出品 | 陈博观察 (ID: Drchenobservation)

编辑 | Will Chan

当前全球人工智能产业已进入技术深度渗透、产业全面融合的新阶段，算力普惠化、智能体自主执行、端侧智能普及、人形机器人商业化成为核心发展趋势，全球竞争从单一技术竞赛演变为算力、算法、数据、能源、人才与治理的系统性比拼。2025 年全球人工智能市场规模达 7575.8 亿美元，中国人工智能核心产业规模突破 1.2 万亿元，产业增速持续保持在 30% 以上。本文基于深圳市人工智能行业协会和深圳市投控数字科技有限公司联合发布的《2026人工智能发展白皮书》，系统梳理全球及中国人工智能产业格局，拆解产业链三层架构，剖析大模型、智能体、AI 芯片三大核心技术的迭代逻辑，呈现 AI 在终端、工业、民生、科研等领域的落地实践，展望世界模型、太空算力等前沿方向，并研判产业发展面临的风险与治理路径，为产业参与者提供全景式参考。

PART 01

年度复盘：产业进入深度融合新阶段

1.1 2025年全球人工智能大事记

▌模型竞技：开源崛起与性能边界持续突破

2025 年以来，大模型竞争从参数规模比拼转向系统效率与落地能力的综合较量。1 月，深度求索（DeepSeek）发布开源推理模型，单次训练成本远低于行业平均水平，直接引发全球算力估值体系重构，带动英伟达市值单日大幅波动。4 月，Meta 发布 Llama 4 系列混合专家架构模型，支持千万级 token 上下文窗口，可在单张高端 GPU 上运行。同期，阿里发布 Qwen3 系列开源模型，在奥数评测、代码能力等基准测试中领跑开源阵营，中国开源模型全球使用份额从 2024 年的 1.2% 升至 2025 年的 30%。

8 月，OpenAI 发布开放权重推理模型，采用 Apache 2.0 开源许可证，官方明确表态中国开源模型的竞争压力是其开放策略的核心动因。同月，OpenAI 发布 GPT-5，整合高效基础模型、深度推理模块与实时路由系统，在编程、数学推理等基准测试中大幅刷新纪录。11 月，谷歌发布 Gemini 3，登顶多模态大模型排行榜，在博士级推理测试中展现出领先的复杂问题解决能力。截至 2026 年 6 月，全球已发布的重要人工智能模型中，美国与中国合计占比超过 90%，形成双极引领的供给格局。

▌智能体爆发：从问答交互走向自主执行

2025 年被视为智能体技术从概念走向实用的元年。3 月，全球首款通用 AI 智能体 Manus 发布，采用多智能体架构，具备全流程任务自动化能力，在通用智能体基准测试中 Level 3 任务完成率超越海外同类产品，发布 9 个月内实现 1 亿美元年度经常性收入。5 月，Anthropic 推出 Claude Code 编程智能体，在软件工程基准测试中展现出极高的代码修复准确率，2025 年年化收入超过 25 亿美元。

11 月，奥地利程序员发布开源智能体项目 OpenClaw，凭借自主决策架构与跨平台适配能力快速引爆全球开发者社区，截至 2026 年 4 月 Github 星标数突破 35 万，创下历史最快增长纪录，成为全球智能体产品的重要技术源头。此外，2026 年上半年，国内科技企业密集推出本土化智能体产品，覆盖桌面办公、移动操作、企业服务等多个场景，形成以微信、钉钉、飞书等为入口的本土智能体生态。

▌具身智能落地：从舞台演示走向工厂量产

2025 年具身智能正式进入规模化商用阶段。3 月，优必选 Walker S1 人形机器人批量进入汽车制造工厂，成为全球首个实现汽车产线批量部署的人形机器人产品，2025 年全年累计获得超过 500 台意向订单。12 月，智元机器人第 5000 台通用具身机器人量产下线，标志着具身机器人从技术验证阶段全面迈入规模商用时代。

同期，自动驾驶领域迎来里程碑突破，中国首批 L3 级自动驾驶车型正式获批上路，长安、北汽等品牌车型在北京、重庆指定区域开展商业化试点，自动驾驶技术从示范测试迈入真实道路运行阶段。

▌科学智能突破：AI 加速科研范式变革

2025 年，人工智能在科学研究领域的价值从辅助工具升级为核心生产要素。1 月，多机构联合发布 “人类终极考试” 基准测试，覆盖数学、自然科学、人文社科等上百个学科的高难度题目，成为衡量前沿模型科研能力的核心标尺，截至 2025 年底顶级模型得分率已从初期不足 10% 提升至 40%-50%。

2 月，诺贝尔奖得主团队利用 AI 从零设计出具有全新活性位点的蛋白酶，突破了自然演化的结构限制，相关成果同时发表于《科学》《自然》期刊。9 月，深度求索推理模型的研究论文登上《自然》封面，成为首个经过同行评审的主流大模型研究成果。12 月，阿贡国家实验室推出针对不可成药靶点的生物制剂设计系统，在多个靶点验证中超过半数候选方案性能优于人类设计。

▌算力基建竞速：全球万卡集群密集落地

算力基建成为全球科技竞争的核心赛道。1 月，美国宣布启动星际之门 AI 基建项目，初始投资 1000 亿美元，计划未来扩展至 5000 亿美元，打造超大规模 AI 数据中心集群。4 月，华为发布昇腾 920AI 芯片，配备高带宽内存，BF16 算力达到 900TFLOPS，训练效率较前代提升 30%-40%，定位替代受限的高端进口芯片。11 月，谷歌宣布在德克萨斯州投资 400 亿美元建设 AI 与云计算基础设施，计划 2027 年前建成三座新数据中心。

中国层面，国家 “东数西算” 工程持续推进，截至 2025 年底已建成 42 个万卡智算集群，智能算力规模达到 1590EFLOPS，位居全球第二。算力建设呈现出集群化、绿色化、国产化的特征，八大国家算力枢纽的智算规模占全国比重超过 80%。

▌全球治理落地：监管框架全面生效

2025 年全球 AI 治理进入规则落地期。2 月，欧盟《人工智能法案》禁止性条款正式生效，明确禁止潜意识操纵、社会评分、公共场所实时远程生物识别等高危 AI 实践，违规罚款最高可达全球年营收的 7%。8 月，欧盟法案核心条款全面适用，通用人工智能模型提供者需履行透明度、合规评估、风险治理等义务。

同月，联合国正式设立独立国际 AI 科学小组与全球 AI 治理对话平台，首次实现 193 个成员国全覆盖参与 AI 规则制定。9 月，中国《人工智能生成合成内容标识办法》正式施行，明确显式标识与隐式标识双轨机制，首次将传播平台纳入责任主体。2026 年 4 月，中央网信办部署开展整治 AI 应用乱象专项行动，聚焦未备案服务、训练数据安全、AI 生成虚假信息等重点问题，行业合规体系进一步完善。

1.2 年度核心热词解析

▌AI Agent 智能体：指具备环境感知、目标理解、自主规划、工具调用与任务执行能力的 AI 系统，是人工智能从 “内容生成” 迈向 “任务执行” 的核心载体。2025 年以来，智能体从单一工具形态向工作空间与生态化应用演进，在办公、编程、客服、数据分析等场景加速落地，推动软件从人机协作模式转向 AI 全流程执行。

▌On-device AI 端侧智能：指 AI 模型在手机、电脑、汽车、可穿戴设备、物联网终端等本地设备上运行推理，而非完全依赖云端服务器。其核心价值在于隐私安全、低时延、弱网可用与带宽成本节约，是 AI 从云端走向物理世界的关键入口。2025 年以来，端侧大模型参数规模持续提升，7B-13B 级模型已可在主流终端设备流畅运行。

▌Embodied Intelligence 具身智能：指拥有物理或虚拟身体，能够在环境中主动感知、决策并执行动作的智能系统。多模态大模型、世界模型、视觉 - 语言 - 动作模型、强化学习等技术共同推动具身智能发展，是人形机器人、工业机器人、自动驾驶等领域的核心技术底座。

▌World Models 世界模型：指能够理解环境规律、预测未来状态、规划行动路径的生成式 AI 模型，核心是让 AI 具备对物理世界的直觉认知与推演能力，被视为实现通用人工智能的关键路径之一。其技术路线分为表征派与生成派，分别侧重抽象规律学习与显性世界生成。

▌AI Slop AI 泔水：指由人工智能批量生成的低质量、同质化、缺乏事实依据与审美价值的内容，广泛存在于文章、图片、视频、评论与商品描述中。随着生成式 AI 工具普及，低质内容的生产门槛大幅降低，对内容生态、搜索体验与信息环境造成负面影响，成为全球治理的重点方向。

PART 02

全球格局：双极引领与区域差异化发展

2.1 全球人工智能产业整体态势

2025 年全球人工智能市场规模达 7575.8 亿美元，企业数量约 3.8 万家，产业进入技术、应用、生态协同共振的高速发展期。从支出结构看，Gartner 预测 2026 年全球 AI 总支出将超过 2.5 万亿美元，其中基础设施占比 55.1%、服务占 22.6%、软件占 17.5%、安全占 2%，而 AI 模型支出仅占约 1.26%，说明产业价值重心正在从模型层向基础设施与落地应用转移。

来源：SAIA&投控数科，人工智能发展白皮书2026

全球产业呈现清晰的三级梯队格局：第一梯队由美国和中国组成，美国在基础研究、高端算力、软件生态、顶尖人才等维度保持领先，中国则在场景应用、数据规模、制造产业链、开源生态与成本控制上形成差异化优势；第二梯队包括英国、加拿大、以色列、法国、德国、日本、新加坡等国家，各自在基础研究、初创孵化、工业 AI、国际化枢纽等细分领域形成特色；第三梯队为印度、韩国、澳大利亚等国家，依托本土市场与资源发力垂直应用，整体生态与核心技术仍有差距。

2.2 美国人工智能发展态势

▌市场规模与资本生态全球领先

美国人工智能企业数量预估在 13700-15500 家之间，占全球总量的 36%-40%，其中初创公司约 7000 家。2025 年美国人工智能领域风险投资金额创历史新高，占全球 AI 风投总额的 70% 以上，但投资数量增速放缓，资本高度向头部集中，OpenAI、Anthropic、xAI 三家头部企业融资合计约 600 亿美元。投资逻辑从早期广泛押注转向成熟期重注，单笔投资规模大幅提升。

来源：SAIA&投控数科，人工智能发展白皮书2026

▌算力与软硬生态构筑壁垒

美国拥有全球约 45% 的数据中心，算力容量占全球 60%，前沿 AI 算力供给占比约 75%。科技巨头主导超大规模智算集群建设，xAI 的 Colossus 集群已部署 23 万张高端芯片，在建的二期集群首期规模达 55 万张，将成为全球首个吉瓦级智算集群；OpenAI 规划的 10GW 数据中心等效算力可达 400-500 万张芯片。

芯片层面，英伟达占据全球 AI 芯片市场 80% 以上份额，CUDA 开发者生态覆盖全球 90% 以上 AI 开发者，形成极强的迁移壁垒。框架与开源生态同样由美国主导，PyTorch、TensorFlow、Hugging Face 等主流开发工具与社区均诞生于美国，形成 “硬件 + 软件 + 开发者社区” 的闭环生态。

▌学术与人才储备深厚

美国顶尖人工智能研究人员占全球总量的 58.5%，2025 年 AI 领域人才规模同比增长 33%，达到 11.74 万人，其中产业界约 9.5 万人、学术界约 2.24 万人。工程类人才占比达 73.8%，反映行业已进入大规模生产部署周期。人才结构呈现高度全球化特征，大量顶尖研究者来自中国、印度与欧洲，移民政策对人才供给影响显著。

来源：SAIA&投控数科，人工智能发展白皮书2026

2.3 中国人工智能产业版图

▌产业规模高速增长

截至 2025 年底，我国人工智能企业数量超 6200 家，核心产业规模突破 1.2 万亿元，同比增长 30% 以上，净增量与 2020 年全年产业规模相当，已形成覆盖基础底座、模型算法、行业应用的完整产业体系。在 “人工智能 +” 行动引领下，AI 深度融入制造、金融、政务、医疗、电商、出行等领域，商业化效率全球领先。预计 2026 年核心产业规模将达到 1.6-1.7 万亿元，继续保持高速增长态势。

来源：SAIA&投控数科，人工智能发展白皮书2026

▌技术创新能力全球领先

中国已成为全球人工智能专利最大拥有国，专利数量占全球总量的 60%，申请量与授权量连续多年位居全球首位。论文发表量与引用率同样位居全球前列，在大模型、计算机视觉、自然语言处理等领域产出大量高影响力成果。

来源：SAIA&投控数科，人工智能发展白皮书2026

模型供给层面，截至 2025 年 7 月全球共发布 3755 个人工智能模型，中国发布 1509 个，占比约 40%，覆盖 50 余个重点行业、700 余个应用场景。若以重要模型口径统计，中国位列全球第二。在主流基准测试中，中美顶级大模型的性能差距已从 2023 年的 10%-30% 收窄至个位数，部分推理、代码、长上下文赛道中国模型实现反超。

来源：SAIA&投控数科，人工智能发展白皮书2026

生成式 AI 用户规模持续扩大，2025 年达 6.02 亿人，普及率提升至 42.8%。公有云大模型调用量高速增长，头部云厂商调用规模处于全球第一梯队。

来源：SAIA&投控数科，人工智能发展白皮书2026

▌算力基础设施体系完善

我国已建成全球第二大智能算力体系，截至 2025 年底智能算力规模达 1590EFLOPS，建成万卡智算集群 42 个，在用算力中心标准机架超 1000 万架，已建和在建智算中心超 1000 个。算力结构持续优化，智能算力占总算力比重从 2016 年的 3% 快速提升至 2025 年的 35%。

成本优势显著，我国工业平均电价远低于美国，西部绿电富集地区电价优势更为突出，大幅降低数据中心运营成本。算力布局持续向国家枢纽集聚，八大枢纽新增算力占全国比重超过 80%，算力互联互通与调度能力不断提升。

▌数据要素生态活跃

我国拥有全球最大的网民规模与数字经济生态，数据生产总量持续高速增长。2025 年全国数据生产总量达 52.26ZB，占全球比重约 27.44%，同比增长 27.28%。工业、软件与信息技术服务业数据占比最高，具身智能、低空经济等新兴领域数据增速领先，分别达到 477.78% 与 75%。

数据供给质量不断提升，截至 2026 年一季度全国已建成高质量数据集超过 11.6 万个，总体量超 960PB，相当于中国国家图书馆数字资源总量的 336 倍。数据流通体系持续完善，深圳等先行城市的数据交易所累计上市交易标的数千个，吸引数千家市场主体参与。

PART 03

产业全景：三层架构与生态协同

人工智能产业链分为基础层、技术层、应用层三级架构，三者层层支撑、协同演进，共同构成完整的产业生态体系。

来源：SAIA&投控数科，人工智能发展白皮书2026

3.1 基础层：产业发展的底层支撑

基础层是人工智能产业的硬件与资源底座，为上层技术与应用提供算力、数据与开发工具支撑，涵盖智能芯片、智能传感器、算力服务、数据服务、开发框架与操作系统等细分领域。

▌智能芯片是算力的核心载体，分为通用 GPU、NPU 加速卡、专用 ASIC 芯片、边缘 SoC 等技术路线。国内代表企业包括华为海思、寒武纪、地平线、沐曦、摩尔线程等，华为昇腾系列已形成从训练到推理的全栈产品体系，占据国产 AI 芯片最大市场份额。

▌算力服务层面，形成公有云算力、智算中心算力、边缘算力三级供给体系。国内浪潮云、阿里云、深智城、华为云等企业提供多元化算力服务，支撑大模型训练、行业应用推理、边缘端实时计算等不同场景需求。

▌数据服务涵盖数据采集、清洗、标注、治理、交易全链条。深圳形成综合型企业主导、专业化企业支撑、垂直领域企业深耕的数据产业格局，华为、腾讯等科技巨头提供全栈数据平台服务，标贝科技、百川数安等专注专业化数据标注，云天励飞、智影医疗等深耕垂直领域数据服务。数据治理体系不断完善，联邦学习、可信数据空间等技术逐步落地，保障数据安全流通。

3.2 技术层：智能能力的核心载体

技术层基于基础层资源，通过算法模型开发形成感知、认知、决策三大类智能能力，是连接底层资源与上层应用的核心环节，涵盖大模型、智能体、机器学习、知识图谱、自然语言处理、智能语音、计算机视觉、生物特征识别等细分领域。

▌大模型是当前技术层的核心主线，形成通用基础模型、行业大模型、场景小模型的三级体系。通用基础模型由头部科技企业主导，具备多模态、强推理、长上下文等通用能力；行业大模型面向金融、制造、医疗、政务等垂直领域训练，适配行业知识与业务逻辑；场景小模型面向特定任务轻量化部署，适配端侧与边缘场景。

▌智能体是技术层增长最快的方向，2025 年中国企业级智能体市场规模达 212 亿元，预计 2026 年增至 449 亿元，2029 年突破 3320 亿元，年复合增长率高达 107%。智能体技术架构持续完善，工具调用协议、多智能体通信协议逐步标准化，记忆模块、验证模块、权限治理模块不断成熟，支撑智能体从演示走向生产环境落地。

▌计算机视觉与生物特征识别是国内技术成熟度最高的领域，商汤科技、旷视科技、格灵深瞳、汇顶科技等企业在全球市场具备竞争力，广泛应用于安防、金融、手机、汽车、工业质检等场景。智能语音领域云知声、出门问问、捷通华声等企业形成完整产品矩阵，在智能家居、车载、客服等场景大规模应用。

3.3 应用层：价值落地的最终环节

应用层实现人工智能技术与千行百业的深度融合，是产业价值的最终释放环节，也是国内产业链中企业数量最多、场景最丰富的层级。

▌智能机器人与人形机器人是应用层最受关注的赛道，中国占据全球 80% 以上的人形机器人装机量，优必选、宇树科技、智元机器人、乐聚机器人等企业形成完整产品矩阵，覆盖工业制造、仓储物流、家庭服务、科研教育等场景。

▌智能运载工具包括自动驾驶汽车、无人机、无人船等，深圳是全球无人机产业高地，大疆创新占据全球消费级无人机七成以上市场份额；元戎启行、小马易行等企业在自动驾驶领域持续突破，比亚迪等整车企业推动智能驾驶加速上车。

▌AI 终端品类持续丰富，AI 手机、AI PC、AI 眼镜、全屋智能设备快速普及，荣耀、小米等终端厂商推出原生 AI 终端产品，带动终端产业智能化升级。数字人、智能服务、智能法律、智能政务、智慧农业、智能制造、智能医疗、智能教育、智能交通、智能能源、智能物流、智能安全等垂直领域均形成规模化应用，涌现出大量专精特新企业。

整体来看，中国人工智能应用层创新活跃、场景丰富、落地速度快，依托全球最大的制造业体系与消费市场，形成了独特的应用优势，是拉动产业增长的核心引擎。

PART 04

技术跃迁：三大核心领域的迭代突破

4.1 大模型：从规模扩张走向系统效率优化

▌竞争格局

大模型产业已进入 “数量扩张、前沿集中、榜单分化、备案提速” 的新阶段。全球模型供给数量持续增长，但真正定义前沿能力与商业模式的仍集中在少数头部机构。中美两国占据全球绝大多数重要模型供给，形成双寡头竞争格局。

国内备案服务数量持续增长，截至 2026 年 6 月，全国累计 988 款生成式 AI 服务完成备案，598 款应用或功能完成登记。区域分布上，北京、上海仍是大模型备案高地，合计占比接近半数；广东偏场景导向，行业大模型占比超 50%；浙江侧重云服务与开源生态分发。

来源：SAIA&投控数科，人工智能发展白皮书2026

产业价值结构持续重构，模型本身在 AI 总支出中占比仅约 1.26%，价值重心向基础设施、软件集成与行业解决方案转移。企业选型不再单一比拼榜单排名，而是综合考量成本、时延、私有化能力、合规性、工具生态与迁移成本，形成 “旗舰模型负责复杂任务、开放模型支撑私有化部署、轻量模型承载高频场景” 的多层分发格局。

▌演进趋势

（1）架构效率持续提升：混合专家架构成为主流，总参数继续扩张但推理时仅激活部分专家，配合低精度训练、量化推理、缓存压缩等技术，单位推理成本持续下降。近两年代价成本下跌 99.7%，Token 逐步普惠化，国产 Token 依托电力与算力成本优势加速出海，有望成为数字服务贸易新形态。

（2）后训练转向复杂任务塑造：模型优化重点从人类偏好对齐转向复杂任务能力塑造。推理强化学习、工具使用训练、长程任务评估等技术成为后训练核心，推动模型从 “回答得像人” 向 “任务做得好” 升级。国产模型在推理、代码、数学等赛道持续突破，部分能力达到全球顶尖水平。

（3）多模态与长上下文成为基础能力：长上下文从卖点变成标配，百万级上下文能力逐步普及，支撑整本书、完整代码库、长视频转录、企业知识库等场景处理。多模态从图文理解走向音视频统一处理，原生多模态模型成为主流，拓展教育、工业质检、医疗影像、自动驾驶等入口场景。

（4）端云协同分层部署：模型交付从单一云端 API 调用走向三层分发结构：闭源旗舰模型承担高复杂度推理与专业任务，开放权重模型支撑私有化部署与行业微调，量化蒸馏后的轻量模型进入手机、PC、车载、机器人与边缘服务器。端侧模型负责高频、低延迟、隐私敏感任务，云端负责全局知识与复杂推理，端云协同成为主流架构。

来源：SAIA&投控数科，人工智能发展白皮书2026

▌发展瓶颈

（1）高质量专业数据稀缺是行业共性挑战。公开语料存量逐步耗尽，网页抓取、版权授权、训练数据披露同步收紧，数据合规成本持续上升。专业领域数据、长程任务轨迹数据、多模态标注数据供给不足，合成数据虽可部分补充，但仍需专家反馈与真实数据闭环校准。

（2）训练与推理的能源约束日益凸显。数据中心电力消耗快速增长，对电网容量、冷却系统、土地资源形成多重压力，美国多地已因电网负荷放缓数据中心审批。国内虽有绿电资源与西电东送支撑，但算力中心向西部转移也带来时延、网络配套等新问题。

（3）安全与透明度要求持续提升。前沿模型能力越强，安全治理要求越高，欧盟 AI 法案等监管规则对模型透明度、风险评估、版权合规提出明确要求。企业级部署对数据安全、权限隔离、审计溯源的要求远高于消费级场景，成为模型落地的重要门槛。

来源：SAIA&投控数科，人工智能发展白皮书2026

4.2 智能体：从概念验证走向规模化实用

▌产品演进

智能体产品形态快速迭代，从早期单一对话式助手演进为具备规划、工具调用、执行、复盘全链路能力的自主系统。编程智能体最先实现规模化商用，Claude Code、Codex 等产品已深度融入软件开发流程，在代码理解、缺陷修复、测试生成、项目重构等场景展现出明确价值。

通用个人智能体随着 OpenClaw 等开源项目爆发快速普及，支持接入多家模型、跨平台操作、本地部署，成为个人效率提升的重要工具。企业级智能体沿办公、客服、数据分析等场景渗透，飞书、钉钉、企业微信等办公平台集成智能体能力，客服智能体替代大量标准化咨询工单，数据分析智能体实现自然语言到数据洞察的直达。

产业增速极快，预计 2026 年底约 40% 的企业应用将内置任务型智能体。但同时项目失败率也较高，大量试点项目因成本不可控、稳定性不足、权限风险等原因未能进入规模化部署，价值验证与治理体系建设成为当前核心命题。

来源：SAIA&投控数科，人工智能发展白皮书2026

▌技术架构

智能体本质是 “大模型 + 运行框架” 构成的复合系统，技术架构分为七层：上下文接入层读取企业知识库、业务系统、文档、邮件与代码库；任务规划层将自然语言目标拆解为结构化任务清单，明确约束、输入输出与人工确认点；工具协议层连接 API、浏览器、代码执行环境与企业软件；执行环境层提供沙箱、虚拟桌面、测试环境与版本控制；长期记忆与技能层留存任务状态、用户偏好与可复用技能；验证与可观测层记录调用过程、校验输出结果、支持失败回滚；权限与治理层限定数据访问范围与可执行动作，设置人工审核节点。

工具协议标准化进程加快，模型上下文协议已成为主流工具连接标准，活跃公共服务器超万个；智能体间通信协议规范跨智能体发现、通信与协作；支付协议、商务协议逐步完善，支撑智能体自主完成交易动作。协议标准化大幅降低了智能体开发与集成门槛，推动生态快速繁荣。

▌落地场景与风险

编程开发是智能体落地最成熟的场景，天然具备版本控制、自动化测试、代码审查等完整验证链路，风险可控且收益明确。客服与办公场景落地速度次之，标准化问题可由智能体自主处理，复杂问题转人工，平均处理时长大幅缩短，一次解决率持续提升。

来源：SAIA&投控数科，人工智能发展白皮书2026

界面操作类智能体适用于缺乏 API 接口的存量系统，可通过模拟人机交互完成后台填表、订单查询、费用报销等长尾任务，但桌面环境操作成功率仍有待提升，需配合域名白名单、敏感操作人工确认等管控手段。

金融、医疗、工业控制等高责任场景中，智能体当前定位为辅助工具，承担资料整理、风险识别、建议生成、审计材料准备等工作，最终决策保留人工审核，明确责任归属。

安全风险是智能体规模化落地的核心制约。提示注入、插件投毒、越权操作、数据泄露等风险突出，开源个人智能体因默认权限高、安全配置薄弱，已被多次警示存在安全隐患。企业部署需建立最小权限原则、沙箱隔离、操作审计、人工熔断等完整治理体系，避免影子 IT 带来的合规风险。

来源：SAIA&投控数科，人工智能发展白皮书2026

4.3 AI 芯片：国产替代进入加速攻坚期

▌竞争格局

全球 AI 芯片市场高速扩张，2025 年市场规模近千亿美元，预计 2026 年突破 1200 亿美元。中国市场是全球增长最快的区域，2025 年 AI 加速卡总出货量达 400 万张，其中国产芯片出货 165 万张，市场份额首次突破 40% 达到 41%，进口芯片占比 59%。英伟达仍以约 220 万张出货量位居首位，但份额较制裁前的 95% 已近乎腰斩。

来源：SAIA&投控数科，人工智能发展白皮书2026

国产阵营呈现一超多强格局：华为昇腾以 81.2 万张出货量位居国产第一，整体市场份额 20%，在省级智算中心与政企市场中标率领先；阿里平头哥凭借云内推理场景放量，出货量位居国产第二；百度昆仑芯、寒武纪、海光信息、沐曦、壁仞、摩尔线程等企业紧随其后，各在细分赛道形成差异化优势。

出口管制持续强化国产替代动力，高端芯片供给受限推动政企、运营商、金融、能源等关键行业优先选择国产算力方案。2025 年寒武纪首次实现年度盈利，多家国产 GPU 企业推进上市进程，产业进入商业化验证关键期。

来源：SAIA&投控数科，人工智能发展白皮书2026

▌技术路线

不同技术路线适配不同场景：通用 GPU 生态最成熟，适用于训练与通用推理，是当前市场主力；云厂商自研 ASIC 芯片针对自有业务负载深度优化，成本能效比优势显著，主要支撑头部互联网企业内部业务；国产 NPU 与加速卡强调自主可控，适配政企云、行业私有化与推理场景，是国产替代主力；边缘 AI SoC 面向手机、汽车、机器人、工业视觉等终端场景，追求低功耗与本地化推理能力；存算一体等新型架构专注极低功耗场景，适配唤醒词、传感器侧 AI 等常驻任务。

来源：SAIA&投控数科，人工智能发展白皮书2026

中国方案以系统规模弥补单卡性能差距，通过全光互联、超节点架构、整柜优化提升集群整体算力。以华为 CloudMatrix 384 超节点为例，384 颗芯片全光互联，BF16 总算力约 300PFLOPS，显存容量与带宽具备规模优势，虽单卡能耗高于国际顶尖产品，但已可稳定支撑主流大模型推理与训练任务。

▌发展瓶颈与趋势

先进制程与制造能力是核心短板。国内 AI 芯片设计能力已接近国际前沿，但芯片制造依赖晶圆代工，7nm 以下先进制程产能受限，高端芯片良率与成本面临挑战。高带宽显存同样依赖进口，国产 HBM 仍在突破过程中，是制约高端卡有效算力的关键约束。EDA 工具、光刻设备等上游环节也存在外部依赖。

来源：SAIA&投控数科，人工智能发展白皮书2026

软件生态持续完善，推理侧迁移门槛已大幅降低。主流推理框架已适配多家国产芯片，华为 CANN 生态开源后，主流大模型原生适配成为常态。训练侧长尾算子覆盖、分布式并行方案、故障恢复机制仍在持续优化，从 CUDA 生态迁移的学习成本与工程成本逐步下降。

未来 1-2 年，推理与私有化部署场景将是国产替代的主战场，渗透率将持续提升；3-5 年内，行业训练集群有望实现规模化国产替代；通用基础模型大规模训练的全面替代则需制程、HBM、互联与软件生态的协同突破。产业竞争重心正从单卡参数比拼转向 “芯片 - 服务器 - 云平台 - 模型 - 应用” 全链路的交付能力与运维稳定性。

PART 05

应用纵横：跨界融合赋能实体经济

5.1 人工智能终端：从功能附加走向原生智能

▌发展概览

人工智能终端是 AI 触达用户的下一代入口，涵盖 AI 手机、AI PC、AI 眼镜、智能网联汽车、具身机器人等品类，正在从 “AI 功能附加” 向 “原生 AI 终端” 演进。2025 年以来，终端侧 AI 能力快速升级，端侧可运行模型参数从十亿级跃升至百亿级，语音助手升级为私人智能助理，实现全场景、全时段个性化服务。

市场规模高速增长：IDC 预测 2026 年全球 AI 手机出货量将大幅提升，渗透率突破 60%；AI PC 出货量预计超 1 亿台，渗透率接近 50%；AI 眼镜出货量同比增速超过 100%，是增长最快的终端品类。中国市场增速领先全球，2026 年国内生成式 AI 手机渗透率将突破 50%，正式进入普及周期。

来源：SAIA&投控数科，人工智能发展白皮书2026

但认知与使用率存在落差：调研显示仅约 47% 用户知道自己设备内置 AI 功能，实际经常使用的比例更低，多数用户仍停留在影像编辑、实时翻译等基础功能，深度任务执行能力尚未形成用户粘性。价值感知不足是当前 AI 终端普及的核心瓶颈。

来源：SAIA&投控数科，人工智能发展白皮书2026

▌细分领域进展

（1）AI 手机：苹果、三星、华为、荣耀、OPPO、vivo、小米等主流厂商均已发布系统级 AI 助手，成熟场景集中在影像编辑、实时翻译、内容摘要、相册检索、日程整理、跨应用搜索。中国信息通信研究院测试显示，2025 年主流 AI 手机辅助通话与影像处理能力已达较高水平，跨应用权限与隐私保护仍是行业共性难点。2026 年 7 月，国家网信办公布首批 7 款手机端侧生成式 AI 服务备案，端侧 AI 合规体系初步建立。

（2）AI PC：是端侧 AI 成熟度最高的品类，NPU 算力门槛明确，40TOPS 以上算力可本地运行 7B-13B 模型。微软 Copilot+PC 与联想、惠普、戴尔等厂商的 AI PC 产品快速迭代，会议纪要、文档摘要、本地知识库、代码辅助是最高频使用场景。按广义口径统计，2025 年 AI PC 在 PC 市场渗透率已达 41.5%；按严格的本地大模型运行口径，渗透率约 19.6%，预计 2026 年提升至 30%。

（3）AI 眼镜：正从听觉助手转向第一视角交互，Ray-Ban Meta 与国内雷鸟、Rokid、XREAL、影目、小米等品牌持续推出新品。行业平均退货率较高，功能使用率偏低是普遍痛点。会议记录、维修辅助、文旅导览是相对成熟的 B 端落地场景，C 端消费级应用仍在探索杀手级功能。人脸识别、无提示拍摄等功能面临隐私合规与社会接受度约束。

（4）智能座舱与人形机器人：智能座舱前装搭载率突破 40%，域控芯片已支持百亿参数模型上车，离线语音与多模态座舱助手成为标配。人形机器人单机算力达 100-2000TOPS，以端侧 VLA 自治为核心特征，2025 年全球出货超 1.3 万台，中国占比 80% 以上。不同于消费电子，车载与机器人端侧 AI 必须服从实时性、安全性与功能安全标准，不能采用上线后迭代的互联网模式。

▌瓶颈与趋势

端侧 AI 当前面临五大瓶颈：一是真实使用率不足，功能与用户需求存在错位；二是算力与存储成本约束，模型常驻带来发热、续航与存储压力；三是标准不统一，能力分级、评测体系仍在建立；四是隐私边界模糊，终端深度理解用户数据的合规边界有待明确；五是跨应用执行权限不足，支付、位置、通讯录等高权限操作仍需人工兜底。

未来三年，AI 终端竞争重心将从硬件参数比拼转向入口重构、软件分发、端云协同与真实使用率。谁掌握系统级 AI 入口，谁就掌握数据、交互与服务分发权。低风险、高频、可即时反馈的任务将最先形成用户粘性，物理世界交互与跨应用执行能力则决定长期价值天花板。

5.2 工业智能：从单点工具走向全链路闭环

▌发展概览

工业智能是人工智能赋能实体经济的核心赛道，以智能模型、数字孪生与工业智能体为技术底座，融入研发设计、生产制造、质量管理、设备运维、能耗优化、供应链协同全流程。其核心是融合现场感知数据、工业机理模型与领域专家知识，将海量数据转化为可验证的经营改进，叠加在自动化、工业互联网、数字孪生基础之上，补上诊断、预测、优化的智能层。

来源：SAIA&投控数科，人工智能发展白皮书2026

中国发展工业智能具备独特优势：全球最大规模的制造业体系、完整的产业链配套、丰富的工业场景与海量数据资源、领先的机器人与自动化基础。国际机器人联合会数据显示，2024 年全球工业机器人新装约 54.2 万台，其中中国约 29.5 万台，占比 54%；中国在役工业机器人已超 200 万台，本土供应商国内市场份额升至 57%，为工业智能落地提供了坚实的设备基础。

来源：SAIA&投控数科，人工智能发展白皮书2026

智能工厂建设成效显著，截至 2025 年初全国已建成基础级智能工厂 3 万余家、先进级 1200 余家、卓越级 230 余家。卓越级智能工厂覆盖 80% 以上制造业大类，累计形成近 2000 个优秀应用场景，产品研发周期平均缩短 28.4%，生产效率平均提升 22.3%，不良品率平均下降 50.2%，碳排放平均减少 20.4%。

来源：SAIA&投控数科，人工智能发展白皮书2026

▌技术路径与重点场景

工业智能采用分层技术架构：底层是现场数据层，通过设备、控制系统、业务系统沉淀设备运行、工艺过程、能耗计量等数据；中间是工业模型层，包括视觉检测、预测维护、工艺优化、工业知识库与行业大模型；上层是应用执行层，嵌入 MES、ERP、SCADA、PLC、APS 等工业软件与边缘设备；顶层是治理安全层，保障实时性、可解释性、网络安全与责任边界。

大模型在工业场景中主要承担知识检索、人机交互、任务编排角色，毫秒级控制与安全联锁仍由传统工业系统负责。灯塔工厂用例中约 77% 由分析型人工智能支撑，仅约 9% 使用生成式人工智能，反映工业场景对可靠性与可解释性的高要求。

来源：SAIA&投控数科，人工智能发展白皮书2026

重点落地场景包括三类：一是质量检测，电子、光伏、电池、钢铁等行业率先成熟，AI 视觉识别表面缺陷、尺寸偏差与装配异常，实现在线监测与实时拦截，通威太阳能、亿纬锂能等企业应用后缺陷率下降 40%-50%；二是预测性维护，通过振动、温度、电流等数据分析设备健康状态，提前预警故障，尤其适用于能源、化工、轨道交通等非计划停机成本高昂的行业；三是工艺、能耗与排产优化，结合仿真与数字孪生，在安全约束下给出工艺参数调整方案，实现良率提升、能耗下降与交付周期缩短。

▌趋势研判

工业智能普及慢于消费与办公场景，根源在于物理世界数字化难度高、工业系统异构性强、数据标准不统一、安全要求严苛。当前制约落地的核心瓶颈包括：数据与系统集成难度大，新旧设备并存、各家厂商标准不一；实时性与安全边界要求高，高危工艺不允许试错；投资回报与组织协同难，跨部门项目缺乏统一指标与负责人；数据安全与知识产权敏感，企业对数据上云与模型训练存在顾虑。

未来三年，工业智能将沿三条路径推进：（1）从单点视觉质检与预测维护，走向产线级工艺与排产优化；（2）从问答式大模型，走向能读系统、调用工具、生成工单、发起审批的工业智能体；（3）从少数灯塔工厂示范，向中小企业普及，通过工业互联网平台与 SaaS 化服务降低落地门槛。工业大模型的真正价值不在于对话流畅度，而在于接入现场数据、沉淀行业机理、打通工业系统、形成可验证的 KPI 闭环。

5.3 智能增效：企业数字化转型的核心抓手

智能增效聚焦企业运营与办公环节，通过 AI 提升岗位效率、重构工作流程，是当前企业 AI 投入最集中的领域。Menlo Ventures 数据显示，2025 年企业 AI 支出中约 50% 流向面向用户的产品与软件，部门级 AI 支出中编程岗位占比最高，其次是 IT 运维、营销、客服、设计、人力。

来源：SAIA&投控数科，人工智能发展白皮书2026

编程开发是增效最显著的场景，谷歌披露其新增代码约 75% 由 AI 生成，国内兴业银行等企业 AI 编程助手已覆盖 90% 以上研发人员。但提速幅度与代码库成熟度高度相关：新项目、边界清晰的任务提速明显；成熟复杂代码库中，资深开发者使用 AI 后效率未必提升，甚至可能因排查 AI 生成的隐含问题变慢。因此检索、补全、测试、文档生成是当前最稳定的增效环节，核心逻辑改动仍需人工深度审查。

客服场景规模化应用最早，价值量化最清晰。兴业银行 AI 数字客服累计服务约 5500 万人次；Intercom Fin 客服产品平均解决率提升至约 67%；广东公牛集团智能客服接待能力提升约 30 倍；美宜佳智能客服覆盖 3.6 万家门店，响应时长下降 58%。行业普遍形成 “AI 处理标准化问题 + 人工处理复杂投诉与高价值客户” 的分级服务模式。

办公场景正向具体业务渗透，华大生物用 AI 实验记录员将语音转写为实验参数回写系统，每年节省大量人力成本；销售智能体辅助客户跟进、策略规划与对练培训，有效提升销售转化率与新人成长速度；Meta 平台上已有超百万家企业使用智能体开展客户服务与营销。

设计营销环节正在经历岗位重组，低复杂度素材生成成本大幅下降，品牌策略、转化评估、质量把关等高阶环节价值上升。Adobe Firefly 累计生成内容超 220 亿项，Klarna 借助 AI 将广告制作周期从六周压缩至一周，外部代理开支下降约 25%。平面设计类岗位需求收缩，用户体验、品牌系统类岗位需求增长。

整体来看，智能增效潜力巨大，但约 95% 的组织尚未从 AI 投入中获得可衡量的回报。核心差异不在于采购了多少工具，而在于是否配套重构了工作流程、权限体系与考核机制。没有配套治理的 AI 工具只会制造更多初稿与待审核内容，带来噪声而非效率。未来企业竞争将聚焦于谁能更快完成流程重构，把 AI 能力真正转化为组织生产力。

5.4 智慧民生：公共服务的普惠化升级

人工智能正在医疗、教育、政务、城市治理等民生领域深度渗透，推动公共服务从被动响应转向主动预见、从标准化转向个性化。

来源：SAIA&投控数科，人工智能发展白皮书2026

医疗领域，AI 主要应用于分诊导诊、病历文书、影像辅助诊断、患者沟通等环节。微软临床 AI 助手一个月辅助超 300 万次医患对话，每次就诊节省约 5 分钟文书时间，有效减轻医生负担。美国 FDA 累计授权的 AI 医疗器械已达约 1450 个，影像与放射类占七成以上。国内联影智能、数坤科技、推想医疗、鹰瞳科技等企业围绕胸部 CT、心脑血管、眼底疾病等形成成熟产品矩阵，基层医疗机构普及速度加快。

教育领域，AI 备课批改、个性化学习辅导、区域教学平台广泛应用。英国国家教育研究基金会随机对照实验显示，AI 辅助教学可使教师每周备课时间减少约 31%。安徽蚌埠落地人工智能智慧教育模式，教师备课时间减少 33%，英语作文批改时间减少 67.26%，学生无效练习降低 49.6%。深圳龙岗区 AI 个性化学习项目覆盖 50 余所学校，全年智能采集学情近 200 万份，生成个性化手册超 7 万册。横岗高级中学高三平板教学试点联考平均分提高 10 分，本科率提升 16 个百分点。

政务领域，政策问答、材料预审、工单分派、办事协同等场景广泛落地。深圳福田区约 70 名 AI 数智员工覆盖 240 个政务场景，公文修正准确率超 95%；龙岗区商事登记智能审批助手累计处理业务近 3300 件，准确率稳定在 96% 以上，审批效率提升超 30%。张家口 12345 热线接入大模型后，工单准确率提升至 99.5%，分拨准确率达 95% 以上。

城市治理领域，交通、能源、水务、应急、城管等环节全面智能化。成都二环高架智能管控使高峰通行效率提升约 40%；深圳虚拟电厂聚合充电与储能资源超 50 兆瓦，支撑电网调度；鹰潭智慧水务将管网漏损率由 35% 降至 8.59%，年节约成本约 600 万元；武汉城运智能体联通十余个市直部门与辖区调度系统，实时监测千余项城市体征指标，事件处置效率提升 60%。深圳宝安区 IoT+AI+CIM 防汛视频指挥调度体系，通过 AI 视频分析主动识别积水隐患，新增发现 20 个易涝点，积水处置时长从 2-3 小时缩短到 1 小时以内，是 AI 赋能城市应急治理的典型实践。

5.5 科学智能：科研范式的系统性变革

人工智能正在推动科学研究从 “假设 - 实验 - 验证” 的传统范式，转向 “AI 预测 + 实验验证” 的新范式，大幅压缩研发周期、降低试错成本。

来源：SAIA&投控数科，人工智能发展白皮书2026

生命科学领域进展最为显著，AlphaFold 覆盖约 2 亿个蛋白质结构，被全球 190 多个国家数百万研究者使用，成为基础科研设施级工具。ESM-3 等生成模型已能设计与天然序列同一性很低、但实验验证具备功能的全新荧光蛋白，证明 AI 从零设计生物分子的能力。2025 年，David Baker 团队利用 AI 从零设计出具有复杂活性位点的全新酶，成果同时发表于《科学》《自然》，突破了自然演化的结构限制。

AI 制药领域临床验证持续推进，Insilico 的候选药物在特发性肺纤维化 IIa 期临床展现积极疗效，12 周用力肺活量较基线改善显著，提供了 AI 设计分子进入人体验证的实证。但也有部分 AI 药企管线临床失利，说明靶点发现与分子生成仍难以跨越生物学不确定性，AI 最核心的价值在于压缩前端筛选成本，而非替代完整临床研发流程。

材料科学领域，AI 重构研发前端流程。微软与 PNNL 合作的固态电解质项目，从约 3260 万个候选中筛选出 18 个，约 9 个月完成原型开发，新材料锂用量减少约 70%。GNoME 将晶体材料搜索空间扩展到百万量级，大幅拓展材料发现边界。国内在高分子材料、特钢、锂电电解液、碳捕捉等方向已有大量应用案例，与制造业体系结合紧密。

气象科学是市场化路径最清晰的方向。ECMWF 已将 AI 预报系统投入业务运行，与传统物理模式并行。盘古、伏羲、风乌等中国气象大模型在中期预报、极端天气预报中表现突出，是国内 AI4S 领域少数实现可评测、可上线的场景。其边界在于极端事件、物理一致性与长期气候模拟仍需传统模式校验，AI 更多作为补充与加速工具。

自动化实验室与工程仿真形成验证闭环。MIT CREST 项目约 3 个月完成 900 多种催化剂配方、3500 多次电化学测试，筛出单位成本功率密度约为纯钯 9 倍的八元合金，证明主动学习 + 机器人实验的闭环可持续产出可验证成果。AlphaChip 用强化学习优化芯片布局并已应用于多代 TPU 设计，动车组气动、客机翼型等工程仿真是国内较为成熟的应用方向。

来源：SAIA&投控数科，人工智能发展白皮书2026

整体来看，科学智能下一阶段竞争核心不是单一模型规模，而是能否构建 “数据 - 模型 - 仿真 - 实验 - 验证” 完整闭环与可持续迭代的科研基础设施。中国应优先布局气象、材料、自动化实验室等能形成闭环的方向，依托工程与场景优势积累原创能力。

来源：SAIA&投控数科，人工智能发展白皮书2026

PART 06

未来展望：前沿方向与产业新可能

6.1 世界模型

世界模型是指能够理解环境规律、预测未来状态、规划行动路径的生成式 AI 系统，被视为从语言智能走向物理智能、实现通用人工智能的关键路径。其核心思想是让 AI 像人类一样在大脑中构建世界模型，模拟行动后果并据此规划决策。

来源：SAIA&投控数科，人工智能发展白皮书2026

当前技术路线分为两大流派：表征派以联合嵌入预测架构为核心，预测抽象表征而非像素细节，计算效率高、泛化能力强，Meta 的 V-JEPA 系列是代表，已应用于机器人视觉训练；生成派以视频生成、3D 生成为基础，直接生成显性的虚拟世界，代表包括 Sora、Genie 等视频生成模型，以及李飞飞团队创办的 World Labs 的 3D 世界生成方案。

产业竞争格局正在加速形成：美国 Google DeepMind、NVIDIA、Meta 全面布局视频生成、物理仿真、3D 交互、机器人训练等方向；英国 Wayve 聚焦自动驾驶世界模型；中国商汤、华为、蔚来等在智能驾驶与具身机器人平台方向落地应用，腾讯、快手、昆仑万维等在视频生成方向持续突破。

多模态大模型与世界模型融合是明确趋势，大模型提供符号推理与常识，世界模型提供时空直觉与物理规律理解，二者结合使 AI 既能回答 “是什么”，也能推演 “会怎样”。应用场景持续拓展：自动驾驶领域用于长尾场景生成与仿真测试；具身机器人领域用于模拟训练与运动规划；游戏领域实现自动生成开放世界与动态 NPC；内容创作领域支撑长视频与虚拟世界生成；可穿戴设备领域实现空间理解与环境交互。

未来 3-5 年，专用领域世界模型将率先成熟落地，通用世界模型仍将持续探索。世界模型有望成为智能系统的操作系统级基础设施，为各类物理世界交互的 AI 应用提供统一的世界理解底座。

6.2 太空算力

太空算力是指在近地轨道卫星等太空平台部署分布式计算网络、太空数据中心与边缘计算节点，实现数据在轨实时处理、智能分析与自主决策，推动算力从 “天感地算” 向 “天数天算” 跃迁。其核心驱动力是地面算力扩张面临的能源、土地、水资源约束，而太空拥有近乎无限的太阳能资源与真空天然散热环境，绿色低碳优势显著。

技术架构包含四大模块：算力模块采用抗辐射加固的高性能 CPU、GPU 与 AI 加速芯片，在严苛的体积、重量与功耗约束下稳定工作；能源系统依靠太阳能电池阵与储能电池，晨昏轨道可实现近乎不间断供电；散热系统依托热管与两相流体回路，通过辐射散热排向深空，摆脱水冷依赖；通信系统包括星间激光链路与星地链路，单链路传输速率已达百 Gbps 量级，支撑分布式协同计算。

中美形成差异化发展路径：美国由 SpaceX、亚马逊、谷歌、英伟达等科技巨头主导，依托成熟商业航天生态，加速在轨计算验证与星座部署，追求技术突破与商业化落地；中国采取政府牵头、产学研协同模式，中科院、武汉大学、之江实验室等机构引领，三体计算星座、星算计划、东方慧眼等项目稳步推进，强调技术自主可控与天地一体化架构。

来源：SAIA&投控数科，人工智能发展白皮书2026

商业航天发射成本是规模化的关键门槛，当发射成本降至约 200 美元 / 公斤时，太空算力将具备大规模商业化可行性。业界普遍预测这一临界点有望在 2030 至 2035 年实现。StarCloud 推演显示，单个 40MW 集群太空运营十年总开支显著低于地面运营成本，长期经济潜力巨大。

太空算力仍处于早期试验验证阶段，在轨可靠性、星间组网、辐射防护、运维成本等挑战仍待突破。但其作为突破地面算力资源瓶颈的远期方案，已成为主要航天国家与科技巨头的战略布局方向，有望开启 “天地一体、协同计算” 的算力新纪元。

6.3 人形机器人

人形机器人被认为是具身智能的终极形态，也是继消费电子、新能源汽车之后最受期待的智能终端赛道。其核心优势是与人类环境天然适配，可直接使用现有工具、无缝接入工位与空间，无需改造产线与基础设施。

主流技术采用 “大脑 - 小脑” 协同架构：大脑层由多模态大模型、世界模型、VLA 模型构成，负责环境理解、任务规划与人机交互；小脑层是运动控制算法与关节伺服系统，负责全身调度、平衡控制与精细操作；二者通过高速数据通道实时联动，实现知行合一。

产业正处于量产爆发前夜。工信部明确表示 2026 年我国人形机器人整机产量有望突破 10 万台，标志着行业从技术验证阶段全面进入规模化商用阶段。核心零部件国产化取得重大突破，驱控一体关节、减速器等关键部件国产化率已达 70%，带动整机成本显著下降。消费级人形机器人售价下探至万元级，工业级产品价格持续下探，特斯拉 Optimus 目标售价定在 2 万至 3 万美元区间。

落地场景沿工业先行、消费培育的路径推进。工业制造、仓储物流、汽车制造是当前核心落地场景：东风柳汽、一汽红旗、比亚迪等车企已批量部署人形机器人承担搬运、分拣、装配等工作；十五运会、春节晚会等国家级舞台实现文娱表演规模化应用。拧瓶盖、叠衣服等精细操作能力持续突破，作业范围不断拓展。

标准与认证体系加速建立。中国制定了全球首个《人形机器人伦理基本要求》国家标准，构建覆盖全产业链的五级标准体系。全球形成中国 CR、欧盟 CE、美国 FCC 三大认证体系并行格局，国产产品率先集齐三项国际主流认证，为全球化出海奠定基础。

未来 3-5 年，人形机器人将从 “能用” 向 “好用” 跨越，产量从万台级迈向十万台级、百万台级。工业场景将率先实现经济性拐点，家庭服务、康养陪伴等消费场景逐步成熟，最终成为与智能手机、汽车并列的新一代智能终端。

6.4 量子计算

量子计算凭借指数级并行计算潜力，成为人工智能算力的远期重要演进方向，也是全球科技竞争的战略制高点。与经典计算不同，量子计算机利用量子比特的叠加与纠缠特性，可并行处理海量可能性，在特定问题上具备远超经典计算机的运算速度。

技术路线呈现多元并行格局：超导路线工程化最成熟，IBM、谷歌与中国本源量子等处于领先地位，但需要极低温运行环境，运维成本高，纠错难度大；光量子路线以中国科学技术大学 “九章” 系列为代表，可室温运行，适合构建分布式量子计算网络，与现有光纤通信基础设施兼容；离子阱、中性原子等路线各有所长，在量子比特精度、相干时间上具备优势，均处于快速研发阶段。

人工智能与量子计算双向赋能是核心趋势。一方面，AI 辅助量子芯片校准、噪声建模、控制参数优化与量子纠错解码，提升量子系统稳定性与可操作性，谷歌、IBM 均在量子研发中深度应用 AI 技术；另一方面，随着量子硬件规模与容错能力提升，量子计算有望在复杂采样、组合优化、分子模拟、材料生成等子任务中为 AI 提供新型算力工具，尤其适用于科学计算与优化类场景。

整体而言，量子计算仍处于从 “原理验证” 迈向 “实用探索” 的发展阶段，通用容错量子计算机仍需较长时间突破。预计 2035 年左右有望进入通用容错阶段，届时将重构计算技术本身，为材料科学、药物研发、金融服务、密码安全等领域带来革命性突破，也将为人工智能发展注入全新的算力维度。近期来看，量子计算更可能作为专用加速能力，与 GPU、超算、云计算共同构成混合算力基础设施。

PART 07

风险思辨：发展与安全的动态平衡

7.1 资源消耗与可持续性

人工智能是能源与资源密集型产业，算力指数级增长对能源、水、土地、关键矿物构成巨大需求，也带来了相应的环境与供应链压力。

能源消耗方面，单张高端 GPU 峰值功耗可达数百瓦，大型智算集群功耗可达数十兆瓦。国际能源署预测，至 2030 年全球数据中心年耗电量将大幅增长，占全球用电量比重持续提升。美国弗吉尼亚、阿姆斯特丹、伦敦等算力集聚地区已出现电网容量瓶颈，新项目审批放缓。中国算力总用电量也在快速增长，“十五五” 时期年均新增用电量预计达千亿千瓦时级别，到 2030 年占全社会用电量约 6%。

水资源压力同样不容忽视。传统冷却方式的数据中心耗水量巨大，超大规模数据中心年耗水量可达数亿升，相当于数万人日常用水量。美国西部、中东等水资源匮乏地区的数据中心已引发与居民、农业的用水争夺，水资源可用性正成为数据中心选址的核心考量因素之一。

关键矿物供应链存在集中风险。稀土、锂、钴、铜等矿物是芯片、电池、服务器的核心原材料，开采加工高度集中于少数国家，地缘政治冲突、政策变动都可能冲击供应链稳定。同时采矿与冶炼过程本身高耗能、高污染，随着 AI 硬件需求爆发，环境影响将进一步放大。

可持续发展路径正在多维度推进：政策层面，我国明确新建大型数据中心 PUE 限值与绿电占比要求，推动绿色低碳转型；技术层面，液冷替代风冷、余热回收、浸没式冷却等技术加速普及，模型架构优化、稀疏激活、量化压缩从算法侧降低计算负载；能源结构层面，科技巨头纷纷投资核能、可再生能源，保障长期清洁电力供给；产业布局层面，“东数西算” 引导算力向西部绿电富集地区转移，优化能源资源配置。

同时，人工智能也反向赋能能源治理与节能减排，优化工业流程、交通系统、建筑能效，加速新能源预测与电网调度，助力新型电池与碳捕捉材料研发。长远来看，AI 带来的全社会碳减排量，有望超过 AI 基础设施自身的运营碳足迹。

7.2 数字鸿沟与发展失衡

人工智能的全球扩张正在加剧既有的数字鸿沟，并催生出新的发展失衡，形成技术、语言、人才、产业的多重分化。

全球层面，北方发达国家 AI 应用增速接近南方国家的两倍，近 26 亿人口尚未接入互联网，最不发达国家与内陆国家缺乏自主研发 AI 的能力，甚至连开源模型的部署运行都受限于电力、网络与硬件条件。算力资源高度集中于中美欧，多数发展中国家完全依赖外部技术供给，在 AI 治理规则制定中话语权有限。

语言与文化维度的边缘化同样显著。主流大模型训练数据以英文为主，OpenAI 等机构训练数据中约 90% 为英文文本，导致非英语母语群体在使用中面临理解偏差、文化错位与价值偏见，小语种与本土文化在 AI 时代面临被进一步边缘化的风险。

人才断层持续扩大。全球顶尖 AI 研究者中，来自低收入国家的比例不足 3%，高端人才持续向美国等发达国家流动。发展中国家既缺乏顶尖研究团队，也缺乏工程化落地人才，技术引进难以转化为内生发展能力。

中国国内区域、城乡、代际不平衡同样存在。东部沿海地区 AI 融合应用已进入深化阶段，中西部部分县域仍面临数字技能薄弱、应用场景不足的问题。老年群体智能边缘化突出，尽管国家持续推进适老化改造，但 65 岁以上人群中仍有近四成难以独立完成挂号、移动支付等常见智能操作。

弥合路径需要多方协同：国际层面，中国通过 “一带一路” 数字经济合作帮助非洲等地区建设通信骨干网，推动轻量化大模型落地；开源生态层面，中文开源模型数量快速增长，为非英语国家提供更多选择；国内层面，持续推进宽带普及与东数西算，加强数字素养教育与适老化改造，让技术红利更均衡地覆盖全体人群。

7.3 劳动转型与就业冲击

人工智能正在以前所未有的深度和广度重塑劳动力市场，对就业结构、岗位形态与收入分配产生深远影响，呈现替代与创造并存、挑战与机遇交织的复杂格局。

岗位替代呈现结构性特征。高盛研究显示，全球约 3 亿全职岗位面临 AI 替代风险，美国约三分之二的职业可实现部分自动化。软件开发、文案撰写、平面设计、数据录入、行政文员、基础客服等知识密集型岗位首当其冲，是生成式 AI 替代的高发领域。护理、技工、户外作业等依赖肢体操作与现场应变的岗位受影响相对较小。

随着智能体与机器人技术进步，替代正从单一任务向完整岗位流程延伸。编程、客服、基础财务、初级设计等岗位需求已出现结构性收缩，岗位要求从执行转向审核、决策与创意。与此同时，AI 训练师、提示工程师、智能体运维、AI 伦理师等新职业不断涌现，高端技术人才与复合型人才需求持续高涨。

收入分配效应值得警惕。资本所有者与高端技术人才成为技术红利的主要受益者，被替代的中低技能劳动者面临转岗压力与收入下行风险，可能进一步拉大收入差距与阶层分化。企业层面，亚马逊等科技公司已明确将裁员与 AI 广泛应用相关联，管理层级精简与人员结构优化成为普遍趋势。

人机协作正在成为主流工作模式。绝大多数岗位不会被完全替代，而是演变为 “人 + AI” 的协同形态：程序员借助 AI 生成框架、专注逻辑设计；设计师借助 AI 产出创意初稿、聚焦审美与策略；客服人员处理复杂投诉、AI 承担标准化咨询。个人技能重心从执行能力转向判断力、创造力、情感沟通与问题定义能力。

社会层面需要系统性应对。欧盟数字欧洲计划、新加坡技能创前程等通过税收激励与再培训基金支持劳动力转型。中国也在加强全民智能素养教育，完善社会保障与就业服务，培育新就业形态。平稳过渡的关键在于建立与技术迭代速度相匹配的终身学习体系，让劳动者具备持续转岗与技能升级的能力，在效率提升与就业稳定之间寻求动态平衡。

7.4 数据安全与治理风险

人工智能深度应用使得数据让渡规模空前扩大，数据安全风险从隐私泄露延伸至系统性社会风险，治理复杂度持续提升。

▌个人隐私与数据滥用风险突出。用户使用 AI 服务过程中，行为轨迹、生物特征、对话内容、文档数据等大量敏感信息被采集训练。犯罪分子利用 AI 合成语音、换脸技术实施诈骗，单次诈骗金额可达千万元级别，已成为高发的新型网络犯罪。深度伪造技术还被用于造谣诽谤、虚假证据制作、色情内容生成，侵害个人权益与社会秩序。

▌供应链攻击与模型污染风险上升。国家网信办数据显示，涉及人工智能系统的数据安全事件数量快速上升，同比增长 37%，其中第三方合作与 API 接口漏洞导致的供应链攻击占比达 58%。大模型训练数据混入恶意内容可引发 “模型污染”，导致金融风控、医疗诊断等关键领域输出错误决策，造成系统性偏差。

▌企业层面面临 “影子 AI” 合规隐患。约 50% 员工使用过未经企业批准的 AI 工具，约 24% 员工曾将公司专有数据输入公共 AI 系统，导致商业秘密、代码、合同、客户信息面临泄露风险。很多企业尚未建立统一的 AI 使用规范与数据安全管控体系，存在显著的合规盲区。

▌治理体系正在多维度构建。技术层面，国家标准明确电子产品信息清除要求，联邦学习、隐私计算等技术加速落地，实现数据 “可用不可见”；制度层面，北京、上海等地推进开源软件安全审查机制，防范供应链投毒；执法层面，“清朗” 系列专项行动整治 AI 乱象，下架违规 APP、处罚未履行数据安全保护义务的企业，形成执法震慑。

2026 年被视为数据要素价值释放的关键年份，安全与发展的平衡是核心命题。未来治理方向包括：推动隐私计算与可信数据空间规模化应用，建立分级分类的 AI 数据授权机制，完善公共数据开放与可信流通体系，明确 AI 生成内容的责任归属与溯源机制。唯有筑牢安全底线，人工智能的价值释放才能行稳致远。

结语

人工智能正处于从技术突破走向产业深化的关键转折点。模型能力持续迭代，智能体从概念走向实用，端侧智能加速普及，人形机器人迈入量产，科学智能重构科研范式，技术演进的深度与广度前所未有。全球产业格局呈现中美双极引领、多区域特色发展的态势，中国凭借场景、数据、制造与政策优势，在多个赛道实现并跑乃至领跑。

与此同时，能源资源约束、数字鸿沟、劳动转型、数据安全等风险与挑战同步显现。产业发展的下一程，不再是单一技术的竞速，而是算力、算法、数据、人才、治理的系统性比拼。唯有坚持创新驱动与安全底线并重，坚持普惠包容与可持续发展，才能让人工智能真正成为高质量发展的核心引擎，惠及更广泛的社会群体。

【特别声明】本文为陈博观察文字原创内容，如需转载或引用请注明上述版权信息。文中相关插图已标注来源单位，版权完全归相关单位以及原作者所有；未标注的插图为本公众号绘制（部分素材借助AI工具完成）或来源于网络公开资料，如涉及侵权，请联系我们处理（yujianchenwei@163.com）。此外，本文仅供研究参考用，在任何情况下，文中的任何信息和结论均不构成对任何个人的投资与决策建议。

人工智能发展白皮书（2026）

最近文章

【9月2-4日】AMI2026第四届中国银发产业流量渠道对接大会