展望2026，AI行業有哪些創新機會？

這是我們連續第三年發佈AI行業的年度覆盤與展望。

2023年，OpenAI在模型界幾乎是一騎絕塵。2024年，OpenAI在大部分時間處於「被挑戰」的狀態。2025年，是中國大模型發展的「破局之年」，DeepSeek橫空出世，撼動了全球大模型賽道的原有格局，也在全球範圍內扛起了「開源」大旗。

回望2025年，全球AI行業步入了一個快速變化的周期。伴隨着模型範式的重構、算力建設的加速，以及應用的分化，世界模型與物理AI的出現，讓智能逐漸逼近「可行動」與「可預演」。

在這一年，AI產業的兩條主線格外清晰：一是美國和中國成為驅動全球AI發展的「雙核」，發展路徑各有特色；二是端側模型、智能體能力、世界模型等關鍵技術開始加速進入工程化階段，從「能力演示」邁向「系統整合」。

可能有一點遺憾的是，和2023年、2024年一樣，2025年依然是「模型能力提升」與「應用落地阻力」同時出現的年份。模型能力仍在進步，但當行業關鍵詞從「大模型」轉向「AI+」，也意味着人們對AI的期待已然從一種前沿技術，轉向其在真實世界的落地價值。2025年，AI應用側雖然不乏亮點，但是仍然面臨多重挑戰。

在這份報告里，我們試圖從模型演進、產業鏈與基礎設施、應用生態三個角度切入，試圖提供一份來自投資人視角的2025 AI產業底稿。我們希望回答如下問題：

• 模型技術的演進正在把行業推向何處？
• AI產業鏈的上下游正在如何重組？
• 對 AI 領域的創業者而言，當下和未來有哪些創新機會，護城河又該如何建構？

這不僅是對AI領域過去一年的發展回顧，更是對AI發展走向的思考。2025年接近尾聲，我們也很好奇：

• 2026年的AI行業會迎來哪些新變量？
• AI+會在哪些領域率先取得大進展？
• AI能打破「生產率悖論」嗎？

/ 01 / 全球大模型格局：雙核驅動，開源崛起

當前，全球大模型的發展呈「雙核驅動」態勢。這既體現在技術路徑的選擇上，即閉源與開源並行推進，也反映在地緣競爭的現實之中——美國與中國成為推動人工智能發展的兩大核心力量。

一、雙核驅動：技術路徑與地緣格局的交匯

從技術角度看，「雙核」首先指向閉源與開源這兩種截然不同的發展範式。閉源大模型由科技巨頭主導（以OpenAI為代表），強調性能領先、產品閉環與商業變現；開源大模型則先由具備資源實力的組織主導（以DeepSeek為代表），在開源基礎上依託社區協作、生態共建和透明迭代，近年來展現出強大的生命力。

從全球競爭格局來看，美國憑藉在算力、算法和人才方面的長期積累，在閉源領域佔據主導地位；在中國，開源成為AI發展的重要方向。開源既有助於應對AI供應鏈的不確定性和外部制約，也幫助中國在AI競爭中實現了關鍵突破。歐洲等其他地區雖有佈局，但整體仍處於追趕狀態，尚未形成足以影響全局的模型體系。

由此可見，當前AI發展的主引擎已集中於中美兩國，一方以閉源引領創新邊界，另一方以開源構建生態縱深。

二、頭部大模型：三足鼎立，戰略分化

在大模型陣營中，OpenAI、Anthropic與Google形成「三駕馬車」之勢，各自採取差異化的戰略路徑。

OpenAI的GPT系列模型在綜合能力方面具備優勢。它不僅持續引領技術前沿（如率先引入長鏈推理範式、發佈視頻生成模型等），還通過ChatGPT等產品觸達終端用户，展現出打造「一站式AI平臺」 的遠景。

與之相比，Anthropic更多地聚焦於專業場景與垂直應用，如代碼生成、網絡安全等，發佈了Claude系列模型及Claude Code工具。近期Anthropic也在開發者工具方向與企業場景中加大投入，試圖搶佔應用層先機。

Google的Gemini路線之前似乎更傾向於「全面而均衡」，其模型能力體現在長上下文、多模態輸入、科研／創意雙重導向等。近半年，Google通過Nano Banana Pro等熱門圖像生成／編輯模型，試圖在垂直創意與圖像生成賽道打開局面，加快形成差異化標籤。

三、開源的崛起：中國AI的戰略突圍與生態重構

如果説閉源模型代表了「精英式創新」，那麼開源模型則更像一場由領先機構引領並激發「全民協同的工程創新」。中國正藉助這一模式實現戰略突圍。

2025年堪稱中國大模型發展的「破局之年」，其中極具標誌性的事件是DeepSeek橫空出世。此前業界普遍認為中國會「先做應用，后攻模型」，但DeepSeek不僅提前完成了高性能基座大模型的構建，更在全球範圍內率先以開源方式復現了具備「長鏈推理」能力的大模型。

尤為關鍵的是，DeepSeek通過創新訓練機制，將推理過程中的Token成本大幅壓縮，實現了在保持高性能的同時，顯著降低部署門檻。這種「低成本，長推理」的範式迅速引爆開發者社區。

除DeepSeek外，通義千問（Qwen）和Kimi等國產大模型也已陸續開源/開放權重，這些大模型正在共同探索一條兼具技術深度與生態廣度的新型開源路徑。

值得關注的是，開源對中國而言遠不止是技術選擇，或許還是一種系統性戰略。

一方面，由於外部閉源模型難以大規模進入中國市場，本土開源模型天然獲得了廣闊的應用試驗場。B端或許更願意採用開源方案，其可微調、可審計、可定製，正契合對數據安全與技術自主的迫切需求。

另一方面，開源還激活了中國龐大的工程師紅利。在算力受限的現實約束下，國家可以將有限的資源集中於少數優質開源模型（如DeepSeek、Qwen），實現算力、數據與人才的高效協同。

不同於閉源模型依賴少數頂尖團隊，開源生態允許高校、中小企業乃至個體開發者在不同模型尺寸上貢獻算法優化與應用場景創新。這種「眾人拾柴火焰高」的協作機制，本質上是一種類似科研的開放創新範式——技術細節透明、成果快速傳播、社區互相提升，從而形成強大的正向循環。

然而，開源大模型發展並非坦途，其商業模式天然面臨挑戰：變現周期長，中短期難以形成規模化收入，高度依賴大量資金支持與生態協同。

一種合理的方案或許是：開源大模型廠商不僅開放模型權重和代碼，也在雲端提供基於token的售賣服務——既開源又收費，實現「一魚兩吃」。當前，Qwen和DeepSeek均同時在提供雲端服務。但這一模式也面臨強勁的雲服務商競爭、利潤空間壓縮、運營成本上升等壓力。

四、端側模型崛起：雲之外的模型路徑

2025年，「端側推理」成為模型落地的重要戰場。端側推理不是「應用層」的新功能，而是模型形態分層的結果。在雲端訓練越來越昂貴，推理成本不降反升，電力與數據中心擴容受限的背景下，一部分推理能力正遷移到設備端執行。

蘋果Apple Intelligence 、Google的Gemini Nano，以及國內一些小參數模型，使端側模型初步具備了落地條件。

端側模型通常以幾億到數十億參數量級為主，可實現低延迟響應，其隱私保護能力較強，並且運行成本幾乎可以忽略不計。對模型體系而言，這意味着從「大一統大模型」轉變為「雲-端協同」的多尺寸結構：雲端負責複雜推理和跨任務協作，端側處理即時任務和近場感知。

家庭與辦公場景正在成為端側模型的典型載體，安防攝像頭、家用機器人、家電控制模組、桌面助手都開始依賴本地推理完成視覺理解、設備聯動和任務執行；雲端只在需要深度推理時介入。對模型廠商和應用開發者而言，端側AI不只是部署方式的變化，還是一次新的入口競爭——推理正在從雲中心迴流到本地環境之中。

/ 02 /大模型的關鍵技術演進：多模態、推理、上下文記憶及智能體能力

近年來，大模型的發展已從單一文本能力邁向更復雜、更智能的綜合形態。當前，四大技術趨勢正重塑行業格局：原生多模態融合、推理能力、長上下文窗口與記憶機制，以及智能體能力（Agentic AI）。這些進展不僅提升了模型的基礎能力，而且正在重新定義人機交互的邊界。

一、多模態：從「文本為中心」走向「原生融合」

過去，多模態系統通常依賴文本作為中介，例如通過CLIP等模型將圖像、音頻等映射到統一的文本語義空間，再進行處理。這種方式雖有效，但本質上仍是以文本為核心，其他模態處於「被翻譯」的地位。

如今，前沿大模型正轉向原生多模態架構。所謂「原生」，是指模型在底層設計上就將圖像、語音、文本乃至視頻等多種模態嵌入同一個共享的向量表示空間，從而使不同模態間能夠自然對齊、無縫切換，無須經過文本中轉，以實現更高效、更一致的理解與生成。

多模態生成模型也正在進入快速發展期，從實驗探索階段邁向以實際應用為導向。比如，Sora 2在視頻與音頻生成上實現物理逼真、鏡頭控制、音效同步等突破，Nano Banana Pro在圖像生成與編輯方面向前走了一大步，支持多圖融合、4K輸出、邏輯一致性與多語言文本渲染。

二、推理能力：從「回答問題」到「思考過程」

如果説多模態拓展了模型的感知邊界，那麼推理能力則標誌着其認知深度的躍升。2025年大模型的一大顯著特徵便是「推理能力」正式成為核心標配。

過去，大語言模型主要專注於根據上下文語境生成文字；如今，趨勢正在改變。

一方面，在訓練階段，模型不再僅僅學習「下一個詞是什麼」，而是學習「如何一步步思考」——藉助鏈式思維（Chain-of-Thought）、結構化推理數據、強化學習微調等，使模型能拆解複雜問題，逐步推演。

另一方面，在推理階段，模型越來越多地採用「延長思考時間」或「動態調用額外計算資源」等機制（即測試時計算／推理時擴展）來提升判斷能力。

因此，如今的先進模型不僅「給你答案」，也「展示它如何思考」，從而提升準確性，增強解釋性，使其在處理複雜任務（如數學證明、代碼生成、科學推理）時表現更佳。

三、上下文與記憶：讓AI真正「認識你」

除了感知與推理，另一個「改變遊戲規則」的進展是長上下文窗口與記憶機制（context + memory）被引入。

傳統的AI對話是一次性的：用户提問，模型回答，會話結束即被遺忘。新一代模型通過支持超長上下文（如百萬級Token）並結合外部記憶存儲及檢索機制，能夠在多次交互中持續追蹤用户身份、項目歷史、目標演變與個人偏好。這意味着AI不再是「不長記性的工具」，而是逐漸成為具備長期認知能力的數字夥伴。

這種能力對生產力工具、個性化服務和複雜協作場景尤為重要。例如，在軟件開發中，AI可記住整個項目的架構與編碼風格；在健康管理中，它能跟蹤用户長期的症狀變化。

四、智能體能力：從「生成響應」到「自主執行」

除了多模態感知、高級推理與記憶機制，2025年大模型發展的又一關鍵方向是「智能體能力」。所謂「智能體能力」，是指模型不僅能夠理解和生成內容，還能夠主動規劃、調用工具、執行多步任務，並在一定程度自主決策、與環境互動。

在這種範式下，AI的角色不再侷限於「你問，我答」的問答助手，而是升級為「你定目標，我來完成」的執行夥伴。例如，面對一個複雜的任務，模型可自動拆解目標，選擇合適的工具（如數據庫查詢或API調用）、協調多個子任務的執行順序、監控中間結果，並根據反饋動態調整策略，甚至與其他智能體或人類協同工作。

智能體能力能夠應用的場景比較廣泛：生產力自動化，例如自動生成分析報告、跨平臺調度任務；企業流程優化，支持跨部門協作流程的自動編排與執行；個性化智能助手，協助用户長期管理項目，制訂學習計劃等持續性目標。

如果把智能體能力與多模態感知、邏輯推理和長期記憶深度融合，大模型有望構建起「感知—理解—記憶—行動」的完整智能閉環。

然而，當前智能體能力仍處於早期發展階段。不少應用還停留在試點或概念驗證階段，其大規模商業化落地仍面臨多重挑戰，包括工具調用的穩定性、任務流程的可靠編排，以及在治理、責任歸屬和系統可靠性等方面的制度與技術難題。

/ 03 /大模型演進的新方向：訓練範式轉移，探索新架構

隨着大模型技術進入深水區，行業正經歷一系列結構性轉變：從訓練重心的遷移，到使用成本的複雜博弈，再到底層架構的多元嘗試。這些變化不僅反映了技術本身的演進，也預示着未來AI發展路徑的更多可能性。

一、訓練-推理範式轉移：從「預訓練主導」到「后訓練驅動」與「運行時計算」

當前，大語言模型正在經歷一場範式轉變：從過去以大規模預訓練為核心的單一路徑，逐步演進為融合后訓練精調與運行時計算增強的多階段協同體系。

正如英偉達CEO黃仁勛所指出的，先進 AI 模型的能力提升正遵循三條相互補充的「規模法則」：

1、預訓練規模法則（Pre-training Scaling Law）

通過海量文本數據與超大參數模型，以超大規模計算資源，構建強大的基礎語言理解與生成能力。這是模型泛化能力的「地基」，決定了其知識廣度與初始性能上限。

2、后訓練規模法則（Post-training Scaling Law）

在預訓練基礎上，藉助監督微調（SFT）、人類反饋強化學習（RLHF）、推理對齊等技術，注入任務導向的行為模式與價值觀對齊。這一階段使模型從「能生成」邁向「會思考、懂協作、守規則」。

3、測試時規模法則（Test-time / Inference-time Scaling Law）

在推理或部署階段，通過增加計算投入，如啟用思維鏈、多步推理、內部搜索、自我驗證或工具調用等機制，讓模型「花更多時間思考」，從而提升模型的準確性與邏輯深度。

二、模型架構的多元探索：Transformer仍是主流，但邊界正在拓展

在底層架構層面，儘管Transformer依然是絕對主流，最近一年，研究者們也在積極探索多種替代或混合方案，比如：

線性注意力模型（Linear Attention）：通過簡化注意力的計算複雜度，在保持性能的同時顯著提升推理速度，已成為輕量化部署的重要方向。

混合注意力機制（Hybrids Attention）：結合傳統注意力機制與其他高效模塊（如狀態空間模型SSM、卷積等），試圖在長序列建模與計算效率之間取得更好的平衡。

文本擴散模型（Text Diffusion Models）：借鑑圖像生成中擴散模型的思路，用於語言生成。與Transformer逐詞預測不同，擴散模型可並行預測多個位置，理論上具備更高吞吐效率。2025年，蘋果與俄亥俄州立大學的研究結果顯示，在小參數規模下，其生成速度優勢明顯。不過，目前尚未被頭部大模型廣泛採用，仍處於探索階段。

此外，一些前沿項目甚至嘗試將世界模型理念融入架構設計，例如通過多模態感知與動態模擬來構建環境內部表徵。

/ 04 /物理AI和世界模型：智能的新範式

過去幾年，人工智能的發展重心主要集中在語言模型與數字內容生成上。AI學會了「閲讀」、「寫作」，甚至能「看圖生成圖像或視頻」。然而，隨着智能駕駛、具身機器人等技術的快速演進，AI正面臨一個更復雜的挑戰：它不僅要處理文本和圖像，還必須在現實物理世界中「看見」、「行動」並「理解」環境。這意味着AI需要真正進入並適應物理世界。

在此背景下，世界模型（World Model）、物理AI（Physical AI）這些新範式逐漸成為行業焦點。所謂物理AI，是指能夠感知現實環境，理解物理規律，並據此採取有效行動的智能系統。楊立昆（Yann LeCun）、戴密斯·哈薩比斯（Demis Hassabis）等行業專家表示：「未來真正有價值的AI，將是那些能夠理解並遵守物理規律的系統。」

一、什麼是世界模型？為什麼它是物理 AI 的核心？

世界模型是AI在「腦海中構建的一個微型世界」，它不僅記錄當前通過傳感器獲取的信息（如圖像、聲音、位置等），還能模擬和預測未來狀態：如果執行某個動作，環境將如何變化？

換言之，AI不再只是簡單地從「輸入」映射到「輸出」，而是具備了「內部模擬—預演—規劃」的能力。例如，AI可以先在虛擬環境中嘗試：「如果我推這把椅子，會發生什麼？」「如果車輛在此時轉彎，是否會失控？」這種「腦內預演」機制將提升系統的泛化能力、安全性和長期規劃水平。

這一機制人類早就有了。正如下圖這幅漫畫所描繪的，人類在騎自行車時並非僅依賴眼前的畫面做決策，還要依靠大腦中持續更新的「內在世界模型」來預測轉彎、碰撞等行為的結果，從而避免在真正摔倒后才意識到危險。

二、VLA與世界模型：技術與應用場景的差異

當前物理AI的核心技術路線主要圍繞兩大方向：一是以VLA（視覺語言動作模型）為代表的端到端感知-行動模型，二是以世界模型為核心的環境建模與預測體系。

VLA是物理AI的重要分支之一，代表了傳統多模態大模型向行動能力的延伸。它將視覺、語言與動作指令融合，構建「多模態輸入→動作輸出」的端到端系統，適用於「看到+理解指令→立即執行」的任務場景。例如，機器人根據圖文提示完成抓取或搬運操作。這類場景對語義理解能力和跨場景泛化提出了較高要求。

相比之下，世界模型更強調對環境的內部建模與動態預測能力。它不僅關注當前感知數據，還構建包含隱含狀態、動力學規律和因果關係的表示體系，使智能體能在「腦中」模擬多種未來情境，並評估不同動作的潛在后果。

當環境複雜、情境不確定、需要規劃或適應時，世界模型可能會具備更強的靈活性與魯棒性。但當前世界模型的技術路線尚未成熟，還需要解決仿真與現實差異、物理一致性與長期規劃穩定性等問題。

在應用層面，VLA更適合結構清晰、任務明確、響應迅速的短期操作（如倉儲物流、輔助駕駛），世界模型則更適用於需要深度推理、動態適應和長期目標導向的複雜任務（如自主導航、多步驟機器人操作、人機協作等）。

簡而言之，VLA更像「看到就做」，適合穩定、結構化的任務；世界模型更像「先想好再做」，適合複雜、多變、需預測與規劃的場景。

當然，最近也有研究（如World VLA等）表明，VLA與世界模型並不是兩條互斥的路徑，而是可以融合爲統一系統。使得 AI／智能體既可以通過視覺＋語言直接生成動作 (VLA)，也可以藉助世界模型預測環境狀態與未來變化，從而實現感知—規劃—執行的一體化智能閉環。

三、2025 年：世界模型的研究進展與應用探索

2025年，世界模型領域迎來多項標誌性進展。

8月，DeepMind發佈Genie3，展示了通過文本生成可交互3D環境的能力，被視為「交互式世界生成」的關鍵實驗。

9月，OpenAI推出Sora2，強化了「文本→視頻/物理場景」的生成能力。儘管它並非完整的世界模型，但已初步具備對動作、場景與物理狀態的聯合建模能力，可視為邁向世界模型的重要一步。

11月，由李飛飛參與創立的World Labs發佈Marble，支持從文本、圖像、視頻乃至粗略3D佈局生成高保真、可編輯的3D世界，被業界稱為「空間智能基礎設施」的探索。

此外，NVIDIA Isaac Sim作為融合物理AI、高保真仿真與世界模型的關鍵平臺，正日益獲得業界的廣泛關注。它提供逼真的物理引擎、傳感器模擬與合成數據生成能力，為機器人訓練、算法驗證及現實部署前的測試提供了強大支撐。

這些進展或許能夠表明，世界模型的研究與應用正從「視覺／3D 世界構建」起步，有望逐步邁向「仿真—物理環境—實際系統落地」的階段。

四、物理 AI 與世界模型的應用前景

未來，世界模型將朝着三大方向演進：一是可交互性，支持用户或智能體與虛擬世界動態互動；二是可規劃性，具備長期目標導向的推理與行動能力；三是物理一致性，在生成與預測中嚴格遵循物理規律。

物理AI有望成為機器人、自動駕駛、遊戲引擎、數字孿生等領域的新型基礎設施。隨着多模態訓練效率提升、輕量化推理技術成熟，世界模型或許將逐步走出實驗室，實現規模化產業落地。

/ 05 /產業鏈與基礎設施：從「單一贏家」到生態協同

一、基礎設施：從「單一贏家」向「多極共存」的轉變較為緩慢

在算力基礎設施層面，英偉達的領先地位依然穩固，其市值一度突破5萬億美元，成為AI時代最核心的硬件引擎。業界長期期待的從「單一贏家」向「多極共存」的格局轉變，進展相對緩慢。

多家科技巨頭與新興廠商正積極佈局替代方案包括Google的TPU、AMD的Instinct MI芯片、華為昇騰、以及創業公司推出的專用加速芯片。目前，Google的TPU已在Google Cloud與自家AI基礎設施中實現規模化部署；AMD MI300系列也被部分數據中心和雲服務商採用。

但目前，絕大多數AI服務仍依賴英偉達主導的GPU ，雖然市場上已經有可用的替代方案，但它們尚未在全球範圍內形成完善的基礎設施生態。換言之，多元化生態雖已萌芽，但遠未成熟。

二、產業鏈的資金循環：多方「輸血」，構建新型協同生態

在產業生態層面，一個值得關注的現象是：AI行業正從依賴少數雲廠商支持，轉向多方參與的「循環式資金支持」模式。

過去，整個生態主要由微軟、谷歌、亞馬遜等頭部雲服務商提供算力與資本支撐。但如今，越來越多的參與者開始反向「輸血」，不僅接受資源，也主動為生態注入動力。例如，英偉達通過投資、合作與生態扶持，成為行業的重要資金與算力輸出方。

這種相互支持、彼此背書的關係，形成了一個複雜的資金與資源的循環網絡。

資料來源：高盛報告《Top of Mind: AI: in a bubble?》

引人注目的是，這一生態目前呈現出「雙中心」結構：英偉達代表硬件端，OpenAI代表軟件與模型端，這兩家企業有些像AI時代的「Intel+Microsoft」，共同構成了驅動整個產業運轉的「軟硬雙核」。圍繞這兩大核心，眾多企業通過投資、合作、採購與共建等方式，持續為生態注入活力。

然而，如此大規模的投入也引發了業界關於「AI泡沫」的討論。根據高盛發佈的報告，截至2025年8月，全球AI應用的年度經常性收入（ARR）約300億美元。而據紅杉資本此前估算，若計入全鏈條成本（包括芯片、數據中心、人力與研發），行業需達到約6000億美元的年收入才能實現合理回報。這意味着當前AI行業仍存在高達數千億美元的虧損缺口。

/ 06 /應用層的邊界與機遇：大模型公司vsAI應用創業

隨着大模型能力的持續躍升，一個無法迴避的問題是：如果絕大部分能力來自模型，那麼AI應用的「護城河」是什麼？這不僅關乎創業方向的選擇，也深刻影響着未來AI生態的權力分配。

一、大模型公司的戰略定位：從「超級助手」到「入口掌控者」

以OpenAI為代表的大模型公司正通過雙重定位構建護城河。一方面，它打造「超級助手」，覆蓋日常任務，如日程管理、信息查詢、內容生成等，強調通用性與易用性；另一方面，它塑造「T形人才」形象，在基礎能力之上提供高階技能，比如複雜編程、深度研究和知識整合，展現出專業級智能。

然而，OpenAI的野心遠不止於此。爲了將這種能力真正轉化為用户黏性和商業價值，它不僅推出了ChatGPT作為核心交互中樞，還陸續佈局開發者工具、知識獲取產品（如DeepResearch）、AI搜索，甚至自建算力基礎設施。

OpenAI這樣做，不僅能直連用户、快速變現，還能反哺模型迭代所需的數據閉環。某種程度上，這類似於移動互聯網時代的「安卓模式」：操作系統廠商通過內置核心服務，主導整個生態的走向。因此，大模型公司並非只想做「技術供應商」，而是希望成為下一代人機交互的入口掌控者。

二、AI應用創業者的生存空間：邊界之外，縱深之中

面對如此強勢的擴張，獨立應用公司是否還有立足之地？答案是肯定的，但前提是必須找準位置。

大模型公司很難包攬所有應用。一方面，為每個垂直場景深度定製模型，將帶來巨大的工程與維護成本；另一方面，許多行業（如醫療、金融、法律）對數據隱私、合規性和本地化部署有嚴格要求，通用大模型難以滿足。此外，細分領域的快速迭代需求往往也超出通用平臺的響應速度。

正因如此，真正的機會恰恰存在於大模型邊界之外、具備業務縱深的垂直領域，也就是那些需要深度行業理解、複雜工作流整合或強用户關係沉澱的場景。在這些地方，應用公司不僅能避開正面競爭，還能憑藉對場景的深刻洞察構建獨特價值。

三、創業策略：搶跑、適配與輕架構

那麼，創業者該如何在這一格局中突圍？實踐表明，成功的路徑往往包含三個關鍵策略。

首先，「搶跑」模型能力至關重要。由於大模型的「代際更新」需要時間，創業者或許可以在某項能力尚未被模型較好地支持時，通過工程手段（如規則引擎+微調+工具鏈）在有限場景中率先做到「能用」。一旦模型能力成熟，已有用户基礎和產品認知的企業有可能迅速放大優勢，形成先發壁壘。

其次，搭建好足夠靈活的腳手架。應用應儘量採用輕量化、模塊化設計，避免過度依賴特定模型版本的內部結構。這樣能在模型持續升級的過程中保持兼容性，避免因底層變動而被迫大規模重構。

最后，當大模型的核心能力日趨同質化，護城河將更有機會轉向用戶數據側。誰能積累更豐富的交互歷史、更精準的偏好畫像、更穩定的使用習慣，或許誰就更有可能在競爭中勝出。換句話説，未來的勝負不僅取決於「用了多強的模型」，更取決於「是否真正懂用户」。

四、頭部應用生態：中國企業出海亮眼，但商業化仍在早期

當前，AI應用生態已初具規模，涌現出多個代表性品類：大模型效率助手（如ChatGPT）、陪伴型應用（如Character.ai）、AI編程工具（如Cursor、Lovable），以及AI瀏覽器與搜索（如夸克、Perplexity）。

其中，中國團隊的表現尤為亮眼。以夸克為例，根據美國風投機構a16z今年8月的統計，其全球網頁端訪問量已躋身第九，移動端（僅統計iOS手機客户端）則位列第47，若計入安卓手機客户端數據，排名有望進一步提升。類似地，DeepSeek、字節、阿里等大廠孵化的應用也在海外市場快速滲透。

不過，亮眼的用戶數據並不等同於成熟的商業收入。根據高盛發佈的報告，截至2025年8月，中國應用在全球市場中的年化收入大約為15億美元，其中80%以上來自海外市場。

對中國的AI軟件公司而言，這也反映出一個略顯尷尬的現實：在國內市場變現仍然艱難。「出海」或許能暫時緩解這個困境，但真正的出路還是要打通ToB、ToC或ToP的商業路徑，真正把應用落地，讓用户願意為價值買單。（歡迎閲讀展望2025，AI行業有哪些創新機會？ | 峰瑞報告）

/ 07 /AI應用的進化路徑：從Copilot到智能體，以及落地的真實挑戰

AI應用正在逐漸往智能化進階，從被動響應的對話工具，邁向具備目標感與自主性的智能體。

一、進化路徑：從對話→Copilot→有限Agent→自主Agent

AI應用的發展軌跡，可以被分為四個階段。

1、對話階段（Chatbot）：AI應用以問答形式存在，用户輸入指令，模型做出迴應。

2、Copilot階段：AI成為輔助者，在人類主導下完成特定任務（如代碼補全、文檔潤色），典型代表包括GitHub Copilot、Cursor等。

3、有限智能體階段：AI開始具備初步自主性，可在預設規則和安全圍欄內執行多步任務，但仍需人類監督。

4、自主智能體階段：未來方向是完全自主運行的智能體，能感知環境，設定目標，規劃行動，調用工具並自我優化——更像一個「有生命感」的數字實體。

如今，不少AI應用都在向智能體方向探索。或許當前智能體能力尚不成熟，但其核心特徵已逐漸清晰：不再依賴人類一步步指導，而是能主動理解意圖、拆解任務、調用外部工具（如Computer Use能力），並形成「規劃—執行—反饋」的閉環。

二、開發範式的變革：「上下文工程」成為核心，得上下文者得天下

伴隨應用形態的升級，軟件開發方式也在發生根本性轉變。

過去，軟件1.0靠手寫代碼，2.0靠利用數據訓練模型；今天，AI原生應用的核心工作已轉向「上下文工程」，即動態編排提示詞、記憶、狀態與工具調用，構建一個能讓大模型高效完成任務的信息環境。

正如研究者安德魯·麥克洛斯基（Andrew McCloskey）所指出，編寫AI應用的本質不再是傳統意義上的編程，而是設計一個動態信息系統：在合適的時機，以合適的格式，向模型提供準確的上下文、長期/短期記憶、檢索信息及可用工具。

在AI的加持下，開發者雖仍會寫代碼，但主要變為「與模型多輪對話」，不斷調整提示策略和內容。換言之，未來的軟件工程師，不僅是邏輯架構師，更是「AI協作導演」，其核心能力在於如何有效引導模型智能，而非僅僅實現功能邏輯。

一句話總結：「上下文工程」就是大模型時代軟硬件應用的「隱形核心代碼」！

三、落地困境：95%的企業未獲回報，「生成式AI鴻溝」真實存在

儘管技術演進迅猛，AI應用的商業化落地卻面臨嚴峻挑戰。

MIT Nanda項目團隊的一項研究顯示：儘管全球企業在生成式AI上已投入300億至400億美元，但高達95%的組織未能獲得可衡量的商業回報，僅有5%的試點項目創造了實際價值。這一現象被稱作「生成式AI鴻溝」。

為何出現如此巨大的落差？

一是應用場景錯配。當前主流AI工具（如Copilot、客服助手）主要提升個人生產力，容錯率高，見效快，因此被一些企業試用。但這類工具難以直接轉化為企業級盈利，因為它們並未嵌入核心業務流程，缺乏對整體流程的支撐能力。一旦涉及多系統集成、數據打通或決策閉環，工具的「脆弱性」便顯現出來。

二是難以捕捉隱性知識。在企業實際運營中，依賴大量未被文檔化的經驗、規則與「上下文」，當前模型無法有效學習這些「隱性知識」，導致AI輸出與實際需求脱節。

四、AI應用的營收壓力

當前，國內AI應用創業面臨顯著挑戰，核心原因之一在於缺乏新的硬件終端。由於沒有類似智能手機這樣的新入口，AI應用只能在用户現有的手機或電腦生態中競爭。這樣的結果是，AI應用可能要跟幾乎所有App爭奪用户的使用時間。

與此同時，中國市場的AI滲透率較高，競爭異常激烈，進一步加劇了生存壓力。

AI應用公司面臨的現實情況是，儘管單位Token的推理成本正在快速下降，但由於大部分情況需要做鏈式推理，Token的調用量大幅攀升，公司整體支出可能不降反升。這種「成本悖論」已對下游應用公司構成真實壓力。例如，像Cursor這樣的AI編程工具，就曾面臨高推理負載帶來的運營成本挑戰。這也促使行業重新思考：如何在性能與成本之間取得平衡？

傳統App所依賴的廣告模式也遭遇瓶頸。

過去，互聯網產品的發展很大程度上依靠「羊毛出在豬身上」的邏輯：通過免費服務吸引用户，再以廣告變現。比如，阿里為商家提供廣告展示位獲得收入，騰訊雖有遊戲和增值服務支撐，廣告也佔較大比例。

但如今，這一模式對AI應用產品來説挑戰重重。一方面，App應用需不斷拉新促活，但獲取用户的成本越來越高；另一方面，廣告單價普遍不高。在中國，除抖音、淘寶/天貓、微信等頭部App外，大部分軟件的千次廣告展示收入（eCPM）僅10～20元，甚至更低。若用户高頻使用AI功能，服務成本（也就是消耗的token）可能遠超廣告收益，這個賬可能根本算不過來。

因此當前階段，AI創業者可能需要優先思考廣告模式之外的其他商業收入模式。除此之外，對中國的AI創業者來説，也需要積極探索其他路徑，例如轉向海外市場、結合硬件打造閉環體驗等。

五、軟硬結合：AI創業的新路徑

當前，中國AI軟件創業面臨一些挑戰，比如用户付費意願較弱、純軟件模式變現困難；若轉向海外市場，則需直面高昂獲客成本與激烈競爭。與此同時，儘管國內硬件產業鏈成熟，但原創性不足，「內卷式競爭」較為普遍。

在這樣的背景下，「軟硬結合」或許成為一條值得探索的路徑。

以峰瑞早期投資的BodyPark公司為例，其最初聚焦軟件端，新冠疫情期間推出基於AI的動作捕捉技術，輔助健身教練遠程指導多名學員居家訓練。在此過程中，團隊逐步明確和構建起自己的商業模式、運營方法，積累了相關核心技術，同時也鍛鍊了隊伍。但是如上所述，純軟件的AI應用在中國面臨商業化的壓力。

后來，BodyPark與一家硬件公司合併，在原有軟件基礎上加入硬件基因，並推出軟硬結合的產品「ATOM」，近期在海外眾籌表現十分亮眼。創始人阿立説：「BodyPark這幾年積累的核心能力，比如AI動捕算法、課程體系、Agent架構、教練SaaS授課工具、真人教練供給體系等等，正是ATOM能快速順利落地的底氣。」

我們從BodyPark的發展中，得到關於AI應用創業的三點觀察：

從軟件切入，夯實技術與商業模式基礎，避免過早陷入硬件的高成本與低壁壘競爭；

在能力積累到臨界點后，再引入硬件載體，實現「軟件定義硬件」的協同效應；

通過硬件提升用户體驗與產品感知，拓展服務邊界，構築更高競爭壁壘。

值得一提的是，軟硬結合並非簡單疊加，而是以軟件能力為內核，以硬件為放大器，這或許是中國AI創業的一條新路徑。

另一個典型的軟硬結合的熱點賽道是智能硬件。中國擁有成熟且高效的消費電子製造鏈，以及完善的芯片/傳感器產業與供應鏈基礎，這為智能硬件創業提供了天然優勢。再加上近年來AI算法的進步、端側算力的提升與成本的下降，使得有AI賦能的「軟硬一體」智能產品成為可能。

峰瑞在AI硬件方向有較多佈局，所投公司陸續推出的AI智能硬件產品包括零零科技的飛行相機、AeroBand的智能樂器、清智元視的高速攝影機、萌友智能的AI情感陪伴寵物機器人、聲智科技的AI耳機等。（歡迎閲讀豐叔和3位智能硬件創始人的對話「AI硬件領域，永遠有新機會」）。

/ 08 /展望：2026，AI的下一步

一、技術方向：在線的持續學習

當前大模型的一個侷限在於當某一個大模型訓練完成后，參數就會被「凍結」，無法在部署后自主更新知識。儘管通過長上下文窗口、外部工具調用和提示工程（即「上下文工程」），模型能在單次交互中「臨時學習」。但這種機制本質上仍是靜態的，所有信息必須在每次對話中重新注入，既低效又受限。

對此，強化學習先驅、圖靈獎得主理查德·薩頓（Richard Sutton）曾提出一種觀點：「Welcome to the Era of Experience.」（歡迎來到經驗的時代）。他主張，真正的智能來自與環境的持續互動。

這種模式有點兒像人類或者某些動物所展現的「終身學習」的模式，大模型或者智能體在線持續地學習、感知反饋、自我調整，甚至動態改寫自身策略。但目前，這種自主學習的模式可能缺乏成熟的算法框架支持，我們期待2026年算法層面會有新的變化，模型的智能能夠進一步提升。

二、經濟影響：AI能否打破「生產率悖論」？

回顧歷史，前兩次工業革命帶來了全要素生產率的長期躍升。相比之下，儘管計算機與互聯網在過去幾十年無處不在，卻似乎未能顯著提升宏觀生產率數據，這一現象被稱為「索洛生產率悖論」。

為什麼會這樣？其中一種解釋是：信息技術主要優化了信息傳遞效率，而非直接替代人類的核心智力勞動。它連接了世界，但未真正「解放」生產力。

AI的出現可能正在改變這一局面。當大模型承擔越多越多的智力工作（比如編程、法律分析），當機器人逐步接管體力任務（比如搬運、危險場所勘探），人類或許會實現對智力與體力的雙重解放。這種變革若能滲透至製造、能源、科研等關鍵領域，或許能夠推動全要素生產率的提升。

當然，這一進程可能也伴隨一些挑戰。當效率提升了，GDP總量增長了，但大量勞動力被替代，就業結構與收入分配將面臨劇烈調整。我們需要持續關注，AI是否會加劇失業或不平等。

三、投資邏輯：從「技術敍事」迴歸「商業基本面」

在過去的2023年、2024年這兩年，AI領域的資金主要被三大方向吸納——大模型、算力／芯片與具身智能，以及相關基礎設施項目。這一階段，投資邏輯更多基於技術敍事，即「技術能否突破」及「誰能在模型、芯片或智能機器人範疇搶得先機」。

然而，隨着市場逐步走向理性、資金回籠期的延長，以及AI行業邁進應用落地的階段，投資者的關注焦點正在發生轉變。相比於單純的「技術敍事」，投資者也開始在乎項目的「商業模式基本面」：項目是否具備真實競爭壁壘？是否有清晰且可持續的經濟模型？用户切換成本是否較高？是否具備規模效應或網絡效應？能否通過數據積累、用户反饋、閉環機制構建「數據飛輪」？

對創業者而言，這意味着只講「我們有最先進的模型」「技術領先」已不夠，你必須拿出一個能穿越模型迭代周期、在實戰中能站穩腳跟的商業結構，包括可複製的產品化路徑、可預見的收入模式，以及穩定增長的用户體系，等等。簡而言之，從「我們能做什麼」轉向「我們怎麼賺錢並持續增長」。

寫在最后

縱觀2025年的AI行業，我們看到的是技術加速、產業重構、商業模式尚未定型的多重疊加。

進入2026年，行業的關鍵變量將不再是「模型能力能否再推高一個層級」——拼模型規模的時代或許已經結束。接下來，影響AI未來走向的關鍵議題包括：

AI能否實現在線持續學習，突破「凍結參數」帶來的結構性限制；

AI能否真正進入物理世界，成為具身智能、機器人、自動駕駛等領域的新型基礎設施；

AI應用能否在善用模型能力的同時和模型保持距離，在特定領域構建自己的壁壘，而非困於短期成本壓力與高昂獲客困境。

整體而言，AI是一條長坡厚雪的賽道。正如那句穿越周期的箴言所言：「人們總是高估技術的短期影響，而低估其長期潛力。」

當前，中國的AI行業正走出一條獨特的路徑：以開源模型突破技術封鎖，以應用出海打開市場空間。這條路並不容易，既需要耐心，也需要定力。如果我們能以自主研發的大模型為智能源頭，AI賦能千行百業（包括AI軟件、智能硬件、自動駕駛、具身智能）就不再只是遠景，而是正在展開的現實。

本文來自微信公眾號「峰瑞資本」（ID：freesvc），作者：陳石，36氪經授權發佈。