奇点：硅谷与 AI 的此时此刻

引言：从金融资本的角度俯视

判断一家 AI 公司是不是「跑出来了」，最不可靠的证据是它的模型评测分数，最可靠的证据是它的现金流方向。

在技术叙事里，所有人都在讲同一个故事；在利润表里，故事分成了四种。有的公司在收税，有的公司在花钱买入场券，有的公司在把别人的能力打包成自己的定价权，还有的公司——它们的商业模式建立在「信息不对称」或「按人头收费」之上——正在以肉眼可见的速度被抽干。

本书从收入、利润、PE/PS、商业模式与竞争壁垒五个维度，把当下的 AI 版图拆成五层——收租者、超大规模厂商、Pre-IPO、应用与中间层、世界模型与机器人——并附上一份「消亡名单」作为对照组。样本涵盖已上市公司、递交招股书的 Pre-IPO 巨头、以及硅谷一级市场的头部独角兽。第五层现在不赚钱，但它标志着范式转换的起点。

关于样本，需要先说一句不太好听但必要的话。本书出现的公司，绝大多数是当下硅谷叙事中心里的名字——它们被媒体反复报道、被顶级基金反复加注、在二级市场有活跃的老股报价。这个样本是被注意力筛选过的，不是被逻辑筛选过的。

这意味着三件事：

第一，它必然遗漏。有大量在细分领域跑得很好、但不在硅谷聚光灯下的公司——欧洲的主权 AI、日韩的工业智能、中国大量未进入英文媒体视野的应用层公司，以及那些收入扎实但融资节奏平淡因而没有新闻的团队。它们不出现在本书，不代表它们不重要，只代表它们不制造头条。

第二，它有幸存者偏差。今天被写进「赢家」框架的公司，是从一个更大的、已经死掉大半的样本里活下来的。用它们的共同特征去反推「成功要素」，在方法论上是有缺陷的——我们看不到那些做了同样正确的事却仍然失败的公司。

第三，五层地图是一个解释工具，不是一条因果链。它与「四类赢家」的对应关系是：收租者即第一层；分发者主要分布在第二、三层（超大规模厂商与 Pre-IPO 双王掌握用户存量与默认位置）；嵌入者即第四层；换轨者即第五层。这四类是为了让读者在混乱中先站稳脚跟而做的归纳，不是一个可以外推的预测模型。真实世界里公司会跨层移动（Mercor 从招聘走向数据工厂，安全类标的从数据分类走向控制平面），也会有全新的层出现——两年前没有人会为「后训练数据」单列一层。

所以请把这份地图当作一次时点切片，而不是一份完整清单。它的价值在于提供一套可以自己往下延伸的判断方法，不在于穷举。任何一个用它来做配置决策的人，都应该把自己看到而本书没有覆盖的公司补进去——那些补充往往才是真正的超额收益来源。

第一层：收租者——算力税的征收方

这一层是目前唯一被财报反复验证过的赢家。他们不赌 AI 谁能赢，他们向所有参赛者收费。

英伟达是最纯粹的样本。FY2026 全年收入 2159 亿美元，同比增长 65%，其中数据中心业务 1937 亿、增长 68%；FY2027 第一季度单季收入 816 亿，同比增长 85%，数据中心一项就是 752 亿。毛利率维持在 71% 附近，前瞻市盈率约 32 倍。这个组合很罕见——通常高增长必然伴随高投入与低利润率，英伟达是在超高增速下依然维持接近软件公司的毛利。

护城河不在芯片本身，而在 CUDA。竞争者可以做出性能相近的加速器，做不出一个已经运行了十几年、承载了全球绝大部分 AI 训练代码的软件生态。这是典型的转换成本型壁垒，比性能领先更耐久。

台积电是这条链上最被低估的位置。2025 年合并收入 1,224.2 亿美元、增长 35.9%（上年 900.8 亿），净利 552.1 亿，高性能计算占收入 58%，两年间接近翻倍，7nm 及以下先进制程贡献近八成收入，全球代工份额约 72%，前瞻市盈率约 24 倍——比英伟达和博通都便宜。原因不在业务，在地缘。台积电的特殊性在于它是竞争者的共同供应商：英伟达、博通、AMD、谷歌的 TPU，最终都在同一批产线上流片。谁赢它都赢。风险是单一的、但也是无法对冲的。

博通代表另一种路径。FY2026 第二季度收入增长 48%，净利润接近翻倍，AI 半导体收入同比增长 143%、占总收入近一半；管理层指引第三季度 AI 半导体收入 160 亿美元，同比增幅超过 200%。逻辑很直接：超大规模厂商不想永远向英伟达付溢价，于是自研 ASIC，而 ASIC 的设计伙伴主要是博通和 Marvell。定制芯片在 AI 芯片市场的份额已从 2025 年的约 21% 升向 2026 年的约 28%。前瞻市盈率约 41 倍，是这一层里最贵的。

美光则是最被忽视的弹性。FY26 第三季度收入 414.6 亿美元，同比增长约 346%（上年同期 93.0 亿），较管理层自己 335 亿的指引高出 24%；non-GAAP 毛利率 84.9%，创历史纪录；四季度指引 500 亿美元、毛利率约 86%。HBM4 已基于 1-beta DRAM 进入大批量出货，HBM4E 基于 1-gamma 预计 2027 年量产。存储长期被当作周期股定价，而 AI 把它变成了瓶颈资源——这是估值体系尚未完全重定价的一块。

收租位上的两个变量：一个挑战者，一个隐形收租者

Etched 是这一层唯一一个正面挑战英伟达的一级市场标的，也是本书估值曲线最陡的公司之一。它的产品 Sohu 是一颗只能跑 Transformer 推理的 ASIC，用台积电 4nm 制程，每颗配 144GB HBM3——把 Transformer 的注意力机制直接硬连线进硅片，而不是像 GPU 那样用软件调度。

估值路径：2023 年种子轮约 3400 万；2024 年 6 月 A 轮 1.2 亿；2025 年 12 月由 Stripes 领投的 5 亿美元轮，投后 50 亿，Peter Thiel、Jane Street、Two Sigma、Jump Trading、Hudson River Trading 以及与台积电有关联的 VentureTech Alliance 参与；2026 年 6 月 30 日退出隐身状态，披露累计融资 8 亿、已签订单超过 10 亿美元；7 月 23 日红杉领投 3 亿美元 C 轮，投后 103 亿——较 2025 年 12 月的 50 亿七个月翻一倍，红杉称其为该机构史上规模最大的一笔 C 轮，参投方包括 a16z、Jane Street、Diffusion、SK 海力士，以及既有投资人 Peter Thiel 与 Jump Trading；该轮后累计融资超过 11 亿美元。截至本书写作时，公司正在以 200 亿美元的投前口径募集新一轮。这里必须把「已完成」与「在募」分开记：103 亿是 7 月已交割的价格，200 亿是尚未交割的要价。两者相差不到一个月而翻了一倍，这正是本书前面讨论的估值前置化——而按上一节的 SPV（特殊目的载体）层观察，尚未交割的要价恰恰是最容易经分销层放大的那一类数字。（本段的 200 亿口径来自一级半市场承销材料，非公开可核来源，读者无法独立验证。）

多头逻辑：公司宣称八颗 Sohu 组成的服务器在 Llama 70B 上达到每秒 50 万 token，是同等八卡 H100 集群（约 2.3–2.5 万 token/秒）的约 20 倍，较 Blackwell 约 10 倍。这些数字全部来自 Etched 自己的基准测试，尚无独立第三方验证。

空头逻辑非常干净，值得原样讲给买方听：ASIC 不能重编程。如果 Transformer 不再是主流架构——状态空间模型或任何尚未命名的架构在前沿规模上跑赢——Sohu 的效率优势会在一夜之间归零。它连一个降级运行的模式都没有。这是本书所有标的中最纯粹的单点押注，10 亿美元的在手订单是它目前最硬的证据，但订单不等于交付。

Mercor 则是一个几乎所有人都放错分类的公司。它常被当作「数据标注公司」，但从财务结构看，它和英伟达属于同一类生意：它的收入就是前沿实验室的训练预算。

2026 年上半年收入 6.14 亿美元，同比增长 70%，已超过 2025 年全年总额；2026 年的收入运行率为 21 亿美元。（注意口径差：6.14 亿为 2026 上半年 GAAP 累计收入，21 亿为 Q2 单季 ×4 的运行率，隐含 Q2 较 Q1 大幅跳升；日均支出与人力成本占比来自不同时点的报道，仅供量级参考。）这个数字的口径值得单独交代，因为它是本书少数几个能拿到定义的运行率之一：它按「单季 GAAP 收入 × 4」计算，而不是把某个好月份年化。本书在讨论 Anthropic 与 OpenAI 时指出过，年化运行率不是会计科目、总额法与净额法不可比；这条同样适用于本层的其他标的——Harvey 的 1.9 亿、Fireworks 的逾 10 亿、Cohere 的 2.4 亿，公开报道均未给出计算口径。在没有口径的情况下把这些数字放在一张表上横向比较，是本层估值讨论最常见的方法错误。商业模式是对 AI 实验室收取约 35% 的抽成，组织全球约 3 万名专业人士（博士、律师、医生、银行家、工程师）提供高质量训练数据、模型评估和 RLHF，日均支出超过 200 万美元、平均时薪约 105 美元，专家网络规模已达 500 万人以上。融资侧：A 至 C 轮累计募集 4.8 亿美元；估值 2025 年 9 月为 100 亿；2026 年正在以 200 亿估值募集约 5 亿美元的 D 轮，对应约 10 倍收入。（累计融资额、D 轮规模与专家网络规模来自一级半市场承销材料，非公开可核来源。）

它的存在本身是 2025 年那场行业地震的产物：Meta 以 140 亿美元收购 Scale AI 的 49% 股权后，Scale 的中立性瞬间瓦解——前沿实验室不愿意让塑造未发布模型的最敏感资产，流经一个被直接竞争对手半持股的供应商。谷歌、OpenAI、xAI 数周内削减或切断了与 Scale 的合作，这块业务分给了两个赢家：Surge AI 接走了大部分人类反馈业务，Mercor 成为专家推理数据的默认市场。

风险也同样清晰：91% 的收入来自基座模型公司，Meta 已因一次安全事件暂停合作；人力成本占收入约三分之二，毛利率结构与软件公司完全不同。更根本的是——Mercor 是对「前沿实验室继续大额投入后训练」的杠杆押注。如果实验室的训练预算转向，它比英伟达更早感受到。公司正在向金融业企业客户扩张、并收购了强化学习公司 Deeptune 以降低集中度，这个动作值不值得给溢价，是这个标的的核心分歧点。

这一层的共同点：他们的收入是别人的资本开支——无论这笔开支买的是硅片、晶圆，还是人类专家的时间。只要建设还在继续，他们就在收租。风险也在同一处——一旦资本开支曲线转向，最先受伤的也是他们。

第二层：超大规模厂商——用利润表换资产负债表

微软、谷歌、亚马逊、Meta 四家 2026 年合计资本开支约 7250 亿美元，较 2025 年的约 4100 亿增长约 77%（分家的二季报后口径与 Part 1「算力集群规模与资本开支」一节同源，见该节，此处不重复。）

这个数字带来了一个财务史上少见的现象：自由现金流作为核心估值指标，正在这一层暂时失效。Alphabet 的自由现金流出现了有记录以来的首次转负。市场的评判标准已经从「赚了多少」变成「敢投多少、以及投出来的东西能不能变现」。

分化正在发生：

• 谷歌给出了最完整的证据链。云业务同比增长 82%（2026 年 Q2）至 200 亿美元，云订单积压近乎翻倍至 4620 亿美元，Search 在 AI Overviews 的蚕食质疑下仍增长约 19%。财报次日股价上涨近 10%。它同时握有模型（Gemini）、自研芯片（TPU）、分发（Search/Android/YouTube）和云——是唯一一家四个环节全自持的公司。
• 微软的 Azure 同比增长 43%（FY26 Q4，即自然季 2026 年 Q2），Azure AI 服务运行率超过 370 亿美元，变现能力最被验证。但它有一个独特的隐忧：AI Agent 对传统 SaaS 的冲击，恰好指向它自己最赚钱的那部分业务。公司也承认约三分之二的资本开支投向 CPU/GPU 这类短寿命资产——这意味着折旧压力将在未来几年集中释放。
• Meta 是被惩罚的那一个。费用同比增长 55% 至 420 亿美元，收入增长 28%，净利润下滑 14% 至 158 亿美元；Reality Labs 单季经营亏损 46 亿、收入仅 4.31 亿。广告业务本身增长约 33%、是多年来最快，但它缺少一块云业务来承接算力——投出去的钱只能自用，无法对外收租。市场在它提高资本开支指引时下跌约 6%，态度已经很明确。
• 苹果是这轮里最微妙的存在。它没有超大规模的 AI 资本开支，也没有对外的模型或云业务，在「AI 军备竞赛」的叙事中几乎缺席。但它握有全球最强的终端分发和最完整的隐私叙事，端侧推理是它天然的主场。它是本书中唯一一家不参与竞赛却依然可能受益的巨头——前提是端侧智能真的成为需求。这是一个值得单独立论的赌注，而非一个已被验证的结论。

SpaceX（SPCX）是这一层最新的成员，也是 2026 年最大的资本事件。2026 年 6 月 12 日在纳斯达克上市，定价每股 135 美元，发行 5.556 亿股，募资约 750 亿美元，上市市值约 1.77 万亿——史上规模最大的 IPO。上市前累计投资者需求超过 2500 亿美元，是募资额的三倍以上。

对本书而言，关键不是火箭，而是 2026 年 2 月 SpaceX 完成了对 xAI 的合并，合并后实体估值 1.25 万亿。这意味着 xAI 不再是一个独立的一级市场标的，而是被装进了一家上市公司的第三条业务线。招股书显示 Starlink 2025 年收入 114 亿美元、占公司总收入约 61%，同比增长约 50%，2026 年一季度活跃用户 1030 万、较 2024 年底的 460 万翻倍以上；但单用户月均收入从 99 美元降至 66 美元，且公司 2026 年一季度净亏损 42.8 亿、累计赤字 413 亿。上市后股价一度冲高至 225.64 美元，随后连续回落至 150 美元附近。

PS 倍数要看用哪个市值。SpaceX 2025 年总收入 186.7 亿美元（2024 年约 141 亿，增长 33%），其中 Starlink 113.9 亿、占约 61%。按 1.77 万亿的发行市值计算，对应约 95 倍 PS；按首日收盘 161.11 美元、约 2.1 万亿的市值计算，则为 109 至 116 倍。市面上广泛引用的「约 110 倍」用的是后者。若改用 2026 年 270 至 300 亿的前瞻收入，倍数压缩至 58 至 65 倍——注意这一档用的是 1.77 万亿的发行市值，而上面「约 110 倍」用的是 2.1 万亿的首日市值——两者基数不同，不可读作同一基数下的前后对照。按 2.1 万亿的首日市值计算，前瞻 PS 为 70 至 78 倍。四个数字都对，但对应四种不同的口径——这本身就是这类标的估值讨论最容易失焦的地方。

第三层：Pre-IPO 的两个王——口径战争

这一层今年发生了整个 AI 产业最反直觉的一次逆转。

OpenAI 确认月收入约 20 亿美元（年化约 240–250 亿），完成 1220 亿美元融资，投后估值 8520 亿美元，2026 年 6 月 8 日递交保密 S-1。

但这里有一个专业读者必须知道的陷阱：两家的收入口径不同。Anthropic 2026 年 4 月宣布年化收入超过 300 亿美元，5 月下旬达约 470 亿（总额法）。Anthropic 按总额法列示——把通过 AWS、Google Cloud、Azure 等云渠道的终端客户总支出计入收入，再把给渠道的分成计入成本；OpenAI 更接近净额法。这就是为什么 OpenAI 的公开数字区间很宽（240 亿到 330 亿都有人引用）。直接比较 Anthropic 的 470 亿（2026 年 5 月下旬，总额法）和 OpenAI 的约 250 亿（净额法口径），是在比较两把不同的尺子。同口径的近似对照今天已经可以做，有两条现成的路径。其一是同日对照：按 2026 年 7 月的第三方口径，Anthropic 为 741 亿美元（总额法），OpenAI 为 413 亿美元（净额法）。其二是换算率：2026 年 4 月 13 日，OpenAI 的首席营收官在一份内部备忘录中主张，Anthropic 当时 300 亿的运行率因云渠道总额法列示而高估约 80 亿，按净额法应「接近 220 亿」——这隐含一个约 27% 的总额→净额折让率。把该折让率套到 7 月的 741 亿上，Anthropic 的净额法近似值约为 540 亿。据此，两家的差距是约 1.3 倍，而不是表观口径下的约 1.8 倍，更不是与本书其他处引用的 250 亿相比的约 3 倍。必须给这条换算配两条限定：27% 的折让率来自竞争对手的一份内部备忘录、并非 Anthropic 承认的口径，Anthropic 至今未就该调整额作详细公开回应、并继续按总额法列示；且两种列示方式都符合会计准则，差异不是谁在作假，而是渠道分成计入收入还是计入成本。因此本书的准确表述是：精确可比的口径仍要等招股书，但量级可比的近似换算今天就能做，而做完之后差距明显收窄。[159]（另注意：4 月「超 300 亿」为公司宣布口径，5 月约 470 亿与 7 月约 690 亿为第三方估算，口径差异可能放大表观增速。）

抛开口径，商业模式的分野是真实的：OpenAI 赢在用户数，Anthropic 赢在收入密度。一个免费用户贡献零，一个 Plus 用户一年 240 美元，而一家把 Claude 接进工程流水线的公司一年可以付六到七位数。Claude Code 从 2025 年 5 月发布到 2026 年 2 月突破 25 亿美元运行率，是这个逻辑最干净的证明。

第三条路：Cohere 与主权 AI

在 OpenAI 和 Anthropic 的阴影下，Cohere 走了一条被严重低估的路线。2025 年年化经常性收入约 2.4 亿美元，超过自己 2 亿的目标，全年逐季环比增速超过 50%，毛利率约 70%——这是本书所有一级市场 AI 公司里，唯一一个毛利率结构接近传统软件的。估值约 70 亿美元，累计融资 15.4 亿，投资方包括英伟达、Salesforce Ventures、Oracle、Index Ventures。

它的差异化在于：约 85% 的收入来自私有化与本地部署。当所有人在抢消费级订阅和公有云 API 时，Cohere 卖的是银行、电信、政府买得下去的那种 AI——数据不出域、合规可审计。2026 年 4 月它与德国的 Aleph Alpha 合并，把北美和欧洲的主权 AI 需求接到了一起。Crunchbase 把它列为 2026 年「可能」上市的候选。

但它有一个绕不开的叙事困境：如果它和 Anthropic、OpenAI 在同一年上市，2.4 亿的 ARR 会被放在 470 亿和 250 亿旁边比较。在公开市场上，「更健康」很少能战胜「更大」。这是 Cohere 定价时最大的不确定性，也是它可能出现折价买入窗口的原因。

一个必须警惕的现象：Neolabs 与估值前置化

Core Automation 是这轮最极端的样本。创始人 Jerry Tworek 是 OpenAI 前研究副总裁，主导过强化学习与推理模型，2026 年 1 月离职，3 月底成立公司。团队从 Anthropic 和 Google DeepMind 挖角，包括 GPT-4o 的参与者 Joanne Jang。技术路线是反共识的：不追更大的模型和更多的数据，而是做持续学习（模型在训练后继续从真实经验中学习）和超越 Transformer 的架构，旗舰项目代号 Ceres，目标把训练数据需求降低百倍。

融资节奏才是重点：先以 10 亿估值完成 1 亿美元首轮（英伟达、Spark Capital、Accel 参与），六周后即被报道正在以约 40 亿估值募集 3 至 5 亿美元，也有报道称目标估值超过 50 亿。一家成立几个月、没有产品、没有收入的公司，估值翻了四倍。

这不是孤例。Thinking Machines Lab 20 亿美元种子轮、100 亿估值；Safe Superintelligence 10 亿种子轮；Humans& 4.8 亿种子轮、44.8 亿估值。这类「neolabs」的共同点是：投资人买的是研究轨迹和人才组合，不是任何形式的商业验证。

我的判断是：这一现象本身就是周期位置的指标。当一家公司的估值可以在没有产品的情况下六周翻四倍时，定价的锚已经从基本面移到了人才稀缺性和 FOMO。这类标的可以配置，但必须按天使轮的仓位纪律来配，而不是按成长期资产。对一级半市场的买方来说，尤其要警惕的是：这类公司的老股在二级市场几乎没有真实的价格发现机制，你看到的报价可能只反映了上一轮的账面数字。

中国这一侧，DeepSeek 与月之暗面（Moonshot / Kimi）的意义不在收入规模，而在成本曲线——它们把「前沿能力」的价格下限拉低，直接压缩了所有中间层公司的定价空间。字节跳动则是唯一一家同时具备超大规模分发、自有算力投入和消费级产品验证的中国公司，但其一级半交易结构与纯 Pre-IPO 标的差异较大，需单独定价。

第四层：应用与中间层——最拥挤，也最容易被吃掉

这一层公司数量最多，分化也最剧烈。判断标准只有一个问题：当基座模型下一次升级时，你是被增强，还是被吞掉？

被增强的，通常有模型拿不到的东西：

• 收入从 2024 年的 790 万飙至 2025 年约 1.5 亿（增长约 18 倍），2026 年年化收入达 3 亿美元，毛利率约 90%，服务美国 86 万名执业临床人员，人均创收约 124 美元。月度临床咨询量从 2025 年初的约 300 万增至 2025 年 12 月的约 1,800 万、2026 年 1 月的约 2,000 万；2026 年 3 月 10 日单日突破 100 万次，创平台单日纪录。
• Harvey AI（法律）：估值约 110 亿、ARR 约 1.9 亿，已成为 AmLaw 100 的默认法律 AI 平台。与 OpenEvidence 同理——壁垒是受监管行业的数据、责任承担和采购关系，模型能力提升反而降低它们的成本。
• Databricks：数据在哪里，训练和推理就在哪里。它的壁垒是数据引力，不是算法。
• Chainguard（软件供应链）：2025 年 ARR 同比增长 700%，预计 2026 年底达 1 亿美元。
• 推理与算力中间层：Fireworks AI 是这一层增长最猛的标的——年化收入从 2025 年底的约 3.05 亿升至 2026 年 5 月的约 8 亿、7 月突破 10 亿，客户数从 B 轮时的约 1000 家增至超过 1 万家，名单包括 Cursor、Perplexity、Notion、Uber、DoorDash、Shopify。2026 年 7 月完成 15.05 亿美元 D 轮，投后 175 亿，由 Atreides、Index、TCV 领投，累计融资超过 18 亿——九个月内估值从 40 亿涨到 175 亿，对应约 17.5 倍收入（该倍数以逾 10 亿的年化运行率为分母，而该运行率的计算口径未公开）。但这里有个关键数字必须讲清楚：它的毛利率约 50%，因为 GPU 基础设施成本直接计入销货成本，公司向投资人的目标是通过优化 GPU 利用率提升到 60%。同层的 Crusoe、Fluidstack、Baseten、Modal Labs 面临同样的结构。这一层的本质是把 GPU 的资本开支转成经营性收入，商业模式接近地产而非软件——用 SaaS 的估值倍数给它定价是方法论错误。

可能被吞掉的，是那些「把模型 API 包一层 UI」的公司。Chegg 的教训（见下节）说明得很清楚：建立在别人 API 之上的产品，无法与那个 API 的所有者差异化。

第五层：世界模型与机器人——范式转换的起点，不是当期的生意

这一层几乎没有收入，但必须放进任何一份严肃的 AI 地图，因为它标记的是下一个 S 曲线的起点。

World Labs（李飞飞）在 2026 年 2 月 18 日完成 10 亿美元融资，投资方包括 AMD、英伟达、Autodesk、Emerson Collective、Fidelity 和 Sea，其中 Autodesk 单独出资 2 亿并担任战略顾问。公司未披露估值，1 月彭博报道的融资谈判估值约 50 亿美元——相比 2024 年出圈时的 10 亿翻了五倍。它至今只发布了一款商业产品（Marble）和一个研究演示（RTFM），却拿到了接近前沿实验室的定价。

这笔钱买的是一个赌注而非一份收入：语言模型这条路解决不了三维空间推理，需要独立的模型架构。Autodesk 的战略投资是这个论点最有力的外部背书——一家做设计软件的公司认为，它的下一代工具需要一个能理解三维世界的模型。

Generalist AI 是这条线上最值得单独讲的一个，它想复制“大模型 scaling”的路线到机器人世界：不造某一种机器人，而是训练一个跨硬件、跨任务的 physical foundation model，让不同机器人装上这个“大脑”之后，都能快速学会干活。创始团队来自 DeepMind 和波士顿动力——CEO Pete Florence 是 PaLM-E 和 RT-2 的主导者，也是 2023 年「视觉-语言-动作模型」（VLA）架构的提出者之一，Andy Zeng 来自 DeepMind，CTO Andrew Barry 在波士顿动力做了五年 Atlas、Spot 和 Stretch。

他的数据来源很特别：公司做了一批模仿手部动作的采集手套发给全球贡献者，攒下超过 50 万小时的真实物理交互数据。

2026 年 6 月 4 日完成 4 亿美元 B 轮，Radical Ventures 领投，投后 20 亿，累计融资超过 5 亿；英伟达 NVentures、贝索斯 Bezos Expeditions 跟投，天使名单里有李飞飞、Zoom 的袁征、小米的林斌、Naval Ravikant。旗舰模型 GEN-1 宣称在灵巧任务上达到 99% 可靠性、执行速度是此前 SOTA 的三倍。但 Florence 自己的描述很克制：适用于一分钟以内、变量条件有限的短任务，刚刚跨进简单任务的商业可行性边界。这句自我限定，比任何第三方尽调都更有价值——它告诉你这个赛道真实的成熟度在哪里。

General Intuition 走的是第三条路：用游戏数据训练「行动模型」。它从游戏剪辑平台 Medal 分拆出来，靠 Medal 的 1700 万月活用户上传的数十亿条带动作标注的游戏片段做训练，目标是让 AI 理解如何在时空中移动。2026 年 1 月完成 3.2 亿美元 A 轮，投后 23 亿，Khosla Ventures 领投（同一家机构三个月前刚领投了 1.337 亿的种子轮），General Catalyst、贝索斯、Eric Schmidt 跟投，累计披露融资 4.54 亿，团队只有约 25 人，公司已在谈 B 轮并拒绝了多次收购接洽。Vinod Khosla 的原话逻辑很直白：LLM 的量子跃迁是推理能力的涌现，世界模型的量子跃迁将是「直觉」的涌现。

Figure AI 是这一层估值最激进的标的，2026 年 6 月投后估值约 390 亿美元，2025 年二级市场股价年内涨幅超过 1000%，是全球私募市场涨幅最大的公司之一。Physical Intelligence（2025 年 11 月 6 亿美元、56 亿估值）、Skild AI（2026 年 1 月软银领投近 14 亿、140 亿估值）、智元（AgiBot）是同一条线上的其他位置。Waymo 是唯一一个已经跑通商业闭环的样本，Anduril / Shield AI / Saronic 则代表了国防采购这个不受消费周期影响的需求来源。

Figure 2025 年 2 月就发布了自研的 VLA 基础模型 Helix（System 1 / System 2 双系统架构），且正是为了自研 AI 才终止了与 OpenAI 的合作；本书 §3.3.5 收录的 Brett Adcock 那条最激进的预测——「在未见过的家庭里完成多日无监督任务，pixels-to-torques 端到端」——本身就是一条智能优先的主张。特斯拉同理：Optimus 与 FSD 共用同一套神经网络架构与训练基础设施，公司自陈的护城河是数据与算力（数十亿英里真实驾驶里程构成的预训练表征、Cortex 集群、以及部署后的 OTA 数据飞轮），不是本体工艺。把这两家归入「硬件优先」，是把「自己造本体」误读成了「以本体为差异化来源」。

真正的分野线在于是否为本体单独付钱，即垂直整合与大脑专营之别。垂直整合者自研大脑、自造本体、自建产能——Figure（Helix + 自有机型 + BotQ 产线）、特斯拉（FSD 同源栈 + Optimus + 自有产线）、智元属于这一类；大脑专营者则明确硬件无关，模型跑在现成本体上——Generalist AI 自陈「不做人形机器人，模型跑在现成的机械臂和简单夹爪上」，Physical Intelligence、Skild、General Intuition 同属这一类。英伟达为其首款参考人形机选择宇树作为「身体」，是这条分野线的直接证据：它说明本体正在商品化、大脑与身体在采购上可分离，而不是说明「硬件厂商输给了大脑厂商」。

两类的赌注不同，因而不应放进同一个篮子，但胜负远未定。垂直整合的赌注是数据飞轮：只有自己既造本体又部署，才能拿到闭环的、与本体对齐的干预数据，这与本书 §3.3.8 的结论（数据优势是部署量的副产品）方向一致，是这一类最硬的多头逻辑。大脑专营的赌注则是跨具身泛化成立：一旦单一 checkpoint 能跨本体迁移，本体就退化为可替换的外设，大脑层将获得全部定价权——而这恰恰是 §3.3.9 判决窗口要判的那件事。因此这两类的相对胜负不由资本流向决定，由那个判决窗口决定；在窗口给出答案之前，对两类各自配置、并按 §5.4 指标⑦（新任务所需演示条数的年度下降斜率）跟踪，比押注其中一类更符合本书的账本立场。

给一级半市场投资人的提示：这一层的标的应该按估值定价。它们的正确仓位是「小额、多标的、赌长期」，而不是「重仓押一家」。

对照组：正在被抽干的公司

看清赢家最快的方法是看输家死于什么。

Chegg 2026 年 Q1 收入下降 48% 至 6,330 万美元；股价自 2021 年高点累计下跌约 99%；2025 年 5 月裁员 22%、10 月再裁 45%（388 人）。管理层于 2025 年底公开告诉投资者，Google AI Overviews 的上线对 Chegg 衰落的影响「与 ChatGPT 本身同等重大」——这直接印证了「它的流量来自 Google」这一条死因。Chegg 是这轮最完整的样本。

Chegg 死于三件事，每一件都可以推广到其他行业：

1. 它卖的是信息差。把作业答案放在付费墙后面，前提是这些答案稀缺。生成式 AI 让稀缺性归零。
2. 它的流量来自 Google。AI Overviews 直接切断了获客管道——非订阅用户流量降幅从 2024 年二季度的 8% 扩大到 2025 年 1 月的 49%。
3. 它试图用 OpenAI 的 API 来对抗 OpenAI。CheggMate 相对 ChatGPT 没有任何功能性理由存在。

速度是真正的新变量。柯达、百视达、诺基亚手机的衰落各用了 5 到 10 年，Chegg 用了 39 个月。

更大范围的「SaaSpocalypse」：2026 年 2 月第一周，软件板块一周内蒸发超过 1 万亿美元市值；从 1 月到 2 月，软件板块累计蒸发约 2 万亿。Atlassian 下跌约 35%，Salesforce 约 28%，iShares 软件 ETF（IGV）在 2 月至 4 月区间下跌 20–30%，其中一次 48 小时内的回撤达 2850 亿美元。恐慌的核心是：如果 AI Agent 减少了人力，按人头收费的模型就同时失去了增长的分子和分母。

但这里需要诚实地给出反方观点。英伟达 CEO 黄仁勋称「软件已死」是极不合逻辑的说法；Forrester 与多位分析师指出，记录系统（systems of record）不会消失，而 SaaS 增长率自 2021 年见顶后本就逐季下滑——AI 是加速剂，不是起火点。同时，AI 产品的平均毛利率约为 52%（ICONIQ 2026 调研），远低于传统 SaaS 的 75–85%，因为推理成本随使用量线性增长。换句话说：颠覆者自己的单位经济模型，还没有比被颠覆者更好。

我的判断是：死的不是软件，是按人头计价。定价权正在从「席位数」转向「结果数」，高盛把它称为 Results-as-a-Service。谁能先完成这次定价模型迁移，谁就活下来。

结论：AI 时代的四类赢家

把四层放在一起看，能拿到超额收益的公司只有四种，且它们的壁垒类型完全不同：

需要为这四类划一条学术谱系的边界：它们与产业组织文献中的既有分类有大量重叠——「嵌入者」接近 Teece（1986）的互补性资产（co-specialized assets），「换轨者」接近 Christensen（1997）的破坏性进入者，分层本身呼应 Jacobides 等人（2006）的产业架构分析与 Porter（1980）的结构性壁垒传统。本书的增量不在分类本身，而在切分维度：四类是按壁垒类型（钱从哪种不可复制性里来）划分，而不是按价值链位置或技术世代划分。这个切法在 AI 这个壁垒快速迁移的行业里更有解释力，但作为专著必须承认：它是一个重述框架（reframing），不是新理论。另按本书的账本立场声明：这四类是观察而非判断——样本是已存活且被定价的公司，未经失败样本对照检验。

而输家有高度一致的画像：收入建立在信息不对称之上、定价绑定人头、功能可被一次模型升级覆盖、获客依赖被 AI 改写的渠道。若四条中占两条，就值得重新审视——这是一条由存活样本归纳出的假设性判据（幸存者偏差见本节限定），不是定律。

最后回到金融资本的视角。当下这个市场最值得警惕的地方，不是估值高——而是估值的支撑物正在从现金流转向叙事与稀缺性。SpaceX 上市首日 110 倍 PS、World Labs 一款产品拿到前沿实验室定价、Figure 一年涨十倍，这些都不是可以用传统方法证伪的价格。它们可能是对的，但正确与否要用五年而不是五个季度来验证。

在此之前，唯一能反复被财报验证的，仍然是那句最朴素的话：淘金热里最稳的生意是卖铲子，而 2026 年最贵的铲子，正在自己变成金矿。

数据口径与来源说明

• 样本范围：本书覆盖的公司以硅谷主流叙事中的头部标的为主，属于注意力筛选而非穷举，存在明显的遗漏与幸存者偏差（详见开篇的样本说明）。四层框架为归纳性解释工具，不构成因果模型或预测框架。