Produzido pelo grupo de tecnologia Huxiu
Autores｜Chen Yifan, Liu Xuanqi
Editado por Miao Zhengqing
Capa | Gerado por IA
Esta é a 21ª edição da série da虎嗅WAIC "Rastreando Novos Paradigmas Comerciais de Token"
No investimento em tecnologia, a idade nunca é uma condição suficiente para julgar a capacidade. Mas, em fases de rápida mudança de paradigma tecnológico, investidores jovens merecem ser observados separadamente.
A razão não é complicada. IA, robôs,航天 comercial e computação quântica estão avançando simultaneamente; a velocidade com que novas tecnologias passam de artigos acadêmicos para produtos e de laboratórios para indústrias claramente acelerou. Os antigos modelos de investimento tradicionais já não funcionam mais. Para entrar nesses projetos, os investidores não podem mais depender apenas de modelos financeiros e experiência em setores maduros; precisam compreender a linguagem técnica, aceitar rotas ainda não consolidadas e tomar decisões antes da formação de consenso.
Na era da internet móvel, uma empresa podia provar seu valor rapidamente por meio de crescimento de usuários, retenção, receita e efeitos de rede; hoje, projetos de IA e tecnologias avançadas podem abranger algoritmos, chips, sensores, cadeias de suprimentos, cenários industriais e sistemas regulatórios. Os investidores precisam compreender uma salto tecnológico, avaliar se ele pode se tornar um produto estável, se pode formar um ciclo fechado de dados e treinamento, e ainda acompanhar a empresa durante longos períodos de engenharia e comercialização.
Na WAIC deste ano, foi divulgada a lista “Alfa α Jovens Líderes em Investimentos”, selecionando 10 novos investidores; porém, além da lista, o mais importante é que, ao analisar conjuntamente essas direções e julgamentos de investimento, ela se assemelha mais a um mapa de tendências de investimento tecnológico em formação.
Detalhes da lista de investidores jovens da WAIC FUTURE TECH
Este gráfico revela uma mudança comum: o capital está se deslocando da busca por termos tecnológicos para identificar caminhos reais de adoção da tecnologia na indústria. A próxima oportunidade não pertencerá necessariamente ao conceito mais barulhento, mas sim a etapas onde o potencial dos modelos ainda não foi liberado, lacunas de capacidade no mundo físico ainda não preenchidas e infraestruturas que exigem capital de longo prazo para entrada antecipada.
Tendência 1: A IA está saindo da tela e entrando no mundo físico
Nos últimos anos, a principal entrada do mercado para entender a IA foi por meio de grandes modelos, chatbots e aplicações generativas. Hoje, o foco dos investimentos está se deslocando para dispositivos de borda, robôs, automóveis, sistemas industriais e infraestrutura espacial. A IA já não se limita a gerar um texto ou uma imagem, mas sim a perceber o ambiente, compreender a intenção humana e realizar ações no mundo real.
Essa é também a razão pela qual a inteligência embutida, robôs humanóides, hardware de IA e inteligência na borda estão recebendo atenção concentrada. Zhou Xin, diretor executivo de investimentos da Jinqiu Fund, vem acompanhando robôs desde 2018.
Ela alertou na mesa redonda que a bolha da inteligência embutida não vem da falta de avanço tecnológico, mas sim do fato de o mercado estar aplicando diretamente a velocidade de iteração dos modelos de linguagem de grande porte a robôs profundamente acoplados ao mundo físico. O aumento da capacidade do modelo não equivale à conclusão simultânea da implementação em cenários reais. Um excelente demo pode gerar imaginação, mas não responde se o robô pode executar cem vezes consecutivas, se a taxa de erro é controlável, se os custos de implantação e operação podem ser reduzidos e, finalmente, se o ROI é viável.
Essa abordagem traz a competição em inteligência embutida de volta da “apresentação” para a “capacidade de entrega”. O mundo real não permite reiniciar prompts. Fábricas, armazéns, lares e espaços públicos exigem que os sistemas lidem com ruído, desgaste, situações inesperadas e comportamentos imprevisíveis das pessoas. O modelo é apenas uma camada; o toque, os sensores, os atuadores, os sistemas de controle, a coleta de dados e o feedback do cenário determinam coletivamente se o produto funcionará.
The热度 of capital can be quantified.
O relatório “Relatório de Desenvolvimento da Inteligência Embodiment (2025)” do Academia Chinesa de Tecnologia da Informação mostra que, até dezembro de 2025, houve 744 eventos de investimento no campo da inteligência embodiment e robótica na China, com um total de financiamento de 73,543 bilhões de yuans; a IDC prevê que, em 2026, o volume de envio global de robôs humanóides ultrapassará 50.000 unidades, um aumento de 178% em relação ao ano anterior.
Mas os dados concretos também revelam desafios: nos primeiros três trimestres de 2025, 73,6% da receita da empresa líder Unitree Technologies com robôs humanóides veio do setor de pesquisa e educação. Os equipamentos foram amplamente vendidos a universidades e instituições de pesquisa, e ainda há um longo caminho a percorrer para gerar valor real em fábricas. Isso confirma exatamente o alerta de Zhou Xin: o avanço dos modelos não pode ser diretamente equacionado ao avanço na implementação prática.
A inteligência na borda torna-se assim outra pista importante. Zhou Xin acredita que, se a IA for uma revolução cognitiva à altura da revolução industrial, a inteligência não poderá permanecer por muito tempo apenas na nuvem. A futura rede cognitiva será composta tanto pela nuvem quanto pela borda: na camada inferior, estão os chips e os veículos de hardware; na camada intermediária, o ambiente de execução formado em torno dos Agentes; e na camada superior, aplicações capazes de compreender as necessidades individuais. Os Agentes podem gradualmente se tornar a porta de interação com o hardware, compreendendo para cima as preferências, histórico e estado do usuário, e chamando para baixo dispositivos como celulares, óculos, carros, robôs e equipamentos domésticos.
Isso mudará o modelo de negócios de hardware de IA. O hardware não mais gerará receita apenas por vendas únicas, mas poderá criar valor por meio de serviços contínuos. A verdadeira barreira não será apenas “ter IA incorporada ao dispositivo”, mas sim se o dispositivo consegue reduzir a barreira de entrada e estabelecer relações estáveis de dados e serviços com os usuários.
Vários investidores na lista já alinharam seus investimentos nesse caminho: Bai Zeren, vice-presidente da Hou Xue Capital, foca em entrega autônoma, sensores de toque e automação de transporte rodoviário; Guo Jing, gerente de investimentos da Yaotu Capital, observa robôs verticais especializados, flotilhas de drones e robôs de instalação de painéis solares. A entrega autônoma é exatamente uma das frentes que mais avançam no cenário de “IA entrando no mundo físico”: em 2025, o total de financiamentos do setor se aproxima de 10 bilhões de yuans; a Linear Capital, na qual Bai Zeren atua, participou do investimento na White Rhino, que realizou três rodadas de financiamento no mesmo ano, acumulando mais de 100 milhões de dólares, com o número de veículos operacionais ativos aumentando de cerca de 100 no final de 2023 para mais de 2.000 em dezembro de 2025, operando regularmente em mais de 170 cidades globais. Esse tipo de negócio não possui demos impressionantes, mas é diariamente testado em eficiência, custo e confiabilidade. Após a IA entrar no mundo físico, a imaginação tecnológica ainda é importante, mas a entrega em escala se tornará a fronteira mais decisiva.
Tendência dois: O benefício dos grandes modelos não acabou; o foco da competição mudou para o "fio de inteligência"
Enquanto o mercado continua buscando a próxima geração de arquiteturas e novos conceitos, um fato facilmente ignorado é que o benefício industrial dos modelos atuais ainda está longe de ser totalmente liberado.
Hu Qi, sócio executivo da Qiming Venture Partners, observou que um dos maiores consensos falsos hoje é que as pessoas prestam muita atenção à próxima tecnologia de salto, mas discutem pouco sobre como fazer os modelos atuais realizarem verdadeiramente uma reestruturação da produtividade. Após o TCP/IP se tornar um protocolo padrão, os benefícios da internet foram liberados ao longo de um longo período; a teoria de Bayes e as CNNs também continuaram influenciando novos sistemas tecnológicos muitos anos após sua proposta. A transição da tecnologia básica até a mudança industrial geralmente não é um processo linear de um ou dois anos. Os modelos grandes só entraram no campo de visão do público há alguns anos, e os sistemas comerciais, processos organizacionais e infraestruturas industriais ainda não acompanharam plenamente a capacidade desses modelos.
Isso significa que os investidores não precisam escolher entre “continuar investindo em grandes modelos” e “buscar a próxima geração de tecnologia”. A questão mais importante é quais empresas conseguem integrar as capacidades dos modelos existentes em fluxos de trabalho reais, criando valor que não será facilmente apagado pela próxima atualização do modelo.
O diretor de investimentos da Jingya Capital, Liu Yunjie, chama essa capacidade de “roda inteligente”. Os usuários utilizam o produto, gerando dados que entram no processo de treinamento ou otimização; à medida que a capacidade do modelo melhora, a experiência é aprimorada, e uma experiência melhor atrai mais usuários, cenários e feedbacks. Os ciclos de dados, treinamento e feedback dos usuários impulsionam-se mutuamente, permitindo que a empresa adquira uma capacidade contínua de autoaperfeiçoamento.
Se aplicarmos esse critério a empresas específicas, Zhipu e Keling podem servir como dois exemplos. O moderador mencionou na mesa-redonda que Hu Qi havia feito uma grande aposta na Zhipu antes da explosão do mercado. A Zhipu aumentou sua receita de 57,4 milhões de yuans em 2022 para 312,4 milhões de yuans em 2024, com uma taxa de crescimento composta anual de cerca de 130% em três anos; no primeiro semestre de 2025, sua receita foi de 190,9 milhões de yuans, um aumento de 325% em relação ao ano anterior, e em janeiro de 2026 listou-se na Bolsa de Valores de Hong Kong, tornando-se a “primeira empresa global de grandes modelos”. O Keling AI da Kuaishou demonstrou a velocidade de monetização após integrar a capacidade do modelo ao fluxo de trabalho criativo: abriu o teste em junho de 2024 e implementou seu sistema de cobrança em cerca de 45 dias; a receita total de 2025 foi de aproximadamente 1,04 bilhão de yuans, com receita mensal em dezembro superando 20 milhões de dólares americanos; até o final de 2025, contava com mais de 60 milhões de usuários globais, gerou mais de 600 milhões de vídeos e atendia mais de 30.000 empresas clientes e desenvolvedores. A criação dos usuários, o retorno de dados, a iteração do modelo e a melhoria da experiência — cada volta da roda de feedback se traduz diretamente em receita.
Com este framework, os indicadores-chave das empresas de IA também precisam mudar. ARR, GMV e eficiência de SaaS ainda têm valor de referência, mas não são suficientes para determinar se uma empresa possui barreiras duradouras. Uma funcionalidade pode se desvalorizar rapidamente devido à atualização do modelo base; já um sistema verdadeiramente integrado aos processos de negócios, capaz de acumular dados proprietários e aprender continuamente, pode se tornar mais forte à medida que os modelos avançam.
Liu Yunjie dividiu ainda mais a cadeia de valor inteligente em três camadas: geração de inteligência, distribuição de inteligência e materialização da inteligência no mundo físico. Modelos mundiais e descoberta de fármacos pertencem à geração de inteligência; Agentes e Agentes empresariais assumem a distribuição de inteligência; inteligência embodiada e condução autônoma transformam a inteligência em ação física. Esse framework divide a "pista de IA" em uma cadeia de valor completa. O capital agora não busca apenas aplicações populares, mas empresas capazes de ocupar posições de plataforma e formar ciclos de feedback em cada camada.
Portanto, o foco do investimento em grandes modelos está mudando. Anteriormente, a pergunta era “qual modelo é mais forte”; a próxima pergunta será “quem consegue transformar a capacidade do modelo em um sistema que se torna mais forte e mais integrado aos negócios à medida que é usado”.
Tendência 3: Gargalos de dados impulsionam novas tecnologias de base, com modelos científicos se tornando uma direção não consensual
Os grandes modelos continuarão a se expandir e, sooner or later, enfrentarão um problema mais fundamental: os dados humanos de alta qualidade são limitados e o custo de coleta e anotação é muito alto. Quando os corpus da internet e os feedbacks humanos逐渐 se aproximarem do limite, de onde os modelos poderão obter novas experiências?
Hu Qi considera o aprendizado por reforço, o autojogo e a iteração contínua como possíveis respostas. Ele usa o AlphaGo Zero como exemplo: o modelo conhece apenas as regras do go, gera experiência por meio de autojogo e melhora suas habilidades sem depender de jogos humanos. Se mecanismos semelhantes puderem passar de jogos com regras claras para pesquisas científicas mais complexas, sistemas de engenharia e tarefas do mundo real, isso determinará se a IA poderá superar a dependência de dados existentes.
Isso também fornece um conjunto de critérios para avaliar a tecnologia subjacente. Primeiro, deve promover melhorias generalizadas em uma indústria suficientemente grande, e não apenas em partes isoladas de uma única empresa; segundo, deve expandir os limites das capacidades da IA, por exemplo, resolvendo problemas relacionados a dados, raciocínio ou aprendizado contínuo; por fim, deve resistir ao teste do tempo e não ser válido apenas durante um ciclo de narrativa tecnológica.
Seguindo essa lógica, modelos fundamentais científicos tornam-se uma direção não consensual digna de atenção. Eles não são exatamente os mesmos que o comum AI for Science. Este último é frequentemente entendido como laboratórios automatizados, previsão de estruturas de proteínas, descoberta de materiais ou alguma ferramenta científica pontual; já os modelos fundamentais científicos buscam estabelecer capacidades de modelo mais fundamentais e mais gerais em áreas como ciências da vida, materiais e simulação, servindo a múltiplas tarefas dentro de uma disciplina.
As dificuldades nessa direção também são evidentes. Os dados científicos possuem características como alta especialização, padrões inconsistentes e alto custo de obtenção, e os próprios resultados de pesquisa podem conter erros ou até falsificações. O modelo não só precisa aprender com literaturas e dados experimentais, mas também avaliar a qualidade das evidências, compreender as leis disciplinares e estabelecer um ciclo de validação com experimentos reais. Atualmente, ainda não está claro se cada grande área científica desenvolverá seu próprio modelo base ou se surgirá uma arquitetura unificada interdisciplinar. Mas a questão que ela aponta já é suficientemente clara: quando o valor marginal dos dados da internet geral diminuir, os dados de alta qualidade, as leis científicas e os feedbacks experimentais no mundo profissional podem se tornar uma importante fonte para o próximo ciclo de crescimento da capacidade dos modelos.
Tendência 4: Quanto mais próximo da zona profunda da tecnologia dura, mais necessário se torna o capital paciente
Em comparação com aplicativos de IA, os ciclos de validação para a indústria espacial comercial, computação quântica, poder computacional no espaço e energia avançada são mais longos. É difícil para essas áreas provar seu valor apenas com dados de alguns meses após o lançamento de um produto; a trajetória tecnológica, a capacidade de engenharia, a cadeia de suprimentos, as certificações, os padrões industriais e a demanda do setor devem amadurecer conjuntamente ao longo de um período mais prolongado.
A avaliação de Wang Shuhe, vice-presidente da Hou Xue Capital, sobre computação quântica reflete essa contenção. Atualmente, as abordagens de fótons, átomos neutros e íons apresentam vantagens e limitações distintas, e ainda há grande incerteza sobre quando a computação quântica universal será implementada. Além de problemas de engenharia, como design de dispositivos e cadeia de suprimentos, a indústria enfrenta questões fundamentais relacionadas a materiais, algoritmos, mecanismos físicos, talentos e padrões de avaliação. Um caminho mais realista pode ser permitir que a computação quântica se integre de forma modular com supercomputadores clássicos, GPUs e CPUs, em vez de esperar que a computação quântica universal substitua independentemente os sistemas atuais em curto prazo.
Incerteza não equivale à ausência de valor de investimento. Um nível moderado de interesse em setores de ponta atrai talento, capital e recursos industriais; mesmo que nem todas as empresas tenham sucesso, o processo ainda gera experiência em engenharia, capacidades de cadeia de suprimentos e resultados tecnológicos transferíveis. O essencial é que o capital não possa converter diretamente possibilidades de longo prazo em certezas de curto prazo, nem abandonar completamente a construção de julgamentos no estágio inicial apenas porque a comercialização está distante.
O mesmo vale para a indústria espacial comercial. Este setor envolve lançamentos, aprovações, licenças, testes, gestão de qualidade e coordenação da cadeia de suprimentos, com uma cadeia muito mais longa do que produtos de software comuns. No entanto, sua industrialização está acelerando: em 2025, a China realizou 87 lançamentos espaciais, dos quais 23 foram executados por empresas privadas de foguetes comerciais, colocando 324 satélites em órbita; o total de financiamento do setor atingiu 18,6 bilhões de yuans, um aumento de 32% em relação ao ano anterior, e os pedidos de serviços de lançamento comercial cresceram cerca de 40%. Os investidores de risco não podem esperar até que as empresas tenham completamente superado o "vale da morte", pois nesse ponto a janela para investimentos iniciais geralmente já estará fechada. Os investidores precisam buscar o que permanece constante na mudança: será que a demanda de mercado finalmente surgirá? A equipe possui capacidades fundamentais de pesquisa e desenvolvimento e organização de engenharia? Consegue lidar com problemas da cadeia de suprimentos e da comercialização? E possui suficiente resiliência para aguardar até que a porta da indústria realmente se abra?
O interesse de Wang Shuhe em robôs corporais espaciais é um exemplo concreto desse julgamento. Parece uma sobreposição de vários conceitos populares, como航天 comercial, robótica e IA, mas já surgiram demandas claras por trás disso. Com o aumento do número de satélites, o descarte de satélites obsoletos, a limpeza de detritos espaciais, a operação e manutenção em órbita e a construção em órbita se tornarão parte do ecossistema espacial. Quando o航天 comercial passar de “como enviar equipamentos para o espaço” para “como usar e manter recursos espaciais a longo prazo”, novas infraestruturas e sistemas de serviços surgirão.
A atenção dada ao poder de computação espacial, materiais de energia aeroespacial e computação quântica na lista indica que os investidores mais jovens não estão limitando seu foco apenas a aplicações de IA com retorno mais rápido. Eles também estão entrando em áreas cujas rotas tecnológicas ainda não se consolidaram totalmente, mas que podem redefinir as bases industriais do futuro. A paciência pela tecnologia dura não significa abrir mão de retornos, mas sim apostar nos retornos em escalas de tempo mais longas. Esse tipo de investimento exige capital que entre cedo e seja suficientemente paciente.
Quando a IA passa da nuvem para os dispositivos, da conteúdo digital para ação física, e quando os investimentos em tecnologia se expandem do software para chips, energia, robótica e infraestrutura espacial, o papel do capital também mudará. Ele precisará compreender a tecnologia mais cedo, aprofundar-se mais nas indústrias e fazer escolhas de longo prazo mesmo quando os resultados ainda não são claros. O que torna esta lista digna de atenção é como esta geração de investidores aprenderá a fazer essas escolhas.
Este artigo é da Huxiu, autor: Chen Yifan_YF. Link original: https://www.huxiu.com/article/4877273.html?type=text