中，與關閉「元進化」相比，開啓「元進化」後，各項基準測試均有絕對提升——AI把「改進自己的方法」本身納入優化，而修改「改進自己的方法」本身確實帶來了額外增益。
當然，RSI不可能一蹴而就，而是一條需要攀爬的階梯。
我們將RSI劃分為7個等級。
從L0到L6分別要實現的是：AI回答問題、AI自主執行、AI自我糾錯、AI自我學習、AI改進AI系統、AI改進「如何改進AI」，直到AI自主研發下一代AI。
2026年，Self-Improvement（自進化）已經開始觸碰Meta-Improvement（元進化），開放式RSI仍在前方。
【判斷10】社會智能正在萌芽，要求AI理解並參與角色分工、組織協作、制度約束與長期演化
接下來看社會智能。今天，模型和Agent正在進入社會，但很少有人問一個問題：Agent能不能成為「社會人」？社會作為一個環境，它有沒有世界模型？
斯坦福、清華、北大、人大等機構的相關工作已經把社會智能從概念推向業界。
它正在呈現三層結構：個體層，智能體具有記憶、反思和規劃；組織層，多Agent形成分工、溝通和規則；社會層，大規模智能體持續互動，形成網絡傳播和宏觀湧現。
社會智能絕非讓Agent進入組織和社會這麼簡單，它研究的是AI能否理解並參與角色分工、組織協作、制度約束和長期社會演化——最關鍵的是，我們能不能模擬這種演化，並形成推演能力：當一個事件發生，包含人和Agents的整個群體將如何變化？如何以此做預測、做決策？
剛纔在【判斷4】裏談論四個智能時講到，社會智能的難，來自社會狀態不可完全觀測、行為具有反身性，還受制度和倫理約束。
當越來越多Agents成為經濟和社會活動的主體，需要的是社會世界模型——讓社會的下一個狀態可被預測、推演、支持決策。這一步很難，但卻相當有價值。
【判斷11】必然的交匯：四類智能將從平行演進走向系統耦合，AI將從單一能力競爭進入智能生態競爭
如今，數字、物理、科學、社會四類智能開始耦合。
數字智能提供認知基礎，沒有它，一切無從表達；
物理智能提供行動能力，沒有它，AI永遠停留在螢幕裏；
科學智能提供發現能力，沒有它，AI只能重複已知；
社會智能提供協作框架和群體推演，沒有它，AI無法參與複雜系統的運行。
真實世界的問題從不按學科分類，所以四類智能的交匯、耦合是終局。伴隨AI基座越做越強，跨領域的交互正越來越多，最終將形成新的智能生態與產業形態。
【判斷12】第四次「自我中心」的跌落：AI時代需要科學與人文共同回答「何以為人」
最後，我想講一條超出資本和產業議題的判斷。
回看現代思想史，一條重要線索貫穿其中：最深刻的科學革命，一次次迫使人類放棄關於自身「中心地位」的想象。
弗洛伊德曾把現代科學帶來的衝擊，概括為三次對「人類自戀」的打擊：
第一次，是哥白尼。人類意識到，地球不是宇宙的中心。
日心說把地球從宇宙中心移開，世界不再圍繞人旋轉。
於是有了第一次回應：笛卡爾、康德等哲學家重新確立了「人的理性認識主體」。
核心邏輯是：「我不在宇宙中心，但我的理性為自然立法」。
第二次，是達爾文。人類意識到，人不是生命的中心。
進化論告訴我們，人並不是自然界中被特殊創造出來的存在，我們不過只是漫長演化中靈長類的分支。人不再擁有與生俱來的特殊地位，價值就只能由人自己創造。
於是有了第二次回應：尼采等人強調了「人的價值創造主體」。
核心邏輯是：「我不是特殊物種，但我能自由選擇、自我定義、創造價值」。
第三次，是弗洛伊德。人類意識到，人甚至不是自己意識的中心。
在理性意識之下，還有無意識、慾望和衝動。人第一次發現，自己甚至無法完全掌握自己。
於是有了第三次回應：薩特、拉康等人在尋找「人的自我塑造主體」。
核心邏輯是：「我不是自己意識的主人，但我能在深層心理與關係中整合自己」。
歷史上三次「中心跌落與回應」的共同結構是：
自然科學先把人從某個寶座上拉下來，哲學與人文思想再把人放到另一個更深層、更內在的寶座上——每一次重建的中心越來越內在，越來越承認限制，但也越來越深刻。
今天，我們站在第四次中心跌落的開端。AI越來越強，人類還是不是智能與創造力的中心？如果不是，人還憑什麼成為那個特殊的存在？
我們正在經歷AI時代的「哥白尼時刻」。
我們當然需要科學家繼續向前，去探索自然規律，拓展宇宙與生命的邊界，把人類帶向今天尚不可見的知識、空間、星辰大海；但我們也比以往任何時候都更需要人文社科的登場，重新定義人的價值，甚至重新分配人的尊嚴，重新建立我們判斷方向的座標。
今年，很多年輕人很迷茫，AI的進展在不同人群中的感知很撕裂，但我們的信心在於，每一次對「舊中心」的科學解構，都催生了一場為「新意義」奠基的思想運動。所以我越來越覺得，AI時代不只是一場技術革命，它正在呼喚一個新的思想時代，甚至正在呼喚一個「新軸心時代」。
我們亟需一場回應，而這場回應，需要科學與人文共同的抵達。
致謝