樊雅婷｜FFF111f__
孙芮｜lombredeau
“好吃的要去问厨子，好产品和好公司应该去问创业者。”
最近，Newcomer 联合顶级风投 Felicis 推出了 Emergent 榜单，列出29家目前最值得关注的创业公司。Felicis 是 Google 早期产品经理 Aydin Senkut 在 2006 年创立，早期投过 Shopify、Canva这些项目，也是Runway、Tines 和 Mercor 的投资方。
这份榜单吸引我们的地方在于，与大多榜单不同，这个榜单中列出的AI创业项目由Runway、ElevenLabs、Glean、Fireworks AI、Tines、Crosby 等一众独角兽与前沿科技公司的创始人们亲自提名推荐。
创始人往往有更一线的洞察。比如，Vercel 的 Rauch 推荐 Armature，因为用户开始通过 ChatGPT、Claude 和编程 Agent 使用软件，软件公司需要知道这些 Agent 怎样选工具、在哪里卡住。Runway 推荐的是能接进动画师现有流程的 Cartwheel，同时也参与过它的融资。
这份名单跨越了软件开发与交付、AI infra、Personal Agent、企业自动化、AI4S 、AIGC、具身、工业服务等 8 个赛道。某种程度上，这也是 AI 创业最火热、需求最高赛道的代表。由于是早期项目，他们更关注单点场景的突破，而不是做大而全的公司。
我们整理了这个名单，结合 founder 推荐给出介绍，期待这份榜单所呈现的一线工程实践与创业方向趋势，能够给国内的投资人与创业者带来新的启发。
1
软件开发与交付
AI 可以更快写出一段代码，企业还得把代码变成能用的系统，或者跑完测试再上线。Hercules 和 Peak 分别做这两件事。
1. Hercules｜https://hercules.app/
产品概述
Hercules 是一套面向企业用户的全托管 AI 应用开发平台。一家小企业想做库存管理系统，可以直接告诉 Hercules 要录入什么、让谁审批、给谁看库存。它会生成可使用的网页应用，数据库、账号权限、支付、托管和备份也由平台提供。除了库存，客户还可以用它做 CRM、员工后台和客户门户。
为什么值得关注
由 Brendan Falk 与 Grant 联合创立，两人也是此前热门终端工具 Fig（已被 AWS 收购）的创始团队。它解决的是传统无代码（No-code）平台前后端分离、配置繁琐的真实痛点。项目由 Rogo 创始人 Fireworks AI 联合创始人 Lin Qiao 推荐，强调它用开放权重模型做应用生成，让这笔账更好算。
2. Peak｜https://peak.inc/
产品概述
Peak 是一个面向研发团队的云端自动化测试与构建（CI）加速平台。Peak 可以直接承接 GitHub Actions 中的任务，提供云端运行环境，并自动保留依赖包与构建缓存，大幅减少重复准备环境的时间。目前也在测试基于 AI 的代码自动修复能力。
为什么值得关注
成立时间和融资金额均未公布。项目由 Rogo 创始人 Gabriel Stengel 推荐。对于支持的 Ubuntu 任务，团队通常只需修改一行配置即可无缝切入；其特有的“影子模式（Shadow Mode）”允许同一批测试在原平台和 Peak 上并行比对耗时与准确率，用企业自己的实际项目零风险验证提效成果。Peak 的卖点很容易验证。
1
Agent Infra
在agent时代，围绕agent各个部分做基础设施是有大量需求的。这其中也诞生了许多拥挤的方向，比如做agent的visa，做agent风控，这些创业公司仍然需要证明自己的差异性与不可替代性。
1. Agent card｜https://agentcard.com
产品概述
给 Agent 配银行卡，让 Agent 能够自己在线消费。Agent card解决的是传统 Agent 可以帮用户搜索商品、填写订单，但到了支付环节，往往需要人类介入这个问题。
为什么值得关注
Karen Serfaty担任CEO，此前创立过企业费用管理公司 Atlas，Atlas 后来被 Remote 收购，他成为 cards 业务负责人。Vercel 联合创始人兼 CEO Guillermo Rauch 认为，Agent 应该拥有完全自主的在线支付能力，Agentcard 正在为 Agent 创业公司、消费应用和 B2B 企业提供支付基础设施。当然，这个赛道注定拥挤，有Stripe、visa这样的巨头进场，也有更多的创业公司与之产生直接竞争。
2. Armature｜https://agentcard.com
产品概述
关注Agent Experience（AX，智能体体验），做 Agent 可观测性、测试和优化。Armature专注研究 Agent 如何使用产品，主要做Agent 行为分析、Agent 自动化测试、Agent 可发现性（面向Agent 的获客和分发优化）
为什么值得关注
把 GEO 的逻辑延伸到了 Agent 工具选择。Vercel 联合创始人兼 CEO Guillermo Rauch 他提到，用户通过 Claude、ChatGPT 和 Coding Agent 访问产品正在成为新常态，Armature 能够记录 Agent 与产品交互的过程，让企业了解用户向 Agent 提出了什么问题，以及 Agent 如何使用自己的产品。也许，未来软件公司会像今天购买用户分析工具一样，购买 Agent 分析和测试工具。创始人曾在 Palantir 担任 Forward Deployed Engineer，之后加入 Datadog 分拆出来的 Tsuga，负责从零搭建可观测性基础设施。另一位成员Louis则在消费应用 Joko 负责 AI 自动化。
3. Arrakis Security｜https://arrakis.security/
产品概述
为企业 Agent 提供安全监控和权限管理，防止 Agent 越权操作、访问敏感数据或触发安全风险。Arrakis Security主要有三个能力：扫描企业部署的 Agent，识别权限配置和潜在安全风险；实时监控 Agent 行为，发现异常操作并及时阻断；建立 Agent 的行为基线，判断其操作是否偏离正常任务范围。
为什么值得关注
ElevenLabs 联合创始人兼 CEO Mati Staniszewski 推荐了 Arrakis Security。他认为，过去的安全工具主要围绕人类使用机器设计，而 Agent 已经开始自主操作 CRM 和金融系统，Arrakis 正在解决 Agent 自主行动带来的新安全问题。Agent Security 因此可能成为企业规模化部署 Agent 的必要基础设施。它不仅可以管理 Agent 的访问权限，还能延伸到监控和约束 Agent 这些实际行为。目前，他们已经完成了 800 万美元种子轮融资。
4. Convergent｜https://convergent.dev
产品概述
帮助企业从真实 Agent 使用记录中发现问题，自动生成测试环境，并调用 Coding Agent 修复问题。Convergent 专注做 Agent 可靠性，它主要解决 Agent 在真实生产环境中容易出现错误、但开发团队难以复现和修复的问题。
为什么值得关注
团队人员曾在 DeepMind、Meta、Mercor、Perplexity、Glean 等公司工作。目前产品主要面向法律、金融、人力资源、SRE 等垂直领域的 Agent 公司。
Crosby 创始人兼 CEO Ryan Daniels 推荐了 Convergent。他认为，Convergent 能够从生产环境的 Agent 执行记录中挖掘失败案例，构建高保真测试环境，再调用 Coding Agent 直接修复问题。这让Agent 工具向自动化运维与自我改进进一步延伸。
5. Mnemom｜https://www.mnemom.ai
产品概述
做Agent信任基础设施。为 Agent 建立一套可信身份、行为验证和安全治理体系，让企业能够在 Agent 执行任务前验证其行为，并留下可追溯的加密凭证。
为什么值得关注
LinkedIn 联合创始人 Reid Hoffman 推荐了 Mnemom，它把 Agent 安全从事后监控推进到事前约束，并进一步建立跨 Agent 的信用评价体系。当大量 Agent 需要相互委托任务、交易和协作，独立、可验证的信任机制可能成为重要基础设施。创始人 Alex Garden 此前创立过食品科技公司 Zume， CTO Wassim Wehbi，此前在 Microsoft 工作超过 14 年，曾负责企业 Agent 自动化相关工程。
6. Martian｜https://withmartian.com/
产品概述
为 AI 应用提供模型路由。Martian 会根据任务需求，评估不同模型的能力、成本和响应速度，在运行时动态选择模型，也支持将任务分配给多个模型协同处理。开发者可以通过统一接口接入不同模型，不必为每个应用单独维护模型选择逻辑。
为什么值得关注
Mercor 联合创始人兼 CEO Brendan Foody 推荐了 Martian，他认为随着模型数量持续增长，为每项任务选择合适的模型将成为核心基础设施，
Martian 已经在这一方向取得了领先进展。Martian在2022年创办，曾获 NEA 和 Prosus Ventures 领投的900 万美元种子轮融资。模型路由同样是拥挤的赛道。Martian主要面向 AI 应用开发者和开发团队，研究模型对不同 Prompt 的表现，以便预测质量与成本。
7. Mirai Labs｜https://trymirai.com/
产品概述
为手机和电脑提供端侧 AI 推理引擎。主要做端侧模型，优化模型在 Apple Silicon 等设备上的本地运行效率，并通过模型与硬件协同优化，降低内存占用和推理成本。
为什么值得关注
如果未来 personal agent需要持续感知用户需求、理解上下文并实时执行任务，端侧推理可能成为重要的底层能力。ElevenLabs 联合创始人兼 CEO Mati Staniszewski 特别提到，团队此前创立了 Reface 和 Prisma，已经有将端侧 AI 产品推向数亿用户的经验。Reface 是 AI 换脸和视频生成应用，累计用户达到数亿。Prisma是 AI 图片应用，曾达到约 1 亿月活跃用户。
8. Tako｜https://tako.com/
产品概述
为 Agent 提供结构化数据和实时搜索 API，让 Agent 能够获取可靠、最新的信息，而不只是依赖模型自身的知识。
Tako 主要提供四类 API：
Search API：从经过整理的数据源和网络中搜索信息。
Answer API：针对自然语言问题提供带引用的答案。
Contents API：获取网页内容及其背后的结构化数据。
Agent API：支持异步深度研究和数据补充。
为什么值得关注
CEO Alex Rosenberg 曾任职于 Amazon ，CTO Bobby Abbott此前在加密货币投资机构 Paradigm 工作。
Imbue 联合创始人兼 CEO Kanjun Qiu 推荐了 Tako，她也是这个产品的用户，Tako 聚合并清洗了大量不同来源的数据，让大模型能够以更合理的方式读取和分析信息。她在使用中感受到 Tako 能够回答复杂的数据分析问题，并提供高质量数据。我们认为，这也能降低 Agent 获取和处理信息的成本。
9. Attention Engineering｜https://attention.inc/
产品概述
记录用户在电脑上的操作和工作上下文，为 Agent 提供持续、可检索的个人记忆。公司目前推出的产品是 Coast，它主要做上下文采集、记忆检索、Agent 上下文支持。
为什么值得关注
Agent 要持续协助用户工作，就需要知道用户之前做过什么、看过什么、作出过什么决定。Snorkel AI 联合创始人兼 CEO Alex Ratner 推荐了 Attention Engineering。他关注的是用户在电脑操作过程中产生的上下文，也就是所谓的「analyst exhaust」，这些数据可以为 AI 提供更丰富的背景信息和训练信号，让模型变得更加专业和个性化。
1
Personal Agent
Ghost 想用一台专用电脑，获得个人 Agent 持续运行所需的算力和数据。Tomo 则从用户每天都在用的消息软件切入。
1. Ghost (Core)｜https://ghost.ai/
产品概述
Ghost 推出的首款产品 Core 是一台售价 3,499 美元、主打免订阅的无屏个人 AI 硬件设备。它在本地运行模型，接上用户的应用、文件、穿戴设备和智能家居，让 Agent 在后台持续工作。用户可以把提醒、日程和设备操作等任务交给它。
为什么值得关注
Crosby 的 Ryan Daniels 提名了 Ghost。项目由 19 岁的连续创业者 Zain Javaid 创立，获得 a16z 1100 万美元种子轮领投。产品主打“一次买断、无需订阅”。但对于没有屏幕的家庭硬件，用户花大价钱期待的是像家电一样稳定的“确定性交付”。因此，AI Agent 在工作时容错率极低，一次误操作就可能破坏用户信任，从demo走到真实的日常使用或许仍有体验落差。
2. Tomo｜https://www.tomo.ai/
产品概述
Tomo 是一款面向 C 端普通消费者的聊天型生活助手。用户只需通过随手发消息的方式，让它帮忙安排每日计划、监督习惯养成、记住几周前的细节（如面试准备），以及加入群聊协助组织活动。
为什么值得关注
Tomo 团队吸纳了 Retool、Harvey 等知名企业的工程师。2026 年 6 月，公司宣布完成 500 万美元种子轮融资，由贝恩资本创投领投，Accel、Conviction、Pear VC 等参投。
抛开概念叙事，这类 Personal Agent 的核心考验在于三大底层难题：推理成本与 C 端付费意愿的剪刀差、长短期记忆（Memory）架构的工程化设计，以及主动提醒（Proactive）交互边界与打扰度的微妙平衡。
1
企业自动化与职场工具
agent进入组织，怎样能更好融入？以及它对工作的提升到底能有多大？这是个仍需要被记录、量化的事情。这也诞生了许多场景与业务。其中，特别推荐一下SkillBench，它关注AI普及后，人类员工技能的变化，可以追踪工作过程、分析人机贡献。
1. Ampersand
产品概述
为企业建立一套动态的运营模型，让 AI 理解业务如何运转，并据此优化流程、评估 Agent 和构建自动化。
为什么值得关注
由 Jai Kondapalli、Joey Wang、Josh Dresner 创立，团队来自 Palantir、OpenAI 和 Google。它可以将企业的业务流程和实际操作转化为持续更新的运营模型。
企业部署 Agent，难点不只是让模型学会使用工具，还要让它理解企业内部复杂的业务流程和实际运行方式。Ampersand 做的东西是让 AI 获得一张持续更新的企业运营地图。Crosby 创始人兼 CEO Ryan Daniels 提到，已有领先的 AI 原生服务公司可以使用 Ampersand 理解企业运营、重新设计业务流程、评估 Agent，并加速工程开发。
2. Conway｜https://conway.ai
产品概述
基于企业实时事件流训练预测模型，帮助企业做出定价、推荐和信用评估等业务决策。Conway 的核心思路是将企业分散的数据转化为模型可以学习的事件序列，再利用模型预测未来结果。
为什么值得关注
企业很多关键决策依赖的是对未来结果的预测。例如，用户是否会购买、某笔交易是否存在风险、某个价格是否更容易促成成交。这类问题需要模型从大量真实业务事件中学习，Conway 可以将实时业务数据转化为可持续训练的预测能力，让企业能够根据不断变化的业务环境调整决策。Mercor 联合创始人兼 CEO Brendan Foody 推荐了这个项目。创始人做过记者，曾担任非营利创业加速器 Prod 的负责人，也在 Andreessen Horowitz 的加密货币团队从事投资工作过。
3. Nowadays｜https://www.nowadays.ai
产品概述
用 Agent 承接企业活动策划，从场地寻找、供应商沟通到价格谈判，自动完成活动筹备。Nowadays 主要服务企业团建、公司年会、行业会议和商务活动等场景_场地与供应商搜索、自动沟通与谈判、方案比较与活动管理。
为什么值得关注
Nowadays 看起来已经找到了AI落地场景。企业活动策划其中大量工作其实是重复的信息搜集、邮件沟通、报价比较和供应商协调。这些任务有明确目标和执行步骤，天然适合Agent 承接。ElevenLabs 联合创始人兼 CEO Mati Staniszewski 提到，Nowadays 已经为 Google、Amazon 和 Notion 等企业规划活动。
创始人 Anna Sun 此前曾在 Datadog、DoorDash 和 Amazon 担任产品经理及软件工程师， COO Amy Yan曾在 Google、Meta 和 McKinsey 从事战略与运营工作。
4. Scuba｜https://scuba.app
产品概述
为团队和 Agent 建立共享记忆，让分散在不同成员和工具中的工作上下文能够被持续记录、检索和复用。Scuba 定位是团队与 Agent 的 Shared Context Engine（共享上下文引擎）。它主要解决团队信息分散、经验难以沉淀的问题。
为什么值得关注
由前 Slack 产品负责人 Noah Desai Weiss 和 Dolapo Falola 创立。Scuba 补上的是团队层面的记忆能力，让不同成员和 Agent 能够共享经验与上下文。当企业越来越多地使用不同的 Agent，团队需要的可能不只是更多自动化工具，还需要一层能够连接人与 Agent 的共享知识系统。Abridge 联合创始人兼 CEO Shiv Rao 特别看好创始人 Noah Desai Weiss，他认为在竞争激烈的 AI 原生办公赛道，创始团队对产品的判断力和审美将成为脱颖而出的关键。
5. SkillBench｜https://skillbench.com
产品概述
分析员工如何使用 AI coding工具，衡量 AI 对工作效率和员工技能的影响，帮助企业优化人机协作。SkillBench 关注 AI 自动化普及后，员工的技能如何变化。它主要围绕开发者使用 AI 编码助手的过程建立分析体系：工作过程追踪、人机贡献分析、技能变化分析。
为什么值得关注
创始人是加州大学圣塔芭芭拉分校教授，研究人类与机器人、AI 的协作关系，著有《The Skill Code》。LinkedIn 联合创始人 Reid Hoffman 认为，AI 自动化的最大回报将属于那些能够同时提升员工个人潜力的企业。SkillBench 希望帮助企业在自动化更多任务的同时，让员工逐渐承担更需要判断力、专业能力和人际关系的工作。比如，AI 可以帮助开发者更快地完成代码编写，但如果员工逐渐减少独立思考、调试和解决问题的机会，短期效率提升也可能伴随长期技能退化。
1
AI4S：医疗与生物研究
生命科学领域的 AI 落地正在向深水区挺进：临床需要“无幻觉的信任”，生物研究需要“可调用的智能体”，而干实验则急需“物理世界的真实反馈”。
1. Almanac Health｜https://almanac-health.com/
产品概述
Almanac Health 为医生提供临床 AI 助手 Almanac Chat。医生可以用文字或语音提问，查指南和论文、做临床计算，也可以根据问诊笔记起草文档。接通电子病历后，可以从患者病历进入对话，让系统把相关的病史作为上下文。
为什么值得关注
创始人 Cyril Zakka在斯坦福研究过用于临床的检索增强生成，后来负责 Hugging Face 的健康 AI 工作。2025年成立，2026 年 4 月披露 1000 万美元种子轮，F-Prime 领投，General Catalyst、Lightspeed 参与。
Almanac Health能迅速追到来源，再结合病历复核。Glean 创始人 Arvind Jain 看中的正是它把可信的证据带进诊疗工作。
2. Phylo (Biomni Lab)｜https://phylo.bio/
产品概述
Phylo 推出的 Biomni Lab 是一个给生物研究员用的 AI 工作台。研究员可以把实验数据交给 Biomni Lab，请它检索文献、调用生物数据库和计算工具，分析数据或查看蛋白结构，再把过程和结果带回同一个项目里。它也能协助规划下一步实验。
为什么值得关注
Phylo 源于 2024 年在斯坦福启动的 Biomni 开源项目，2026 年 2 月披露 1350 万美元种子轮，a16z 和 Menlo Ventures 的 Anthology Fund 共同领投。Fireworks AI 的 Lin Qiao 看中的是团队能针对生物任务定制开放权重模型。对科研人员，产品的用处还在于减少在数据库、命令行工具和文献之间来回切换。分析过程能否复现、引用能否对上原文，决定它能替研究者承担多少工作。
3. Instance Bio｜https://instance.bio/
产品概述
Instance Bio 是一家替生物模型开发者做实验、交付数据的公司。客户提交目标抗原和候选序列后，Instance 在自动化湿实验室中跑通实际实验与测序，交付结构化数据，方便客户筛选分子或用于下一轮模型训练。
为什么值得关注
联合创始人兼 CEO David Scott 曾任职于基因编辑/合成生物学独角兽 Arbor Biotechnologies，Adept 联合创始人 David Luan 看重的是实验本身可以被重新设计。不过，AI 可以在电脑中设计千万种候选分子，但缺乏真实物理反馈。
1
AIGC 与创作工具
下面三个项目项目无一例外地选择“下沉并嵌入专业创作者的已有工作流”，不再追求傻瓜式创作和一键生成。
1. Cartwheel｜https://getcartwheel.com/
产品概述
Cartwheel 是一套面向动画、游戏和影视团队的 3D 角色动作生成插件。用户可通过参考视频或文本生成角色动作，并支持动作重定向与 API 导出，无缝接入 Unreal Engine、MetaHuman 等主流三维引擎。
为什么值得关注
由前 OpenAI 科学家 Andrew Carr 与前 Google 创意总监 Jonathan Jarvis 联合创立，累计融资 1560 万美元。它放弃了“一键生成完整成片”的玩具路线，死磕专业动画制作管线。Runway 的 Cristóbal Valenzuela 看中它能接进现有制作流程。
2. Resin｜https://resin.co/
产品概述
Resin 是一款为音乐制作人打造的局部分轨声部生成器。音乐人可以从一段鼓点或旋律切入，让 Resin 局部生成适配的贝斯或其他配器，并将其带回数字音频工作站（DAW）中继续编辑。
为什么值得关注
Runway 的 Valenzuela 看中的是它参与音乐人已经开始的创作。创始人 Pedro Tsividis 兼具爵士乐手/鼓手与 MIT 认知科学研究员的双重背景。产品保留了创作者对作品的绝对掌控权，不搞“一键全自动生成”，而是聚焦于乐理上下文感知与协同助攻。
3. Wonder Studios｜https://wonderstudios.com/
产品概述
Wonder Studios 是一家结合 AI 与传统电影制作的全案成片交付服务商。业务覆盖品牌广告、MV 和原创影视项目，直接对最终交付的视觉效果与成片质量负责。
为什么值得关注
Wonder Studios 创始团队涵盖 ElevenLabs 、Turo 、Lumiere Ventures 等多个公司高管。公司累计融资超过 1,500 万美元。ElevenLabs 的 Staniszewski 押注的是制作公司能凭 AI 提高效率，靠作品和 IP 获取回报。
1
机器人与脑机接口
AI 正在从屏幕内走向重力、神经和复杂的实体世界。
1. Enigma｜https://www.enigma.inc/
产品概述
Enigma 致力给不同厂家的机器人做可共用的智能和操作软件。用户可以通过语音或简单界面告诉机器人想做什么，Enigma 的模型和软件负责把指令变成机械臂等设备能执行的动作。
为什么值得关注
成立于 2025 年，2026 年 7 月完成 7100 万美元种子轮，Index Ventures 与 Ribbit Capital 领投，Conviction 等参与。Cartesia 的 Karan Goel 看中它试图兼容不同机器人。
Enigma 破解了机器人行业“换一套硬件就要重写控制代码”的碎片化痛点。早期曾通过将百台真实机器人挂上网供公众远程测试，收集了宝贵的高质量物理交互数据。
2. Icarus Robotics (Joy)｜https://icarusrobotics.com/
Icarus Robotics 开发适用于太空站微重力环境的特种机器人， Joy。该机器人采用自由飞行机体与双机械臂，专为空间站内的物品搬运、维护检查和科研辅助而设计，计划于 2027 年部署至国际空间站。
为什么值得关注
Tines 的 Eoin Hinchy 的推荐语特别强调太空站人力稀缺、昂贵，很多工作重复性很高等问题。联合创始人兼 CEO Ethan Barajas 曾参与 NASA HUNCH 太空技术研发项目，CTO Jamie Palmer 是资深机器人硬件专家。项目于2025 年 9 月完成 610 万美元种子轮融资。
Enigma 避开了地面人形机器人极其内卷的赛道，直接切入宇航员人工成本昂贵、空间受限的极强刚需场景；采用“前期人类遥操作积累数据，后期渐进式自主”的高安全性路线。但它目前更贴近一个仍在探索通用控制范式的研发项目。
3. Alljoined｜https://www.alljoined.com/
产品概述
Alljoined 专注于研发戴在头上的非侵入式脑机接口和解码模型。人在屏幕上看不同图像时，设备采集头皮脑电，模型尝试从信号中恢复视觉信息。团队用消费级设备收集了 20 位参与者的脑电数据，发布了包含 160 多万次视觉刺激试验的数据集。
为什么值得关注
项目成立于 2024 年，未披露融资金额。Runway 的 Valenzuela 关心的是，扩大数据规模能否改善低成本脑电设备的解码效果。
消费级脑电更容易采集，信号也更弱。Alljoined 目前展示的是受控视觉实验里的进展，距离在日常环境里稳定使用，还要解决跨人、跨设备的问题。
1
能源与工业服务
下面两家公司都直接面对工程项目。一家做电力和能源基础设施的设计服务，一家为海上运输开发船舶和物流方案。
1. Mistos｜https://mistos.com/
产品概述
Mistos 是一家把 AI 用进电力项目的工程服务公司。新建电站或能源设施，要完成设计计算、方案比较和工程文件等工作。Mistos 尝试用 AI 加快这些步骤，为项目业主交付工程成果。
为什么值得关注
Unconventional AI 的 Naveen Rao 关注数据中心新增电力供给背后的工程周期。对于电力项目业主，这家公司的价值可以用做完一套工程设计花了多久、成本降了多少来衡量。商业模式沉稳且务实。
2. Agrippa Industries｜https://www.agrippaindustries.com/
产品概述
Agrippa Industries 是一家聚焦海运物流与特种船舶研发的硬核科技公司。基于已有商业船舶设计，开发低成本的海上物流方案，涵盖船舶设计调整、布放回收与货物装卸。
为什么值得关注
项目起源于著名的 Stanford“Hacking for Defense”科研孵化项目，由Snorkel AI 的 Alex Ratner 提名。团队在海事工程与特种机械领域积累深厚。于 2026 年 8 月获得约 1,900 万美元的相关研发合同（计划于 2029 年完成），是一家深度绑定国家级特种物流基建的实体研发企业。
1
小结
事实上，对比国内与海外的 AI 市场，大家在底层认知与场景痛点上展现出了极强的相似性：行业不再为纯粹的技术叙事买单，资本与创业团队也正全面转向更具确定性的工程落地。
这也解释了为什么这一轮的创投焦点迅速向基础设施、具身硬件与端侧开源倾斜，占比接近 50%。无论是建立 Agent 的安全与信任治理机制，借助个人设备与机器人探索物理连接，还是通过开源模型与端侧计算压缩推理成本，都在指向同一个核心——关注落地场景，重建使用者对 AI 交付的确定性信任。
我们还能观察到两边团队共同面对的硬考题：个人助手的长期留存、内容工具的专业化、企业应用的可靠性，以及科研和工业场景的验证周期......
归根结底，当模型能力渐趋同质化，单靠技术架构已不足以形成绝对壁垒。未来的胜负手，属于那些能够深入业务工作流、组织复杂全案交付，并从真实使用中持续积累数据闭环的团队。“远离”红海概念，扎进产业深处，才是跨越周期的硬核护城河。
