文章核心观点 文章对2026年人工智能领域的发展趋势做出了20项关键预测，核心观点认为2026年将是AI技术深化、应用爆发和商业格局重塑的关键一年，涵盖新范式探索、模型竞争、多模态突破、企业级应用、硬件基础设施变革以及自动驾驶商业化等多个维度 [2][4] 技术范式与模型发展 - **新范式信号出现**：行业预计在2026年将在持续学习（Continual Learning）等新范式上出现积极信号，可能在1-2个技术路线上达成共识，出现类似Transformer的代表性工作或早期共识，这是突破当前模型代际差距的关键 [5] - **World Model路线收敛**：世界模型的技术路径预计在2026年结束“盲目探索”，达成共识，进入“GPT-2时刻”，即技术路线收敛后通过扩大规模（scaling）验证模型上限，进入爆发前夜 [4][20] - **开源模型格局变化**：预测中国公司如Qwen和DeepSeek将持续占领开源领域的SOTA（最先进水平），全球开源第一梯队将完全由中国公司占据，而美国顶尖团队因专注于闭源模型，将缺乏与之抗衡的对标产品 [4][25] - **AI参与科研深化**：预计在2026年左右，AI将更“原生地”解决第一个重大科学问题，最有可能发生在数学、物理或材料学领域，背景是OpenAI、Google等AI实验室加大了对科学领域的投入 [4][23][24] 主要参与者与竞争格局 - **OpenAI叙事反转与估值**：预测OpenAI将在2026年下半年扭转叙事，估值突破万亿美元，驱动力包括ChatGPT成为全球性入口、探索新的商业模式，以及有望在持续学习新范式上取得突破并重回SOTA地位 [4][9][10] - **xAI并入Tesla**：预测xAI将被并入Tesla，旨在打通数字与物理世界的AGI，将xAI的智能资产转化为Tesla在自动驾驶和具身机器人（如Optimus）领域的“具身智能”溢价 [4][11] - **Google市值突破**：预测Google市值将在2026年进一步冲高，突破5万亿美元，这意味着其EPS有望达到16至20美元，市场可能给予30倍以上的PE倍数，信心来源于其稳固的模型第一梯队地位、多模态积累以及广告业务的韧性 [4][34] - **M7科技巨头分化**：预测到2026年，M7巨头在AI上的收益和穿越周期能力差异将加剧，分化为三层梯队：NVIDIA和Google是核心赢家；Apple和Tesla因硬件和物理AI优势维持中间地位；MSFT、AWS和Meta可能掉队 [4][35] 产品、应用与商业化 - **ChatGPT成为全球入口**：预测ChatGPT的DAU将从当前的约4-5亿在2026年翻倍，达到8亿至10亿，成为真正意义上的“全球性入口”；同时，其Web端流量与Google的比例将从约85:15演变为至少70:30，达到“1/2个Google”的体量 [4][6] - **ChatGPT的“App-store Moment”**：预测ChatGPT将出现“应用商店时刻”，标志是诞生第一个年度经常性收入（ARR）达1亿美元的原生Killer App，实现从超级工具向超级平台的跃迁，AI将直接推荐并嵌入应用功能到对话流中 [4][7][8] - **企业级AI大年**：预测2026年是“企业级AI大年”，爆发路径分化为“Buy”（开箱即用产品，如AI-native办公工具）和“Build”（基于API深度构建Agentic工作流）。Anthropic因其作为中立、跨云的强API提供者的结构性优势，预计ARR将至少翻倍，突破200亿美元 [4][12][14] - **多模态迎来“AI Coding时刻”**：预测多模态领域将像AI编程一样开始产生规模化的商业收入，出现代表性公司，并预计在2026年诞生类似“Pokémon GO”的现象级AI多模态内容消费产品，推动软硬件协同进化 [4][15][16] - **自动驾驶规模化商业变现**：预测2026年是自动驾驶“大规模商业化大年”，全球Robotaxi车队总量可能从约2万台增长10倍，达到约30万台量级；Tesla的FSD订阅用户数预计从70万翻倍增长至150万左右，成为重要现金流来源 [4][36][37] 基础设施与硬件 - **推理算力大爆炸**：预测2026年将是推理算力“大爆发”之年，从Tokens消耗角度看预计至少有10倍增长，驱动因素包括从对话转向“长程任务”、Proactive Agents的主动行为以及多模态与世界模型应用带来的高维计算需求 [4][30][31] - **NVIDIA投入光互联与CPO并购**：预测NVIDIA将在2026年激进投入光互联领域，并可能引发全球共封装光学（CPO）领域的并购潮，NVIDIA凭借微环调制器等技术在光互联领域建立代差壁垒 [4][27][28] - **多模态引发存储革命**：预测多模态训练的爆发将硬件关注点引向存储带宽与容量，特别是eSSD；如果世界模型路径跑通，将进一步驱动存储需求，存储将从芯片外设深度融入算力核心，NVDA和Google可能推出针对视频处理的专属芯片或chiplet [4][29] 行业生态与资本市场 - **新一波数据公司崛起**：预测长程任务（Long-horizon Tasks）和多模态需求的爆发将催生新一波ARR达10亿美元的数据公司，需求来自高难度的长轨迹数据、多模态标注处理以及企业级AI落地所需的专有领域知识 [4][17] - **AI公司IPO大年**：预测美股将在2026年迎来AI公司IPO大年，SpaceX、OpenAI和Anthropic等巨型公司以及已具规模的垂直AI公司可能密集上市，反映极高的市场热度，但巨型IPO也可能成为市场情绪峰值信号 [4][32][33] - **AI公司估值共识形成**：预测随着Agent产品（如Proactive Agent、长程任务应用）的普及，2026年将形成新的、可量化的Agent产品价值评估体系，取代传统的用户留存、企业IT预算等指标 [4][26] - **Agentic Web博弈与协议**：预测Agentic Web（AI能跨越边界替用户行动）将打破现有流量分发逻辑，引发类似“3Q大战”的利益冲突，而Apple可能凭借其软硬全栈布局和强势生态，在2026年推出决定性的Agentic Web协议规范 [4][21][22]

文章核心观点 - 当前AI模型在评估中表现优异但经济影响滞后，揭示了过度拟合评估而非真实世界需求的根本问题[14][17][18] - 行业需要从依赖确定性的“规模扩展”范式，转向以解决泛化能力为核心的新“研究时代”[6][14][57] - 真正的超级智能形态应是一个具备强大持续学习能力的系统，而非一个预训练的“成品”[96][97][98] 对AI范式的批判 - 模型存在行为波动性，上一秒能完成复杂任务，下一秒却连续犯低级错误[2][19][20] - 矛盾在于模型评估得分高但现实经济效果完全跟不上，评估表现与实际世界表现脱节[14][17][18] - 问题的核心可能在于强化学习训练使模型变得“过于专注和狭隘”，导致基础任务表现迟钝[21][22] - 真正的“奖励黑客”是过于关注评估指标的研究人员，而非模型本身[14][24] 从规模时代重返研究时代 - AI发展可分为两个阶段：2012-2020年为研究时代，2020-2025年为规模扩展时代，现在需重返研究时代[14][57] - 规模扩展配方（将计算力和数据塞进大型神经网络）提供了确定性收益，但改变了世界的是创新研究而非更大模型[6][14] - 公司偏好规模扩展因其资源投入风险低，而研究则充满不确定性[55][56] - 当前计算力已非常充足，行业再次回到“研究时代”，但此次拥有更大的计算资源[57][59] 人类实践中的经验启示 - 人类在15岁时所见数据量极少，但理解更深且不会犯AI那样的错误，表明人类学习样本效率极高[40][66] - 人类学习不依赖明确奖励体系，而是通过讨论、展示等互动方式自然习得[66] - 情感可能是一种被忽视的“价值函数”，能帮助人类快速判断行为好坏，对决策至关重要[43][45][51] - 进化赋予人类强大的先验能力（如视觉、运动），但人类在现代技能（语言、编程）上的快速学习能力表明其学习系统本身非常强大[69][70][72] 超级智能的形态与路径 - 超级智能不应是预训练完成的“全能大脑”，而应是一个可以学会做经济中每项工作的优秀学习算法[14][97][98] - 超智能系统更可能以“持续学习智能体”的形式被部署到经济中，通过实践学习积累技能[96][97][98] - 广泛部署可能引发快速经济增长，但具体速度受各国规则差异影响，存在不确定性[98][99][100] - 对超智能发展的时间预测在5到20年之间[113] 研究的方法与审美 - 研究需要“自上而下的信念”，即在实验与预期矛盾时支撑研究者的核心判断[14][123] - 优秀的研究品味源于对AI应有状态的美学判断，追求简洁、优雅且正确受大脑启发的理念[122][123] - 想法本身并不廉价，研究的瓶颈包括算力、工程能力以及将想法成功执行的困难[79][80]

当前AI模型的局限性 - 模型在评估测试中得分极高，但在实际应用中常犯低级错误，例如修复代码Bug时会引入新Bug，显示出评估性能与现实世界性能的脱节 [18] - 这种脱节源于强化学习被过度优化用于“刷榜”，导致模型像只会做题的竞赛选手，缺乏真正的判断力和泛化能力 [4][19] - 模型更像一个练习了10,000小时的竞技编程选手，精通解题套路，但泛化能力远不如只练习100小时却拥有“灵性”的学生 [21][22] 人工智能发展的范式转移 - 2012年至2020年是人工智能的研究时代，而2020年至2025年则是扩展时代，其特征是遵循预训练的扩展配方进行大规模投入 [33] - 当前单纯扩大模型规模的边际效应递减，行业需要从“扩展时代”回归到“研究时代”，寻找新的数据配方和训练方法 [33][34] - 预训练数据的有限性意味着依赖现有扩展配方将面临瓶颈，未来进展将更依赖于研究突破而非单纯算力堆砌 [33] 人类智能的关键优势与AI的缺失 - 人类通过极少数据（如10小时学会开车）就能掌握复杂技能，其核心优势在于强大的内部“价值函数”，即直觉和情感 [5][6] - 价值函数使人类能在没有明确外部奖励时进行自我纠正，而当前AI缺乏这种内在、鲁棒的价值评估机制 [6][28] - 人类在语言、数学等新领域的学习能力表明，其高效学习并非完全依赖进化先验，而是拥有更根本的、优越的机器学习算法 [40][41] 超级智能的定义与实现路径 - 真正的超级智能被定义为一个拥有极高样本效率的“超级学习者”，能够像人类一样通过少量接触就掌握任何工作 [3][57] - 实现路径可能并非构建一个知晓一切的静态系统，而是部署能够进行“持续学习”并掌握经济中所有工作的智能体实例 [57][60] - 广泛部署此类持续学习智能体可能导致快速的经济增长，其影响将被强烈感受到，但具体时间线和形态难以预测 [17][62] 安全超级智能（SSI）的战略与行业影响 - 公司战略从倾向于“直通超级智能”的秘密研发，转变为倾向于逐步发布，以展示AI的强大力量，促使公众、政府和竞争对手真正重视安全问题 [7][52] - 逐步发布有助于形成“安全军备竞赛”的良性合作，前沿公司预计将在安全合作中扮演重要角色，例如OpenAI和Anthropic已迈出合作步伐 [52][65] - 公司的技术方法专注于解决可靠的泛化问题，目标是构建稳健对齐、能“关爱有感知生命”的AI，这被视为一种可能的技术趋同方向 [66][78] 未来研究的方向与挑战 - 未来研究的关键在于提升模型的泛化能力和样本效率，这比单纯扩展算力更为根本 [35][36] - 价值函数被认为能让强化学习更高效，是未来可能的重要研究方向，但其具体实现和与情感的关联仍是待解之谜 [29][31] - 研究时代需要回归对想法的探索，而非单纯执行现有配方，算力是工具但并非唯一瓶颈，想法的质量将重新成为关键 [45][49] 超级智能的长期影响与均衡 - 超级智能的广泛部署可能带来快速的经济增长，但也是一个不稳定的情况，其力量需要受到某种限制或协议约束 [62][68] - 长期均衡的一种可能解决方案是人与AI通过脑机接口等方式深度融合，使人能完全理解并参与AI的决策过程 [72] - 行业最终对齐战略可能趋同于构建“关爱有感知生命”的AI，随着AI能力增强，公司和政府的行为模式将发生巨大改变 [70][78]