文章核心观点 - Manus代表的“多智能体系统”标志着人工智能从“只会生成内容”转向“能自主完成任务”的范式转变，是AI应用的“DeepSeek时刻”[6] - Manus模式的核心价值在于：它是拥有超过8000万名“AI员工”的公司，本质是一套“人工智能操作系统”，其技术模式将推动人类文明实现0.5个级别的跃升[7] - 多智能体系统通过分工协作，实现了“1+1>2”的协同效果，使AI从“助手”阶段正式进入“工作者”阶段，商业价值从“提升效率”转变为“替代劳动力”[16][20] - 全球科技巨头与国内大厂均已加速布局多智能体领域，下一场“囚徒困境”式的AI战争即将爆发[29][30][31] - 多智能体系统将引发人类角色的历史性转变，从“操作者”变为“管理者”，并深刻重塑生产力与生产关系[34][37] - 多智能体系统的发展路径已不可逆，其成熟标志着AI进入“替代完整工作流”的新阶段，但伴随的数据主权与系统安全挑战亦不容低估[39][46] Manus模式的核心价值与颠覆性 - Manus创建了超过8000万台独立的云端虚拟机实例，每一台都是一个由AI自主操作的“数字工作单元”，相当于8000多万名功能不同的AI员工[9][10] - 其模式的核心操作者从人变成了AI，支撑这一转变的Manus系统本身就是AI的操作系统——多智能体系统[11] - 该模式意味着人类正迎来“文明级”生产力飞跃，所有数字经济相关劳动岗位均可被AI接管，相当于文明提升0.5个级别；未来若算力充裕，AI员工规模扩展将彻底重构物理世界的所有生产工具[12] - Manus的年度经常性收入在推出不到一年内突破1亿美元，远超大多数SaaS初创公司同期表现，目前还有超过250万人在排队等待试用[20] 多智能体系统的技术突破与优势 - Anthropic的研究显示，在多智能体架构下，Claude Opus处理复杂任务的性能比单个智能体提升了90.2%[14] - 多智能体系统不追求单一的“超级大脑”，而是打造分工明确、协同工作的“智能社会”，其核心优势在于智能体间的协作能力[16][19] - 该系统依赖多项核心技术：虚拟机提供安全隔离的执行环境；池化与编排技术实现高效的资源调度，能将单个任务的token消耗降至行业平均水平的1/3；强大的工程化能力保障了系统的稳定与可扩展性[22][24][26][27] - 在专门评估AI处理现实复杂任务的GAIA基准测试中，Manus在所有三个难度级别均取得最好成绩，分数超过OpenAI的DeepResearch[19] 行业竞争格局与“囚徒困境” - 全球科技巨头均在加速布局多智能体：Meta内部应用提升30%效率；Google公开了开源框架；微软将其集成至企业产品；亚马逊AWS新增相关功能[30] - 国内市场同样活跃：阿里、腾讯、百度、字节跳动等公司均有明确的多智能体技术布局或需求[31] - 本土模型新势力“月之暗面”已完成5亿美元C轮融资，估值达30亿美元，融资主要用途之一是加强多智能体系统研发，目标在一年内实现1亿美元ARR[33] - DeepSeek即将推出对标Anthropic编程能力的新模型，此举有望为中国AI多智能体应用扫清关键技术障碍[33] - 大厂必须跟进的原因在于：多智能体是模型能力的“放大器”；它重新定义了人机交互方式；其平台可能成为新的生态中心，错过将面临被边缘化的风险[32] 对人类角色、生产力与生产关系的重塑 - 人类与AI的关系正从“操作者-工具”转变为“管理者-团队”，编程语言成为AI间协作的“通用语言”[35] - 多智能体能自动化“创造性工作里的执行环节”，短期内不会取代人类的战略判断与价值取向，但会将人类从繁琐执行中解放出来[36] - 这将导致初级、中级创造性工作需求减少，同时高阶创造性工作的价值被放大，推动职业进化而非消失[37] - 生产力的飞跃将带动生产关系调整，企业层级结构将趋于扁平，“智能体团队”本身成为核心生产资料[37] - Manus的定价模式本质是“数字劳动力租赁服务”，例如39美元/月可同时运行2个任务，199美元/月可运行5个任务，使企业能灵活调整“数字员工”规模[38] 多智能体系统的发展路径与未来展望 - 短期（1-2年）：垂直领域的多智能体应用将爆发，市场竞争异常激烈[48] - 中期（3-5年）：多智能体系统将从“工具”进化为“平台”，成为AI应用的基础设施[48] - 长期（5-10年）：人机协作进入“融合”阶段，工作流程深度整合，工作将由人机系统共同完成[48] - 多智能体系统是协作方式革新的又一次里程碑，它让机器具备了基于共同目标、分工协调的有机协作能力[49]

文章核心观点 人工智能正从参数竞赛转向重构物理世界，告别狂飙突进，向认知升维、集群协同、产业深耕方向演进，十大核心趋势勾勒出智能时代新蓝图 [1] 基础模型与认知范式演进 - 基础模型演进的核心是从“预训练+后训练”范式转向“Next-State Prediction”范式，使AI能学习物理动态、时空连续性和因果关系，实现“理解-预测-规划”的完整能力闭环，成为从“感知”迈向“认知”的核心标志 [1] - 海外方面，World Labs的RTFM模型可从单幅图像创建3D空间，OpenAI Sora 2展现出对真实世界规律的深度模拟 [2] - 国内方面，智源研究院作为NSP范式开创者，其悟界・Emu3.5将多模态数据统一编码为离散Token，实现对物理世界动态与因果关系的精准理解，蚂蚁百灵大模型系列也在NSP方向持续进化 [2] 具身智能产业发展 - 2024年是具身智能“百机大战”元年，2025年行业已迈入“出清”阶段，技术难度与资金需求远超以往，同质化竞争加速行业洗牌 [2] - 当前中国具身智能企业超230家，其中人形机器人企业过百家，商业进程已从实验室验证转向量产交付，客户主力从高校研究机构转向B端产业场景，人形机器人销量已突破万台，亿级订单频现 [2] - 海外市场，Physical Intelligence的n*0.6模型通过自主经验训练降低复杂任务失败率，特斯拉Optimus 2.5已应用于工厂生产、农场运营等场景 [3] - 国内市场，智源发布RoboBrain2.0具身大脑与RoboBrain-X0小脑基座，蚂蚁灵波科技推出的Robbyant-R1机器人已落地餐饮、导览、医疗问答等场景，多家企业加速推进IPO进程，行业格局即将成型 [3] 智能体系统演进 - AI应用正从单智能体系统向多智能体系统演进，Langchain报告显示当前客服、代码生成等SAS应用占比达63%，但复杂场景下MAS在工作流拟合、降低幻觉等方面优势显著 [3] - Anthropic数据显示，57%的组织已部署智能体处理多阶段工作流，2026年这一比例将升至81%，其中39%计划开发多步骤流程智能体 [3] - MAS的核心突破在于通信协议的统一，2025年MCP与A2A协议先后捐赠给Linux基金会并实现分层融合，成为微软、谷歌、Anthropic等头部厂商的原生支持选择，构成Agent时代的“TCP/IP” [4] AI for Science发展 - AI for Science已从辅助工具升级为AI Scientist，实现“假设提出—实验设计—数据分析—结论推断”的完整科研链路，推动科研模式发生质变 [4] - 2025年以来，谷歌Co-Scientist、斯坦福大学BOMARS等全球各类AI Scientist系统密集发布 [4] - 国际竞争激烈，美国2025年11月启动“创世纪计划”，依托17个国家实验室数据、AuroraGPT模型等存量资产，加速AI4S规模化落地 [5] - 中国呈现“应用强、基座弱”特征，在应用层面具备STEM人才与产业链优势，但在算力、数据、模型三大基础设施上仍有差距，截至2025年国家基础数据中心保有数据量达4.6PB，科学基础模型研发亟待资源整合 [5] C端AI应用竞争 - C端AI竞争聚焦“Super App”，以“All in One”为核心特征，通过一个入口实现信息获取、任务规划到问题解决的闭环 [5] - 海外方面，ChatGPT、Gemini等APP已达成过亿日活，谷歌Gemini已取代Maps原生语音助手，实现功能内化 [5] - 国内方面，蚂蚁灵光上线6天下载量破200万，支持30秒生成小应用与全模态输出，字节豆包依托生态优势MAU位居全球第二 [5] - 垂直赛道潜力巨大，多模态模型展现出“低频高价值”特征，Nano Banana Pro单次调用价格是文本模型的70-120倍，仅需1.5%的调用量即可实现同等收入 [6] - 国内市场，蚂蚁阿福月活超1500万，成为第一大健康管理APP，即梦AI、快对AI等在视频生成、教育等赛道成功突围 [6] ToB AI应用挑战与转机 - 2025年多数ToB AI应用仍停留在PoC阶段，MIT研究显示95%的GenAI Pilot项目未能产生可衡量影响，数据质量、MAS成熟度、成本失控成为主要瓶颈 [6] - 46%的企业将“现有系统集成”列为首要障碍，典型案例中4个Langchain智能体因死循环通信11天损失4.7万美元 [6] - Forrester预测，25%的AI支出将推迟至2027年，40%的Agentic AI项目可能失败 [6] - 反转信号已现，2026年H2将成为ToB应用MVP落地关键期，“Data Gov先行，OTel/MCP并行”的实施路径已明确，核心业务数据治理需3-4个月，简单API连接2-3周即可完成，三大模块并行推进下MVP产品至少需6个月投入 [7] - 医疗、电信、金融等行业已加速推进标准API建设，美国医疗行业CMS新规要求2026年1月部分功能上线，为规模化落地奠定基础 [7] 合成数据发展 - 合成数据正成为AI 2.0时代的“无限燃料”，有效破解真实数据短缺难题 [7] - NVIDIA通过合成数据优化3D检测与机器人轨迹生成，与Sandbox AQ合作构建含520万个新三维分子的训练集 [7] - 银河通用凭借10亿帧合成数据训练出GraspVLA模型，降低具身智能对昂贵真实数据的依赖 [7] - 群核科技基于4.41亿个3D模型构建空间智能飞轮，推动合成数据在工业设计等场景规模化落地 [7] - 合成数据的演进路线已清晰，模型作为反事实数据生成引擎，强化学习作为数据毒性过滤器，二者结合使合成数据的价值与安全性大幅提升，随着修正扩展定律的理论证实，合成数据有望在2026年彻底打破“数据枯竭魔咒” [8] 推理优化与硬件成本 - 推理优化仍是2026年AI大规模应用的关键支撑，算法层面微软BitNetb1.58模型验证了极端量化的可行性，DeepSeek V3.2将长序列推理复杂度从O(L2)降至O(Lk)，阿里Qwen3引入混合推理实现成本与质量的平衡 [8] - Epoch AI数据显示，消费级GPU上的开源模型仅需6-12个月即可追平前沿模型能力 [8] - 硬件领域变革加速，ASIC芯片因适配Transformer结构分流GPU负载，存算一体架构在边缘端落地，Google TPU、Groq芯片对英伟达形成挑战 [8] - 成本持续下降印证技术价值，2022年11月至2024年10月，每百万个token推理成本从20美元降至0.07美元，18个月内降幅达280倍 [8] 异构算力基础设施 - 当前全球超5%的AI训练负载依赖NVIDIA+CUDA体系，构建异构全栈基础设施成为破局关键 [9] - 2025年以来，算子开发语言从5种增至9种，MLIR技术的成熟形成“多语言汇一编译器”的漏斗型架构，实现从手写汇编到自动化编译的跨越 [9] - CUDA 13.1版本引入Tile功能提升易用性，Triton生态则凭借多元贡献者优势，实现对多厂商芯片的无缝支持 [9] - 国内方面，智源FlagOS平台构建全栈解决方案，FlagGems纳管18款异构芯片，FlagScale集成并行推理与训练加速能力，通过软硬解耦统领异构算力 [9] AI安全挑战与治理 - AI安全风险持续攀升，2024年全球报告安全事件233起，同比增长56.4%，2025年11月底前已超330起 [9] - 深度伪造、AI监控滥用等事件频发，8家头部企业大模型在“防范灾难性滥用”方面均未达标，Agent系统进一步引入外部模块不稳定性与通信安全风险 [9] - 技术层面，自演化攻防演练扩展监管边界，红蓝智能体集群通过持续博弈可发现人类认知盲区的未知风险 [10] - Anthropic发布回路追踪工具实现偏见精准修正，OpenAI推出Aardvark自动挖掘代码漏洞，“以AI治AI”成为常态 [10] - 产业端，70%的大企业将数据主权与抗注入攻击能力列为一票否决项，蚂蚁推出ASL智能体可信互连技术，360构建类脑分区协同安全大模型，场景化安全护盾加速形成 [10]

行业核心观点 - 人工智能演进核心发生关键转移：从追求参数规模的语言学习，迈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] - 2026年将是AI从数字世界迈入物理世界、从技术演示走向规模价值的关键分水岭 [3] - AI发展正从功能模仿转向理解物理世界规律，发展路径日益清晰，即真正融入实体世界，解决系统性挑战 [3] 驱动行业转变的三条主线 - **认知范式的“升维”**：以世界模型和Next-State Prediction为核心，AI开始学习物理规律，为自动驾驶仿真、机器人训练等复杂任务提供全新的“认知”基础 [3] - **智能形态的“实体化”与“社会化”**：智能正从软件走向实体，从单体走向协同，人形机器人进入真实生产场景，同时多智能体通信协议标准化使其能以“团队”形式攻克复杂任务 [3] - **价值兑现的“双轨应用”**：消费端正在形成“All in One”的超级应用入口，企业端AI正凭借更好的数据治理与行业标准接口，在垂直领域孕育出真正可衡量商业价值的产品 [3] 2026十大AI技术趋势 - **趋势1：世界模型成为AGI共识方向，Next-State Prediction或成新范式**：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，NSP范式标志着AI开始掌握时空连续性与因果关系 [4] - **趋势2：具身智能迎来行业“出清”，产业应用迈入广泛工业场景**：具身智能正脱离实验室演示进入产业筛选与落地阶段，人形机器人将于2026年突破Demo，转向真实的工业与服务场景 [5] - **趋势3：多智能体系统决定应用上限，Agent时代的“TCP/IP”初具雏形**：随着MCP、A2A等通信协议趋于标准化，多智能体系统将突破单体智能天花板，在科研、工业等复杂工作流中成为关键基础设施 [6] - **趋势4：AI Scientist成为AI4S北极星，国产科学基础模型悄然孕育**：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”，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 [7] - **趋势5：AI时代的新“BAT”趋于明确，垂直赛道仍有高盈利玩法**：C端AI超级应用的“All in One”入口成为巨头角逐焦点，海外以OpenAI的ChatGPT与Google Gemini为引领，国内字节、阿里、蚂蚁等依托生态积极布局 [8] - **趋势6：产业应用滑向“幻灭低谷期”，2026H2迎来“V型”反转**：企业级AI应用正步入“幻灭低谷期”，但随着数据治理与工具链成熟，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 [9] - **趋势7：合成数据占比攀升，有望破除“2026年枯竭魔咒”**：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，尤其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 [10] - **趋势8：推理优化远未触顶，“技术泡沫”是假命题**：推理效率仍是AI大规模应用的核心瓶颈与竞争焦点，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，使得在资源受限的边缘端部署高性能模型成为可能 [11] - **趋势9：开源编译器生态汇聚众智，异构全栈底座引领算力普惠**：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，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 [12] - **趋势10：从幻觉到欺骗，AI安全迈向机制可解释与自演化攻防**：AI安全风险已从“幻觉”演变为更隐蔽的“系统性欺骗”，技术上致力于从内部理解模型机理，产业上安全水位成为落地生死线 [13] 主要参与方动态 - **智源研究院**：发布年度报告《2026十大AI技术趋势》，提出以“Next-State Prediction”为代表的新范式，并推出悟界多模态世界模型验证该路径 [1][3][4]，联合全球学者发布AI欺骗系统性国际报告 [13]，致力于构建以FlagOS为代表的软硬解耦、开放普惠的AI算力底座 [12] - **蚂蚁集团**：依托生态积极布局AI超级应用，推出全模态AI助手“灵光”与AI健康应用“蚂蚁阿福” [8]，构建“对齐-扫描-防御”全流程AI安全体系，推出智能体可信互连技术及终端安全框架gPass [13] - **海外及国内科技巨头**：海外以OpenAI的ChatGPT与Google Gemini为引领，通过深度集成各类服务塑造一体化智能助手新范式 [8]，国内字节、阿里等也在积极布局 [8]

核心观点 - 人工智能行业的技术演进核心正发生关键转移，从追求参数规模的语言学习迈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] - 2026年将是AI从数字世界迈入物理世界、从技术演示走向规模价值的关键分水岭[5] 认知范式变革 - 基础模型的竞争焦点已从“参数有多大”转变为“能否理解世界如何运转”，正从“预测下一个词”跨越到“预测世界的下一个状态”[4] - 以“Next-State Prediction”（NSP）为代表的新范式，正推动AI从数字空间的“感知”迈向物理世界的“认知”与“规划”[4] - 以世界模型和NSP为核心，AI开始学习物理规律，这为自动驾驶仿真、机器人训练等复杂任务提供全新的“认知”基础[6] - 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，NSP范式标志着AI开始掌握时空连续性与因果关系[7] 智能形态演进 - 智能正从软件走向实体，从单体走向协同，头部科技公司的人形机器人正进入真实生产场景，标志着“具身智能”走出实验室[6] - 具身智能正脱离实验室演示，进入产业筛选与落地阶段，人形机器人将于2026年突破Demo，转向真实的工业与服务场景[8] - 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”，多智能体系统将突破单体智能天花板，在科研、工业等复杂工作流中成为关键基础设施[9] 应用与价值兑现 - 在消费端，一个“All in One”的超级应用入口正在形成，国内外科技巨头基于各自生态积极构建一体化AI门户[6] - 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；国内字节、阿里、蚂蚁等依托生态积极布局[11] - 在企业端，经历早期概念验证的“幻灭期”后，AI正凭借更好的数据治理与行业标准接口，在垂直领域孕育出真正可衡量商业价值的产品[6] - 企业级AI应用预计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[12] - 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”，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[10] 基础设施与关键技术 - 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，尤其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[13] - 推理效率仍是AI大规模应用的核心瓶颈与竞争焦点，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[15] - 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，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[16] 安全与风险 - AI安全风险已从“幻觉”演变为更隐蔽的“系统性欺骗”[17] - 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[17] - 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[17]

核心观点 - 人工智能正经历从预测文本到预测世界状态的根本性转变，其发展路径日益清晰，即真正融入实体世界，解决系统性挑战 [1][17] 世界模型与认知范式 - 行业共识正从单一的语言模型转向能够理解物理规律的多模态世界模型 [3] - Next-State Prediction范式的确立标志着AI开始尝试预测世界的下一个状态，跨越感知边界，触碰真正的认知与规划 [3] 具身智能与机器人 - 具身智能正在告别单纯的演示炫技，进入残酷而真实的产业筛选期 [4] - 随着大模型与精细运动控制的深度结合，人形机器人将在2026年突破Demo的限制，真正走入工厂与服务场景 [5] 多智能体系统 - Agent时代的通信标准如MCP、A2A等初具雏形，让智能体之间拥有了通用的交流语言 [6] - 多智能体系统将彻底突破单体智能的天花板，在科研与工业的复杂工作流中成为未来数字世界不可或缺的基础设施 [6] AI驱动科学研究 - AI在科学中的角色已从辅助者晋升为探索者，AI Scientist正展现出独立研究的潜质 [7] - 科学基础模型与自动化实验室的结合，极大地压缩了新材料与药物研发的时间周期 [8] 应用格局与竞争 - C端超级应用的"All in One"入口成为兵家必争之地，海外有OpenAI与Google引领，国内字节、阿里、蚂蚁等巨头依托生态积极布局 [9] - 蚂蚁推出的全模态助手"灵光"与深耕医疗健康的"蚂蚁阿福"，分别在通用与垂直领域布局 [10] 企业级应用发展 - 企业级AI应用在经历初期的狂热后，因数据与成本的双重压力，暂时滑向"幻灭低谷期" [11] - 随着数据治理的完善与工具链的成熟，2026年下半年将迎来关键转折点，一批真正可衡量价值的MVP产品将在垂直行业实现规模化落地 [11] 合成数据应用 - 当真实世界的数据矿藏渐趋枯竭，合成数据成为了新的动力源泉，"修正扩展定律"为这一路径提供了理论支撑 [12] - 在自动驾驶与机器人领域，由世界模型生成的合成数据正成为降低训练成本、提升模型性能的核心资产，是打破"2026年枯竭魔咒"的潜在解法 [12] 推理优化与成本 - 推理优化依然是AI大规模应用的核心瓶颈与竞争焦点，通过算法精进与硬件革新，推理成本持续下降，能效比不断攀升 [13] - 这使得在资源受限的边缘端部署高性能模型成为可能，让AI普惠的愿景有了脚踏实地的路径 [14] 开源生态与算力 - 为规避算力供应风险，构建兼容异构芯片的软件栈显得尤为紧迫，繁荣的算子语言与趋于收敛的编译器技术正在大幅降低开发门槛 [15] - 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，开源生态将成为打破垄断、实现算力自由的关键力量 [16] AI安全 - AI安全问题已从显性的"幻觉"演变为隐蔽的"系统性欺骗" [17] - 安全必须内化为AI系统的免疫基因，Anthropic对模型内部机理的追踪以及蚂蚁集团构建的"对齐-扫描-防御"全流程体系均指向这一方向 [17]

2026年投资策略主线 - 公司将科技创新与周期品供需再平衡列为两大核心投资主线 [1] - 科技领域聚焦全球AI资本开支高速增长带动的硬件创新，以及自主可控叠加国内需求带动的国产半导体产业链 [1] - 周期领域关注供给约束良好、需求温和复苏的品种，如化工和工业金属 [1] 宏观与市场展望 - 预期2026年政策持续发力、经济温和复苏、流动性充裕、内外部环境改善，驱动市场行情稳步延续 [1] - 相较于2025年，2026年上涨驱动力或将更多来自盈利驱动与行业催化 [1] - 看好业绩驱动的泛科技、泛周期两条线索投资机会 [1] AI产业投资观点 - AI基础设施建设远未达到需要讨论泡沫的阶段，历史上生产力革命的资本开支高峰期一般占全社会GDP的3%-4%，而2026年AI资本开支预计规模仍远低于这一数字 [2] - 2026年AI领域投资策略是紧扣全球资本开支主线，布局国内自主可控机遇和应用端新增长点 [2] - 继续看好存储配套供应链和光通信板块，关注国产GPU或ASIC的渗透机遇、服务器或光模块等配套产业 [2] - 看好能自主执行任务、提升决策密度的多智能体系统及相关端侧硬件、机器人等应用形态 [2] 周期板块投资观点 - 2026年，在全球“宽财政”和“宽货币”双宽预期及国内“反内卷”政策推动下，市场有望迎来上游资源品景气持续和中游制造业景气反转 [3] - AI科技革命驱动新基建资本开支增加，为大宗商品价格提供有力支撑，叠加美联储降息预期，商品价格有望获得宏观和行业基本面双重利好 [3] - 铜、铝行业在供给偏紧与需求稳健增长驱动下，价格中枢有望持续上移，带来良好配置机会 [3] - 新能源、化工等周期行业的供需格局也有望得到显著改善 [3] 固收+与多资产展望 - 由于2025年利率维持低位，权益市场赚钱效应显著，“固收+”产品规模迅猛增长，对2026年“固收+”市场发展持乐观态度 [3] - 预计债券市场将呈现“N型”走势，十年期国债收益率运行中枢有望上行，在新的中枢震荡等待基本面确认 [3] - 随着国内供给端产能周期筑底确认、需求侧稳增长政策持续发力以及美国财政货币双宽周期开启，A股盈利增长有望企稳甚至超预期 [3] - 可转债市场当前估值处于历史中枢偏高水平，但供需偏紧格局下估值仍有支撑，为“固收+”产品提供配置选择 [3] 产品体系与布局 - 公司含权公募产品体系依据风险等级由低到高，划分为“固收+”、主动权益和ETF三大板块，提供一站式资产配置解决方案 [2] - “固收+”领域根据目标收益与回撤控制要求，细分为低波、中低波、中波和高波四个档位 [2] - 主动权益方面建立了全市场选股、主题赛道、指数增强和绝对收益四大系列的三级目录体系 [2] - ETF产品线覆盖宽基、行业主题、债券、策略、境外指数及指数增强六大类，并拥有多个国内“首只”产品，如国内首只人工智能主题ETF、首只新能源汽车ETF [2][4] - ETF矩阵深度布局AI产业链、商业航天、半导体、新能源等前沿科技赛道，同时提供自由现金流、红利低波等Smart Beta策略选择，以及公司债、国债等债券工具 [4] 投研体系升级 - 公司近年全面升级投研体系，通过“一个理念、两大驱动、三多策略、四真机制”的平台化路径构建投研竞争力 [1] - “三多策略”指多团队、多风格、多策略 [1] - “四真机制”指真机制、真团队、真人才、说真话 [1]

行业技术范式重塑 - 人工智能演进核心正发生关键转移：从追求参数规模的语言学习，迈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] - 基础模型的竞争焦点已从“参数有多大”转变为“能否理解世界如何运转” [12] - 2026年将是AI从数字世界迈入物理世界、从技术演示走向规模价值的关键分水岭 [14] 核心认知范式升维 - 世界模型成为AGI共识方向，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 [3] - 以Next-State Prediction为代表的新范式，正推动AI从数字空间的“感知”迈向物理世界的“认知”与“规划”，标志着AI开始掌握时空连续性与因果关系 [3][12] - 以世界模型和NSP为核心，AI开始学习物理规律，这为自动驾驶仿真、机器人训练等复杂任务提供全新的“认知”基础 [14] 智能形态实体化与社会化 - 具身智能正脱离实验室演示，进入产业筛选与落地阶段，人形机器人将于2026年突破Demo，转向真实的工业与服务场景 [4] - 头部科技公司的人形机器人正进入真实生产场景，标志着“具身智能”走出实验室 [14] - 多智能体系统将突破单体智能天花板，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”，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 [5][14] 应用价值兑现双轨发展 - 在消费端，C端AI超级应用的“All in One”入口成为巨头角逐焦点，海外以OpenAI的ChatGPT与Google Gemini为引领，国内字节、阿里、蚂蚁等依托生态积极布局，AI时代的“新BAT”格局正在形成 [7][14] - 在企业端，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”，但随着数据治理与工具链成熟，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 [6][14] - 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”，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 [6] 关键使能技术发展 - 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，尤其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 [9] - 推理效率仍是AI大规模应用的核心瓶颈与竞争焦点，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，使得在资源受限的边缘端部署高性能模型成为可能 [8] - 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，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 [11] AI安全风险演进 - AI安全风险已从“幻觉”演变为更隐蔽的“系统性欺骗” [12] - 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及终端安全框架gPass [12] - 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 [12]

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]

AI基础设施与Agent：从交互工具进化为自主生命体 - AI正在从“数字助理”进化为“自主执行集群”，2026年将见证AI从“对话工具”向“多智能体系统”的跨越，开启企业运营杠杆的历史性飞跃 [3] - 多智能体系统将驱动未来企业，通过协作管理复杂工作流，在不同部门间共享上下文并自动协调任务分配，使未来头部企业的人均创收达到传统企业的数倍 [7] - AI的终极目标是让用户离开屏幕，在后台完成90%的重复性工作，投资逻辑将从关注“用户粘性/日活”转向关注“自动化任务的完成质量” [8] - 企业中80%的知识锁在非结构化、多模态数据中，能够高效清理、验证并管理这些数据的平台将掌握企业级知识管理的“生杀大权”，这是数据基建领域下一个千亿级赛道 [9] - 当Agent触发的递归任务流呈指数级增长时，现有基建将不堪重负，未来的基础设施必须支持大规模并发、极低延迟和智能路由，这将决定AI应用落地的天花板 [10][11] - 2026年，AI将接管网络安全中大量重复性工作，解放安全团队去进行更深层次的漏洞修复和犯罪追踪 [11] - 2026年，创意工具将实现跨模态整合，用户可以用一段声音生成一段契合风格的视频，或用一张草图生成完整的3D建模，使内容创作的边际成本趋向于零 [12] - 2026年将诞生第一所完全围绕AI构建的原生大学，其课程设置、科研协作本身由AI实时优化，这不仅是教育的变革，更是未来劳动力市场的先导指标 [13] SaaS的范式转移：从记录系统到行动系统 - SaaS正经历从“被动记录”到“主动推理”的范式转移，未来的企业软件将是“主动的智能工作流引擎” [3][14] - 传统的CRM和ERP被动记录数据，而未来的企业软件能够通过AI预测需求并直接协调端到端执行，将取代那些仅提供“存储功能”的过时软件 [16] - 在医疗、法律、建筑等垂直行业，AI将成为协调买卖双方、顾问与供应商的“超级节点”，解决跨部门协作的复杂瓶颈，大幅提升行业整体周转效率 [17] - 个性化服务将实现从“为所有人优化”到“为每个人定制”的飞跃，AI将实时根据个人偏好量身定制教育路径、健康方案等独特体验 [3][18] 物理世界的复兴：比特接管原子 - 科技正在溢出屏幕，“比特”开始全面接管“原子”，电气化、材料科学与AI融合而成的“电子工业堆栈”将成为物理世界运行的底层逻辑 [3][19] - 软件和AI正在让美国制造业机器重新运转，通过模块化部署和AI自动审批流程，复杂流程将变得像流水线一样高效，美国有望迎来工厂复兴的黄金时代 [3][21][22] - 未来将能像生产手机一样大规模生产核反应堆，像组装家具一样快速建造住房，这是工业实力与软件能力的深度合体 [22] - 电气化、材料科学与AI的进步正在融合，使软件真正能够控制物理世界，从矿物精炼、电池储能到电力电子设备控制都由软件协调 [23] - 掌握“电气化产业链”的国家和企业，将决定未来工业和军事技术的制高点 [23] 生物健康与虚拟交互：重塑生命质量与数字体验 - 预防性医疗将开启长效变现的新蓝海，2026年AI将把“健康的青年用户”推向医疗科技的核心，通过长期、低成本的实时监测和预防性护理，帮助用户延缓进入重症阶段的时间，形成一个极具潜力的长效订阅商业模式 [3][24] - 在虚拟世界中，用户只需一段文字描述，AI就能实时生成完整的3D交互环境，这些生成式世界不仅用于娱乐，更是训练自动驾驶和机器人的重要虚拟靶场 [25] 加密货币：互联网的基础结算层与金融重构 - 加密货币将化身为互联网的基础结算层，稳定币与RWA将重构金融底层 [3] - 隐私将是未来区块链竞争的关键要素，具备隐私功能的区块链能够形成强大的网络效应，隐私链将成为加密货币领域的赢家 [26] - 越来越多的传统资产将被代币化上链，未来的代币化产品应充分利用加密技术的原生特性，例如永续期货等创新金融工具 [27] - 稳定币正在成为全球支付的基础设施，2026年新的支付方式将更加普及，稳定币将从一种金融工具转变为互联网的基础结算层 [28] - 未来的即时通讯将采用去中心化协议，取代对私有服务器的依赖，从而实现更高的隐私和安全性，赋予用户对信息和身份的完全掌控权 [29]

核心观点 - 提出一种新的AI任务解决范式：使用一个经过强化学习微调的8B参数小模型作为“指挥家”，智能编排和调用包括代码解释器、网络搜索、数学模型及更强的大模型在内的多种工具，在保证任务正确性的同时，显著优化成本和效率，并能够对齐用户偏好 [1][13] - 在多项基准测试中，该Orchestrator-8B模型在性能上超越了GPT-5等顶级大模型，同时计算成本大幅降低，展示了“小模型指挥大工具/模型”系统的优越性 [1][9] 技术架构与训练方法 - 系统核心名为ToolOrchestra，其将各类工具（网页/本地检索、代码执行、数学与通用LLM等）统一封装为JSON接口，使指挥家模型能够在多轮交互中执行“思考-调用-反馈”的循环直至问题解决 [4] - 采用GRPO强化学习方法进行训练，通过最大化三重奖励来优化指挥家：1) 任务解决的正确性；2) 效率（货币/时延惩罚）；3) 用户偏好（如更爱本地检索还是云搜索，更看重速度还是成本） [4][5] - 为支持强化学习训练，研究团队构建了一个名为ToolScale的合成数据集，该数据集覆盖金融、医疗、出行、教育等10个领域，通过LLM生成领域数据库、API及“任务-黄金动作序列”，并经过可验证标准筛选，为训练提供了真实丰富的环境 [7] 性能与成本优势 - 在Humanity's Last Exam (HLE)基准测试中，Orchestrator-8B取得了37.1%的成绩，超过GPT-5的35.1% [1][9] - 在FRAMES（事实推理）基准上，Orchestrator-8B得分为76.3，高于GPT-5的74.0 [9] - 在τ²-Bench（复杂工具调用）基准上，Orchestrator-8B得分为80.2，高于GPT-5的77.7 [9] - 在取得上述性能领先的同时，Orchestrator-8B平均成本仅为9.2美分，时延8.2分钟，显著低于GPT-5的30.2美分成本和19.8分钟时延，计算成本约为对手的三成 [9][10] - 成本-效果曲线显示，在同等预算下，Orchestrator-8B的准确率曲线始终在GPT-5、Claude等之上；在达到相当准确率时花费更少 [11] 解决的问题与系统特性 - 解决了仅靠提示词构建多智能体系统时存在的两大偏见：1) 自增强偏见，即模型倾向于调用同家族模型（如GPT-5调用GPT-5-mini）导致性能下降；2) 他增强偏见，即无脑调用最强模型导致成本爆表（如Qwen3-8B大量调用GPT-5） [3][4] - 系统具备良好的泛化能力，即使面对训练时未见过的新工具或模型组合，指挥家也能从模型描述中推断其能力与擅长领域，维持最优性价比 [15] - 系统能够有效对齐用户偏好，对于“更私密的本地检索”、“更快速度”或“更低成本”等要求，指挥家比强大的基座模型更能遵从指令执行 [15] 应用场景与行业意义 - 为企业客户提供了稳定、可控、可落地的解决方案，将昂贵的大模型资源仅用于真正的难点，其余工作交由便宜高效的工具链完成 [13] - 具体应用场景包括：1) 企业内部问答/报表分析，默认用本地索引和代码沙盒完成80%工作，仅在遇到歧义或复杂推理时短暂调用强模型；2) 研发检索/调研，可设定时间/成本上限及来源偏好，由指挥家动态权衡；3) Agent工作流，将各种函数/工具纳入统一接口，由指挥家进行端到端智能编排，替代写死的if-else逻辑 [16] - 该范式标志着从依赖“单一强大模型”到构建“小模型+工具+专家模型的复合系统”的转变，在智能体从单体走向复合系统的趋势下，此类“协调者”角色至关重要 [13] 资源开放情况 - 论文、全部代码、模型与数据均已公开，方便学术界与产业界跟进研究与应用 [14][17]