2026年，AI产业正在经历一次深层的范式转换，从追求模型规模向追求智能可用转变。基础模型的进化已不限于训练阶段，落地工程成为新的竞争前沿，商业与组织层面的重组也在同步推进。我们围绕模型进化、工程基础设施、商业与组织三大板块，梳理十个具体趋势的核心判断。这十个趋势构成一套相互咬合的系统性演变：进化方式在改变，部署方式在改变，由此带动的人机关系也在改变。（一）在线进化：进化不止于训练，模型在部署后继续生长2026年基础模型最值得关注的变化，是进化的发生时机从训练阶段延伸到了部署之后。 这表现为三条同时推进的曲线。第一条是强化学习从代码和数学向更多可验证领域扩散。 目前扩散的障碍在于领域数据基建：真正值钱的科学数据仍锁在国家实验室和学术机构里，谁先铺好程序化访问的通路，谁就先拿到这一波扩散的入场券。第二条是模型越用越懂场景，也是三条曲线里最值得重点关注的方向。 当前前沿大模型并不擅长从上下文里学东西，即使信息明明摆在窗口里，最强模型的任务解决率也只有17%。2026年的主题词是Context Learning，更远的战场是Memory Consolidation，让模型学到的东西能跨会话留存。哪些信息值得跨会话保留、如何检索、如何防止干扰，这套工程问题将成为2026年最实际的产品护城河。就用户体验而言，AI正在从极聪明但不认识你的陌生人，变成越用越懂你的工作伙伴。第三条是AI加速AI研究本身。 Anthropic披露，其合并到生产环境的代码超过80%由Claude编写，AI优化训练代码的能力从3倍跃升至52倍，一年内实现了量级跳升。目前核心瓶颈在持续自主性而非智力水平：AI可靠完成的任务时长每4个月翻倍，2024年是4分钟级，2026年已达到16小时级，距离数周级别的自主研究还有距离，但方向确定。（二）多模态认知：从渲染器到创作者，多模态AI开始理解世界多模态AI在2026年的核心变化，是生成行为从一次性输出进化为多步决策过程。 前沿模型15秒视频可用率从约20%拉升至90%左右，越过进入生产流程的临界点。可控性达标是Agent化的前提，这一关口的突破意义重大。在架构层面，原生多模态正在取代语言模型调度加视觉模型执行的拼接模式，图像、文本在共享潜空间里进行Token级别的跨模态注意力交互，涌现出初步的视觉推理能力。值得关注的是，世界模型的竞争焦点已从预测下一帧转向预测行动后的下一个状态，即从渲染器向规划器演进。 关键判断是：理解世界不一定需要重建世界。在抽象空间做预测而非逐像素重建的架构，已能用少量无标注数据实现对物理环境的零样本控制，对机器人、自动驾驶等需要实时规划的场景意味着一条效率更高的路径。谁先把世界模型从感知工具升级为规划引擎，谁就在下一代具身智能竞争中占据更有利的出发位置。（三）科学智能：三位一体，AI for Science的攻坚之战打响基础模型、科研智能体、自主实验室三位一体的AI驱动科研范式，在2026年从探索期进入成形期。 Google、Anthropic、国内上海AI实验室等均以基础大模型为核心，将科研AI从单点工具升级为系统性平台。自主实验室（SDL）的商业化开始兑现。 晶泰科技每月产生超5万条反应产率数据，已首次实现年度盈利；全球已有约170个AI参与发现或优化的药物项目进入临床开发，多个项目进入III期。但值得关注的是，技术进步越快，可信基础设施越重要，这是科学智能能否可持续推进的关键约束。（四）驾驭工程：给野马套上挽具，竞争前沿移到模型外部2026年AI工程师的核心工作，已从如何问模型转向如何设计模型的运行环境，也就是Harness Engineering（驾驭工程）。 Anthropic和Cursor先后发文并通过实践定义这个方向，给模型安排记忆、上下文、工具调用、多步规划和失败恢复的运行框架，先有实践，再有名词。这件事在2026年变得关键，根源在于两个方向的压力同时到来。 单纯扩大预训练的边际收益在递减，推理时计算（inference-time compute）成了新发力点，让模型在运行时多做几轮自我验证，复杂任务的表现就能提升，编排这些步骤的正是Harness。现实的差距已经显现：同样是GPT-4o，搭建了良好Harness的团队能跑起来6步以上的自主流程，没有Harness的团队停留在单次问答；Cognition的Devin在软件工程基准上达到13.86%，裸模型在同一任务上不足2%，差距的本质就是运行环境的工程质量。从远期来看，Harness有一个可预期的终局：模型会逐步把它内化。 今天需要外部搭建的能力，每一代模型都在往里吃。当前的显性化窗口意味着一批散落的工程实践正在被编目成设计模式，比如，ADPS（Agent Design Pattern Specification，智能体设计模式规范集）已收拢28个标准化的 Agent 搭建套路，配套出版了选型手册。可标准化，代表这个窗口不会持续太久。
（五）全民构建：从编码到全工，构建权第一次交到普通人手里AI编程是这轮Agent浪潮的先验战场，AI能否独立完成软件交付的争论在2026年已基本落幕。 SWE-bench Verified基准上，代码修复能力从Claude 3.5 Sonnet的49%（2024年6月）升至Opus 4.7的87.6%（2026年4月），22个月跳升38个百分点。Anthropic的Claude Code产品团队95%的代码由Claude Code编写（更极致化的AI原生开发产品），腾讯超过90%的工程师使用CodeBuddy，AI生成代码占比过半。更深远的变化在普惠侧：构建软件第一次不再以会写代码为前提。 Bolt的用户中六到七成是设计师、学生和销售人员，而非程序员。门槛并未消失，只是发生了转移，原型墙成为新的分水岭。AI把从零到原型压到几乎为零，但从原型到可运营横亘着一道鸿沟：GitClear的分析显示AI大规模介入后技术债务增加三到四成，Veracode发现45%的AI代码任务会引入已知安全漏洞。由此可见，真正稀缺的能力从会不会写升级为会不会判断。这套能力正在加速跨越代码边界。 2026年上半年，Anthropic的Claude Cowork、OpenAI升级的Codex、腾讯的WorkBuddy集中涌现，头部编程产品集体进化为通用工作Agent。编程是迄今对Agent要求最苛刻的场景，这里经受过考验的执行内核平移到写报告、做数据分析等知识工作上表现出色，泛化趋势在持续推进。AI Agent走向自主执行的同时，安全风险被同步放大，传统安全和审批模式在机器级速度面前已基本失效。 2026年发生了一系列标志性事件：微软365 Copilot被发现存在零点击提示注入漏洞（CVE-2025-32711），Anthropic披露首例几乎全自主的AI驱动网络攻击，DeFi平台Step Finance因智能体权限过大被诱导转账，损失约3000万美元。要让AI从自主执行迈向可信执行，必须管好三件事：可验证身份、可追溯行为、最小化操作权限，贯穿智能体全生命周期。 安全建设正沿三个方向落地：一是通讯协议从碎片走向统一，Google将A2A协议捐赠Linux Foundation并发布A2A v1.0，强制mTLS双向认证；二是智能体获得唯一可验证身份，TC260于2026年提出智能体身份标识与可追溯要求；三是合规监督从静态审计走向覆盖全过程的动态监督，中国于2026年5月联合印发《智能体规范应用与创新发展实施意见》。（七）智力即服务：Token退到后台，卖的不再是原材料
大模型正在松动智力难以被市场化交易这条约束。 过去企业获取智力主要靠雇人、买软件和请外包；大模型出现后，第四种形态成型：直接购买由模型、工具、数据和工作流封装出来的智力服务，包括客服Agent、合同审查流程、AI销售代表等。Token是计量单位，但承载不了价值。 同样一万个Token，可能只是润色一句话，也可能帮助识别千万级合同中的关键风险。市场由此形成混合结构：成本侧用Token和算力核算，定价侧按流程、结果和岗位能力区分场景和支付意愿。定价模式正在沿卖资源到卖岗位的光谱持续右移，卖方承担的责任逐级加重。 11x.ai把AI销售代表定价为人类SDR全成本的四到五成，Intercom Fin按解决一个客服工单收费。交易对象从消耗转向交付，标志着AI商业化进入成熟阶段。
（八）智联网：互联网的新主体，当Agent开始上网从2025年开始，Agent作为独立行动者加入互联网，形成新主体。 它们搜索信息、预订服务、调用API、与其他Agent协作，不打开App、不浏览信息流、不看广告，注意力经济的曝光基础正在失去根基。日活和时长作为核心产品指标的时代在动摇，任务完成率（TCR）正在取代DAU，成为新一代互联网产品的北极星指标。互联网的竞争逻辑正在同步重写：从流量分发转向能力调度。 谁能理解用户意图、组织多方能力、完成复杂任务，谁就掌握下一代平台生态的关键位置。垂直Agent的竞争壁垒不在基础模型，在行业深度：行业数据积累、与业务系统的集成深度、对行业工作流的理解深度，这三道门槛将决定谁能真正嵌入核心业务流程。IDC数据显示，全球超过45%的企业已在核心业务中部署具备自主决策能力的AI Agent，部署企业平均投资回报率达到171%。（九）液态组织：组织开始流动，从固态结构走向液态编排2026年科技界的组织调整有着同一个逻辑：用AI替代中层管理的信息路由功能，把组织重构为以智能编排为原则的运行系统。 Block裁员40%后创始人发文《从层级到智能》，Meta裁员8千人同时将7千人转入4个AI新部门，Anthropic年化收入140亿美元而增长团队仅约40人，大公司压缩冗余和小团队释放产能指向同一方向：劳动力不再凝固在岗位里，团队不再凝固在部门里。人和AI Agent混编成为团队新常态，典型形态是2至5个人监督50至100个专业化Agent，承接过去需要更大团队才能支撑的端到端流程。 人的角色从每件事的操作者，变成Agent团队的管理者和问题的定义者；有效的判断力供给，正成为组织的新稀缺。组织形态的弹性化伴随雇佣契约的重写。 个体公司化（美国单人创办的新公司占比从2019年的23.7%升至2025年的36.3%）、组织合伙人化、按贡献定价替代按时间付薪，三个趋势同步推进。旧的层级秩序被打散后，新的运行规则还没长出来，这是当前组织转型面临的核心张力。（十）角色重构：从监督者到架构师，职业重心在往上移AI重组的是任务，不是岗位，影响落在任务粒度上。 Anthropic Economic Index的拆解显示：约36%的职业中，至少四分之一的任务已出现AI介入；但只有约4%的职业中，四分之三以上的任务被AI覆盖。AI先进入岗位里的某些任务，而非一次性替代整个岗位。AI Agent具备连续执行能力之后，每个员工都已开始管理一组数字劳动力。 微软Work Trend Index提出“Every employee becomes an agent boss”，在2026年的工作场景里已相当具体：研究员让一个Agent每天扫论文，一个Agent整理数据，一个Agent写简报，每位员工都在管理一组数字劳动力。架构能力由此从个人路径分化为六类组织任务：AI工作流架构、智能体编排、上下文工程、AI评估与信任管理、AI ROI度量、持续学习运营。 单个员工会用AI带来的是局部提效；组织能否把AI用成结构性优势，关键看能否系统配置人和智能体。微软提出的human-agent ratio（人机配比）正在成为真实的管理变量。2026年AI职业图谱的主线可以归结为一点：执行能力正在变得便宜，架构能力正在变得昂贵。总的来说，上述十个趋势共同指向一个判断：AI的协同进化时代已经到来。进化不只发生在实验室的训练阶段，正在延伸到部署、使用、组织和商业的每一个环节。科技公司面临的核心命题，已经从如何选择更好的基础模型，转向如何在整个系统层面与AI协同进化。
研究团队：李瑞龙、陈东明、茹炳晟、刘莫闲、余一、曹士圯、翁金塔、白惠天、王强、吴朋阳、王鹏、黄浩司晓：
腾讯研究院：
👇 点个“在看”分享洞见
