第三篇：赛道对照与投资启示：中美World‑Model创投差异，国内机构该如何破局

同样是World‑Model创业浪潮，中美两地的创投生态形成鲜明对照，这不仅是科研实力差异，更是创业土壤、资本结构、产业基础共同塑造的结果，也给国内VC、产业资本提供重要参照系。

美国赛道的标志性事件是斯坦福李飞飞的World‑Labs、Yann LeCun的Advanced Machine Intelligence Labs，两家种子轮融资均突破10亿美元量级，创始人普遍拥有大厂完整工程、管理履历，团队从一开始就面向全球人形机器人、自动驾驶头部客户做技术输出，融资规模大，但项目数量并不泛滥，属于少数顶尖科学家主导的少数明星项目。

反观国内市场，呈现“百花齐放、鱼龙混杂”的格局：大量青年学者下场创业，财务VC、国资基金、实体产业资本集体涌入，项目数量多，赛道热度高，但同时芯片供给、高端工程人才成为共同短板。美国初创企业可以直接采购最先进Blackwell系列芯片；国内新AI labs更多只能租用公有云算力，长期算力供给是悬在头上的硬约束，构成赛道的先天性短板（congenital weakness）。

中美也存在底层共识：大家都认定World‑Model是从数字AI走向Physical AI（物理人工智能）的关键枢纽，长期落地场景集中在人形机器人、工业自动化、自动驾驶、智能手术机器人。国内独特优势在于海量制造业工厂、仓储物流的真实物理场景数据，这是世界模型训练不可或缺的现实素材。

站在投资实务角度，既然传统PE、PS估值指标失效，针对world‑model这类零收入早期硬科技项目，可以搭建一套“非财务+弱财务”的复合甄别框架，弥补纯故事估值的缺陷：

1. 算力与数据闭环指标：不只看论文，考察实际训练卡时、物理场景数据集规模，区分“做仿真渲染”和“真实物理世界预训练”；2. 团队复合度：除学术论文成果，重点看工程落地、商业化团队配置，避免只有学术背景的单一团队；3. 产业协同真实度：区分“意向合作”和有约束的框架订单，关注是否拿到机器人、车企、医疗器械企业的真实付费PO（采购订单）；4. 现金流安全边界：测算burn rate，判断现有资金能够支撑多久研发，评估后续再融资压力。

回到投资命题，世界模型赛道的机会与风险一体两面。它不是短期炒概念的风口，而是面向具身智能时代的底层技术竞赛，但一级市场参与者需要区分远期技术价值和当下投资价值。资本狂热可以加速技术研发，但“1‑3‑5‑7”式的激进估值预期，会抬高整个赛道的试错成本。

长远看，未来真正跑出来的企业，不会只输出一个world‑model大模型，而是完成“模型—场景—产业客户”的闭环。对研究视角来说，这个赛道也提供了很好样本：当传统财务估值工具失灵，前沿硬科技一级市场应当建立怎样的价值判断体系，这也是AI投资领域值得持续讨论的议题。