2026年，AI融资市场最“大笔”的钱，依然流向大模型、算力等基础能力。但越来越频繁的融资故事，开始发生在应用层。据智东西统计，2026年上半年，国内AI产业链上亿元融资中，AI应用方向融资事件最多，共33起。其中，视频、图像和3D生成占了近四成，AI Agent约占两成，企业应用、AI医疗/药物、AI金融、AI营销等方向也都出现了亿元级融资。Megan是原点社区GTM公益社区发起人，也是一名国内C端应用出海操盘手，她告诉「定焦One」，从和投资机构交流的体感来看，今年资本对AI应用的态度经历过一轮变化。上半年整体积极，到了夏末秋初，部分机构转向谨慎，原因有二：一是具身智能等赛道分走了注意力，二是一些AI应用在投入大量资金后，日活、声量和商业化都没有跑出来，退出路径也开始受到更多讨论。进入10月后，市场关注度有所回升，但投资人更看重自研模型能力、技术壁垒或软硬件结合这类能拉开差异的项目。投资人变得谨慎，钱的流向也冷热不匀。AI创作公司演语科技6月完成近3亿美元B+轮融资，投后估值超过20亿美元；而在医疗、教育、营销、安全等行业，更多公司拿到的是数千万元到数亿元的融资。与此同时，字节、阿里、腾讯、快手等大厂，几乎出现在每一个热门应用赛道上。钱为什么集中在少数赛道？融资不多的行业，机会是否就更小？在大厂的夹击下，创业公司又靠什么留下来？
把今年AI应用公司的大额融资摆在一起，资金流向会更直观。IT桔子统计显示，今年上半年，以图片和视频生成为代表的AIGC应用赛道共发生84起融资，总额596.05亿元，单笔平均7.10亿元，在AI各细分赛道中最高。其中生数科技、Sand.ai、LiblibAI/演语科技、爱诗科技，四家AIGC应用公司合计融资93.78亿元。AI视频公司爱诗科技3月完成3亿美元C轮融资后，7月整体C轮融资规模达到29.8亿元；6月，LiblibAI母公司演语科技完成近3亿美元B+轮融资，投后估值超过20亿美元；7月，生数科技完成5亿美元B+轮融资；AI 3D公司VAST于9月宣布完成B轮和B+轮融资，金额合计约30亿元，不到半年累计融资约50亿元；Meshy 7月完成近4亿美元B轮融资。德物资本投资人丁柏然对「定焦One」表示，资本首先看的还是市场天花板。在ToC应用中，视频依然是目前承载内容最丰富、需求最广泛的媒介形态之一，而3D又可能成为下一阶段新的内容载体。对于需要押注“大机会”的资本来说，这类赛道更容易容纳大公司，也更值得持续投入。市场够大只是前提。Alumni Ventures投资总监Bryan Liu向「定焦One」称，视觉生成还有一个容易被资本看中的特点：它的产品反馈周期更短。“生成一段视频、一张图片或一个3D素材之后，内容是否可用、用户是否愿意使用和付费，往往能够在较短时间内得到验证。”这种特点，使视觉生成比一些需要长期验证效果的行业应用，更容易展示这一代产品比上一代好在哪里。一批视觉生成公司已经提前跑出了可以量化的商业化指标。爱诗科技旗下的PixVerse在2024年11月启动商业化，到2025年10月披露的ARR已经超过4000万美元，用户超过1亿，收入主要来自会员订阅，并以海外市场为主；演语科技则披露，截至2026年5月，公司整体ARR达到3亿美元。资本开始能够用用户规模、订阅收入、API调用等更加接近传统互联网公司的指标，去衡量一家AI应用企业。不过，商业化快还不是全部原因。视觉生成也是AI应用中资本投入较重的一类。爱诗科技的融资用途包括视频生成基础模型、实时世界模型和全球化产品增长；VAST既运营Tripo，也持续投入3D基础模型、数据和世界模型研发，这些都需要持续消耗资金。爱诗科技此前透露，如果不计算自研大模型投入，其产品业务已经基本能够自负盈亏。也就是说，产品产生的收入与整个公司的资本需求之间，还隔着一层持续的模型投入。另一类公司则证明，不自研底层模型，同样能拿到高估值。比如演语科技没有依靠自研通用基础模型建立产品，而是聚合不同模型，将更多能力放在创作工具、工作流和用户生态上。公司从LiblibAI社区进一步扩展到设计Agent星流、视频创作平台LibTV，截至今年5月ARR已经达到3亿美元。于是，“视频和3D最吸金”背后，其实叠加了两种不同逻辑：一类公司需要用重资本继续拉高模型能力；另一类则靠应用本身也可以形成用户、收入和生态。视觉生成之外，Agent是另一个开始出现大额融资的方向。10月，产品上线不久的个人Agent公司Today AI宣布累计融资超过2亿美元；另一家明星Agent公司Manus，同月完成超过5亿美元新一轮融资，目标估值约40亿美元，成为今年Agent赛道最受关注的大额融资之一。和视觉生成不同，个人Agent拿到的钱，押的主要是团队和入口。Today AI的产品9月才上线，资本看中的，是创始团队的大厂产品经验，以及个人Agent成为下一代AI入口的可能。
就融资规模看，视频、图像和3D几乎是今年AI应用最显眼的赛道。但如果看频率，更垂直的行业应用反而更加活跃。艾媒咨询数据显示，2026年上半年，AI行业应用（不含AIGC、AI通用应用）虽然融资金额只有257.92亿元，却发生了133起融资，是其统计的几大方向中融资事件最多的一类，平均单笔约1.94亿元。可以看出，行业应用拿钱的频率并不低，只是资金更加分散。在Bryan Liu看来，这两类赛道本身不能简单横向比较。视频、图像和3D是一种技术和产品形态，医疗、教育、营销、安全则是行业。真正拉开差距的，是不同生意验证价值的方式不同。第一种，是需要更长时间证明“结果”的生意。医疗和教育就是典型的“长反馈”生意。丁柏然认为，医疗、教育都受到数据安全、隐私、合规或资本化路径的约束，对医疗初创公司而言，获得行业数据、完成产品验证和进入真实业务流程的周期更长，而教育类公司则难以实现资本化。Bryan进一步解释，医疗需要证明临床效果，教育需要验证学习效果，部分ToB场景还要进一步打通采购、支付和责任主体。“不是这些行业机会更小，而是验证路径不同，某些行业需要更多时间。”商汤医疗是一个例子。这家从商汤分拆出来的公司，今年4月完成超5亿元A轮融资，估值突破10亿美元；7月又完成超1亿美元B轮融资，投后估值超过100亿元。其SenseCare平台目前披露已与500多家医院合作，并取得30多张医疗器械注册证。相比一款上线后即可通过用户增长验证的C端应用，医疗AI需要积累的显然不只是模型能力，还有医院、临床数据和合规体系。教育也类似。2023年创立的智备科技，在今年年1月完成了Pre-A轮融资，金额数百万美元；同年创立的与爱为舞，旗下AI老师产品“爱学”已经跑出千万元级月收入，截至2025年11月，完成了4轮融资，融资总金额约1.5亿美金。它的产品在上线前花了数月测试完课率、退费率等指标，而一款AI教育产品是否真正改善学习效果，往往需要更长时间观察。对这类公司来说，资本需要等的是产品把效果证明出来。第二种，是可以直接用经营情况证明价值的生意。它们的融资规模未必大，却可能更早跑出明确的收入和客户数据。今年快速升温的GEO就是一个例子。2025年才成立的智推时代，今年完成数千万元天使轮。截至今年上半年，公司披露ARR已经突破亿元；目前服务超过400家客户，预计2026年全年ARR接近2亿元。同样2025年才成立的深度云海，2026年10月完成千万级天使轮融资，年收入达数千万元。与训练视频基础模型相比，这类公司的资金需求显然不在同一个量级。但较小的融资额，并不妨碍它们先用客户和收入验证需求。第三种，是要等需求成熟的生意，融资节奏取决于市场成熟度。AI安全就是这样的赛道。一位AI安全从业者对「定焦One」表示，安全并非没有需求，而是很多企业对AI风险的重视程度还没有完全跟上应用速度。在没有出现足够强烈的风险事件之前，企业并不愿意专门为AI安全划出预算。但随着Agent开始接触企业内部数据、调用工具甚至自主执行任务，这种需求已经开始显性化。亿格云今年5月完成数亿元B轮融资后，将产品从办公安全进一步延伸至“人+AI”的统一安全治理；9月又完成近亿元B+轮融资，资金继续投向人与AI Agent的企业治理平台。一些行业的机会要等AI真正进入核心业务流程之后，原本潜在的需求才会变成明确的采购。所以，融资多少并不等于机会大小。有的赛道要等效果被证明，有的先用收入说话，有的要等需求成熟。判断一个赛道有没有机会，与其看它拿了多少钱，不如看它用什么方式、需要多长时间证明自己的价值。一方面，大模型能力仍在快速升级，今天看起来成立的产品，明天可能就被基础模型的一次更新覆盖。另一方面，豆包、元宝争夺通用AI入口，阿里、腾讯、字节都在做办公和Agent，视频生成、AI编程、教育、营销甚至医疗等方向同样挤满了大公司。在Megan看来，大厂的优势不只是钱更多。相比创业团队，它们产品生产速度更快，有更成熟的投流渠道和用户增长机制，还手握大量既有用户和数据。新的应用如果没有这些经验，仅仅是学习用户增长，就会比它们慢很多。对创业公司来说，需要证明在大厂进入之后，自己还能留下什么。首先，是在大厂既是盟友、也是对手的情况下，创业公司能不能建立自己的独立价值。现在，大厂与创业公司的关系正在变得越来越复杂。10月，个人Agent创业公司Today AI宣布累计完成超过2亿美元融资，投资方中同时出现了腾讯和蚂蚁集团，天使轮还有大模型公司阶跃星辰参与。它的创始人齐俊元，此前是字节飞书产品副总裁、豆包PC端负责人。但另一边，腾讯在推进自己的Agent产品，蚂蚁旗下的灵光也在加码个人任务执行能力。对Today AI而言，产业资本带来了资金和资源，却没有消除竞争，它依然要和股东旗下的产品争夺下一代个人AI入口。这样的关系正变得越来越常见。大厂一边投资外部公司，一边亲自下场做相近的生意。创业公司需要证明即使离开股东的资源，它仍然拥有无法被轻易替代的价值。其次，在模型能力快速迭代的情况下，应用公司的技术壁垒也在不断被冲击。Bryan Liu认为，如果一家公司的优势只是调用了一个更好的通用模型，这种能力并不具有独占性。模型升级甚至可能同时产生两种相反的影响。一方面可以帮助应用公司降低开发和交付成本；另一方面，也可能把一家公司原本收费的功能，直接变成所有人都能获得的基础能力。Today AI也承认了这种压力。其团队今年接受媒体采访时表示，目前Personal AI仍处于高度同质化竞争阶段，一两个功能点上的差异，很快就可能被竞争对手补齐。在Megan看来，创业公司的一类机会来自那些足够细分、足够实验性，大厂暂时缺乏动力进入的场景；另一条路径，是先围绕一小群核心用户建立社区和关系，再让产品长出来。这类公司的优势不一定来自更强的技术，而可能来自对特定用户更深的理解，以及团队在社群、增长或某个行业里的积累。丁柏然在判断AI应用公司时，看重的是独有数据、行业know-how、客户关系以及对真实工作流的嵌入。比如，ToB应用能快速获客并嵌入客户工作流，ToC应用能快速获客并沉淀用户数据，形成数据飞轮。这些都是大厂短期难以复制的东西。如果能获得足够融资、加速后续客户获取，则能形成一定壁垒。但Megan认为，“数据”本身也未必天然构成壁垒。相比一次性获得的静态数据，更有价值的是用户长期使用产品留下的行为、交互和memory，以及企业在这个过程中形成的持续用户理解。除此之外，创业公司还要回答一个更现实的问题：优势能不能规模化复制。Bryan提醒，一些垂直AI公司很容易在“做深行业”的过程中变成一家project-based service company（项目制交付为主的服务公司）。一些AI公司早期可以通过深度服务少数客户获得不错的收入，但如果每增加一个客户，都需要重新设计一遍流程、投入更多工程师和服务人员，那么收入增长的同时，成本也会同步增加。这种情况下，即使拥有很深的行业know-how，也可能只是在把一门项目制生意做大，而不是形成真正可规模化的AI产品。例如，AI医疗公司要证明能把头部医院的样板复制到更多医院，GEO公司要证明增长靠的是产品，而不是人力。所以，当大厂全面进入应用层、底层模型不断升级，对视觉生成的头部玩家来说，模型能力仍是入场券，但对更多AI应用公司来说，这三道考题，可能比“用了什么模型”更能决定它们最终能走多远。（转载自定焦One）
扫码下载app 最新资讯实时掌握
微信好友
朋友圈
鞭牛士公众号
鞭牛士微博