AI技术发展现状与阶段 - 人工智能发展处于“阶梯式跃迁”的平台期，沿着现有技术路径的边际收益正在递减，下一次质变需要全新的范式突破 [1][5][6] - 近期OpenAI与Anthropic的模型更新（如Codex 5.3与Claude 4.6）被解读为大模型能力正逼近阶段性上限的信号，行业在集体寻找新突破口 [1] - 预训练范式遇到瓶颈：规模定律红利趋近耗竭，互联网高质量训练数据见顶，继续扩大模型规模的边际收益显著下降 [6] - 后训练范式同样存在局限：奖励函数设计复杂度已堪比特征工程，Meta近期研究表明后训练的增量空间可能比预期更有限 [6] 下一代技术突破方向 - 下一代突破可能针对现有范式的缺点进行改进，例如突破记忆与持续学习瓶颈、打通经验学习和自我博弈路径、提高长上下文支持能力、探索动态数据新训练方法 [7] - 也可能需要探索全新的技术范式，例如受神经科学启发的软硬件结合架构、新的数据来源、离散Diffusion等新建模方式、以及新的智能性理论与奖励函数设计 [7] - 合成数据被视为核心解法之一，其本质是搜索，在语言空间中使用预训练好的大模型去发现新的高价值数据，可能存在新的Scaling Law [8] - 以o1为代表的推理模型通过搜索和强化学习生成高质量思维链数据；Agent则通过与环境交互并调用工具来发现全新高价值数据 [8] AI Agent发展现状与展望 - Agent被视为基座模型，是业界押注智能性提升的主要技术路线 [7] - Agent发展正从“对话”向“办事”演进，2025年已有许多能真正提高生产力的落地案例 [17] - 2026年有望成为Agent在真实场景中集中落地的关键一年，Coding Agent等新范式正在重塑传统软件开发逻辑 [1][2][13] - 在现有范式改进上，值得关注的方向包括：运行时学习（Runtime Learning）、记忆机制、解决幻觉与可靠性问题、下一代评测方法、提升智能体系统整体可用性与智能性 [10] - 在新范式探索上，自我迭代的训练方式以及内在动机驱动的奖励机制可能为Agent带来阶跃式突破 [10] 中美AI竞争格局与核心差距 - 当前中美竞争的核心差距不在技术路线，而在高质量数据和算力资源 [2][11] - 数据差距：美国正系统性地采集长程、复杂、高难度的专业级数据（如编程、金融、法律、咨询），这类数据推理链条长、涉及多轮交互与工具调用，单条价值可达上千美金，而国内在这方面还比较欠缺 [11] - 算力差距：算力是智能性提升的第一性原理，但国内面临芯片性能受限及大规模组网能力待提升的挑战。据传美国xAI拥有80万张H100级别集群，而国内头部“六小龙”基本还在5万张上下 [11] - 中国优势在于庞大的人才基数、深厚的数理传统、出色的工程落地能力，以及产业门类齐全、应用场景丰富、市场规模庞大的独特生态 [10] AI产业落地与市场前景 - 当前AI行业渗透率已很高，但对GDP的实际贡献还很有限，技术研发与产业落地之间存在时间差 [5][12] - AI产业真正的爆发拐点正在加速，2026年将是AI产业落地的关键一年，Agent、Coding Agent等产品形态将让更多用户真正用上AI [12][13] - 白领和知识工作者群体（如法律、金融、咨询、研究领域）有望率先释放生产力红利，AI对GDP的拉动很可能从这里开始 [14] - Coding Agent正在颠覆传统软件开发范式，使个体开发者能快速开发大量产品，极大改变了成功概率和路径 [15] 公司、产品与商业模式动态 - 在Agent领域，开源的Clawdbot被称为“AI Jarvis”；Anthropic的Claude Cowork实现了从“对话助手”到“数字同事”的跨越 [17] - Coding Agent是落地最快的方向之一：海外的Cursor、Claude Code已成为开发者标配；国内方面，Kimi K2.5作为Agentic模型表现亮眼，基座模型中GLM-4.7领先，DeepSeek-V3.2、Qwen3、MiniMax-M2.1也都不错 [17] - 通用大模型发展已非常成熟，以Gemini 3和GPT-5.2 Deep Think版本为例，性能非常强大，垂域模型很难在特定领域超越它们，生存空间有限 [18] - 开发垂域应用更优策略可能是直接基于顶级通用大模型（如GPT-5.2）进行开发，而非自研垂域模型 [18] 科研与人才培养重点 - 中关村两院AI基础学部的战略目标是补全AGI下半场的关键拼图，在产业上输出能重塑行业逻辑的核心变量，在人才上培养兼具工程能力与科学直觉的领军人才 [4] - 一项前沿科研方向是让智能体“预测未来”，通过将“信息采集—逻辑推演—仿真模拟”三个环节形成闭环，构建可工程化的科学决策平台，相关模型在国际预测评测中取得最好成绩全球第二 [20] - 未来优秀AI人才应具备三类核心能力：数学和物理的第一性原理思维、系统工程能力、以及知道什么问题值得做的科学品味 [21] - 应大胆拥抱先进AI工具，将精力集中于提出新假设、设计新实验、发现新规律等创新本质，而非纠结于底层技术细节 [22][23]