上半年AI股权投资达3077亿元，行业下一轮突破在哪里？

21世纪经济报道记者 陈归辞

近日，由市北高新与靖亚资本联合举办的2026 AI Cloud 100 China榜单发布暨线下峰会在上海举行。靖亚资本发布的《2026中国AI行业趋势报告》显示，2026年上半年，境内AI领域股权投资总额达到3077亿元，约为2025年全年的两倍；AI领域股权融资额占比升至47%，大模型、具身智能与AI基础设施成为股权投资最热门的三大方向。

资本加速涌入的背后，AI技术持续演进，产业探索也在向更深层次、更广泛的领域延伸。一方面，如何让模型具备持续学习能力、进一步理解并作用于物理世界，成为新的技术探索方向。另一方面，随着模型和智能体能力提升、企业AI投入增加，如何推动AI真正融入生产和业务流程、创造实际价值，也成为产业关注的焦点。

下一个AI突破会发生在哪里？当智能体开始具备执行更复杂任务的能力，企业又该如何推动其落地、释放应用价值？

下一个突破在哪里？

《2026中国AI行业趋势报告》指出，当前国内从大模型到AI原生应用，已进入规模化商业落地阶段。多模态AI、智能体、AI基础设施、物理AI、AI科研、AI定义的智能硬件等六大领域将持续孕育新的发展机会。

在AI下一阶段的发展中，持续学习被业内视为需要突破的重要问题。据悉，梁文锋此前就曾表示，在Agent之后，应该要解决的问题是持续学习，就是怎么让模型可以持续地学习。

如何理解持续学习？无涯智远创始人、北京大学人工智能研究院助理教授张牧涵解释道，AI系统的工作方式由两个部分决定：模型架构与参数定义了模型是什么，上下文则决定了模型在本次推理中依赖哪些信息。

张牧涵认为，仅依靠上下文推理难以实现持续学习。过去几年，模型上下文窗口已从数千Token扩展至百万Token，但受算力和自注意力机制等因素制约，进一步扩展面临瓶颈。与此同时，模型参数在基础模型厂商出厂后便固定了。这两方面的限制，使得当前Agent的学习能力存在上限。

在他看来，上下文推理更接近模型的短期记忆，而模型的长期记忆则应该存储在参数中。如何让模型参数在使用过程中持续更新，实现模型持续学习和进化，是他认为值得探索的重要方向。

从商业化角度来看，心洲科技创始人陈锴杰也认为，持续学习可能为大模型竞争格局带来巨大变量。

“今天的API完全没有黏性。”陈锴杰表示，当有厂商推出新模型时，用户可能随之切换。各家厂商不断追求更高的性价比，推动模型性能与成本持续优化，但也使行业面临收入空间受限的压力。

他认为，如果模型能够在每次调用后持续学习，将用户积累的经验沉淀下来，形成面向个人或企业的专属能力，并伴随用户共同成长，就有望建立更强的用户黏性，成为行业发展令人兴奋的突破。

在大模型底层架构与算法创新方面，普林斯顿大学AI Lab研究员张伊凡观察到，业内已有多个研究团队正在押注“Deep Learning 2.0”。他认为，当前大模型的架构与学习算法仍有较大的创新空间，DeepSeek、Kimi等模型厂商也在持续推进架构迭代。

张伊凡表示，除了算力规模化（Scaling Compute）和数据规模化（Scaling Data），行业还可以通过研究能力规模化（Scaling Research），进一步降低预训练成本和提升训练效率。

此外，世界模型也正吸引更多创业者和资本入场。近期，AMD宣布拟以约82亿美元收购李飞飞创立的World Labs；国内方面，据报道，DeepSeek已同意领投前腾讯科学家胡瀚创立的Winverse AI种子轮融资，这些动向都印证了这一方向的重要性。

Abaka AI联合创始人赵云飞认为，世界模型有望成为AI下一阶段发展的重要突破口。目前，世界模型已能够生成可交互的3D视觉空间，但并不具备真正理解物理世界的运行规律、预测动作将如何影响环境的能力。实现这些能力将成为AI迈向物理世界的关键一步。

如何走向企业真实业务流？

持续学习、世界模型等是AI技术发展有待攻克的下一城，而从应用端来看，企业面临的现实问题是：如何让模型和智能体的能力转化为生产力，真正创造业务价值？

一年前，麻省理工学院的 NANDA 项目审视300多个AI项目后发现，尽管企业生成式AI的投入估计高达300亿至400亿美元，但只有约5%的已集成试点项目产生了显著价值。所谓“95%的AI项目都会失败”的说法由此而来。

而今年，麦肯锡对97个国家1719名受访者进行的全球调查显示，近九成受访者表示，其组织至少在一个业务职能中常规使用AI，但更多组织正从孤立部署转向企业级规模化采用：44%的受访者表示AI正在其企业范围内规模化推广，高于一年前的38%。AI也正在渗透到企业的更多部门，表示其组织在三个或更多职能中使用AI的受访者比例从51%上升至56%。

企业如何选择AI应用场景？神州数码CEO李映在峰会分论坛上表示，企业AI落地效果不佳，一个原因是应用场景选择不当。企业往往优先选择风险低、结果确定的任务，但其中不少问题已能通过传统信息化解决，AI的增量价值有限。另一个原因是业务流程没有随AI应用同步改变，智能体需要跨岗位、跨系统协同执行任务，如果仍沿用原有流程，就难以发挥其价值。

在李映看来，企业更应该将Agent用于企业决策、专业诊断等复杂、不确定的任务。同时，企业级AI从演示原型走向生产环境，也还需要面对企业主权AI架构建设、业务流程重构、技术能力突破等挑战。

迈富时首席财务官马进指出，从研发、生产、供应链到销售，价值链两端的研发和营销相对更容易引入AI。研发本身具有探索性，就像“挖矿”，往往无法预知最终结果，适合借助AI进行探索。营销则具有多样性，同样是很适合应用AI的场景。

特赞创始人兼CEO范凌将企业中人与AI的协作概括为两种方式：“人用AI”与“AI用人”。前者是借助AI解决开放性问题，在方向尚不明确时，通过各种AI工具拓展探索多样化的路径。后者则是让AI主动执行那些优化目标明确，但原本需要跨部门、跨职能协作的复杂任务。