深度丨看不起搞学术的人，正在错过百亿AI独角兽

2026 年，顶级 AI 投资人的收件箱里，BP （商业计划书）正在迅速失宠。若你走进北京中关村或硅谷沙丘路的一些头部基金办公室，会发现合伙人们高频刷新的页面，除了财报和市场数据，也包括 Google Scholar 上的学术引用记录。

当大模型能力逐渐趋同、Demo 的惊艳感不断贬值、资本对“下一个爆款应用”的耐心开始下降，市场重新开始追问一个更底层的问题：到底是谁，真正为这轮 AI 浪潮贡献了不可替代的技术增量？

这种变化并非空穴来风，而是源于最近在产研圈与投资圈中持续引发讨论的一张“全球华人 AI 学者引用榜”。这张表在某种程度上，映照出过去二十年华人 AI 技术力量如何流动，又如何逐步转化为创业、融资与产业影响力。

站在学术高地的何恺明与孙剑，分别以约 80 万与 73 万次引用，定义了视觉 AI 上半场最重要的一批基础能力，也在相当长时间里为相关公司建立了极强的技术可信度。李飞飞以超过 30 万次的学术引用，将长期积累的研究声望延展到新一代空间智能叙事中，支撑 World Labs 在极早期阶段便迅速进入10亿美元独角兽行列。杨植麟的引用规模虽然并不在最前列，但其在长文本与 Transformer 相关方向上的研究积累，依然构成了月之暗面如今获得180亿美元估值的重要背景。

在这背后，一个更值得注意的事实是：当行业从讲故事转向看硬功夫，学术影响力正重新成为理解 AI 创业项目的重要坐标。

  全球顶尖华人 AI 学者画像

通过对全球顶尖华人 AI 学者引用数据的深度复盘，我们发现了显著的规律：

• 在榜单前 30 名的顶尖学者中，70%（19/30） 拥有创业经历。这一群体所创立的企业大多处于行业领先地位，估值基本都在 20 亿美元以上。学术声望已成为 AI 领域获取资本支持、构建行业壁垒的高效通行证。

• 4w+ 引用量是进入顶尖独角兽俱乐部的门槛，标志着学者已在特定子领域建立起初步的权威。10w+ 引用量的学者往往通过开创性的算法范式（如深度学习、视觉基础架构）直接定义了时代的技术底座。拥有该量级的学者，其创业项目往往呈现出更高的底层技术普适性与估值天花板。

Top 30 研究者中，具有代表性的创业者包括：

• 余凯（地平线）：引用量约 3.8 万，单篇平均引用表现突出，关联公司估值约 140 亿美元。他的路径说明，当学术深度与底层硬件能力结合时，研究成果可以转化为极具壁垒的产业基础设施。

• 曹越 / 张拯（Sand AI）：两人引用量合计约 15.1 万，单篇平均引用约 0.16 万，公司估值约 2-5 亿美元。他们最早将Transformer架构应用到计算机视觉，是该方向的重要研究者之一。公司以模型与产品双轮驱动，将CV领域的研究积累延展至商业落地。

• 任少卿（Momenta ）：引用量约 5.1 万，单篇平均引用约 0.19 万，关联公司 Momenta 估值约 140 亿美元。他代表了视觉研究者向复杂决策系统与自动驾驶迁移的一条典型路径。

• 李飞飞（World Labs）：引用量约 34.4 万，单篇平均引用约 0.26 万，World Labs估值约 50 亿美元。她正将长期积累的视觉与认知研究影响力，转化为空间智能方向的新公司叙事。

• 杨植麟（月之暗面）：引用量约 4.8 万，单篇平均引用约 0.05 万，估值已升至 180 亿美元左右。其学术背景与产品化能力的结合，使其成为新一代大模型创业者中最受关注的样本之一。

• 孙剑（旷视科技）：引用量约 74.2 万，论文产出规模极大，关联公司估值约 40 亿美元。他是中国视觉 AI 技术谱系中最重要的奠基者之一。

• 汤晓鸥 / 王晓刚 / 林达华（商汤科技）：三人引用量合计约 41.4 万，商汤估值约 100 亿美元。他们所代表的“实验室创业”模式，曾深刻影响中国计算机视觉公司的组织方式与扩张路径。

• 杨强（第四范式）：引用量约 16.5 万，关联公司估值约 25 亿美元。其在联邦学习与隐私计算方向上的研究积累，为企业级 AI 在金融与政务等场景中的落地提供了重要支撑。

• 闫俊杰（MiniMax）：引用量约 3.6 万。公司在上市后市值快速上升，显示出新一代 AI 创业竞争，已不再只是参数竞赛，也包括全球市场拓展、产品节奏与商业化效率。

• 朱军（生数科技）：引用量约 6.2 万，估值约 20 亿美元。他在概率模型、贝叶斯学习等方向的研究积累，正在被重新折算到视觉生成赛道之中。

• 谢赛宁（AMI ）：引用量约 10.2 万，作为 ResNeXt 和 DiT 的核心作者，他在视觉表征与生成式架构领域的学术贡献具有统治地位，与 LeCun 创业的公司 AMI 估值约 50 亿美元。

• 苏昊（Hillbot ）：引用量约 14.6 万，凭借 PointNet 系列在三维计算机视觉领域的开创性贡献，其学术影响力跨越了视觉与机器人学，公司估值约 20 亿美元。

一个直观的现象是，榜单前列的名字，几乎都在不同阶段，与产业世界发生了深度连接。

何恺明与孙剑，构成了计算机视觉时代最核心的一组技术锚点。他们的研究不仅长期占据引用高位，更重要的是，直接塑造了深度学习在视觉领域的基础架构与方法路径。

类似的逻辑，也出现在李飞飞的路径上。ImageNet 所开启的，不只是一个数据集，而是一整套关于“如何让机器理解视觉世界”的研究范式。因此，当她将研究重心延展到空间智能时，市场更容易给予提前定价。

而在更新一代的创业者中，这种“学术影响力—技术方向—公司估值”之间的关系，则呈现出另一种节奏。

这一轮以大模型为核心的浪潮，不再从单一场景切入，而是直接指向“通用能力”的构建。一旦技术路径成立，其影响往往不是线性扩展，而是快速外溢到多个行业与应用层级，带来更高的不确定性，也对应更大的想象空间。以 MiniMax、月之暗面为代表的新一代公司，在较短时间内获得的估值，已经全面超过了上一代深耕垂直场景的 AI 企业。

  MSRA 黄埔军校：从学术谱系到创业谱系

如果把视线从这份榜单继续拉远，会发现一个反复出现的坐标：微软亚洲研究院（MSRA）。

在中国 AI 创业史中，MSRA 的意义从来不只是培养了一批优秀研究者，更在于它以一种高度系统化的方式，塑造了中国 AI 人才最重要的一条技术谱系。许多后来改变行业格局的人物，无论是创业者还是技术领军者，都或多或少与这套谱系发生过深度连接。

这种影响力，与 MSRA 早期极强的研究共同体气质密切相关。孙剑曾长期被视为视觉计算方向最具代表性的导师型人物之一。何恺明在早期研究阶段与其紧密合作，两人共同完成的多项代表性成果，后来都成为视觉深度学习时代的重要基石。类似地，商汤科技背后的技术班底，也与 MSRA 视觉组存在清晰而深厚的师承关系。

若沿时间轴回看，这份名单某种程度上也记录了中国 AI 技术范式的几次关键转移。

最早一代，是以计算机视觉为核心的“看见世界”时代。汤晓鸥、孙剑、印奇、林达华等代表人物，推动中国 AI 在安防、金融、城市感知等场景中实现规模化落地。

随后，技术重心进一步转向复杂决策与物理世界交互。任少卿等研究者把视觉理解能力推进到自动驾驶等更高风险、更高复杂度的真实系统中。

而到了最近这一轮生成式 AI 浪潮，技术命题再次发生迁移。杨植麟、闫俊杰、曹越、朱军等新一代创业者，正在把竞争焦点从“识别世界”逐步推向“生成世界”与“理解世界”。

  技术复利：为什么高引学者型创始人往往更具韧性

当 2026 年的 AI 行业逐渐从“能力展示”走向“系统比拼”，一个更隐性的分化开始出现：一些公司在短时间内迅速起量，但也迅速被替代；而另一些团队，即便节奏未必最快，却始终能跟上甚至引领下一轮技术变化。

如果从结果倒推原因，这种差异往往不完全来自产品，而更多来自一种更底层的能力——技术复利。

所谓“技术复利”，并不是简单指技术越积累越多，而是指一种能力：团队是否能够在每一轮技术迭代中，把过去的积累转化为下一轮的起点，而不是被清零。

范式判断的能力

技术复利的第一层，是对范式变化的判断能力。

AI 行业的一个基本特征是：技术路径并不稳定。几年前还被视为主流的方法，可能在短时间内被完全替代。在这样的环境下，真正重要的并不是“是否每一步都做对”，而是是否能够在关键节点上，做出接近正确方向的选择。

高密度的学术背景，在这里往往提供一种优势：这些研究者习惯于在问题尚未被充分定义时工作。他们更熟悉如何在信息不完整的情况下建立假设、快速验证，并在失败中调整路径。

这种能力，使得团队在面对范式切换时，不至于完全依赖外部信号，而可以基于内部判断提前行动。

技术结构的认知

第二层复利，体现在技术结构本身。

许多早期 AI 产品的构建方式，更接近“功能叠加”：模型能力提升一点，产品体验就优化一点。但随着系统复杂度上升，这种方式开始失效。真正能够持续演进的团队，往往在更早阶段，就开始以“系统”为单位思考问题。

这意味着，他们在设计模型、数据管线、工具链与应用层时，并不是分别优化，而是试图构建一个可以持续自我更新的结构。

当新的技术出现时，这种结构可以被局部替换或重组，而不需要整体推倒重来。换句话说，技术不再是一次性的“成果”，而是一个不断演化的过程。

人才的号召力

第三层复利，来自人才。

在 AI 行业，顶级人才的作用被显著放大。但更关键的，并不是是否能招到个别明星工程师，而是团队是否具备“吸附人才”的能力。

这种能力，往往建立在两点之上：

一是清晰的技术问题。优秀研究者更愿意加入那些正在解决“真正困难问题”的团队，而不是仅仅追逐短期热点的公司。

二是稳定的方法论环境。当一个团队在技术路径、评估标准与协作方式上形成一致性时，新加入的成员可以迅速融入，而不需要从零开始建立认知。

在这种情况下，人才不只是被“招聘”进来，而更像是被某种研究氛围所吸引。这种吸引力，本身就是技术复利的一部分。

  寻找 AI 时代的价值锚点

当 AI 行业进入更深水区，评估一家公司，变得不再那么直接。

一些指标依然有效，但越来越多判断开始向前移动——去看那些尚未完全体现在结果中的部分：研究积累、问题意识，以及技术路径的选择。

引用量，某种程度上记录了一件事：一个人是否曾在过去的技术周期中，影响过研究共同体的方向；也隐约提示，在下一轮范式变化中，他是否仍可能参与规则的形成。

当算法逐渐成为产业结构的一部分，那些被高频引用的研究者，或许不仅是论文的作者，也是在变化尚未完全展开之前，值得被持续观察的一组坐标。