大会概况与行业趋势 - 量子位主办的MEET2026智能未来大会吸引了近30位产业代表、近1500名线下观众及超过350万线上观众，反映了行业对AI未来的高度关注 [5] - 2025年AI领域呈现发展、分裂与重构的态势，迫使所有参与者明确未来方向，行业普遍相信下一段增长曲线就在眼前 [3] - 2025年被公认为“Agent元年”，AI智能体技术成为核心焦点，行业高能节点集中爆发 [1][57] 大模型与AGI发展路径 - 以DeepSeek为代表，AI正从鉴别式走向生成式与推理式，新一轮人工智能是信息智能、物理智能和生物智能的融合 [8] - 未来5到10年，基础大模型将像操作系统一样在全球范围内收敛到不超过10个 [8] - 主战场将走向“智能体互联网”时代，智能体会取代大部分SaaS和App，成为交互的默认形态，并被视为通往AGI的必经之路 [8] - 大模型推动AI从弱人工智能迈向通用人工智能，并推动机器人进入2.0通用具身智能时代 [11] - 所有生成模型本质上都是在拟合数据分布，开源模型LLaDA采用扩散语言模型架构，在相同计算量下可比自回归模型参数规模更小，并具备直接修改token等优势 [17] - 当模型与数据规模持续增大时可能出现能力涌现，预计未来几年，有标准答案的人类最难考试可能也难不住机器 [55] - Scaling Law能走多远具有不确定性，国内仍需有少量顶级团队紧跟全球前沿，探索其极限 [55] 智能体（Agent）的演进与落地 - AI正从“思考与回答”转向“自主行动与创造”，真正成熟的智能体必须具备自主分析、决策与执行落地的能力 [35] - 智能体是一套包含认知规划、行动协作、分析反馈三层能力的完整闭环智能系统 [35] - Agent Infra本质上是AI时代的操作系统，管理模型能力、工具调用等“智能资源”，其核心在于Runtime，以提供跨环境通用运行能力 [35] - 过去一年Agent进化明显，在PPT制作、编码等核心工作流中能交付实习生水平的结果，越来越多软件垂类在采用AI能力提升效率 [66] - 一个成功的Agent构建需要三个模块：底层的模型“大脑”、中间的代码、以及相当于“手和脚”的tools模块 [15] - 企业实现智能体落地，优化重点集中在场景选择评估、内部数据知识整理、模型选择构建三个需要循环迭代的环节上 [19] - 企业级智能体落地与ToC的最大不同，在于对“规模化、成本效率和精度”的极致要求 [19] - 多数Agent存在负毛利问题，完成任务的代价高于用户支付意愿，这对创业者和基础设施提供商是巨大挑战 [66] - 当前Agent在三四线城市和日常生活中的渗透率较低 [66] 多模态与第三代Scaling范式 - 2025年往后，第三代Scaling范式的关键在多模态，智源研究院的悟界·Emu3.5通过统一自回归架构，将Next-Token Prediction升级为在多模态数据上的Next-State Prediction [11] - 视频是能大规模获得的、模拟真实世界的高效载体，包含时间、空间、物理、因果关系及意图等各种要素 [11] - 今年多模态和执行端应用带来显著ROI，新的多模态模型提升了智能体对图像视频的理解能力，打开了更多数字空间场景 [66] 端侧与混合AI - AI行业演进分为四个阶段：感知AI、生成式AI、智能体AI、以及能理解并响应真实物理世界的物理AI [13] - 端侧大模型能力快速提升，两年前只能跑1-2K上下文，去年可跑4K，今年已支持8K-16K，特殊场景下甚至可实现最长128K的端侧部署 [13] - 终端侧正在从单一文字模态向支持文本、图片、视频、音频、语音等多模态甚至全模态方向演进 [13] - 在终端侧运行大模型的最大好处之一是个性化，但主要面临内存、带宽和功耗控制等挑战 [13] - 端侧模型不是云端大模型的小参数版本，其关键在于自主学习和记忆，而Transformer架构模型无法在端侧实现这一点 [42] 算力、芯片与基础设施 - 商汤大装置算力总规模达32000P，通过算电协同精准预测电力消耗，已实现年化降低7%电费，年度碳减排超3000吨，综合算效提升15% [31] - 商汤联合国内十余家厂商发布“商汤大装置算力Mall”，客户可自由组合调配国产算力资源、平台工具和行业模型服务 [31] - 国产芯片替代是渐进过程，昆仑芯已在搜索线上系统全量用于推理，但大规模训练场景仍是难点 [44] - 当前重要发展方向是MoE，能扩大参数规模同时不增加激活参数规模，但会带来通信占比提升等系统层面新挑战 [44] - 单颗芯片性能已成为AI算法发展瓶颈，太初元碁自主设计的TC link可实现128卡间的高速互联拓展，为AI算法增长提供硬件基础 [39] - 国内发展人工智能产业离不开开源生态，行业需要企业共同组建开源平台 [39] 具身智能与物理AI - 具身智能被视为一种专门面向物理世界、独立于虚拟世界语言/多模态模型的基础模型 [47] - 物理世界存在高度随机性，现有模型架构、训练方法和数据能力难以对其做出充分准确刻画 [47] - 如果以未来十年为尺度，具身智能基础模型甚至有可能反过来吞噬现有多模态模型的生存空间 [47] - 目前的具身大模型存在不好用、不通用、不易用的问题，尚未达到“ChatGPT时刻” [11] - 未来几年内，人形机器人要进入通用开放环境自主进行复杂工作几乎不可能，应立足于在特定真实场景实现“星火燎原”式的落地发展 [55] - 在物理场景应用中，需要解决双脑架构集成问题：大语言模型给出指令后，端侧需有类似小脑的模型进行快速执行 [66] - 灵巧手是具身智能的核心零部件，中国在机器人与灵巧手领域优势明显，灵心巧手在触觉传感器、电机、减速器三大核心部件坚持自研 [53] - 光轮智能全栈自研“测量-建模-求解”三位一体仿真解决方案，以缩小sim2real gap，加速世界模型与物理AI落地 [49] 商业化落地与行业应用 - 2025年行业更关心如何做行业落地、场景赋能和商业化变现 [25] - 企业服务方向最容易落地的三个方向是：工程流程自动化、行业研究报告、智能化办公助手 [25] - 大模型在千行百业里落地才能产生最大价值，其价值在很多场景尚未真正发挥出来 [29] - 有三类企业需要行业或私有模型：传统大型企业、有海量数据的中小企业、颠覆行业的新兴公司 [29] - 用大模型做To B，最关键的是后训练或Agent化，仅调API无法形成差异性，开源模型需经“专业训练”才能战胜闭源模型 [29] - 卓世科技在医疗健康领域，利用大模型融合2000多种常见病、常见药服务社区医院，并训练专业病种大模型辅助三甲医院诊疗 [25] - AI在工业制造落地需组合拳，大模型融合视觉和时序模型处理生产传感数据，作为大脑自动化调配生产和调优工艺 [25] - 百度文库的AI学习平台OREATE AI新版本上线一个月月活突破140万，登顶ProductHunt全球日榜第一 [9] - 昆仑万维的Skywork Super Agents产品，其PPT模式可在五分钟内生成30页PPT，40%的日活用户使用该模式 [37] 企业组织与生产力变革 - AI进程最直接的落地场景是AI Office [37] - Agent将重写公司组织，因为可验证的流程可以被自动化，重复操作岗位将消失，取而代之的是过程架构师 [37] - 对于企业，核心诉求不是买AI工具，而是能够直接对业务结果负责的AI运营智能体 [51] - 现在不是“AI+”的时代，而是“运营xAI”，AI从工具跃迁为业务主体 [51] - 年轻人是AI生产力释放的主力军，经验丰富的从业者需为企业创造释放AI潜力的生产关系 [51] 经济学影响与全球竞争 - 据估算，AI在今后的十年里每年可提升全球经济增长0.5到0.7个百分点 [23] - AI改变了稀缺的概念，当AI替代人进行工作决策时，可能会出现人和算法、算法和算法之间的竞争 [23] - 未来不应考虑哪个行业绝对安全，而应思考如何掌握AI技术并与AI共生 [23] - 通用Agent的渠道之争对传统渠道是生死之战，只有手机硬件厂商才能决定自己手机上可以装什么Agent [37] - 谷歌主导的A2A协议支持企业内部及企业间智能体的安全有效通信，Gemini模型拥有100万Token超长上下文并迈向AI行动时代 [21] - 开源对AI进化速度至关重要，如果每家公司都闭源，研究速度可能会降低为原来的千分之一 [33] 技术架构与未来突破 - 人工智能要发展到下一个台阶，需要突破Transformer和反向传播算法两座大山 [42] - 每台设备拥有自主学习能力并向物理世界学习，会产生群体智能，这才是迈向通用人工智能的最佳途径，现有大模型本身不产生知识，只是传播知识 [42] - 大公司应双管齐下：一方面使用当前领先技术，另一方面进行探索性研究以寻找下一个重大突破 [33] - 类比生物进化中的“间断平衡”，AI发展是“长期停滞+突然跃迁” [33] - 从POC迈向生产部署面临挑战，生产环境需解决安全、扩容、成本、高可用及处理非优化数据等一系列问题 [15] - 模型定制化面临挑战，Amazon SageMaker AI提供的Nova Forge允许在基础模型训练阶段就引入自有数据进行定制，效果优于训练后微调 [15] - 真正“好用”的AI智能体核心标准包括：采用AI原生方式开发以替代工作流环节、具备可进化性、能像靠谱同事一样持续稳定执行任务并支持人机协作 [66] - 每个人每天使用的最高频的三个APP中有两个是Agent时，才意味着AI Agent进入新发展阶段 [66]