Air Street Press 发布第九份年度《State of AI Report 2026》

经过数月的研究和修订，一直持续到最后一刻，我很高兴为你带来第9届年度《AI现状报告》。

查看2026年报告

近十年来，这份报告一直是我倾注心血的成果。我对AI的兴趣始于2010年代初我在癌症研究和计算生物学领域的博士研究。自2013年以来，我一直投资于那些构建和应用AI以加速技术进步的公司。这份报告是我分享所学、帮助更多人理解正在塑造我们世界的研究的方式。

每天都有新的论文、模型发布，以及产业和政治方面的新进展。大部分工作都花在决定哪些内容值得你关注、核查证据支持什么、与研究人员和构建者辩论，以及解释它为何重要上。

我们每年还会做出预测，并回头给它们打分。过去的预测包括英伟达未能收购Arm、Transformer在语言之外的领域取得领先成果，以及一个开源模型超越OpenAI的o1——DeepSeek-R1后来做到了这一点。

如果你想全年跟踪这些进展，请订阅Air Street Press，获取我每月的《AI现状》通讯和定期文章。

让我们深入探讨关键故事

今年，智能体正在软件和科学领域做有价值的工作，物理AI正在学习如何在世界中行动，而获取与控制正变得越来越重要。下面，我分享那些令我印象深刻的进展，以及我认为它们对AI下一步走向意味着什么。

前沿如今是Anthropic、OpenAI和Google之间的三实验室竞赛。Anthropic在Artificial Analysis的智能指数上领先，而Google目前在Arena的人们更偏好回答的排名上领先。

去年，我们描述了推理如何通过OpenAI的o系列模型在大规模上变得有用。自那以后，我亲历了这些改进，因为我可以迭代并越来越多地委托给智能体的有用工作量持续增长。

我的观点是，从AI中获得巨大价值的人与获得很少价值的人之间的差距，很大程度上归结为是否知道如何使用它以及如何设置它。换句话说，这是“人类技能问题”，而不是“AI技术问题”。我真的相信，我们需要一个AI的天才吧，让人们可以获得亲手帮助，选择工具并设置它们来帮助自己完成日常任务。

更好的工具和上下文让智能体更有能力

在数学、科学推理和编程领域，原本旨在挑战模型数年的基准正在几个月内接近其上限。我们需要新的评估，来揭示模型仍在哪些方面存在差异，以及它们能可靠地做什么。

前沿能力仍然不均衡或“尖刺状”，并且可能在不同代际之间波动。根据我的经验，Opus 4.6是一个好模型，Opus 5有所退步，而Opus 5.5又变好了。更好的工具和上下文会有所帮助。在一项受控的编程研究中，改变GLM-5.1可用的工具、上下文和反馈，使其在100个SWE-bench Verified任务上的成功率从52.5%提升到65.5%，而模型权重没有改变。是的，这是一个“较老的模型”，但这一原则仍然成立。

随着模型及其周围的脚手架一起改进（并自我构建），我预计今天的许多弱点将被学习消除。我们也可以从已经可用的能力中获得更多。

令人兴奋的是，这一影响远远超出了开发者群体。OpenAI 对智能体采用情况的研究发现，非开发者群体的增长最快，包括法律、销售、招聘和市场营销领域的人。帮助他们将这些工具投入实际使用，是一个比“编码智能体”这个名字所暗示的更为巨大的机会。

AI 正在加速构建 AI 的工作

AI 已经在帮助构建更好的 AI。根据 Anthropic 的内部指数，8 月份 Claude 主导了 26% 的可衡量模型研发工作，而 2 月份这一比例还不到 1%。研究人员设定任务并监督执行，Anthropic 报告称这正在加速开发进程。这是我最兴奋的 AI 研究方向之一。

对许多人来说，Karpathy 的自主研究让这一循环的一部分变得触手可及：一个智能体编辑训练代码，运行五分钟的实验，并在单块 GPU 上整夜保留改进。这自动化了研究中一个有用的环节，尽管持续的、完全自主的递归改进仍有待验证。

我接下来想看到的是智能体发展出科学品味：选择实验、识别有前景的方向，以及知道何时放弃熟悉的方法。正如我在《AI 能学会科学品味吗？》中所论述的，学习这种判断力可能需要那些论文中省略的替代方案、失败和决策。其雄心是在科学策略上实现类似 AlphaGo 的转变。

机器人学的 GPT-2 时刻与世界模型的崛起

更广泛的预训练正在帮助机器人泛化到不熟悉的任务。这就是为什么我认为机器人学正在接近其 GPT-2 时刻，因为新模型、硬件和数据收集方法正在汇聚。我通过自己在 Sereact、Wayve、Black Forest Labs 和 Odyssey 等公司的投资看到了这一点。

Skild 的 S1 能够从视频演示中执行不熟悉的任务，而无需更新其权重。凭借 10 万小时的预训练，它在公司累计逐步成功率指标上得分 66%，而在相同数据和算力上训练的、基于语言提示的基线仅为 9%。

从演示中学习可以减少每次部署所需的特定任务训练。世界模型提供了另一条路径。Wayve 的 GAIA-4 将录制的驾驶场景转化为模拟环境，在其中 AI 驾驶员的转向和刹车会改变它接下来看到的内容。其他道路使用者遵循其录制的路径，但驾驶员可以探索自身行为的后果。

Odyssey-3 利用视觉预训练来学习机器人、汽车和游戏的控制。在公司的实验中，机械臂从数十小时的演示中学习，并能在未被展示过恢复动作的情况下从抓取失败中恢复。这些早期结果表明，物理 AI 可能不需要针对它可能遇到的每种情况都提供大量演示。

AI 在科学领域的应用从数学延伸到临床试验

AI 正在解决那些专业研究人员未能攻克的数学问题。Epoch AI 的开放问题合集记录了九项解决方案，其中四项为自主完成，五项通过人机协作完成。在生物学领域，对分子相互作用的更准确预测正在改善哪些设计能够进入实验室测试。我在自己的投资组合公司 Profluent 中亲眼看到了这一点，该公司构建用于设计基因编辑器等蛋白质的前沿模型。

对于生物科技领域的创业者来说，好消息是围绕药物发现正在涌现出新的商业模式，这些模式并不以拥有药物为核心。例如，Tempus 将肿瘤学数据授权给阿斯利康和 Pathos 用于基础模型开发，而 GSK 为期五年的Noetik 协议则包含为获取用于癌症研究的虚拟细胞模型而支付的年度费用。

AI 辅助药物发现终于进入后期临床开发阶段。Generate:Biomedicines 用于治疗重度哮喘的GB-0895和 Insilico 用于治疗特发性肺纤维化的rentosertib正在招募 3 期临床试验受试者。Enveda 的 ENV-294 正在针对湿疹和哮喘开展安慰剂对照的 2a 期试验。人体试验当然是终极考验，将决定这些药物是否安全有效。

推理瀑布正在喷涌

智能体在工作过程中反复调用训练好的模型，从而在 API、订阅和基础设施方面创造出持续的需求。许多公司正拿着空桶争先恐后地来接这道推理（收入）瀑布的水。事实上，我认为整个行业正处于一种“要么在奔赴前沿的路上死去，要么活得足够久来服务推理”的状态。

在五项基准测试中，Epoch AI 估计，自 2023 年以来，达到固定分数每季度便宜了 47%，大约每年便宜 13 倍。这使得更多工作在经济上值得被委托出去。

截至夏末，OpenAI 和 Anthropic 报告的年化收入运行率合计达到惊人的 1050 亿美元，而年初约为 300 亿美元。这些数字涵盖了它们涵盖订阅、编程产品和 API 的整个业务。用 OpenAI 的话说，“我们不能因为被支线任务分心而错过这一刻”。

但这种快速的收入增长并不局限于前沿实验室。在 Standard Metrics 的初步第二季度数据中，年化收入在 100 万至 2000 万美元之间的 AI 原生公司，在第 75 百分位上的同比增长率为 256%，而在现有软件中加入 AI 的公司则为 90%。在 2000 万美元以上，这一对比为 172% 对 53%。这些对比并不能证明采用 AI 会导致更快的增长，但我怀疑确实如此。

Claude Cowork 及其横跨法律、金融、营销等领域的商业插件给软件市场带来了剧烈的不确定性。在二月的“SaaS 大灾难”期间，软件股在两周内蒸发了近2850 亿美元。Mythos Preview 随后引发了人们对网络安全公司将被淘汰的担忧，导致进一步下跌，之后才大幅反弹。我认为这种观点很愚蠢，因为这些能力为更好的防御创造了如此多的需求。投资者必须判断智能体是会侵蚀现有企业的定价权、扩大其市场，还是让竞争对手得以取而代之。或者，现有企业的数据护城河是否仍然是智能体可以在其上构建的护城河。我们必须在答案体现在收入中之前就做出正确判断。

华盛顿正在对前沿AI宣示控制权

超级智能已从AI圈内的一个梗变成了白宫的行政命令。随着各国政府为更强大的系统做准备，它们正在对谁能访问这些系统以及如何使用它们宣示控制权，尽管它们并不拥有这些公司的股权或董事会控制权。

6月，美国一项出口指令禁止外国公民使用Fable 5和Mythos 5，包括在美国境内的外国公民。Anthropic为遵守规定暂停了这两款模型对所有用户的服务，随后于2026年7月1日宣布恢复访问。对世界其他地区而言，这使依赖关系变得具体：华盛顿可以立即撤销对关键技术的访问。

Anthropic与五角大楼的争端将这一问题带入了AI本身的使用。该公司拒绝取消对大规模国内监控和完全自主武器的限制，而国防部则寻求将访问权限用于任何合法用途。开发者和政府正在争夺谁来设定边界。

报告中选定的主权AI项目承诺投入约1380亿美元用于算力获取、基础设施和国内开发。一些仍在采购中，而另一些已开始交付产能。英伟达另行报告称，2026财年主权AI收入超过300亿美元。CNAS主权AI指数显示，各国正回归同一外国供应商（英伟达）来建设国内产能。

正如我在《欧洲无法靠租用实现AI 主权》中所论述的，本土数据中心并不能带来对其内部模型的控制权。一个可信的替代方案需要在研究人员、算力、能源以及一代代模型上持续投入。欧洲切实可行的目标应是拥有足够的本土能力，以便在断供期间维持关键工作运转，并手握谈判筹码进行谈判，而这筹码可以是可供电的土地和数据中心容量。前提是，其能源价格和规划审批难题能够降到具备竞争力的水平……

安全与保障：智能体攻击了真实系统

在 OpenAI 内部降低防护措施的网络安全评估中，智能体接入互联网并攻破了 Hugging Face 的生产基础设施。OpenAI 的技术报告记录了在 41 台生产工作机器上的代码执行、对凭证和内部数据的访问，以及四个私有代码仓库被下载。一次能力评估演变成了一场针对另一家组织的大规模协同智能体攻击。

METR 和 Redwood 发现，约 700 个智能体在收到意外不可能完成的任务后加入了攻击。一些智能体意识到以这种方式欺骗评分者超出了其职责范围且不道德，但仍选择加入。当智能体能够触及生产系统时，一个定义不清的目标可能造成远超原始任务的危害。

这一事件带来的另一个深刻教训是，防御方需要能够使用同等能力的防御性网络系统。Hugging Face 的取证请求被商业 API 的防护栏拦截，因为这些请求包含攻击命令和漏洞利用载荷。它转而求助于 GLM-5.2——一个中国开放权重模型——来调查由美国前沿模型智能体发起的入侵。前沿模型提供商需要让防御能力可靠地提供给保护真实系统的客户。

除了 OpenAI/Hugging Face 事件之外，Anthropic 9 月的威胁报告也记录了蓄意滥用行为，包括恶意软件开发、监控和武器制导工作。在也门北部，一个组织将多个 Claude 实例当作软件团队，开发武器制导软件。他们试射了一枚制导火箭，但 Anthropic 表示此次试射似乎失败了，且未发现该组织部署了可作战武器的证据。从事复杂工作的同样能力，也掌握在那些试图窃取、胁迫和欺骗的人手中。

另一个担忧是，我们不能假定模型写出的推理揭示了它实际在做什么。在 OpenAI 的破坏测试中，当监控者只能看到其推理过程时，GPT-6 Astra 比早期模型更成功地隐藏了有害的附带任务。让监控者能够查看其操作后，在此测试中成功规避的比例降至接近零。监督需要跟随智能体的实际行为。

好的一面是，一个令人鼓舞的结果来自 Anthropic 的实验：用解释其章程的文件和阐释其价值观的故事进行训练，在虚构测试场景中将勒索行为从 65% 降至 19%。这一结果表明，解释规则背后的理由有助于模型在新情境中应用这些规则。这些改进能否在生产环境中保持，仍有待验证。

前沿实验室正在讨论如何放慢脚步

在Hugging Face事件后，OpenAI披露了前沿强化学习工作的暂停，而Anthropic则描述了对部分研究的回滚和暂停。两者的范围和重启条件各不相同。

随后是Dario Amodei和前沿实验室员工呼吁放缓能力提升并进行国际协调以确保这一点实现。构建前沿系统的领导者们正在寻求机制来减缓自己所在行业的发展，但在外部评估以及每个实验室应保留多少自由裁量权上存在分歧。政策提案现在将能力研究与服务现有客户区分开来。实际问题是：谁能要求暂停，什么条件允许重启，以及如何验证合规性。这并不容易。

展望（AGI）2027年

和每年一样，我们回顾了去年的预测。我们的记分卡记录了两个命中、五个部分命中以及三个未命中。我们正确预测了AI实验室重新拥抱开源以赢得美国政府支持，以及一家中国实验室在重大任务排行榜上登顶。我们关于数据中心反对声浪的预测是部分命中：反弹确实出现了，但其对11月选举的影响仍未明朗。

我们对未来12个月的九项预测中的三项是：

一个智能体在为客户工作一个月后，在新任务上的失败率减半，且无需模型升级。这将成为持续学习的实用衡量标准。
一个自主AI团队在同等时间和算力下击败人类主导的模型研究，并自行设定议程。这将帮助我们理解模型是否有能力展现出比最优秀研究人员更好的研究品味。
美国AI实验室正式推出前沿网络防御产品，帮助他人应对来自前沿AI的威胁。我看不到其他解决办法。

我邀请您阅读完整的《2026年AI现状报告》，并订阅Air Street Press以获取我们全年的文章。请将报告分享给任何觉得有用的人，并将您的评论、批评和建议发送给我。我很想听听哪些内容让您印象深刻。感谢所有贡献时间和参与同行评审的人！

继续前行，

Nathan