第一个判断：一级市场正在迎来转折点，募资、投资、退出三个环节同步修复，科技投资步入全新阶段。

先看数据表现。今年中国一级市场呈现出与往年截然不同的景象。去年八月我们举办科技投资大会时，主题定为“渡口”，当时的数据特征是“止跌回暖、堵点犹存”。而到了2026年上半年，数据已经可以用“激流”来形容。市场不仅实现了回暖，而且反转步伐正在加速，募资、投资、退出三端同步改善：在募资端，参与基金的LP数量从1650家跃升至2714家，同比增长64.5%；在投资端，投资事件数量同比增长15.6%，投资金额同比大幅增长91.6%；在退出端，IPO数量同比增长39.2%，并购交易金额更是猛增至去年同期的两倍。

这里有一个值得注意的反差：投资金额的增长速度远快于投资事件数量的增长。这说明资本确实回来了，但并非重新广泛撒网，而是向确定性领域集中。因此，这不是旧周期的简单回归，而是一套新的定价体系正在逐步成形。中国科技投资正在迈入一个全新的发展周期。

第二个判断：2026年甲子星空坐标系，呈现中国科技投资的象限分布格局。

这张图描绘了2026年中国科技产业投资赛道的“甲子星空坐标系”。横轴X代表从低资本耐心度到高资本耐心度的变化，纵轴Y代表从低技术壁垒到高技术壁垒的梯度。两轴交汇形成了四个象限，我们分别将其命名为：硬核攻坚区、赛道卡位区、产品效率区和长坡厚雪区。

第一象限【硬核攻坚区】：高技术壁垒加上高资本耐心度。这个区域代表了国家未来战略和硬科技的发展方向，技术门槛极高，研发周期长达5至10年，需要长期资本的有力支持。一旦取得成功，将具备压倒性优势，能够重塑整个产业格局。代表性赛道包括可控核聚变、光刻机、量子计算和光子芯片。投资逻辑在于技术代差构筑壁垒，国家政策支持强劲，卡脖子问题倒逼自主替代。这类项目适合国有资本和产业基金长期持有，投资人需要有“十年不见回报”的心理准备以及极强的技术判断力。资本重点关注高校和科研院所的技术转化项目。风险要点在于技术路径存在高度不确定性，容易受到国际制裁影响，且极度依赖政策和人才支持。

第二象限【赛道卡位区】：高技术壁垒加上低资本耐心度。这个区域的技术壁垒较高，但往往概念先行、吸睛效应明显，资源会快速集聚形成虹吸效应。投资人需要迅速入局，否则可能错失上牌桌的机会。资本要求项目快速证明自身价值，并给出明确的里程碑事件。典型赛道包括通用大模型、具身智能、世界模型、Harness和AI Agent。投资逻辑在于技术突破或新的商业闭环能够引发巨大市场关注，激发想象空间。资本关注“风口”以及首批可交付的里程碑场景。风险要点在于距离商业化闭环较远，媒体或政策可能将预期拉爆，早期估值过高，后续融资必须持续提供“里程碑”验证，否则可能导致估值坍塌。

第三象限【产品效率区】：低技术壁垒加上低资本耐心度。这个区域的护城河并不完全依赖技术壁垒，而可能来自产品定义、运营能力或规模效应。机会窗口期极短，一旦产品定义完成，很快会被模仿，需要快速迭代。资本追求短期流量变现。典型赛道包括大模型套壳应用、AI内容生成工具、AI眼镜、AI戒指、AI陪伴、AI宠物、AI睡眠等AI硬件。投资逻辑是财务或产业资本快进快出，押注爆款产品，高举高打，依赖渠道流量打法和营销获客能力。资本关注月均GMV增速、单用户获客成本以及组织与效率。风险要点在于极易陷入价格战，需要警惕技术护城河缺失，模仿容易、抄袭泛滥。

第四象限【长坡厚雪区】：低技术壁垒加上高资本耐心度。这是一个“慢变量”生意，技术梯队不明显，但需求是长期且刚性的，依赖场景深耕、数据积累和客户黏性，复购效应强。典型赛道包括智慧农业、养老科技、教育科技、工业AI、AI医疗和军工AI。投资逻辑在于长期客户价值与客户黏性，以及场景排他性。资本关注复购率。风险要点在于收益释放缓慢，市场教育周期长，存在客户流失风险以及赛道漂移的可能。

更重要的是，这并非一张静态地图，赛道会发生漂移。横向漂移速度最快：资本要求的兑现周期会不断变化，这种变化以年甚至季度为单位。从第一象限向第二象限迁移的逻辑是：当一个赛道的技术里程碑临近、新概念推高预期或IPO窗口打开时，资本耐心会突然下降，从“长期押注”转向“抢占牌桌”。而从第二象限回到第一象限的逻辑则是：一些赛道里程碑未能兑现，财务资本逃离，只剩下国家意志和耐心资本继续陪跑。

纵向迁移相对较慢，这意味着壁垒的升降以五年十年为周期。向下迁移的逻辑是：技术扩散会抹平壁垒，例如基座模型能力商品化，导致应用端陷入红海竞争，这是技术平权的必然结果。向上迁移的逻辑是：数据、资质、工艺和生态可能重新堆高壁垒。

不同年份之间赛道漂移显著，2026年的甲子星空坐标系与2025年相比已经发生了明显变化。2026年最显著的变化是，国产GPU、具身智能、商业航天、通用大模型等一批赛道正在从“等待未来”向“关注兑现”方向迁移。如果赛道中的第一批公司已经上市或即将上市，原本遥远的未来突然变得可见，资本自然更加活跃，同时也会要求更快的兑现周期，赛道便会从第一象限走向第二象限。而越多赛道进入第二象限，资本就越活跃。

第二象限包含几类情况：一类是已经跑出商业模型或实现局部盈利的，另一类是临近IPO的，还有一类是世界模型等先行者进行卡位的。

第三个判断：AI投资正在进入激流阶段，全球资本开支结构正在经历重塑，水位、流速、流向、河道、河床五个维度同时发生质变。

聚焦到AI领域的投资，更是一场“激流”。资金的水位、流速、流向、河道和河床正在同时发生变化。水位上升：2026年上半年全球创业投资达到5100亿美元，创下有史以来半年度全球创业投资额的新高。流速加快：2026年上半年的投资额已经超过2025年全年。流向汇聚：AI已变成绝对主导变量，吸收了全球创业投资的70%以上，较2025年同期的55%有显著提升。河道变窄：OpenAI和Anthropic两家公司合计融资2170亿美元，约占上半年全球创业投资的四成，高水位并未带来普遍繁荣，资本河道正逐渐向少数头部企业收窄。河床变厚：2026年全球AI相关资本开支预计超过1万亿美元，投资从软件领域扩展到算力、数据中心、电力、网络和设备，资本正从模型向基础设施底座扩展，流向支撑智能时代运行的整个产业底座。

因此，AI投资的“激流”并非普涨行情：水位越高，头部效应越强；流速越快，竞争门槛越高，判断失效的速度也越快。真正被重构的是整个智能时代的全球资本开支结构。

第四个判断：“四个世界的智能”彼此正交、同步演化，为未来十年的投资方向铺设了基础。

接下来，我们跳出资本的视角，审视AI发展本身的趋势。智能从来不是单一物种。2026年，AI系统正在面向数字、物理、科学和社会四类环境发展：数字智能，AI参与认知和生产系统；物理智能，AI参与现实世界的物理交互；科学智能，AI参与科学发现和知识构建；社会智能，AI参与组织和社会运行。四个智能面向“四种世界规律”——数字讲程序与语义，物理讲接触与运动，科学讲实验与证据，社会讲信念与规范。

这也是为什么四者的成熟速度各不相同。数字智能相对进展最快；科学智能因为拥有实验反馈，正逐渐走向闭环雏形；物理智能受制于真实世界的长尾效应和失败归因，虽然火热，但仍在渐进发展；社会智能最难实现，因为其状态不可完全观测、行为具有反身性，还受到制度和伦理的约束。

四个世界的智能为未来十年铺开了四条投资主线。数据表明，数字智能领跑，物理智能、科学智能、社会智能依次放量。智能最终的舞台，是进入生产、进入物理、进入科学发现、进入社会运行，从“认知世界”扩展到“改变世界”与“创造世界”。

第五个判断：Scaling Laws多维延展，基模迭代趋近“热更新”模式，“智能-速度-成本”三角博弈日趋白热化。

Scaling Laws并没有结束，而是在向外扩展。2026年，基模发布节奏从几个月一次的大版本更新走向了几乎“热更新”的频率。前沿智能指数的竞争越来越胶着，“智能-速度-成本”三角博弈白热化。前沿模型的主线任务，就是寻找下一个可以被Scaling的对象。而Scaling Laws得以成立的一个重要前提，是智能体系足够复杂、变量足够多——前沿模型总是可以发现下一个被Scaling的对象。

Scaling的对象一直在延展：从预训练扩展走向后训练扩展，再走向推理时扩展，最后走向系统级扩展。预训练扩大模型参数、数据、算力，后训练扩大反馈、轨迹和验证，推理时增加思考、采样与搜索，系统级则扩大上下文、工具和多Agent协作。几条曲线以幂律、阶梯状演进，即便是预训练部分，在2026年Scaling laws也并未停止。合成数据与交互轨迹回流贯穿其中，成为底层飞轮。

当然，再往后还有新Scaling的可能性：一旦RSI（递归自进化）充分实现，如果系统能够递归地进行自我改进，想象空间将被进一步打开：合成数据飞轮、算法自发现、系统能力跃迁、自适应思考……Scaling就可能从“幂律或阶梯状Scaling”走向“递归Scaling”。到那时，增长的将不仅仅是智能，而是增长能力本身。

第六个判断：被低估的Harness，强模型不会终结系统工程，自优化Harness将成为下一阶段的关注焦点。

在模型胶着竞赛、智能越来越强的同时，总有一个议题被反复讨论：模型是否会吞噬一切？答案是否定的。我要强调的是被低估的Harness。这里的Harness，指包裹在基座模型之外，负责Prompt、上下文、记忆、工具、技能、Sub-agent与运行流程的系统层，可以近似理解为Agent的“操作系统”。

同一个模型，搭配不同的Harness，最终表现可能相差很大。有文章分析了64组“同模型、不同Harness”的对照实验，发现仅仅更换Harness，评测成绩的平均差值就达到15.6%，在某些评测集上差距甚至达到48%。在代码、客服、科学研究等领域，专用Harness贡献了30%至50%的最终得分。这篇文章还特别指出：更智能的模型并不会让“Harness提升”的比例更小——伴随模型变强，Harness可贡献的价值比例不降反增。

为什么会出现这种情况？因为强模型打开了更大的行动空间，同时也制造了更复杂的系统问题。模型越强，Harness越不是“外挂”，而是逐步演化、上移，从模型外围走向支撑Agent持续运行的系统底座。基模可能吞噬Harness中静态、通用的部分，但随之而来，Harness将从基础调用逐步上移到持续运行与系统组织层面，向更高层次、更复杂的问题转移。

“不断上移”的路径是：Prompt被模型吞噬后，价值上移到Context；Context部分被内化后，价值上移到工具与状态；工具选择变强后，价值上移到反馈、验证和恢复；单Agent更强后，价值上移到多Agent组织、权限和治理。模型提供原始能力，Harness决定这些能力如何被组织、放大、验证和交付。

值得一提的是，2026年Harness出现了新的进展：从人工优化走向自主优化。2026年，两项研究Self-Harness与Continual Harness将Harness本身变成AI可以优化的对象。Self-Harness的思路很简单：先让AI执行任务，执行完毕后自我复盘，然后修改、优化自己的Harness，下一轮再验证是否有所改进。Continual Harness则更进一步——不是执行完再修改，而是边执行边修改。数据显示，自优化的Harness带来了明显的性能提升。虽然这个方向仍处于特定场景下的早期验证阶段，但可以判断，强模型不会终结系统工程，自优化Harness将成为Agent发展的下一个重要看点。

第七个判断：世界动作模型（WAM）补上VLA的“预测层”，赋能机器人决策闭环。

接下来看物理智能。一个关键议题是世界模型。今年世界模型非常火热，不同技术路线也越来越多地被讨论。去年讨论最多的是VLA，而今年WAM（世界动作模型）受到了越来越多的关注。目前产业一线的真实格局是：VLA仍是落地产品的绝对主流，WAM处于前沿探索期，但正变得越来越重要。

一组任务对比数据很能说明问题：纯VLA在标准场景下表现可用，但一旦物体布局、光照、背景发生变化，任务成功率会显著衰减。而原生WAM在布局变化的场景下，综合鲁棒性表现最优。为什么会出现这种差异？因为VLA让机器人“会行动”，而WAM为机器人补上的是行动之前的“预测”和“推演”能力，这背后是对世界物理因果的深层建模。

另一个值得关注的变化是数据范式。VLA直接模仿动作，极度依赖海量真机操作数据；WAM学习的则是环境演化规律——机器人不再需要依靠大量真实试错来学会工作。当然，WAM并非要替代VLA。二者的融合，可能让机器人从“能动”变成“算好了再动”、“想清楚再做”，而这是从自动化迈向更高阶智能化的关键一步。

第八个判断：AI for Science从“预测科学对象”走向“重构科学过程”，从科研辅助进入“闭环系统”早期形态，但尚未实现“关键一跳”。

接下来看科学智能。提到AI for Science，很多人会想到AlphaFold，它代表了上一阶段最漂亮的范式——AI非常擅长预测科学对象，尤其是数据干净的科学对象。但2026年，AI for Science的叙事正在发生转变：它不再只是预测蛋白质结构、预测材料性质，而是开始重构科学发现的全过程。

这一转变可以概括为四层闭环，每一层都有一些具体进展：第一，流程闭环。AI Scientist将“想法-代码-实验-论文”端到端跑通，证明科学流程可以被Harness化。第二，实验闭环。Co-Scientist和Robin开始提出假设，并将真实实验结果重新反馈给模型。第三，物理闭环。AI X-ray Scientist让AI规划、控制真实科学设备。第四，知识闭环。Astra等模型开始产出原创数学结果，并接入形式化证明和验证。

2026年的AI for Science，正在从“预测科学对象”走向“重构科学过程”，从科研辅助进入闭环发现系统的早期形态。当AI参与科学发现，一个很自然的问题随之而来：它可以成为爱因斯坦吗？要做到接近爱因斯坦级别的科学发现，需要经历一个“关键一跳”：从经验感知“跳”到公理假设，即溯因推理和范式革命。AI能否完成这个跳跃？能否实现从经验事实到全新理论公理的直觉飞跃？答案是目前还不能。当前AI越来越擅长在已有问题空间里搜索、实验、验证和优化，但尚未稳定表现出这种“纵身一跃”的能力。目前的AI Scientist证明了“闭环可以被工程化”，但还没有证明“Jump可以被算法化”。

为什么无法实现跳跃？背后的原因引发了不同立场的论文。一派认为问题在于“缺感”——AI缺少具身经验和物理直觉；另一派认为问题在于“缺惩”——认知错误没有与真实世界的代价充分耦合。两种解释虽然不同，却指向同一个大方向：让AI获得更丰富的世界经验和更真实的验证反馈。如果“关键一跳”能够实现，将开启最令人期待的未知领域。

第九个判断：RSI递归自进化，AI不仅改变自己，还开始改变“改进自己的方法”。

再来说一个前沿概念，也是近来一级市场Neo Labs中最贵的方向之一——RSI（recursive self-improvement，递归自进化）。RSI概念的思想可以追溯到I.J.Good在1965年提出的“智能爆炸”：如果机器能够参与设计更好的机器，自我改进就可能形成反馈回路。这当然符合人们对AI下一个范式最朴素、自然、本能的期待。

2026年，RSI正在成为AI研究快速升温的新方向。相关arXiv论文从2025年第一季度不足30篇增加到2026年第二季度约500篇，一年多时间增长了16倍。讨论已经从“能不能”的命题层面，下沉到“在哪改、怎么改”的工程层面。当下最现实的路径是：RSI未必从模型开始，更可能先从更容易验证的Harness和研发流程开始。

2026年8月，香港科技大学的一名博士生在arXiv上发表了一个名为HSI（Hierarchical Self-Improvement，层级自我改进）的框架。它探讨了一个关键问题：当底层大模型的权重被冻结（不再训练）时，智能体能否通过内生地、自主地优化其Harness，以修改“修改的方式”来持续提升任务表现？答案是肯定的。这是对“改进的方式”的改进，属于二阶导范畴。

这个框架设计了三级递归：执行层，Task Harness，负责执行任务的Harness；进化层，Evolver，负责修改Harness；元进化层，Meta-Evolver，负责修改Evolver的搜索、筛选和改进策略，即修改“Evolver应该如何寻找改进”。换言之，工作从Improve Harness走向了Improve how to improve Harness。HSI冻结了DeepSeek-V4-Flash的全部权重，在消融实验中，与关闭“元进化”相比，开启“元进化”后各项基准测试均有绝对提升——AI将“改进自己的方法”本身纳入优化，而修改“改进自己的方法”本身确实带来了额外增益。

当然，RSI不可能一蹴而就，而是一条需要逐步攀爬的阶梯。我们将RSI划分为7个等级。从L0到L6分别要实现的是：AI回答问题、AI自主执行、AI自我纠错、AI自我学习、AI改进AI系统、AI改进“如何改进AI”，直到AI自主研发下一代AI。2026年，Self-Improvement（自进化）已经开始触及Meta-Improvement（元进化），开放式RSI仍在前方等待。

第十个判断：社会智能正在萌芽，要求AI理解并参与角色分工、组织协作、制度约束与长期演化。

接下来看社会智能。今天，模型和Agent正在进入社会，但很少有人问一个问题：Agent能不能成为“社会人”？社会作为一个环境，它有没有世界模型？斯坦福、清华、北大、人大等机构的相关工作已经把社会智能从概念推向业界。

它正在呈现三层结构：个体层，智能体具有记忆、反思和规划能力；组织层，多Agent形成分工、沟通和规则；社会层，大规模智能体持续互动，形成网络传播和宏观涌现。社会智能绝非让Agent进入组织和社会这么简单，它研究的是AI能否理解并参与角色分工、组织协作、制度约束和长期社会演化。最关键的是，我们能否模拟这种演化，并形成推演能力：当一个事件发生时，包含人和Agents的整个群体将如何变化？如何以此进行预测和决策？

刚才在第四个判断中谈论四个智能时讲到，社会智能的难度在于社会状态不可完全观测、行为具有反身性，还受制度和伦理约束。当越来越多Agents成为经济和社会活动的主体，需要的是社会世界模型——让社会的下一个状态可被预测、推演，并支持决策。这一步难度很大，但价值相当可观。

第十一个判断：必然的交汇，四类智能将从平行演进走向系统耦合，AI将从单一能力竞争进入智能生态竞争。

如今，数字、物理、科学、社会四类智能开始耦合。数字智能提供认知基础，没有它，一切无从表达；物理智能提供行动能力，没有它，AI永远停留在屏幕里；科学智能提供发现能力，没有它，AI只能重复已知；社会智能提供协作框架和群体推演，没有它，AI无法参与复杂系统的运行。真实世界的问题从不按学科分类，因此四类智能的交汇、耦合是终局。伴随AI基座越做越强，跨领域的交互正越来越多，最终将形成新的智能生态与产业形态。

第十二个判断：第四次“自我中心”的跌落，AI时代需要科学与人文共同回答“何以为人”。

最后，我想讲一条超出资本和产业议题的判断。回望现代思想史，一条重要线索贯穿其中：最深刻的科学革命，一次次迫使人类放弃关于自身“中心地位”的想象。弗洛伊德曾将现代科学带来的冲击，概括为三次对“人类自恋”的打击。

第一次，是哥白尼。人类意识到，地球不是宇宙的中心。日心说把地球从宇宙中心移开，世界不再围绕人旋转。于是有了第一次回应：笛卡尔、康德等哲学家重新确立了“人的理性认识主体”。核心逻辑是：“我不在宇宙中心，但我的理性为自然立法”。

第二次，是达尔文。人类意识到，人不是生命的中心。进化论告诉我们，人并非自然界中被特殊创造出来的存在，我们只是漫长演化中灵长类的一个分支。人不再拥有与生俱来的特殊地位，价值就只能由人自己创造。于是有了第二次回应：尼采等人强调了“人的价值创造主体”。核心逻辑是：“我不是特殊物种，但我能自由选择、自我定义、创造价值”。

第三次，是弗洛伊德。人类意识到，人甚至不是自己意识的中心。在理性意识之下，还有无意识、欲望和冲动。人第一次发现，自己甚至无法完全掌握自己。于是有了第三次回应：萨特、拉康等人在寻找“人的自我塑造主体”。核心逻辑是：“我不是自己意识的主人，但我能在深层心理与关系中整合自己”。

历史上三次“中心跌落与回应”的共同结构是：自然科学先把人从某个宝座上拉下来，哲学与人文思想再把人放到另一个更深层、更内在的宝座上。每一次重建的中心越来越内在，越来越承认限制，但也越来越深刻。

今天，我们站在第四次中心跌落的开端。AI越来越强，人类还是不是智能与创造力的中心？如果不是，人还凭什么成为那个特殊的存在？我们正在经历AI时代的“哥白尼时刻”。我们当然需要科学家继续向前，去探索自然规律，拓展宇宙与生命的边界，把人类带向今天尚不可见的知识、空间、星辰大海；但我们也比以往任何时候都更需要人文社科的登场，重新定义人的价值，甚至重新分配人的尊严，重新建立我们判断方向的坐标。

今年，很多年轻人感到迷茫，AI的进展在不同人群中的感知差异很大。但我们的信心在于，每一次对“旧中心”的科学解构，都催生了一场为“新意义”奠基的思想运动。所以我越来越觉得，AI时代不只是一场技术革命，它正在呼唤一个新的思想时代，甚至正在呼唤一个“新轴心时代”。我们亟需一场回应，而这场回应，需要科学与人文共同的抵达。