夜雨聆风过去几年，市场最关注的是模型、应用和软件服务。投资人偏好的，是高毛利、轻资产、快速扩张和较低边际成本。
但近期越来越多的大额资本，开始进入另一类项目：机器人、先进材料、科学计算、芯片、数据中心、能源基础设施，以及具有国家战略属性的主权AI平台。
这些公司通常具有几个共同特点：资本开支更高、研发周期更长、、产业协同更复杂、商业化速度更慢。但一旦形成能力，复制难度和战略价值也可能远高于一般软件公司。
今天，我们通过三个案例来理解这一变化：日本的Noetra，英国的CuspAI，以及法国的Mistral。这三家公司分别代表：Physical AI；AI for Science；以及主权AI基础设施。
它们背后共同反映的是：AI正在从软件工具，演化为现实世界中的产业基础设施。
一、从软件智能到Physical AI
首先看日本的Noetra。
Noetra获得日本政府支持，并由软银、本田、索尼等数十家企业参与。其首年资金支持超过3,800亿日元，约合23亿美元。公司计划采购大规模先进AI芯片，建设本土算力平台，并训练能够服务制造业、造船、护理和其他工业场景的机器人基础模型。
这类项目的意义，不能仅用一家创业公司的产品逻辑来衡量。Noetra本质上更接近一个产业共同体：政府提供政策和资金；芯片与算力企业提供基础设施；制造企业提供场景和数据；机器人公司提供硬件平台；最终形成一套本土Physical AI能力。
Physical AI与一般生成式AI的根本区别在于：它必须在现实世界中感知、判断和执行。语言模型产生错误，通常表现为错误回答。机器人系统产生错误，可能直接造成设备损坏、生产中断，甚至人员安全风险。
因此，Physical AI要求更完整的技术体系，包括感知系统、控制算法、仿真平台、运动规划、边缘计算、安全冗（rǒng）余、工业通信以及大规模真实场景数据。这意味着，Physical AI的竞争不可能只停留在模型层。它更接近一个综合工程能力的竞争。
日本在通用基础模型方面并不占据领先地位，但在机器人、精密制造、汽车、工业设备和供应链管理方面具有长期积累。因此，日本希望把工业能力转化为下一阶段AI竞争的基础资产。
这里最重要的变量是工业数据。互联网文本相对容易获得，但高质量工业数据通常封闭在企业内部，例如：机器人如何在复杂环境中完成抓取；设备在不同温度和负载下如何变化；生产线故障如何发生；人工操作员如何处理异常状况。这些数据很难公开获取，也很难低成本复制。
如果Noetra能够把日本企业的工业数据、机器人能力和算力资源整合起来，那么其价值就不只是训练一个模型，而是形成一个具有网络效应的工业智能平台。
从投资角度看，Physical AI带来的机会不只存在于机器人整机。更值得早期资本关注的，可能包括仿真训练平台、工业数据采集与治理、机器视觉、边缘推理、机器人操作系统、安全验证、远程控制以及机器人算力调度。
Physical AI的核心投资逻辑，不是简单复制一个AI功能，而是寻找现实世界中难以替代的基础能力。
二、从内容生成到科学发现
第二个案例是CuspAI。
CuspAI完成4.5亿美元B轮融资，估值约26亿美元。其投资方包括Kleiner Perkins、NEA、英国政府相关资本、Lux Capital、AMD Ventures，以及其他战略和财务投资人。
CuspAI专注于利用人工智能发现新材料。这类公司代表了AI产业一个更深层的变化：AI的价值开始从生成内容，转向生成新的科学假设和工程方案。
材料科学是许多关键产业的基础。半导体需要更先进的材料；电池需要更高能量密度、更安全和更低成本的材料；碳捕获需要更高效的吸附材料；航空航天需要更轻、更耐热、更高强度的材料；先进制造同样依赖材料性能的提升。
传统材料发现通常依赖大量模拟、实验和反复验证。研究人员需要在巨大的候选空间中不断筛选。多数候选材料最终无法达到预期性能，或者在实验室中有效，却无法实现规模化生产。
AI可以提高候选材料生成和筛选效率，但真正的壁垒并不只在模型。核心在于能否形成完整闭环：模型提出候选材料；模拟系统预测性能；实验室完成合成和测试；实验结果回流到模型；模型再基于真实反馈持续优化。这类闭环一旦建立，就可能形成一种独特的数据资产。
尤其重要的是失败数据。在科学研究中，失败实验往往不会被系统公开记录，但它们对模型训练非常有价值。如果一家AI科学公司长期积累大量实验结果，包括失败路径，它就可能形成竞争对手难以复制的数据壁垒。
因此，CuspAI的长期价值不应只用软件公司的订阅收入衡量。它更像一个由模型、科学数据库、计算平台、实验系统和产业合作共同构成的研发基础设施。
但这类公司的风险也非常明确。
商业化周期长。材料从发现到进入工业系统，需要经过性能验证、安全测试、生产工艺适配和供应链认证。
资本效率较低。计算、实验、人才和设备都需要持续投入。
技术成果与商业成果之间存在较大距离。一种材料在模拟中表现优异，并不意味着能够稳定量产，也不意味着客户愿意调整原有生产体系。
估值可能提前反映长期成功预期。26亿美元估值意味着市场已经对CuspAI未来的平台地位、数据壁垒和产业收入做出较高定价。
AI for Science的长期空间非常大，但它并不是一个快速变现的赛道。它更适合拥有长期资本、产业资源和技术耐心的投资者。
三、从全球模型到主权AI
第三个案例是法国的Mistral。
Mistral被视为欧洲最重要的基础模型公司之一。其资本结构中，开始出现越来越多大型科技企业、产业资本和基础设施合作方。Mistral的重要性，不只来自模型能力，更在于欧洲主权AI战略中的位置。
过去，企业采购软件，主要关注功能、价格和稳定性。但随着AI逐渐进入政府、金融、医疗、能源和工业系统，客户开始关注更多问题：模型由谁控制；数据存储在哪里；是否可以本地部署；是否符合本地监管；关键能力是否依赖外国供应商；在国际关系变化时，服务是否能够持续。这些问题构成了主权AI的商业基础。
主权AI并不是简单强调本土品牌，而是强调一个国家或地区是否拥有：本地算力、本地模型、本地数据治理、本地安全体系以及关键技术的持续运营能力。
Mistral具有双重属性。它既是一家商业公司，也是欧洲AI技术自主的一部分。这解释了为什么其融资和合作中，政府、云计算企业、芯片企业和产业资本扮演越来越重要的角色。
战略投资人的回报逻辑，与传统VC不同。传统VC主要依赖股权增值和退出。但芯片公司投资模型公司，可以获得硬件订单；云计算公司可以获得算力需求；电信和数据中心企业可以获得基础设施收入；政府则可以获得产业能力、就业和技术安全。因此，战略资本能够接受更长回报周期，也可以接受更复杂的收益结构。
但主权AI同样面临风险。
政策支持并不必然等于市场竞争力。
本土模型仍然要面对美国和中国大型模型公司的持续竞争。
基础设施投入巨大，收入增长必须能够覆盖长期资本开支。
所谓技术自主可能仍依赖外国芯片、云技术或关键软件。
四、资本为什么重新接受重资产AI
从Noetra、CuspAI和Mistral三个案例，可以看到资本逻辑正在发生变化。我们认为主要有五个原因。
第一，应用层同质化加速
基础模型能力不断开放，应用开发门槛持续下降。大量AI应用使用相近模型、相近技术栈和相近产品功能。在这种情况下，应用层公司的技术护城河可能弱于市场早期预期。真正能够形成长期优势的，往往是独家数据、深度工作流、客户渠道、监管资质、品牌以及高转换成本。
当纯软件应用越来越拥挤，资本自然会寻找更难复制的产业环节。
第二，现实世界的数据更稀缺
工业、科学和机器人数据难以公开获取。这些数据通常需要长期实验、设备运行或产业合作才能产生。这使得Physical AI和AI for Science公司更有机会形成真正的数据壁垒。
第三，AI的战略属性不断增强
AI正在从企业效率工具，转变为影响国家制造能力、科研能力、能源安全和技术自主的重要基础设施。因此，政府和主权资本开始直接参与。
第四，战略资本拥有多元回报
芯片、云计算、能源、制造和电信企业的投资回报，不只来自股权升值。它们还可以获得订单、生态控制力、数据入口和产业协同。这使得它们能够支持传统VC难以单独承担的项目。
第五，基础设施瓶颈开始决定AI上限
AI产业最初的竞争集中在模型能力。但随着模型能力逐渐普及，新的瓶颈开始出现芯片、电力、数据中心、网络、实验设施、工业数据、机器人硬件以及工程实施能力。资本会自然流向决定产业上限的瓶颈环节。
【结语】
AI资本正在告别纯软件时代，并不意味着一个时代结束，而是意味着AI产业边界正在扩大。
当AI进入现实世界，竞争的核心也会发生变化。模型能力仍然重要，但不再是唯一变量。工程能力、产业数据、基础设施、供应链、资本组织和政策资源，将共同决定公司能否建立长期优势。
对投资者而言，新的问题不是：应该投资软件，还是投资重资产？而是哪一种资产能够形成真正的复利？哪一家公司能够把模型能力转化为持续的产业控制力？哪些资本投入会形成护城河，哪些只会形成更高的成本？
【文章观点仅供玩耍，如有不适，请海涵】
