核心观点 - 人工智能行业的技术演进核心正从追求参数规模的语言学习，转向对物理世界底层秩序的深刻理解与建模，行业技术范式迎来重塑 [1] 技术范式转移 - 行业共识正从语言模型转向能理解物理规律的多模态世界模型，从“预测下一个词”到“预测世界下一状态”的NSP范式标志着AI开始掌握时空连续性与因果关系 [1] - 以智源悟界多模态世界模型为代表验证了这一路径，推动AI从感知走向真正的认知与规划 [1] 具身智能与机器人产业化 - 具身智能正脱离实验室演示，进入产业筛选与落地阶段 [2] - 随着大模型与运动控制、合成数据结合，人形机器人将于2026年突破Demo，转向真实的工业与服务场景 [2] - 具备闭环进化能力的企业将在这一轮商业化竞争中胜出 [2] 多智能体系统与通信协议 - 复杂问题的解决依赖多智能体协同，多智能体系统将突破单体智能天花板 [2] - 随着MCP、A2A等通信协议趋于标准化，智能体间拥有了通用“语言”，Agent时代的“TCP/IP”初具雏形 [2] - 多智能体系统将在科研、工业等复杂工作流中成为关键基础设施 [2] AI在科学研究中的应用 - AI在科研中的角色正从辅助工具升级为自主研究的“AI科学家” [2] - 科学基础模型与自动化实验室的结合，将极大加速新材料与药物研发 [2] - 报告强调，我国需整合力量，加快构建自主的科学基础模型体系 [2] 市场竞争格局与超级应用 - C端AI超级应用的“All in One”入口成为巨头角逐焦点 [3] - 海外以OpenAI的ChatGPT与Google Gemini为引领，通过深度集成各类服务，塑造了一体化智能助手的新范式 [3] - 国内字节、阿里、蚂蚁等依托生态积极布局，蚂蚁推出的全模态AI助手“灵光”与AI健康应用“蚂蚁阿福”分别在超级应用与健康垂直领域进行探索 [3] - AI时代的“新BAT”格局正在形成 [3] 产业应用落地周期 - 企业级AI应用在经历概念验证热潮后，因数据、成本等问题正步入“幻灭低谷期” [4] - 预计2026年下半年将迎来转折，一批真正可衡量价值的MVP产品将在垂直行业规模落地 [4] 合成数据的重要性 - 高质量真实数据面临枯竭，合成数据正成为模型训练的核心燃料 [4] - “修正扩展定律”为其提供了理论支撑 [4] - 在自动驾驶和机器人领域，由世界模型生成的合成数据将成为降低训练成本、提升性能的关键资产 [4] 推理效率与成本优化 - 推理效率仍是AI大规模应用的核心瓶颈与竞争焦点 [5] - 通过算法创新与硬件变革，推理成本持续下降，能效比不断提升 [5] - 这使得在资源受限的边缘端部署高性能模型成为可能，是AI普惠的关键前提 [5] 开源生态与算力底座 - 为打破算力垄断与供应风险，构建兼容异构芯片的软件栈至关重要 [6] - 繁荣的算子语言与趋于收敛的编译器技术正在降低开发门槛 [6] - 以智源FlagOS为代表的平台，致力于构建软硬解耦、开放普惠的AI算力底座 [6] AI安全风险与防御 - AI安全风险已从“幻觉”演变为更隐蔽的“系统性欺骗” [7] - 技术上，Anthropic的回路追踪研究致力于从内部理解模型机理，OpenAI推出自动化安全研究员 [7] - 产业上，安全水位成为落地生死线，蚂蚁集团构建“对齐-扫描-防御”全流程体系，推出智能体可信互连技术(ASL)及终端安全框架gPass [7] - 智源研究院联合全球学者发布AI欺骗系统性国际报告，警示前沿风险 [7] - 安全正内化为AI系统的免疫基因 [7]