【首席視野】劉鋒：AI與機器人產業的資本配置——估值重構與制度優化

劉鋒系中財綠金院首席經濟學家、中國首席經濟學家論壇理事

摘要： 2026年上半年，國內具身智能賽道融資總額突破900億元，但資金分配的結構性失衡與估值工具的缺失，制約了資本的有效配置。本文從投融資結構性矛盾出發，提出AI與機器人產業的估值體系重構路徑，構建"四維估值框架"和"分段貼現率"模型，將數據資產納入估值體系，並從股權融資、債權融資、機構配置、銀行參與、數據資本化五個維度提出"五融一體"的資本市場支持框架。通過中美製度比較，本文指出中美在數據資產會計處理上分別採取"積極路徑"與"謹慎路徑"，在知識產權金融化和創始人背調製度化方面存在顯著差異，進而提出加快知識產權市場基礎設施建設、建立數據資產"防注水"機制、引入創始人背調製度化、借鑑"AI-Washing"執法經驗等四條政策建議。

關鍵詞： 具身智能；估值體系；耐心資本；知識產權質押；數據資產入表

2026年上半年，國內具身智能賽道融資總額達935億元，融資事件322筆，分別同比增長約5倍和137%。宇樹科技以150.8元/股登陸科創板，募資60.99億元，發行市盈率219倍。在資本大量湧入的背景下，一個根本性問題值得深思：當投資標的從"成熟盈利企業"轉向"高成長科技企業"，估值體系應如何適配？資金是否流向了最有效率的領域？現有金融工具能否匹配AI與機器人產業"高投入、長周期、高不確定"的風險特徵？本文從投融資結構性矛盾出發，探討估值體系重構路徑，並通過中美製度比較，就資本市場如何系統性支持該產業提出若干思考。

一、融資熱潮與結構性分化

首先，總量擴張與集中化並存。據IT桔子數據，2026年上半年國內具身智能賽道融資總額達935億元，融資事件322筆。從2025年7月至2026年6月的完整年度來看，融資超過500起，總額接近千億元。僅3月和6月單月融資事件均突破60起，10億級融資已成常態。然而，資金分配的結構性失衡卻較為突出。上半年披露融資額中，前5家企業拿走約171億元，佔全行業37%；前20家合計拿走約330億元，佔比七成；其余200多家公司僅分到約124億元，平均每家數千萬。在投資領域，共識度越高，預期回報率就越趨於收斂，這一規律在具身智能賽道再次顯現。

其次，階段分佈呈"頭部極窄、底部極寬"特徵。從投資階段看，種子/天使輪及A輪系列合計佔比超過72%，而C輪及以后的中后期項目驟降至個位數。這表明機器人賽道仍處於技術範式轉移的爆發早期，資本主要在高校實驗室和大廠離職高管圈層中挖掘早期團隊。中后期項目的斷層，既反映了技術商業化落地的不確定性，也預示着未來幾年將面臨一批企業無法完成后續融資的淘汰壓力。

第三，出資方結構多元分化。傳統財務VC仍然活躍，但在10億以上的大額融資中，產業大廠資本和地方國資/政府引導基金參投或領投已超過四成。大額交易幾乎形成"國資平臺+產業巨頭+頭部財務機構"的組合模式。三類資本的訴求各有不同：產業資本側重生態卡位和採購權，國資關注技術自主可控與產能落地，財務VC押注頂流團隊。這一格局意味着，具身智能賽道的資本邏輯已從單純的財務博弈，演化為產業生態、國家戰略與金融回報的多元均衡。

第四，二級市場熱情與債務風險並存。二級市場上市公司正在加速入場，但部分企業的債務風險已現端倪。宇樹科技科創板IPO發行市盈率219倍，估值高度依賴未來預期，盈利持續性有待驗證。越疆科技在港股上市不足兩年后即回A股創業板，擬募資12億元，其融資必要性引發市場討論。瑞松科技擬定增募資7.84億元，資產負債率已升至49.9%，2025年歸母淨利潤僅1154.75萬元，短期償付壓力較大。兆豐股份擬發行14億元可轉債，其中11.04億元投向具身智能項目，而該公司2026年一季度歸母淨利潤虧損1655萬元，若可轉債落地，負債規模將顯著上升。

上述案例揭示了一個值得關注的趨勢：部分企業正以債務融資追逐研發熱點，但對應的現金流和盈利計劃尚未匹配。當技術兑現周期長於債務到期周期時，"債務驅動型"研發的風險便不可忽視。

二、估值體系的挑戰與重構

首先，定價工具的缺失是核心矛盾。上述投融資數據揭示，儘管資金大量湧入，但成熟的企業定價工具仍然缺乏。AI和機器人企業具有前期投入大、盈利滯后、增長曲線陡峭、遠期不確定性高的特徵。傳統DCF模型默認企業可以永續增長，但AI時代的核心特徵恰恰是，不確定性隨時間快速放大。用市盈率估值，許多企業尚未盈利；用市銷率估值，倍數難以確定；用DCF估值，未來十年的現金流難以預測。當前科技股估值最大的困境是缺少統一的"度量衡"，不同投資者正在使用完全不同的標準衡量同一家企業。

其次，估值體系逐漸形成四個重構方向。

一是估值邏輯從"看概念"轉向"看閉環"。不僅看技術參數，更要關注真實場景驗證、客户復購和數據閉環能力。項目盡調應從"看論文和演示"轉向"看生產線和訂單復購"。具身智能的真正價值，在於能否在真實物理世界形成"感知—決策—執行—反饋"的完整閉環，並且這一閉環能夠被反覆驗證、被客户付費購買。

二是建立分階段、多維度的估值框架。不同發展階段應使用不同標尺。可通過構建"四維估值框架"，從技術、產品、商業、數據四個維度，按早期、中期、后期設定差異化的觀察重點。早期關注團隊背景、專利壁壘、樣機驗證和潛在市場規模；中期關注技術迭代速度、量產良率、訂單儲備和復購率；后期關注技術護城河、規模化交付能力、營收現金流和盈利拐點。

三是將"數據資產"納入估值體系。 機器人AI面臨的核心瓶頸是真實世界數據的稀缺，即力、扭矩、運動等物理數據難以像互聯網文本一樣大規模獲取。擁有高質量數據採集和管理能力的企業，其數據資產本身應成為估值的重要組成部分。隨着數據要素市場化進程加快，數據資產有望進入企業資產負債表，成為與固定資產、無形資產並列的價值載體。在美國市場，Meta將外購用戶數據確認爲無形資產后，其市淨率從1.8倍升至2.3倍，為數據資產的市場定價提供了參照。

四是貼現率應更體現"時間風險"。 可採用"分段貼現率"模型：3年內使用相對低的貼現率（對應技術迭代的確定性窗口），3至8年適度抬升（對應商業化兑現期），8年以后顯著抬升（對應技術顛覆和競爭加劇的不確定性）。這比傳統DCF的單一貼現率更貼近AI產業的真實風險特徵。

三、資本市場支持的路徑選擇

如果説估值重構是"定價端"的改革，那麼本部分關注的是"融資端"和"配置端"的系統性安排。AI與機器人產業需要的是完整的金融生態，而非單一工具。

股權融資方面， 一級市場亟需培育"耐心資本"。政府引導基金應拉長考覈周期至7至10年，建立"盡職免責、寬容失敗"的容錯機制，避免因"怕擔責"導致資金空轉。產業資本（CVC）的價值不僅在於資金，更在於提供採購訂單、測試場景和渠道背書。當前賽道擁擠，200多家企業僅能分到少量資金，未來3年必然迎來整合併購潮，應培育併購基金和S基金，為早期投資人提供退出通道。二級市場層面，科創板和創業板對"硬科技+硬場景"企業應保持包容性，允許未盈利上市，同時設置"技術里程碑+商業里程碑"的持續監管機制。

債權融資方面，科創債和雙創債可為符合條件的研發企業提供專項融資；可轉債以其"股性+債性"特徵應成為相對適配的工具；知識產權質押融資在國外已有成熟模式，如美國自1952年《統一商法典》確立專利擔保交易規則以來，硅谷銀行等20家主要銀行已普遍接受專利作為抵押物，2015至2021年間累計有48.9萬件專利被質押、2.4萬筆交易完成。相比之下，中國知識產權質押融資雖在政策推動下規模逐年增長，但評估標準不統一、處置變現渠道不暢、銀行接受度有限等問題仍待突破。未來若數據資產能有效確權和評估，還可以探索以數據收益權為底層資產發行ABS。但必須明確風險邊界，即在未形成穩定現金流前，企業主體信用債融資規模應設上限，防止"債務驅動型"研發泡沫。

機構配置與銀行參與方面， 機構投資者可通過具身智能主題指數基金和ETF分散個股風險，採用"一級直投+二級定增/可轉債+Pre-IPO"的跨階段策略動態配置。銀行則需從"信貸思維"轉向"投貸聯動"，通過理財子公司或參股創投基金提供股權配套，同時探索知識產權質押、數據資產質押融資、供應鏈金融等多元工具撬動銀行資金進入早期科技企業。

數據資本化方面， 推動數據資產"確權入表—交易定價—資本化"三步走，是把"看不見的數據"變成"看得見的融資工具"的關鍵路徑。一旦數據資產能夠有效入表，便可以作為抵押物參與銀行授信、作為底層資產發行證券化產品，從而為數據密集型企業打開全新的融資通道。

四、中美製度比較與啟示

中美兩國是全球AI與機器人投資的兩大引擎，但制度路徑差異顯著。據斯坦福大學HAI研究所《2026年AI指數報告》，2025年美國AI私人投資達2859億美元，中國為124億美元，差距約23倍。但這一數據可能顯著低估了中國的實際投入。據估計，2000至2023年間，中國政府引導基金已向AI企業投入約1840億美元，這部分以政府為主導的資金未充分反映在私人投資統計中。與此同時，中國在工業機器人安裝量上佔全球54%，應用端的規模優勢明顯。

知識產權定價方面， 美國擁有全球最成熟的制度體系。1952年《統一商法典》確立了專利擔保交易的法律框架，硅谷銀行自1990年代末開創科技銀行IP質押模式，此后摩根大通、美國銀行、富國銀行等20家主要銀行陸續接受專利作為抵押物。此外，M-CAM公司創立的知識產權保證資產回購價格機制（CAPP），回購價最高達融資額的75%，有效降低了銀行放貸風險。反觀中國，知識產權質押融資面臨評估標準不統一、缺乏獨立第三方IP評估機構、處置變現渠道不暢三重瓶頸，導致銀行"願貸不敢貸"的狀態。

數據資產入表方面， 中美走出了兩條不同路徑。中國採取"積極路徑"：財政部2024年1月施行《企業數據資源相關會計處理暫行規定》，允許企業將數據資源確認爲無形資產或存貨，內部開發成本可以資本化。温州"信貸數字寶"以收益法評估378萬元入表，即獲等額銀行授信；青島能源集團以數據資產增信獲招商銀行6000萬元授信。這一路徑優勢在於為數據密集型企業打開了新的融資通道，但同時也帶來"注水"風險。美國採取"謹慎路徑"：US GAAP不單設數字資產科目，內部開發數據只有在"技術可行且有明確用途"時方可資本化，否則全部費用化。Meta僅將外購用戶數據確認爲無形資產，2023年自研用户行為分析數據全部費用化達89億美元。這一路徑更為審慎，防止了資產虛增，但也導致數據價值在財務報表中被"低估"。

創始人評估與信息披露方面， 美國VC已形成制度化的背調流程，涵蓋公共記錄檢索、學歷覈驗、職業推薦人訪談、網絡足跡審查、財務史調查、刑事背景調查、人格測評和過往創業業績分析等十步標準流程，且須遵守《公平信用報告法》的合規要求。中國AI投資領域的創始人評估仍高度依賴人脈網絡和圈層信任，制度化的背調機制尚未普及。在信息披露方面，美國SEC於2024年3月對兩家虛假宣稱使用AI的投資顧問公司開出罰單，確立了"誇大AI能力即構成欺詐"的監管先例。中國科創板雖強制披露研發投入、知識產權等硬指標，但尚未出現針對"AI虛假披露"的專門執法案例。

基於上述比較，筆者提出四條改進建議：一是加快建設知識產權評估交易的市場基礎設施，培育獨立第三方IP評估機構、建立專利交易流轉平臺、設立IP質押風險補償基金；二是數據資產入表需配套"防注水"機制，建立嚴格的市場化評估標準、第三方審計複覈和動態減值測試規則；三是引入創始人背調製度化，行業協會可牽頭制定科技企業創始人盡調指引；四是借鑑"AI-Washing"執法經驗，建立AI虛假披露懲戒機制，明確企業在招股書、定增方案、債券募集説明書中誇大AI技術能力或應用場景的，構成信息披露違法違規。

五、結論與建議

綜合以上分析，得出以下基本判斷：

第一，AI與機器人賽道的資本湧入仍將持續，但分化將加速加劇。當前前20家企業拿走七成資金的格局不會逆轉，反而會隨着技術驗證周期的到來而進一步固化。2027年前后，無法拿出訂單和量產能力的企業將面臨批量出清，併購整合將成為未來3年的主旋律。

第二，估值體系的重構是制約資本有效配置的首要瓶頸。缺少統一"度量衡"不僅是投資人的痛點，也是企業融資的障礙。建議行業協會、交易所和頭部券商共同推動建立"AI與具身智能企業估值指引"，並加快數據資產評估入表的制度建設。

第三，資本市場對這一產業的支持需要多維度協同發力，即股權融資（耐心資本+併購整合）、債權融資（科創債+可轉債+知識產權質押+ABS）、估值定價（分階段框架+數據資產入表）、機構配置（指數化+跨階段策略+投貸聯動）、數據資本化（確權入表+證券化）五個維度協同，形成"看得準、定得對、配得穩、退得出"的完整金融生態。

第四，中美製度競爭的焦點不在資金量，而在制度質量。美國在知識產權定價、數據資產審慎處理、創始人背調製度化和"AI-Washing"執法方面更為成熟，但中國"政府引導+應用落地"的模式在規模化部署上有獨特優勢。中國應在保持應用優勢的同時，加快補齊制度基礎設施的短板。

第五，政府的角色應聚焦於"搭場景、立規則、擔風險"，而非直接干預資源配置。最有效的產業政策不是直接補貼，而是提供訂單、開放場景、制定標準。

第六，企業自身的財務規範和信息披露質量，是決定其能否獲得長期資本陪伴的關鍵變量。在信息不對稱極端突出的AI與機器人領域，透明度本身就是估值溢價的重要來源。把每筆研發投入講清楚、把每張訂單亮出來、把每個風險説在前，投資人才能與企業一起穿越長周期。

AI與機器人產業對中國經濟的戰略意義毋庸置疑。但從金融投資視角看，它本質上是高風險領域。資本市場能否真正支持這個產業，不取決於湧入多少資金，而取決於能否建立與之技術特徵和風險結構相匹配的估值體系、融資工具和定價能力。這既是挑戰，更是中國資本市場走向成熟的歷史性機遇。