文章核心观点 - 2026年人工智能行业已进入新阶段，软件形态、交互方式和互联网产业运行逻辑正在被重新定义，技术焦点从模型能力转向规模化落地和系统性重构 [1] - 行业共识是AI发展重心正从模型本身转向以智能体（Agent）为核心的系统工程，关注任务完成度，并推动软件研发、互联网架构和产业生态发生根本性变革 [6][16][19] 大会发布的核心成果 - 奇点智能研究院发布了《AI原生软件研发成熟度模型AISMM白皮书》，为行业提供从研发流程、组织架构到基础设施的AI原生转型系统路径和评估框架 [5][7] - 奇点智能研究院发布了《AI大模型技术体系综合开源影响力榜单》，评测体系涵盖数据、模型、测评与系统4个维度、53个核心指标，数据来源于17个平台的13,541个链接，结果显示中国在模型开源整体实力上已超越美国 [10][12] - 大会宣布成立「Al DSpace」AI开发者空间站，定位为硬核AI开发者社区，旨在连接产业与学术、专家与初学者，推动技术交流与实践协作 [15] 大模型与AI技术演进趋势 - **算力与架构趋势**：推理算力向池化、异构与弹性调度发展；云计算模式从IaaS/PaaS/SaaS向Token Factory/MaaS/AaaS深度重构；端云协同的AI计算架构走向成熟 [7][9] - **开发范式趋势**：Token经济学从应用技巧升维为基础设施工学；开发工具和基础设施从人类中心走向Agent原生；Harness（驾驭工程）从手工配置走向AI辅助与自动优化 [9] - **软件形态趋势**：即时软件（即时生成、即用即抛）快速增长，柔性软件（平衡稳定性与灵活性）走向工程化成熟；Agent成为用户交互第一入口，传统软件下游化 [9][20] - **互联网重构趋势**：Agent推动互联网从“信息网络”重构为“行动网络”，未来大部分互联网服务将被重构为Agent可调用的接口；自然语言交互+Agent网络为多元设备提供人机界面 [9][22] 行业领袖的核心观察与实践 李建忠（奇点智能研究院）: Agent重塑产业 - 提出AI的Scaling Law正经历从Pre-training、Post-training、Test-time到Agent Scaling的进化，核心是构建自主运行的任务闭环，衡量标准是任务完成度 [16] - Agent通过“双轮颠覆效应”重塑软件产业：既改变软件应用形态（Do What），也颠覆软件开发方式（How Do）[19] - 软件形态形成“传统软件—柔性软件—即时软件”光谱，即时软件具备大规模、个性化、低成本的颠覆式创新特征 [20] - 互联网的核心是连接逻辑（生产关系），AI是计算逻辑（生产力），当前AI对互联网的颠覆呈现“差异化速度”：对生产力、搜索等信息类赛道颠覆快，对电商、娱乐等消耗时间类赛道颠覆较慢 [22] 黄非（荣耀终端）: 从模型到系统协同与增强人类智能 - 指出企业级AI项目中超过60%仍停留在PoC阶段，许多场景下推理成本已占整个AI系统成本的70%以上，模型准确率与商业需求（90%-95%）存在差距 [26] - 提出“模型与系统协同”解决方案：模型解决认知问题，系统解决行动问题，Harness工程是为模型构建“外骨骼”与“围栏”的关键范式 [26] - 主流Harness体系遵循CAR逻辑：控制层（Control）、代理层（Agent）、运行时（Runtime）[27][28] - 推理优化新方向包括模型压缩、量化、大小模型协同及边缘计算，提出“云-边-端协同”分布式智能新范式 [27][32] - 未来三年战略是增强人类智能（AHI），让AI成为人类的“认知扩展层”，终端设备成为懂用户的数字分身 [29] 1. 云：负责大模型训练、更新与重度复杂推理 2. 边：负责区域任务调度与脱敏数据处理 3. 端：负责实时响应与个性化意图理解 [32] 周俊（蚂蚁集团）: 大模型的三阶段演进 - 将大模型演进概括为三个阶段：语言智能、推理智能和智能体的智能，AGI的关键是打通“理解—推理—行动”的一体化能力 [33][34] - 从Chatbot到推理模型，再到Agent，Token消耗呈数倍增长，智能计算密度持续提升，推动模型能力向更高等级（L4、L5）逼近 [34] - 蚂蚁“百灵”体系围绕三阶段演进构建，包含三类模型：LING（语言智能底座）、RING（推理模型）、MING（多模态模型）[34][35] - 未来核心方向是更复杂的Agent与群体智能，以及更高的智能密度，即以更少的Token、更低的成本和更高的吞吐释放模型能力 [36] 陈恺（上海人工智能实验室）: 科学多模态大模型的突破 - 认为AI下一个战场是变革科学发现范式，其科学多模态大模型Intern-S1-Pro以万亿参数规模在多项科学任务上超越GPT-5.2和Gemini-3-Pro [37][40] - Intern-S1-Pro参数规模1T，采用稀疏MoE架构（512个专家，推理时激活8个约22B参数），在科学评测基准上超越顶尖模型 [40] - 模型突破源于架构、数据、基础设施与算法的多重优化：提出“科学模态词元化”统一编码异构科学数据；使用5.5T高质量预训练Token（近半为科学数据）；自研XTuner训练引擎；采用强化学习+混合奖励机制等 [41] AI对软件开发与从业者的影响 - **AI编码能力**：AI Coding已相当成熟且能力提升呈指数级，尤其在前端和复杂后端开发中具备实际生产可用性，正重构个人生产方式和企业的降本增效逻辑 [45][46] - **软件形态与生态变化**：AI降低开发门槛，推动个性化“即时软件”出现，但SaaS等标准化软件因共性需求和对稳定性要求高而不会消失，其商业模式可能从为研发成本付费转向为降低需求梳理成本、Token消耗和提升交付效率付费 [47] - **开发者价值转型**：软件开发门槛降低，开发者核心价值从“写代码”转向“问题定义能力”，即识别需求并决定技术路径，每个人都在某种意义上转变为产品经理 [49] - **传统软件行业变革**：软件行业正经历板块式运动，传统软件会被即时软件、个性化智能体等新型形态大量替代与蚕食，传统SaaS领域市值正在下滑 [51] - **职业发展展望**：尽管有短期阵痛，但未来软件需求只会增多不会减少（符合杰文斯定律），开发者角色可能从编写代码转向定义技能（Skills），推动职业升维并释放更多需求 [52] 从业者学习与发展建议 - **对驾驭工程（Harness Engineering）的看法**：有观点认为驾驭工程会随着模型能力增强而变薄，许多能力会被大模型吸收，非专业研发人员不必急于投入 [53][54]；另一种观点认为应学习其背后的第一性原理，理解要解决的本质问题（如如何让模型产生期望输出），以判断技术演进中哪些部分可被替代或需强化 [55][56] - **根本学习建议**：需要学习解构性的、底层的核心内容，包括第一性原理和领域范式变化的结构性原因，对AI技术曲线有“位置感”，掌握底层逻辑和学习方法以适应快速迭代 [57][58]