目录
摘要与核心结论 AGI 投资机会的定义与判定框架 分类体系：六大赛道 × 三层充分拆分 资本强度与成本结构测算 终局市场规模（TAM）分析 全球对标企业图谱（中美对照） 中国市场的落地路线 投资机会矩阵与建议 附录：数据来源与术语表
一、摘要与核心结论
AGI 投资机会的严格定义：以通用智能模型为核心资产、以数据-算法复合飞轮为核心壁垒、以临界点跃迁后的平台化颠覆为核心回报来源的早期投资标的。
本报告将"AGI 投资机会"分为六大赛道，按"智能所学习的数据基质（input modality）"划分，并据此完成三层充分拆分、资本强度测算、终局 TAM 分析、中美对标与落地路线设计。
三条核心判断：
数据稀缺度是跨赛道最核心的变量。 语言赛道数据近乎免费（数据支出占比仅约 5%），而生物、具身赛道数据稀缺昂贵（占比可到 30–60%）。数据越稀缺，壁垒越深、终局越大，但飞轮越慢、离商业爆发越远。
中美资本结构决定了两条不同的 AGI 路径。 美国走"通用平台烧钱"路线（OpenAI 累计融资约 $180B），中国必须走"垂直 AGI + 硬件/场景自造血 + 国资/产业资本分段供给"的路线（宇树、智元已验证）。中国一级市场国资 LP 占比已升至约 90%，倒逼经营路线改变。
中国最容易跑通的赛道，是"数据飞轮与商业闭环同源"的赛道（具身、自动驾驶、AI 制药的 CRO 模式），而非"纯模型、纯烧钱"的赛道。
二、AGI 投资机会的定义与判定框架
2.1 先厘清两个层次
技术意义的 AGI：达到人类水平的通用智能——尚未实现，是研究目标。 投资意义的"AGI 机会"：具备特定结构特征的通用智能公司——这才是 VC 实际下注的对象。
2.2 四要素判定标准
一家公司要算作"AGI 型机会"，须同时满足（或明确命中）以下四要素：
2.3 壁垒的双重结构（关键分析点）
壁垒由两种性质不同的力量构成，判断时必须分开：
数据/规模飞轮：连续的、复利的，天然偏向已有领先者（马太效应）。 架构/算法跃迁（如 Transformer 及未来新范式）：离散的、阶跃的，是后来者"弯道超车"的窗口。
因此，"到某节点后碾压竞争者"的更精确表述是：碾压来自飞轮复利，"节点"是涌现相变；但架构跃迁会周期性重置格局——碾压是"同一架构范式内的碾压"，并非一劳永逸。优质标的必须同时具备"飞轮转速"与"吸收下一次架构跃迁的能力"。
三、分类体系：六大赛道 × 三层充分拆分
3.1 分类原则：三条正交的切片轴
"数据基质"往下拆，用一个可复用原则：
尺度轴（Scale）——对象的组织层级（分子→细胞→组织→个体），生物/物理领域的主切片。 任务轴（Task）——预测/生成/模拟/决策，语言、代码等"无尺度"领域的主切片。 整合度轴（Integration）——单模态→多模态→跨尺度，衡量"向通用收敛"的进度。
判断一个项目属于哪个子集 = 先定尺度/任务，再定整合度。
3.2 六大赛道三层拆分 + AGI 投资原因
赛道一：语言/符号智能（主切片：任务轴）
赛道二：视觉与世界模型（主切片：物理抽象层级轴）
赛道三：具身智能（主切片：本体形态 × 闭环程度）
赛道四：代码与形式化推理（主切片：形式化程度）
赛道五：生物/分子智能（主切片：尺度轴）
赛道六：多模态统一（主切片：整合度）
四、资本强度与成本结构测算
4.1 OpenAI 基准拆解
融资额（截至 2026 年 8 月）：
成本结构（2025 全年支出约 $34B，量级估算）：
要点：数据是全部支出里最小的一块。文本数据近乎免费，只有顶级版权方（News Corp 60M/年）收得上钱。最大单笔数据授权 100B 级，相差约 400 倍。
4.2 测算方法论（从语言基准外推）
累计资本需求 = 算力投入 + 人力投入 + 数据投入 + 商业化投入算力投入 ≈ 语言基准 × 算力强度倍率 （视频是文本的 10–100 倍）数据投入 ≈ 语言基准 × 数据稀缺度倍率 （可达 200–500 倍，变化最大）人力投入 ≈ 语言基准（前沿人才全球同价 ~$1M/人年）数据支出占比 = 数据投入 ÷ 累计资本，本质是数据稀缺度的函数：稀缺度低 → 占比向 3–8% 收敛；稀缺度高 → 占比飙到 20–60%。
关键分野：OpenAI 的 10–30B。因此子赛道的"临界点融资额"要分两档：跑通模型飞轮（$1–50B）vs 建成通用平台（$100B+）。
4.3 各子赛道融资额与数据支出估算
注：以上为量级估算（order-of-magnitude），非精确值。
五、终局市场规模（TAM）分析
5.1 三层口径（理解终局市场的钥匙）
替代层（最大）——AGI 直接替代的人类劳动/决策的市场价值，数万亿到数十万亿。 重构层——被颠覆产业的终局收入规模，百亿到数万亿。 工具层（最小）——AI 厂商自己当下能收的钱（卖模型/工具/SaaS），几十亿到几百亿美元。
VC 估值逻辑：短期用工具层兑现收入，长期赌替代层/重构层的终局。三者落差是"错配机会"的来源。
5.2 总盘子锚定
全球 GDP 约 55–70 万亿）。权威交叉印证：McKinsey 生成式 AI 年度价值 19.9 万亿。
5.3 分赛道终局 TAM
最大的"工具小、终局大"错配在生物与具身：AI 制药工具市场仅 1.6 万亿；人形机器人硬件今天 ~10 万亿级体力劳动。
六、全球对标企业图谱（中美对照）
金额为最近轮次公开报道口径（2026 年 8 月快照），区分"估值"与"累计融资"。
6.1 语言/符号智能
6.2 视觉与世界模型
6.3 具身智能
6.4 代码与形式化推理
6.5 生物/分子智能
6.6 多模态统一
七、中国市场的落地路线
7.1 先看清中国一级市场的真实偏好
2024–2025 年的中国 VC/PE 市场已和移动互联网时代完全不同。资本不再追捧"烧钱换增长"，而是极度偏好：
硬科技与国产替代：半导体、高端装备、生物医药、新材料、AI 基础设施。 政策确定性：能拿到政府引导基金、国家大基金、地方产业基金的项目。 短期商业化能力：哪怕"边研发边赚钱"，也比纯长期故事更受欢迎。 明确的退出路径：科创板、北交所、并购重组。 产业资本深度参与：车企、药企、制造龙头愿意为战略协同掏钱，而非单纯追求财务回报。
数据佐证：国资 LP 出资占比 2022–2025 年从 80% 升至约 90.2%；A 股 IPO 从 524 家（2021）降至 100 家（2024）；OpenAI 单轮 $122B 对比中国具身智能全年 503 起、合计仅 960 亿人民币——资金量级差一个数量级、资金性质转向国资/产业资本。
关键结论：你不能讲一个"给我 100 亿，10 年后给你 AGI"的故事。你必须把百亿级的大目标拆解成多个"能独立融资、能独立造血、能独立退出"的模块。
7.2 核心思路：从"单一体"变成"航母战斗群"
既然一级市场给不了一个未盈利企业上百亿，就不要把公司做成一个需要上百亿才能运转的"巨无霸"，而是设计成：
一个轻资产的技术平台公司（融资主体） 多个重资产的数据生产/商业化子公司（合资、项目制、产业方控股）
母公司掌握核心算法、模型架构和知识产权，负责"大脑"；子公司负责"身体"和数据采集，通过引入产业方、政府资金、项目制收入来分摊重资产投入。
这种结构的好处：
母公司融资规模可控（几亿到十几亿），符合 VC 偏好； 重资产部分由产业资本、政府、银行承担，不稀释母公司股权； 数据通过协议回流到母公司，形成数据飞轮。
"航母结构"的三条隐藏代价（设计时必须规避）：
上市独立性：母公司若"轻资产"、而收入/数据/重资产都在产业方控股的子公司里，将难以满足科创板/A 股的"业务、资产、人员、财务、机构"五独立要求，易被认定"无实质经营、靠关联交易输血"。 数据回流定价：母公司向子公司拿数据，定价是免费、低价还是市价都会被重点审查——过低是"利益输送"，过高是"虚增收入"。 数据命脉外置：子公司由产业方控股，一旦产业方战略转向或退出，母公司瞬间失去数据源；"数据使用权"协议在控股方变更时往往作废。
规避方式：数据采集/生产子公司，母公司要拿控股或至少一票否决权，并把"数据回流权"写成不可撤销、可继承的合同权利；上市主体务必保留一个"真实现金流 + 核心数据"的业务线，不能纯轻资产。
7.3 分阶段融资与经营路线图
阶段一：技术验证期（0–3 年，融资 1–3 亿人民币）
目标：证明技术路线可行，跑通最小闭环，拿到关键数据。 团队：AI 算法专家为核心 + 少量领域专家（生物、机器人、神经科学）。 轻资产策略：具身智能先做"大脑"模型（公开数据集/仿真验证，或与现有机器人厂商合作）；数字生命先用公共数据库（GEO、Allen Brain Atlas）或与高校/医院合作；脑机接口先做信号处理算法（公开脑电数据）。 融资：天使/Pre-A，找有产业背景的 VC（车企/药企 CVC）或高校成果转化基金。 里程碑：在某个垂直场景证明模型优于现有方法（机器人操作成功率、药物靶点预测准确率）。
阶段二：小规模数据闭环期（2–5 年，融资 5–15 亿人民币）
目标：建立初步数据采集能力，跑通"数据→模型→产品→收入"闭环。 由轻转重，但不追求全自主重资产，而是混合模式：具身与制造企业（3C、汽车零部件）成立合资公司，在产线部署少量机器人边工作边采数；数字生命/科学智能与 CRO、医院、第三方实验室合作；脑机接口与康复医院合作开展临床试验。 融资：A–B 轮，引入政府引导基金（要求落地和返投）和产业战略投资；此时应已有收入（技术服务费、联合研发费、小规模设备销售）。 经营重点：打造标杆案例，证明数据飞轮价值——如"100 台机器人产线跑半年，模型成功率从 80% 提升到 95%，帮客户降 20% 人力成本"。
阶段三：大规模数据扩张期（4–7 年，融资 20–50 亿人民币）
目标：建立行业级数据壁垒，成为垂直领域"数据+模型"基础设施。 重资产逐渐独立：成立数据生产子公司（自动化实验室、机器人数据工厂、脑机设备产线），由产业方控股（药企/车企/制造龙头），你持股 30–49%，但掌握核心算法和数据使用权。 项目制融资：承接政府或大企业数字化转型项目，用预付款和补贴覆盖数据采集成本。 融资：母公司 B+–C 轮引入国家队基金（国家制造业转型升级基金、国家绿色发展基金、地方产业基金）；子公司引入银行长期贷款、融资租赁、政府专项债、产业资本。 政策红利：数据要素×、算力券、超长期特别国债、科技创新再贷款。
阶段四：平台化与资本化期（5–10 年，百亿级但不再依赖股权融资）
目标：成为领域内通用智能平台，实现自我造血和上市。 多个盈利点：模型 API/授权费、数据服务订阅、硬件/设备销售、合资公司分红、政府项目收入。 此时年收入可达 10–30 亿，经营性现金流支撑研发；重资产投入通过子公司独立融资、银行贷款、产业基金解决，母公司不再承担全部资金压力。 上市路径（详见 7.5）：科创板（硬科技属性）或港股 18C（未盈利特专科技），或分拆重资产子公司单独上市。
7.4 具体融资工具与技巧
用好政府引导基金，但设计好返投：把数据采集工厂、自动化实验室放在当地，既满足返投又降低用地/人力成本。例如在苏州拿生物医药引导基金建自动化湿实验室，在常州拿机器人产业基金建机器人数据采集中心。
善用"以项目养研发"：承接大企业横向课题或政府示范项目，用项目收入覆盖研发成本。例如为车企做"柔性生产线机器人操作优化"收费数千万，同时采集大量真实操作数据。
数据资产入表与质押：2024 年起数据资源可入表（无形资产/存货），但"能入表 ≠ 有价值 ≠ 能质押"——目前数据资产质押贷款极少、评估标准缺失、银行接受度低，只能作为辅助增信，不能作为缓解股权稀释的主要手段。
利用 CVC 的"战略耐心"：产业资本（药企、车企）比财务 VC 更有耐心、更看重业务协同，让他们成为股东或合资方，可降低融资压力。
分拆融资，避免"一口吃成胖子"：将硬件制造、数据生产、模型研发分拆成独立实体，分别融资、各自引入不同偏好的投资人；母公司保持轻资产和高估值。
7.5 上市通道
科创板第五套标准已于 2026 年 6 月 17 日扩围至人工智能领域（证监会主席吴清在陆家嘴论坛宣布；上交所发布《发行上市审核规则适用指引第 10 号——人工智能大模型企业适用科创板第五套上市标准》）。其核心门槛为预计市值不低于 40 亿元 + 取得阶段性成果，不对营收、净利润作要求，专门为"研发投入强度高、盈利拐点滞后"的未盈利硬科技企业（原以生物医药为主，已延伸至商业航天、低空经济、AI 大模型）打开境内直接上市通道。智谱已进入科创板辅导验收，MiniMax 已开展专项论证。
| 科创板第五套标准 | 市值≥40亿 + 取得阶段性成果（不要求营收/净利） | 未盈利 AI 大模型、前沿硬科技（智谱/MiniMax 已启动） |
关键策略：现在未盈利的 AI 大模型企业有两条境内通道——科创板第五套标准（市值≥40亿 + 阶段性成果）与科创板标准四（营收≥3亿）。用"以商养研"把营收做到 2.5 亿港币以上，18C 门槛就从 80 亿港币+50% 研发占比降到 40 亿港币+15% 研发占比；若进一步盈利，则可走科创板标准一（最快，对标宇树）。
7.6 生存法则总结
在中国做"重数据、重资产"的 AGI，必须放弃"硅谷式"单一大融资模式，转而采用：
"轻资产平台 + 重资产合资 + 项目制收入 + 政策红利"的组合拳。
核心原则：
里程碑驱动：每融一笔钱，必须对应一个可验证的商业化或数据里程碑。 自我造血优先：哪怕慢一点，也要尽早产生现金流，避免被资本裹挟。 多方共担风险：让产业方、政府、银行共同承担重资产投入，而不是靠创始人股权的无限稀释。 利用中国优势：制造业场景、公立医院数据、政府大科学装置、低成本工程师——这些是比美国更便宜的"数据生产要素"。
最终，百亿级投入不是靠一家公司在 A 轮融来的，而是通过一个生态体系、多个融资主体、多轮资本化运作，在 5–10 年内逐步堆叠出来的。这才是适合中国土壤的 AGI 投资与创业路径。
八、投资机会矩阵与建议
8.1 跨赛道对比总表
8.2 筛选建议
优先看"数据飞轮与商业闭环同源"的标的：具身（宇树/智元范式）、AI 制药 CRO 模式、自动驾驶——这些在中国有明确造血路径和上市通道。 警惕纯模型、纯烧钱的通用 LLM：中国头部已固化（DeepSeek/月之暗面/智谱），新进入者应做垂直行业模型，且须评估"被通用模型吞噬"风险。 关注三个中国相对薄弱但壁垒深的子赛道：灵巧手/触觉、虚拟细胞、形式化验证——美国也缺纯 play，是潜在的反向机会。
