核心观点 - 报告认为2026年将是中国AI产业链从“百舸争流”走向“自成畦径”的关键一年，算力、模型、应用三大环节均存在投资机会 [5] - 谷歌发布的多模态模型Nano Banana Pro在效果、理解和应用深度上实现显著突破，标志着多模态AI正从创意素材环节深入生产核心链条 [5][7] - 华为发布并开源的AI容器技术Flex:ai实现了异构算力统一管理和效率提升，是AI基础设施领域的关键突破 [5][71] 谷歌大模型突破 - 谷歌发布的Gemini 3 Pro及基于其的图像生成模型Nano Banana Pro核心影响在于直观效果大幅提升、基于多模态理解的产出、以及落地应用从创意素材深入生产过程 [5][7] - 模型在语义对齐、精细化控制、空间理解、高分辨率细节增强和多语言理解方面效果显著，例如能精准呈现“木架上有三个玻璃罐，左边罐装两个红苹果，中间空，右边装蓝色弹珠”的复杂提示词 [7] - 模型具备多模态思考能力，例如在被要求标出图中罐子长宽时，会反馈“仅凭此图无法准确标出实际数字，需要参照物”，而非盲目生成 [7][18] - 在高分辨率细节上能生成极其细微复杂的纹理和结构，如根据提示词生成“彩色跳蛛脸部极限微距摄影，聚焦独立绒毛、多面体纹理和晨露水珠”的4K分辨率图像 [10][12] - 多语言能力提升迅速，能稳定生成中文文字并准确理解语义，例如成功生成《琵琶行》全文并配以对应水墨画风格画面 [14][15] - 模型能结合世界知识通过图片呈现复杂信息，例如根据搜索生成“植物光合作用原理”的科普图片，标志着多模态AI可更深入业务核心链条 [19][20] 2026年中国AI趋势：算力 - 2026年是国产算力产业化元年，供给侧国产AI芯片从可用到好用，超节点展现国产工程能力；需求侧互联网、运营商智算中心需求旺盛 [5] - 超节点是全球算力发展重心，国产方案如华为CM384、阿里磐久、腾讯ETH-X、海光scaleX640等具备较强竞争力 [20][25] - 国产超节点分化为“多机柜”和“单机高密”两大路径，华为CM384为多机柜代表可搭载384个NPU，阿里磐久等为单机高密方案 [25] - 超节点通过工程创新提升性能，例如华为CM384通过自研UB-Switch芯片实现384个NPU高速全互联，有效弥补国产AI芯片单卡性能短板 [26] - 服务器架构创新采用正交架构，缩短计算模块到交换模块走线距离，较英伟达NVL72的Cable Tray方案插损降低、容错性提升 [30][32] - 液冷等新技术正式落地，中科曙光scaleX640采用浸没相变液冷等技术，其10万卡集群已通过30天长稳运行测试，进度领先海外 [32] - 超节点及互联技术走向开放兼容，为众多国产AI芯片提供标准基础设施底座，提升整体国产算力性价比，趋势进一步确立 [33][34] 2026年中国AI趋势：模型 - 2025年全球大模型迭代速度整体放缓，中美大模型差距迅速缩小，预计2026年将进一步缩小乃至部分领域超越 [5] - 根据测评数据，中美模型在语言能力上持平，在多模态、数学、编程有差距但缩小；从人类真实偏好反馈看，国内模型不落后于海外 [38][39] - 大模型使用量持续上升，2025年为效率转化元年，模型能力提升带来AI落地加速和对传统人力替代，全球216家科技公司累计裁员近10万人 [42][45] - 模型迭代方向一为突破长上下文瓶颈和效率提升，DeepSeek开源OCR模型通过光学压缩方式将文本渲染为图像压缩为少量视觉token，压缩比<10倍时精度达97%，单张A100-40G GPU可支持20万页数据处理每日 [46] - 模型迭代方向二为多模态细节控制及世界模型与物理AI，谷歌Genie3可基于文本提示以每秒24帧、720p分辨率生成长达数分钟交互式3D环境 [51] - 物理AI核心价值在于将物理规律与数据驱动结合，核心应用领域在于数字孪生、智能驾驶及具身智能的训练和推理 [52] - 模型迭代方向三为Mid-training，从“预训练+后训练”两阶段变为三阶段，标志大模型开发从粗放规模扩张进入精细化系统工程阶段 [55][56] 2026年中国AI趋势：应用 - 中国软件行业具有强乙方和定制化特色，行业know-how形成壁垒，大模型难以完全取代应用，AI应用在软件行业的渗透率正处在加速初期 [63][65][66] - 复盘云计算演绎路径，当前软件行业处在最佳布局期，以广联达为例，云渗透率约15%-40%时为最佳投资窗口期，其云收入占比从2017年2%提升至2020年41%，期间市值涨幅超过300% [70][73] - 2025年部分公司开始披露AI订单，标志行业即将进入市值快速提升阶段，大量公司AI收入占比突破10% [5][71] AI基础设施关键突破 - 华为发布并开源AI容器技术Flex:ai，基于Kubernetes构建，可统一管理英伟达、昇腾等异构算力 [5][71] - Flex:ai通过芯片级算力切分（粒度精准至10%）和“拉远虚拟化”技术，使算力利用率提升30%，并能解决超大镜像拉起慢等传统容器痛点 [5][76][77] - 该技术对标英伟达Run:ai且兼容异构算力，后续将融入华为ModelEngine开源生态，加速AI行业化落地 [5][79][81]