2026年8月20日，中国科技产业智库「甲子光年」在北京金茂万丽酒店举办「激流·2026甲子引力X科技产业投资大会」。甲子光年创始人&CEO张一甲重磅发布主题报告《2026年人工智能趋势判断：从“投资激流”到“下一代智能范式”》。以下为报告详细内容。
大家好！感谢大家在今年格外紧张的时间轴上，来到2026甲子引力X科技产业投资大会的现场。我想分享一些判断，聊聊科技投资的“激流”和“下一代智能范式”。
关注公众号「甲子光年」，后台回复“2026科技投资”，获得高清版完整PDF。或者点击文末“阅读原文”，进入甲子光年官网下载。
【判断1】一级市场迎来拐点，募投退同步修复，科技投资进入新周期
首先看数据。今年中国一级市场画风和往年非常不一样。去年8月我们科技投资大会的主题叫“渡口”，当时，数据是“止跌回暖、堵点仍存”。
2026年H1，数据可谓“激流”。市场不仅“回暖”，而且“反转加速”，募投退三端同步改善：
募资端，LP参与基金数从1650起跳到2714起，同比增长64.5%；投资端，投资事件数同比增长15.6%，投资金额同比增长91.6%；退出端，IPO同比增长39.2%，并购交易金额暴增至去年上半年的两倍。
这里可以看到一个反差，投资金额的增长远快于投资事件数的增长——资本回来了，但不是重新撒网，而是在向确定性集中。所以这不是旧周期回归，而是新的定价体系正在形成。中国科技投资正在进入新周期。
【判断2】2026甲子星空坐标系：中国科技投资象限分布
这张图是2026中国科技产业投资赛道的“甲子星空坐标系”。
横轴X：低资本耐心度→高资本耐心度
纵轴Y：低技术壁垒→高技术壁垒
两轴形成了四个象限，我们分别命名为：硬核攻坚区、赛道卡位区、产品效率区、长坡厚雪区。
第一象限【硬核攻坚区】：高技术壁垒 + 高资本耐心度
代表未来国家战略和硬科技方向，技术门槛极高、研发周期长（5-10年），需要长期资本支持，一旦成功具备压倒性优势，可重塑产业格局。
代表性赛道：
可控核聚变
光刻机
量子计算
光子芯片
投资逻辑：
技术代差带来壁垒，国家政策支持强，卡脖子问题倒逼自主替代
适合国有资本+产业基金长期持有，投资人需有“10年不回本”的预期和极强的技术判断力
资本关注高校/科研院所技术转化项目
风险要点：
技术路径不确定性高
受国际制裁影响大
极度依赖政策与人才
第二象限【赛道卡位区】：高技术壁垒 + 低资本耐心度
技术壁垒高，但往往概念先行、吸睛效应强，资源快速集聚形成虹吸效应，需要快速入局，否则就上不了牌桌，资本要求项目快速证明自己，快速给出里程碑事件。
典型赛道：
通用大模型
具身智能
世界模型
Harness
AI Agent
投资逻辑：
技术突破或新商业闭环引发巨大市场关注，激发想象空间
资本关注“风口”和首批可交付的里程碑场景
风险要点：
距离商业化闭环较远
媒体或政策把预期拉爆，早期估值过高
后续融资必须持续给出“里程碑”验证，否则估值坍塌
第三象限【产品效率区】：低技术壁垒 + 低资本耐心度
护城河并不完全来自技术壁垒，可能来自于产品定义、运营或者规模，机会窗口期极短，一旦产品定义完成，会被快速模仿，需要快速迭代，资本追求短期流量变现。
典型赛道：
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：
财务或产业资本快进快出
押注爆款，高举高打，依赖渠道流量打法、营销获客能力
资本关注月均GMV增速、单用户获客成本、组织与效率
风险要点：
极易陷入价格战，需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 + 高资本耐心度
“慢变量”生意，技术梯队不明显，但需求是长期的、刚性的，依赖场景深耕、数据积累、客户黏性，复购效应强。
典型赛道：
智慧农业
养老科技
教育科技
工业AI
AI医疗
军工AI
投资逻辑：
长期客户价值与客户黏性
场景排他性
资本关注复购率
风险要点：
收益释放慢
市场教育周期长
存在客户流失风险
赛道漂移
更重要的是，这不是一张静态地图，赛道会漂移。
横向漂移最快：资本要求的兑现周期会变，这种变化以年甚至季度计。
从第一象限到第二象限的逻辑是：当一个赛道的技术里程碑临近、新概念推高预期或者IPO窗口打开，资本耐心会突然下降，从“长期押注”进入“抢占牌桌”。
从第二象限回到第一象限的逻辑是：一些赛道里程碑没兑现、财务资本逃离，只剩国家意志和耐心资本陪跑。
纵向迁移相对慢，意味着壁垒的升降，以五年十年计。
向下的逻辑是：技术扩散把壁垒抹平，比如基座模型能力商品化，就会导致应用端陷入红海，这是技术平权的必然；
向上的逻辑是：数据、资质、工艺和生态可能把壁垒重新堆高。
不同年份间赛道漂移，2026年的甲子星空坐标系和2025年对比，已经发生了变化。2026年最明显的变化，就是国产GPU、具身智能、商业航天、通用大模型等一批赛道，正在从“等未来”向“看兑现”迁移。
假如赛道中的第一批公司上市了或者马上上市，一个遥远的未来突然变得可见，资本自然会活跃，也就要求更快的兑现周期，它就从第一象限走向了第二象限，而越多赛道进入第二象限，资本就越活跃。第二象限有几类，一类是已经跑出商业模型或局部盈利的，一类是临近IPO的，另一类是世界模型等先行者卡位的。
【判断3】AI投资进入激流：全球资本开支结构性重塑，水位、流速、流向、河道、河床，五个维度同时质变
收敛到AI领域的投资，更是“激流”。资金的水位、流速、流向、河道和河床正在同时变化。
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年上半年投资额已超过2025年全年；
流向汇聚：AI已变成绝对主导变量，AI吸收全球创业投资的70%以上，较2025年同期的55%明显提升；
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，资本河道正向少数头部收窄；
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。
所以AI投资的“激流”不是普涨：水位越高，头部效应越强；流速越快，竞争门槛越高，判断失效也越快。真正被重构的是整个智能时代的全球资本开支结构。
【判断4】“四个世界的智能”彼此正交，同步演化，铺就未来十年投资方向
接下来，我们跳出资本的视角，看一看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。
这也是为什么四者成熟速度不同。数字智能相对进展最快；科学智能因为拥有实验反馈，正走向闭环雏形；物理智能受制于真实世界的长尾和失败归因，虽然火热，依然在渐进发展；社会智能最难，因为状态不可完全观测、行为具有反身性，还受制度和伦理约束。
四个世界的智能铺开了未来十年四条投资主线。
右图数据显示，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”。
【判断5】Scaling Laws多维延展，基模迭代趋近“热更新”，“智能-速度-成本”三角博弈白热化
Scaling Laws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”。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，一个重要前提，就是智能的体系足够复杂、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，走向推理时扩展，再走向系统级扩展。
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+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：一旦RSI（递归自进化）充分实现，如果系统能够递归自我改进，想象空间会被进一步打开：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/阶梯状Scaling”走向“递归Scaling”，那个时候增长的就不仅仅是智能，而是增长能力本身。
关注公众号「甲子光年」，后台回复“2026科技投资”，获得高清版完整PDF。或者点击文末“阅读原文”，进入甲子光年官网下载。
【判断6】被低估的Harness：强模型不会终结系统工程，自优化Harness成为下阶段看点
在模型胶着竞赛、智能越来越强的同时，总有一个议题：模型是不是会吞噬一切？
答案是No。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，可近似理解为Agent的“操作系统”。
同一个模型，搭配不同Harness，最终表现相差很大。
一篇文章分析了64组“同模型、不同Harness”的对照，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达48%；
在代码、客服、科学研究等领域，专用Harness甚至贡献了30%-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这个“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？因为强模型打开了更大的行动空间，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，向更高层次、更复杂的问题转移。
“不断上移”之路：
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把Harness自身变成AI可以优化的对象。
Self-Harness的思路很简单：先让AI跑任务，跑完以后自己复盘，再去修改、优化自己的Harness，下一轮再验证有没有变好；Continual Harness又往前走了一步——不是跑完再改，而是边跑边改。右图可以看到，自优化的Harness带来了明显性能提升。
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。
【判断7】世界动作模型（WAM）：补上VLA的“预测层”，赋能机器人决策闭环
然后看物理智能。一个关键议题是世界模型。今年世界模型非常火，不同技术路线也越来越多被讨论。去年被讨论最多的是VLA，而今年，WAM（世界动作模型）受到越来越多关注。
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在标准场景表现可用，可一旦物体布局、光照、背景发生变化，任务成功率显著衰减。而原生WAM在布局变化的场景下，综合鲁棒性最优。
为什么？VLA让机器人“会行动”，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。
另一个值得关注的是，数据范式也变了。VLA直接模仿动作，极度依赖海量真机操作数据；WAM学的是环境演化规律——机器人不再需要靠“喂”那么多真实试错来学会干活。
当然，WAM不是要替代VLA。二者融合，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。
【判断8】AI for Science：从“预测科学对象”到“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”
然后看科学智能。提到AI for Science，很多人想到的是AlphaFold，它代表上一阶段最漂亮的范式——AI很擅长预测科学对象，尤其是数据干净的科学对象。
但2026年，AI for Science的叙事正在发生转移：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。
这个转移我概括为四层闭环，每一层都有一些具体进展：
第一，流程闭环。AI Scientist把“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，并把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，很自然的一个问题就是：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，要经历一个“关键一跳”：从经验感知“跳”到公理假设（溯因推理和范式革命）。
AI能不能Jump？能不能完成从经验事实到全新理论公理的直觉飞跃？答案是：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，却尚未稳定表现出这个“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”。
为什么不能Jump？背后原因引发了不同立场的论文。
一派认为问题在“缺感”——AI缺少具身经验和物理直觉；另一派认为问题在“缺惩”——认知错误没有与真实世界代价充分耦合。
两种解释不同，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”可以实现，将开启最令人期待的未知领域。
【判断9】RSI递归自进化：AI不仅改自己，还开始改“改进自己的方法”
再接着说一个前沿性感概念，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2025Q1不足30篇增加到2026Q2约500篇，一年多涨了16倍。讨论已经从“能不能”的命题层，下沉到“在哪改、怎么改”的工程层。
当下一个最现实的路径是：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上介绍了一个名为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Yes。这是改进“改进的方式”，二阶导。
这个框架设计了三级递归：
执行层：Task Harness——负责干活的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，修改“Evolver应该如何寻找改进”。
换言之，工作从Improve Harness走到了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把“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）已经开始触碰Meta-Improvement（元进化），开放式RSI仍在前方。
【判断10】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；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，我们能不能模拟这种演化，并形成推演能力：当一个事件发生，包含人和Agents的整个群体将如何变化？如何以此做预测、做决策？
刚才在【判断4】里谈论四个智能时讲到，社会智能的难，来自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、支持决策。这一步很难，但却相当有价值。
【判断11】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，所以四类智能的交汇、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。
【判断12】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。
回看现代思想史，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。
弗洛伊德曾把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，人并不是自然界中被特殊创造出来的存在，我们不过只是漫长演化中灵长类的分支。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，很多年轻人很迷茫，AI的进展在不同人群中的感知很撕裂，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。
致谢
关注公众号「甲子光年」，后台回复“2026科技投资”，获得高清版完整PDF。或者点击文末“阅读原文”，进入甲子光年官网下载。
热门跟贴