摘 要

一个被反复提起的问题：北大在 AI 产业里到底在哪

过去三年，几乎所有关于中国 AI 产业地图的讨论都会从清华开始：芯片四小龙、智谱、月之暗面、无问芯穹、银河通用，一路数下来像是清华的校友名录。这份报告想回答的是：这种印象有多少是事实，有多少是误读，以及被误读的部分究竟意味着什么。

结论：北大系在 AI 上的问题不是“没有布局”，而是布局的位置和产业的计价方式不匹配。它在学科起源、基础理论、国家级平台、科学智能（AI for Science）这四个维度上，位置比清华更靠前；但在基座模型、算力基础设施、成建制的校友资本这三件事上，几乎是空白。产业界用“谁做出了模型、谁卖出了芯片”来计价，北大的贡献大多发生在计价之前。

序 章 · 时 代 坐 标

从规模红利到原创红利

讨论一所大学的产业位置，先要弄清楚这个时代在为什么付费。过去二十年，中国 AI 的竞争力主要来自规模——数据规模、工程师规模、场景规模。当规模红利接近天花板，付费逻辑正在往上游移：谁能提出下一个问题，谁就拿到下一轮的定价权。

0.1 规模还能不能继续换增长

中国 AI 产业的第一阶段是典型的规模驱动：海量用户产生数据，海量工程师把论文变成产品，海量场景消化产能。这套逻辑在推荐算法、计算机视觉、移动支付上跑通过，也解释了为什么中国能长出一批应用型巨头。

但规模红利有两个天花板。一个是数据：高质量中文语料在 2024 年前后基本被扫完，继续堆数据的边际收益快速下降。另一个是算力：高端芯片的获取受限，把“堆算力”这条路径的成本抬到了多数公司无法承受的水平。当这两条路同时收窄，产业必须回答一个新问题——在同样的算力和数据下，凭什么做得比别人好。

这个问题只能靠原创的方法、原创的架构、原创的问题定义来回答。它恰好是基础研究密集型机构的比较优势，而不是工程密集型机构的。

0.2 “从 0 到 1”第一次有了明确的价格

2026 年的资本市场给出了一个信号：愿意为“没被验证过的东西”付溢价。银河通用在收入规模尚小的情况下估值超过 200 亿元，国家人工智能产业投资基金（大基金三期）首次出手具身智能；深势科技在商业化仍在爬坡时被冠以“AI4S 第一股”；晶泰控股的 AI4S 业务收入同比增长 136%，把“AI 做科研”从概念变成了可审计的收入科目。

这些定价未必都合理，但它说明一件事：市场开始给“定义新赛道”这件事单独计价，而不是只给“在旧赛道里做得更好”计价。这对北大系是结构性利好——它最擅长的正是前者。

0.3 自主可控的上半场与下半场

自主可控通常被理解为“替代”：芯片替代、操作系统替代、模型替代。这是上半场，拼的是工程能力和供应链韧性，清华系的优势在这里体现得最充分。

下半场是“另建一套”：当追赶的成本高于换道的成本时，选择一条不同的技术路线。碳基芯片对硅基、存算一体对冯·诺依曼、脉冲视觉对帧式相机、价值驱动对数据驱动——这些路线都不在主流的延长线上，需要长期、不设短期 KPI 的投入。北大系的多数关键布局，都落在这一层。

0.4 一个容易被忽略的事实

中国 AI 产业过去十年的“技术源头”，有相当比例来自高校实验室的免费溢出——论文、开源代码、毕业生。这套机制成本极低，但也很脆弱：它假设基础研究有人出钱、有人做、有人愿意等。

当产业开始要求“从 0 到 1”，这个假设就不够了。基础研究需要被组织起来，需要稳定的经费、稳定的队伍、稳定的评价周期。智源、BIGAI、鹏城这三个平台的意义正在于此——它们不是公司，而是把“等得起”这件事制度化的尝试。而这三个平台，恰好都由北大人牵头。

第 一 章

一座大学的 AI 年轮

北大做 AI 的历史比大多数人以为的要长，而且起点不在计算机系，在数学力学系。这条脉络解释了后来很多看起来奇怪的组织安排——为什么北大的 AI 力量分散在六七个机构里，为什么它的强项总落在“感知”和“计算”的交界处。

1.1 从一般力学到控制论

1952 年院系调整后，北大数学力学系设数学、力学两个方向。1956 年钱学森在中科院力学所讲授“工程控制论”，北大数力系抽调了 15 名学生去听课，黄琳是其中之一；1957 年苏联专家托洛依茨基在北大开设“非线性调节理论”；1960 年代初，黄琳已在北大开设调节原理、最优控制等课程。

这段历史常被简写成“北大 1950 年代就布局了控制论专业”，并不准确。真实情况是：北大的控制学科是从一般力学里长出来的，长期依附于力学，没有独立成系。这个出身留下了两个痕迹——一是北大做智能系统时天然偏好“建模”而非“调参”，二是它的机器人研究长期挂在工学院而不是计算机学院。

1.2 汉字入机：第一次“技术换产业”

1974 年 8 月，周恩来批准设立“汉字信息处理系统工程”，即“748 工程”，下设汉字通信、汉字情报检索、汉字精密照排三个子项。王选是 1975 年才从陈堃銶处得知这个工程的，1976 年秋“汉字精密照排系统”正式下达北大。1979 年 7 月 27 日输出第一张报纸样张，1980 年 9 月 15 日排出第一本样书《伍豪之剑》，1987 年《经济日报》实现整版激光排版。

这套系统后来覆盖了国内 99% 的报社和 90% 以上的黑白书刊印刷厂，两次获国家科技进步一等奖，并直接催生了方正。它是中国高校“顶天立地”式产学研的原始样本：实验室做出世界级技术，校办企业完成产业化，收益反哺学科。北大后来所有的成果转化讨论，都会回到这个案例。

1.3 平台叠加：四十年八个节点

1.4 一个学科，多块牌子

2021 年的三院拆分是北大 AI 组织形态的分水岭。拆分之后，北大在 AI 相关方向上同时存在至少七个有独立人财物的机构，各自的定位差异很大：

此外，数学科学学院（鄂维南、张志华）、心理与认知科学学院（方方、吴思、毕彦超）、工学院（段慧玲、喻俊志、谢广明）、软件与微电子学院（吴中海）都以跨院系方式参与 AI 研究与人才培养。

这套结构的优点是每个方向都有独立的旗帜和资源，缺点是协同成本高。一个想做“具身智能”的团队，理论上要同时对接智能学院、工学院、人工智能研究院和 BIGAI；一个想做“AI+医疗”的项目，要跨医学部与信息学部。这也是为什么北大在单点突破上表现出色，在需要长链条协作的工程化项目上偏慢。

第 二 章

学术版图：强在哪，薄在哪

把北大 AI 的研究方向按产业相关度排一遍，会得到一个很清楚的结论：感知、语言、科学计算、器件这四块是世界级的；系统、基座模型、大规模工程这三块明显偏薄。这不是人才问题，是学科结构问题。

2.1 七个方向的实际分量

2.2 四代人，三种角色

2.3 三个国家级平台，都由北大人牵头

这是北大系最容易被忽略的一块资产。三个平台都不是公司，不能用估值衡量，但它们掌握着中国 AI 的议程设置权。

2.4 人才培养：四条通道

图灵班（2017）走的是国际化课程路线，Hopcroft 设计课程，Manuel Blum、Silvio Micali 任导师；通班（2021-01）由元培学院与人工智能研究院共建，朱松纯领衔，本博贯通；智班（2022-09）由智能学院与信息科学技术学院共建，首届 28 人；通计划（2023-11）由 BIGAI 联合十余所高校培养 AGI 博士生。

这套体系的产出质量很高，但有一个结构性后果：它培养的是研究者，不是工程组织者。图灵班和通班的课程设计都偏理论与跨学科，学生毕业后的默认路径是深造、进实验室、做研究，创业并不在主流选项里。这与清华姚班“大批毕业生直接进产业”的分布明显不同，也是两地创业人数差距的一部分解释。

第 三 章

产业链上的真实位置

把北大系公司按“芯片—算力—模型—具身—应用”五层摆开，会看到一个哑铃形的结构：上游器件和下游应用都有像样的公司，中间两层几乎是空的。这不是偶然，而是由学科结构和转化机制共同决定的。

3.1 五层结构

3.2 企业矩阵

分级口径：核心＝北大教师或在职研究人员创办、技术直接来自北大实验室；较强＝北大校友创办且本人为技术核心；外围＝创始人为北大校友但公司主业并非 AI，或 AI 只是其能力之一。体量数据随行情波动，均为标注时点值。

3.3 五家经常被误归入北大系的公司

3.4 一个必须回答的问题：为什么没有“北大的智谱”

这是所有关于北大 AI 产业的讨论最终都会落到的问题。公开分析里有一种说法值得引用：北大走的是“平台化垂直孵化”路线——把资源投给具身智能、AI for Science、碳基芯片这些需要长期积累的方向，而不是集中火力做一家基座模型公司。

这个解释只对了一半。更完整的原因有三层。

第一层是学科结构。基座模型是一个极端工程密集的活：万卡集群、数据清洗流水线、几百人的标注与对齐团队。北大 AI 的强势学科是视觉、语言理论、认知科学，这些方向的训练方式是“一个人带几个学生做深问题”，与“组织几百人做工程”是两种能力。

第二层是转化机制。清华在 2015 年前后就形成了成建制的师生创业文化，有明确的收益分配、离岗政策、校友基金接力；北大的转化更依赖教授个人意愿和个别平台的推动，缺少“批量复制”的机制。智谱之所以能起来，不只是因为技术，而是因为有一整套人、钱、制度同时到位。

第三层是人的选择。北大培养的 AI 人才并没有缺席大模型主线，只是多数在大厂或明星创业公司里做核心研发，而不是自己另起一炉。当一个人可以在最好的团队里做最有意思的问题时，创业的吸引力就下降了。这不是能力问题，是激励结构问题。

第 四 章

四场具体的仗

这一章挑四场正在打的仗，看北大系具体在做什么、进展到哪一步、卡在哪里。

4.1 具身智能：银河通用是唯一的头部样本

银河通用 2023 年 5 月成立，创始人王鹤 1992 年生，清华本科、斯坦福博士，2021 年入职北大前沿计算研究中心（现智能学院），2023 年创办公司并任 CTO。它的融资节奏在具身智能里属于最快的一档：2024 年 6 月 7 亿元天使轮，2024 年 11 月 5 亿元战略轮，2025 年 6 月超 11 亿元 B 轮（宁德时代领投），2025 年 12 月超 3 亿美元，2026 年 3 月 25 亿元新一轮。

2026 年 3 月这一轮的意义超过金额本身：国家人工智能产业投资基金（大基金三期）首次出手具身智能赛道，同轮还有中国石化、中信投资控股。这意味着具身智能从“风险投资主题”变成了“国家产业政策标的”。投后估值超 200 亿元，累计融资额居国内具身智能前列。

商业化侧的证据比估值更值得看。工业人形机器人已进入宁德时代、博世、丰田、现代的产线，G1 在宁德时代产线实现 7×24 小时连续作业；2026 年 6 月中标宜宾叙州区具身智能设备采购约 2.36 亿元、台州实训基地二期约 3917 万元；2026 年 9 月消费级产品 ET1 上线 24 小时预订破 200 台。这是一条从产线订单到消费预订都跑通了的曲线，在国内具身智能公司里不多见。

但要注意两点。一是估值与收入的匹配度：200 亿元估值对应的收入规模仍在一个量级之下，透支了未来两三年的增长。二是“北大关联”的性质：王鹤是北大教师，不是北大校友，公司技术确实源自其在北大的研究，但公司本身是独立主体，与校方没有股权关系。市场上把它简单归入“北大系”或“清华系”都不准确——他的清华本科背景是事实，但产业归属应看教职与实验室。

4.2 AI for Science：北大最像“世界第一”的地方

AI4S 是北大系唯一一个在方法论层面领先全球的方向，核心人物是鄂维南。他推动的 DeePMD、DPA、Uni-Mol 系列，把分子动力学从“经验势函数”推到了“机器学习势函数”，这是过去十年计算化学最重要的变化之一。产业化载体是深势科技，产品线包括 DeePMD-kit、DPA-3、Uni-Mol、Bohrium 云平台、Hermite 药物计算设计平台、OpenLAM。

深势的融资结构值得单独看：天使轮由百度风投领投（2020 年夏），A 轮高瓴领投，B 轮源码资本与启明创投领投，B+ 轮超 7 亿元，B++ 轮拿北京人工智能产业投资基金与中关村科学城，C 轮 2025 年 12 月超 8 亿元，投后超 60 亿元。这是一条典型的“北大实验室—校友资本—北京国资”接力路径。

2026 年 2 月完成股份制改造（现名北京深势科技股份有限公司），筹备港股 IPO，被市场称为“中国 AI4S 第一股”。但截至 2026 年 10 月尚未见港交所递表记录。同时，公司面临两个真实问题：商业化仍在爬坡（Bohrium 服务数百个课题组，Hermite 客户含翰森、恒瑞，但收入体量与估值不匹配），以及媒体报道的 CEO 股权代持纠纷。后者若不能在上市前理清，会成为审核障碍。

另一家是晶泰控股，2024 年 6 月以 18C 章上市，是港股特专科技第一股。2025 年营收 8.03 亿元、同比 +201%，首次实现年度盈利 1.35 亿元；2026 年上半年营收 3.94 亿元、表观下降 23.9%（上年同期有一笔 5100 万美元管线授权首付款的高基数），剔除后内生增长 73.8%，其中 AI4S 智慧解决方案收入 1.94 亿元、同比 +136%、占营收 49%。2026 年 10 月市值约 274 亿港元，较 2025 年 10 月高点回撤超过五成。这家公司的股价波动恰好说明 AI4S 的商业模型还在被市场反复定价。

4.3 芯片：不在主战场，在换道

北大系在 AI 芯片上走的路和清华系完全不同。清华系做的是“把主流的活干好”——GPU、GPGPU、智驾大算力芯片，正面竞争；北大系做的是“换一条路”——碳基、存算一体、3D 视觉传感。

碳基是彭练矛的路线，5 纳米节点碳纳米管晶体管是其代表性成果，2019 年设碳基电子学研究中心，产业化载体是北京元芯碳基集成电路研究院。这条路线的战略意义在于绕开硅基的物理极限和专利墙，但工程化难度极高，短期内不可能替代硅基。

存算一体是知存科技的路线，用 NOR Flash 做存内计算，绕开冯·诺依曼架构的“存储墙”。它是全球率先实现存算一体神经网络芯片商业化量产的公司，累计出货数百万颗，客户 30 余家，早期落地 TWS 耳机、AR/VR 眼镜。2023—2025 年研发投入超 15 亿元，2025 年同比增长 414%，2026 年研发预算超过前三年总和；累计流片超 10 款，预计 2027 年面向大语言模型的芯片出货占比提升至 80%。累计 7 轮融资约 4.7 亿元，最新一轮是 2022 年 9 月的 1 亿元 B+ 轮（深创投、国开科创）。

这里有一个值得注意的落差：知存的技术进度在全球范围内是领先的，但融资规模只有同期 GPU 公司的几十分之一。存算一体的市场教育成本高、单颗价值量低、客户验证周期长，资本不愿意为它付溢价。这是“换道”路线共同的困境——技术越非常规，越难在早期被定价。

4.4 基座模型：百度在扛，北大在供人

北大系在基座模型上的存在感，几乎全部由百度承担。李彦宏 2016 年就公开判断“移动互联网时代已经结束，下一幕是人工智能”，此后十年围绕“芯—云—模—体”建全栈。2026 年 1 月 22 日发布文心 5.0 正式版，原生全模态统一建模、2.4 万亿参数；2026 年 5 月 9 日文心 5.1 上线，用“多维弹性预训练”把预训练成本压到同规模模型的约 6%。

支撑这套体系的不只是模型。昆仑芯 2025 年以来交付多个万卡级 P800 集群，客户覆盖招商银行、南方电网、中国钢研、国家管网、吉利、腾讯等上百家企业，出货量本土第三，2026 年 1 月百度宣布拟分拆昆仑芯港股独立上市；AI 云基础设施 2026 年 Q2 收入 73 亿元，GPU 云增速 283%；萝卜快跑覆盖全球 28 座城市。这是一个从芯片到应用的完整闭环，在国内只有百度一家做到。

但百度的问题是估值。2026 年 8 月 18 日港股约 101 港元、市值约 2824 亿港元，对应的是一个“搜索公司”的估值框架，而不是“全栈 AI 公司”。市场用 PE 看它，它的芯片、云、自动驾驶价值被折叠在搜索广告的现金流里。这也是百度推动港股双重主要上市、争取纳入港股通的真实动机——它需要一个能分开给四块业务定价的市场。

至于北大本身，它在基座模型上的贡献主要以“人”和“方法”的形式存在：开源项目 Open-Sora Plan（田永鸿、袁粒团队，2024 年 3 月发起，v1.0.0 支持华为昇腾 910B 推理）、2026 年与 DeepSeek 联合开源的 DSpark 推理框架。这些工作不产生估值，但产生影响力。

第 五 章

资本：一条没走完的链路

清华系的资本是一条闭合的链：校友基金投早期，产业资本接中后期，上市后创始人反哺生态。北大系有链，但每一环都细一号，而且中间断了一节——没有出现“投—带—反投”的循环。

5.1 三层结构，规模都不大

5.2 一笔典型的北大系融资长什么样

深势科技是最完整的样本：科学创始人是院士级学者（鄂维南），创始团队来自元培学院，天使轮由百度风投领投（产业资本），中间几轮是高瓴、源码、启明、经纬（市场化美元/双币基金），后段换成北京人工智能产业投资基金、中关村科学城、京国瑞（国资），最后冲刺港股。

这条路径与清华系有明显差别。清华系的典型路径是“校友基金先进、产业资本跟上、校友企业互相加持”，资本在生态内部循环；北大系的路径是“产业资本进、市场化基金跟、国资收尾”，资本从外部接入。前者的好处是决策快、信任成本低，后者的好处是估值更贴近市场，坏处是缺少一个愿意在最早、最不确定阶段下注的“自己人”。

5.3 为什么没有出现“北大版星连资本”

智谱的“星连资本”是一个特殊产物：一家头部模型公司用融来的钱，反向投资了 30 多家 AI 企业，成了生态枢纽。这件事能发生，前提是有一个估值足够高、现金流足够宽、战略足够野心的核心公司。

北大系没有这样的核心公司。百度有现金和战略，但它的投资逻辑是“补齐自身生态”（昆仑芯、萝卜快跑、AI 云），不是“扶持一个北大校友圈”；银河通用还太年轻，2026 年才刚过 200 亿元估值，没有余力做生态投资；深势、晶泰是垂直公司，投资半径有限。

所以北大系的资本网络呈现为一个“星形”：中心是国资和产业资本，向外连着一家家独立公司，公司之间少有横向连接。清华系则是“网状”：公司之间互相投资、创始人互相做 LP、基金在中间穿针。网状结构的抗风险能力和信息效率都更高，这是清华系一个被低估的优势。

5.4 两个数字的对照

数据来源：IT 桔子《2024 年中国人工智能创业者人群画像报告》、IT 桔子 2026 年具身智能报告。条形仅表示相对比例。另据 IT 桔子与水木清华校友种子基金 2025 年 12 月联合发布的《清华大学创业者生态报告》，清华系创业者约 1772 位、获投率约 74%；北大对应的公开口径为 2020 年 7 月的 1100 余位创业者，统计年份不同，不宜直接相减。

第 六 章

清华与北大：两种模式

把两所学校放在一起比较，不是比“谁更强”。更有意义的比法是：它们各自把什么做到了极致，以及这种极致对应的代价是什么。

6.1 一张对照表

6.2 差距的四个来源

一是学科与产业的接口距离。清华的电子、自动化、计算机三个系，与芯片、机器人、互联网三个行业几乎是同一套语言；北大的数学、物理、中文、心理，要经过一次翻译才能变成产品。翻译需要人，而做翻译的人往往不在学术评价体系里。

二是空间与集群。清华东门外就是中关村东升科技园、五道口，学生创业可以在学校旁边租办公室，招人不用跨城；北大的物理空间更紧，昌平新校区解决了科研空间，但离产业集群更远，深圳研究生院则隔着两千公里。

三是转化制度的执行密度。两校都有作价入股、离岗创业的制度安排，但清华把它变成了可复制的流程：有专门的技术转移机构、有明确的收益分配比例、有成功案例可参照。北大的转化更多依靠个别教授的影响力和个别平台的推动，制度化程度低一些。

四是文化。清华的工科文化默认“做出来才算数”，创业是荣誉；北大的学术文化默认“想清楚才算数”，创业是可选项。这不是优劣，是取向。它决定了两校毕业生在 30 岁前后的人生分流。

第 七 章

几个需要正视的问题

以下五点，是这份报告认为最值得警惕的。

7.1 三点判断

第 八 章

结论

回到最开始的问题：北大在 AI 产业里到底在哪？

它在源头。1974 年的 748 工程、1988 年的第一个国家重点实验室、2002 年的第一个智能科学系、2017 年的图灵班、2020 年的 BIGAI——这条线上每一个节点，都在为中国 AI 提供“问题”和“人”。它不在中游。没有基座模型公司，没有算力基础设施公司，没有成建制的校友资本。它在下游有几个很好的样本，但样本太少，还撑不起一个“系”。

这个位置不是失败，是分工。中国 AI 需要有人做工程化，也需要有人做原创；清华系把前者做到了极致，北大系把后者守住了。问题在于，这两件事的回报周期差得太远——工程化三年见收入，原创十年见分晓。在一个以年度为单位考核的资本市场里，守源头的人总是显得慢。

但 2026 年出现了一个变化：市场开始为“原创”单独定价。银河通用 200 亿元估值里有很大一部分是在为“通用操作能力”这个尚未完全验证的东西付钱；深势 60 亿元投后估值里，大部分是在为“AI 可以改变科学研究方式”这个判断付钱；晶泰的 AI4S 收入增长 136%，则让这个判断第一次有了财务证据。

如果这个变化持续，北大系的价值会被重新认识。它不需要变成清华，它需要的是把自己的“定义能力”稳定地转化成“交付能力”——这件事目前只有两家公司在做，而这两家公司的成败，会决定“北大系”这个词在未来五年是一个褒义词，还是一个注脚。