核心人事动态 - OpenAI已确认聘请清华大学姚班校友、加州大学伯克利分校EECS助理教授陈立杰加盟，负责数学推理方向 [1][2] - 陈立杰近期研究方向聚焦于扩散语言模型，紧跟生成模型的重要演进路线 [7] - OpenAI在去年9月发表的出圈论文《Why Language Models Hallucinate》中，引用了陈立杰参与的另一篇关于大模型幻觉的研究 [4] 个人背景与学术成就 - 陈立杰出生于1995年，16岁时获得全国信息学奥赛金牌并被保送清华大学，是清华大学“姚班”知名校友 [10] - 其竞赛生涯成绩斐然，曾多次在全国信息学联赛、冬令营及中国队选拔赛中获全场第一名 [12] - 本科期间即在AAAI、AAMAS、COLT、CCC等重要计算机会议上发表多篇论文，并开始系统性研究计算复杂性理论 [15] - 大三下学期赴MIT交流，师从著名学者Scott Aaronson研究量子复杂性，并解决了量子信息领域一个自2002年提出的开放性问题 [16][19] - 2017年，作为中国首位本科生在计算机科学基础年度研讨会发表论文，解决了计算复杂性领域的重要问题 [20] - 同年从清华姚班毕业，赴MIT攻读博士学位，师从Ryan Williams，研究方向集中于计算复杂性理论与细粒度复杂度理论 [21][22] - 博士期间多次在FOCS、STOC等顶级理论计算机会议发表论文，并获得2019年STOC和FOCS最佳学生论文奖等重要学术荣誉 [23][24] - 2022年从MIT获得博士学位，随后加入UC Berkeley Miller研究所担任米勒博士后研究员，该职位每年仅授予少数杰出青年学者 [23] - 2024年，其一篇关于《复杂性下界的逆向数学》的论文为困扰学界近50年的一类计算复杂性难题带来新思路 [23] - 2025年，正式加入加州大学伯克利分校EECS系担任助理教授，并成为伯克利理论计算机科学团队成员，主讲研究生课程《Computational Complexity Theory》 [10][26] 研究方向与兴趣 - 主要研究方向包括P与NP、电路复杂性、细粒度复杂性、去随机化、算法下界等理论计算机科学核心问题 [27] - 在去随机化与复杂性下界之间的联系、复杂性难度放大等方向做出了系统性贡献 [28] - 研究兴趣广泛，致力于将理论计算机科学的思想应用于量子物理和AI安全等其他科学领域 [9][29] - 其个人研究主页显示，他关注如何应用理论计算机科学的思想为AI系统建立安全保证 [9]

报告行业投资评级 * 报告未对特定行业或公司给出明确的投资评级 [1][7][9] 报告的核心观点 * 报告聚焦于2025年11-12月全球云上数据泄露事件，揭示了AI安全风险与云基础设施攻击面深度融合的新趋势 [12] * 攻击者正将AI模型作为跳板刺探云环境，并通过“零点击”漏洞和间接提示注入使社工攻击更隐蔽、自动化 [12] * 开发运维环境下的凭证管理失控是重灾区，硬编码密钥与供应链投毒频发，暴露了企业在云原生资产管理上的巨大盲区 [12] * 从事件成因看，基础Web应用类攻击与系统入侵并列成为导致数据泄露的首要因素，各占约30%，丢失和被窃取的凭证以及社工各占约20% [12][123] * 随着AI与云计算深度融合，云端的攻击面正从基础设施层向AI应用层极速扩张，模型参数、聊天记录、AI密钥等将成为新的核心泄露源 [134] 全球11-12月云上数据泄露典型事件解读 * **事件一：AI初创企业GitHub凭证泄露**：约65%的福布斯AI50榜单顶尖私营AI公司的核心AI平台凭证在GitHub泄露，包括API密钥和访问令牌，一个已删除分支中的HuggingFace令牌可能导致近千个私有模型暴露 [17][20] * **事件二：React2Shell漏洞大规模利用**：React Server Components的远程代码执行漏洞（CVE-2025-55182，CVSS 10.0）遭在野利用，约40%的云环境可能包含易受影响的React或Next.js实例，攻击者可实现未授权RCE并植入挖矿木马 [26][27] * **事件三：Salesforce第三方生态遭攻击**：SaaS供应商Gainsight遭入侵，导致超200家公司的Salesforce数据被窃取，攻击者通过滥用OAuth集成令牌绕过认证 [38][40][42] * **事件四：npm供应链投毒**：名为“Shai-Hulud 2.0”的供应链攻击污染了数百个npm包，窃取了超500个GitHub用户名和令牌以及约40万个独特的密钥，并在GitHub创建仓库进行交叉感染与数据外泄 [50][53][58] * **事件五：DockerHub镜像硬编码密钥**：共有10,456个公开Docker镜像泄露敏感密钥，其中AI模型访问令牌超4,000个，约42%的镜像同时暴露五个及以上敏感值，直接影响101家企业，包括一家《财富》500强公司 [68] * **事件六：ChatGPT SSRF漏洞**：ChatGPT自定义GPT的Actions功能存在SSRF漏洞，可诱导后端访问Azure云元数据服务，获取高权限OAuth2访问令牌，进而完全控制云资源 [77][81] * **事件七：MongoBleed内存泄露漏洞**：MongoDB漏洞（CVE-2025-14847，CVSS 8.7）影响超87,000个暴露实例，攻击者可在认证前从进程内存中泄露数据库凭证、API密钥等敏感信息 [85][86] * **事件八：Oracle EBS 0day漏洞利用**：攻击团伙利用Oracle E-Business Suite未授权RCE 0day漏洞（CVE-2025-61882），植入内存马，窃取全球高校及跨国企业的核心ERP数据及个人敏感信息（如SSN、银行账户）并进行勒索 [90][91][92] * **事件九：Google GeminiJack“零点击”漏洞**：Gemini Enterprise的间接提示注入漏洞，使攻击者可通过共享恶意文档，在用户无交互的情况下窃取其整个Workspace核心数据（Gmail、Drive、Calendar） [104][105] * **事件十：vLex VincentAI间接提示注入**：法律AI助手VincentAI的漏洞可被利用在受信任平台内生成伪造登录弹窗，导致全球超200,000家律师事务所的SSO凭证及敏感案卷面临窃取风险 [112][118] 安全建议 * **针对社工类及系统入侵**：建议构建防SSRF的AI网络隔离区，严格限制模型网络出口并设置请求白名单；强化漏洞全生命周期管理，及时修补高危漏洞并部署虚拟补丁；防御间接提示注入，对AI处理的外部数据进行源隔离与清洗，并在关键操作引入人工确认 [126][127] * **针对丢失和被窃取的凭证**：建议实施从代码到镜像的全链路凭证扫描，并在CI/CD流水线中集成自动化扫描工具；加强软件供应链管控，锁定依赖版本并搭建私有制品库进行安全扫描；实施云原生环境的最小权限原则与配置审计，优先使用临时凭证；建立应急响应机制，监测到泄露后立即执行全面的凭证轮转 [128][129]

文章核心观点 - 2026年是人工智能从数字世界迈入物理世界、从技术演示走向规模价值兑现的关键分水岭[3][27] - 行业正经历由三条主线驱动的范式变革，AI落地路径日益清晰，但安全是必须解决的最后一公里挑战[3][13][20] 驱动AI范式变革的三条主线 - **主线一：基础模型能力持续演化，认知层面升维**：预训练和后训练阶段的Scaling Law依然奏效，模型正从预测下一个token向“next-state prediction”跨越，为学习物理规律和复杂任务提供新“认知”基础[9] - **主线二：AI落地形态向“实体化”和“社会化”演化**：智能正从软件走向实体，从单体走向协同，主流Agent通信协议的标准化让多智能体有望攻克更复杂任务流[10] - **主线三：AI应用在消费端和企业端呈现清晰落地路径，走向价值兑现**：消费端“All in One”超级应用入口正在形成；企业端AI正凭借更好的数据治理与行业标准接口，在垂直领域孕育出可衡量商业价值的产品[10] AI超级应用竞争格局 - **海外双强多强竞争**：OpenAI的ChatGPT与Google的Gemini竞争白热化，行业从OpenAI一枝独秀向双强及多强演变[14] - **竞争本质是生态竞争**：AI超级应用范式为基础模型直接产品化实现的用户截流聚集，竞争依赖极高的算力成本和庞大的存量用户进行模型数据飞轮迭代[16] - **国内巨头体系化生态竞争**：科技巨头基于各自生态积极构建一体化AI门户，如豆包与抖音联动、高德地图接入千问，头部大厂基于移动互联网时代的积累具备打造AI超级入口的实力[16][17] - **新玩家以新形态挑战**：蚂蚁集团推出“灵光”，把Vibe coding能力搬到手机端快速生成多模态闪应用，曾领跑全球AI产品下载增速[17] - **垂直赛道优势显现**：蚂蚁旗下AI健康应用“蚂蚁阿福”全面升级后，月活跃用户数一个月翻倍达3000万，其成功关键之一在于串联起蚂蚁在医疗健康场景的生态资源和服务能力[18][19] AI安全风险与应对 - **安全风险高发且升级**：截至2025年12月初，AI安全风险事件达330起，远超2024年的233起[20]；风险从早期“幻觉”演进为更隐蔽的“系统性欺骗”，并呈现“莫比乌斯锁定”效应[21] - **风险带来巨大经济损失**：全球大模型安全事件损失从2023年的85亿美元剧增至2024年的143亿美元，预计2025年将突破235亿美元[24] - **产业端强化安全准入**：超70%的大型企业在引进大模型时，将数据主权与抗注入攻击能力列为“一票否决项”[24] - **技术层面转向主动防控**：防御从“被动应对”转向“主动防控”，外部安全采用基于多智能体系统的自演化攻防演练，内生安全则从内部理解模型机理，“以AI治AI”成为常态[25] - **产业层面嵌入场景实践**：蚂蚁构建“线上服务攻防对抗，线下终端安全加固”技术体系，推出“蚁天鉴”和全球首个智能终端可信连接技术框架gPass；360基于自研大模型构建类脑分区协同安全架构[26]

公司发展规划 - 公司创始人表示团队将在做好风险控制的前提下持续突破技术[1] - 公司计划在未来十年、二十年内陆续推出K4、K5直至K100系列模型[1] 行业地位与愿景 - 目前已有多款中国开源模型成为行业测试标准[1] - 公司创始人认为中国技术不仅要好用还要参与制定规则[1] - 创始人认为AI可能是人类探索未知的钥匙能帮助攻克癌症解决能源危机探索宇宙[1] - 创始人认为虽然有风险但放弃发展就等于放弃人类文明的上限[1]

AI产业发展阶段预测 - 2024年为“大模型之年”，2025年为“智能体之年”，2026年将被定义为“百亿智能体之年” [1] - 百亿级智能体将全面融入经济社会，行业竞争焦点将从“比拼参数”转向“比拼落地” [1] AI产业发展动力与格局变化 - AI产业发展动力将发生根本性转移，企业将不再频繁训练大模型，而是通过“推理应用”直接“雇佣”AI解决实际问题 [1] - AI芯片市场格局将改变，“英伟达一家独大”的单极格局将被打破，形成“英伟达主导训练，多家厂商分食推理”的双轨产业格局 [1] - 专用推理芯片（ASIC）将凭借成本优势在细分场景快速渗透 [1] - 制约发展的核心瓶颈将从算力芯片转向稳定充足的电力供给，全球科技竞争将升级为“能源大战” [1] AI技术范式演进 - AI将完成从“静态工具”到“持续进化系统”的蜕变 [2] - 传统的“预训练+微调”模式将让位于“通用基座+行业专精+推理时进化”的新范式 [2] - 模型在回答复杂问题时将进行“慢思考”与多步推演，企业将为更长的推理时间付费，以换取更高的决策准确性 [2] - AI将具备成熟的长期记忆能力，进化为记录、理解并深度调用个人生活与工作数据的“第二大脑”，成为每个人意识的延伸与数字孪生 [2] 智能体应用与生态变革 - 智能体将替代APP成为服务核心入口，个人与商家的智能体可直接谈判、交易 [2] - 这要求建立全新的硅基规则体系，包括智能体身份认证、区块链合约及“AI原生保险”等金融创新 [2] AI安全与治理 - 伴随能力提升，AI安全从“选修课”变为“生死红线” [2] - 当前核心挑战在于AI决策的“可验证性”，必须构建全流程可追溯系统，并在关键决策点强制保留“人在回路”的否决权 [2] - 面对未来智能体间可能出现的协同攻击，安全防御必须升级为“以模制模”的范式 [2]

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]

高盛对Lumen Technologies的财报前瞻与投资者日展望 - 高盛维持Lumen“中性”评级 并将12个月目标股价从5美元上调至5.5美元 [1] 2025年第四季度及全年财务预测 - 预计第四季度调整后EBITDA为8.06亿美元 略高于市场普遍预期的7.92亿美元 [2] - 预计第四季度营收为30.2亿美元 稍低于市场共识的30.4亿美元 [2] - 预计2025年全年EBITDA将达到34亿美元 处于管理层指引区间32-34亿美元的上限 [2] - 预计第四季度自由现金流为-4.35亿美元 全年自由现金流为13.7亿美元 符合公司12-14亿美元的指引 [2] - 全年EBITDA达指引上限主要得益于成本控制举措以及传统业务下滑态势的改善 [2] 现金流风险与远期预测调整 - 第四季度自由现金流存在下行风险 因美国联邦政府停摆可能导致公司预计的4亿美元退税延迟 [2] - 考虑到2025年第四季度至2026年第一季度期间将以更高利率进行债务再融资 高盛略微下调了公司2026-2027年的自由现金流预期 [2] 2026年业绩指引与资产出售影响 - 管理层预计2026年全年EBITDA将超过35亿美元 其中包含大众市场业务贡献的2-2.5亿美元 [3] - 若剔除拟以57.5亿美元向AT&T出售消费级光纤资产的影响（净收益约48亿美元） 在该交易预计2026年初完成的前提下 公司2026年EBITDA仍将超过32亿美元 [3] - 高盛预测Lumen 2026年自由现金流将为10亿美元 [3] - 尽管PCF业务预付款项将带来一定支撑 但高达10亿美元的税务支出将抵消约10亿美元的资本支出节省 [3] 2026年投资者日关键看点 - Lumen计划于2026年2月25日举行投资者日 这被视作关键催化剂 [4] - 预计管理层将发布未来五年EBITDA利润率、利息支出及资本支出目标 [4] - 预计将进一步披露PCF业务和Lumen Digital部门的运营数据 以提升增长举措贡献度及传统业务下滑放缓趋势的透明度 [4] - 若与AT&T的资产出售交易顺利完成 公司管理层还可能公布后续资本配置框架 [4] - 潜在资本配置方向包括：加大网络基础设施投资以支持AI工作负载增长、进一步削减债务以实现目标杠杆率、在AI安全及边缘计算等高增长领域开展战略并购 [4]

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 [2] 技术范式转变 - 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” [1] - 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” [1] - 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 [3] 驱动转变的三条主线 - **认知范式的“升维”**：以世界模型和NSP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 [2] - **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”形式工作 [2] - **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在经历早期“幻灭期”后，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 [2] 十大AI技术趋势详情 - **趋势1：世界模型成为AGI共识方向，Next-State Prediction或成新范式**：以智源悟界多模态世界模型为代表，推动AI从感知走向真正的认知与规划 [3][5] - **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**：人形机器人将于2026年突破Demo，转向真实的工业与服务场景，具备闭环进化能力的企业将在商业化竞争中胜出 [3] - **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 [3] - **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”，我国需整合力量加快构建自主的科学基础模型体系 [4] - **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，蚂蚁推出了全模态AI助手“灵光”与AI健康应用“蚂蚁阿福” [4][6] - **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应用因数据、成本等问题正步入“幻灭低谷期”，但预计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 [7] - **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 [8] - **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 [9] - **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，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 [10] - **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”，技术上如Anthropic的回路追踪研究和OpenAI的自动化安全研究员，产业上如蚂蚁集团构建“对齐－扫描－防御”全流程体系并推出智能体可信互连技术（ASL）及终端安全框架gPass，智源研究院联合全球学者发布了AI欺骗系统性国际报告 [11]

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]