2026最有潜力30岁以下AI领军者TOP20揭晓:年轻人扎进技术腹地
文 | 陈伊凡图 | AI生成又到揭晓榜单的时候了。今天,虎嗅正式发布“2026最有潜力30岁以下 AI 领军者·TOP20榜单”。如果你还记得去年的名单,应该对其中的 AI 原生应用、面向消费者的 AI 硬件和机器人项目有些印象。过去一年,上榜者陆续向我们更新了各自的进展。有些变化,也让我们重新回想起去年对端侧 AI
榜单揭晓的时间又到了。虎嗅今天正式公布“2026最有潜力30岁以下 AI 领军者·TOP20榜单”。
去年的名单如果还有印象,里面那些 AI 原生应用、面向消费者的 AI 硬件和机器人项目应该还能想起来。这一年里,上榜的人陆续把各自的进展告诉了我们。有些变化,也让我们又想起去年对
做榜单最有意思的地方就在这种后续:当初看好的方向,如今走到了哪一步?一个还很早期的想法,有没有变成真正能用的产品?去年的预判在今年成真,这让我们挺高兴。
带着这些问题,今年的候选名单又被我们翻开了。
应用和硬件照样有人在做,不过更多年轻人把目光投向了技术更深处。他们关心
本届榜单评委之一、峰瑞资本投资合伙人陈石观察到,今年一个比较明显的变化是,大家更在意技术落地之后能不能持续用下去、持续改进。
这也给了我们一个看榜单的角度。他们选了哪些热门方向之外,我们更想弄清楚:他们准备解决哪个具体问题,又打算怎么一步步把它做出来?
这些年轻人,正走向哪里?
先看几位高票上榜者。世界模型和模型自我改进,是今年名单里很扎眼的两个方向。
刘芳甫创办的
超衍智能
张昊天和英灵殿科技把问题带进了分子世界。药学、物理学、医学和计算机,他都学过也研究过,还曾在
再看机器人。
源策未来
名单里还有些方向,平时很少出现在面向大众的产品演示里,可在如今的技术和创投圈,它们恰恰是最热的几个:
回头看看今年,钱和问题都流向了哪里?
把这份名单放回2026年的科技圈,很多选择就更容易看懂了。
Crunchbase 的统计显示,今年上半年全球创投融资达到5100亿美元,按它的统计口径,已经超过2025年全年的4400亿美元。不过另一个数字同样值得留意:
钱是更多了,可并没有平均分到每个创业者手上。
世界模型就是受关注的方向之一。李飞飞创办的
另一笔引人注意的融资投向了 RSI,这个方向想让 AI 参与研究、评估和改进自身。今年5月,前 Salesforce 首席科学家 Richard Socher 创办的
同时,今年年初人们开始期待 AI 接手较长的任务,跨越多次交互,一直把事情往下做。
麻烦也跟着来了。昨天交代的要求,它今天还记得吗?任务做到一半,下次能接着做吗?哪些旧信息该留,哪些已经过时?
安全问题同样具体:你愿意让它访问哪些数据、调用哪些工具?它读到一封邮件、或者装上第三方插件时,怎么避免被里面的恶意指令带偏?智能体能做的事越多,这些问题就越躲不开。
资金也开始盯上这些需求。今年2月,柏林初创公司
回头看,去年我们聊的是模型能力、应用机会,今年越来越多问题落到了使用过程里:智能体能不能把任务完成,机器人能不能反复做对一个动作,科学模型的预测能不能经实验验证。一次演示之外,大家开始更认真地追问:能不能一直用下去?
推理效率为什么被反复提起,原因也在这里。
AI for Science 让人看到了另一种积累方式。实验数据如果能一轮轮反馈给模型,下一轮设计就会跟着改进,每轮研发都有望给后面的工作攒下数据和办法。说到底,“复利”要真转起来,得靠这样的循环。
今年是“十五五”开局之年,这个背景在国内绕不过去。3月公布的规划纲要列出了一批未来产业,要前瞻布局:量子科技、生物制造、氢能和核聚变能、脑机接口、具身智能、第六代移动通信;机器人、生物医药等则被归入加快发展的战略性新兴产业。国内科技投资往哪走,这些政策方向是重要参照,资金的去处也受它左右。
今年榜单上的方向,恰好落在这些领域:有人拿 AI 设计分子,有人钻研机器人的感知与动作,还有人处理神经信号。想抓住这类机会,往往得同时懂几个领域。
比起年龄,更该看的是他们怎么长起来
提到年轻创业者,人们常会想到他们对 AI 工具更熟。写代码、做研究、整理信息,连组织工作也算在内,创业头一天就能借 AI 把想法先做出来,再拿给用户去试。
可原型做出来,和把公司经营好,中间隔着很长的路。机器人要量产、要售后,科研项目得等实验结果,企业客户还会追问系统稳不稳定。团队变大之后怎么带,账上的钱还能撑多久,这些功课也得补。
另一个现象也值得留意:上榜者里不少人有过跨学科的学习或研究经历。英灵殿科技的张昊天学过药学和物理学,也在医学和计算机领域做过研究,眼下正试着用 AI 设计分子;利太智药的贾寅君从生命科学、神经科学转到科学智能研究,关心的是怎么用模型设计多肽药物;荆华密算的林修醇把计算机科学与计算密码学背景结合起来,在探索让敏感数据在加密状态下参与计算。
这些经历和他们手头的事是连着的。模型要进实验室,就得弄明白实验怎么验证;敏感数据要参与 AI 计算,安全和效率就得一起考虑。跨学科到底值不值,最后要看这些具体问题处理得怎么样。
陈石觉得,年轻创业者身上经验包袱少,敢跨学科,也愿意先把东西发出去、边做边改。但交付、现金流和团队管理,常常是他们要补的课。他说:“年龄不是决定因素,我们更看重一个人学习和修正自己的速度。”
看一家公司,同样需要耐心。陈石会看团队的技术能力够不够硬,结果能不能重复验证,下一笔钱能完成什么,以及核心技术和知识产权是不是真归公司所有。“AI for Science 尤其要看实验反馈。商业化
十年之后,这些公司会变成什么样?有的也许走得远,有的可能半路转向,甚至离开这条赛道。现在没人说得准。
我们想趁他们还处在早期,把他们正在解决的问题认真记下来,过后再回来看看:哪些判断应验了,哪些想法变了,碰上的难题又是怎么解开的。
等过几年回头看,希望这些记录能帮我们看清技术走向现实的过程,也看见那些或许会改变世界的年轻人,是怎么一步步长起来的。
下面,就来认识今年的20位上榜者。