“2025年我们发布了首份趋势报告，其中的许多研判比如基础模型的演进路径等如今已经得到行业验证。这激励我们继续对2026年的AI技术趋势给出自己的判断。”2026年1月8日，在北京智源人工智能研究院（以下简称“智源研究院”）的《2026十大AI技术趋势》年度报告活动上，智源研究院院长王仲远表示。 报告指出，AI的演进核心正发生关键转移：从追求参数规模的语言学习，迈向对物理世界底层秩序的深刻理解与建模，行业技术范式迎来重塑。 开场致辞中，智源研究院理事长黄铁军分享了他的技术趋势观察：AI的发展要重视“结构决定功能，功能塑造结构”的相互作用。当前AI正从功能模仿转向理解物理世界规律，这一根本转变意味着AI正褪去早期狂热，其发展路径日益清晰，即真正融入实体世界，解决系统性挑战。他强调，AI的发展应被视为宇宙智能演化的一部分，未来将帮助人类解决自身难以应对的系统性挑战。他进一步从结构与功能的角度来分析AI，指出当前行业更多关注功能表现，但是支撑工程的结构比如数据、算法、算力同样至关重要。他引用生命科学“结构决定功能”的观点，指出理解智能也需要深入其底层结构。致辞最后，他呼吁产学研各界携手推动AI可持续、有韧性地发展，共同迈进智能新时代。 随后,王仲远发布了十大AI技术趋势，详细阐释了这一变革。基础模型的竞争，焦点已从“参数有多大”转变为“能否理解世界如何运转”。他指出：我们正从“预测下一个词”跨越到“预测世界的下一个状态”。这标志着以“Next-State Prediction”（NSP）为代表的新范式，正推动AI从数字空间的“感知”迈向物理世界的“认知”与“规划”。 首先，是认知范式的“升维”。以世界模型和NSP为核心，AI开始学习物理规律，这为自动驾驶仿真、机器人训练等复杂任务提供全新的“认知”基础，成为国内外领先模型厂商竞相布局的战略高地。 其次，是智能形态的“实体化”与“社会化”。智能正从软件走向实体，从单体走向协同。头部科技公司的人形机器人正进入真实生产场景，标志着“具身智能”走出实验室。同时，主流Agent通信协议的标准化，让多智能体（MAS）能够以“团队”形式攻克科研、工业等复杂任务流。 最后，是价值兑现的“双轨应用”。在消费端，一个“All in One”的超等应用入口正在形成，国内外科技巨头基于各自生态积极构建一体化AI门户。在企业端，经历早期概念验证的“幻灭期”后，AI正凭借更好的数据治理与行业标准接口，在垂直领域孕育出真正可衡量商业价值的产品。 行业共识正从语言模型转向能理解物理规律的多模态世界模型。从“预测下一个词”到“预测世界下一状态”，NSP范式标志着AI开始掌握时空连续性与因果关系。以智源悟界多模态世界模型为代表验证了这一路径，推动AI从感知走向真正的认知与规划。 具身智能正脱离实验室演示，进入财产筛选与落地阶段。随着大模型与运动控制、合成数据结合，人形机器人将于2026年突破Demo，转向真实的工业与服务场景。具备闭环进化能力的企业将在这一轮商业化竞争中胜出。 复杂问题的解决依赖多智能体协同。随着MCP、A2A等通信协议趋于标准化，智能体间拥有了通用“语言”。多智能体系统将突破单体智能天花板，在科研、工业等复杂工作流中成为关键基础设施。 AI在科研中的角色正从辅助工具升级为自主研究的“AI科学家”。科学基础模型与自动化实验室的结合，将极大加速新材料与药物研发。报告强调，我国需整合力量，加快构建自主的科学基础模型体系。 C端AI超等应用的“All in One”入口成为巨头角逐焦点。海外以OpenAI的ChatGPT与Google Gemini为引领，通过深度集成各类服务，塑造了一体化智能助手的新范式；国内字节、阿里、蚂蚁等依托生态积极布局。其中，蚂蚁推出的全模态AI助手“灵光”与AI健康应用“蚂蚁阿福”，分别在超等应用与健康垂直领域进行探索。AI时代的“新BAT”格局正在形成。 企业级AI应用在经历概念验证热潮后，因数据、成本等问题正步入“幻灭低谷期”。但随着数据治理与工具链成熟，预计2026年下半年将迎来转折，一批真正可衡量价值的MVP产品将在垂直行业规模落地。 高质量真实数据面临枯竭，合成数据正成为模型训练的核心燃料。“修正扩展定律”为其提供了理论支撑。尤其在自动驾驶和机器人领域，由世界模型生成的合成数据，将成为降低训练成本、提升性能的关键资产。 推理效率仍是AI大规模应用的核心瓶颈与竞争焦点。通过算法创新与硬件变革，推理成本持续下降，能效比不断提升。这使得在资源受限的边缘端部署高性能模型成为可能，是AI普惠的关键前提。 为打破算力垄断与供应风险，构建兼容异构芯片的软件栈至关重要。繁荣的算子语言与趋于收敛的编译器技术正在降低开发门槛。以智源FlagOS为代表的平台，致力于构建软硬解耦、开放普惠的AI算力底座。 AI安全风险已从“幻觉”演变为更隐蔽的“系统性欺骗”。技术上，Anthropic的回路追踪研究致力于从内部理解模型机理；OpenAI推出自动化安全研究员。财产上，安全水位成为落地生死线，蚂蚁集团构建“对齐-扫描-防御”全流程体系，推出智能体可信互连技术（ASL）及终端安全框架gPass；智源研究院联合全球学者发布AI欺骗系统性国际报告，警示前沿风险。安全正内化为AI系统的免疫基因。 随后，来自财产界的ANP开源社区发起人、杭州向量创始人常高伟，光轮智能联合创始人兼总裁杨海波，以及智源研究院资深研究员们就趋势进行了详细分享。 AMP开源技术社区发起人、杭州向量共识创始人常高伟从智能体互联网角度解读了智能体趋势。他认为未来互联网主题将从人转向智能体，核心是开放协议与协作。智能体将取代现有软件，企业也将拥有专属智能体也就是数字员工。一些协议比如MCP和AMP是实现智能体之间通信与服务的核心，未来将出现更多垂直领域协议比如UI生成和电商等领域的协议。而开源生态将在协议标准化中扮演关键角色，推动开发、互联的智能体网络形成，最终降低交易成本，重塑互联网的价值链。 智源具身智能大模型负责人王鹏伟分享了具身智能的年度进展。他指出，具身智能面临着四大挑战：从开发到部署的闭环难度、数据与环境的强绑定、本体标准化不足、物理世界安全不可逆等。在技术路线上，分层架构比如大脑和小脑的分离有利于快速落地，端到端世界模型潜力更大但是数据需求也比较高。同时，他认为在2026年行业还需攻克标准化与安全性难题。 光轮智能联合创始人兼总裁杨海波深入解读了合成数据。他认为，具身智能与世界模型的数据需求核心在于规模化。真实数据质量高但是供给有限，仿真数据通过解耦与控制可以实现规模化生产。关键是要构建高保真仿真，这需要精准的物理求解器与自动化资产丈量技术，以便确保视觉与物理属性均可以与真实世界对齐。此外，还需构建源自于真实需求的评测任务闭环，驱动仿真数据的迭代。 智源健康计算研究中心负责人、智源研究院副院长叶启威分享了智源在AI for Science上的进展，重点介绍了蛋白质结构预测模型。他表示，AI研究方向正在从数字世界转向物理世界，尤其是在微观分子机理理解上。智源的蛋白质结构预测模型在精度、规模、动态模拟上表现突出，这有助于理解蛋白质功能与药物设计。展望未来，AI在科学领域需要从知道转向解决问题，通过多模型协作推动科研范式变革，但仍需1-2年验证其自主发现潜力。 智源行业研究中心高级行业研究员靳虹博解析了AI超等应用。他指出，C端超等应用格局初定，ChatGPT等已证明了财产化路径，国内厂商通过集成多行业API延续了移动时代的优势。B端应用虽遇到不顺但在2026年下半年有望反转。落地关键在于数据治理与智能体协议接入。与此同时，行业落地的先后取决于数据准备度、治理难度、场景价值与封闭性。 智源大模型安全中心负责人杨耀东剖析了AI安全挑战。他强调，AI安全正从内容合规转向行为红线防控。风险场域也从数字空间延伸到物理空间和科学前沿。因此，业界在2026年需要构建跨层级的防御体系，并建立AI安全的一票否决机制和全流程治理框架。 智源研究院表示，十大AI技术趋势为未来一年的技术探索与财产布局提供了清晰锚点，研究院将持续与产学研各界合作，以开放生态推动AI稳健地迈向价值兑现的新阶段。