关键要点总结 涉及的行业与公司 * 行业：人工智能（AI），涵盖基础模型、AI Agent、具身智能（机器人）、科学智能（AI for Science）、AI应用（C端/B端）、AI安全、合成数据、智能体互联网（Agented Web）等领域[1][2][12] * 公司/机构：智源研究院（技术预判与成就主体）[1][3][5]、Google（RT系列、SCN、VLA研究）[20][31]、微软亚洲研究院（合成数据研究）[23]、英伟达（AI训练硬件主导）[24]、DeepMind（cosine entity）[40]、OpenAI（ChatGPT）[21]、Anthropic（宪法AI）[62]、国内厂商如阿里、字节、腾讯、百度、蚂蚁（灵光、阿福、豆包、夸克等应用）[21][42][44][52] 核心观点与论据 技术趋势与范式演进 * 多模态世界模型成为共识：通过视频等多模态数据预训练，学习真实世界动态规律，从Next Token Prediction向Next Day Prediction演进，实现从语言学习到多模态世界学习的阶段跨越[1][13][14] * 机器智能进入新范式：从表层功能模仿转向理解和建模物理世界运行规律，进入“状态空间预测”或“下一个状态预测”范式，使AI具备推演未来演化趋势和变化的能力[1][2][6] * Scaling Law持续有效且融合：多模态大模型、世界模型与Scaling Law三项技术融合发展，Group 4和Dream I3模型的发布证明了Scaling Law在预训练和后训练阶段持续有效[2][12][52] * AI for Science成为科研关键工具：从“口拍”向“AI3 tis”转变，科学基础模型、Agent workflow与自动化实验室连接，使AI具备从数字模拟到真实实验的认知闭环能力[1][18] * 合成数据打通Scaling Law：合成数据已证明具备真实信息争议，是有效燃料，预计到2030年国内合成数据市场规模将超过真实数据并成为主导[23][35] 细分领域发展现状与预测 * 具身智能（聚生智能）： * 中国聚生企业数量超过230家，其中人形机器人企业100多家，但业务模式同质化严重，行业面临出清[1][17] * 存在四大挑战：从开环到闭环任务、数据饥饿、标准化不一致、安全性探索不足[29][32] * 2025年最重要的进展是找到了规模化提供数据的方法[50] * 技术路线主要分为分层模型、端到端VLA模型和事件模型三类，各有优劣[31][33] * AI Agent与智能体互联网： * AI Agent向专业化与统一协议方向发展[1][2] * 智能体互联网（Agented Web）核心特征：智能体成为网络新主体、通过协议直接交互、以开放协作取代封闭生态[26] * 多智能体系统有望成为企业Agent应用主流，MCPASA等智能体协议可能迎来类似TCP/IP的重要时刻[20] * 未来个人与企业间的交互将由个人智能体直接连接企业智能体，无需中间平台[26] * AI应用市场： * C端：AI超级应用（All in one）趋势明确，ChatGPT日活和月活已超过Twitter（X），国内有望看到新BAT诞生[21][42] * B端：2026年上半年可能因试点项目效果不佳进入“幻灭低谷期”，但下半年经过反思并采用成熟工具后，有望迎来V形反转和更多行业标杆案例[22][41][46] * 垂直赛道：突围关键在于从token付费转变为服务付费，创造利润空间，如nano banana将收费提高至0.5美元[45] 挑战、瓶颈与应对 * 数据挑战：高质量文本数据预计在2026年耗尽，推动合成数据与强化学习发展[23]；科学数据存在稀缺性、标准化不一、开放性不足等问题[56] * 成本与性能瓶颈：模型成本和输出速度是智能体连接的最大瓶颈，但模型成本降低速度未减弱[51]；中国基模研发面临训练算力规模不足的挑战[54] * 安全风险：截至去年12月初，全球共报告330起AI安全风险事件，比前一年显著增加[24]；应对措施包括内生安全（优化训练周期）和外部围栏（输入输出检查），参考Anthropic宪法等[62] * 技术依赖：全球85%的AI训练依赖英伟达体系，带来潜在供应风险[24] 其他重要内容 * 科研合作与社区：智源社区通过每日更新28万篇精选AI核心论文、举办直播分享、读书会、专访、大会等方式助力学者和促进科研合作[8] * 结构决定功能理念：在生命科学和AI领域，“结构决定功能”和“功能塑造结构”两个角度都重要，环境是所有智能的来源[9][10] * 仿真技术关键性：合成数据的核心在于将真实世界物理特征分布规律转化为可执行的仿真环境，需要自研仿真底层确保仿真与现实对齐（减少sim-to-real gap）[37][58]；仿真是规模化评测模型能力的重要路径[38] * 行业落地时间表：零售与电商有望在2026年第三季度率先出现成功用例；金融业预计到2026年底；制造业因设备异构化问题最晚落地[48] * 颠覆性变化预测：可能在2026或2027年出现颠覆当前Transformer架构的变化[11]；2026年可能的颠覆包括：生成式模型发现未知事物、数据评测闭环、智能体颠覆互联网格局、程序员工作范式革命、世界模型迭代等[59]