站在2026年回看，AI的纵深已经不完全由巨头定义。一批体量未必最大、名声未必最响的公司，正在算力架构、端侧智能、自进化模型、具身工程化、AI for Science、隐私计算与数据基座等“无人区”侧面上，做出真正具有结构意义的技术突破。
1. 东方算芯
在国产算力被先进制程有所限制的语境下，东方算芯选择了一条不同于GPGPU和专用DSA的路径：软件定义计算+三维近存计算。其DF1000芯片在14纳米制程上实现每秒520万亿次浮点运算，访存带宽达到6.4TB/s，从架构层面缓解“存储墙”瓶颈，走出一条不依赖先进制程的高端算力路径。该芯片已获2026 WAIC SAIL奖。
当多数国产GPU仍在追赶制程和生态时，东方算芯用架构创新换制程空间，为国产AI算力提供了一条供应链更可控、不必被制程锁死的替代路线。
2. 面壁智能
在全行业卷千亿、万亿参数时，面壁智能做了一道“减法”：不做最大，只做最“密”。其提出的密度定律获Nature子刊封面收录，MiniCPM系列端侧模型全球下载量突破4300万次，是国内除阿里外唯一开源的端侧模型全家桶。商业化上已进入三星旗舰供应链，预计今年底有30万辆汽车搭载其端侧模型，并冲刺A股“端侧AI第一股”。
它的重要性不在于估值，而在于率先验证了一个判断：智能革命终将从云端走向终端。端侧模型的意义是把AI能力下沉到用户日常设备中，在隐私、时延和成本上打开云端模型无法覆盖的场景。
3. 超衍智能
超衍智能由27岁的清华助理教授创立，成立不到半年即融资近4亿元，发布了国内首个基于递归自进化（RSI）的35B模型Apex-35B-V1.0。RSI的核心是让AI自己生成数据、自己训练自己，把训练环节自动化，并延伸到AI for AI、AI for Robot和科研场景。
RSI被视作通向更高阶智能的核心路径之一，此前主要停留在论文和海外初创公司中。超衍智能是国内极少数将其工程化、模型化、开源化的团队，其意义在于把“AI的自我改进”从概念推向了可运行的系统。
4. 超球面科技
超球面科技成立于今年8月，主攻组合式基础模型Scaling新范式。其自研Orbit万亿参数RL后训练框架、POET-X预训练框架和OFT正交微调算法，通过分化专家模型并动态调度融合，构建“Infinite Models”组合式模型组织，目标是在单节点高效训练的同时实现抗遗忘微调。系统可灵活接入DeepSeek、Kimi、GPT、Claude等主流模型。
其价值在于：当单纯堆参数的边际收益递减时，提出了一条模块化、可组合、可持续进化的基础模型扩展路线。如果这条路线跑通，基础模型的研发和迭代方式可能被重新定义。
5. 中科慧灵
中科慧灵是今年具身智能从Demo走向工程化交付的代表。其制鞋机器人在莆田工厂的大底盖章工序节拍达到7秒/个，鞋底压合18秒/双，按现有项目测算年投资回报率50%—70%，回收期两年以内；也就在今年，其在手具身制鞋机器人订单突破4亿元。另，其自研的CASBOT PA感知到动作模型支持单张消费级GPU训练，也显著降低了工业场景的模型迭代成本。
在具身智能普遍“秀demo、难交付”的阶段，中科慧灵证明了真实工位的数据闭环和工程化交付能力，才是这个赛道最稀缺的壁垒。它的技术突破不在论文里，而在产线和客户中。
6. 星源智
星源智的核心突破集中在具身大脑与世界模型。其RoboBrain Pro打破了“一机一脑”的局限，通过一次训练实现跨本体复用；世界模型ω-EVA首创“预演—验证—行动”的思维闭环，在LIBERO测试集上任务成功率高达98.6%。相关技术已在工业制造、生产分拣、物流搬运、商业服务等场景部署。
值得关注的是，具身智能的长期瓶颈不在硬件本体，而在通用的大脑。星源智的“跨本体复用”路线，直接指向了具身智能规模化复制的核心难题：如果每换一种机器人就要重训一套大脑，产业永远无法规模化。
7. 百奥几何
百奥几何构建了GeoFlow（分子水平）与GeoCell（细胞水平）两大微观世界模型，把结构预测、从头设计和多步推理统一到同一体系中。GeoFlow V3在20余个靶点上苗头分子平均命中率接近20%，较上一代AI方法提升近百倍，先导分子发现周期压缩至三周以内；GeoCell则对细胞在基因和药物扰动下的转录组响应进行建模，覆盖靶点发现、适应症选择和患者选择。其RSI干湿闭环用AI Agent连接自动化实验室，让“设计—实验—学习”循环自主运行。
AI制药的多数玩家集中在单点工具上，百奥几何的差异在于跨尺度建模，不仅回答“设计什么分子”，还回答“打哪个靶点、治哪种病、给哪些人”。这是AI for Science从“辅助工具”走向“研发范式”的关键一步。
8. 分子之心
分子之心的MMDesign平台在今年不到半年内完成三次迭代，最新湿实验报告覆盖18个不同靶点、纳米抗体和大环肽两类分子模态，项目成功率94.7%；在六个具有挑战性的GPCR膜蛋白靶点上全部成功，NK3R实现30个候选全部命中。单个项目进入实验的候选仅9—50个（中位数21个），把分子发现从海量筛选转向AI精准设计。
它的突破不在于又发布了一个模型，而在于用系统性湿实验证明了AI从头设计在跨靶点、跨模态上的可复现能力。当行业还在争论AI设计的分子“能不能成”时，分子之心拿出了接近95%成功率的湿实验答卷。
9. 荆华密算
荆华密算专注于高性能AI密态计算，核心突破是通过对AI计算算子的重构，在不依赖GPU-TEE的情况下兼容国产异构GPU，并将AI场景下密态计算的时间损耗降低了3-4个数量级。其预研的密态计算专用芯片已在FPGA上完成验证，产品覆盖密态推理平台和密态训练引擎，面向政企、金融、医疗、法律等高敏场景。
AI Agent时代最大的落地障碍之一，是敏感数据“不敢上云、不敢进模型”。荆华密算的价值在于它试图从计算架构层解决“数据可用不可见”，而不是在应用层打补丁。如果密态计算的性能损耗被压到可接受区间，高敏行业的AI adoption曲线会被根本性地改变。
10. 无问智科/光轮智能
放在一起看，无问智科做的是AI数据+仿真验证一体化，以机器标注、数据合成、大规模仿真和测试验证闭环为核心，创始人来自百度自动驾驶测试负责人背景，对大模型时代的数据闭环有直接落地经验。光轮智能则聚焦生成式AI与仿真驱动的3D物理真实合成数据，解决自动驾驶与具身智能中真实数据利用率低、标注成本高、长尾场景缺失的痛点，今年完成由蚂蚁集团领投的B轮融资。
此10佳共同勾勒出2026年中国AI的一个清晰信号：重要的突破正在从“谁的模型更大”，转向“谁在算力架构、端侧密度、自进化机制、具身工程化、科学发现、隐私信任和数据基座上，解决了别人绕不过去的结构性问题”。这些进展，决定中国AI纵深。
另，往往，大多习惯把中心留给规模，留给参数，好像关注的只有更大的模型、更高的估值，但2026年中国AI真正的纵深，恰恰不在那些最亮的地方，而在侧面。
侧面不是边角料。侧面是承重墙。
当几乎所有人都在追逐先进制程，有人偏要在架构里找空间，用软件定义计算、用近存计算去撞“存储墙”，在14纳米上跑出一条不被制程锁死的算力路线。这不是退而求其次，这是换一条路走到中心。因为算力的中心从来不是某一种芯片形态，而是谁能把智能真正跑起来。
当全行业卷千亿、万亿参数，有人反手做减法，把模型做小、做密、做进终端。密度定律不是口号，是把智能从云端压进手机、汽车和日常设备里。端侧模型的意义，不是“小一号的大模型”，而是让隐私、时延和成本这三个云端绕不开的墙，在终端侧同时松动。智能革命终将从云端走向终端，这句话今天听起来像判断，明天会像常识。
当训练还靠人堆数据、堆算力、堆工程，有人已经开始让AI自己生成数据、自己训练自己。递归自进化不是科幻词，它把“AI的自我改进”从论文里的曲线，变成可运行、可开源、可迭代的系统。如果模型能自己变强，那训练本身就不再只是工程，而是一种新的智能生产方式。
当单模型扩张的边际收益开始递减，有人提出组合式Scaling：不把全部赌注押在一个巨无霸上，而是让专家模型分化、动态调度、融合进化。模块化、可组合、可持续进化——这听起来不像暴力美学，却可能更接近基础模型下一阶段的真实形态。中心不一定是一个更大的模型，也可能是一套让模型持续生长的组织方式。
具身智能最缺的从来不是Demo。缺的是产线上的节拍，是客户的账本，是换一种机器人不用重训一套大脑的通用性。有人把机器人送进制鞋工厂，把节拍压到7秒一个，把投资回收期算到两年以内；有人做跨本体复用的具身大脑，用世界模型做“预演—验证—行动”的闭环。具身智能的中心不在展台上，在工位上；不在动作像不像人，在系统能不能复制。谁能把“一机一脑”变成“一脑多机”，谁才真正摸到了规模化的门。
AI for Science也一样。多数人还在单点工具上打转，有人已经在分子与细胞之间搭跨尺度世界模型：不仅回答“设计什么分子”，还回答“打哪个靶点、治哪种病、给哪些人”。有人用系统性湿实验证明，AI从头设计不是抽奖，而是跨靶点、跨模态、接近95%成功率的可复现能力。科学发现的中心，不是又一个模型排行榜，而是“设计—实验—学习”的闭环真正转起来。当干实验和湿实验被AI Agent连成循环，AI就不再只是科研的辅助工具，而是研发范式本身。
还有那些更不显眼、却更致命的侧面。有人让AI在密文上运行，从计算架构层去解“数据可用不可见”，把密态计算的时间损耗往下压几个数量级。因为Agent时代最大的落地障碍之一，就是敏感数据不敢上云、不敢进模型。信任不是应用层补出来的，是计算底座撑起来的。有人在合成数据与仿真验证上做隐形基建，把真实数据利用率低、标注成本高、长尾场景缺失这些脏活累活，变成AI从实验室走向真实世界的加速器。模型架构的差距会收敛，数据和仿真验证的能力不会自动收敛。谁掌握了低成本、高质量、覆盖长尾的数据闭环，谁就掌握了落地速度的开关。
名字未必最大，声音未必最响，但解决的，都是主航道上绕不过去的结构性问题：算力怎么不被制程锁死，智能怎么下沉到终端，模型怎么自我进化，基础模型怎么组合生长，具身智能怎么工程化交付，科学发现怎么跨尺度闭环，敏感数据怎么敢用，真实世界怎么被低成本仿真。这些问题不解决，中心再亮也只是孤岛；这些问题解决了，侧面就是新的中心。
所以，“侧面即中心”不是修辞，是2026年中国AI的一种结构判断。
中心从来不是地理坐标，而是问题坐标。谁站在最难的问题上，谁就在中心。谁把别人绕不过去的窄门推开，谁就在中心。谁让潮水的方向发生改变，谁就在中心。潮水方向改变时，站在侧面的人先感知到水流；等所有人都看见中心转移，侧面早已成了新的主航道。
2026年中国AI最值得大书特书的，或已不在“谁的模型更大”，而在“谁在侧面把结构性问题啃下来了”。侧面不是中心的背面，侧面是中心尚未被命名的部分。
（文/洞鉴）
e-Mail：lab@enet16.com
