大会概况与行业共识 - 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 [8] - 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 [4] - 行业共识认为，AI正处在下一段增长曲线的起点，从云到端、从模型到智能体（Agent）、从软到硬均存在重要机会 [5] 人工智能发展趋势与范式演进 - AI正从鉴别式走向生成式与推理式，并在高效率、低成本和开源生态中加速落地 [10] - 新一轮人工智能是信息智能、物理智能和生物智能的融合，本质上是原子、分子和比特的融合 [10] - AI行业演进被划分为四个阶段：感知AI、生成式AI、智能体AI（可自主行动）和物理AI（能理解并响应真实物理世界） [19] - 2025年被认为是“Agent元年”，智能体技术开始在各行各业验证价值 [81] - 人工智能的演进过程与生物进化相似，呈现“长期停滞+突然跃迁”的特点，开源对加速进化至关重要 [49] 大模型与AGI路径 - 未来5到10年，基础大模型将在全球范围内收敛到不超过10个，类似于操作系统 [10] - 大模型推动AI从弱人工智能迈向通用人工智能（AGI），并推动机器人进入通用具身智能时代 [16] - 通往AGI的必经之路是“智能体互联网”时代，智能体将取代大部分SaaS和App，成为默认交互形态 [10] - Scaling Law能走多远存在不确定性，但国内仍需有顶级团队探索其极限，一旦出现新的涌现现象可能打破发展饱和 [79] - 扩散语言模型架构（如LLaDA）提供了自回归模型之外的另一种路径，在相同计算量和性能目标下可能所需参数更小，并具备直接修改token等优势 [25] 智能体（Agent）的发展与应用 - 智能体的本质是可验证过程的自动化，擅长数学、代码和结构化决策，现已发展到拐点 [55] - 一个成功的智能体构建需要三个核心模块：提供决策的底层模型“大脑”、中间代码、以及作为“手和脚”的工具（tools） [22] - 认知偏差、落地断层、体验割裂是当前用户使用AI产品的三大痛点 [13] - 百度推出的超级智能体框架调度中枢GenFlow月活用户达千万级，自称是全球最大的通用智能体 [13] - 智能体将重写公司组织，重复操作的岗位将消失，取而代之的是过程架构师 [55] - 企业级智能体落地的关键在于三个平台：作为认知中枢的大模型平台、提供感知的AI能力平台、沉淀企业记忆的AI数据平台 [28] - 企业服务落地最容易的三个方向是：工程流程自动化、行业研究报告、智能化办公助手 [37] - 衡量“好用”智能体的核心标准包括：能交付相对完整的结果、具备可进化性、采用AI原生方式开发、以及具备可控性和可解释性 [92] - 当前多数智能体存在负毛利问题，完成任务的成本高于用户支付意愿，这是创业者和基础设施提供商的巨大挑战 [92] 多模态与具身智能 - 2025年往后，第三代Scaling范式的关键在多模态 [16] - 智源研究院的悟界·Emu3.5通过统一的自回归架构，将Next-Token Prediction升级为在多模态数据上的Next-State Prediction，标志着AI从语言学习迈入多模态世界学习 [16] - 具身智能应被视为独立或平行于虚拟世界语言模型、专门面向物理世界的基础模型 [67] - 当前具身大模型面临不好用、不通用、不易用的挑战，尚未达到“ChatGPT时刻” [16] - 视频是能够大规模获得的、模拟真实世界的高效载体，包含时间、空间、物理、因果关系等多种要素 [16] - 在物理场景应用中，需要解决“大脑”（大语言模型）与“小脑”（端侧快速执行模型）的双脑架构集成问题 [92] 从云端到边缘的AI部署 - 终端侧运行大模型的最大好处之一是个性化 [19] - 端侧模型能力快速提升：两年前只能运行1-2K上下文，去年达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 [19] - 终端侧正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 [19] - 端侧运行大语言模型面临内存、带宽和功耗控制等挑战，需通过量化与压缩、并行解码技术、先进NPU与异构计算架构来解决 [19] - 端侧模型的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，突破Transformer和反向传播算法是AI发展到下一台阶必须跨越的两座大山 [61] 算力、芯片与基础设施 - 商汤的算力总规模达32000P，其智算中心通过算电协同等技术，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% [46] - 国产芯片替代是渐进过程，大规模训练场景的替代是难点 [64] - 当前重要发展方向是混合专家模型（MoE），它能扩大参数规模而不增加激活参数，但会给系统带来通信占比提升等新挑战 [64] - 单颗芯片性能已成为AI算法发展瓶颈，需要如TC link这样的高速互联技术实现128卡间扩展，为AI算法增长提供硬件基础 [58] - Agent Infra（智能体基础设施）本质上是AI时代的操作系统，管理模型能力、工具调用与任务执行等“智能资源” [52] 行业落地与商业化 - 2025年行业更关心如何做行业落地、场景赋能和商业化变现 [37] - 大模型在千行百业中落地才能产生最大价值，其在很多场景的价值尚未真正发挥 [43] - 三类企业需要行业或私有模型：传统大型企业、有海量数据的中小型企业、颠覆行业的新兴公司 [43] - 用大模型做To B业务，最关键的是后训练或Agent化，仅调用API无法形成差异化 [43] - AI在工业制造落地是一个组合拳，需大模型融合视觉和时序模型来处理生产数据，作为大脑进行分析决策和工艺调优 [37] - 昆仑万维的Skywork Super Agents产品中，PPT模式可在五分钟内生成30页PPT，该模式被40%的日活跃用户使用 [55] - 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，曾登顶ProductHunt全球日榜第一 [13] - 光轮智能通过全栈自研的“测量-建模-求解”三位一体仿真解决方案，缩小仿真与现实的差距（sim2real gap），以加速世界模型与物理AI落地 [70] 自动驾驶与机器人 - L2+/L2++与纯无人的L4难度差距巨大，真正的L4公司需要至少有二、三十辆车的纯无人车队运营半年以上 [40] - 预测称，如果特斯拉不装激光雷达，三年之内其在旧金山无法达到Waymo的自动驾驶水平 [40] - 随着大模型发展，若算力等条件满足，预测8年后可能出现开车能力超越99.99%人类司机的自动驾驶“AlphaGo时刻” [40] - 未来几年内，人形机器人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 [79] - 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，甚至是遥遥领先 [76] 数据、仿真与开源生态 - 智源研究院过去两年多开源了2200多个模型，下载量突破6.9亿次；开源近百个数据集，下载量超120万次 [16] - 扩散架构模型LLaDA相比自回归模型更为data-hungry，对数据需求更大、吸收数据更快 [25] - 模型定制化面临挑战，Amazon SageMaker AI提供的Nova Forge能力允许在基础模型训练阶段就引入自有数据进行定制，效果优于训练后再微调 [22] - 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 [58] 经济影响与组织变革 - 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 [34] - AI改变了稀缺的概念，并可能引发人机竞争及算法间的竞争 [34] - 未来不应寻找不会被AI替代的“安全”行业，而应思考如何与AI共生 [34] - 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 [73] - 给AI创业者的建议包括：在增量中找市场、在专业里找空间、在业务中找场景、在结果中找收益 [73]