黄仁勋最近讲了一句话。他说重点在 Infrastructure。很多人听了这话，以为他在推销服务器。大家觉得 Infrastructure 就是机房、电缆、或者成排的黑色机柜。
你错了。
他指的根本不是这些物理硬件。他指的是让 AI 真正能跑起来的那套逻辑。这包括芯片怎么设计、算力怎么分配、模型怎么放到产品里、数据怎么流动。这些才是现在的瓶颈。
到了 2026 年，大家都在喊 AI 有泡沫。但是你看数据，钱根本没停。钱还在往里进，而且速度比以前更快。
只看 1 月份，xAI 一家公司就拿走了 200 亿美元。
它的估值变成了 2300 亿美元。
这个数字很大，但这不重要。
如果你只盯着 xAI 看，你会错过真正的变化。
聪明的钱现在不投“大模型比赛”了。
他们开始投“AI 基础设施”。
这篇文章，我看了一下 1 月份美国的融资数据。
我挑了 3 家公司。
它们拿的钱不是最多的。
但是它们的方向最重要。
未来 3 到 5 年，这些公司可能会改变行业。
01 1月融资全景：钱在往哪里流？
我们可以先看一张表。
这是 1 月份几笔大的融资。
| 公司 | 融资金额 | 轮次 | 估值 | 赛道 |
| xAI | $200亿 | 新轮融资 | $2300亿 | 大模型 |
| Ricursive Intelligence | $3亿 | Series A | $40亿 | AI+半导体 |
| Decagon | $2.5亿 | Series D | $45亿 | AI客服 |
| Upwind | $2.5亿 | Series B | 未披露 | 云安全 |
| PaleBlueDot AI | $1.5亿 | Series B | $10亿+ | GPU云 |
你看 xAI 的数据，200 亿。
这个数字太夸张了。
但这笔钱的用途很单一。
马斯克拿这笔钱，就是为了买更多的显卡，建更大的机房。
他要追赶 OpenAI。
这是巨头之间的游戏。
普通创业者玩不起，普通投资人也投不进。
我们不需要关注这个。
我们要看表里剩下的那些公司。
Ricursive、Decagon、PaleBlueDot。
它们做的就是我说的“AI 基础设施”。
它们不解决“AI 能做什么”的问题。
它们解决“AI 怎么做得更快、更便宜、更稳”的问题。
现在的 AI 产业，真正的麻烦就在这里。
模型有了，但是太贵，太慢，不好用。
谁能解决这个问题，谁就能赚到下一波钱。
02 三家最具潜力的公司深度拆解
我不讲虚的。
我们直接拆解这三家公司。
看看它们到底是怎么赚钱的，为什么值这么多钱。
2.1 Ricursive Intelligence：用 AI 设计 AI 的芯片
这家公司最离谱。
它才成立了 2 个月。
但是估值已经是 40 亿美元了。
它拿了 3 亿美元融资。
为什么刚成立就能值这么多钱？
因为它的创始人牛。
两位创始人是 Dr. Anna Goldie 和 Dr. Azalia Mirhoseini。
这两个名字你可能不熟。
但是你应该听过 AlphaChip。
这是 Google DeepMind 做的一个系统。
她们就是 AlphaChip 的核心作者。
她们在《Nature》上发过论文。
那篇论文证明了一件事：人类工程师需要画几个月才能做好的芯片布局，AI 只要 6 个小时就能做完。
而且 AI 做的效果并不比人差。
现在她们从 Google 出来了。
她们开了这家叫 Ricursive 的公司。
她们的目标很简单，也很吓人。
她们要用 AI 去设计下一代的芯片。
然后用这些新芯片，去训练更强的 AI。
这是一个闭环。
我们来推演一下这个过程：
第一步，用现在的算力运行 Ricursive 的软件，设计出一款新芯片。
第二步，这款芯片专门为 AI 训练做了优化，速度比现在的快。
第三步，用这款新芯片去训练 Ricursive 的下一代设计软件。
第四步，软件变聪明了，设计出了更快的芯片。
这就是“递归”（Recursive）的意思。
现在的芯片设计流程太慢了。
你要设计一款数据中心用的芯片，比如 H100 这种级别的。
你需要几百个工程师。
你需要花 3 到 5 年时间。
你需要投入几亿美元。
如果 Ricursive 能成功，这个周期会变成几个月。
这就是基础设施的价值。
它不是一家简单的 AI 公司。
它可能变成整个半导体行业的底层工具。
你看它的投资人列表就明白了。
Lightspeed 领投。
NVIDIA 跟投。
NVIDIA 为什么投它？
因为 NVIDIA 也怕。
如果别人用 AI 设计出的芯片比 NVIDIA 的迭代速度快，NVIDIA 就危险了。
当然，这也是有风险的。
Synopsys 和 Cadence 这两家老牌公司，在 EDA 领域做了几十年。
它们也在做 AI 辅助设计。
Ricursive 必须证明自己不仅仅是“快一点”。
它必须证明自己有质的飞跃。
如果 2026 年底，Ricursive 能拿出第一个流片（Tape-out）。
而且这个芯片的性能符合预期。
那它的估值还能翻 5 倍，甚至 10 倍。
2.2 Decagon：AI 客服的”iPhone时刻”
这家公司做了 6 个月，估值翻了 3 倍。
现在估值 45 亿美元。
它做的是 AI 客服。
你可能会说，AI 客服满大街都是。
以前的 AI 客服确实很蠢。
以前的逻辑是“关键词匹配”。
你问：“我的包裹在哪？”
系统检测到“包裹”和“在哪”。
系统回复：“请在订单页面查看物流。”
如果你问：“我上周买的东西还没到，能不能退款？”
系统可能就听不懂了，因为它没匹配到规则。
Decagon 不这么做。
它不把 AI 当作一个“回复机器”。
它把 AI 当作一个“员工”。
它有三个特点，和传统的不一样。
第一，全渠道整合。
不管是邮件、聊天窗口，还是电话，它都在一个系统里处理。
它不会因为你换了沟通方式就忘了你是谁。
第二，代码级指令。
这是它最强的地方。
以前你要设置客服规则，你得在后台选一堆选项。
现在你可以直接告诉它：“如果用户是 VIP，且退款金额小于 50 美元，直接批准，不用审核。”
系统会自动把这句话变成代码逻辑。
第三，学习闭环。
如果 AI 搞不定，转给了人工客服。
人工客服处理完之后，AI 会记录这个过程。
下次遇到同样的问题，AI 就学会了。
为什么资本看好它？
因为这是一笔算得过来的账。
我们算一下。
假设你是一家电商公司，你有 500 个客服。
在美国，一个客服的综合成本（工资、保险、设备）一年大概 6 万美元。
500 人就是 3000 万美元。
这是硬成本。
Decagon 来了，它收你 500 万美元一年。
它能处理掉 70% 的简单问题。
你只需要保留 150 人处理复杂问题。
150 人的成本是 900 万美元。
加上 Decagon 的 500 万，总成本是 1400 万美元。
原来是 3000 万，现在是 1400 万。
你一年省了 1600 万美元。
任何一个老板看到这笔账，都会买单。
这也是为什么它的客户增长那么快。
旅游、金融、零售，这些行业的客服成本太高了。
Decagon 的风险在于竞争。
Zendesk 这种老牌公司也在做 AI。
但是 Decagon 是原生 AI 架构，没有历史包袱。
只要它跑得够快，抢到 500 个大客户，它就能上市。
2.3 PaleBlueDot AI：AI 时代的”卖水人”
这家公司估值 10 亿多美元。
它做的事情叫 GPU 集群市场（Neocloud）。
简单来说，它就是 GPU 界的“滴滴”。
现在的 GPU 市场有一个很奇怪的现象。
一方面，Google、Microsoft、Meta 囤了无数的卡。
但是它们的利用率很低，不到 50%。
很多时候，这些卡是闲置的。
另一方面，创业公司抢不到卡。
或者只能去租很贵的云服务。
还有很多传统企业，为了训练模型自建了机房。
训练完了，模型上线了，那些训练用的卡就闲着了。
这是资源的错配。
PaleBlueDot 做的就是把这些闲置的卡利用起来。
它搭建一个平台。
有卡的人把卡挂上去。
需要卡的人按需租用。
这在以前是做不到的。
因为技术不支持。
现在有了 Kubernetes，有了容器化技术。
算力可以被切割、调度。
这让 PaleBlueDot 的模式变得可行。
但是，这门生意有风险。
最大的风险是稳定性。
这和打车不一样。
打车如果半路车坏了，你换一辆就行。
训练大模型如果断了，损失是巨大的。
你可能训练了两周，花了 50 万美元。
因为网络波动，断连了一秒钟。
整个训练可能就要重来，或者回滚到很久之前的存档点。
因为闲置的算力来源很杂。
有的在达拉斯的数据中心，有的在新加坡。
网络延迟不一样，硬件规格也不完全一样。
PaleBlueDot 必须解决这个问题。
它要在“便宜”和“稳定”之间找到平衡。
我的判断是，这家公司不会变成千亿巨头。
它做的是中间商生意。
但是它有价值。
它大概率会被大厂收购。
比如 AWS 或者 Oracle 可能会买下它，作为补充运力。
03 趋势判断：2026年AI投资的三个方向
看完这三家公司，我们可以总结出三个趋势。
2026 年的投资逻辑变了。
3.1 钱从”模型层”流向”基础设施层”
前两年，大家都在投 OpenAI 的对手。
大家在赌谁的模型更聪明。
现在大家看明白了。
大模型是烧钱的无底洞。
而且头部效应太强，只有第一名和第二名能活下来。
现在聪明的钱开始投基础设施。
Ricursive 做芯片设计。
PaleBlueDot 做算力分配。
不管哪家大模型赢了，都需要芯片，都需要算力。
这叫“卖水”。
淘金的人可能破产，卖水的永远赚钱。
3.2 钱从”通用AI”流向”垂直场景”
Decagon 就是例子。
它不做通用的聊天机器人。
它只做客服。
它把客服这一个场景做透了。
2026 年，会有更多这样的公司。
比如专门做法律合同审查的 AI。
比如专门做医疗影像分析的 AI。
这些公司不需要训练一个万能的模型。
它们只需要把现有的模型，用到具体的业务里。
它们比拼的不是算法，而是对行业的理解。
3.3 钱从”人机协作”流向”AI自主”
Ricursive 的愿景很有代表性。
以前我们说 AI 辅助人类。
现在我们说 AI 自主完成。
Ricursive 让 AI 自己设计芯片。
这就不是辅助了。
这是替代。
还有一个领域是写代码。
现在有 Devin，有 Claude Code。
它们的目标不是帮你补全代码。
它们的目标是你给它一个需求，它直接给你一个做好的软件。
这个方向还在早期。
但是一旦突破，效率提升是指数级的。
04 结语
回到最开始的问题。
钱在往哪里流？
钱不再追逐那些虚无缥缈的概念了。
钱开始流向那些能让 AI 真正落地的基础设施。
Ricursive、Decagon、PaleBlueDot。
这三家公司的融资额加起来，还不到 xAI 的零头。
但是它们代表了未来。
如果你是创业者，或者你在找机会。
别盯着大模型了。
去看看那些卖铲子、卖水、修路的公司。
大模型的战争可能还要打好几年。
但是基础设施的机会，现在就在眼前。
