本文來自微信公眾號： 騰訊研究院 ，作者：王齊昂

誰也無法想到，ChatGPT迎來三周年之際，沒有慶祝和紀(jì)念，反而是內(nèi)部發(fā)布的一封紅色警報(bào)，再次敲響了人工智能競爭白熱化的戰(zhàn)鼓。在受到Gemini 3驚艷效果的威脅下，Open AI加速推出了GPT 5.2，用更多的資源，在多項(xiàng)指標(biāo)上實(shí)現(xiàn)了反超。但三年下來，各大模型之間的性能差距和范式差異持續(xù)縮小，業(yè)界出現(xiàn)不少質(zhì)疑的聲音，認(rèn)為大模型發(fā)展正面臨天花板。但也有很多人堅(jiān)定看好AGI的到來，產(chǎn)業(yè)充滿了更多的爭論和分化。

站在2025的年尾，回顧來時(shí)之路，從DeepSeek的火熱，到GPT4o后吉卜力動(dòng)畫的流行，Sora2的與山姆奧特曼同框，再到谷歌Nano Banana生圖的各種機(jī)器貓講解。有時(shí)似乎有恍如隔世之感，一項(xiàng)今年的技術(shù)，仿佛已是多年前的流行。

展望2026，我們不僅感受到對大模型智能瓶頸和投資回報(bào)不確定性的焦慮，看到更多的非共識，也看到大家的堅(jiān)守和信仰，以及有望在多個(gè)方向的突圍，更多的期待和探索正在撲面而來。

信仰

1.Scalling Law驅(qū)動(dòng)向AGI持續(xù)進(jìn)化

自ChatGPT橫空出世以來，業(yè)界主流都相信只要不斷增加算力、擴(kuò)充數(shù)據(jù)、堆疊參數(shù)，機(jī)器的智能就會像物理定律一樣增長，直至觸達(dá)AGI的奇點(diǎn)。

然而，隨著這兩年大模型智能的升級逐漸放緩，以及數(shù)據(jù)枯竭論等觀點(diǎn)，對規(guī)模法則的質(zhì)疑之聲越來越大。Scaling Law究竟是通往神壇的階梯，還是人類在數(shù)學(xué)和統(tǒng)計(jì)學(xué)迷宮中建造的一座注定無法封頂?shù)陌蛣e塔？對此，Gary Marcus認(rèn)為大模型并不真正理解世界，只是在巨量語料中擬合了語言相關(guān)性，而真正的智能應(yīng)包含抽象化、因果建模、符號推理與長期記憶。近日伊利亞在播客中表示，規(guī)模法則正在接近極限，強(qiáng)化學(xué)習(xí)雖然消耗巨大算力，但并不能算作真正的擴(kuò)展。未來的突破將來自更好的學(xué)習(xí)方式，而不是簡單擴(kuò)展規(guī)模。

伊利亞的觀點(diǎn)有其道理，因?yàn)檎嬲枰牟皇且?guī)模，而是解決問題的好方法。但是在底層架構(gòu)沒有突破性創(chuàng)新、訓(xùn)練方法沒有顛覆式變革的背景下，規(guī)模法則仍然是一條可行的路徑。從工程與產(chǎn)業(yè)邏輯看，Scaling Law依然是目前最可靠、最實(shí)用的一條增長路徑。其優(yōu)勢在于：第一，能力提升可預(yù)測，可通過增加訓(xùn)練FLOPs和優(yōu)化數(shù)據(jù)等方式，預(yù)測模型能力；第二，產(chǎn)業(yè)投入可評估，算力、算法、數(shù)據(jù)等要素可按線性擴(kuò)展；第三，人才與工程體系不必推翻重來，可在原架構(gòu)基礎(chǔ)上以工程化、優(yōu)化算法等方式不斷迭代。

11月以來Gemini 3發(fā)布后的上佳表現(xiàn)，DeepSeek V3.2的研究，都印證了規(guī)模法則在現(xiàn)階段依然有效。這也給美國轟轟烈烈的AI新基建，增添了一份底氣。美國當(dāng)前規(guī)劃建設(shè)的大型數(shù)據(jù)中心項(xiàng)目總裝機(jī)容量已突破45吉瓦（GW），這場建設(shè)熱潮預(yù)計(jì)將吸引超2.5萬億美元投資。針對未來算力需求，黃仁勛還提出了3個(gè)Scaling Law的觀點(diǎn)，認(rèn)為在預(yù)訓(xùn)練、后訓(xùn)練強(qiáng)化學(xué)習(xí)，以及推理過程中，均存在規(guī)模法則，從而支撐算力的持續(xù)增長。

黃仁勛在接受Bg2 Pod訪談中提出的AI Scaling Law

數(shù)據(jù)是當(dāng)前大模型進(jìn)化中最迫切的難題。因?yàn)樗懔翰粯?gòu)成主要瓶頸，參數(shù)規(guī)模可以繼續(xù)放大，而高質(zhì)量可用數(shù)據(jù)則持續(xù)稀缺。業(yè)界正在探索一套系統(tǒng)性的擴(kuò)數(shù)據(jù)方法。當(dāng)前大家一定程度的的共識是：并非簡單尋找更多互聯(lián)網(wǎng)語料，而是通過合成數(shù)據(jù)、推理過程數(shù)據(jù)、強(qiáng)化學(xué)習(xí)數(shù)據(jù)、環(huán)境反饋數(shù)據(jù)、多模態(tài)數(shù)據(jù)與具身數(shù)據(jù)等方式，構(gòu)建可放大的數(shù)據(jù)生成體系。希望不只是被動(dòng)收集數(shù)據(jù)，而是構(gòu)建一種可工程化、可控制、可規(guī)?；a(chǎn)的能力。并通過更好的學(xué)習(xí)算法，讓學(xué)習(xí)效率進(jìn)一步提升。

可預(yù)見的未來，將是New Scaling Law的時(shí)代，它將不僅僅是簡單的堆砌算力，而是往數(shù)量擴(kuò)大和質(zhì)量提升兩個(gè)方向擴(kuò)展。加之算力資源的充沛支持，研究員們可以有大量資源去探索算法和架構(gòu)的更多可能優(yōu)化路徑，從而有望帶來底層能力的突破。而AGI很可能來自scaling與結(jié)構(gòu)性創(chuàng)新的結(jié)合，包括世界模型、新的高效訓(xùn)練架構(gòu)、具身智能、長期記憶機(jī)制、工具化執(zhí)行鏈路以及更高水平的對齊系統(tǒng)等。

2.多模態(tài)的ChatGPT時(shí)刻到來，有望推動(dòng)智能非線性躍升

谷歌Gemini、OpenAI Sora等多模態(tài)模型，已經(jīng)可以很好地總結(jié)文字內(nèi)容，并提煉生成栩栩如生的PPT、播客內(nèi)容和視頻動(dòng)畫，實(shí)現(xiàn)了對內(nèi)容的深度理解，可以說是迎來了多模態(tài)的ChatGPT時(shí)刻。如果類比生命進(jìn)化過程，語言其實(shí)是高級的智能形態(tài)，而這一波的大模型的突破反而是從語言開始的，與生命進(jìn)化剛好走了相反的路線。未來，多模態(tài)技術(shù)的進(jìn)步，可以從另一個(gè)方向去探索智能的進(jìn)化，極有可能成為推動(dòng)AI智能水平出現(xiàn)非線性躍升的關(guān)鍵因素之一。

回顧生物進(jìn)化史可以發(fā)現(xiàn)，智能并不是突然出現(xiàn)的抽象能力，而是伴隨著感知與行動(dòng)系統(tǒng)復(fù)雜化逐步涌現(xiàn)的結(jié)果。其中，視覺的出現(xiàn)被廣泛認(rèn)為是一次關(guān)鍵性的分水嶺。在早期生命形態(tài)中，光敏細(xì)胞只能區(qū)分明暗，而成像視覺的出現(xiàn)，則使生物能夠識別空間結(jié)構(gòu)、物體邊界和運(yùn)動(dòng)關(guān)系。這一變化直接放大了生物可感知和可行動(dòng)的世界范圍，捕食與躲避行為的復(fù)雜度隨之急劇上升，神經(jīng)系統(tǒng)也被迫進(jìn)化出更強(qiáng)的處理與決策能力。從結(jié)果看，視覺并非只是增加了一種感覺，而是觸發(fā)了認(rèn)知能力和智能水平的階段性躍遷。

長期以來，大語言模型主要在文本空間中學(xué)習(xí)世界，其理解并非真正理解，其感知也并非真正感知，本質(zhì)上來源于語言對現(xiàn)實(shí)的高度壓縮與抽象。盡管這種方式已經(jīng)展現(xiàn)出驚人的語言推理與知識整合能力，但它始終面對一個(gè)根本性限制，即模型所接觸的世界，是經(jīng)過人類過濾、描述和重構(gòu)的二手世界。有一個(gè)生動(dòng)的比喻是：雖然大模型可以繪聲繪色地描述紅酒的香氣和味道，但大模型沒有喝過一口紅酒，也沒有打翻過一個(gè)酒杯。

多模態(tài)模型的進(jìn)步，有機(jī)會在一定程度上改變這一前提。圖像、視頻、語音等模態(tài)并非對世界的解釋，而是對世界狀態(tài)的直接投射。它們天然包含空間連續(xù)性、時(shí)間演化以及隱含的物理約束，如物體恒常性、遮擋關(guān)系、運(yùn)動(dòng)軌跡和因果順序等。這些信息在文本中難以被完整表達(dá)，卻在多模態(tài)數(shù)據(jù)中以被動(dòng)但強(qiáng)制的方式存在。模型在學(xué)習(xí)多模態(tài)時(shí)，不得不面對一個(gè)更加接近真實(shí)世界的結(jié)構(gòu)性約束空間，這為形成更穩(wěn)健的世界模型提供了可能。

更重要的是，多模態(tài)為人工智能打開了“感知—決策—行動(dòng)”閉環(huán)技術(shù)通道的可能性。當(dāng)多模態(tài)感知與工具使用、機(jī)器人控制、軟件操作相等結(jié)合時(shí)，智能將不再局限于回答問題、生成內(nèi)容，而可以在環(huán)境中嘗試、修正和規(guī)劃，從而通過反饋來持續(xù)優(yōu)化，實(shí)現(xiàn)智能的躍升。

3.研究探索在底層架構(gòu)和學(xué)習(xí)范式等領(lǐng)域多點(diǎn)開花

對大模型行業(yè)來說，研究驅(qū)動(dòng)一直是核心的范式。大量的實(shí)驗(yàn)在研發(fā)中必不可少，以小團(tuán)隊(duì)為單位開展多個(gè)方向的實(shí)驗(yàn)齊頭并進(jìn)，一直是OpenAI等前沿機(jī)構(gòu)的有效組織方式。這種有點(diǎn)賽馬機(jī)制的模式，對于大模型這個(gè)路線仍然不斷迭代變化的領(lǐng)域非常契合。預(yù)計(jì)新的一年，在底層架構(gòu)、訓(xùn)練范式、評測方法、長期記憶機(jī)制、Agent等多領(lǐng)域，都有望誕生更多突破性成果。

近兩年，全球涌現(xiàn)了一批非共識且極具技術(shù)個(gè)性的實(shí)驗(yàn)室。包括伊利亞主打安全的SSI，已吸引30億美金的投資，聚焦安全超智能；原OpenAI CTO Mira建立的Thinking Machines Lab，專注于解決AI系統(tǒng)可靠性、可定制性及多模態(tài)協(xié)作等問題，剛剛推出首款產(chǎn)品Tinker，可以幫助開發(fā)者和研究人員微調(diào)語言模型。在物理世界與智能體結(jié)合的方向上，李飛飛創(chuàng)立的World Labs專注于空間智能，旨在讓AI模型理解三維環(huán)境與物理規(guī)律，試圖填補(bǔ)大語言模型在物理交互層面的空白。楊立昆從Meta離職后，將投身專注高級機(jī)器智能的AI初創(chuàng)公司AMI，目標(biāo)是構(gòu)建能理解物理世界、具備持久記憶、推理并能規(guī)劃復(fù)雜動(dòng)作序列的系統(tǒng)。在智能體方向上，歐洲的H Company認(rèn)為，如果AI不能持續(xù)解決復(fù)雜現(xiàn)實(shí)問題，那么再流暢的對話能力也只是表象智能。重點(diǎn)研發(fā)能持續(xù)解決復(fù)雜任務(wù)的認(rèn)知系統(tǒng)，希望能打造能像人一樣操作工具、執(zhí)行復(fù)雜工作流的超級Agent。

在底層架構(gòu)與訓(xùn)練范式創(chuàng)新方面，行業(yè)內(nèi)也出現(xiàn)了很多值得期待的研究。日本的Sakana AI，是明確站在主流大模型Scaling Law路線對立面的一家實(shí)驗(yàn)室，由多位前Google DeepMind核心研究員創(chuàng)立，包括Transformer論文的主要作者之一的Llion Jones。他們推崇演化與群體智能，探索降低算力依賴的高效路徑。一是演化式模型（Evolutionary AI），不追求一次性訓(xùn)練出完美模型，而是通過變異、選擇和組合，讓模型在動(dòng)態(tài)過程中不斷進(jìn)化。二是群體智能與多模型協(xié)作，將多個(gè)能力互補(bǔ)、結(jié)構(gòu)不同的模型視為一個(gè)生態(tài)系統(tǒng)，通過協(xié)作而非單體最優(yōu)，產(chǎn)生更強(qiáng)的整體智能。具有麻省理工學(xué)院背景的Liquid AI則開發(fā)了液體神經(jīng)網(wǎng)絡(luò)架構(gòu)，是對神經(jīng)網(wǎng)絡(luò)應(yīng)當(dāng)如何運(yùn)作的一次底層重構(gòu)。他們認(rèn)為真正通用、魯棒的智能系統(tǒng)，應(yīng)該是隨環(huán)境而變的，而不是像現(xiàn)在的預(yù)訓(xùn)練是一次訓(xùn)練、終身凍結(jié)的。這正是液體一詞的含義，即網(wǎng)絡(luò)不是固態(tài)結(jié)構(gòu)，而是可連續(xù)演化的動(dòng)態(tài)系統(tǒng)。在長期記憶方面，谷歌提出了嵌套學(xué)習(xí)（Nested Learning）的概念，試圖從根源上解決災(zāi)難性遺忘的問題。就像人類的大腦，短期記憶（海馬體）和長期記憶（大腦皮層）協(xié)同工作。谷歌設(shè)計(jì)了一套快慢系統(tǒng)，模型內(nèi)部被設(shè)計(jì)成不同的功能，有的部分專門負(fù)責(zé)快速適應(yīng)當(dāng)前的新任務(wù)，有的部分則負(fù)責(zé)通過長期記憶來鞏固通用知識。

評測牽引日益成為驅(qū)動(dòng)大模型研發(fā)的重要范式。當(dāng)前，靜態(tài)刷榜導(dǎo)致的數(shù)據(jù)污染、人類標(biāo)注昂貴且難以擴(kuò)展、以及模型能力在某些維度上開始超越普通評估者，都給大模型評測帶來重大挑戰(zhàn)。行業(yè)內(nèi)正在探索更多新的評測方法，例如，在Agent與長期任務(wù)評測方面，學(xué)界和工業(yè)界正在圍繞Agent能力構(gòu)建需要跨多步、跨工具、跨狀態(tài)管理的評測體系。包括DeepMind的復(fù)雜任務(wù)規(guī)劃環(huán)境、OpenAI內(nèi)部的多工具協(xié)作任務(wù)、以及學(xué)術(shù)界的SWE-bench、WebArena、AgentBench等。這些評測不再關(guān)心模型是否答對一道題，而是能否在長時(shí)間尺度內(nèi)完成目標(biāo)、糾錯(cuò)、更新策略，真實(shí)暴露規(guī)劃與記憶短板。又如，動(dòng)態(tài)、交互式與仿真環(huán)境評測，代表性探索包括基于游戲、模擬世界或數(shù)字孿生環(huán)境的評測。模型的每一步?jīng)Q策都會改變后續(xù)狀態(tài)，錯(cuò)誤具有累積效應(yīng)。當(dāng)然，評測的挑戰(zhàn)也許是一個(gè)長期的難題，因?yàn)樵u測指標(biāo)本身容易陷入古德哈特定律的陷阱，即當(dāng)一個(gè)指標(biāo)成為目標(biāo)時(shí)，它就不再是一個(gè)好的指標(biāo)。

大模型評測體系框架示意

4.仿真數(shù)據(jù)將在物理AI上大放異彩

機(jī)器人的物理世界數(shù)據(jù)極其匱乏，尤其是復(fù)雜的靈巧操作，真機(jī)采集一條數(shù)據(jù)可能至少需要幾分鐘，成本在1-10美元；而仿真生成一條數(shù)據(jù)的邊際成本趨近于零，且能并行運(yùn)行數(shù)萬個(gè)實(shí)例。因此，在早中期研發(fā)、可控環(huán)境任務(wù)范圍內(nèi)，仿真數(shù)據(jù)將成為絕對主流，Sim-to-Real的鴻溝正在被生成式AI填平。

在規(guī)模與覆蓋面上，真機(jī)采集的瓶頸不是采不到，而是采得慢、采得貴、采得不夠廣。而仿真能把極端光照、遮擋、碰撞、稀有故障、不同摩擦、質(zhì)量、關(guān)節(jié)間隙等長尾場景以指數(shù)級的低成本優(yōu)勢覆蓋。在可控與可復(fù)現(xiàn)方面，物理AI研發(fā)需要嚴(yán)謹(jǐn)?shù)幕貧w測試和安全驗(yàn)證，而仿真能把變量鎖定，把問題定位從玄學(xué)變成可診斷的問題。在跨本體遷移上，現(xiàn)實(shí)數(shù)據(jù)常常綁死在某個(gè)硬件本體、某套傳感器與標(biāo)定上，而仿真則天然適合做多本體、多觀測、多動(dòng)作空間的統(tǒng)一生成與對齊，這一點(diǎn)在多機(jī)器人和多任務(wù)訓(xùn)練范式里尤為關(guān)鍵。對此，產(chǎn)學(xué)研界已經(jīng)有一些研究和實(shí)踐，如，上海人工智能實(shí)驗(yàn)室構(gòu)建的合成數(shù)據(jù)集InternData-A1，包含超過63萬條軌跡、總計(jì)7433小時(shí)數(shù)據(jù)，涵蓋4種具身形態(tài)、18項(xiàng)技能、70項(xiàng)任務(wù)及227個(gè)場景，涉及剛性、鉸接、可變形及流體物體的操控。采用與π0相同的架構(gòu)，完全在InternData-A1上預(yù)訓(xùn)練一個(gè)模型，發(fā)現(xiàn)該模型在49項(xiàng)仿真任務(wù)、5項(xiàng)真實(shí)世界任務(wù)以及4項(xiàng)長時(shí)程靈巧操作任務(wù)上的表現(xiàn)與官方π0模型相當(dāng)，驗(yàn)證了仿真數(shù)據(jù)的有效性。銀河通用發(fā)布了靈巧手功能性抓取合成大數(shù)據(jù)集——DexonomySi，包含超950萬條高質(zhì)量抓取姿態(tài)，覆蓋超1萬個(gè)物體、31種常用抓握類型，涵蓋人類抓握分類法中約94%的類型。依托這一數(shù)據(jù)范式，自研了面向零售行業(yè)的端到端具身大模型GroceryVLA，并實(shí)現(xiàn)了在復(fù)雜貨架上的機(jī)器人雙手自主取物。谷歌的Genie 3，讓模型學(xué)會預(yù)測下一幀會發(fā)生什么，為機(jī)器人和自動(dòng)駕駛汽車的訓(xùn)練提供了無限可能的模擬環(huán)境。

當(dāng)然，不可否認(rèn)，真機(jī)派的擔(dān)憂也是成立的：仿真永遠(yuǎn)會有建模誤差，如接觸、材料、軟體、磨損、傳感器時(shí)序與噪聲等，而且真實(shí)世界的意外組合也是無窮無盡。

因此，在物理AI的早中期研發(fā)中，仿真能夠以極低成本提供覆蓋長尾的多模態(tài)經(jīng)驗(yàn)，支撐策略成型、泛化訓(xùn)練與系統(tǒng)評測等，承擔(dān)90%以上的數(shù)據(jù)與驗(yàn)證工作。而真機(jī)數(shù)據(jù)則集中用于物理錨定、殘差校準(zhǔn)與產(chǎn)品級驗(yàn)收等。這一仿真主供給、真機(jī)強(qiáng)糾偏的范式，已經(jīng)從學(xué)術(shù)論文走向NVIDIA、DeepMind等公司的工業(yè)化實(shí)踐，仿真不再是演示工具，而正在成為物理AI的數(shù)據(jù)基礎(chǔ)設(shè)施。

5.AI4S有望出現(xiàn)變革行業(yè)的新突破

過去幾年，AI for Science（AI4S）最具象征意義的成果無疑是AlphaFold。它在蛋白質(zhì)結(jié)構(gòu)預(yù)測上的突破，讓人們對基礎(chǔ)學(xué)科研究范式的重塑充滿希望。但與此同時(shí)，一個(gè)普遍的質(zhì)疑也隨之而來：這些突破離產(chǎn)業(yè)仍然太遠(yuǎn)。從藥物研發(fā)到材料工程，現(xiàn)實(shí)世界的研發(fā)周期、驗(yàn)證成本和組織復(fù)雜度，并未因?yàn)槟骋粋€(gè)模型而發(fā)生根本性改變。

那么，2026年是否會成為一個(gè)轉(zhuǎn)折點(diǎn)？答案并非簡單的是或否。但從科研前沿、產(chǎn)業(yè)實(shí)踐和國家政策三條線索同時(shí)觀察，一個(gè)清晰的信號正在浮現(xiàn)：AI for Science正在從模型驅(qū)動(dòng)的學(xué)術(shù)突破，轉(zhuǎn)向系統(tǒng)工程化的科研生產(chǎn)力。這類轉(zhuǎn)變，可能是行業(yè)被真正改變的前兆。

AI for Science遲遲難以影響產(chǎn)業(yè)，核心障礙并不在預(yù)測不夠準(zhǔn)，而在驗(yàn)證太貴、太慢，以及太難復(fù)制。正因如此，一個(gè)極具信號意義的變化正在發(fā)生，AI正在被直接嵌入實(shí)驗(yàn)系統(tǒng)本身。谷歌DeepMind將于2026年在英國建立基于AI的自動(dòng)化科研實(shí)驗(yàn)室，首批研究方向包括超導(dǎo)體、半導(dǎo)體材料等關(guān)鍵科學(xué)領(lǐng)域，這是AI Science從算法走向?qū)嶒?yàn)物理試驗(yàn)平臺的重要標(biāo)志。實(shí)驗(yàn)室并非簡單的讓機(jī)器人做實(shí)驗(yàn)，而是AI負(fù)責(zé)假設(shè)生成與實(shí)驗(yàn)編排、機(jī)器人系統(tǒng)執(zhí)行實(shí)驗(yàn)、數(shù)據(jù)自動(dòng)回流，用于模型更新和策略優(yōu)化，整個(gè)流程形成可復(fù)現(xiàn)、可規(guī)?；拈]環(huán)。這一步的意義在于，它第一次讓AI4S從建議者變成執(zhí)行者，打通實(shí)驗(yàn)閉環(huán)，讓材料科學(xué)、化學(xué)工程和藥物篩選等領(lǐng)域，具備了被真正加速、甚至被重構(gòu)的條件。

AI與人工研發(fā)的各階段差異

《AI-Driven Automation Can Become the Foundation of Next-Era Science of Science Research》

另一個(gè)不可忽視的變化，來自國家層面。美國在近期明確將AI for Science上升為國家戰(zhàn)略重點(diǎn)，特朗普政府在2025年底簽署了《啟動(dòng)創(chuàng)世紀(jì)任務(wù)》行政令，該計(jì)劃由美國能源部（DOE）牽頭，目標(biāo)是建立全國性的AI科學(xué)平臺，通過整合聯(lián)邦科研數(shù)據(jù)、超算資源和AI模型，實(shí)現(xiàn)科學(xué)研究的加速和跨學(xué)科突破。該計(jì)劃聚焦先進(jìn)制造業(yè)、生物技術(shù)、關(guān)鍵材料、核裂變與核聚變能源、量子信息科學(xué)、半導(dǎo)體與微電子領(lǐng)域。這將有望打通美國聯(lián)邦政府幾十年積累的龐大科學(xué)數(shù)據(jù)集，包括能源、生物、核物理等內(nèi)部絕密數(shù)據(jù)，并將其與國家實(shí)驗(yàn)室的超算資源結(jié)合，專門用于訓(xùn)練科學(xué)基礎(chǔ)模型。這意味獲得許可的美國本土企業(yè)可能首次獲得海量的高質(zhì)量科學(xué)數(shù)據(jù)來訓(xùn)練模型，解決了AI4S高質(zhì)量數(shù)據(jù)匱乏的最大痛點(diǎn)。

如果說2026年的AI4S可以大規(guī)模商業(yè)落地、具有清晰的ROI、全面替代現(xiàn)有研發(fā)模式，那么大概率還為時(shí)尚早。但如果定義為某些領(lǐng)域的研發(fā)周期可能出現(xiàn)數(shù)量級壓縮、自動(dòng)化實(shí)驗(yàn)與AI workflow成為頭部機(jī)構(gòu)的標(biāo)準(zhǔn)配置、科研組織開始圍繞AI agents重構(gòu)分工，那么2026年很可能正是這一轉(zhuǎn)折開始顯現(xiàn)的年份。

突圍

1.模應(yīng)一體推動(dòng)AI網(wǎng)絡(luò)效應(yīng)，智聯(lián)網(wǎng)雛形初顯

在過去的互聯(lián)網(wǎng)發(fā)展敘事中，幾乎都遵循著同一條路徑，從用戶規(guī)模擴(kuò)大到網(wǎng)絡(luò)價(jià)值上升，再到粘性增強(qiáng)和形成壁壘，搜索、電商、社交和短視頻等，無一例外。然而，令人意外的是，自2022年大模型能力實(shí)現(xiàn)躍遷以來，盡管AI的智能突飛猛進(jìn)，但類似移動(dòng)互聯(lián)網(wǎng)時(shí)代的網(wǎng)絡(luò)效應(yīng)始終沒有真正出現(xiàn)。用ChatGPT的人更多了，已經(jīng)達(dá)到接近10億周活，但模型并不會因此自動(dòng)變得更強(qiáng)，而且用戶之間的連接關(guān)系很弱，并沒有形成類似電商的供給和需求的雙邊網(wǎng)絡(luò)，或社交網(wǎng)絡(luò)那樣的壁壘。這構(gòu)成了AI時(shí)代的一個(gè)難題，AI能力已經(jīng)很強(qiáng)，但平臺效應(yīng)極弱，梅特卡夫定律在大模型領(lǐng)域尚未見效。

在“裸模型”階段，大模型本身并不具備孕育網(wǎng)絡(luò)效應(yīng)的天然條件。傳統(tǒng)互聯(lián)網(wǎng)產(chǎn)品之所以能夠形成網(wǎng)絡(luò)效應(yīng)，本質(zhì)上依賴于使用行為本身就是反饋和優(yōu)化的信號。但大模型完全不同，絕大多數(shù)用戶與模型的交互是一次性的、私有的，既不能直接回流訓(xùn)練，也難以在不同用戶之間復(fù)用。即便可以收集部分?jǐn)?shù)據(jù)，也必須面對隱私、版權(quán)、分布偏移與對齊風(fēng)險(xiǎn)等復(fù)雜問題。更深一層的原因在于，大模型當(dāng)前創(chuàng)造的價(jià)值，主要來源于模型對個(gè)體的能力提升，而不是用戶之間的關(guān)系密度。大模型很強(qiáng)，但它解決的是幫人做好一件事情，而不是用戶之間是否因?yàn)檫@個(gè)系統(tǒng)產(chǎn)生新的協(xié)作、交易或社會連接。在這種結(jié)構(gòu)下，AI是生產(chǎn)力工具，還不是平臺。

正是在這樣的背景下，模型與應(yīng)用一體化是可能的破局點(diǎn)。當(dāng)模型開始擁有穩(wěn)定身份、長期記憶，并持續(xù)參與用戶的工作、決策與協(xié)作過程時(shí)，AI才第一次具備了成為平臺的能力。這種延伸正在向2個(gè)方向展開：

一是模型接入更多的應(yīng)用，更像是現(xiàn)在的互聯(lián)網(wǎng)平臺的形態(tài)，更多是+AI的功能。典型如GPT最新推出的智能購物功能，通過詢問用戶的需求和喜好，結(jié)合用戶歷史對話，嵌入了商品推薦和電商導(dǎo)流。目前的初步探索更像是一個(gè)研究型購物的體驗(yàn)，尚無法滿足用戶逛的需求。還有GPT推出的群聊功能，也是希望團(tuán)隊(duì)可以在一個(gè)對話內(nèi)持續(xù)積累知識沉淀，加強(qiáng)協(xié)作聯(lián)系。再有就是Sora2在視頻社交方面的嘗試，一度網(wǎng)絡(luò)上出現(xiàn)了大量跟山姆奧特曼互動(dòng)的視頻。雖然后續(xù)留存數(shù)據(jù)不好，但其推出的Cameo個(gè)人數(shù)字形象功能，允許用戶創(chuàng)建自己的數(shù)字分身并和好友一起出演視頻，也是希望由此建立起社交關(guān)系鏈和用戶畫像體系。

另一種則可能是更具顛覆式的智聯(lián)網(wǎng)新形態(tài)，是AI+。目前很多大模型內(nèi)置的Agent和開發(fā)平臺，是這個(gè)模式的雛形，但還遠(yuǎn)不止于此。當(dāng)每個(gè)個(gè)人、團(tuán)隊(duì)乃至組織都擁有自己的Agent，這些Agent可以彼此調(diào)用、分工、協(xié)作，網(wǎng)絡(luò)的基本節(jié)點(diǎn)就不再只是人，而更多是具備行動(dòng)能力的智能體。隨著使用規(guī)模擴(kuò)大，Agent網(wǎng)絡(luò)中可調(diào)用的能力、工具和經(jīng)驗(yàn)不斷豐富，單個(gè)Agent的實(shí)際效能也隨之提升。這種用得越多，整體越強(qiáng)的正反饋，可能會是AI時(shí)代最原生的網(wǎng)絡(luò)效應(yīng)。

未來的Agent網(wǎng)絡(luò)效應(yīng)會出現(xiàn)多種形式，一是交易型網(wǎng)絡(luò)，這可能是Agent協(xié)作的新雙邊市場，當(dāng)用戶的私人助理Agent接收到預(yù)訂去深圳的出差行程指令時(shí)，它不會去下載攜程App，而是直接在云端呼叫差旅平臺的票務(wù)Agent、酒店的預(yù)訂Agent以及網(wǎng)約車的出行Agent。在供給端，接入該協(xié)議標(biāo)準(zhǔn)的服務(wù)型Agent越多，用戶Agent能解決的問題就越復(fù)雜、越閉環(huán)，體驗(yàn)越好。在需求端，擁有私人Agent的用戶基數(shù)越大，服務(wù)商就會開發(fā)出更多的服務(wù)型Agent接入該網(wǎng)絡(luò)，從而形成新的AI雙邊市場。二是知識型網(wǎng)絡(luò)，假設(shè)一名資深工程師教會了模型處理一種復(fù)雜問題并形成技能，這一技能可以經(jīng)過脫敏處理，發(fā)布在模型的技能庫中。下一秒，地球另一端的另一位工程師遇到同樣問題時(shí)，模型就能立刻調(diào)用這一技能。用戶越多，模型處理過的長尾場景越多，模型的技能經(jīng)驗(yàn)值就越高。這種由千萬用戶在真實(shí)場景中打磨出的隱性知識庫，會讓大模型越用越聰明，并構(gòu)建極高的數(shù)據(jù)和經(jīng)驗(yàn)壁壘。三是工作流型網(wǎng)絡(luò)。復(fù)雜任務(wù)一旦被反復(fù)執(zhí)行，就會被不斷拆解、模塊化和標(biāo)準(zhǔn)化，最終形成成熟的AI工作流。當(dāng)這些流程被更多人使用，它們本身就會變得更加可靠、高效，新用戶的進(jìn)入門檻也會隨之降低。網(wǎng)絡(luò)效應(yīng)不再體現(xiàn)在人多熱鬧，而體現(xiàn)在生產(chǎn)范式的持續(xù)進(jìn)化。在此基礎(chǔ)上，多邊市場形態(tài)也會逐漸浮現(xiàn)。用戶、專業(yè)Agent、工具、數(shù)據(jù)與知識源，共同構(gòu)成一個(gè)由模型統(tǒng)一調(diào)度的復(fù)雜網(wǎng)絡(luò)。以智能購物為例，AI不再只是推薦商品，而是貫穿選品、比價(jià)、談判、定制和供應(yīng)鏈反饋的完整鏈條，甚至反向影響供給結(jié)構(gòu)。這類網(wǎng)絡(luò)的價(jià)值，不在于單次交易，而在于系統(tǒng)性優(yōu)化。四是社交型網(wǎng)絡(luò)。AI不再只是群聊里的一個(gè)被動(dòng)@的對象，而是成為社交網(wǎng)絡(luò)的超級連接器。比如在一個(gè)大的集團(tuán)企業(yè)中，AI持續(xù)分析組織內(nèi)的文檔和項(xiàng)目進(jìn)度。當(dāng)員工A提出一個(gè)難題時(shí)，AI能主動(dòng)介入@A，“雖然我不知道答案，但我檢測到群里的B可能了解這個(gè)問題，建議你們溝通”。這時(shí)可以啟動(dòng)跟B的Agent溝通，來獲取授權(quán)的信息，或者直接找到B來溝通，擴(kuò)大協(xié)作網(wǎng)絡(luò)。

模型與應(yīng)用一體化的真正意義，很可能不是做一個(gè)超級App，而是構(gòu)建一個(gè)以模型為認(rèn)知核心、以應(yīng)用為關(guān)系容器、以Agent為基本節(jié)點(diǎn)的智能網(wǎng)絡(luò)，這才是AI時(shí)代可能出現(xiàn)的新型平臺。

大模型的潛在網(wǎng)絡(luò)效應(yīng)

2.邁入個(gè)性化軟件的新時(shí)代

當(dāng)AI Coding逼近普適生產(chǎn)力之后，軟件不再是一種工業(yè)化產(chǎn)品，而將變成高度個(gè)性化、情境化、即時(shí)化的工具形態(tài)。

AI界的大V安德烈·卡帕斯關(guān)于軟件3.0時(shí)代的論斷，揭示了軟件開發(fā)正在經(jīng)歷1940年軟件1.0以來最深刻的范式轉(zhuǎn)移。今年3月，Anthropic首席執(zhí)行官Dario Amodei表示，未來3到6個(gè)月，AI將編寫90%的代碼，而在12個(gè)月內(nèi)，幾乎所有的代碼都可能由AI編寫。美團(tuán)創(chuàng)始人王興曾披露，美團(tuán)內(nèi)部已有52%的代碼由AI生成。公司90%的工程師已頻繁使用AI工具，部分團(tuán)隊(duì)甚至依賴AI完成90%以上的代碼編寫。騰訊發(fā)布的《2025騰訊研發(fā)大數(shù)據(jù)報(bào)告》透露，騰訊月均新增代碼3.25億行，每月完成需求37萬個(gè)，構(gòu)建交付2520萬次。超過90%的騰訊工程師使用AI編程助手CodeBuddy輔助編程，50%的新增代碼由AI輔助生成。

Anthropic的工程師和研究人員最常使用Claude來修復(fù)代碼錯(cuò)誤和了解代碼庫

軟件生產(chǎn)的核心瓶頸從編碼能力轉(zhuǎn)移到了問題定義能力，自然語言、示例、上下文描述，正在成為主要的編程接口，甚至出現(xiàn)了vibe coder的新稱謂。軟件不再是專業(yè)工程師的專屬產(chǎn)物，而是一種可隨需生成的表達(dá)介質(zhì)，就像PPT、Excel、Notion頁面一樣。

編程供給側(cè)的充裕將徹底激活需求側(cè)的長尾市場。由于構(gòu)建軟件應(yīng)用的成本極低，軟件將具備千人千面的生成能力，真正實(shí)現(xiàn)從人適應(yīng)軟件到軟件適應(yīng)人的范式轉(zhuǎn)移，軟件個(gè)性化和情景化成為可能。

這種轉(zhuǎn)變意味著，那些曾經(jīng)因?yàn)槭袌鲆?guī)模過小而無法被商業(yè)軟件覆蓋的細(xì)碎需求，將迎來專屬的解決方案。一個(gè)人可以根據(jù)他的個(gè)人購物習(xí)慣生成的家庭物品和購買管理工具，還可以為自己定制一個(gè)每天自動(dòng)匯總特定信息的應(yīng)用；一名備考的學(xué)生可以獲得一個(gè)針對其薄弱知識點(diǎn)定制的互動(dòng)復(fù)習(xí)系統(tǒng)；一個(gè)活動(dòng)組織者可以為一次講座臨時(shí)做一個(gè)報(bào)名和統(tǒng)計(jì)系統(tǒng)；一位裝修業(yè)主可以生成一個(gè)的報(bào)價(jià)比對工具，瞬間拉齊5家公司不同格式的報(bào)價(jià)單并精準(zhǔn)識別隱形差價(jià)。一位骨折康復(fù)者可以生成一款體感小游戲，將枯燥的術(shù)后復(fù)健動(dòng)作轉(zhuǎn)化為操控飛船避障的趣味互動(dòng)。

一部分新生成的工具，因?yàn)榻鉀Q的是很多人都會遇到的問題，會自然地被分享、復(fù)用，甚至形成小規(guī)模的生態(tài)。包括Hugging Face Spaces上大量由個(gè)人搭建的小應(yīng)用，Chrome插件中越來越多功能很小，但很有用的工具，其實(shí)都是這種微軟件的思想。只是之前門檻太高，人們只有需求，而缺乏軟件編程能力。

在Vibe Coding的幫助下，我們正在進(jìn)入一個(gè)軟件平權(quán)的新階段。在未來，編寫軟件會像寫文章、發(fā)朋友圈一樣簡單自然。軟件將成為人類表達(dá)思想、解決問題、感知世界的一種基本媒介。在這個(gè)新時(shí)代，核心競爭力不再是掌握復(fù)雜的語法或架構(gòu)模式，而是對他人的共情能力、對問題的定義能力，甚至是天馬行空的想象力。

3.行業(yè)落地從探索試錯(cuò)到性價(jià)比和ROI驗(yàn)證

過去兩年，AI在各行業(yè)的落地經(jīng)歷了一次明顯的階段躍遷。從早期的概念驗(yàn)證（PoC）和零散試點(diǎn)，逐步進(jìn)入核心業(yè)務(wù)流程與一線生產(chǎn)系統(tǒng)。與此同時(shí)，一個(gè)變化也在同步發(fā)生。企業(yè)和投資人對AI的關(guān)注點(diǎn)，正在從技術(shù)是否先進(jìn)，迅速轉(zhuǎn)向是否真正創(chuàng)造了可衡量的業(yè)務(wù)價(jià)值。ROI（投資回報(bào)率）與性價(jià)比，正在成為AI行業(yè)應(yīng)用的第一性問題。

麥肯錫最新的《2025年AI現(xiàn)狀報(bào)告》揭示，更多企業(yè)開始使用AI，但真正的規(guī)模化部署依然稀少。至少在一個(gè)職能中常態(tài)化使用AI的企業(yè)比例，從去年的78%上升至88%。但在企業(yè)層面，多數(shù)機(jī)構(gòu)仍停留在探索或試點(diǎn)階段，多數(shù)企業(yè)尚未將其深度嵌入工作流和業(yè)務(wù)流程，距離釋放企業(yè)級價(jià)值仍有不小差距，AI改善整體利潤的案例仍較少見，AI高績效企業(yè)僅6%。

麥肯錫調(diào)研：在各職能中，智能體應(yīng)用進(jìn)入規(guī)?；A段的受訪者比例均未超過10%

OpenAI近日發(fā)布的企業(yè)級AI現(xiàn)狀報(bào)告?，對近100家企業(yè)的9000名員工開展調(diào)研后發(fā)現(xiàn)，過去一年，ChatGPT Enterprise的每周消息量增加了約8倍，員工人均消息發(fā)送量提升了30%，組織平均推理token消耗量增長約320倍。75%的員工表示在工作中使用AI提升了工作速度或產(chǎn)出質(zhì)量。員工表示平均每日節(jié)省40–60分鐘，而重度用戶每周可節(jié)省超過10小時(shí)。這些數(shù)據(jù)雖然展示了使用量的增長，卻也反映了一個(gè)現(xiàn)實(shí)，未來還需要更多有力的數(shù)據(jù)，來說明AI創(chuàng)造的經(jīng)濟(jì)效益。

背后的原因，企業(yè)在早期部署階段，AI更多以Copilot的形態(tài)存在，承擔(dān)的是信息檢索、文本生成、簡單問答等邊緣性任務(wù)。這類應(yīng)用的特點(diǎn)是部署快、風(fēng)險(xiǎn)低，但對組織整體效率和成本結(jié)構(gòu)的影響有限，因此也很難形成清晰的價(jià)值閉環(huán)。而當(dāng)前正在發(fā)生的積極變化是，AI開始逐步深入行業(yè)流程的中后段。下一步，可驗(yàn)證的收益會發(fā)生在生產(chǎn)效率提升、客戶響應(yīng)速度加快、營銷指標(biāo)改善、研發(fā)生產(chǎn)力提高等方面，未來潛在的深度收益將來自流程再造、智能體協(xié)同、個(gè)性化服務(wù)、預(yù)測決策與供應(yīng)鏈智能化等領(lǐng)域。

由此，我們正在告別以工時(shí)為單位的生產(chǎn)力時(shí)代，邁向以決策為單位的創(chuàng)造力時(shí)代。當(dāng)AI應(yīng)用進(jìn)一步深入，未來的最小作戰(zhàn)單元，可能就是一個(gè)擁有深厚行業(yè)Know-how的人類專家，帶著十幾個(gè)硅基數(shù)字員工，像一家微型公司一樣獨(dú)立交付結(jié)果。當(dāng)“一個(gè)人+N個(gè)智能體”成為工作新常態(tài)，企業(yè)的管理邏輯、績效考核甚至人才定義，都面臨著前所未有的重構(gòu)。管理的對象，從人變成了人和機(jī)器共同構(gòu)成的生產(chǎn)系統(tǒng)。傳統(tǒng)以工時(shí)、過程、層級為核心的管理邏輯，將逐步失效。取而代之的是以結(jié)果交付、質(zhì)量穩(wěn)定性和風(fēng)險(xiǎn)控制為中心的新范式。

4.AI眼鏡有望迎來千萬臺終端的臨界點(diǎn)

在消費(fèi)電子的歷史長河中，1000萬臺從來不是一個(gè)簡單的數(shù)字，而是一道劃分極客玩具與大眾消費(fèi)品的命運(yùn)分水嶺。如今，目光聚焦到了AI眼鏡身上。隨著Meta Ray-Ban等頭部產(chǎn)品的銷量激增，權(quán)威機(jī)構(gòu)預(yù)測2026年單品牌有望沖擊1000萬臺出貨量。值得期待的還有谷歌XR生態(tài)，包括三星Galaxy XR、中國的XREAL的Project Aura等，將以安卓+Gemini的組合拳，推進(jìn)安卓XR生態(tài)的進(jìn)化。巴克萊研究的分析師預(yù)測，AI智能眼鏡這一新興產(chǎn)業(yè)將在不久的將來帶來顛覆性變革，預(yù)計(jì)2035年的銷量將達(dá)到6000萬副。雷朋眼鏡制造商依視路公司也于近期表示，將提前實(shí)施年產(chǎn)能1000萬件可穿戴設(shè)備的生產(chǎn)計(jì)劃，以滿足超出預(yù)期的強(qiáng)勁需求。這不僅意味著硬件形態(tài)的成熟，更預(yù)示著繼PC、手機(jī)之后，有望迎來第三次計(jì)算平臺的遷徙——從指尖互聯(lián)走向感官互聯(lián)。

硬件做減法是這一波AI眼鏡成功的關(guān)鍵，過去的AR和VR眼鏡一定程度上陷入了必須有完美屏幕的誤區(qū)，導(dǎo)致產(chǎn)品重達(dá)數(shù)百克且續(xù)航僅1-2小時(shí)，用戶無法全天佩戴。Meta的成功在于它敏銳地捕捉到了當(dāng)前的甜蜜點(diǎn)，放棄高成本的顯示模組，成功將重量控制在接近普通眼鏡的50g以內(nèi)，并結(jié)合大模型的多模態(tài)能力，讓眼鏡首先成為一個(gè)合格的穿戴設(shè)備和拍照攝像設(shè)備，其次才是一個(gè)計(jì)算設(shè)備。這種無屏勝有屏的策略，極大地降低了制造難度和用戶購買門檻。

當(dāng)AI眼鏡成為新入口，軟件生態(tài)將可能發(fā)生翻天覆地的變化。在手機(jī)上，我們的操作邏輯是以應(yīng)用為中心，而在眼鏡上的操作邏輯將轉(zhuǎn)變?yōu)橐砸鈭D為中心。用戶只需發(fā)出指令，如幫我叫車回家，眼鏡背后的Agent將自動(dòng)調(diào)用底層網(wǎng)約車服務(wù)接口完成服務(wù)。這意味著，圖形用戶界面（GUI）將退居二線，自然語言交互和多模態(tài)感知將成為主導(dǎo)。技能商店可能會取代應(yīng)用商店，未來的開發(fā)者不再是開發(fā)一個(gè)獨(dú)立的App，而是開發(fā)一個(gè)個(gè)技能插件（Skill）。如，星巴克不再需要開發(fā)眼鏡版App，只需提供一個(gè)點(diǎn)單Skill給通用的AI助理調(diào)用。眼鏡擁有的攝像頭將產(chǎn)生海量的前所未有的數(shù)據(jù)，用戶看到了什么、關(guān)注了什么都可以數(shù)字化。這些數(shù)據(jù)一方面可以為機(jī)器人和空間智能研發(fā)提供海量的第一視角訓(xùn)練數(shù)據(jù)；另一方面，可能催生全新的推薦算法和廣告模式，如當(dāng)你盯著一家餐廳招牌超過3秒，眼鏡便會顯示大眾點(diǎn)評的評分標(biāo)簽。當(dāng)然，在AI眼鏡領(lǐng)域，個(gè)人隱私和脫敏，以及相關(guān)的法律和倫理規(guī)范約束將更為重要。

或許借由AI眼鏡，我們可以告別低頭族，通過一副輕便的眼鏡，將強(qiáng)大的AI算力戴在身上。這不僅是硬件形態(tài)的革命，更可能是人類生活方式的回歸，讓科技退回到背景之中，這將讓人們重新抬起頭，更加關(guān)注真實(shí)的世界，同時(shí)擁有更強(qiáng)的感知和智能。

5.AI安全和負(fù)責(zé)任成為模型研發(fā)和應(yīng)用必選項(xiàng)

AI能力的提升以及AGI目標(biāo)的日益逼近，讓安全成為更多人關(guān)注的重點(diǎn)，從最為夸張的AI毀滅人類，到日常應(yīng)用中的倫理和價(jià)值等問題，全社會對AI安全的關(guān)注度日益提升。根據(jù)墨爾本大學(xué)與畢馬威聯(lián)合發(fā)布的《人工智能信任度、態(tài)度與應(yīng)用：2025全球研究報(bào)告》對47個(gè)國家的48000人的調(diào)研顯示：盡管66%受訪者已經(jīng)在經(jīng)常使用AI，但超半數(shù)（58%）仍認(rèn)為其不可信賴。相比2022年ChatGPT發(fā)布前在17國開展的同類研究，如今的AI普及率已顯著提升，但公眾信任度反而呈現(xiàn)下降趨勢，且憂慮情緒隨之上升。

畢馬威調(diào)研“Trust and acceptance of AI systems”

在此背景下，AI安全技術(shù)的研發(fā)和相關(guān)規(guī)則的建立就顯得更為重要，2個(gè)關(guān)鍵詞或許會勾勒出明年的重點(diǎn)：安全算力與AI治理委員會。

安全算力：AI安全相關(guān)技術(shù)成為業(yè)界熱點(diǎn)，將有超過10%的算力投入到安全領(lǐng)域。這里的安全主要涵蓋安全評估、對齊實(shí)驗(yàn)、紅隊(duì)測試等，與純能力提升的預(yù)訓(xùn)練、微調(diào)和后訓(xùn)練強(qiáng)化學(xué)習(xí)等區(qū)分開來。兩年前，OpenAI就曾經(jīng)宣布成立Superalignment團(tuán)隊(duì)，明確表示將在未來四年內(nèi)，將其算力的20%用于超級智能對齊研究。但山姆奧特曼并未信守承諾，這也是導(dǎo)致伊利亞出走的重要原因之一。而伊利亞成立的新公司名為SSI（Safe Superintelligence），核心就是著眼于對超人工智能安全的研究，兩年來已融資30億美金，估值320億美元。不少安全研究者主張，隨著能力增長，應(yīng)當(dāng)維持一個(gè)恒定且足夠高的算力份額長期投入安全研究、監(jiān)測和緩解安全問題，而不是能力上去了再補(bǔ)安全。美國與歐盟的法規(guī)提案都把高風(fēng)險(xiǎn)模型的系統(tǒng)性測試、評估和監(jiān)控寫進(jìn)了強(qiáng)制義務(wù)，這也隱含著安全算力將形成剛性成本。而且，隨著模型越來越具備長程任務(wù)能力，安全評估不再是跑幾個(gè)benchmark，而要跑多步agent任務(wù)、模擬長期行為等，這對算力需求將是指數(shù)級放大的。

AI治理委員會：越來越多的企業(yè)會建立類似AI安全和倫理委員會的機(jī)構(gòu)。這個(gè)機(jī)構(gòu)不再是一個(gè)簡單的研究和對外宣傳、溝通的組織，而是深度嵌入到從基礎(chǔ)大模型到AI產(chǎn)品研發(fā)的全流程。很多大公司都已經(jīng)建立起了相對完整的安全機(jī)制：如Google DeepMind內(nèi)部有專門的Responsibility&Safety團(tuán)隊(duì)，參與從模型訓(xùn)練到評估部署的全過程，在模型訓(xùn)練前設(shè)定能力邊界，評估生物安全、網(wǎng)絡(luò)攻擊等方面的危險(xiǎn)能力。在訓(xùn)練后，還要對模型進(jìn)行系統(tǒng)性紅隊(duì)測試和安全評估，評估結(jié)果達(dá)標(biāo)的，才能上線到Gemini、AI搜索等產(chǎn)品。微軟早在2017年就成立了倫理委員會Aether Committee，涵蓋安全、偏見、公平、可靠性、人機(jī)交互等領(lǐng)域，其結(jié)論會被納入微軟工程體系的必選流程，如Office、Copilot、Azure AI等。Anthropic則成立了長期利益信托(LTBT)機(jī)制，是由5位財(cái)務(wù)中立成員構(gòu)成的獨(dú)立機(jī)構(gòu)，旨在確保公司治理始終與研發(fā)并維護(hù)先進(jìn)AI系統(tǒng)，持久造福人類的使命一致。Anthropic致力于推動(dòng)Constitutional AI（憲法AI），將安全直接嵌入到訓(xùn)練數(shù)據(jù)和獎(jiǎng)勵(lì)模型中。

AI安全與負(fù)責(zé)任已經(jīng)不再是附加在模型研發(fā)和應(yīng)用之上的道德選項(xiàng)，而是正在演變?yōu)榕c算力、算法、數(shù)據(jù)同等重要的基礎(chǔ)性要素。一方面，公眾信任度的下降與憂慮情緒的上升，正在反向塑造技術(shù)路線和商業(yè)決策。沒有可信安全機(jī)制的模型，將難以進(jìn)入關(guān)鍵行業(yè)和主流市場。另一方面，監(jiān)管框架的逐步成型，將使安全評估、對齊實(shí)驗(yàn)和持續(xù)監(jiān)控從最佳實(shí)踐變成準(zhǔn)入門檻。在這樣的背景下，安全算力和AI治理委員會并非短期應(yīng)對輿論或監(jiān)管的權(quán)宜之計(jì)，而是大模型時(shí)代的長期制度安排。

*特別致謝騰訊研究院產(chǎn)業(yè)研究中心多位同學(xué)的討論和啟發(fā)