AI每日情报【Cognition估值8个月翻2.5倍至260亿美元,AI编程赛道正在批量制造千亿公司】

如果一家公司成立不到两年，估值就达到260亿美元，你会觉得这是泡沫还是拐点？更关键的是——这家公司的三位创始人全是中国人，拿过5枚IOI金牌，如今正在重新定义“写代码”这件事。今天这篇文章，带你拆解AI编程赛道的真实规模、玩家格局和最可行的入局路径。

一、🔥 深度商机：Cognition AI估值260亿美元，华人创始团队正在吃掉全球软件工程市场

痛点是什么

你公司的CTO又批了30个新开发岗。每个工程师年薪15万美元起，加上福利、招聘成本，一个50人工程团队每年吃掉1000万美元预算。更头疼的是，产品需求排期已经排到2027年——这就是Cognition AI想要解决的终极问题。2024年3月，Cognition推出Devin——全球第一个“AI软件工程师”。16个月后，这家公司的年化收入从3700万美元飙升到4.92亿美元，增长13.3倍。企业用量月环比增长50%，客户包括高盛、花旗、美国陆军和海军。

这个市场有多大

Cognition AI当前年化收入$4.92亿，估值$260亿，距上一轮$102亿仅8个月。（测算：收入37M→492M增长13.3倍，月环比使用量增长50%，按此增速2027年化收入可达$50亿+；参考高盛对AI编程市场2030年$1500亿TAM预测）全球软件工程市场规模约$4300亿（Gartner 2025），AI编程工具渗透率目前不到5%。但真正的TAM不止于此——当“写代码”成本趋近零，需求会发生爆炸。Cognition真正盯着的，是“所有需要软件的地方”。

谁在做、谁还没做

如果今天动手，建议这3步

1. 不做通用AI程序员，做“行业AI程序员”。Cognition的客户是高盛、花旗——金融和国防。这些行业有极高的合规要求和定制化需求，通用工具吃不下。选一个中国有优势的垂直行业（政务系统、工业软件、金融合规），从领域知识切入。
2. 押注“非代码”的软件工程环节。Devin的差异化不只是写代码，而是需求分析、架构设计、代码审查、部署运维全链路。中国团队如果能在“需求翻译成技术方案”这个环节做到极致，护城河会比单纯比代码生成更深。
3. 从“工具”升级为“团队成员”。Cognition按“Devin工程师”而非“API调用”定价——客户不把Devin当工具，而是当可以分配任务、验收结果的“数字同事”。中国企业的付费习惯天然匹配这种“按人天/人月”的逻辑。

什么时候这事会黄

• 风险一：Devin的实际能力可能被高估。Answer.AI在2024年测试Devin时，20个真实任务中仅成功3个。如果Cognition不能持续证明稳定交付企业级任务，$260亿估值将面临剧烈回调。
• 风险二：平台级玩家的挤压。GitHub Copilot在微软生态有天然分发优势，Google Gemini Code Assist正在追赶。如果操作系统/IDE层面的AI编程成为标配，第三方独立Agent的生存空间会被压缩。

主编点评

这件事真正的看点是：AI编程的竞争已经从“谁的代码生成更准”进化到“谁能替代一个完整的软件工程团队”。Cognition的260亿估值不是给代码生成技术的定价，而是给“软件工程即服务”这个新范式的定价。如果是我，会先做垂直行业的“领域AI工程师”（如金融合规代码审查、政务系统低代码Agent），避开与GitHub Copilot在通用场景的正面冲突。读者里如果有人正在做类似方向，欢迎留言告诉我你的进展。

二、今天还值得看一眼的3条

1. 🟢 华为“韬定律”：381颗量产芯片，用算法绕过物理极限

徐直军首次深度披露华为芯片6年突围始末。“韬（τ）定律”以“时间缩微”替代摩尔定律的“几何缩微”——通过逻辑折叠将CPU主频从2.6GHz提至3.1GHz，NPU性能提升1.4倍。已量产381颗芯片，覆盖手机/数据中心/网络。路线图显示2031年可达等效1.4nm，成熟工艺做出比肩N3E芯片的成本低30%。这不仅仅是华为的故事——它意味着中国AI的“算力底座”可能不需要等待ASML光刻机。对于AI创业者来说，“算力不会成为长期瓶颈”的预期，会影响从模型选型到商业模式的每一个决策。

主编点评

华为的“韬定律”本质上回答了AI时代最关键的底层问题：物理极限能不能被算法绕过？381颗芯片和等效1.4nm的路线图说明，半导体竞争正在从“缩小晶体管”转向“重新定义算力效率”。这对中国AI创业者是根本性的利好——未来5年，算力供给侧的确定性比市场想象的要高。

2. 🟢 理想汽车豪掷120亿做具身智能：自动驾驶是上半场，人形机器人是下半场

理想汽车基座模型部门新增三个具身智能二级部门——具身工程、具身交互、具身行为。全年研发投入120亿元，AI相关占50%。李想公开表态：“自动驾驶是机器人上半场，人形机器人是下半场。”人形机器人团队代号Nexus，首款为轮式机器人。Q1净亏损23亿元由盈转亏，市值从1550亿降至1186亿港元，但研发投入反而增加——这是“all in AI”的财务信号。中国头部车企正在从“卖车”转向“卖AI”，路径极其清晰：先用自动驾驶积累感知、规划、控制的完整技术栈，再迁移到人形机器人。

主编点评

逻辑是对的：自动驾驶和具身智能共享同一套技术栈——环境感知、路径规划、多模态交互。但120亿研发投入的残酷现实是Q1净亏23亿——这是用今天的利润赌明天的赛道。对于创业者来说，具身智能的“数据采集成本”可能是比模型能力更大的瓶颈：一辆车每天在路上跑就是数据采集，但一个人形机器人要获得同等数据量，成本高一个数量级。

3. 🟢 Token经济学残酷真相：高盛预测24倍增长，但87%企业部署AI后仅10%获得价值

两条数据放在一起格外刺眼：高盛预测Agent Token消耗2030年增长24倍，达月均120千万亿；亚马逊云科技技术总监却指出——87%企业宣称大规模部署AI，但真正获得价值的仅10%。中间的“消失的77%”去哪了？答案藏在三个细节里：Token贵不是因为模型贵，而是“喂了太多垃圾信息”；小米AI Credits体系里缓存命中与未命中价差120倍——不懂Token治理的企业在烧冤枉钱；Agent任务Token消耗是普通问答的100-1000倍，但很多企业还在用“聊天机器人”的预算做“Agent部署”。Token经济学已成为AI商业化的核心议题——不是技术问题，而是成本结构问题。

留言告诉我，你最想下周深挖哪个方向？

A. AI编程赛道中国创业者机会 

B. 具身智能从造车到造人的跨越 

C. Token经济学与企业AI落地成本控制

免责声明

本文内容仅供参考，不构成任何投资建议。文中提及的公司、产品及市场分析均基于公开信息交叉验证，投资决策请独立判断并注意风险。数据截至 2026年6月1日。