文章核心观点 - 人工智能正在引发一场“代际清零”式的创造性破坏，其颠覆速度远超以往技术革命，核心影响是技能、企业与资产定价权的根本性重构 [3][4][6] - 市场对劳动的奖励机制发生转变：过去稀缺的认知劳动（如编程、分析）正因AI而商品化并快速贬值，而难以被量化的能力（如判断、决策、审美）的溢价正在上升 [1][2][8][9] - 企业价值评估标准发生剧变：从看重历史积累（如代码库、专利）转向看重清除旧资产、采用原生AI工作流的速度和反脆弱性 [6][7][10][13] - 投资机会与风险的关键在于识别并投资那些商业模式建立在“可被替代的认知劳动”之上的公司，以及能够利用AI重构成本与利润分配逻辑的企业 [10][12][13] 创造性破坏正在加速：代际清零 - AI浪潮将创造性破坏的周期从几十年压缩到极致，正经历一场“代际清零”，其速度是指数级的，当多数人感知到变化时，变革已接近完成 [4][6] - 技术更替周期从年缩短到季度，推理成本持续下降，边际成本逼近零，导致技术呈指数替代而非线性进步 [6] - 当前的创造性破坏是“能力清零”，例如“会写代码”这一技能本身不再构成护城河，而过去的破坏是行业轮替 [6] - 企业知识折旧率发生根本变化，从设备折旧五年变为知识折旧六个月，评估科技公司价值需关注其清除旧资产的速度 [6] 认知劳动溢价崩塌：技能定价体系重写 - AI正在改变过去五十年“知识越多越值钱”的共识，重写整个技能定价体系，白领高薪所依赖的信息处理能力正变得不再稀缺 [2][8][9] - 标准化、体系化的技能（如编程）最易被复制和冲击，而模糊、依赖判断的能力（如架构审查、模型调优）难以被替代 [9] - 市场发生隐形重估：编程、分析、建模等高溢价技能快速贬值，判断、审美、决策等难量化能力溢价上升 [9] - 企业利润来源发生转移：从过去的信息不对称和认知差，转向未来对智能体的调度能力和对复杂系统的决策能力 [10] 企业成本结构与商业模式重构 - 成功将认知劳动转化为资本投入的企业估值倍数正在扩张，而依赖堆砌人力资本的企业市盈率被市场压缩 [10] - 利用AI大幅降低交付成本（如降低90%）的企业可实现利润率爆炸式增长，商业模式需从按人头计费转向按解决问题价值计费 [10] - 2026年微软一季度运营利润率提升20%，但员工总数持平，显示AI带来效率提升的同时，更是一次定价权的转移 [1] - 2026年并购市场的焦点是获取“原生AI工作流”，而非用户，资本青睐能利用AI压缩成本、扩大边际收益的企业 [13] 投资启示与市场真空期 - 真正的投资机会与风险，不在于是否相信AI，而在于识别哪些公司的商业模式建立在“可被替代的认知劳动”之上 [12] - 当市场还在讨论“AI是否改变世界”时，资产价格已经在交易“改变之后的世界” [12] - 新旧能力转换存在痛苦的“真空期”，窗口期被极度压缩，AI可能只给2到3年时间，远少于工业革命的数十年或互联网的10到15年 [12] - 在真空期，仅通过裁员止血而非商业模式重构的企业，股价反弹后将继续下跌，资产价格会出现剧烈波动 [13] 未来稀缺性与财富分配逻辑 - 当认知劳动溢价被抹平，真正的稀缺性将回归无法被算法简化的领域，如对人性的洞察、对复杂利益的平衡、在不确定性中下注的勇气 [14] - 旧秩序不会回归，试图用过去经验指导未来投资如同拿旧地图找新大陆，关键在于行动要早 [14]

核心观点 - 高盛认为，尽管面临内存成本上涨与汽车研发投入压力，小米凭借互联网及AIoT构成的“骨干利润”展现出极强韧性，为集团应对短期逆风提供缓冲，并看好其AI战略通过生态赋能和具身智能打开的长期价值空间 [2][3] 四季度业绩与运营效率 - 小米第四季度收入同比增长7%，略高于高盛预估1%，调整后净利润同比下降24% [3] - 第四季度手机毛利率同比下降3.8个百分点、环比下降2.8个百分点至8.3%，主要受全球内存价格大幅上涨拖累 [7] - 截至2026年3月24日，LPDDR4X 6GB至12GB内存价格较2025年底上涨78%至100%，较2025年第一季度同比涨幅高达580%至674% [7] - 高盛预计2026年非国际财务报告准则口径运营费用同比增长11%至约750亿元，但核心运营费用同比下降3%至约430亿元，占核心收入比例约12.8% [7] - 销售及营销费用、行政费用分别仅同比增长约2%和8%，研发费用同比增长约21% [7] AI战略与投入 - 小米宣布未来三年将在人工智能领域总计投入600亿元，其中2026年计划投入约160亿元 [5] - 2026年约160亿元的AI支出中，研发费用约占70%，未来两年资本开支占比将逐步提升至60%或以上 [9] - 公司于3月19日集中发布三款大语言模型，随后在OpenRouter平台的周度token使用量市场份额从3月15至21日当周的7.7%跃升至3月22日当周的19%，一度位列全球第一 [5] - 公司将AI能力定位为赋能整个生态系统的核心引擎，并将自动驾驶和人形机器人列为具身AI的重点方向 [9] “骨干利润”构成与作用 - 高盛引入“骨干利润”框架，该指标涵盖互联网服务净利润、AIoT净利润及其他收益，2026年预估总额约336亿元，相当于集团同年调整后净利润302亿元的110% [5][11] - 2026年“骨干利润”同比下降约11%，主要因对资产出售相关收益的假设趋于保守（2025年该项收益约为50亿元）[11] - 该利润为手机和汽车业务利润承压时提供了有效缓冲，是当前估值的核心支撑 [2][5] 手机业务 - 公司采取主动备货策略应对内存成本压力，第四季度原材料库存同比增长67%、环比增长26%，成品库存同比增长23%、环比增长12% [13] - 第四季度计提了21亿元库存准备金，占当季手机收入4.8%，为2022年第四季度以来最高水平 [13] - 第四季度小米全球智能手机市场份额环比下降2.6个百分点、同比下降2个百分点至11% [13] - 高盛预测：2026年手机出货量同比下降12%、收入同比下降8%、毛利率8.0%；2027年出货量及收入恢复增长，毛利率改善至9.0% [13] 新能源车业务 - SU7改款车型上市后3天内收到3万张确认订单，订单确认速度超越第一代SU7 [15] - 改款订单中60%买家为iPhone用户，60%买家选择付费颜色，女性用户占比亦高于一代车型 [15] - 高盛预计2026年小米新能源车交付量将达60万辆，略高于公司指引的55万辆 [15] - 预计智能电动车及其他新业务分部2026年毛利率为21.8%，调整后净利润率从2025年的2.4%降至2026年的0.6% [15] - YU7车型的持续放量将成为2026年交付量增长的重要驱动力 [15] AIoT与互联网服务 - 高盛预计2026年AIoT全年收入同比小幅下降2%，其中国内收入同比下降14%，但海外AIoT收入有望同比增长27% [17] - 预计海外增长将推动整体AIoT收入在2026年第三季度实现季度同比增速的拐点式改善 [17] - 公司持续推进高端化战略，以小米空调为例，其国内市场份额已达10%，而冰箱和洗衣机尚在4%至5% [17] - 海外AIoT目标市场规模约为国内的3倍，公司计划2026年底开设约1,000家门店（2025年约450家）[17] - 第四季度全球月活用户同比增长7%至7.54亿，高盛预计2026年第一季度互联网服务收入同比增长约4% [17] 估值与目标 - 高盛维持港币41元目标价，对应约25%的上行空间 [11] - 乐观与悲观情景下的每股价值分别为港币46元（上行41%）和港币27元（下行17%）[3][11]

大会概况与核心主题 - 2026奇点智能技术大会将于4月17-18日在上海环球港凯悦酒店举行，由CSDN与奇点智能研究院联合举办 [1] - 大会由“全球机器学习技术大会”升级而来，见证了行业技术焦点从2024年的基座模型与算力竞赛，到2025年的RAG落地与AI编程工程化，再到2026年聚焦于Agent工程攻坚与商业闭环的演进路径 [1] - 大会核心观点是AI正从实验室的“高智商游戏”进化为驱动企业提质增效的核心生产力 [1] 参与机构与嘉宾阵容 - 大会云集了BAT、英伟达、AWS、微软、小红书、vLLM、京东、昆仑万维、网易等国内外顶尖机构与企业的一线AI实践者 [3] - 演讲及讨论嘉宾超过50位，覆盖了学术界、产业界及开源社区的领军人物，包括来自北京大学、上海人工智能实验室、微软亚洲研究院、NVIDIA、Google Cloud、腾讯、阿里、百度、蚂蚁集团、月之暗面等机构的专家 [9][16][21] 大会议程与核心议题 - **首日主会场**：奇点智能研究院院长李建忠将分享“Agent重塑软件与互联网产业新范式”，原阿里云副总裁黄非将分享“跨越周期看人工智能的发展”，为大会奠定聚焦Agent与落地实践的基调 [5] - **首日下午分会场**：设置四大平行专题，包括“大语言模型技术演进”、“多模态与世界模型”、“AI原生软件研发与氛围编程”以及“智能体系统与工程” [8] - **次日议程**：上午围绕“AI原生应用创新与开发实践”、“具身智能与智能硬件”、“多模态与AI+行业落地实践”、“AI Infra基础设施与运维”及“OpenClaw行业实践”展开 [15]；下午则全面聚焦AI技术向真实业务场景与开源生态的“扎根”，覆盖“AI原生应用创新”、“行业落地实践”以及“开源模型与框架”等板块 [21] - **具体技术议题**：涵盖大模型在线策略蒸馏、零样本语音合成、万亿参数科学多模态模型、线性注意力、SGLang高性能推理、视频生成与世界模型、GPU编程、AI编程Agent演进、规模化Agent任务构建、微信AI搜索Agent、多模态生成模型工程实践、具身智能、vLLM编译器优化、AI Infra智能体栈、OpenClaw数字员工实践、工业场景AI工程化、大模型推理架构优化等前沿领域 [12][13][18][19][23][24] 大会产出与资源 - 大会将首次重磅首发《AI原生软件研发成熟度模型（AISMM）》白皮书，该白皮书系统定义了从L1（辅助提效）到L5（软件工厂）的五级跃迁路径，旨在为企业AI转型提供实操指南 [25] - 完成大会注册报名即可领取该白皮书 [25]

文章核心观点 - Meta人工智能研究部门（FAIR）的资深研究员John Nguyen被其前领导、Meta AI研究创始负责人Yann LeCun新创立的公司AMI挖走，这反映了Meta在人工智能领域面临的人才流失和内部动荡，而LeCun的创业公司因聚焦“世界模型”等前沿方向并获得巨额融资，正吸引着原Meta核心人才[1][6][27][38] 关键人物背景与动向 - John Nguyen在Meta（FAIR）任职6年零3个月，是团队中坚力量，其研究路径完整跟随了Meta从联邦学习、大模型训练到多模态的技术演进主线[3][15][18][20] - John Nguyen拥有加州大学戴维斯分校统计学和计算机双学士及计算机硕士学位，自大学时期起便在亚马逊、Meta等公司实习，毕业后即加入Meta[12][13][14] - 此次挖角事件是LeCun创业后一系列人才追随的延续，此前已有谢赛宁、Mike Rabbat等FAIR前成员加入AMI[6] - 行业中存在顶尖人物创业并带走核心团队的先例，如乔布斯离开苹果、李飞飞创立公司、Ilya离开OpenAI等，这背后是人才对技术方向和方法论的追随[21][22][23][24][25] 技术研究方向与行业趋势 - John Nguyen在Meta的研究始于联邦学习，关注分布式训练效率与隐私保护，相关论文引用量达数百次（如547次、200次、177次）[16][18] - 随着大语言模型兴起，其研究重心转向大规模深度学习训练，解决大模型训练在工程层面的挑战[18][19] - 其后研究方向扩展至多模态模型，关注应用与能力构建[20] - 行业观点认为，当下稀缺的是既懂底层训练、又跨越多模态并能承接“世界模型”的人才，而“预测下一个token”的范式正逼近上限，行业开始转向对现实世界的建模[20][26] - LeCun创立的AMI及其追随者（如谢赛宁）认为，大语言模型主导的现状存在局限，担忧“语言对视觉的污染”，并将“世界模型”视为下一阶段的解决方案[8][9][10] 公司现状与竞争格局 - LeCun创立的AMI成立仅4个月，团队25人，在无产品、无收入、无客户的情况下获得了10.3亿美元（约合人民币71亿元）的种子轮融资，投前估值高达35亿美元（约合人民币241亿元），投资方包括英伟达、三星、丰田、淡马锡等，被称为“AI领域有史以来规模最大的种子轮”[28] - Meta面临内部动荡，FAIR部门被逐渐边缘化，且近期有传闻称其首席AI科学家（亚历山大王）可能被更换，尽管公司已辟谣，但形象已受损[5][31][32] - Meta在新模型开发上进展不顺，原计划去年底发布的新模型“牛油果”已推迟至2026年第一季度，截至3月底仍无正式消息[33][34][35] - Meta在追赶行业热点（文中喻为“龙虾”）时出现运营问题，包括高管邮件被误删以及内部数据未经授权泄露两小时，进一步强化了公司当前“不顺”的印象[36][37]

2026年春节，AI玩出了新花样：用大模型抢红包、互动抽卡、一键生成拜年祝福……看上去，这不过是又 一场"发福利、拉用户"的节日营销。但不一样的是，这次所有的红包和互动，都指向同一个动作： 用AI。 这让一个更大的问题摆到了所有人面前： AI能不能像扫码支付、刷短视频一样，变成普通人日常生活的一 部分？ 为了回答这个问题，T-ask调研平台在春节期间 （正月 初一至初八） 收集了1098份有效用户问卷，重点关注 春节AI活动的触达、使用、体验和留存意愿。调研对象以年轻网民为主，18—35岁的占总样本数的68.7%， 男女网民比例为51:49。 调研发现，这轮春节AI活动呈现出一条清晰的行为链： 始于高触达，经过行为尝试、情境嵌入、体验分 化，之后形成留存。 这不是一次简单的营销曝光，更像是一场大规模的技术扩散实验。 对很多人来说，这个春节不只是"领红包时顺便碰了一下AI"，更是一次真正的选择： 我要开始用AI了。 "红包"在新技术扩散中，扮演"神助推"的角色 春节红包，是全球最大规模的"同步送祝福"。2015年，微信红包让这个古老习俗变成了指尖上的社交游戏。 那么2026年，当红包遇上AI，又会带来多大的扩散 ...

行业现状与趋势 - 行业正经历从"技术试水"向"工程范式跃迁"的演进，大模型与智能体深度融入生产环境 [2] - 行业进入由智能体驱动、自动化程度极高的新周期，但与之匹配的工程规范、安全体系、组织形态等尚未准备好 [2] - 技术发展呈现"技术狂奔，治理滞后；效率飙升，风险暗涌；愿景宏大，现实骨感"的特点 [1] 大语言模型技术演进 - 大模型赛道已过"盲目拼参数"的蛮荒时代，技术决策者面临如何让模型在大规模业务中真正运行的现实拷问 [7] - 该专题旨在构建一套完整的大模型技术演进新坐标，汇集了来自奇点智能研究院、新浪微博、微软亚洲研究院等机构的顶尖学者与技术专家 [7] 智能体系统与工程 - 该专题旨在告别"盲盒式"开发，掌握构建可靠智能体的工程方法 [13] - 微信分享了在超高并发下构建可靠AI搜索智能体的实战经验 [16] - 美团与Macaron AI分享了如何通过低成本强化学习、十万级沙盒基建等手段，让智能体摆脱对人工编排上下文的依赖，实现自我进化 [16] - 专家将交付一套覆盖感知、推理、协作等六大维度的智能体顶层架构设计图纸 [16] OpenClaw行业实践 - 该专题聚焦从"全民养虾"到企业级"数字员工"的落地实践，提供从算力适配、记忆构建到产品级改造的完整指南 [17] - 腾讯云将分享打造全民AI工作台的经验，网易有道将复盘其智能体产品的养成与实践 [19] - 记忆张量MemTensor将揭秘如何让智能体学会持久化记忆管理，实现经验与上下文的高效复用 [20] - 沐曦股份将从底层GPU算力出发分享数字员工实践，MiniMax将展示国产大模型如何与开源框架深度绑定释放生产力 [20] AI基础设施与运维 - 该专题旨在用智能体思想重塑运维体系，提供面向多GPU集群的自动化运维破局方案 [21] - 无问芯穹将直击万卡集群痛点，分享基于智能体基础设施的AIOps智能体系统实践 [24] - 清程极智将提出以智能体为中心的智能软件栈，让基础设施具备自我感知与修复能力 [24] - 北京智源人工智能研究院将解析大模型框架多芯片统一高效插件体系，以跨越异构算力适配鸿沟 [24] - 昆仑芯将从国产高端AI芯片视角探讨推理框架的极致优化，清微智能将分享可重构计算超节点的探索与实践 [24] - 启元实验室将从国家级实验室视角，给出算力与数据智能融合的顶层解法 [24] AI原生应用创新与开发实践 - 该专题旨在将AI从"酷炫玩具"变成"商业摇钱树"，拆解日活千万级和估值亿级AI应用的工程实践 [25] - 小红书将拆解下一代非线性视频剪辑的架构设计，构建可落地的智能剪辑智能体 [28] - 平安科技将分享在复杂医疗场景下破局大模型落地"不可能三角"的多智能体实战经验 [28] - 商汤科技将揭秘AI PPT在线编辑系统如何通过HTML结构化输出与自研渲染引擎实现稳定闭环 [28] - AWS将直击ROI痛点，分享Inference-Free稀疏搜索等降本增效的平衡术 [28] - Dify将分享如何用严谨的系统工程构建"可执行、可治理、可复用"的AI工作流体系 [28] AI+行业落地实践 - 该专题聚焦将大模型转化为实打实业务ROI的方法论，回应"能给公司赚多少钱、省多少人力"的灵魂拷问 [29] - 小红书将拆解如何用自适应强化学习驱动AI搜索智能体，在极高并发流量中准确理解用户意图以实现业务增长 [32] - 京东将分享如何利用大模型结合因果推断，让智能体掌握动态定价权，从传统预测迈向反事实建模 [32] - 蚂蚁集团将从金融风控视角剖析大模型在企业信用等高壁垒场景下的可信落地与价值重塑 [32] - 金山办公将复盘多模态模型在文档理解与图片翻译等智能办公体系的探索与实践 [32] - 百度将展示经典OCR技术如何与大模型结合持续进化，打通企业数字化转型的视觉通道 [32] AI原生软件研发与氛围编程 - 该专题旨在将AI从"代码补全器"升级为"软件研发的操作系统"，提升团队整体交付效能与工程质量 [33] - 快手将分享研发范式如何从L1单点辅助向L3深度协同跨越，并复盘如何在万人规模研发团队中实现体系化的研发效率跃迁 [37] - 通义灵码将探讨大模型如何从"代码生成"进化为"意图执行"，构建具备上下文感知、推理与自主修正能力的智能体架构 [37] - 百度Comate将深度复盘其在大规模工程实践中的设计智慧 [38] 多模态与世界模型 - 该专题旨在提供从模型训练、后训练对齐到云端规模化部署的全栈可落地工程路径 [39] - 昆仑万维将拆解从视频生成到世界模型的多模态生成技术演进与实践 [41] - 京东将分享在多模态理解与生成上的最新实践 [42] - 蚂蚁集团将分享百灵多模态大模型的后训练算法实战，以提升模型在金融等严苛场景下的意图对齐能力 [42] - Google Cloud将从云端工程化视角，指导如何将复杂多模态大模型高效部署到商业生产环境 [42] 开源模型与框架 - 该专题聚焦推理加速与架构解耦的极致优化，旨在将GPU利用率从30%提升至80%以上，并获取支撑万亿参数规模推理的分布式架构蓝图 [43] - 专题汇集了SGLang、vLLM、Mooncake等开源项目的核心开发者与贡献者 [46] - 月之暗面将基于Kimi大规模模型训练的真实生产线，深度拆解线性注意力等先进架构的硬件感知设计逻辑与工程权衡 [46] 具身智能与智能硬件 - 该专题提供从"视觉感知"到"底层控制"的全链路落地方法论，旨在突破物理壁垒 [47] - 北京大学专家将拆解如何利用电声磁射频等多物理场模态，为AI开启突破视觉盲区的感知能力 [51] - 网易伏羲将解析"世界模型+强化学习"如何驱动无人装载机完成高精度作业 [52] - 来自复旦大学、同济大学、优必选等机构的专家将共同探讨具身智能在多关节控制、人机协同与先进制造场景下的工程落地瓶颈 [52] 行业大会与生态 - 2026奇点智能技术大会旨在系统性理解AI变革，为穿越"十倍速变革"绘制兼具前瞻性与实战性的认知地图 [3][5] - 大会将深入探讨多模态、世界模型、AI原生研发、AI基础设施、大模型系统架构、智能体系统等12大前沿专题 [5] - 大会汇聚全球顶尖学术专家与一线技术实践领军者，旨在推动AI生态融合与行业协同创新 [53]

文章核心观点 - 人工智能正从孤立的技术项目演变为根本性的商业变革，其成功落地依赖于构建一体化决策架构，该架构能协调人类专业能力、专有数据与自主系统，从而实现可持续的商业价值创造[2] - 2026年人工智能应用理念发生根本转变，三大融合趋势（智能体人工智能、负责任的AI治理、开放标准生态）正推动企业运营模式重塑，成功将合规透明的人工智能嵌入核心工作流的企业将在增长、效率与抗风险能力上获得前所未有的提升[2] - 企业的竞争优势将源于能否智慧地利用人工智能，未来属于那些将人工智能视为人类能力放大器而非替代者，并围绕其大胆重构商业模式的企业[2][21][25] 智能体人工智能重塑企业运营模式 - 人工智能智能体市场正迎来爆发式增长，2025年市场规模预计达104.1亿美元，到2030年有望增至526亿美元，年复合增长率达45%[2] - 尽管市场关注度高，但人工智能智能体的全面部署率仅为11%，企业深陷集成复杂性、安全与基础设施适配性难题，真正的障碍是架构设计思维的滞后[3] - 领先企业正摒弃孤立试点，转向构建一体化决策架构，这是一个由合规数据、适配场景的模型与智能体工作流构成的体系，能在营收、成本、风险与客户体验全维度实现持续的感知、推理与行动[2][3] - 实现人工智能规模化价值需要五大基础支柱协同：企业级智能体平台走向成熟、人工智能商业经济逻辑本质变化、信任与治理成为必备基础、人工智能成为标准化决策架构、工作模式从线性向动态事件驱动系统转变[3][4] - 人工智能智能体将处理常规决策，人类则专注于判断、协调与跨职能问题解决，这一变革将推动组织扁平化、打造更具流动性的人才模式，并加速员工技能提升[4] 工作证明：可信人工智能的基石 - 随着智能体在企业决策中自主权提高，企业需要“工作证明”文件，以人类和机器均可解读的形式记录智能体的推理过程、使用数据与执行动作，确保人工智能在规模化应用中可追溯、可管控[5] - 大语言模型能够解析并生成半结构化内容，其工具调用能力让人工智能能够处理以往仅人类可理解的工作成果，打破了传统的人机分工界限[6] - “工作证明”概念正从软件开发领域向各领域延伸，它让不透明的人工智能生成过程转变为人类判断与机器能力协同的认知过程，成为跨团队的共享工作空间[7][8] - 到2026年底，拥抱“工作证明”变革的企业将通过更透明、更协作、更具适应性的人工智能系统，大幅提升知识型工作的生产力[8] 负责任的AI：成为企业的治理架构 - 治理是企业建立信任、实现可持续投资回报率的基石，缺乏清晰监督、透明运营与持续监控将引发运营、合规与伦理风险，限制规模化应用[8] - 打造负责任的人工智能需要实现对所有人工智能资产的统一可视管理，并建立单一的真实数据源，覆盖跨平台、跨云环境、跨供应商的分布式解决方案[9] - 领先企业将人工智能治理与现有业务服务管理相融合，嵌入风险与合规工作流，打造合规透明的人工智能运营权威记录系统，让政策在内外环境中统一落地[9] - 有效的治理能推动企业负责任地实现人工智能规模化，通过协调智能体运营、消除“影子人工智能”、优先推进高价值项目，实现可信、可量化、可规模化的价值输出[10] - 监督模式正从逐步骤干预转向基于异常情况的监督，治理成为一个能根据实时性能数据持续评估并决定项目优先级或终止的主动执行层[13] 开放标准赋能智能体生态体系 - 2026年，智能体框架的标准化正重塑企业人工智能落地策略，开放、可互操作协议的融合成为关键转折点，旨在解决互操作性、规模化与降低集成复杂性的需求[11] - 模型上下文协议等开放标准消除了定制化集成负担，早期采用者已收获显著效益：企业资源规划系统的人工异常处理工作减少60%至80%，各行业人工智能智能体已实现20%至60%的生产力提升[11] - 预计到2029年，运营成本将降低30%，因人工智能智能体可自主解决80%的常见客户服务问题；到2028年，预计15%的工作决策将由人工智能智能体自动化完成，而2024年这一比例为0[11] - 商业成果印证开放标准策略有效：来福车借助人工智能智能体将客户与司机支持请求的平均解决时间缩短了87%；汤森路透实现每月现代化重构150万行代码，效率提升4倍，同时成本降低30%[12] - 开放标准为可互操作的生态体系奠定了基础，超大规模云服务商、独立软件开发商与系统集成商形成协同效应，推动创新加速与应用规模化[12] 人机协作：赋能而非替代 - 将人工智能系统设计为协作伙伴而非自主替代者的企业，既能实现更出色业绩，又能保留人类独有的判断与场景解读能力[14] - 智能体人工智能采用概率性运行模式，更具适应性、创造性与场景感知能力，能够处理传统自动化技术无法应对的模糊性与复杂性问题[14] - 理解智能体人工智能的一个有效思维模型是将其视为一名“智能实习生”，它能创造切实价值但仍需要指导、监督与明确的工作要求及决策升级机制[15] - 成功的关键在于建立有效的监督机制、制定清晰的指令，并明确人机之间的角色分工，焦点从自动化单一任务转向协调人机协作[15] - 许多企业正悄然对20%至40%的支持性与管理岗位进行重组，其目的并非削减成本，而是提升绩效，核心问题转变为围绕人类的核心价值设计工作模式[18] 价值链重构：领域专属的人工智能应用 - 企业的竞争优势越来越多地源于将智能分析能力嵌入特定的价值链职能，企业正部署专业化的人工智能智能体，结合专有数据、领域专业知识与场景解读能力，重塑采购、制造与物流环节的工作模式[19] - 随着人工智能普及，各企业效益可能趋于平均，构建差异化优势需要优化数据质量，并打造专业的解读能力与运营模式[19] - 数据质量将定义下一波竞争优势，经过精挑细选、能够反映特定市场与供应链网络独特性的专有数据，将成为企业超越市场的核心优势[20] - 领先的采购团队正摒弃传统关键绩效指标，转向全时优化的新模式，采购、规划与供应链领域的职能级投资回报率常突破1亿美元[21] - 持续竞争力的构建依赖于人类洞察、领域专业知识、场景化数据与先进技术的协同作用[21] 实体人工智能：从试点探索到基础设施落地 - 实体人工智能标志着范式转变，人工智能从虚拟认知能力升级为能在现实世界中感知、推理与行动的具身智能，融合先进机器人技术、传感器网络与生成式智能[22] - 2025年实体人工智能市场规模预计为3717亿美元，到2032年将增至2.4万亿美元，增长动力来自人机协作与边缘计算框架的发展[22] - 把握机遇要求企业重构运营模式并聚焦三大核心要务：规模化实现实体人工智能工业化应用、围绕人机协作进行设计、打造创新生态体系[22][24] - 实体人工智能将从孤立的机器人技术与自动化试点，升级为企业的核心基础设施，智能分析能力将直接嵌入资产、工厂、车队与供应链网络[23] - 关键转折点是构建闭环的强化学习与加速学习体系，通过数字孪生、边缘智能与实时运行的合规数据流，实现感知、仿真与行动的联动[23] 物流成本自主智能体：协作辅助到自主决策 - 未来发展方向是将专属的商业自主智能体嵌入物流体系，打造能够自主决策的系统，而非单纯的工具[23] - 企业应依托现有的智能体工作流框架，快速部署简洁的智能体，利用自助式智能体开发平台快速搭建领域专属智能体[24] - 这类智能体可处理多结构化数据，无需复杂集成即可与承运商和供应商网络对接，能够实时进行基准对比，并自主执行决策[24] - 企业领导者核心启示包括：焦点需从搭建数据仪表盘转向部署智能体工作流；仅提供“运输管理系统+分析”服务的供应商将逐渐落后；投资回报率指标体系需纳入决策周期、自主执行率等新指标；必须重新调整人才布局与治理体系[27] - 在物流领域，战略思维才是价值解锁的关键，价值很少存在于交易层面，而在于短期与长期战略的制定与执行[25] 结论与核心原则 - 人工智能不再是一项技术项目，而是一场根本性的商业变革，将人工智能架构为企业核心基础设施、进行严格治理并依托战略规划落地的企业将建立起决定性竞争优势[25] - 领先企业与落后者之间存在三大核心原则差异：融合而非孤立、赋能而非替代、治理作为赋能手段[28] - 充分释放人工智能价值需要的是商业变革而非单纯技术落地，企业需要制定融合战略，让人工智能成为企业的操作系统[25] - 企业的核心问题已不再是是否投资人工智能，而是如何围绕人工智能大胆重构自身的商业模式[25]

文章核心观点 - AI当前缺乏理解、预测和推演世界的能力，为解决此问题，OpenAI、谷歌、微软等大公司及顶尖学者正集中研究“世界模型”，这被视为通往AGI的关键一步[4][6] - 世界模型旨在让AI从“只会回答问题”的语言机器，转变为能够“观察、推理、行动”的真正智能体，其核心特质包括表示世界、预测未来以及在世界中规划和行动[24][26] - 当前世界模型的研究呈现多条技术路线并行的局面，主要包括视频生成、3D空间生成、在虚拟世界训练智能体以及直接学习世界抽象结构等，这些路线共同指向让AI理解并能在世界中行动的终极目标[48][101][134] - 世界模型若发展成熟，预计将对机器人、自动驾驶、穿戴式设备、内容生成与游戏、AI Agent等多个关键行业产生颠覆性影响，从效率提升转向范式级改变[106][117][121] 一、什么是世界模型？ - **概念起源与目标**：世界模型的概念源于对人类心智模型的研究，旨在让机器像人类一样，在内部构建一个“世界如何运作”的模型，以进行预测和行动规划[8][9][10] - **理论发展**：在AI和强化学习早期研究中，Dyna架构首次明确将“世界模型”确立为智能体的基础能力，其核心是智能体学习“采取动作后世界如何变化”[12] - **现代框架**：2018年Google Brain的论文《World Models》提出了一个精炼化的理解框架：世界模型 = 观察世界（视觉模块V）+ 预测世界（记忆模块M）+ 在内部世界中学习行动（控制模块C）[17] - **核心特质**：研究者普遍认为世界模型应具备三大特质：1) 表示世界（理解环境中的物体与关系）；2) 预测未来（模拟事件变化）；3) 在世界里规划和行动（基于预测采取行动）[24] 二、为什么要研究世界模型？ - **与大语言模型的区别**： - **任务与目标**：大语言模型预测下一个词/Token，世界模型预测下一帧画面、下一步状态变化[29] - **数据与输出**：大语言模型主要依赖静态文本数据，输出语言或图像；世界模型主要依赖动态时序数据（如视频），输出对未来状态的预测和可执行方案[29] - **学习方式**：大语言模型通过语言间接理解世界，是世界模型的补充；世界模型通过交互和推演直接理解世界，并能进行预测和干预[28][30] - **大语言模型的瓶颈**：部分顶尖学者认为大语言模型路线存在根本性瓶颈，例如Yann LeCun认为其只是在拟合语言统计相关性，对现实世界缺乏直接建模能力，若继续“堆量”难以实现真正的智能[33][37] - **研究驱动力**：1) 大模型的原生能力遇到天花板；2) 多模态时代到来，海量视觉/动作数据、强大算力等条件成熟，使得训练“真正的世界模型”成为可能[44][46] 三、当前推进世界模型的主要路线 - **三层结构框架**：可将世界模型领域拆解为三层：1) 底层思想与范式（抽象、预测、规划）；2) 中间表现形式（世界如何被生成出来）；3) 顶层目的层（智能体训练，让AI在世界中行动）[49][50][52] - **行业现状**：目前产业界的尝试多集中在第二层“世界生成”，这是整个领域最活跃的部分，也是世界模型体系的入口和根基[54][56] 四、世界模型的表现形式：世界生成 - **视频生成路线**： - **目标与代表**：让AI生成一个能随时间连续演化、动起来的世界，代表模型包括OpenAI Sora、谷歌Genie等[56][59] - **优势**：结果“看得见”，易于观察和评估；训练数据（互联网视频）易获得；对Scaling Law敏感，规模越大效果越好；能快速商业化落地[65][67] - **局限**：对世界的理解是“隐式”的，藏在模型权重中，难以直接读取或迁移到机器人等决策系统[67][69] - **3D生成（空间智能）路线**： - **目标与代表**：不是“画”出世界，而是“建”出世界的三维结构，关注几何关系与可操作性，代表是李飞飞的World Labs及其模型Marble[57][70][72] - **优势**：生成显式的3D结构信息，更利于物理模拟、规划和控制；在游戏、影视、室内设计等场景有商业转化优势[72][75] - **挑战**：高质量3D训练数据稀缺；几何结构建模难度大；对算力需求远超2D模型[76] 五、世界模型的目的：智能体训练 - **基于虚拟世界训练路线**：代表是Google SIMA，将AI放入游戏等虚拟生成的世界中训练，使其学会可迁移到真实世界的行动能力，最新版本SIMA 2展现出复杂任务理解、自主规划和强大泛化能力[84][86][87] 1. **直接学习世界抽象结构路线**：代表是Yann LeCun提出的JEPA架构，其核心是不生成具体画面，而是将世界压缩成抽象的高维潜在表示，并在此空间中预测未来的关键结构，优势是计算成本低、更易捕捉因果关系、输出信息更利于机器人行动[90][92][97][98] 六、世界模型会改写哪些关键行业？ - **机器人**：世界模型让机器人拥有“世界的内部模型”，能进行预测和模拟，从而具备跨环境、跨任务的迁移和泛化能力，这将改变机器人行业过去每项新任务都需重新编程工程的范式[106][107][109] - **自动驾驶**：世界模型能让系统学习“世界如何运转”，进行高质量仿真和多种决策路径推演，从而获得接近人类的预判能力，被认为是推动自动驾驶走向大规模商业化的核心技术之一[110][113] - **穿戴式设备**：世界模型能让设备真正理解用户所处的3D环境并进行预测规划，使其从“信息终端”进化为随身的“世界理解引擎”和“数字伙伴”[114][116] - **内容生成、游戏与影视制作**：世界模型能根据简单设定自动生成并演化整个虚拟世界，将内容创作从“制作”变为“生成”，彻底改变叙事和创作方式，例如游戏世界可以即时生成和进化[117][118][120] - **AI Agent**：世界模型为AI Agent提供了一个可训练、可试错、接近真实的“内在世界”，解决了其与真实环境交互训练昂贵且危险的核心问题，是决定AI Agent能否走向现实世界的关键[121][122][124]

会议概览 - 2026奇点智能技术大会将于4月17-18日在上海举行，由CSDN与奇点智能研究院联合主办[1] - 会议旨在为一线技术决策者与开发者提供应对未来半年技术挑战的实战指南，议题覆盖AI技术全生命周期[2] - 会议将汇聚50余位技术专家，围绕大语言模型、多模态世界模型、AI Infra、AI原生应用等十二大专题展开深度分享[22] 具身智能与多模态感知 - 当前具身智能在暗光、遮挡或重工业等复杂场景下存在感知局限[6] - 北京大学许辰人教授将分享“多模态超视感知”范式，利用电、声、磁、射频等可穿透物理场模态，为AI开启“第六感”[7] - 网易伏羲陈广大将分享数据驱动算法在无人装载机中的应用，通过“世界模型+强化学习”实现7x24小时无人化作业，人效提升120%[7] 商业AI与决策智能 - 传统商业AI多止步于预测，而企业需要能进行反事实推演和博弈决策的AI[8] - 京东邓金秋将分享“Agentic Commerce”与商业世界模型，利用大模型语义先验结合时序动态与因果建模，刻画“决策—环境—结果”关系[8] - 商业AI正从预测驱动进化为基于Agentic AI的决策驱动，通过多智能体博弈与仿真推演最优策略[9] 数字生命与操作系统Agent - 当前Agent面临数据与反馈瓶颈，难以胜任复杂的跨应用任务[10] - 美团薛涛锋将分享EvoCUA架构，该项目以56.7%成功率登顶OSWorld榜单，通过“生成即验证”引擎与RFT动态去噪反思，使Agent能在万级沙盒中自我迭代[11] 垂直场景AI应用工程化 - 通用大模型在处理专业办公文档（复杂版式、多语种）和非线性创作流程（如视频剪辑）时能力不足[12] - 金山办公孙亚博将分享Monkey系列模型如何实现对复杂文档的像素级精准解析及端到端版式理解[12] - 小红书许思杰将分享如何设计状态驱动的调度机制，在OpenStoryline中实现可控、可工程化的智能视频创作闭环[13] - 商汤科技马林将分享AI PPT在线编辑系统的工程化实践，通过HTML结构化输出与自研渲染引擎，实现从“生成”到“可编辑”的跨越[15] AI算力优化与推理架构 - 大模型推理面临成本高、延迟大的挑战[16] - 亚马逊云科技杨扬将探讨通过Inference-Free稀疏搜索、Graph RAG等技术平衡效果、速度与成本，并利用Claude Code对性能场景进行自动化优化[16] - 趋境科技杨珂将分享Mooncake的分离式架构，通过P/D分离、全局KVCache复用与弹性专家并行，支撑Token量的爆发式增长[16] - 清微智能楼群芳将分享可重构计算超节点方案，通过芯片-系统-软件三层可重构设计，动态适应AI算力需求[17] AI原生研发与架构 - 企业关注如何将AI编码从单点辅助提升至体系化协同，并思考在万人团队中代码资产的核心价值[18] - 快手华剑侃将分享如何在万人规模研发组织中建立L1-L5智能研发能力分层，实现体系化效率跃迁[23] - 腾讯云汪晟杰将通过CodeBuddy等工具案例，分享AI如何在实际业务中重塑团队协作[23] - 行业专家黄佳将提出覆盖感知、记忆、推理、行动、反思、协作的六维Agent设计模式体系，以构建可靠Agent[20] 模型底座与基础设施 - 行业专家探讨大模型如何从“辅助工具”进化为软件开发的“基础设施”，以及Agent如何重塑编程未来[23] - 会议演讲嘉宾包括来自新浪微博、小红书、微软、京东、百度、智源研究院等公司的AI研发负责人与首席科学家[29]

纪要涉及的行业与公司 * **行业**：人工智能网络（特别是光通信与共封装光学）、印刷电路板/覆铜板、软件[1] * **公司**： * **光模块企业**：中际旭创、新易盛[2] * **共封装光学核心零部件企业**：康宁、朗美通、藤仓、住友电工、宣光高级组件公司[2] * **印刷电路板/覆铜板企业**：胜宏科技、生益科技[3] * **印刷电路板/覆铜板上游供应商**：日东纺绩（玻璃纤维）、旭化成、三井金属（铜箔）[3] 人工智能网络板块核心观点与论据 * **投资者看好长期增长**：多数投资者看好人工智能数据中心市场为光通信企业带来的长期增长机遇，驱动因素包括全球云服务提供商资本支出增加，以及技术从800G向1.6T升级[2] * **中国光模块企业地位与估值**：中际旭创、新易盛等中国光模块企业已跻身全球龙头，且相较于全球同行具备更具吸引力的估值水平[2] * **对共封装光学技术趋势存在分歧**：部分投资者对共封装光学的技术发展趋势持不确定态度，质疑其是否会颠覆光模块企业的商业模式[2] * **野村对共封装光学的分析**： * 共封装光学或成为横向扩展网络中的竞争性解决方案[2] * 在纵向扩展网络中，可插拔光模块因实施难度更低、供应链更成熟，其生命周期仍将较长[2] * 共封装光学市场的崛起将利好头部光纤（如康宁）和高功率激光器（如朗美通）企业[2] * 光纤阵列单元、光引擎等其他零部件领域的未来市场竞争或会愈发激烈[2] * **投资者关注产业链机会**：投资者关注行业进入壁垒高、能从产品价值升级中受益的核心零部件企业，并尤其关注在全球共封装光学产业链中具备潜在机遇的日本企业[2] 印刷电路板/覆铜板板块核心观点与论据 * **投资者关注点**：投资者希望了解中国人工智能PCB/覆铜板企业过去2-3年的成功发展经验，同时担忧当前旺盛的需求增长能持续多久，以及行业是否存在产能过剩风险[3] * **野村对行业趋势的研判**： * 图形处理器和专用集成电路企业的持续技术创新，将成为2026年和2027年相关材料与产品升级的核心支撑，或推动行业从2026年下半年开始加速进入升级周期[3] * 玻璃纤维、铜箔、树脂等关键原材料，以及激光钻孔机等设备的供应短缺状况将持续[3] * **竞争格局分析**： * 头部PCB/覆铜板企业凭借更高效的供应链管理能力，将得以维持行业领先地位[3] * 高密度互连PCB领域的竞争格局，要优于高层数PCB领域[3] * 覆铜板行业的产业集中度，高于印刷电路板行业[3] * **投资者对上游供应链的担忧**：部分投资者担忧，日本上游供应商（如日东纺绩、旭化成、三井金属）在产能扩张方面大多持保守态度，而中国同行的产能扩张更为激进，这或会导致中国企业抢占市场份额，并通过市场竞争冲击日本企业的高利润率业务[4] 软件板块核心观点与论据 * **投资者整体情绪负面**：多数投资者对软件板块持负面看法，核心担忧是大语言模型以及开放式智能体等强大的人工智能智能体，会对软件行业形成颠覆性冲击[4][5] * **野村对短期压力的认同**：野村认同软件板块短期内的估值压力仍将持续，原因在于宏观环境疲软、行业竞争激烈，众多中国软件企业正面临增长困境；同时“大语言模型颠覆软件行业”的市场论调也将持续一段时间[5] * **野村对行业长期发展的判断**：软件行业最终将出现明显的分化趋势[5] * **胜出企业的特征**：能在人工智能浪潮中胜出的软件企业，是那些深度融入企业业务流程，并能借助大语言模型和智能体技术为客户提供更智能化解决方案的企业，这类企业不会被人工智能技术颠覆，反而会实现发展升级[5]