六大关键词解读“人工智能下一程”

过去3年，人工智能行业最显眼的进步，几乎都发生在模型上。参数增加，推理能力提升，文本、图片、视频陆续被纳入同一个模型。每隔几个月，新的产品和榜单都会重新定义一次“最强”。但走进 2026世界人工智能大会的论坛现场，会发现讨论的重心正在变化。人们依然关心模型，却越来越少孤立地谈论模型。学界和产业界开始共同追问：模型如何与数据、工具、机器、组织和真实环境连接，成为一个能够持续理解、行动和接受反馈的系统？

模型能力仍在增长，但下一阶段的竞争，已经不只是把模型做得更聪明。

关键词

大模型

这场变化，首先发生在AI与现实世界的关系上。

大语言模型擅长处理人类已经写下来的知识，但真实世界远不止文字。机器人需要理解物体的位置、运动和接触关系，工业系统需要处理不断变化的设备状态，自动驾驶则要判断一个动作将在几秒后产生什么后果。这也是世界模型在今年WAIC上被反复讨论的原因。

在“世界模型六小龙”圆桌上，大晓机器人首席科学家、澳大利亚科学院院士陶大程与在场很多嘉宾形成了同一个判断：世界模型不能再用“视频生成”的标尺来量。过去这一年，行业最热闹的是画面逼不逼真、时长够不够长、一致性好不好；但对机器人来说，“推开这扇门需要多大的力”“拿起杯子会不会碰到旁边的人”“动作执行下去会不会带来不好的影响”，才是更重要的问题。

几位嘉宾的技术路线各不相同，但共识是：下一代世界模型需要从“生成得像不像”走向“执行得可不可靠”。

这种变化也在进入工业。中国工程院院士钱锋提出，要将AI装入设备、工段、车间和工厂，为工业系统安装“工业大脑”。这里的“智能”不再是某个独立算法完成识别任务，而是对生产过程进行感知、分析、决策和调控。模型需要面对设备波动、工艺约束、能耗、安全，以及大量无法在实验室中穷尽的异常情况。

当AI离开聊天框，进入工厂、机器人和真实环境，评价标准也随之改变。语言是否流畅不再是最重要的，系统能否稳定运行、适应变化并对行动结果负责，变得更加关键。

决定AI能力边界的绝非参数

关键词

数学

美国国家科学院院士、清华大学讲席教授刘军从统计学视角给出了他的判断：如今的AI像一架大飞机，引擎是统计学与概率论，燃料是数据；AI要“成”数学，而不是“加”数学。当AI开始理解现实世界、预测未来状态，仅靠扩大模型规模已经不够。Transformer、扩散模型、强化学习等技术背后，都建立在概率统计和优化理论等数学基础之上。世界模型和具身智能要继续提升泛化、推理与可靠性，仍需要新的数学突破。

同样深耕统计与机器学习一线的美国国家科学院院士、比利时皇家科学院外籍院士范剑青，把视野推得更远。他认为如今的AI仍主要在做预测，而预测的红利“已经用得差不多了”，下一步要走向归因，更重要的是因果。而要让机器真正学会因果，离不开数学在多个环境中去刻画规律。

冯诺依曼理论奖首位华人得主叶荫宇，则从一个更底层的约束提醒：AI的竞争说到底是算力的竞争，而算力的竞争实际上是能源、电力的竞争——这背后同样是优化数学在起作用。

物理AI拼的是真实世界的数据闭环

关键词

具身智能

2026年，具身智能站在了从实验室“炫技”到产业真“干活”的历史分水岭。在智启具身2026论坛上，智元合伙人、高级副总裁、具身业务部总裁姚卯青认为，物理AI要真正从“能演示”走向“能大规模干活”，必须冲破3道墙：数据墙——真实交互数据稀缺且昂贵；表征墙——缺少跨任务、跨环境、跨本体的统一物理表征；闭环墙——真实世界里试错代价高、反馈慢、规模化难。

清华大学计算机系副研究员苏航则从学术角度指出，走向物理世界的AI是走向通用智能的重要途径。具身智能的大模型并不是语言模型或多模态大模型的简单延伸，长期来看需要一个原生的具身大模型，把感知、决策、行动和环境反馈整合到同一个闭环里。当模型、数据、本体和真实场景被连接起来，评价机器人的标准也不再是某一段demo有多惊艳，而是它能否在跨场景、跨本体的真实任务中稳定泛化。

开启超越互联网时代的产业范式革命

关键词

智能体

“我个人认为它的变革规模、强度和烈度会超过PC互联网叠加移动互联网的总和还大。”阶跃星辰董事长、千里科技董事长印奇的论断精准点出了后Scaling时代AI行业的核心变局：当模型参数堆叠的增长红利触顶，单纯比拼模型性能的赛道已然走到瓶颈，通往AGI的技术路线开始多元分化。过往PC、移动互联网仅重构信息交互方式，属于表层产业升级；而AI智能体带来的变革，是穿透产业底层的范式级重构，变革量级远超前两次互联网浪潮的叠加效应。

二者的核心差异，在于价值逻辑的彻底反转。传统大模型是被动响应式工具，仅能在传统业务流程中做局部增效，属于增量优化；而智能体依托自主决策、任务拆解、闭环执行、持续迭代的核心能力，跳出了纯技术内卷，以真实产业场景为驱动，主动打通业务全链路，完成了从工具辅助到自主生产力的质变。

后Scaling时代的AI竞争，核心不再是模型能力的比拼，而是智能体产业体系的竞争。

基础设施也要为智能体重新设计

关键词

Token经济

随着越来越多智能体参与企业运行，新的问题也随之出现：什么样的基础设施，才能支撑它们持续工作？

今年WAIC的“无问芯穹·Token涌现万物生长论坛”上，“Token经济”成为贯穿全场的关键词。无问芯穹发起人、清华大学电子工程系教授汪玉提出，当Agent开始自主调用工具、协同完成任务，算力网络、软件系统乃至企业基础设施，都需要围绕智能体重新设计。

北京中关村学院院长刘铁岩则提出，智能体真正的竞争，不只是模型能力，还包括持续行动、获得反馈和自我改进的能力。模型训练结束，并不意味着智能体停止成长，它还会在真实环境中积累经验，形成持续进化的“经验飞轮”。这也解释了为什么智能体正在从工具调用走向流程重构，它不再只帮助员工完成一个步骤，而是开始理解目标、拆解流程、调用资源、执行任务，并根据结果继续调整。

关键词 AI for Science AI开始参与答案的产生

AI for Science

AI开始参与答案的产生

中国科学院院长、中国科学技术大学校长常进指出：“推动人工智能‘从回答问题走向解决科学问题，从预测材料迈向创制材料、发现规律’。”这种系统化趋势，在AI for Science领域体现得最为清晰。

早期的科学智能通常对应一个明确任务，例如预测蛋白质结构、筛选化合物或分析实验数据。如今，科研机构和企业开始把这些分散能力连接起来，让AI进入从提出问题到实验验证的完整链条。在人工智能赋能材料科学论坛上，中国科学院方面提出，AI for Science已经走出单一算法辅助阶段，进入科学大模型、科研数据、理论计算、自动化实验和智能科研体协同联动的新阶段。

AI与材料科学的融合，核心不只是增加一套预测工具，而是构建从需求理解、假设生成、实验规划，到数据解析和规律总结的科研闭环。当一个科研目标提出后，系统需要阅读论文和专利、形成假设、设计候选材料、调用计算软件完成模拟，再将结果交给自动化实验设备。实验返回的数据还会重新进入模型，用于修正预测和生成下一轮方案。

这不再只是AI帮助科学家搜索答案，而是开始参与答案的产生。当模型、科研数据、计算工具和自动化实验被连接起来，科学智能追求的也不再只是一次更准确的预测，而是一个能够持续运行、自我修正的发现系统。

世界人工智能大会 供稿