AI融资489亿背后的焦虑：技术领先者，如何跨越心智鸿沟

每一轮技术的进展都在扩大可能性，但商业上的焦虑并没有同步缩小。 具身智能大概是今年最不缺钱的行业。2026年前五个月，国内这条赛道完成437起融资，规模约489亿元，接近去年全年；但27家公司包揽了全部十亿元级大额融资，6家半年内连拿两轮。其余数百起，大多停在天使轮和A轮。 陡峭的分布，并不只是一个资本向头部集中的常见故事，还暴露出一个早期产业的定价难题，当产品、收入、可复制路径都未成形，投资人无从按传统指标下注，只能另找一套确定性。 人，成了最重要的估值锚点。 有机构梳理了四十多家具身智能独角兽的公开资料，发现其创始人背景高度集中于顶级高校实验室，以及华为、百度、微软等科技大厂。学术训练、工程履历和组织出身，暂时承担了原本应由产品和市场提供的信用。资本购买的仍是未来，只是在商业验证到来之前，这种未来主要由“谁更有能力把技术做出来”加以证明。 类似逻辑也存在于大模型和高阶智能驾驶等领域。这些超级技术集群有着相近的产业结构：大量投入发生在收入之前，技术路线仍在快速变化，产品边界尚未完全稳定。企业估值主要由未来市场支撑，未来市场又主要由技术进展加以解释。 技术由此成了战略、组织与资本叙事共同的中心，商业成功则被默认为技术领先的自然延伸。 只是，这个前提的地基正在松动。 硅谷创新教父杰弗里·摩尔认为，单纯依靠技术领先，越来越难解释一家公司的长期价值。创业者面对投资人时，更需要说明技术能够释放多少“受困价值”以及这部分价值究竟有多大。 技术仍在高速迭代，领先能换到的时间却越来越短。可以看到，模型能力的代差被迅速抹平，开源生态以更低成本逼近闭源体系，算力、算法与工具也在加速基础设施化。今天仍被视为壁垒的能力，可能很快成为行业标配。单纯依靠技术领先，越来越难解释一家公司的长期价值。 技术依旧是竞争的起点，真正稀缺的能力却变成了对场景的判断。企业需要从大量技术可能性中，找到那个足够具体、足够高频，也足够有价值的落点，再把技术转化为能够被市场理解的产品与品类。 这需要企业视角和认知的双重校准。而校准，很难在组织内部独立完成。这本是战略咨询的老本行，只是对象换了主语。 过去，定位理论处理的是商品过剩之后的选择问题；今天，AI企业面对的则是技术可能性过剩之后的取舍。两者指向的命题，内核是一致的，即如何在纷繁的信息和路径中，确认一个值得长期投入的位置。 讨论战略咨询和定位理论，很难绕开里斯。过去几年，里斯逐渐把这套诞生于消费品时代的方法，推向科技企业商业化的前端，更早介入场景选择、品类定义与组织配称。 AI产业正在经历一次从技术信仰到场景信仰的换轨。而科技企业需要的商业确定性，既在技术之上，又在技术之外。 技术越繁荣，企业越焦虑 科技企业长期相信技术的自我证明能力。 这种信念有其历史依据。个人计算机、互联网、智能手机的每一次跃迁，都曾让掌握底层技术的公司获得漫长窗口。工程能力决定产品上限，研发投入能够直接转化为竞争壁垒。在技术供给稀缺的年代，领先本身便具有强烈的商业含义。 但AI还没有。一个高投入、低产出的幽灵，在AI技术繁荣与商业效率之间的断层里，不断徘徊。 据OECD统计，2025年全球AI风险投资2587亿美元，占全球风险投资总额的61%。同年，牛津大学研究团队发布的《AI初创企业价值创造白皮书（2025）》显示，全球AI年度投资总额已超过4000亿美元，仅有约33%的企业成功将AI项目从试点推向了规模化应用。换言之，三分之二的AI项目仍被困在实验或试点阶段。而麻省理工学院的研究揭示了一个更加残酷的现实：95%的生成式AI试点项目未能实现预期价值。 AI公司的焦虑，也因此有了更具体的来源。迭代越快，上一轮投入的价值折损越快；路线越多，每一次资源配置都可能变成昂贵的沉没成本。大量采购和研发决策由此带有防御色彩，先确保自己仍在牌桌上，再等待商业答案出现。 但商业答案很少会随技术成熟自动到来。 今年6月，在硅谷斯坦福大学有一场关于中美科技企业商业战略相关的对话中，知名的硅谷高科技营销教父、鸿沟理论开创者杰弗里·摩尔，与品类创新理论开创者、里斯战略咨询全球CEO张云首次全球同台对谈。一些耐人寻味的观点回应了这个问题。作为思科CEO约翰·钱伯斯等商业领袖的私人顾问，摩尔可谓是见证了硅谷这些高科技企业的成长，他曾经为惠普、微软、甲骨文等企业提供战略咨询。 对于AI涉及的企业，杰弗里·摩尔给出的诊断是“技术的创新速度，已经远远超过采用速度”。在他的“鸿沟理论”框架里，核心技术再惊艳，也只是核心产品；客户为了真正实现目标所需要的工作流、基础设施、服务和成本体系，共同构成“完整产品”。 完成跨越的关键，是创业者需要找到新技术与这些瓶颈相交的位置。交点足够明确，技术才拥有值得构建完整产品的商业入口。 这一点，与里斯战略咨询全球CEO、中国区主席张云的观点殊途同归。作为品类创新理论的开创者，张云迭代和更新了艾·里斯的定位理论，将其市场中的品牌区隔，延展到新品类的定义与开创。近年来，他又与小鹏、杰克等中国科技与制造企业深入合作，谙熟中国科技企业的发展。 在他看来，孤立的技术无法独自创造市场。真正有效的路径，应当从具体、高频且有价值的场景出发，定义一个清晰超级技术品类，再围绕它集中技术与组织资源。 在实践中，定位理论在科技行业中的作用已经发生延展。消费品时代，它更多处理品牌在同质化市场中的区隔。而进入AI时代，它还需要参与技术路线的筛选，把分散的创新能力组织成一个可以被市场理解的方向。 这也是“鸿沟”与“定位”两套理论体系暗合的地方。摩尔关心技术如何被采用，张云关心企业从哪里出发、以什么身份进入市场。前者解决的是价值能否兑现，后者处理的是价值如何被定义、识别和放大。 英伟达的历史经常被写成一部技术胜利史。GPU、CUDA、加速计算和AI基础设施，构成了这家公司的技术纵深。但只看技术，仍不足以解释英伟达为何能够多次改变自身所处的市场。 在CPU主导计算产业的年代，图形处理器长期被视为服务游戏和图像渲染的辅助部件。图形芯片市场一度聚集大量参与者，竞争围绕参数、价格和兼容性展开。英伟达选择将GPU作为独立品类加以定义，并从游戏这一相对明确的市场建立起最初的阵地。 2008年前后，处于经营低谷的英伟达曾邀请艾·里斯与劳拉·里斯提供战略咨询。给出了一个关键策略：继续参与CPU巨头设定的竞争，英伟达只能成为一种补充；围绕并行计算建立独立位置，GPU才有机会形成自己的市场。 “黄仁勋一直在贯彻这个理论，就是找他独特的位置，做别人做不了的东西。”张云在斯坦福回顾这段历史时提到。 这套坐标没有替英伟达预测出AI，却降低了技术选择的复杂性。而后的故事，大家都不陌生了。从CUDA开始，GPU由图形硬件走向可编程的通用计算平台，随后进入科学计算、深度学习与大规模AI训练。当研究者发现神经网络训练与GPU并行计算之间的适配性时，英伟达已经拥有产品、开发工具和客户基础，可以承接这一变化。 技术机会最终被放大，依赖的也不只是一颗更快的芯片，而是一套围绕新品类持续搭建的生态。 在对话里，两位战略大师的判断几乎一致。摩尔将英伟达的动作概括为一次经典的两步跨越：先在能够成立的细分市场建立基础设施，再向更多场景扩展。而张云则认为，定义一个新品类只是起点，企业还需要找