文章核心观点 - 行业共识认为，人工智能发展的下一阶段红利在于与物理世界的深度融合，解决“最后一公里”问题，而非停留在数字交互层面 [2][6] - 大模型的发展范式正在转变，从依赖文本数据的规模扩张转向从视频中学习物理规律和因果，并趋向于发展更小、更密的终端模型 [7][8] - 当前面向消费者的AI商业模式面临巨大挑战，而面向企业端、改造传统产业的AI应用具有更坚实的经济价值和商业前景 [9][12] AI在物理世界的应用与挑战 - 行业认为，仅存在于数字世界的AI，即使能力强大，若无法解决物理世界的“最后一公里”问题，其价值将严重受限 [2] - 物理世界充满不确定性且没有“撤销键”，这使得AI的部署和运维成本（包括法律赔偿等）极高，可能拖垮大型公司 [5] - 未来的AI系统将呈现“蚁群效应”，即由众多具备自主决策能力的终端智能体构成，而非由一个中央超级大脑控制 [5] - 2026年的行业红利在于“含工量”，即谁能成功将AI集成到汽车、机床、扫地机器人等实体设备中，使其能执行实际物理任务 [6] 大模型技术发展趋势 - 行业专家指出，依赖文本数据的Scaling Law（尺度定律）红利已耗尽，仅增加参数难以让模型智商继续大幅提升 [7] - 下一代AI进化的关键方向是“从视频中学习”，让AI通过视频理解物理世界的规律和因果关系 [7] - 处理视频数据的算力消耗远高于文本，可能是文本的1000倍，这将驱动对算力的巨大需求 [8] - 模型发展的另一趋势是“模型密度”，即模型将越做越小、越密，以便部署到手机、眼镜等终端设备，在断网环境下高效运行 [8] AI商业模式与投资方向 - 当前面向消费者的AI产品（如AI陪聊）商业模式艰难，用户付费难以覆盖高昂的推理成本（电费、算力折旧、研发） [9] - 传统的互联网广告模式在AI时代难以奏效，因为AI推理成本过高，除非拥有像苹果那样的硬件生态控制力 [9] - AI在工业等企业端应用展现出清晰价值，例如通过“数字孪生”技术优化炼镁流程，可降低废品率、能耗和人力风险，直接提升企业利润 [11] - 行业认为，AI的终局在于改造高危、高耗、高成本的产业环节，To B市场虽面临数据孤岛等挑战，但才是真正的价值所在，而部分To C应用可能是泡沫 [12][13]