Diproduksi oleh Tim Teknologi Huxiu
Penulis | Chen Yifan, Liu Xuanqi
Diedit oleh Miao Zhengqing
Gambar utama | Dibuat oleh AI
Ini adalah edisi ke-21 dari seri artikel虎嗅WAIC "Melacak Paradigma Baru Bisnis Token"
Dalam investasi teknologi, usia tidak pernah menjadi kondisi yang cukup untuk menilai kemampuan. Namun, dalam fase peralihan paradigma teknologi yang cepat, investor muda patut diamati secara terpisah.
Alasannya tidak rumit. AI, robotika, penerbangan komersial, dan komputasi kuantum sedang berkembang secara bersamaan; kecepatan transformasi teknologi baru dari makalah menjadi produk, dari laboratorium ke industri jelas meningkat. Logika investasi tradisional masa lalu tidak lagi berlaku. Untuk masuk ke proyek-proyek ini, investor tidak cukup hanya mengandalkan model keuangan dan pengalaman industri yang matang, tetapi juga harus memahami bahasa teknis, menerima jalur yang belum terkonsolidasi, serta membuat keputusan sebelum konsensus terbentuk.
Di era internet seluler, sebuah perusahaan dapat membuktikan dirinya dengan cepat melalui pertumbuhan pengguna, retensi, pendapatan, dan efek jaringan; namun, proyek AI dan teknologi keras saat ini mungkin mencakup algoritma, chip, sensor, rantai pasokan, skenario industri, dan sistem regulasi. Investor harus mampu memahami lompatan teknologi sekali saja, menilai apakah teknologi tersebut dapat menjadi produk yang stabil, apakah dapat membentuk siklus data dan pelatihan, serta mendampingi perusahaan melewati siklus panjang teknisasi dan komersialisasi.
Di WAIC tahun ini, daftar "Alpha Youth Investment Leaders" dirilis, memilih 10 investor generasi muda, tetapi di luar daftar tersebut, yang lebih penting adalah, ketika melihat arah dan penilaian investasi ini bersama-sama, ia lebih seperti peta tren investasi teknologi yang sedang terbentuk.
Detail Daftar Investor Muda WAIC FUTURE TECH
Grafik ini mengungkapkan perubahan umum: modal sedang berpindah dari mengejar istilah teknologi menuju mengidentifikasi jalur nyata teknologi memasuki industri. Peluang berikutnya belum tentu milik konsep yang paling berisik, tetapi lebih mungkin muncul di tahap di mana manfaat model belum dilepaskan, kesenjangan kemampuan di dunia fisik yang belum terpenuhi, serta infrastruktur yang memerlukan modal jangka panjang untuk masuk lebih awal.
Tren satu: AI sedang meninggalkan layar dan memasuki dunia fisik
Dalam beberapa tahun terakhir, pintu masuk utama pasar untuk memahami AI adalah model besar, chatbot, dan aplikasi generatif. Saat ini, fokus investasi sedang berpindah ke perangkat edge, robot, mobil, sistem industri, dan infrastruktur ruang. AI tidak lagi hanya menghasilkan teks atau gambar, tetapi juga mampu merasakan lingkungan, memahami niat manusia, dan melakukan tindakan di dunia nyata.
Ini juga merupakan alasan mengapa embodied intelligence, humanoid robots, AI hardware, dan edge intelligence mendapatkan perhatian terfokus. Zhou Xin, Direktur Eksekutif Investasi Jinqiu Fund, mulai memperhatikan robot sejak 2018.
Dia mengingatkan dalam meja bundar bahwa gelembung kecerdasan tubuh bukan berasal dari ketiadaan kemajuan teknis, melainkan pasar secara langsung menerapkan kecepatan iterasi model bahasa besar pada robot yang terintegrasi mendalam dengan dunia fisik. Peningkatan kemampuan model tidak sama dengan penyelesaian penerapan skenario secara bersamaan. Sebuah demo yang menakjubkan dapat menciptakan imajinasi, tetapi tidak dapat menjawab apakah robot dapat menjalankan seratus kali secara berkelanjutan, apakah tingkat kesalahan dapat dikendalikan, apakah biaya deploy dan operasional dapat diturunkan, dan pada akhirnya apakah ROI-nya valid.
Penilaian ini mengembalikan persaingan dalam embodied AI dari “efek demonstrasi” ke “kemampuan pengiriman”. Dunia nyata tidak memiliki prompt yang bisa diulang. Pabrik, gudang, rumah, dan ruang publik semuanya memerlukan sistem yang mampu menghadapi noise, keausan, keadaan darurat, dan perilaku manusia yang tidak dapat diprediksi. Model hanyalah salah satu lapisan; sentuhan, sensor, aktuator, sistem kontrol, pengumpulan data, dan umpan balik konteks bersama-sama menentukan apakah produk dapat berfungsi.
The热度 of capital can be quantified.
Laporan Pengembangan Kecerdasan Tubuh (2025) dari Akademi Informasi dan Komunikasi Tiongkok menunjukkan bahwa hingga Desember 2025, terdapat 744 kejadian investasi di bidang kecerdasan tubuh dan robot di Tiongkok, dengan total pendanaan sebesar 73,543 miliar yuan; IDC memprediksi bahwa pengiriman robot humanoid global pada tahun 2026 akan melebihi 50.000 unit, meningkat 178% secara tahunan.
Namun, data nyata yang terwujud juga ada: pada tiga kuartal pertama tahun 2025, sebesar 73,6% pendapatan robot manusia dari perusahaan terkemuka Unitree Technology berasal dari bidang ilmu pengetahuan dan pendidikan. Perangkat banyak dijual ke universitas dan lembaga penelitian, masih jauh dari penciptaan nilai nyata di pabrik. Hal ini tepat memperkuat peringatan Zhou Xin: kemajuan model tidak dapat langsung dianggap sebagai kemajuan penerapan.
Kecerdasan sisi perangkat menjadi petunjuk penting lainnya. Zhou Xin berpendapat bahwa jika AI merupakan revolusi kognitif sebesar revolusi industri, kecerdasan tidak mungkin tetap hanya berada di awan. Jaringan kognitif masa depan akan terdiri dari awan dan sisi perangkat: lapisan bawah adalah chip dan media perangkat keras, lapisan tengah adalah lingkungan operasional yang dibentuk di sekitar Agent, dan lapisan atas adalah aplikasi yang mampu memahami kebutuhan pribadi. Agent kemungkinan secara bertahap akan menjadi titik masuk interaksi perangkat keras, memahami preferensi, riwayat, dan status pengguna ke atas, serta memanggil ponsel, kacamata, mobil, robot, dan perangkat rumah ke bawah.
Ini akan mengubah model bisnis perangkat keras AI. Perangkat keras tidak lagi hanya menghasilkan pendapatan dari penjualan sekali saja, tetapi berpotensi menciptakan nilai melalui layanan berkelanjutan. Hambatan sejati bukan hanya "perangkat yang dilengkapi AI", tetapi apakah perangkat tersebut dapat menurunkan ambang penggunaan dan mampu membentuk hubungan data serta layanan yang stabil dengan pengguna.
Beberapa investor dalam daftar ini telah mengatur strategi mereka sepanjang jalur ini: Vice President of Hou Xue Capital, Bai Zeren, fokus pada pengiriman tanpa awak, sensor sentuhan, dan otonomi truk logistik utama; Investment Manager dari Yao Tu Capital, Guo Jing, memperhatikan robot khusus vertikal, klaster drone, dan robot pemasangan fotovoltaik. Pengiriman tanpa awak tepat menjadi salah satu jalur tercepat dalam “AI memasuki dunia fisik”: total pendanaan industri pada 2025 mendekati 10 miliar yuan; Bai Xiniu, yang diinvestasi oleh Linear Capital tempat Bai Zeren bekerja, menyelesaikan tiga putaran pendanaan pada tahun yang sama dengan total lebih dari 100 juta dolar AS, dengan jumlah kendaraan yang aktif meningkat dari sekitar 100 unit pada akhir 2023 menjadi lebih dari 2.000 unit pada Desember 2025, beroperasi secara rutin di lebih dari 170 kota di seluruh dunia. Bisnis semacam ini tidak memiliki demo yang mengesankan, tetapi setiap hari diuji oleh efisiensi, biaya, dan keandalan. Setelah AI memasuki dunia fisik dari dunia digital, imajinasi teknis tetap penting, tetapi pengiriman berskala akan menjadi batas pemisah yang lebih keras.
Tren Kedua: Manfaat model besar belum berakhir, fokus persaingan beralih ke "roda cerdas"
Saat pasar terus mencari arsitektur generasi berikutnya dan konsep-konsep baru, fakta yang sering diabaikan adalah: manfaat industri dari model besar generasi ini mungkin masih jauh dari terwujud.
Direktur Eksekutif Qiming Venture Partners, Hu Qi, menyoroti bahwa salah satu konsensus palsu terbesar saat ini adalah terlalu banyak fokus pada teknologi lompatan berikutnya, sementara sedikit membahas bagaimana membuat model besar yang ada benar-benar merekonstruksi produktivitas. Setelah TCP/IP menjadi protokol standar, manfaat internet dilepaskan secara bertahap selama periode panjang; teori Bayes dan CNN juga terus memengaruhi sistem teknologi baru bertahun-tahun setelah diperkenalkan. Proses dari munculnya teknologi dasar hingga mengubah industri biasanya bukan proses linier dalam satu atau dua tahun. Model besar baru memasuki pandangan publik beberapa tahun lalu, dan sistem bisnis, proses organisasi, serta infrastruktur industri belum sepenuhnya mengejar kemampuan model tersebut.
Ini berarti para investor tidak perlu memilih antara “terus berinvestasi pada model besar” dan “mencari teknologi generasi berikutnya”. Pertanyaan yang lebih penting adalah, perusahaan mana yang dapat mengintegrasikan kemampuan model yang sudah ada ke dalam alur kerja nyata, menciptakan nilai yang tidak mudah dihapus oleh pembaruan model berikutnya.
Direktur Investasi Jingya Capital, Liu Yunjie, menyebut kemampuan ini sebagai "roda cerdas". Pengguna yang menggunakan produk menghasilkan data, data tersebut masuk ke proses pelatihan atau optimasi, kemampuan model meningkat setelah itu memperbaiki pengalaman, dan pengalaman yang lebih baik kembali membawa lebih banyak pengguna, skenario, dan umpan balik. Siklus data, siklus pelatihan, dan siklus umpan balik pengguna saling mendorong, sehingga perusahaan memperoleh kemampuan peningkatan diri yang berkelanjutan.
Jika kriteria penilaian ini diterapkan pada perusahaan tertentu, Zhipu dan Keling dapat menjadi dua contoh nyata. Dalam diskusi panel, moderator menyebut bahwa Hu Qi pernah memposisikan posisi besar pada Zhipu sebelum ledakan pasar. Zhipu, pendapatannya meningkat dari 57,4 juta yuan pada 2022 menjadi 312,4 juta yuan pada 2024, dengan tingkat pertumbuhan majemuk tahunan sekitar 130% selama tiga tahun; pendapatan semester pertama 2025 mencapai 190,9 juta yuan, tumbuh 325% secara tahunan, dan pada Januari 2026 terdaftar di Bursa Saham Hong Kong, menjadi "perusahaan model besar pertama di dunia". Keling AI dari Kuaishou menunjukkan kecepatan komersialisasi setelah kemampuan model diintegrasikan ke dalam alur kerja kreatif: dibuka untuk pengujian pada Juni 2024, sistem berbayar diluncurkan dalam waktu sekitar 45 hari; pendapatan penuh tahun 2025 mencapai sekitar 1,04 miliar yuan, pendapatan bulan Desember melewati 20 juta dolar AS, hingga akhir 2025 memiliki lebih dari 60 juta pengguna global dan menghasilkan lebih dari 600 juta video, melayani lebih dari 30.000 perusahaan dan pengembang. Kreasi pengguna, umpan balik data, iterasi model, dan peningkatan pengalaman—setiap putaran roda ini secara langsung berubah menjadi pendapatan.
Dengan kerangka ini, indikator inti perusahaan AI juga perlu berubah. ARR, GMV, dan efisiensi SaaS masih memiliki nilai referensi, tetapi tidak cukup untuk menunjukkan apakah sebuah perusahaan memiliki hambatan jangka panjang. Sebuah fitur mungkin cepat kehilangan nilainya karena peningkatan model dasar; sementara sistem yang benar-benar terintegrasi ke dalam proses bisnis, mampu mengakumulasi data eksklusif, dan terus belajar, justru dapat menjadi lebih kuat seiring kemajuan model.
Liu Yunjie selanjutnya membagi nilai rantai cerdas menjadi tiga lapisan: penciptaan kecerdasan, distribusi kecerdasan, dan manifestasi kecerdasan di dunia fisik. Model dunia dan penemuan obat termasuk dalam penciptaan kecerdasan; Agent dan Enterprise Agent bertanggung jawab atas distribusi kecerdasan; kecerdasan tubuh dan pengemudian cerdas mengubah kecerdasan menjadi tindakan fisik. Kerangka ini memecah "jalur AI" menjadi satu rantai nilai yang lengkap. Modal tidak lagi hanya mencari aplikasi populer tertentu, tetapi perusahaan-perusahaan yang dapat menduduki posisi platform dan membentuk loop umpan balik di setiap lapisan.
Oleh karena itu, fokus investasi pada model besar sedang berubah. Masalah masa lalu adalah "siapa model yang lebih kuat", dan pertanyaan berikutnya adalah "siapa yang bisa mengubah kemampuan model menjadi sistem yang semakin kuat dan semakin terintegrasi dengan bisnis seiring penggunaan".
Tren ketiga: Bottleneck data menciptakan teknologi dasar baru, model ilmiah menjadi arah yang tidak konsensus
Model besar terus berkembang, dan suatu hari nanti akan menghadapi masalah yang lebih mendasar: data manusia berkualitas tinggi terbatas, dan biaya pengumpulan serta pelabelannya sangat tinggi. Ketika korpus internet dan umpan balik manusia perlahan mendekati batas, dari mana lagi model bisa mendapatkan pengalaman baru?
Hu Qi memandang pembelajaran penguatan, permainan mandiri, dan iterasi berkelanjutan sebagai kemungkinan solusi. Ia mengambil contoh AlphaGo Zero: model tersebut hanya memahami aturan go, menghasilkan pengalaman melalui permainan mandiri, dan meningkatkan kemampuannya tanpa bergantung pada papan catur manusia. Mekanisme serupa apakah dapat berpindah dari permainan dengan aturan jelas menuju ilmu pengetahuan yang lebih kompleks, sistem teknik, dan tugas nyata akan menentukan apakah AI dapat melepaskan diri dari ketergantungan pada data yang sudah ada.
Ini juga menyediakan serangkaian standar untuk menilai teknologi dasar. Pertama, teknologi tersebut harus mampu memberikan peningkatan luas di industri yang cukup besar, bukan hanya efektif pada bagian tertentu dari satu perusahaan; kedua, harus memperluas batasan kemampuan AI, misalnya dengan menyelesaikan masalah data, penalaran, atau pembelajaran berkelanjutan; dan ketiga, harus mampu bertahan uji waktu, bukan hanya berlaku dalam satu siklus narasi teknologi.
Dengan mengikuti logika ini, model dasar ilmiah menjadi arah non-konsensus yang patut diperhatikan. Ini tidak sepenuhnya sama dengan AI for Science yang umum. Yang terakhir sering dipahami sebagai laboratorium otomatis, prediksi struktur protein, penemuan material, atau alat ilmiah titik-titik tertentu; sementara model dasar ilmiah berusaha membangun kemampuan model yang lebih mendasar dan lebih umum di bidang ilmu kehidupan, material, dan simulasi, untuk melayani berbagai tugas dalam satu disiplin ilmu.
Tantangan di arah ini juga jelas. Data ilmiah memiliki karakteristik spesialisasi tinggi, standar yang tidak seragam, dan biaya pengambilan yang mahal, sementara hasil penelitian itu sendiri juga bisa mengandung kesalahan bahkan kecurangan. Model tidak hanya harus belajar dari literatur dan data eksperimen, tetapi juga harus menilai kualitas bukti, memahami hukum disiplin ilmu, serta membentuk siklus verifikasi dengan eksperimen nyata. Saat ini belum jelas apakah nantinya setiap disiplin ilmu besar akan mengembangkan model dasar sendiri-sendiri, atau muncul arsitektur terpadu lintas disiplin. Namun, masalah yang ditunjuknya sudah cukup jelas: ketika nilai marjinal data internet umum menurun, data berkualitas tinggi, hukum ilmiah, dan umpan balik eksperimen di dunia profesional kemungkinan akan menjadi sumber penting untuk pertumbuhan kemampuan model berikutnya.
Tren empat: Semakin mendekati wilayah dalam teknologi keras, semakin dibutuhkan modal yang sabar
Dibandingkan dengan aplikasi AI, siklus validasi untuk aerospace komersial, komputasi kuantum, komputasi luar angkasa, dan energi maju lebih panjang. Sulit bagi mereka untuk membuktikan diri hanya berdasarkan data beberapa bulan setelah peluncuran produk; jalur teknologi, kemampuan teknik, rantai pasokan, kualifikasi, standar industri, dan kebutuhan sektor harus matang secara bersamaan dalam jangka waktu yang lebih lama.
Wang Shuhe, Wakil Presiden Hou Xue Capital, menunjukkan sikap hati-hati dalam penilaiannya terhadap komputasi kuantum. Saat ini, berbagai pendekatan seperti fotonik, atom netral, dan ion masing-masing memiliki keunggulan dan hambatan, sehingga masih sangat tidak pasti kapan komputasi kuantum universal akan diterapkan. Selain masalah teknis seperti desain perangkat dan rantai pasokan, industri juga menghadapi masalah mendasar dalam hal material, algoritma, mekanisme fisika, sumber daya manusia, dan standar evaluasi. Jalur yang lebih realistis mungkin adalah memungkinkan komputasi kuantum berkolaborasi secara modular dengan superkomputer klasik, GPU, dan CPU, alih-alih mengharapkan komputasi kuantum universal menggantikan sistem yang ada dalam jangka pendek.
Ketidakpastian tidak sama dengan tidak memiliki nilai investasi. Panasnya sedang di industri mutakhir akan menarik bakat, modal, dan sumber daya industri, meskipun tidak semua perusahaan berhasil, prosesnya tetap akan meninggalkan pengalaman teknis, kemampuan rantai pasok, dan hasil teknologi yang dapat dipindahkan. Kuncinya adalah, modal tidak boleh mengubah kemungkinan jangka panjang langsung menjadi kepastian jangka pendek, dan juga tidak boleh sepenuhnya melepaskan upaya untuk membentuk penilaian di tahap awal hanya karena komersialisasi masih jauh.
Hal yang sama berlaku untuk industri penerbangan komersial. Industri ini melibatkan peluncuran, persetujuan, izin kualifikasi, pengujian, manajemen kualitas, dan kolaborasi rantai pasok, dengan rantai yang jauh lebih panjang daripada produk perangkat lunak biasa. Namun, industrialisasi industri ini sedang mempercepat: pada tahun 2025, Tiongkok menyelesaikan 87 peluncuran antariksa, di mana perusahaan roket komersial swasta melaksanakan 23 di antaranya, dengan 324 satelit masuk orbit; total pendanaan industri mencapai 18,6 miliar yuan, meningkat 32% secara tahunan, dan pesanan layanan peluncuran komersial meningkat sekitar 40%. Investasi modal ventura tidak mungkin menunggu perusahaan benar-benar melewati "lembah kematian" sebelum masuk, karena jendela investasi awal sering kali sudah tertutup. Para investor perlu mencari hal-hal yang tetap di tengah perubahan: apakah permintaan pasar akhirnya akan muncul, apakah tim memiliki kemampuan dasar dalam penelitian dan pengembangan serta organisasi teknik, apakah mereka mampu menangani masalah rantai pasok dan komersialisasi, serta apakah mereka memiliki ketahanan yang cukup untuk menunggu pintu industri benar-benar terbuka.
Perhatian Wang Shuhe terhadap robot tubuh di luar angkasa adalah contoh spesifik dari penilaian ini. Terdengar seperti gabungan beberapa konsep populer di bidang penerbangan luar angkasa komersial, robotika, dan AI, tetapi di belakangnya sudah muncul permintaan yang jelas. Seiring meningkatnya jumlah satelit, penanganan satelit yang sudah tidak berfungsi, pembersihan sampah luar angkasa, operasi dan pemeliharaan di orbit, serta pembangunan di orbit akan menjadi bagian dari ekosistem luar angkasa. Ketika penerbangan luar angkasa komersial beralih dari "bagaimana mengirim peralatan ke luar angkasa" menjadi "bagaimana memanfaatkan dan memelihara sumber daya luar angkasa dalam jangka panjang", sistem infrastruktur dan layanan baru akan muncul.
Perhatian terhadap komputasi luar angkasa, bahan energi antariksa, dan komputasi kuantum dalam daftar ini menunjukkan bahwa investor muda tidak membatasi pandangan mereka hanya pada aplikasi AI yang dapat segera menghasilkan keuntungan. Mereka juga masuk ke bidang-bidang yang jalur teknologinya belum sepenuhnya terkonsolidasi, tetapi berpotensi membentuk kembali dasar industri masa depan. Kesabaran dalam teknologi keras tidak berarti melepaskan imbalan, melainkan menaruhkan imbalan pada skala waktu yang lebih panjang. Investasi semacam ini memerlukan modal yang cukup awal dan cukup sabar.
Ketika AI berpindah dari cloud ke perangkat, dari konten digital ke tindakan fisik, dan ketika investasi teknologi berkembang dari perangkat lunak ke chip, energi, robot, dan infrastruktur luar angkasa, peran modal juga akan berubah. Modal perlu memahami teknologi lebih awal, masuk lebih dalam ke industri, dan membuat keputusan jangka panjang meskipun hasilnya belum jelas. Daftar ini patut diamati karena menunjukkan bagaimana generasi investor ini akan belajar membuat pilihan semacam itu.
Artikel ini berasal dari Huxiu, penulis: Chen Yifan_YF. Tautan asli: https://www.huxiu.com/article/4877273.html?type=text