我们相信 26 年会是多模态技术的大年，其中视频生成会快速进步让应用大规模落地，而世界模型 则会有研究上的科学突破，甚至开始从 research 走向 production。 在相当长的一段时间内， World Model 这一概念始终处于较为混沌的状态；直到近半年，随着技术 路径逐渐收敛，尤其是在具身智能与真实交互场景中出现了初步落地的案例，世界模型的轮廓开始 变得清晰。 作者：Cage、Haozhen 如果和语言模型对比：语言模型解决的是语义层面的压缩和推理，预测下一个 token；世界模型是 在解决下一步更根本的问题，AI agent 是否能真正理解时间与空间，并进行预测下一帧、下一个行 动。如果和视频生成模型对比：世界模型在交互性、实时性、长时记忆和物理合理性这四点上都需 要更进一步。 于是行业中的玩家开始在这些提升方向有了各自的 bet， World Model 领域逐步分化出两条路线： 一条以实时视频生成为核心，服务文娱、游戏等 for human 的消费者场景；另一条以显式 3D 结构 为中心，服务机器人、自动驾驶等 for AI 的领域。 本文沿着这个路线分化展开，拆解两条路线的技术趋势和落地 ...

去年此时，我们在 2025 AI Best Ideas 中提出了 20 个关键预测，12 个月过去，当我们重新审视这份 清单，惊奇地发现：我们对行业格局和技术路径的判断绝大部分都应验了，但其中也有对技术进 步、基建成熟度、以及 AI 交易复杂性的过分乐观。 2026 年即将在 "AI Bubble"的争议中开启。World Model、多模态、机器人以及新范式等积极信号的 出现意味着 AI 领域一定会出现更多惊喜，但同时，OpenAI $1.4T CapEx 也意味着，在 price-in 了 超高预期后，市场对 AI 领域的期待只会越来愈高。 以下是拾象团队 2025 预测复盘， 我们也很希望听到大家对于 AI 领域 2026 的期待， 请留下你的答 案与思考，我们会基于大家的回答组织一场"2026 AI Best Ideas"讨论。 ⬇️ 滑动或点击查看大图 ⬇️ ⬆️ 滑动或点击查看大图 ⬆️ 01 微软投资 Anthropic，模型与云格局彻底改变 ✓ 预测结果：正确 拾象预测： 2025 年 OpenAI 会变成盈利组织，微软也很有可能会投资 Anthropic，这将彻底改变模型 和云的格局——An ...

编译：Haozhen、Gemini 而支撑这场豪赌的理由之一就是 General Intuition 拥有一个业内无法复制的独特数据集。 General Intuition 是从游戏高光片段剪辑平台 Medal 中分拆而来，拥有超过 38 亿个游戏短视频片 段。与传统机器人或仿真数据不同，Pim 认为高光片段是人类在模拟环境中的情景记忆（Episodic Memory），是对人类直觉、反应和决策最密集的数字化记录。 如果说 OpenAI 通过 ChatGPT 解决了人类的"认知与逻辑"，让机器学会了像人类一样进行复杂思 考、推理与 coding，那么 General Intuition 希望赋予机器像人类一样的"直觉和物理常识"，使机器 能够在本能层面理解物理世界的空间关系。 在 CEO Pim de Witte 的构想中，LLM 负责思考与规划（Next Token）， General Intuition 则基于自 身的数据优势承担行动与交互（Next Action），两者形成互补的智能结构。团队 希望从游戏场景起 步，经由模拟环境走向自动驾驶，再延伸至机器人与物理世界，终极愿景就是实现"Atoms to ...

公司定位与团队背景 - 公司定位为专注于人工智能和基础模型研究的投资研究实验室（Investment Research Lab），既是基金也是研究实验室[5] - 团队由科技投资人、物理学博士和AI研究员组成，平均年龄低于30岁，强调高信任度、低自我和高人才密度的团队文化[5][6] - 公司在管资产规模超过15亿美元，包括5亿美元的长线基金，采用一二级市场联动投资策略[5] - 公司过去投资并见证了6家投资组合公司从数十亿、数百亿美元成长为千亿美元级别的企业[5] 投资理念与策略 - 投资理念受OpenAI、Anthropic和DeepMind启发，旨在成为投资领域的前沿研究实验室，关注全球最重要的技术变化[8] - 投资策略聚焦于少数关键机会，愿意在每一轮对优质公司持续加注，放弃多数琐碎机会[8] - 注重信息质量，拥有市场上最丰富、质量和密度最高的信息源，以提高投资胜率[8] - 强调长期关系建设，致力于与创始人和研究人员建立信任，投资AI原生时代的最佳创始人[8] 品牌建设与认知输出 - 坚持开源认知，通过内容输出为AI生态做贡献并构建品牌影响力[9] - 品牌代表公司与创始人之间的信任和审美观，吸引志同道合者[9] - 公司通过海外独角兽和AI讨论社群持续输出观点，影响中美两地华人创业者和AI从业者[6] 招聘需求与岗位要求 - 招聘岗位包括AI投资研究员和品牌策划（AI Narrative Specialist），工作地点覆盖硅谷、香港、北京和上海[12][15] - AI投资研究员需具备AI研究、工程或产品经验，熟悉技术趋势如Continual Learning、Proactive Agent等[12][13] - 品牌策划需熟悉硅谷AI内容，具备品牌叙事打造能力和创新表达方式经验[15] - 招聘不限资历和工作年限，对全职和实习生均开放，优秀实习生有转正机会[15][16] 行业关注领域 - 公司重点关注LLM新范式、强化学习、AI Agent、代码代理等前沿技术领域[19][21][23][25][27] - 技术趋势包括OpenAI o1、自玩强化学习、AI机器人、AI4S等方向[12]

文章核心观点 - 大语言模型在语言理解和生成方面展现出强大能力，但仅依赖语言不足以支撑真正的智能，构建能够理解和操作世界的空间智能与世界模型成为下一代人工智能发展的关键方向[2][4] - 空间智能被定义为在三维空间中进行推理、理解、移动和交互的深层能力，与语言智能互补，是通往通用人工智能不可或缺的拼图[4] - 语言是对三维世界的“有损压缩”，而视觉和空间感知是更接近“无损”的表征方式，让AI理解像素和三维空间中的物理规律难度高于处理符号化语言[10][11] - World Labs公司推出的Marble模型是全球首个高保真度3D世界生成模型，旨在突破模型“只懂文本”的限制，具备在三维环境中定位、推理、模拟、生成和执行任务的能力[15][17] 空间智能的必要性与理论基础 - 从生物演化角度看，大自然花费5.4亿年优化动物的视觉感知与空间行动能力，而人类语言形成历史仅约50万年，忽视这5.4亿年的进化积淀仅通过语言构建通用人工智能是不合理的[7][8] - 空间智能是人类进行高级科学创造不可或缺的思维工具，DNA双螺旋结构的发现就依赖于高强度空间推理，通过在三维空间中对分子结构进行几何构建和逻辑验证而完成[12][13] - 根据多元智能理论，人类智能是多维度的，至少具备八种相互独立的智能，空间智能与语言智能并非对立而是互补关系[4][5] Marble模型的技术特点 - 模型采用多模态输入方式，用户可输入文本描述、单张图像或一组图像，并能基于照片在虚拟空间中重构3D模型[20] - 具备交互式编辑功能，用户可对生成场景下达具体修改指令，模型能根据新约束条件重新生成并调整整个3D世界，形成“生成-反馈-修改”的闭环[20][21] - 选择Gaussian Splats作为3D世界的基础原子单元，通过大量3D高斯体表示和渲染场景，实现了在移动设备上30fps甚至60fps的实时渲染能力[24][25] - 模型架构基于Transformer，其本质是集合模型而非序列模型，置换等变的特性使其天然适合处理3D空间数据[28][29] Marble模型的应用场景 - 在创意与影视领域提供精确的相机放置控制，能极大降低特效制作门槛和成本，成为电影工业强大的生产力工具[21][31] - 室内设计成为典型涌现用例，用户通过手机拍摄厨房照片即可在虚拟空间重构3D结构并随意尝试各种设计方案，无需掌握复杂CAD软件[31][32] - 在机器人领域可作为强大模拟器，生成高保真合成数据填补真实数据与互联网视频之间的鸿沟，为具身智能体提供零成本虚拟训练环境[34][35] 技术发展趋势与挑战 - 当前世界模型面临的最大挑战是视觉真实与物理真实的差距，生成看起来合理的3D场景不等于模型理解物理定律[27] - 公司正在探索将传统物理引擎与生成式模型结合的混合路径，包括通过物理引擎生成模拟数据训练模型，以及给Splats赋予物理属性等方式[27][28] - 在算力被巨头垄断的时代，学术界应专注于探索短期内看似不可行但具备长远颠覆性的研究方向，如打破硬件彩票现象，寻找替代矩阵乘法的计算原语[36][37][38]

AGIX指数定位与表现 - AGIX指数旨在成为衡量AGI（通用人工智能）时代科技范式转换的重要指标，类比互联网时代的Nasdaq100指数[2] - 截至当前，AGIX指数年内累计上涨26.73%，自2024年以来累计涨幅达74.56%，显著跑赢QQQ指数（21.13%和51.21%）和标普500指数（16.45%和43.59%）[4] - 指数成分按权重划分为基础设施（37.19%）、应用（33.62%）和半导体硬件（24.22%）三大板块，本周分别上涨2.08%、2.20%和1.76%[5] AI行业范式转换分析 - AI行业正从预训练大爆发的科研红利期转向产品化、推理优化和端侧部署的工程红利期[10] - Google凭借TPU的OCS技术实现模型-硅端到端优化，在极致工程化竞争中释放潜力，如NotebookLM展示的PPT生成能力获得市场认可[9][10] - 模型能力趋同导致90%普通用户难以感知差异，未来竞争焦点转向产品化能力、成本和渠道等外部要素，类似微软通过分发渠道和生态系统确立优势的历史案例[11] 下一代AI技术演进方向 - Scaling Law边际收益递减，需寻找超越Transformer架构的下一代技术跃迁[12][13] - 进化算法可能成为关键路径，通过构建"生存机器"先验和内在动机（如好奇心驱动）替代具体任务训练，使智能作为复杂环境适应的副产品自然涌现[13][14] - 模型融合技术借鉴真核细胞共生起源，通过参数空间遗传算法实现专家模型能力跃迁，如Sakana的Evolutionary Model Merge研究[15] 资本市场动态与资金流向 - 对冲基金推动年内最大北美买盘潮，美国多空基金净杠杆上升5个百分点至56%，空头回补集中在可选消费和金融板块[15] - AI受益半导体龙头获多头增持，而房地产和医疗保健板块出现显著抛售[15] - 全球对冲基金上周收益1.4%，低于MSCI ACWI指数3%涨幅，但AGIX指数单周上涨6.0%表现突出[16] 头部企业战略布局 - 微软联合戴尔、甲骨文发布70余项产品，推出Agent 365智能体控制平面，51%生产应用已采用AI技术[16] - Meta考虑采购谷歌TPU芯片，潜在合作规模达数十亿美元，可能影响自研推理芯片MTIA发展路径[17] - 2025年美国AI初创企业融资活跃，49家公司完成单轮1亿美元以上融资，OpenAI以3000亿美元估值创400亿美元融资纪录[17] 企业并购与业绩表现 - ServiceNow拟超10亿美元收购网络安全公司Veza，估值达融资总额四倍，弥补身份管理平台功能缺口[18][19] - Zscaler第一季度营收7.881亿美元（同比增长26%），但股价因业绩展望温和下跌超7%[19]

GLP-1药物与礼来市值表现 - GLP-1药物是推动礼来市值逼近万亿美元的核心力量，约贡献公司80%的价值[4] - 礼来在美国新患者市场中占据70%-75%份额，今年收入增长率达到40%[4] - GLP-1药物通过减少每日约800卡路里热量摄入帮助减重，克服身体反弹机制[8] - 目前美国GLP-1使用者约1000万人，相对于1亿肥胖人群渗透率仍偏低[11] - 自费购买成为重要增长动力，Zepbound自费新患者数量超过保险覆盖患者及所有Wegovy销量[11] 礼来商业模式与战略转型 - 公司推出LillyDirect直接面向患者平台，年收入已达数十亿美元，绕过传统药房渠道[24][27] - 礼来将70%营销预算从电视转向搜索和生成式AI优化，以提升推广效率[12] - 研发投入接近国家级机构水平，预计今年研发支出达140亿美元，占销售额20%-25%[18] - 公司采用混合研发模式，内部保留研发能力同时积极开展外部合作与收购[22] - 礼来在药物发现阶段采用小公司模式保持灵活，在开发后期利用规模优势加速临床试验和全球化[22][23] 药物研发体系与AI应用 - 开发一款新药平均成本35-40亿美元，其中超过60%来自三期临床试验，每年消耗逾10亿美元[19] - 礼来早期研发围绕平台创新和靶点选择两条路径展开，使用小分子、抗体等多种技术工具[19] - 公司与NVIDIA合作建设超级计算机，用于运行专有药物发现模型，初期聚焦化学领域[15] - AI在药物发现中尝试用微小化学物质模拟大型蛋白质作用，但完全由AI驱动的药物尚未进入临床[17] - 人类对生物学了解仅10%-15%，AI模型需要更完整知识库训练才能有效预测大型系统[17] 美国医疗体系结构性问题 - 美国医疗支出约70%来自慢性病管理，但支付体系无法支持长期行为改变和随访[29] - 每1美元医疗支出中仅10美分用于药物，其余90美分用于治疗药物试图预防的疾病[40] - 仿制药活性成分允许存在±5%差异，赋形剂不同可能导致部分人群效果偏差[31] - 胰岛素标价275美元，制造商净价仅30-40美元，巨大差价被中间商获取[46] - 药品定价高度不透明，约90%医疗服务价格从未在使用前对患者公开[48] 监管与资本环境挑战 - 新药开发周期从1953年一两年延长至如今约12年，成本达数十亿美元[35] - 监管要求新药上市前证明不存在心血管风险，导致开发周期被迫延长四至五年[39] - 2022年通胀削减法案允许政府在药物上市约七年后介入定价，削弱企业收回成本能力[40] - 专利到期后仿制药上市通常导致品牌药当天失去约97%定价能力[43] - 临床试验每位受试者成本中位数超4万美元，并以每年7%-8%速度上涨[53] 临床试验效率与创新 - 美国仅约4%癌症患者参与临床试验，而西班牙和澳大利亚比例超过25%[57] - 礼来临床研发周期通常不到七年，其中约一半时间花费在患者招募上[57] - 公司尝试从现有数据库直接联系符合条件患者，提高招募效率[57] - 远程试验模式在阿尔茨海默病预防研究中筛查超8万名参与者，实现快速入组[58] - 试验费用比常规医疗支出高出20%-30%，用于覆盖更高质量护理和密集检测[54]

文章核心观点 - Google发布的Gemini 3标志着公司在pre-training算力投入上首次追平OpenAI，并在数据体系、多模态能力、系统架构和产品体验上实现协同突破，意味着大模型竞争格局加速演变为Google、Anthropic与OpenAI三家交替领先的动态结构[4][5][14] Gemini 3的核心优势 - 模型训练FLOPs达到6 × 10^25级别，首次在pre-training算力上追平OpenAI，证明scaling law依然有效[5] - 充分利用自身TPU集群效能，实现算力规模指数级跨越，解决算力利用率瓶颈[6] - 训练数据量相比Gemini 2.5可能增加一倍，凭借二十多年积累的用户搜索历史、视频观看记录等构成不可迁移的数据护城河[7] - 采用稀疏化混合专家架构，稀疏度可能超过50%，以更少计算资源调用更广阔知识储备，依托自研TPU和OCS互联技术实现软硬高度耦合的系统级优势[8][10][11] - 展现独特的产品经理式编程思维，先深度分析问题并输出任务需求书，再设计测试方案，最后执行代码编写，有效避免错误代码回滚成本[12] - 内部组织与研发模式成功转型，克服DeepMind与Google Brain整合的阻力，探索出适合大公司的模型研发机制[13] 大模型竞争新格局 - 行业形成Google强于pre-training和Infra、OpenAI优势在post training的共识，但随着Gemini 3在pre-training阶段追平甚至反超，OpenAI的护城河不再稳固[18] - OpenAI在agentic任务和工具调用上仍是绝对王者，GPT-5.1在复杂指令执行与工具使用能力基准测试中分数高于Gemini 3，并拥有2000万付费用户构成的优质反馈数据源[18][20] - Anthropic采取聚焦差异化策略，Claude系列在Coding和Agent稳定性上表现良好，更适合处理编程自动化及企业内部工作流[24] - 红杉中国XBench测评显示Gemini 3 Pro在500道博士级题目上准确率比GPT-5.1高约10%，处理速度是后者的3倍，成本仅为十分之一[22] 多模态能力突破 - Gemini 3在多模态理解上断档领先，能精准识别非正常图片手指数量、复杂图片特定按键，视觉编码器与语言模型实现高精度对齐[25] - 在还原撕碎购物小票案例中，Gemini 3完美还原所有菜名、单价及总金额，展现惊人逻辑闭环能力，而GPT-5.1存在明显误差和遗漏[27][31] - Google Veo 3.1追求极致物理一致性，能在1分钟以上生成过程中保持人物特征、场景布局高度一致，画面质感接近实拍素材，可能服务于电影工业专业工具[40][41] - OpenAI Sora 2聚焦创意优先，引入语音与视觉同时生成能力，降低内容创作门槛，更符合社交平台审美需求[43] TPU系统成本与架构优势 - 使用自研TPU进行训练和推理的成本约为Nvidia GPU方案的一半，通过掌控光模块、交换机等系统生态绕过组件层层加价[46][49] - TPU为Transformer架构量身定制，软硬高度协同形成长期能效优势，同时通过模型粘性反哺GCP市场份额[50] - 架构设计上押注scale-out横向扩展，依靠OCS技术构建超大规模Superpod，优于Nvidia的scale-up纵向扩展思路，光通信架构具长期演进优势[51][52][54] - Anthropic宣布使用Google TPU多达100万个芯片，标志着算力供应多平台策略，有助于Google生态扩张并获得顶级模型团队反馈[56] Gemini商业化路径 - 公司将Gemini提升至最高战略优先级，通过推广Antigravity IDE、Chrome浏览器插件功能及学生优惠等措施构建生态[62][64][65] - 移动端策略侧重将智能蒸馏至10B-20B参数量级小模型，支撑AI Overview达到10亿级DAU，通过升级Google Assistant快速触达海量用户[66] - 商业化变现持审慎态度，首要考核指标为用户满意度而非短期变现率，已构建大规模模型评测模型飞轮进行自动化评估[67] - 在广告归因、PMax及广告主生态上拥有深厚护城河，Meta和腾讯引入大模型技术后广告收入增长约20%，而字节跳动增长维持在个位数[69][70] AI Native产品形态演进 - Gemini 3引入Generative UI功能，根据用户意图实时生成可交互定制化界面，重塑Web交互形态，应用场景包括物理仿真、金融决策等[71][72][74] - 功能演进可能经历单次查询展示、静态内容结构化生成、具备深度交互能力的即时软件三个阶段，本质是让AI拥有生成HTML/JS并即时渲染的能力[74] - OpenAI在DevDay展示类似能力，选择由合作伙伴构建UI嵌入ChatGPT对话，两种模式未来演化值得关注[75]

AGIX指数定位与表现 - AGIX指数旨在成为衡量AGI（通用人工智能）科技范式转换的重要指标，如同纳斯达克100指数之于互联网时代，目标捕获AGI时代的beta和alpha收益 [2] - 截至本周，AGIX指数年内上涨19.56%，自2024年以来累计上涨64.68%，显著跑赢QQQ（44.09%）、标普500（38.43%）和道琼斯指数（22.70%）[4] - 指数成分中基础设施板块权重最高达37.34%，应用和半导体硬件板块分别占33.41%和23.98%，本周三大板块均下跌，基础设施板块跌幅最大为2.50% [5] AI时代商业模式变革 - AI时代竞争焦点从互联网时代的"消费意图"转向"完成意图"，核心从抢夺眼球入口转变为深究工作流逻辑，起手式从打开应用变为定义或发现意图 [9][10] - 意图识别具有强外部性，聚类后的意图价值应流向用户，平台通过变现聚类意图实现模型迭代，类似Scale AI等数据公司为人类知识意图定价的模式 [11][12] - 高价值意图取决于产品形态，复杂长程任务意图更珍贵，因此收集用户复杂意图的coding agent产品比单一text agent产品更有价值 [12] - AI Native产品价值评估标准应从DAU和停留时长转向"信噪比"，如任务完成率、自动拆解步骤和结果采纳率等指标 [13] 上周AI板块市场动态 - 尽管NVDA财报后AI板块出现超过9%的大幅回撤，对冲基金在AI高敞口板块资金流动保持平静，卖出规模未超过1个标准差 [14] - TMT板块整体呈现净买入，高质量AI科技受益股受青睐，半导体和软件行业成为净买入最多板块 [14] - 对冲基金业绩落后基准，全球基金平均下跌80基点，美国多空基金下跌1.1%，AGIX指数下跌5.65% [16] 主要公司AI布局进展 - 微软推出AI智能体安全解决方案Microsoft Agent 365，提供智能体控制平面功能，Defender平台每日分析100万亿威胁信号实现预测性屏蔽 [16] - Alphabet旗下Intrinsic与富士康成立合资公司开发智能机器人系统，结合AI软件与智能制造平台执行复杂制造任务 [17] - 亚马逊Prime Video推出AI生成"视频回顾"功能，利用生成式AI创建影院级质量季度回顾，推动影视AI应用升级 [17] - Cloudian发布基于Nvidia平台的HyperScale AI数据平台，使向量数据库操作比基于CPU方案快8倍，解决80%机构知识存储于非结构化数据的困境 [18] - 甲骨文与微软深化多云合作，在超过30个微软区域部署Oracle AI数据库，支持客户将Oracle工作负载迁移至Azure应用AI服务 [18] - Adobe以19亿美元现金收购Semrush，溢价近一倍，应对AI搜索变革，零售网站来自生成式AI聊天bot流量同比激增1200% [18] - Cloudflare收购AI部署平台Replicate，整合5万多个容器化AI模型，增强Workers AI服务并扩展自定义大语言模型部署能力 [19]

公司概述 - Periodic Labs是一家前沿AI研究实验室，目标是构建能够自主设计并执行现实世界实验的"AI物理学家"[4] - 公司由ChatGPT共同创建者Liam Fedus和DeepMind材料科学负责人Ekin Dogus Cubuk联合创立[2] - 2025年9月完成3亿美元种子轮融资，由Andreessen Horowitz领投，估值达到10亿至15亿美元[29] 技术方法 - 核心思路是将LLM、模拟与高通量实验紧密结合，通过自建实验室生成高质量实验数据[3][4] - 设计基于物理规律的奖励函数取代传统数字评分器，让agent能从实验迭代中学习[3][4] - 首个实验室用于粉末合成，机器人可以在其中混合、加热粉末来发现新的超导体和磁体等关键材料[8] 研究重点 - 选择高温超导性和磁性作为重点研究领域，因为这些问题具有高度复杂性和挑战性[12] - 超导性作为切入点是因为其在技术上是易于验证的相变，对缺陷等难以模拟的细节具有鲁棒性[12] - 成功标准包括突破环境压力下135 Kelvin的超导转变温度纪录，以及开发具备特定性能的材料[10] 商业化路径 - 中期商业路径是成为工程师与研究人员的Copilot，服务于航天、国防、半导体等行业[14] - 采用"登陆并扩张"策略，先以明确切入点进入客户体系，证明价值后再扩大合作范围[14][15] - 目标行业拥有庞大科研预算但缺乏高效物理学领域迭代的数字化工具[14] 团队构成 - 团队约30人，研究人员分为ML背景、物理或化学背景、以及复合背景三类[21][23] - 核心团队成员包括Alexandre Passos、Costa Huang、Dzmitry Bahdanau等AI专家，以及Joe Checkelsky、Eric Toberer等材料科学专家[24][25] - 团队提倡跨学科交流，通过每周教学会议分享各自领域知识[22] 行业痛点 - 当前AI模型过度依赖互联网数据，缺乏真实实验的迭代与反馈，难以支撑科学发现所需的高精度推理[2][32] - 科学文献数据质量参差不齐，且缺乏负面结果的发表，导致训练数据存在偏差[33] - 现有方法过度依赖检索，而非通过pre-training和mid training将关键知识直接写入模型权重[33] 市场竞争 - Radical AI是主要竞争对手，同样致力于构建AI物理实验室，但专注于高超音速飞行的高熵合金开发[37][41] - 大公司如DeepMind发布了GNoME晶体识别工具，微软推出了MatterGen和MatterSim材料发现工具[37] - Radical AI在2025年7月完成5500万美元种子轮融资，并获得美国空军120万美元合同[38][42]