再有 10 天，2026 年的世界人工智能大会（WAIC）将在上海揭幕。但如果你仔细翻阅今年上半年的投融资风向标，会发现一个明显的信号转变：资本不再为单纯的“模型参数”买单，他们盯着的是“烧掉的每一分算力，到底换回了什么收入”。
据虎嗅此前的报道，2026 年的一二级市场都在经历一场叙事转向——从关注 AI 的能力，到关注 AI 带来的收入。这场即将召开的 WAIC，更像是一次对过去半年“AI 账本”的公开大考。
在这场考试中，那些刚刚完成新一轮融资的垂直大模型公司，显然交出了不同的答卷。钱花在哪里，决定了它们能不能活到下一个季度。
知识图谱：不是写代码，是“洗”数据
蜜度（Midu）是垂直大模型赛道里绕不开的名字。就在几天前的 WAIC 预热期，蜜度带着全新的“智能体矩阵”高调亮相，宣称要从“会聊天”进化到“能办事”。
作为 2026 年 AI 应用层的标杆，蜜度最近的融资去向很明确：不是去卷底座大模型的预训练，而是砸钱去啃行业知识图谱的硬骨头。据其技术负责人透露，目前团队超过 60% 的研发预算都流向了非结构化数据的清洗与结构化映射。
为什么这么贵？因为垂直行业的“脏数据”比通用语料难处理十倍。在金融、医疗和法律领域，一份合同或病历往往充满了缩写、错别字和隐含的逻辑关系。蜜度们的策略是构建“专家系统 + LLM”的双轨制：用知识图谱保证事实的确定性，用大模型保证交互的灵活性。
这种“重资产”打法在 2026 年成了标配。相比之下，那些只靠 Prompt 工程就想解决 B 端问题的创业公司，已经很难拿到下一轮融资。正如我们在《告别 Prompt 工程》一文中指出的，2026 年 4 月，Prompt 工程师的薪资已较 2024 年高点下跌超 40%，因为 MCP 协议的普及让工具调用变得标准化，真正的瓶颈转移到了状态管理和复杂任务的自主规划上。
边缘侧：在 1W 功耗下找生存空间
如果把视线从云端拉回边缘，另一笔巨额融资则花在了“不让手机发烫”上。
对于做工业质检、车载座舱甚至智能家居的公司来说，云端 API 的成本太高且延迟不可控。于是，硬件适配成为了融资的主要去向。
这让人想起我们之前深度拆解过的 RISC-V 架构。在《RISC-V 芯片跑通 LLM》一文中，我们分析了如何通过自定义指令集和向量扩展（RVV）来优化量化 LLM 的部署。而在《RISC-V 边缘 AI 芯片实测》中，我们更是给出了贴着 1W 功耗天花板跑的实测数据。
2026 年，许多拿到融资的垂直模型团队，不再执着于把百亿参数模型塞进服务器，而是开始研究如何让 7B 甚至更小的模型在边缘侧流畅运行。这笔钱花在了哪里？花在了算子重写、内存带宽优化和异构计算调度上。
这就解释了为什么《把 PyTorch 模型搬上昇腾 910C》那篇文章里，开发者花了 20 天都在死磕自定义算子和数值对齐。对于垂直领域的创业者来说，谁能把模型在特定硬件上的 MFU（模型浮点运算利用率）从 35% 提升到 78%，谁就能省下数百万美元的云服务账单。这不仅是技术问题，更是生存问题。
具身智能：在仿真世界里“烧”掉几千万
当然，还有一类公司，它们的钱花得最“看不见”。那就是具身智能（Embodied AI）。
在 WAIC 2026 的预告中，“具身智能：万台量产、路线归一”被列为核心议题。北京通用人工智能研究院（BIGAI）的 OmniXtreme 运动控制框架和 TongSIM 物理训练场，正是这一趋势的缩影。据《BIGAI‘通通’之外》一文分析，他们正在构建一个从逻辑推理到物理执行的“通专融合”体系。
对于这类公司，融资的大部分流向了高性能仿真环境的搭建和数据采集机器人。你无法在真空中训练一个能灵巧抓取物体的机器人，你需要成千上万次的失败。这些失败发生在虚拟世界里，但需要巨大的算力支撑。
这与《Sora 3.5 工业级应用》中提到的视频生成逻辑异曲同工：好莱坞特效师正在利用高保真物理模拟来重塑工作流。而在机器人领域，这种模拟就是“训练场”。谁拥有更逼真、更高效的仿真数据生成管线，谁就掌握了具身智能的入场券。
账本之外的真相
WAIC 2026 即将到来，但真正的竞争早已在幕后打响。无论是蜜度们在知识图谱上的深耕，还是边缘侧团队在 RISC-V 上的死磕，亦或是具身智能公司在仿真环境里的烧钱，核心逻辑只有一个：垂直模型的护城河，不在于模型本身，而在于对特定场景数据的极致占有和对算力的极致压榨。
这也意味着，对于仍在观望的创业公司，2026 年下半年将是一个残酷的分水岭。那些还在讲“通用能力”故事的公司，可能会发现资本的门已经关上了。而那些已经在“AI 账本”上算清楚每一分投入产出比的玩家，才刚刚开始收获果实。
毕竟，在 AI 的下半场，活得久，比跑得快更重要。
