刘锋系中财绿金院首席经济学家、中国首席经济学家论坛理事

摘要： 2026年上半年，国内具身智能赛道融资总额突破900亿元，但资金分配的结构性失衡与估值工具的缺失，制约了资本的有效配置。本文从投融资结构性矛盾出发，提出AI与机器人产业的估值体系重构路径，构建"四维估值框架"和"分段贴现率"模型，将数据资产纳入估值体系，并从股权融资、债权融资、机构配置、银行参与、数据资本化五个维度提出"五融一体"的资本市场支持框架。通过中美制度比较，本文指出中美在数据资产会计处理上分别采取"积极路径"与"谨慎路径"，在知识产权金融化和创始人背调制度化方面存在显著差异，进而提出加快知识产权市场基础设施建设、建立数据资产"防注水"机制、引入创始人背调制度化、借鉴"AI-Washing"执法经验等四条政策建议。

关键词： 具身智能；估值体系；耐心资本；知识产权质押；数据资产入表

2026年上半年，国内具身智能赛道融资总额达935亿元，融资事件322笔，分别同比增长约5倍和137%。宇树科技以150.8元/股登陆科创板，募资60.99亿元，发行市盈率219倍。在资本大量涌入的背景下，一个根本性问题值得深思：当投资标的从"成熟盈利企业"转向"高成长科技企业"，估值体系应如何适配？资金是否流向了最有效率的领域？现有金融工具能否匹配AI与机器人产业"高投入、长周期、高不确定"的风险特征？本文从投融资结构性矛盾出发，探讨估值体系重构路径，并通过中美制度比较，就资本市场如何系统性支持该产业提出若干思考。

一、融资热潮与结构性分化

首先，总量扩张与集中化并存。据IT桔子数据，2026年上半年国内具身智能赛道融资总额达935亿元，融资事件322笔。从2025年7月至2026年6月的完整年度来看，融资超过500起，总额接近千亿元。仅3月和6月单月融资事件均突破60起，10亿级融资已成常态。然而，资金分配的结构性失衡却较为突出。上半年披露融资额中，前5家企业拿走约171亿元，占全行业37%；前20家合计拿走约330亿元，占比七成；其余200多家公司仅分到约124亿元，平均每家数千万。在投资领域，共识度越高，预期回报率就越趋于收敛，这一规律在具身智能赛道再次显现。

其次，阶段分布呈"头部极窄、底部极宽"特征。从投资阶段看，种子/天使轮及A轮系列合计占比超过72%，而C轮及以后的中后期项目骤降至个位数。这表明机器人赛道仍处于技术范式转移的爆发早期，资本主要在高校实验室和大厂离职高管圈层中挖掘早期团队。中后期项目的断层，既反映了技术商业化落地的不确定性，也预示着未来几年将面临一批企业无法完成后续融资的淘汰压力。

第三，出资方结构多元分化。传统财务VC仍然活跃，但在10亿以上的大额融资中，产业大厂资本和地方国资/政府引导基金参投或领投已超过四成。大额交易几乎形成"国资平台+产业巨头+头部财务机构"的组合模式。三类资本的诉求各有不同：产业资本侧重生态卡位和采购权，国资关注技术自主可控与产能落地，财务VC押注顶流团队。这一格局意味着，具身智能赛道的资本逻辑已从单纯的财务博弈，演化为产业生态、国家战略与金融回报的多元均衡。

第四，二级市场热情与债务风险并存。二级市场上市公司正在加速入场，但部分企业的债务风险已现端倪。宇树科技科创板IPO发行市盈率219倍，估值高度依赖未来预期，盈利持续性有待验证。越疆科技在港股上市不足两年后即回A股创业板，拟募资12亿元，其融资必要性引发市场讨论。瑞松科技拟定增募资7.84亿元，资产负债率已升至49.9%，2025年归母净利润仅1154.75万元，短期偿付压力较大。兆丰股份拟发行14亿元可转债，其中11.04亿元投向具身智能项目，而该公司2026年一季度归母净利润亏损1655万元，若可转债落地，负债规模将显著上升。

上述案例揭示了一个值得关注的趋势：部分企业正以债务融资追逐研发热点，但对应的现金流和盈利计划尚未匹配。当技术兑现周期长于债务到期周期时，"债务驱动型"研发的风险便不可忽视。

二、估值体系的挑战与重构

首先，定价工具的缺失是核心矛盾。上述投融资数据揭示，尽管资金大量涌入，但成熟的企业定价工具仍然缺乏。AI和机器人企业具有前期投入大、盈利滞后、增长曲线陡峭、远期不确定性高的特征。传统DCF模型默认企业可以永续增长，但AI时代的核心特征恰恰是，不确定性随时间快速放大。用市盈率估值，许多企业尚未盈利；用市销率估值，倍数难以确定；用DCF估值，未来十年的现金流难以预测。当前科技股估值最大的困境是缺少统一的"度量衡"，不同投资者正在使用完全不同的标准衡量同一家企业。

其次，估值体系逐渐形成四个重构方向。

一是估值逻辑从"看概念"转向"看闭环"。不仅看技术参数，更要关注真实场景验证、客户复购和数据闭环能力。项目尽调应从"看论文和演示"转向"看生产线和订单复购"。具身智能的真正价值，在于能否在真实物理世界形成"感知—决策—执行—反馈"的完整闭环，并且这一闭环能够被反复验证、被客户付费购买。

二是建立分阶段、多维度的估值框架。不同发展阶段应使用不同标尺。可通过构建"四维估值框架"，从技术、产品、商业、数据四个维度，按早期、中期、后期设定差异化的观察重点。早期关注团队背景、专利壁垒、样机验证和潜在市场规模；中期关注技术迭代速度、量产良率、订单储备和复购率；后期关注技术护城河、规模化交付能力、营收现金流和盈利拐点。

三是将"数据资产"纳入估值体系。 机器人AI面临的核心瓶颈是真实世界数据的稀缺，即力、扭矩、运动等物理数据难以像互联网文本一样大规模获取。拥有高质量数据采集和管理能力的企业，其数据资产本身应成为估值的重要组成部分。随着数据要素市场化进程加快，数据资产有望进入企业资产负债表，成为与固定资产、无形资产并列的价值载体。在美国市场，Meta将外购用户数据确认为无形资产后，其市净率从1.8倍升至2.3倍，为数据资产的市场定价提供了参照。

四是贴现率应更体现"时间风险"。 可采用"分段贴现率"模型：3年内使用相对低的贴现率（对应技术迭代的确定性窗口），3至8年适度抬升（对应商业化兑现期），8年以后显著抬升（对应技术颠覆和竞争加剧的不确定性）。这比传统DCF的单一贴现率更贴近AI产业的真实风险特征。

三、资本市场支持的路径选择

如果说估值重构是"定价端"的改革，那么本部分关注的是"融资端"和"配置端"的系统性安排。AI与机器人产业需要的是完整的金融生态，而非单一工具。

股权融资方面， 一级市场亟需培育"耐心资本"。政府引导基金应拉长考核周期至7至10年，建立"尽职免责、宽容失败"的容错机制，避免因"怕担责"导致资金空转。产业资本（CVC）的价值不仅在于资金，更在于提供采购订单、测试场景和渠道背书。当前赛道拥挤，200多家企业仅能分到少量资金，未来3年必然迎来整合并购潮，应培育并购基金和S基金，为早期投资人提供退出通道。二级市场层面，科创板和创业板对"硬科技+硬场景"企业应保持包容性，允许未盈利上市，同时设置"技术里程碑+商业里程碑"的持续监管机制。

债权融资方面，科创债和双创债可为符合条件的研发企业提供专项融资；可转债以其"股性+债性"特征应成为相对适配的工具；知识产权质押融资在国外已有成熟模式，如美国自1952年《统一商法典》确立专利担保交易规则以来，硅谷银行等20家主要银行已普遍接受专利作为抵押物，2015至2021年间累计有48.9万件专利被质押、2.4万笔交易完成。相比之下，中国知识产权质押融资虽在政策推动下规模逐年增长，但评估标准不统一、处置变现渠道不畅、银行接受度有限等问题仍待突破。未来若数据资产能有效确权和评估，还可以探索以数据收益权为底层资产发行ABS。但必须明确风险边界，即在未形成稳定现金流前，企业主体信用债融资规模应设上限，防止"债务驱动型"研发泡沫。

机构配置与银行参与方面， 机构投资者可通过具身智能主题指数基金和ETF分散个股风险，采用"一级直投+二级定增/可转债+Pre-IPO"的跨阶段策略动态配置。银行则需从"信贷思维"转向"投贷联动"，通过理财子公司或参股创投基金提供股权配套，同时探索知识产权质押、数据资产质押融资、供应链金融等多元工具撬动银行资金进入早期科技企业。

数据资本化方面， 推动数据资产"确权入表—交易定价—资本化"三步走，是把"看不见的数据"变成"看得见的融资工具"的关键路径。一旦数据资产能够有效入表，便可以作为抵押物参与银行授信、作为底层资产发行证券化产品，从而为数据密集型企业打开全新的融资通道。

四、中美制度比较与启示

中美两国是全球AI与机器人投资的两大引擎，但制度路径差异显著。据斯坦福大学HAI研究所《2026年AI指数报告》，2025年美国AI私人投资达2859亿美元，中国为124亿美元，差距约23倍。但这一数据可能显著低估了中国的实际投入。据估计，2000至2023年间，中国政府引导基金已向AI企业投入约1840亿美元，这部分以政府为主导的资金未充分反映在私人投资统计中。与此同时，中国在工业机器人安装量上占全球54%，应用端的规模优势明显。

知识产权定价方面， 美国拥有全球最成熟的制度体系。1952年《统一商法典》确立了专利担保交易的法律框架，硅谷银行自1990年代末开创科技银行IP质押模式，此后摩根大通、美国银行、富国银行等20家主要银行陆续接受专利作为抵押物。此外，M-CAM公司创立的知识产权保证资产回购价格机制（CAPP），回购价最高达融资额的75%，有效降低了银行放贷风险。反观中国，知识产权质押融资面临评估标准不统一、缺乏独立第三方IP评估机构、处置变现渠道不畅三重瓶颈，导致银行"愿贷不敢贷"的状态。

数据资产入表方面， 中美走出了两条不同路径。中国采取"积极路径"：财政部2024年1月施行《企业数据资源相关会计处理暂行规定》，允许企业将数据资源确认为无形资产或存货，内部开发成本可以资本化。温州"信贷数字宝"以收益法评估378万元入表，即获等额银行授信；青岛能源集团以数据资产增信获招商银行6000万元授信。这一路径优势在于为数据密集型企业打开了新的融资通道，但同时也带来"注水"风险。美国采取"谨慎路径"：US GAAP不单设数字资产科目，内部开发数据只有在"技术可行且有明确用途"时方可资本化，否则全部费用化。Meta仅将外购用户数据确认为无形资产，2023年自研用户行为分析数据全部费用化达89亿美元。这一路径更为审慎，防止了资产虚增，但也导致数据价值在财务报表中被"低估"。

创始人评估与信息披露方面， 美国VC已形成制度化的背调流程，涵盖公共记录检索、学历核验、职业推荐人访谈、网络足迹审查、财务史调查、刑事背景调查、人格测评和过往创业业绩分析等十步标准流程，且须遵守《公平信用报告法》的合规要求。中国AI投资领域的创始人评估仍高度依赖人脉网络和圈层信任，制度化的背调机制尚未普及。在信息披露方面，美国SEC于2024年3月对两家虚假宣称使用AI的投资顾问公司开出罚单，确立了"夸大AI能力即构成欺诈"的监管先例。中国科创板虽强制披露研发投入、知识产权等硬指标，但尚未出现针对"AI虚假披露"的专门执法案例。

基于上述比较，笔者提出四条改进建议：一是加快建设知识产权评估交易的市场基础设施，培育独立第三方IP评估机构、建立专利交易流转平台、设立IP质押风险补偿基金；二是数据资产入表需配套"防注水"机制，建立严格的市场化评估标准、第三方审计复核和动态减值测试规则；三是引入创始人背调制度化，行业协会可牵头制定科技企业创始人尽调指引；四是借鉴"AI-Washing"执法经验，建立AI虚假披露惩戒机制，明确企业在招股书、定增方案、债券募集说明书中夸大AI技术能力或应用场景的，构成信息披露违法违规。

五、结论与建议

综合以上分析，得出以下基本判断：

第一，AI与机器人赛道的资本涌入仍将持续，但分化将加速加剧。当前前20家企业拿走七成资金的格局不会逆转，反而会随着技术验证周期的到来而进一步固化。2027年前后，无法拿出订单和量产能力的企业将面临批量出清，并购整合将成为未来3年的主旋律。

第二，估值体系的重构是制约资本有效配置的首要瓶颈。缺少统一"度量衡"不仅是投资人的痛点，也是企业融资的障碍。建议行业协会、交易所和头部券商共同推动建立"AI与具身智能企业估值指引"，并加快数据资产评估入表的制度建设。

第三，资本市场对这一产业的支持需要多维度协同发力，即股权融资（耐心资本+并购整合）、债权融资（科创债+可转债+知识产权质押+ABS）、估值定价（分阶段框架+数据资产入表）、机构配置（指数化+跨阶段策略+投贷联动）、数据资本化（确权入表+证券化）五个维度协同，形成"看得准、定得对、配得稳、退得出"的完整金融生态。

第四，中美制度竞争的焦点不在资金量，而在制度质量。美国在知识产权定价、数据资产审慎处理、创始人背调制度化和"AI-Washing"执法方面更为成熟，但中国"政府引导+应用落地"的模式在规模化部署上有独特优势。中国应在保持应用优势的同时，加快补齐制度基础设施的短板。

第五，政府的角色应聚焦于"搭场景、立规则、担风险"，而非直接干预资源配置。最有效的产业政策不是直接补贴，而是提供订单、开放场景、制定标准。

第六，企业自身的财务规范和信息披露质量，是决定其能否获得长期资本陪伴的关键变量。在信息不对称极端突出的AI与机器人领域，透明度本身就是估值溢价的重要来源。把每笔研发投入讲清楚、把每张订单亮出来、把每个风险说在前，投资人才能与企业一起穿越长周期。

AI与机器人产业对中国经济的战略意义毋庸置疑。但从金融投资视角看，它本质上是高风险领域。资本市场能否真正支持这个产业，不取决于涌入多少资金，而取决于能否建立与之技术特征和风险结构相匹配的估值体系、融资工具和定价能力。这既是挑战，更是中国资本市场走向成熟的历史性机遇。