CB Insights 上个月公布了 2026 年 AI 100。
简单来说，就是从全球 AI 初创公司里，挑出 100 家它认为最值得关注的企业。
原文和 100 家公司名单我放在文末的“阅读全文”里。
今年已经是第 10 届了。
CB Insights 的筛选范围超过 4 万家公司，不只看融资，还会综合交易活动、投资机构、团队招聘、行业合作和实际商业进展等数据。
最终入选的 100 家公司，累计已经获得 109 亿美元股权融资。
我看完这份名单，一个很明显的感受是：AI 创业变得更难了。
前两年，很多 AI 产品的基本逻辑是：
找一个工作场景，把大模型接进去，再做一个更好用的界面。
AI 写邮件、AI 做笔记、AI 搜索、AI 客服、AI 写营销文案。
但在今年的 AI 100 里，越来越多公司开始进入一些“更麻烦”的地方：
Agent 的身份和权限怎么管；
机器人怎么进入不断变化的真实环境；
专业行业的数据怎么获得、整理和持续积累。
CB Insights 自己也把今年的变化总结成了三条主线。每条主线，我都挑了一些比较有意思的公司，分享给大家。
第一块生意：AI Agent 上班了，谁来管这些“AI 员工”？
过去企业部署 AI，风险相对简单，员工问 AI 一个问题，AI给出答案。
答案错了，人可以不采用。
但 Agent 不一样。
它可能读取邮件、查询客户资料、调用企业系统、修改文件、创建工单，甚至直接执行下一步操作。
问题马上就来了：
这个 Agent 是谁？它能访问什么数据？谁给了它权限？它刚刚执行了什么操作？出了问题，能不能还原完整过程？
所以 CB Insights 在今年的报告里直接提出了一个概念：
Know Your Agent，简称 KYA。
可以简单理解为：
企业以后不仅要管理员工账号，还要开始管理“AI 员工”的身份、权限和行为。
CB Insights 认为，AI Agent 已经开始运行企业工作流程，但它们需要一套独立的规则体系。
围绕身份、权限、监控和责任追踪，一层新的 Agent 管理基础设施正在出现。
今年入选 AI 100 的 Geordie，就在做这件事。
很多企业的问题是，已经开始部署 Agent，却不知道这些 Agent 在系统里具体做了什么。
Geordie 的产品 Beam，会持续观察 Agent 的执行过程。
比如，一个 Agent 先读取客户管理系统里的内容，又访问内部文件，最后准备调用外部工具。
单独看每一步，可能都没有问题。但把整个执行链放在一起，可能出现一个风险：
两个原本不应该被连接的数据源，被 Agent 自动组合起来了。
Beam 可以根据企业设定的规则，在 Agent 执行过程中改变下一步行为、阻止数据继续流动，或者修正 Agent 从外部内容里读到的恶意指令。
也就是说，它不是等 Agent 做完以后再看日志。
它是在 Agent 干活的时候，实时管它。
Geordie 官方把自己的产品定位为 Agent 治理平台，覆盖可观察性、合规和行为控制。
Beam 则试图直接在 Agent 的运行过程中应用规则。
另一家入选公司 Straiker，做的是模型和 Agent 安全。
它面对的也是类似问题：
以前的安全软件主要保护设备、账号、网络和应用。
现在企业里多了一类可以自己读取信息、判断下一步动作并调用工具的“执行者”。
传统权限系统可以判断：账号 A 能不能访问数据库 B。
但 Agent 的风险可能来自一连串操作。
它先读取一封邮件、邮件里藏着恶意指令、Agent 把这段内容当成任务要求、接着调用浏览器或者终端、最后把内部信息发送出去。
Geordie甚至专门讨论过这种“数据污染链”：
不能只看 Agent 有没有权限，还要追踪一段不可信信息进入 Agent 后，最终流向了哪个工具和系统。
所以，今年 AI 100 里出现了一批做 Agent 安全、治理和监控的公司，并不奇怪。
当 AI 从“回答问题”变成“执行任务”，企业需要管理的对象也变了。
第二块生意：机器人卖出去以后，怎么让它们真正干活？
今年 CB Insights 把 Physical AI，也就是物理世界里的 AI，放到了一个非常重要的位置。
报告提出的一个判断是：
机器人下一阶段的竞争，正在从“让单台机器人更聪明”，转向“让大量机器人可以稳定运行和协同”。
也就是说，演示一台机器人完成任务，和让几十台、几百台机器人长期进入工厂、工地或者其他复杂环境，是两件完全不同的事情。
FieldAI 是今年入选的一家公司。
它做的不是机器人本体。
简单来说，它想给不同的机器人提供一套可以理解风险的“机器人智能”。
FieldAI开发了一套 Field Foundation Models。
它的核心设计，是让机器人面对不确定环境时，不只识别“前面有什么”，还要判断：
现在的环境有多确定？下一步行动有什么风险？情况发生变化后，应该怎么调整？
FieldAI 已经和 Boston Dynamics 合作，把自己的模型接入机器狗 Spot。
一个具体场景是建筑工地。
传统自动化喜欢固定环境。工厂里的设备位置、工作区域、运动路线，可以提前设定。
但建筑工地每天都在变化。
昨天可以走的路，今天可能堆了建筑材料；新的设备会进场；施工区域会调整；人员也不断移动。
FieldAI 与 Boston Dynamics 的方案，是让 Spot 在这类环境中自主进行现场检查、记录施工进度，并根据实时环境判断风险。
FieldAI 的模型负责高层任务判断和风险感知，机器人原有系统负责具体运动控制。
另一个入选公司 Augmentus，解决的是工业机器人编程。
传统工业机器人有一个非常现实的问题：换一个零件，可能就要重新调程序。
特别是在喷涂、打磨、抛光、去毛刺这些工作里，机器人要沿着复杂的零件表面运动。
工程师需要设置大量路径点。一个复杂零件，可能要花几个小时编程。
如果工厂做的是多品种、小批量生产，零件不断变化，机器人部署成本很容易变得非常高。
Augmentus 的做法是：
把 CAD 文件或者扫描数据导入系统，自动生成机器人的运动路径。
它的产品强调无代码编程，可以在几分钟内根据 CAD 或扫描结果生成路径，并在虚拟环境中先进行模拟和验证。
这类产品解决的不是“机器人能不能动”。
而是一个更具体的问题：
机器人换了一个零件，还能不能继续干活？
今年 AI 100 里的 Physical AI 公司，已经覆盖机器人智能、工业机器人软件和底层芯片。
韩国 BOS Semiconductors 也进入了名单。
它在做面向自动驾驶、机器人和智能移动设备的 AI 芯片，其中包括采用 Chiplet 架构的 AI 加速器 Eagle-N。
从 FieldAI 到 Augmentus，再到底层芯片公司，可以看到一个变化：
机器人创业开始从“做一台机器人”，拆成一整套产业。
有人解决机器人怎么理解环境；有人解决怎么快速部署；
有人解决工业路径生成；有人解决大量设备运行需要的计算能力。
机器人的问题，已经越来越像当年的云计算。
真正大规模使用以后，大量基础设施才开始出现。
第三块生意：大模型越来越强，行业数据反而更值钱了
今年 AI 100 里，医疗和生命科学、金融服务分别有 9 家公司入选，是最大的两个行业分类之一。
CB Insights 在分析工业、生命科学和金融公司时，专门强调了一个词：
数据壁垒。
这个词听起来很老套了，但大模型出现以后，它反而变得更加清晰。
因为不是所有数据，ChatGPT 都可以直接理解和获得。
比如分子结构、CAD 几何数据、材料属性，它们本身就不是普通文本。
另外一些数据虽然可以被 AI 阅读，却很难获得。
医疗记录、监管数据库、企业内部历史资料，都属于这一类。
CB Insights 的判断是：
如果基础数据是分子结构等非文本信息，通用 AI 很难直接表示；
如果 AI 已经能读取这些数据，竞争壁垒会转向系统切换成本；
而对于受监管记录和授权数据库，数据本身就是壁垒。
Atomic Canyon 是一个很典型的例子。
它服务核工业。
美国核管理委员会 NRC 有一个叫 ADAMS 的数据库，里面有超过 5300 万页公开监管文件。
核电企业需要在这些资料里查询监管要求、历史文件和专业信息。
Atomic Canyon 就围绕这些核工业数据训练和优化自己的 AI 系统。
它不需要和 ChatGPT 比谁知道的事情更多。
它要解决的是：
谁更懂 5300 万页核工业监管资料。
Atomic Canyon 官网明确介绍，其系统基于 NRC 的 ADAMS 数据进行训练和优化，用于改善核工业的数据访问和合规工作。
医疗行业里的 Assort Health，也是类似逻辑。
这家公司做医院电话 Agent，不是一个通用 AI 客服。
它会针对不同医疗专科，处理预约、电话分流和患者信息收集。
医疗电话有大量专业流程，比如患者想预约一个检查。
AI 需要判断检查类型、医生、时间、患者信息以及后续流程。
Assort Health 已经处理超过 1 亿次患者互动，公开资料显示其解决率达到 98%。
CB Insights 的报告还提到，公司已经编码了超过 1.25 亿次患者互动。
每处理一次真实电话，系统对医疗业务流程的理解都会继续积累。
这和做一个 AI 电话机器人完全不是同一件事。
再看 Chai Discovery，它用 AI 做蛋白质和抗体设计。
公开资料显示，其从头设计抗体的实验命中率接近 20%；公司估值在 15 个月内从 1.5 亿美元增长到 13 亿美元，并与礼来达成合作。
这里的数据更特殊，模型处理的是生物化学结构和分子相互作用。
这不是简单地把行业文件放进知识库。
模型、实验结果和新的生物数据之间，要不断形成循环。
Periodic Labs 的方向甚至更加直接。
这家公司由 OpenAI 前研究负责人 Liam Fedus 和 Google DeepMind 前科学家 Ekin Dogus Cubuk 创办。
它想把大模型、机器人和物理模拟放进同一个实验系统。
模拟系统寻找新的材料组合；机器人真正进行材料实验；模型分析实验结果；再决定下一轮实验怎么调整。
也就是说，AI 不只是读取已有论文，它开始参与产生下一批数据。
Periodic Labs 正在尝试用这种方式加快材料发现和实验科学。
我觉得这是今年 AI 100 里一个非常重要的变化。
过去我们讲 AI 数据壁垒，通常是：“我有别人没有的数据。”
现在开始出现另一种公司：
产品自己在工作过程中，不断生产新的专业数据。
医疗 Agent 每天处理患者互动；
实验机器人每天产生实验结果；
工业机器人每天记录真实环境；
企业 Agent 每天形成新的执行轨迹，产品使用得越多，数据结构越完整。
这可能比单纯拥有一个行业知识库更难复制。
看完这 100 家公司，我觉得 AI 创业的门槛又变了
看完今年 AI 100，我觉得很多公司的共同点非常简单：
它们做的事情越来越麻烦。
要接企业权限；要管 Agent 的行为；要进工厂；要适配机器人；要处理医疗流程；要理解分子结构；要整理 5300 万页核工业监管资料。
这些项目通常没有一个“上传文件，30 秒生成结果”的演示那么漂亮。
销售周期可能更长、产品更重、行业知识要求也更高。
CB Insights 在介绍今年 AI 100 时，也反复强调一个标准：
这些公司已经开始证明自己可以离开 Demo，进入真实业务环境。
所以，我觉得今年这份名单，对 AI 创业者有三个很直接的问题。
第一，你的 AI 最终能获得什么“执行权限”？
只是给答案，还是可以真正完成下一步工作？
第二，你解决的问题，在真实环境里有多少变化和例外？
如果环境越复杂，真正跑通以后，复制难度通常也越高。
第三，你的产品会积累什么数据？
这些数据，ChatGPT、Claude 或者下一个更强的大模型，能不能轻易获得？
模型越来越强，浅层功能当然会越来越容易做。
但反过来，那些需要进系统、接权限、处理专业数据、长期运行的产品，商业价值反而开始变得更加清楚。
2026 年的 AI 100，已经能看到这个变化了。