资本去哪了:大模型、具身智能、AI芯片的资金大迁徙(附用agent得到完整数据与桑基图教程)
这篇能帮你拿到什么:一套可复用的 AI 一级市场融资数据采集与可视化流程,加上 2026 年上半年 3076 亿元资金流向的完整拆解。所有数字可溯源,代码可复现。
一、先说结论
2026 年上半年,中国 AI 一级市场融资 3076 亿元,是 2025 年全年(1510 亿元)的 2.04 倍。但钱的结构变了三处:
| 变化 | 2025 年 | 2026H1 | 信号 |
|---|---|---|---|
| 赛道重心 | 大模型独大 | 大模型 52%、具身智能 30% | 增量几乎全在具身智能 |
| 资金性质 | 产业资本 + VC | 国家队占比 27.8% | 国资从幕后到台前 |
| 退出通道 | 一级市场为主 | 二级市场 442 亿元 | 大模型与 AI 芯片集中上市 |

图 1:2026 年上半年 3076 亿元资金流向。三层流量严格相等,可自行核算。
二、环境准备与数据源
做这类分析,难点不在画图,在口径统一。不同机构统计差异极大,直接合并会得出错误结论。
| 数据源 | 口径 | 2026H1 AI 融资 |
|---|---|---|
| IT桔子《2026上半年中国AI融资报告》 | 含早期小额,覆盖最全 | 3076 亿元 / 1203 起 |
| 执中 ZERONE | 仅统计披露金额的成长期以上 | 1330 亿元 / 398 起 |
两者相差 2.3 倍。处理原则是不合并、并列呈现,主口径用 IT桔子,执中口径作为下限参考。这一点必须在报告里写清楚,否则读者会误判。
工具链:AiPy 负责信息检索、交叉验证、数据整理、桑基图与 HTML 生成,Python 负责最后的一致性校验。整个流程从一句需求到成品报告,实际耗时约 40 分钟。
选 AiPy 的原因很实际:它是跑在本机的桌面智能体,能直接读写本地文件、调用 Python、把多个步骤串起来执行。这次要处理的是"检索十几个信源 → 比对口径 → 生成图表 → 输出 HTML"这种跨软件的长流程,如果每一步都要手动导出导入,光文件搬运就能耗掉半天。数据也不用上传到第三方服务器,对涉及未公开数据的分析来说是硬需求。
三、核心步骤
步骤 1:把需求写成一句可执行的话
不要写"帮我分析 AI 融资",要写清楚赛道、时间、输出形态、口径要求:
选题:资本去哪了——大模型、具身智能、AI芯片的融资迁徙路线图 要求: 1. 只使用公开可查数据,每个数字标注来源 2. 口径不一致的并列呈现,不强行合并 3. 输出资金流向桑基图(资金方→赛道→阶段) 4. 生成主题风格 HTML 报告
预期结果:AiPy 会先做多轮检索,把分散在各处的融资事件、基金规模、IPO 信息汇总成结构化数据集,再基于数据集渲染图表。
步骤 2:让工具自己发现口径冲突
这一步最容易翻车。检索回来的数据里,同一个"2026H1 AI 融资总额"会出现 3076 亿、1330 亿、2270 亿三个版本。如果不做交叉验证,随手取一个,整篇文章的结论就废了。
做法是让工具把每个数字的来源、统计范围、时间窗口都记下来,然后跑一遍比对。发现冲突就停下来,人工判断哪个口径适合当前论点。

图 2:四类资金方体量。产业资本 1059 亿居首,国家队 855 亿紧随其后。
步骤 3:桑基图的三层流量必须对得上
桑基图看起来复杂,核心约束只有一条:每一层的流量总和必须相等。资金方流出 3076 亿,赛道流入也必须是 3076 亿,阶段流入还是 3076 亿。差一分钱都说明数据有漏。
实际校验结果:
资金方流出: 855 + 1059.47 + 720 + 441.53 = 3076.00 赛道流入: 1598.53 + 935 + 542.47 = 3076.00 阶段流入: 648.53 + 1262.47 + 1165.00 = 3076.00 → 一致性通过
预期结果:三层严格相等。如果不等,回到步骤 2 查数据。
步骤 4:图表比例不能靠肉眼
第一版柱状图画完,137 那根柱子看着偏高。原因是用 CSS 最小高度兜底,把小数值抬起来了。改成严格等比映射(137→38px、554→154px、935→260px)后比例才对。

图 3:具身智能融资额三年 6.8 倍。注意极早期项目占近六成。
四、踩坑记录
坑 1:把事件样本当赛道全貌。 初始整理了 13 起标志性融资事件,合计 76.69 亿元,看着挺多。但具身智能赛道 2026H1 实际是 935 亿元,样本覆盖率只有 8.2%。如果直接拿样本推结论,会严重低估赛道规模。解决办法是在报告里显式标注覆盖率。
坑 2:桑基图节点高度为 0。 右侧阶段节点的流量值算出来后,有几个节点高度趋近于 0,标签全部叠在一起。原因是布局时用了固定间距,没考虑节点最小可视高度。改成动态计算间距后解决。
坑 3:标签压在色带上。 中间列节点标签默认放右侧,正好压在发出的色带上,对比度极低。改成放左侧加白色描边,可读性才正常。
坑 4:口径混用。 "具身智能大脑占比"有窄口径 15.5% 和宽口径 84% 两个版本,差 5 倍多。窄口径只算纯模型公司,宽口径含本体+大脑企业。报告里两个都写,让读者自己判断。
五、效果验证
| 环节 | 手工耗时 | 工具耗时 |
|---|---|---|
| 多源检索与交叉验证 | 约 6 小时 | 约 15 分钟 |
| 数据清洗与结构化 | 约 4 小时 | 约 5 分钟 |
| 桑基图绘制与调试 | 约 3 小时 | 约 10 分钟 |
| HTML 报告排版 | 约 2 小时 | 约 10 分钟 |
| 合计 | 约 15 小时 | 约 40 分钟 |
六、三个赛道的分化逻辑
大模型:钱没少,但只剩少数人能拿到
1598.53 亿元,占 52.0%,仍是第一大赛道。但三巨头拿走约 930 亿元,其余 200 多家企业分剩余部分。更关键的是退出通道打开了——智谱、MiniMax 已登陆港股,月之暗面推进 IPO。
月之暗面 2025 年 12 月完成 5 亿美元 C 轮,估值 43 亿美元,账面现金超 100 亿元。智谱 2025 年收入 7.24 亿元,MiniMax 约 5.6 亿元。
具身智能:热钱最猛,结构最虚
935 亿元,同比约 +237%,是 2024 年全年的 6.8 倍。但极早期项目占近六成,钱大多投在还没验证商业模式的阶段。TOP50 估值门槛升至约 10 亿元,仅宇树、智元、银河通用 3 家突破百亿估值。
AI 芯片:从一级市场毕业
国产 GPU 四小龙在 2025 年 12 月至 2026 年 7 月完成资本市场集结,合计募资超 243 亿元。燧原科技 2023-2025 年营收 3.01 / 7.22 / 9.90 亿元,CAGR 83%,拟募资 60 亿元。

图 4:赛道分布。大模型 52.0%、具身智能 30.4%、AI 芯片及其他 17.6%。
七、国家队为什么现在入场
这是本次迁徙中最具结构意义的变化,不是孤立事件,是三步走的结果。
第一步,钱先到位。 国家集成电路产业投资基金三期 2024 年 5 月成立,注册资本 3440 亿元,超过前两期总和。子基金"国家人工智能产业投资基金"2025 年 1 月成立,注册资本 600.6 亿元,存续期 13 年。
第二步,从投设备转向投 AI。 燧原科技股东名册(截至 2026-09-30)显示,大基金二期持股 1673.95 万股,占总股本 3.89%,位列第五大股东。
第三步,首笔直投具身智能。 2026 年 3 月 2 日,银河通用完成 25 亿元融资,投资方包括国家人工智能产业投资基金、中国石化、中信集团、中银资产、上汽金控。具身智能 2026H1 共 322 起融资、935 亿元,单笔均值约 2.9 亿元,国家队这一笔是均值的 8.6 倍。

图 5:国家队入场三步走。三步都有可查证的公开记录。
为什么是现在?三个条件同时具备:大模型进入上市兑现期,财务投资人退出压力上升;具身智能到了量产验证临界点,需要长周期资金;AI 芯片集体 IPO 后,一级市场融资功能弱化,国资转向更前端赛道。

图 6:四年迁徙路径。主导资金从美元 VC 到产业资本再到国家队。
八、数据说明
主要来源:IT桔子《2026上半年中国AI融资报告》、新浪财经《2025一级市场回顾》系列、上海证券报燧原科技股东名册、澎湃新闻、36氪、21经济网。
已知局限:部分企业未披露具体金额(如宇树 IPO 前轮"数亿元"),此类事件在桑基图中不体现权重;事件级样本覆盖度有限(大模型 37.3%、具身智能 8.2%);2026 年数据为半年度,与全年对比需注意季节性差异。
重要提示:桑基图中资金方到赛道的拆分比例,系依据事件级投资方构成与赛道阶段分布推导,属结构化估计,已在图中逐条标注依据,不宜作为精确财务数据引用。
九、工具选型补充:为什么这次用的是 AiPy
这类"检索—验证—可视化—成稿"的活,本质是让 AI 在本机把多个软件串起来干活。我试过几种方案,最后落到 AiPy 上,原因不复杂。
第一,它真的能操作本机。 不是只会在对话框里回答问题,而是能读本地文件、跑 Python 脚本、把结果写成 HTML。这次桑基图的 SVG 是它直接生成并写盘的,我只需要打开看效果。
第二,数据不出本机。 分析过程中涉及一些还没公开的融资细节,如果走云端 API,等于把原始数据先传一遍。AiPy 是本地执行,模型可以自己换——DeepSeek、豆包、通义千问、文心一言、元宝都支持,我按任务难度切换,简单整理用快模型,复杂推理换强模型。
第三,过程能回看。 它每一步做了什么、读了哪个文件、跑了什么代码,都有记录。这点在做数据核对时特别重要——发现数字对不上,能直接翻回去看是哪一步取错了源。
当然也有卡壳的时候。第一版柱状图比例画歪了,是我自己盯着图看出来的,不是它主动报错。所以我的用法是:让它干重活,但关键结果必须自己验一遍。
如果你也在做类似的数据分析或报告生成,建议按自己的场景试。判断标准就三条:执行任务时数据流向哪里,操作过程能不能审计,模型能不能替换。别信排名,信自己跑一遍的结果。
完整报告与数据文件已归档,桑基图 SVG 可直接复用。
DAMO开发者矩阵,由阿里巴巴达摩院和中国互联网协会联合发起,致力于探讨最前沿的技术趋势与应用成果,搭建高质量的交流与分享平台,推动技术创新与产业应用链接,围绕“人工智能与新型计算”构建开放共享的开发者生态。
更多推荐



所有评论(0)