人工智能全景与前沿深度调研报告
技术摘要
- AI 的竞争单位正从单一模型转向完整系统。 模型、工具、数据、记忆、环境反馈、硬件和治理必须一起评价。
- 语言、视觉、世界模型与行动正在会合。 多模态、空间智能和 VLA 把感知—预测—规划—行动连接起来,但真机可靠性仍明显落后于演示。
- AI4Science 的关键是可验证闭环。 结构预测、候选生成、模拟、实验和自动评价器必须形成迭代,而不是把一次预测直接称作发现。
- 所有成熟度判断都带条件。 benchmark、供应商 ROI 与公司愿景不能直接外推到真实业务;高时效职位与法规以 2026-08-23 为截止日。
前沿方向的研究成熟度普遍领先于产品可靠性
成熟度地图把 24 个方向放在同一 1—5 启发式尺度上。研究成熟度高并不意味着可规模部署;世界模型、自动化科学家和人形机器人尤其需要真实环境、连续运行、故障恢复与独立评测。
AI 关键时间线
AI 方向成熟度地图
执行摘要:AI 正进入完整系统竞争
第 3 页主题|大语言模型仍是通用认知接口,但决定价值的单位已经从“模型”变成“模型 + 工具 + 数据 + 环境反馈 + 治理”。
1. 技术重心
预训练规模仍重要,但后训练、推理时计算、验证器、工具调用、长期记忆和多智能体编排正在成为能力增量的重要来源。2026 AI Index 显示产业界生产了 2025 年超过九成的显著前沿模型,组织采用率达到 88%;同时评测、透明度和治理并未同步成熟。[S01][S02]
2. 从语言到世界
原生多模态把文本、图像、视频、音频和动作放入共同表示;世界模型进一步学习环境如何变化以及行动会产生什么后果。V-JEPA 2、Genie 3、World Labs 的空间智能路线,以及 VLA 机器人模型,代表“感知—预测—规划—行动”的会合。[S11][S12][S13][S14]
3. AI4Science
科学 AI 正从预测单一结构或性质,转向生成候选、调用工具、运行模拟或实验、用可计算目标评价并继续迭代的闭环。AlphaFold、GNoME、MatterGen 与 AlphaEvolve说明这条路径已覆盖生物、材料和算法,但真实实验、因果验证与可重复性仍是瓶颈。[S18][S20][S21][S22]
4. 最大的不确定性
benchmark 提升不能直接推出真实世界可靠性;Agent 获得权限后,错误会从“答错”升级为“做错”。未来三到五年的核心竞争将围绕独有数据闭环、可信评测、软硬件协同、工作流入口和监管准入,而不是单一模型排行榜。[S02][S24]
本节主要来源
- [S01] Stanford HAI(2026):The 2026 AI Index Report
- [S02] International AI Safety Report(2026):International AI Safety Report 2026
- [S11] Meta AI(2025):Introducing V-JEPA 2
- [S12] Google DeepMind(2025):Genie 3: A new frontier for world models
- [S13] World Labs(2026):About World Labs
- [S14] Google DeepMind(2025):Gemini Robotics
- [S18] Nature / Google DeepMind(2021):Highly accurate protein structure prediction with AlphaFold
- [S20] Nature / Google DeepMind(2023):Scaling deep learning for materials discovery
- [S21] Nature / Microsoft Research(2025):A generative model for inorganic materials design
- [S22] Google DeepMind(2025):AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms
- [S24] NIST(2023):AI Risk Management Framework 1.0
一张图读懂:系统栈与未单列的经典分支
第 4 页主题|术语之所以显得混乱,是因为它们处在不同层级;本页同时标出未逐章展开、但仍属于 AI 全景的经典方向。
关键原则
“LLM、Agent、世界模型、具身智能”不是互斥类别。视觉、语音、经典 NLP、知识表示、规划、推荐、时序、概率模型与 HCI 也没有消失,而是被基础模型重组或继续作为系统模块。本报告对这些经典分支提供定位,不宣称逐一达到教材级展开。[S40]
本节结构化要点
- 层级: 目标与价值;回答的问题: 系统为什么存在?;典型方向: 产品、科研、公共服务、自动化;主要瓶颈: 目标错配、责任与分配
- 层级: 应用与工作流;回答的问题: 如何嵌入现实任务?;典型方向: 医疗、金融、制造、教育、软件;主要瓶颈: 流程重构、数据权、监管
- 层级: 智能系统;回答的问题: 如何持续完成多步任务?;典型方向: Agent、RAG/记忆、工具、多智能体;主要瓶颈: 可靠性、权限、可观测性
- 层级: 世界与行动;回答的问题: 如何预测并改变环境?;典型方向: 世界模型、空间智能、VLA、控制;主要瓶颈: 真实数据、长尾、硬件安全
- 层级: 基础模型;回答的问题: 如何形成通用表示与生成能力?;典型方向: LLM、多模态、生成模型、科学模型;主要瓶颈: 数据、算力、可解释性
- 层级: 学习范式;回答的问题: 机器怎样从经验中学习?;典型方向: 监督、自监督、强化、持续、因果;主要瓶颈: 泛化、样本效率、遗忘
- 层级: 经典任务族;回答的问题: 主要处理什么信号或决策?;典型方向: 视觉、语音/音频、NLP、知识表示/规划;主要瓶颈: 长尾、歧义、可解释与评测
- 层级: 业务算法族;回答的问题: 如何预测、排序和交互?;典型方向: 推荐、时序/异常、概率模型、人机交互;主要瓶颈: 反馈回路、漂移、公平与隐私
- 层级: 系统基础;回答的问题: 怎样训练和部署?;典型方向: 芯片、互连、编译器、分布式、推理;主要瓶颈: 成本、能耗、供应链
本节主要来源
容易被大模型叙事遮蔽的八条路线
第 5 页主题|经典 AI 没有消失;很多真实系统仍依赖因果、概率、搜索、端侧计算、隐私技术和人机协作。
组合原则
成熟产品通常把规则、传统机器学习、基础模型、数据库、验证器和人工流程组合起来。选择方法应从任务风险、可验证性、数据形态、延迟和成本出发,而不是先指定“必须用大模型”。[S40][S50][S51]
本节结构化要点
- 方向: 知识表示与规划;为什么重要: 显式规则、约束、可审计推理;当前边界: 开放世界维护成本高
- 方向: 因果与概率模型;为什么重要: 干预、反事实和不确定性决策;当前边界: 依赖可识别假设与可靠数据
- 方向: 神经符号方法;为什么重要: 组合学习能力与形式约束;当前边界: 统一架构和规模化评测不足
- 方向: 持续与在线学习;为什么重要: 系统部署后适应新分布;当前边界: 灾难性遗忘、污染和审计
- 方向: 边缘 AI;为什么重要: 低延迟、隐私、断网可用;当前边界: 内存、功耗和安全更新
- 方向: 隐私保护学习;为什么重要: 降低原始数据集中暴露;当前边界: 隐私预算、侧信道和效用损失
- 方向: 合成数据与仿真;为什么重要: 覆盖稀有场景、降低采集成本;当前边界: 仿真偏差和反馈循环
- 方向: 评测科学与人因;为什么重要: 把模型分数连接到真实任务与责任;当前边界: 动态任务、长期效果和行为适应难测
本节主要来源
- [S40] Russell & Norvig(2021):Artificial Intelligence: A Modern Approach
- [S50] Google(2017):Federated Learning: Communication-Efficient Learning of Deep Networks
- [S51] arXiv(2019):Continual Learning in Neural Networks
- [S55] NeurIPS(2018):Neural Ordinary Differential Equations
- [S67] ISO(2023):ISO/IEC 42001:2023
- [S68] C2PA(2025):C2PA Specification 2.2
研究方法、证据等级与局限
第 6 页主题|本报告是截至指定日期的二手证据综合,不是实验研究,也不声称预测具有确定性。
研究问题
截至 2026-08-23,如何用一个互不混淆的层级框架解释 AI 的主要学习范式、模型与系统形态、前沿路线、行业成熟度、治理结构及关键人物的路线选择?
检索与纳入
检索平台覆盖 arXiv、Nature/Science、机构论文页、法规与监管官网、大学/公司公告及模型卡;关键词按 taxonomy、learning paradigm、foundation model、agent、world model、VLA、AI4Science、industry、governance 与人物姓名组合。三支专题研究先汇集数百个候选链接,去重后纳入 109 个可定位到标题、机构和 URL 的核心条目;无法核实的新闻摘要不进入核心结论。历史材料不受日期限制,职位、法规和模型状态重点复核 2025—2026 年来源。
证据标签
A 级:同行评审论文、法规、官方统计;B 级:预印本、模型卡、技术报告;C 级:机构自述、产品案例;D 级:分析性推断。C 级数据只能说明“该机构公开声称”,不能自动外推为行业平均。
核验覆盖与复现
全部正文页均执行页内引文 ID—页底来源一致性检查;人物职位、法律时点与高时效公司变动优先回到本人或机构一手页,并以 Reuters/AP 等独立报道补足可追溯性;企业 ROI 与产品能力保留“机构自述”标签。最终 PDF 逐页渲染检查,并核对页数、文字可提取性、内部目录、书签、外部链接与桌面副本哈希。完整 109 项来源按首次使用分布在各页底部,可直接点击复查。
已知局限
前沿模型不公开完整训练数据与评测细节;机器人演示通常无法覆盖长尾;企业 ROI 存在选择性披露;人物观点会随技术变化;国际比较受汇率、采购和统计口径影响。报告使用公开证据,未访问商业机密或未发布研究,也没有外部人类领域专家签字认证。[S01][S02][S42]
本节主要来源
从符号系统到基础模型:七十年主线
第 7 页主题|AI 历史不是一条直线,而是“知识表示、统计学习、算力与数据、交互反馈”四股力量周期性重组。
1956—1980s:规则与知识
早期 AI 把智能视为符号搜索、逻辑推理和显式知识。优势是可解释、可组合;缺点是知识获取成本高、对噪声和开放世界脆弱。专家系统在封闭领域有效,却难以通过规则手工编码常识。[S40]
1990s—2012:统计学习
概率模型、支持向量机、集成学习等把重点从“写规则”转向“从数据估计规律”。互联网提供数据,GPU 与反向传播使深层网络在视觉、语音上突破。
2012—2020:深度表示与规模化
卷积网络、序列模型、注意力和 Transformer 让端到端学习成为主流。Transformer 的并行训练与长程依赖能力,叠加大规模预训练,最终形成 foundation model 范式。[S03][S45]
2020—2026:对齐、推理与行动
大模型从少样本语言接口扩展到多模态、代码、工具和 Agent;能力来源从预训练扩展到人类/AI反馈、强化学习、推理时计算、检索和环境反馈。世界模型与机器人把“生成文本”推进到“预测并改变环境”。[S04][S05][S07][S14]
本节主要来源
- [S03] NeurIPS / arXiv(2017):Attention Is All You Need
- [S04] OpenAI / NeurIPS(2020):Language Models are Few-Shot Learners
- [S05] OpenAI(2022):Training language models to follow instructions with human feedback
- [S07] OpenAI(2024):Learning to reason with LLMs
- [S14] Google DeepMind(2025):Gemini Robotics
- [S40] Russell & Norvig(2021):Artificial Intelligence: A Modern Approach
- [S45] OpenAI(2020):Scaling Laws for Neural Language Models
学习范式矩阵:不要把模型和训练方式混为一谈
第 8 页主题|同一个 Transformer 可以接受监督学习、自监督预训练、偏好优化、强化学习和持续学习;“模型结构”不等于“学习范式”。
组合使用才是现实
典型 LLM 先用自监督学习预测 token,再用监督微调学习指令,通过偏好优化或强化学习改变行为;机器人模型还要加入专家轨迹、仿真数据和真实交互。评估时必须追踪每一阶段的数据与目标。[S05][S06][S16]
本节结构化要点
- 范式: 监督学习;反馈信号: 输入—标签;适用场景: 分类、预测、检测;核心风险: 标签成本、分布偏移
- 范式: 无监督/自监督;反馈信号: 数据内部结构;适用场景: 预训练、表征、生成;核心风险: 目标与下游价值错位
- 范式: 强化学习;反馈信号: 奖励与交互;适用场景: 控制、规划、后训练;核心风险: 奖励黑客、样本效率
- 范式: 模仿学习;反馈信号: 专家轨迹;适用场景: 机器人、驾驶;核心风险: 覆盖不足、继承专家偏差
- 范式: 迁移/微调;反馈信号: 源任务知识;适用场景: 领域适配;核心风险: 灾难性遗忘、负迁移
- 范式: 持续学习;反馈信号: 时间序列任务;适用场景: 在线个性化、机器人;核心风险: 稳定—可塑性冲突
- 范式: 联邦学习;反馈信号: 分布式本地更新;适用场景: 隐私敏感机构;核心风险: 通信、异质性、泄漏
- 范式: 因果学习;反馈信号: 干预/结构假设;适用场景: 政策、科学、稳健决策;核心风险: 可识别性、假设错误
本节主要来源
- [S05] OpenAI(2022):Training language models to follow instructions with human feedback
- [S06] Stanford / arXiv(2023):Direct Preference Optimization
- [S16] Physical Intelligence(2024):π0: A Vision-Language-Action Flow Model for General Robot Control
- [S50] Google(2017):Federated Learning: Communication-Efficient Learning of Deep Networks
- [S51] arXiv(2019):Continual Learning in Neural Networks
监督、无监督与自监督:表示学习的地基
第 9 页主题|现代基础模型的规模化关键,是把互联网上大量未标注数据转成可训练信号;这并不意味着数据“免费”或没有偏差。
监督学习
模型最小化预测与人工标签之间的误差,适合明确任务和稳定标签。但医学、法律、机器人等领域的高质量标签昂贵且存在专家分歧;训练集标签还可能固化历史偏差。
无监督与自监督
无监督学习寻找聚类、密度或潜在结构;自监督学习则从数据本身构造目标,例如遮蔽词恢复、下一个 token、图像—文本对齐或视频潜在空间预测。它把表示学习扩展到互联网规模,是 LLM 和多模态模型的共同地基。[S03][S10][S11]
生成目标与理解
预测下一个 token 能迫使模型压缩大量语言规律,但“能生成”不自动等于具备稳定世界模型、因果理解或可执行计划。V-JEPA 路线主张在抽象表示空间预测关键变化,减少对像素级细节的浪费;两条路线可能互补,而不是简单二选一。[S11]
数据质量
规模化数据包含重复、版权材料、错误和群体偏差。去重、来源记录、许可、数据配比与合成数据验证会直接影响模型行为。训练数据不透明也是当前 foundation model 透明度的薄弱环节。[S42]
本节主要来源
深度网络的结构谱系
第 10 页主题|架构不是“谁取代谁”的单线进化,而是对数据结构、计算约束和任务需求的不同归纳偏置。
工程现实
许多前沿系统是混合架构:视觉编码器、Transformer 主干、Mixture-of-Experts、扩散/流动作头、检索模块与传统控制器共同工作。架构价值应以端到端任务、成本和可靠性衡量,而非只看参数量。[S03][S55]
本节结构化要点
- 结构: MLP;擅长: 通用函数逼近;基本机制: 全连接变换;仍在发挥作用的地方: Transformer FFN、表格模型
- 结构: CNN;擅长: 局部空间模式;基本机制: 卷积与权重共享;仍在发挥作用的地方: 视觉、信号、边缘设备
- 结构: RNN/LSTM;擅长: 顺序与状态;基本机制: 递归更新隐状态;仍在发挥作用的地方: 流式音频、小型时序系统
- 结构: Transformer;擅长: 全局依赖与并行;基本机制: 注意力 + 前馈网络;仍在发挥作用的地方: 语言、多模态、科学、控制
- 结构: GNN;擅长: 关系和图结构;基本机制: 邻居消息传递;仍在发挥作用的地方: 分子、材料、交通、推荐
- 结构: Diffusion/Flow;擅长: 高质量生成;基本机制: 逐步去噪或流匹配;仍在发挥作用的地方: 图像、视频、3D、机器人动作
- 结构: State-space;擅长: 长序列效率;基本机制: 结构化状态更新;仍在发挥作用的地方: 长上下文、时序、边缘推理
- 结构: Neural ODE;擅长: 连续动力学;基本机制: 微分方程定义网络;仍在发挥作用的地方: 物理、生物、控制
本节主要来源
强化学习:从奖励到规划
第 11 页主题|强化学习不是“让模型更聪明”的魔法,而是在序列决策中优化长期回报;奖励设计决定系统学会什么。
基本问题
智能体观察状态,采取动作,环境返回新状态和奖励。价值函数估计长期回报,策略决定动作,模型式方法还学习环境动力学以便规划。深度 Q 网络证明神经网络可从像素学习多款 Atari 游戏;AlphaGo/AlphaZero 将策略、价值、搜索和自我博弈结合。[S52][S53]
Model-free 与 Model-based
无模型方法直接学策略或价值,通常简单但数据需求高;模型式方法学习或使用环境模型,通过想象未来进行规划。MuZero 不要求预先给出环境规则,却学习对决策有用的潜在动力学,连接了强化学习与世界模型。[S54]
LLM 后训练
RLHF/RLVR 把人类偏好或可验证结果作为奖励,改善指令遵循、推理和安全行为。但奖励代理可能被钻空子;如果验证器只覆盖最终答案,模型也可能学到投机过程。DPO 等方法把偏好学习重写为较稳定的监督式目标。[S05][S06][S07]
机器人与现实环境
真实交互昂贵、危险且速度慢,因此常用模仿学习、离线强化学习、仿真和少量在线微调组合。仿真到现实的差距、奖励稀疏和安全探索仍是核心难题。[S16]
本节主要来源
- [S05] OpenAI(2022):Training language models to follow instructions with human feedback
- [S06] Stanford / arXiv(2023):Direct Preference Optimization
- [S07] OpenAI(2024):Learning to reason with LLMs
- [S16] Physical Intelligence(2024):π0: A Vision-Language-Action Flow Model for General Robot Control
- [S52] Nature / DeepMind(2015):Human-level control through deep reinforcement learning
- [S53] Nature / DeepMind(2017):Mastering the game of Go without human knowledge
- [S54] Nature / DeepMind(2020):Mastering Atari, Go, chess and shogi by planning with a learned model
因果、神经符号与可验证推理
第 12 页主题|统计相关性擅长预测“会发生什么”,因果模型试图回答“如果干预会怎样”;符号系统则提供约束、证明和组合结构。
因果推断
因果图、潜在结果和结构因果模型通过明确假设区分相关与干预。它们在政策评估、医疗决策和科学发现中重要,因为高预测准确率并不能保证改变一个变量会带来预期结果。难点在于不可观测混杂、可识别性和分布迁移。
神经符号
神经网络从高维数据学习表示,符号模块处理逻辑、规则、程序或知识图谱。组合方式包括让模型生成程序、调用定理证明器、把约束加入训练或用检索提供结构化知识。优势是可验证与组合;代价是接口复杂、知识维护和搜索爆炸。
验证器的重要性
在数学、代码和科学任务中,单纯生成候选往往不够。执行单元测试、形式证明、物理约束或实验评价,可以把开放式生成转化为“搜索 + 评价 + 迭代”。AlphaEvolve 正是把语言模型提出算法与自动评价器、进化式选择结合。[S22]
边界
可验证不等于正确:测试可能不完整,形式化规范也可能描述错目标。混合系统必须同时审计生成器、工具、规范与数据链。
本节主要来源
持续学习、元学习与联邦学习
第 13 页主题|真正长期运行的智能体必须适应变化,却不能在学习新任务时忘掉旧能力,也不能把敏感数据集中复制。
持续学习
模型顺序接触任务或数据分布,目标是在保持旧知识的同时吸收新知识。典型方法包括经验回放、重要参数正则化、动态扩展网络和参数隔离;根本矛盾是稳定性与可塑性。[S51]
元学习
元学习试图“学会如何学习”,在任务分布上训练可快速适应的新初始化、优化器或策略。它适合少样本个性化和机器人,但如果新任务脱离训练分布,快速适应也可能失效。
联邦学习
参与方在本地计算更新,仅汇总梯度或参数,适用于手机、医院和金融机构。它减少原始数据集中化,却不自动提供隐私:更新可能泄漏信息,还需要安全聚合、差分隐私和攻击检测。[S50]
大模型中的现实做法
2026 年多数生产系统仍通过 RAG、外部记忆、定期微调和模型版本管理实现“持续更新”,而不是让基础模型在线改权重。外部记忆易审计、可撤销,但只能补充知识,不能完全替代技能学习。
本节主要来源
基础模型:从单任务模型到通用底座
第 14 页主题|Foundation model 的核心不是“大”,而是先在广泛数据和任务上形成通用表示,再被大量下游系统适配。
为什么出现
规模化自监督预训练把一次昂贵训练的能力复用于搜索、写作、编程、视觉、语音和科学任务。GPT-3 展示了参数与数据规模带来的少样本能力;随后适配方法把通用底座变成具体产品。[S04]
规模定律
经验规模定律描述损失随模型、数据和计算增长而下降,但最优配比并非“参数越大越好”。Chinchilla 工作强调在固定计算下增加训练 token、减小过大的模型可获得更好效果,推动数据—模型—计算协同设计。[S45][S46]
能力并非一个数
通用模型在知识、推理、代码、多模态、工具使用和语言覆盖上呈锯齿状;某项 benchmark 领先不代表在真实业务中稳定。模型卡、系统卡和分域评测比单一总分更有价值。[S02][S41]
权力与透明度
基础模型集中训练使少数机构掌握算力、数据和部署入口;开放权重可以促进研究和本地化,也使撤回与监控更难。透明度索引显示训练数据、算力、风险评测和下游使用信息仍常不充分。[S42]
本节主要来源
- [S02] International AI Safety Report(2026):International AI Safety Report 2026
- [S04] OpenAI / NeurIPS(2020):Language Models are Few-Shot Learners
- [S41] Google DeepMind(2026):Model Cards
- [S42] Stanford CRFM(2025):Foundation Model Transparency Index
- [S45] OpenAI(2020):Scaling Laws for Neural Language Models
- [S46] Google DeepMind(2022):Chinchilla: Training Compute-Optimal Large Language Models
LLM 的完整技术栈
第 15 页主题|产品里的“一个聊天框”,背后至少有数据、token、预训练、后训练、推理、检索、工具、安全和观测九个层。
判断产品的正确单位
比较 LLM 产品时应问:底座版本是什么、是否检索、有哪些工具权限、如何记忆、怎样评测、失败由谁复核。只报模型名无法解释真实表现。[S08][S09][S43]
本节结构化要点
- 层: 数据;作用: 提供语言与知识分布;常见方法: 清洗、去重、配比、合成;失败模式: 污染、版权、偏差
- 层: 表示;作用: 把文本变成离散/连续表示;常见方法: tokenizer、embedding;失败模式: 跨语言不均、长尾切分
- 层: 预训练;作用: 学习通用预测能力;常见方法: Transformer、MoE;失败模式: 成本高、知识滞后
- 层: 后训练;作用: 形成指令与偏好行为;常见方法: SFT、RLHF、DPO、RLVR;失败模式: 奖励错配、过度拒答
- 层: 推理;作用: 生成与搜索候选;常见方法: 采样、CoT、test-time compute;失败模式: 成本、幻觉、脆弱
- 层: 外部系统;作用: 连接知识和行动;常见方法: RAG、MCP、API、Agent;失败模式: 权限、注入、执行错误
- 层: 治理;作用: 监控质量和风险;常见方法: eval、日志、红队、审批;失败模式: 覆盖不足、责任模糊
本节主要来源
预训练:数据、token、目标与规模
第 16 页主题|预训练把世界压缩成参数,但压缩过程受数据选择和目标函数约束;它不会自动保留来源、时间和因果结构。
Token 与上下文
Tokenizer 决定模型处理的基本单位,不同语言的字符—token 比例不同,会影响成本和上下文效率。位置表示与注意力机制决定模型如何利用序列,但宣称的上下文长度并不等于能在任意位置稳定检索和推理。
训练目标
自回归模型最大化下一个 token 的似然,擅长开放式生成;遮蔽建模恢复被隐藏部分,更偏向双向表示。多模态模型还可能使用对比学习、重建、扩散或联合 token 预测。[S03][S10]
数据工程
高质量预训练需要去重、质量过滤、语言和领域配比、个人信息与安全过滤、许可策略,以及针对数据污染的 benchmark 隔离。合成数据能补足稀缺样本,但循环使用未经验证的合成内容可能放大错误。
规模与稀疏化
Mixture-of-Experts 只激活部分专家,扩大总参数而控制每 token 计算;并行、低精度和检查点使训练跨越大量加速器。规模定律提供资源分配参考,却无法保证涌现能力按计划出现。[S45][S46]
本节主要来源
后训练:把“会续写”变成“会协作”
第 17 页主题|后训练改变模型在同样知识基础上的行为分布;它能增强指令、推理和安全性,也可能牺牲多样性或引入新的迎合。
监督微调 SFT
用高质量指令—回答样本教模型遵循格式、角色和任务。它稳定、易控制,但覆盖面取决于示范,容易学到示范风格而非深层目标。
RLHF 与 RLAIF
偏好数据训练奖励模型,再优化策略使输出更符合人类或 AI 评审偏好。InstructGPT 证明小型对齐模型在人类偏好上可胜过更大但未对齐模型;局限是标注者代表性、奖励模型可被利用和训练不稳定。[S05]
DPO 与偏好优化
DPO 直接利用成对偏好数据优化策略,绕开显式奖励模型和在线强化学习,工程更简洁。它仍依赖偏好数据质量,不能消除目标定义问题。[S06]
可验证奖励与推理
数学、代码和某些科学任务可通过正确答案、单元测试或形式约束给出奖励,支持 RLVR 和大规模自我改进。优势是信号客观;风险是模型只优化可测部分、利用测试漏洞,或在不可验证领域迁移失效。[S07][S22]
宪法式方法
Constitutional AI 用一组原则指导模型自我批评和 AI 反馈,减少部分人工有害样本标注。原则的选择仍是治理问题,不能替代外部审计。[S44]
本节主要来源
- [S05] OpenAI(2022):Training language models to follow instructions with human feedback
- [S06] Stanford / arXiv(2023):Direct Preference Optimization
- [S07] OpenAI(2024):Learning to reason with LLMs
- [S22] Google DeepMind(2025):AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms
- [S44] Anthropic(2022):Constitutional AI: Harmlessness from AI Feedback
推理时计算:让模型在回答前搜索和验证
第 18 页主题|能力提升不只发生在训练阶段;生成多个候选、分解问题、调用验证器和动态分配计算正在重塑“推理”。
核心机制
模型可显式产生中间步骤,使用树搜索或采样生成多个轨迹,再由价值模型、规则、执行器或第二个模型选择。推理时计算允许难题花更多资源,而简单题快速回答。[S07]
为什么有效
预训练模型内部包含许多潜在解题路径,单次贪心生成只访问其中一条。搜索扩大候选空间,验证器把概率最高转化为满足目标;在数学和代码中,外部执行尤其有价值。
不等于真实思维
可见的 chain-of-thought 可能是不完整或事后合理化的解释,不能直接当作内部因果过程。隐藏推理也增加审计难度;安全评估需要观察最终行为、工具调用、日志与环境后果,而非只读文字理由。[S02]
成本与控制
test-time compute 会增加延迟、token 和能耗;系统必须按风险分配预算,例如医疗决策要求多模型复核和证据检索,创意改写则不需要昂贵搜索。
本节主要来源
Agent:从回答问题到完成任务
第 19 页主题|Agent 是带有目标、状态、工具和循环控制的系统,不是某个单独模型;自主程度应由风险和可逆性决定。
最小闭环
一个 Agent 至少包含:理解目标、维护状态、规划或选择下一步、调用工具、观察结果、判断是否完成。复杂系统还加入长期记忆、角色分工、预算、异常恢复和人类审批。[S08]
Workflow 与 Agent
固定工作流按照预定义步骤执行,容易测试;Agent 动态决定步骤,适合路径不确定的任务,但行为空间更大。Anthropic 建议先从简单可组合模式开始,只有在灵活性收益明显时才增加自主性。[S08]
工具协议
函数调用与 MCP 等协议把模型连接到文件、数据库、浏览器和企业系统。协议解决接口标准化,不解决授权、数据最小化、提示注入和业务责任。[S43]
主要失败
目标解释错误、规划循环、工具返回被误读、网页提示注入、权限过大、写入操作不可逆、多智能体相互放大错误。高风险 Agent 需要最小权限、沙盒、干运行、事务回滚和人工确认。[S02][S24]
本节主要来源
记忆、RAG 与上下文工程
第 20 页主题|把模型参数之外的信息组织好,往往比继续扩大模型更能提升企业任务;但检索只提供证据,不保证模型忠实使用。
三种“记忆”
参数记忆来自训练,更新慢且来源难追踪;上下文记忆存在当前窗口,精确但容量和注意力有限;外部记忆保存在数据库、向量库或事件日志,可更新、可撤销、可审计。
RAG
检索增强生成先根据问题从文档库取回片段,再让模型在证据条件下回答。它适合最新、私有和可引用知识,并降低重新训练成本。[S09]
真正的难点
文档切分、元数据、权限过滤、查询改写、混合检索、重排序、版本管理和引用对齐共同决定效果。检索到错误文档会制造“有引用的错答案”;模型也可能忽略检索内容或把不可信文本当指令。
长期 Agent 记忆
事件日志、摘要、技能库和用户偏好可支持跨会话任务,但必须设计遗忘、纠错和隐私机制。把所有历史无限累积会增加噪声、成本和敏感信息暴露。
本节主要来源
原生多模态:共同表示与跨模态行动
第 21 页主题|多模态不只是“给 LLM 加一个看图插件”,而是对齐、融合和生成文本、视觉、音频、视频乃至动作。
三种结构
早期融合在输入层联合 token;中期融合用交叉注意力或适配器连接编码器;统一模型把不同模态离散化或映射到共同序列,使用一个主干预测。选择取决于数据规模、实时性与生成需求。
对比学习
CLIP 使用大规模图像—文本对进行对比学习,把匹配图文拉近、非匹配拉远,得到可迁移的视觉语义表示。它推动开放词汇分类和跨模态检索,但继承网页配对偏差。[S10]
原生交互
实时语音、视频理解和屏幕操作要求模型处理连续流、时间顺序、说话轮次和低延迟。模型卡应说明输入限制、语言覆盖、人物识别、隐私和危险场景,而不是只展示样例。[S41]
走向动作
当输出空间从文字扩展为机器人动作或软件操作,多模态模型变成 VLA 或 computer-use Agent;安全边界随执行权限扩大。[S14][S15]
本节主要来源
生成式 AI:图像、视频、音频与 3D
第 22 页主题|生成模型正从一次性内容合成走向可编辑、可控制、具有时间和空间一致性的世界构建。
主要模型族
VAE 学习可采样潜在空间;GAN 通过生成器与判别器对抗;扩散模型从噪声逐步还原数据;flow matching 学习连续概率流。不同方法在质量、速度、覆盖和可控性上权衡。
从文本到可控创作
产业重点已从“生成一张好图”转向角色一致、镜头控制、局部编辑、参考素材绑定、声音同步、版权与内容溯源。视频模型还要学习时间连续性和物理规律,但逼真的输出不等于内部拥有可行动的世界模型。
3D 与世界
NeRF、Gaussian Splatting、3D diffusion 和 world model 让系统从多视角重建或直接生成可导航空间。World Labs 把持续一致、可交互的 3D 世界视为空间智能产品基础。[S13]
风险
身份仿冒、非自愿亲密影像、虚假证据、训练许可和创作者补偿是核心治理问题。水印与检测只能提供部分信号,发布平台还需来源记录、投诉和快速处置。[S02]
本节主要来源
世界模型:预测环境与行动后果
第 23 页主题|世界模型至少应学习环境怎样随时间和动作变化;能生成逼真视频,只是可能的实现,不是充分证据。
四个层次
观察预测模型预测下一帧或未来表示;动作条件模型预测候选动作后果;任务模型还估计奖励、终止或价值;生成式环境模型构造可交互世界供人或 Agent 训练。只有后三类直接服务于规划。
V-JEPA 2
Meta 的路线不重建所有像素,而在潜在表示空间预测被遮蔽或未来内容。V-JEPA 2 用大规模视频预训练,再以少量机器人数据学习动作条件模型,展示了视觉理解、预测和零样本机器人规划;结果仍主要来自官方论文设定。[S11]
Genie 3
Google DeepMind 把 Genie 3 定义为可实时导航的通用世界模型,官方披露 720p、24fps、数分钟一致性,并明确列出动作空间、多智能体交互、真实地点准确性和长时持续等限制。[S12]
如何验证
更强测试应包含动作干预、反事实、对象恒常、长时一致性、分布外物理、可重复性和真机闭环。视觉逼真度、可控性、物理正确性与规划效用必须分别报告。
本节主要来源
空间智能:李飞飞与 World Labs 的路线
第 24 页主题|空间智能把视觉从“识别画面”推进到“理解、生成、推理并交互于持续存在的三维世界”。
核心主张
World Labs 认为 AI 若要在虚拟和物理世界行动,需要几何、物体、场景、遮挡、持续性和可交互性,而不仅是图像标签或自然语言描述。公司由李飞飞、Justin Johnson(贾斯汀·约翰逊)、Christoph Lassner(克里斯托夫·拉斯纳) 与 Ben Mildenhall(本·米尔登霍尔) 创立。[S13]
功能分类
其 2026 年公开分类把 world model 按功能分成渲染器、模拟器、规划器与统一模型。这个框架有助于避免把视频生成器、物理模拟器和机器人规划器混称为同一件事。[S72]
产品与证据
Marble 能从文本、图片、视频或粗略 3D 输入生成可探索、空间连贯的世界,首先面向创作、设计和沉浸式体验。公司展示证明产品存在,不证明模型已经掌握通用物理、因果或机器人控制。
与具身智能的交点
空间世界可作为 real-to-sim-to-real 数据和训练环境;但迁移到实体机器人仍需传感器标定、接触动力学、动作空间、安全控制和真实反馈。空间智能是必要能力集合之一,不是具身智能的同义词。
本节主要来源
VLA:把视觉、语言和动作接在一起
第 25 页主题|Vision-Language-Action 模型把语义知识转成动作序列,是具身智能的重要架构,但不是机器人全栈。
从 RT-2 到 π 系列
RT-2 把机器人动作表示为 token,与互联网视觉语言任务共同微调,证明网页语义知识能部分迁移到未见物体和指令。[S15] Physical Intelligence 的 π0 使用预训练 VLM 与 flow-matching 动作专家生成连续动作,目标是跨任务、跨机器人策略。[S16]
Gemini Robotics
Google DeepMind 在 Gemini 基础上增加动作输出,并提供强调空间与具身推理的 ER 模型。2026 年新版本继续扩展全身动作和多 embodiment,但这些仍是开发方报告,需要公开失败率和独立复现。[S14][S41]
什么没有被模型取代
状态估计、运动规划、碰撞检测、力控、稳定控制、急停和硬件冗余仍是机器人系统核心。高层 VLA 适合选择技能和给出目标,低层安全控制不能依赖自然语言模型偶发正确。
评价标准
至少报告任务分布、每项试验次数、成功定义、人工干预、未见环境、恢复能力、耗时、硬件损耗与安全事件。精选 demo 只能证明某次成功,不能证明可靠性。
本节主要来源
- [S14] Google DeepMind(2025):Gemini Robotics
- [S15] Google DeepMind(2023):RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control
- [S16] Physical Intelligence(2024):π0: A Vision-Language-Action Flow Model for General Robot Control
- [S17] NVIDIA(2025):NVIDIA Isaac GR00T N1
- [S41] Google DeepMind(2026):Model Cards
- [S77] Physical Intelligence(2025):π0.5: a VLA Model with Open-World Generalization
机器人学习的真正瓶颈
第 26 页主题|网页 token 可复制,真实机器人轨迹却昂贵、慢、异构且有损坏风险;数据闭环比模型名字更稀缺。
数据来源
遥操作和示范提供高质量动作;自主执行产生成功与失败经验;仿真与生成式 world model 扩大覆盖;互联网视频提供语义与人类行为先验。不同来源的动作标签、频率、传感器和物理真实性不一致。
跨本体迁移
机械臂、人形、移动底盘具有不同关节、动力学和坐标系。共享表示可迁移“做什么”,但“怎样做”常需本体适配、动作分块、控制器和少量真机数据。π0/π0.5 与 GR00T 都在探索通用策略加本体适配。[S16][S17][S77]
长程与恢复
十秒桌面取放与一小时家庭任务是不同问题。误差累积、遮挡、物体滑动、工具损坏和人类介入要求在线状态估计、重规划、故障检测与可恢复策略。
近期可行路径
结构化仓储、工厂、实验室和特定服务场景会先规模化,因为环境可设计、任务可重复、风险可隔离。家庭通用机器人需要更高的长尾覆盖和硬件可靠性,进展速度大概率慢于纯软件 Agent。[S84]
本节主要来源
- [S16] Physical Intelligence(2024):π0: A Vision-Language-Action Flow Model for General Robot Control
- [S17] NVIDIA(2025):NVIDIA Isaac GR00T N1
- [S62] International Federation of Robotics(2025):World Robotics 2025 — Industrial Robots
- [S77] Physical Intelligence(2025):π0.5: a VLA Model with Open-World Generalization
- [S84] Stanford HAI(2026):Technical Performance — 2026 AI Index
自动驾驶、无人机与移动智能体
第 27 页主题|自主移动已经在限定运行设计域形成商业服务,但这与“任何地点、任何天气、无需远程支持”相距很远。
自动驾驶系统
感知、定位、预测、规划、控制、地图、远程协助和安全运营共同构成系统。端到端神经策略可减少手工接口,却增加可解释、覆盖和验证难度;模块化系统也会出现接口误差。
商业成熟度
Waymo 等在限定城市和气象条件提供大规模 robotaxi 服务,并发布对比人类驾驶的安全影响数据。[S31] 这类数据应按运营里程、道路类型、碰撞定义与报告边界审读,不能外推到未运营区域。
无人机与移动机器人
仓储 AMR、农业无人机、矿区车辆和巡检机器人受益于可控路线和基础设施;城市开放空域还需通信、避障、天气、监管和责任制度。
世界模型的作用
模拟可生成罕见天气、交通冲突和危险场景,减少真车试错;但模型错误会把虚假物理带入策略。安全关键训练必须组合实车、仿真、形式约束和独立测试。
本节主要来源
AI4Science:从预测到闭环发现
第 28 页主题|最强成果通常出现在领域结构清晰、评价函数明确、模拟或实验能验证候选的任务。
四种作用
第一,替代昂贵模拟的 surrogate model;第二,从序列、图或场学习表示;第三,生成分子、材料、算法或实验方案;第四,以 Agent 连接文献、代码、仪器与评价器形成闭环。
为什么与通用聊天不同
科学结论需要不确定性、单位、边界条件、可重复实验和因果机制。语言流畅不能替代测量;论文检索与实验数据中的负结果也不能被忽略。
闭环结构
提出假设 → 生成候选 → 运行模拟/实验 → 计算目标与约束 → 更新策略。若目标可自动计算,可用搜索、强化学习或进化方法;若实验昂贵,则需要主动学习选择最有信息量的下一次实验。[S22]
证据边界
2026 AI Index 指出科学 AI 论文和模型快速增长,但论文级复现、真实实验验证和跨实验室泛化明显落后于知识问答 benchmark。[S80]
本节主要来源
- [S18] Nature / Google DeepMind(2021):Highly accurate protein structure prediction with AlphaFold
- [S20] Nature / Google DeepMind(2023):Scaling deep learning for materials discovery
- [S22] Google DeepMind(2025):AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms
- [S80] Stanford HAI(2026):Science — 2026 AI Index
生物、蛋白质、基因组与药物
第 29 页主题|结构预测是里程碑,但生物功能、动力学、毒性、临床终点与制造仍需独立模型和实验。
AlphaFold 2
以注意力和几何表示从序列预测蛋白结构,在 CASP14 取得突破,随后数据库扩大结构可访问性。[S18] 它显著改变结构生物学工作流,却不自动解决构象动力学、无序区域和细胞环境。
AlphaFold 3
将预测范围扩展到蛋白质与 DNA、RNA、小分子、离子等生物分子相互作用,采用扩散式结构生成。[S19] 论文结果不能被改写为“已能准确预测任何药物作用”。
生成与设计
蛋白生成、分子图模型和基因组基础模型可提出候选,降低搜索成本。候选仍必须经过合成、体外、动物与临床验证;进入人体试验也不等于最终获批。
医疗部署
科研模型与临床器械属于不同监管对象。临床 AI 需要目标人群外部验证、数据漂移监控、人机责任和上市后监督。[S61][S81]
本节主要来源
- [S18] Nature / Google DeepMind(2021):Highly accurate protein structure prediction with AlphaFold
- [S19] Nature / Google DeepMind(2024):Accurate structure prediction of biomolecular interactions with AlphaFold 3
- [S61] U.S. FDA(2026):Artificial Intelligence-Enabled Medical Devices
- [S81] Stanford HAI(2026):Medicine — 2026 AI Index
材料、化学与逆向设计
第 30 页主题|AI 把材料搜索从“预测给定结构的性质”推进到“按目标生成候选”,但可合成性和实验稳定性决定实际价值。
GNoME
Google DeepMind 用图网络和主动学习扩大稳定晶体材料候选空间,并通过高通量第一性原理计算筛选。[S20] 核心贡献是计算候选与数据库,不等于所有预测材料都已被实验制造。
MatterGen
Microsoft Research 的生成模型按化学组成、对称性和目标性质生成无机材料候选,体现逆向设计:先给性能目标,再寻找结构。[S21]
自驱动实验室
机器人合成、自动表征、贝叶斯优化和主动学习可形成“设计—制造—测量—更新”闭环。实验通量、仪器校准、失败记录和样品污染是系统级问题。
评价
必须分别报告计算稳定、可合成、实验成功、长期性能、成本与环境影响。只比较预测误差会忽视从候选到材料的巨大落差。
本节主要来源
- [S20] Nature / Google DeepMind(2023):Scaling deep learning for materials discovery
- [S21] Nature / Microsoft Research(2025):A generative model for inorganic materials design
- [S22] Google DeepMind(2025):AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms
- [S80] Stanford HAI(2026):Science — 2026 AI Index
天气、气候、地球与物理
第 31 页主题|神经天气模型已在部分指标上达到或超过传统数值系统,但业务预报仍需要集合不确定性、极端事件和物理约束。
GraphCast
GraphCast 从再分析数据学习全球中期天气演化,在论文的大量变量和提前期上优于当时业务基线,并以远低于传统数值模式的计算生成预报。[S23]
混合系统
AI 可作为完整预测器、后处理器、参数化模块或高分辨率降尺度器。完全数据驱动模型速度快,物理模型提供守恒、可解释机制和异常情形支撑;混合路线更符合业务可靠性要求。
气候与地球
遥感基础模型用于土地覆盖、灾害、农业和环境监测;气候投影需要几十年尺度、政策情景和耦合过程,不能由短期天气准确率直接推出。
不确定性
单一确定性预报不能表达风险。集合预测、校准、极端事件回测、区域公平性与故障降级是公共服务部署的关键。[S80]
本节主要来源
数学、算法与自主实验
第 32 页主题|当候选结果能被证明、编译、运行或实验测量时,语言模型可以成为搜索器,而不是最终裁判。
生成器 + 评价器
FunSearch 与 AlphaEvolve 的共同思想是:模型提出程序,自动评价器运行并给出可比较分数,搜索机制保留改进并继续变异。这比要求模型一次性写出正确答案更稳健。[S22]
算法落地
AlphaEvolve 官方披露其发现的算法被用于 Google 基础设施和数学/计算问题;2026 年进一步展示跨领域应用。[S22] 这些结果有可运行评价支撑,但通用“自主科学家”仍需文献理解、实验设计与因果判断。
形式证明
定理证明器提供严格验证环境,适合神经模型搜索策略;困难在于把自然语言数学形式化、设计辅助引理和处理超大搜索空间。
自动化实验
科学 Agent 可编排文献、代码、仪器和实验日志。必须保存完整 provenance、负结果和人工修改,防止自动系统只报告成功轨迹。Discovery Loop 也把自动化实验闭环作为创业方向。[S34]
本节主要来源
脑启发与神经形态计算
第 33 页主题|脑启发研究既包括从神经科学提取学习原则,也包括用事件驱动硬件追求低功耗;它不是“复制人脑”这一条路线。
研究层次
计算神经科学建模感知、记忆与决策;脉冲神经网络用事件和时间编码;神经形态芯片把存储与计算靠近、支持稀疏事件;预测编码与主动推断提供不同的学习理论。
潜在优势
对稀疏传感流、低延迟闭环和极低功耗边缘设备,事件驱动计算可能比密集 GPU 更合适。神经形态相机也可在高速和高动态范围场景减少冗余。
现实限制
训练工具、软件生态、可比 benchmark、通用任务性能与制造规模仍弱于 GPU/TPU 生态。脉冲网络在特定任务节能,不等于在 LLM 或通用推理上已经更优。
与主流 AI 的关系
注意力、记忆、世界模型和持续学习可受脑启发,但现代深度网络并非生物神经系统的忠实模拟。工程价值应由任务、能耗、延迟和可靠性共同评估。
本节主要来源
效率:蒸馏、量化、稀疏与边缘 AI
第 34 页主题|高效 AI 不只是把模型变小,而是联合优化参数、内存、带宽、批处理、缓存、编译和任务质量。
蒸馏与小模型
知识蒸馏让学生模型匹配教师分布或中间表示,可显著降低部署成本;学生受容量和训练数据限制,也可能继承教师错误。[S48]
参数高效适配
LoRA 冻结底座,仅训练低秩增量,降低领域适配的显存与存储。[S49] 适配器便于多租户,但不能把新事实可靠写入所有内部推理路径。
量化与稀疏
INT8/INT4 降低权重和激活内存,稀疏化减少计算;精度损失受模型、硬件与任务影响。Mixture-of-Experts 降低每 token 激活参数,却增加路由和通信。
推理系统
KV cache、连续批处理、speculative decoding、FlashAttention、张量并行和请求调度共同决定吞吐与延迟。[S47] 单看每秒 token 会忽视首 token 延迟、并发、上下文长度和能耗。
边缘部署
隐私、网络可靠性和实时性推动端侧模型;常见架构是端侧感知/过滤 + 云端复杂推理 + 本地安全控制。
本节主要来源
芯片与 AI 计算栈
第 35 页主题|GPU 只是起点:训练和推理能力取决于加速器、HBM、互连、网络、封装、编译器和电力的协同。
计算层
GPU/TPU/NPU 通过矩阵单元和低精度提升吞吐;高带宽内存决定参数和 KV cache 可否高效供给;先进封装把芯粒与 HBM 靠近;互连支持跨卡同步。
训练 vs 推理
训练强调大规模同步、稳定性和 checkpoint;推理强调低延迟、批处理、内存复用和成本/请求。Agent 与视频模型提高生成长度和多模态算量,使推理逐渐成为主要资本与能源负担。
供应链
芯片设计、EDA、先进代工、EUV、HBM、封装、服务器与云分布在多个国家。出口管制和主权 AI 推动本地化,但完全闭环成本高。
正确指标
FLOPS 不能单独代表可用性能;还要看模型 FLOP 利用率、内存带宽、通信、良率、软件成熟度、单位 token 成本和可获得数量。[S83]
本节主要来源
分布式训练与推理软件
第 36 页主题|前沿模型是分布式系统工程:任何一个通信、存储或调度瓶颈都可能吞掉理论算力。
并行方式
数据并行复制模型、分配批次;张量并行切分矩阵;流水线并行切分层;专家并行分布 MoE。现实训练常组合多种并行并使用 ZeRO/FSDP 切分优化器、梯度和参数。
故障与数据
数千加速器运行数周必然遇到硬件、网络和数值故障,需要 checkpoint、弹性恢复、数据顺序追踪和异常检测。数据加载与存储吞吐也可能成为瓶颈。
推理服务
连续批处理把到达时间不同的请求拼接;paged attention 管理 KV cache;路由可把简单请求交给小模型、困难请求升级到大模型或推理模型。
Agent 成本
Agent 一次任务可能调用模型数十次、检索多个数据库并执行工具。成本控制应以“成功任务”而非“单次 token”计算,并记录重试、失败和人工接管。
本节主要来源
数据中心、能源与物理约束
第 37 页主题|AI 已把软件扩展问题变成电网、冷却、土地、芯片制造和资本开支问题;效率提升可能被使用量增长抵消。
能源规模
IEA 估计全球数据中心 2024 年用电约 415 TWh、约占全球 1.5%,基准情景到 2030 年约 945 TWh;这是所有数据中心,不等同于纯 AI 用电。[S56]
局部约束
电网接入、变压器、输电、冷却水和建设周期可能比服务器采购更慢。高密度训练集群还需要电力质量、备用系统和低延迟网络。
反弹效应
每 token 更高效会降低价格并扩大用量;多模态、推理时计算和 Agent 又增加每任务调用。判断环境影响必须看总任务量、能源结构、硬件生命周期和实际利用率。
披露
厂商很少公开训练/推理完整能耗边界。报告应把测量、估算、情景预测和营销目标分开,并避免用一次查询的粗略数字代表整个系统。[S56][S83]
本节主要来源
开放权重、开源与封闭模型
第 38 页主题|“可下载权重”不等于完整开源;开放程度至少包含权重、代码、数据、训练配方、许可证和评测六个维度。
政策权衡
开放模型促进本地语言、教育、研究和竞争,但发布后难以撤回,安全层可被移除。封闭模型便于监控和更新,却集中权力并限制独立审计。[S02][S42]
采购问题
许可证是否允许商用?能否离线运行?训练数据和安全评测是否透明?供应商是否支持版本固定、日志、数据驻留与退出迁移?这些问题比“开源”标签更可操作。
本节结构化要点
- 模式: API 封闭;优势: 快速、托管、安全更新;代价/风险: 锁定、黑箱、数据边界;适用: 通用企业服务
- 模式: 开放权重;优势: 本地部署、微调、审计;代价/风险: 数据/配方不透明、不可召回;适用: 研究、主权、定制
- 模式: 较完整开源;优势: 可复现、社区创新;代价/风险: 维护成本、许可与滥用;适用: 公共基础设施
- 模式: 专用小模型;优势: 低成本、低延迟、可控;代价/风险: 能力窄、维护多版本;适用: 边缘和确定任务
本节主要来源
评测:排行榜为什么不够
第 39 页主题|模型评测、任务评测、系统评测和业务结果评测属于不同层;任何一层缺失都会产生错误结论。
五层评测
模型:知识、推理、代码、多模态;任务:真实完成率与质量;系统:工具、恢复、延迟、成本;风险:偏差、隐私、越权、攻击;结果:生产率、客户/患者结局、公平和环境。
benchmark 污染
公开题目可能进入训练数据,模型还可针对排行榜调优。2026 AI Index 指出常用 benchmark 存在无效题和平台偏好问题;新鲜隐藏集、动态任务和人类基线更可信。[S84]
Agent 评测
必须统计端到端完成、部分完成、重试、人工接管、不可逆错误和资源消耗。单步成功率 99% 在 100 步链上也可能只剩约 36.6% 全链成功,因此长任务需要检查点和恢复。
机器人评测
仿真得分不能替代真机;精选视频不能替代重复试验。应报告未见场景、不同本体、长期稳定性和安全干预。
本节主要来源
安全、对齐与系统可靠性
第 40 页主题|安全不是让模型永远拒答,而是让系统在威胁、错误和不确定性下保持可控、可恢复、可追责。
三类风险
恶意使用包括诈骗、网络攻击和危险知识;失灵包括幻觉、越权工具、欺骗性行为和事故;系统性风险包括劳动、信息生态、集中化和关键基础设施依赖。[S02]
技术措施
数据过滤、偏好/宪法式训练、能力和风险评测、红队、监控、输出过滤、最小权限、沙箱、网络隔离、速率限制和事故响应需要层层组合。[S24][S44]
不可消除性
越狱和提示注入说明输入可绕过单层防护;开放权重模型无法召回;未知能力和真实世界分布使上线前测试不完备。目标应是 defence-in-depth 与社会韧性,而不是宣称零风险。[S02]
治理责任
开发者、部署者、工具提供者和最终组织分别控制不同风险。企业不能以“模型供应商负责”替代自身数据、权限、流程和人员责任。
本节主要来源
企业 AI 参考架构:从模型到可审计工作流
第 41 页主题|真正可持续的企业 AI 不是“接一个聊天框”,而是数据、权限、工具、审批、评测与运营共同构成的产品系统。
九个层
入口与身份 → 任务编排 → 模型路由 → RAG/记忆 → 工具/API → 权限与策略 → 人工审批 → 评测/日志 → 反馈改进。高风险写操作应支持预览、双人确认、幂等和回滚。
数据与权限先行
检索必须继承源系统的行列权限和保密级别;模型看到的内容应按任务最小化。把内部文档全部复制进统一向量库,可能破坏原有访问边界和删除义务。
模型路由
简单分类交给小模型,复杂推理升级到前沿模型;敏感任务可本地部署;同一任务用规则、传统 ML 和 LLM 组合。路由依据应包含质量、延迟、成本、数据驻留和可用性。
上线门槛
离线基准通过后还需影子运行、A/B 或分阶段试点;建立错误分类、人工接管、供应商版本变更监控和停机方案。NIST AI RMF 与 ISO 42001 可作为流程骨架,但不保证单个模型安全。[S24][S67]
本节主要来源
怎样读 28 个行业案例:案例不是平均效果
第 42 页主题|配套附表中至少 18 个案例明确属于公司自述、公司案例或供应商自述;它们适合发现用例,不适合直接估算行业 ROI。
使用规则
把每个案例拆成任务、基线、样本、时间窗、模型版本、人工复核、总拥有成本和失败代价;缺少这些字段时,只把它当作“候选用例”。软件生产率研究出现正反结果,正说明任务与人群比宣传口号更重要。[S58][S59]
本节结构化要点
- 证据层: 公司/供应商自述;能回答什么: 是否公开部署、宣称的用途与结果;不能回答什么: 独立因果效果、失败率、行业平均;升级验证: 客户抽样、合同/成本、独立复测
- 证据层: 监管数据库;能回答什么: 是否获准、登记或进入监管流程;不能回答什么: 长期临床/社会结局;升级验证: 上市后监测、真实世界研究
- 证据层: 同行评审研究;能回答什么: 特定样本与方法下的效果;不能回答什么: 跨机构、跨版本自动泛化;升级验证: 外部验证、复现、长期跟踪
- 证据层: 随机/准实验;能回答什么: 更可信的任务级因果效应;不能回答什么: 所有任务与组织的永久效果;升级验证: 多场景重复、机制与成本分析
本节主要来源
- [S24] NIST(2023):AI Risk Management Framework 1.0
- [S57] McKinsey(2025):The state of AI in 2025
- [S58] NBER(2023):Generative AI at Work
- [S59] METR(2025):Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity
- [S61] U.S. FDA(2026):Artificial Intelligence-Enabled Medical Devices
医疗与制药:最有价值,也最不能跳过验证
第 43 页主题|成熟用例集中在影像、工作队列、临床文书和运营;诊断、治疗和药物发现必须保留专业责任与前瞻验证。
已落地
医学影像/心电/病理辅助识别、分诊、临床记录、编码与理赔、患者联络和药物警戒已有规模部署。FDA 持续维护 AI 医疗器械清单,但“获准上市”不等于已证明改善患者长期结局。[S61]
环境式记录
ambient scribe 把对话转成病历,能减少文书负担;医院公开的时间节省和 ROI 受采购价格、科室、编码和基线影响,应标记为机构观察而非通用因果效果。[S81]
前沿
生物基础模型、生成式分子设计、虚拟细胞、临床试验匹配和多智能体诊断快速发展。AI 设计候选进入临床仍要经过毒性、制造、试验终点和监管全链。
部署原则
本地人群外部验证、临床责任人、置信与证据展示、模型漂移监控、患者隐私、事故报告和人工覆盖是底线。通用聊天模型不应被包装为无监督医生。
本节主要来源
- [S18] Nature / Google DeepMind(2021):Highly accurate protein structure prediction with AlphaFold
- [S19] Nature / Google DeepMind(2024):Accurate structure prediction of biomolecular interactions with AlphaFold 3
- [S61] U.S. FDA(2026):Artificial Intelligence-Enabled Medical Devices
- [S81] Stanford HAI(2026):Medicine — 2026 AI Index
金融、保险与法律:权限和责任比文案质量更重要
第 44 页主题|生成式 AI 先进入检索、摘要、客服和代码,最终授信、交易和法律结论仍受模型风险与审慎义务约束。
成熟任务
反欺诈、反洗钱、交易监控、信用风险、文档抽取、合规审阅和客服长期使用机器学习;LLM 更适合内部知识、投研检索、会议摘要和代码。
为什么谨慎
金融机构面临模型验证、记录保存、消费者公平、解释、隐私和第三方风险。FSB 还关注少数云/模型供应商集中、相似模型导致羊群行为以及生成式欺诈。[S60]
Agent 风险
能读取账户、发起支付或下单的 Agent 必须使用交易限额、分权授权、异常检测、双因素确认和不可否认日志。自然语言“确认”不应替代正式授权。
法律服务
检索、合同对比和初稿能提效,但虚构判例与保密泄露会产生职业责任。所有引用应回到原始法条或判决,且最终判断由持证专业人员承担。
本节主要来源
制造、供应链与工业机器人
第 45 页主题|工业 AI 的壁垒通常是传感器、工艺知识、设备接口和持续反馈,而不是某个通用模型名称。
成熟任务
机器视觉质检、预测性维护、过程控制、排产、数字孪生、需求预测、能耗优化和工业机器人已广泛使用。生成式 AI 主要成为工程知识助手、故障排查和设计/仿真入口。
规模
IFR 报告 2024 年全球新装工业机器人约 54.2 万台、连续第四年超过 50 万台;中国占当年新装量约 54%。这是工业自动化规模,不等于全部机器人都使用基础模型。[S62]
物理约束
实时控制、功能安全、停机成本、旧协议、网络分区和认证决定上线速度。把云端 LLM 直接接到工控系统会扩大攻击面;高层建议与低层确定性控制必须分离。
通用化方向
工业基础模型、跨产线迁移、自然语言配置、合成数据和具身机器人会逐步扩展,但最先成功的是流程明确、可隔离、回报可测的单元。
本节主要来源
软件工程与网络安全:生产率证据为何相反
第 46 页主题|AI 对代码的价值高度依赖任务、代码库上下文、开发者经验与复核成本;“平均提速”不能替代本团队试验。
正向结果
多家企业的现场随机实验发现编码助手与完成任务数增加相关,尤其帮助经验较少者和样板任务。
反向结果
METR 对熟悉大型开源仓库的资深开发者开展随机研究,允许使用 2025 年初 AI 工具时,完成任务反而平均更慢;样本有限但足以否定“任何场景必然提速”。[S59]
解释
陌生 API、测试生成和小型函数容易受益;隐含约束、遗留系统、复杂调试和高质量审查会产生提示、等待、验证与返工成本。应测端到端交付、缺陷率、维护性和安全,而不只测生成速度。
网络安全
模型可辅助漏洞发现、恶意代码和社会工程,攻防同时升级。生产 Agent 需隔离凭证、限制网络、记录命令、审查补丁;提示注入本身就是新的供应链攻击面。[S02][S95]
本节主要来源
教育、研究与知识工作
第 47 页主题|AI 可以降低解释和反馈成本,也可能让学习者跳过形成能力所需的困难;评价目标必须从“交作业”转向“真正学会”。
应用
个性化辅导、备课、题目生成、语言练习、反馈、行政服务、文献检索和数据分析已普及。2026 AI Index 汇总称美国高中及大学学生约五分之四使用 AI 完成学校任务,制度与教师培训滞后。[S82]
教学设计
推荐流程是:先独立尝试 → 使用 AI 获取提示或比较方案 → 要求解释和验证 → 迁移到新题。口试、现场任务、过程档案和来源披露比简单检测“是否 AI 写的”更可靠。
科研辅助
AI 可整理文献、写代码和生成假设,但会虚构引用、遗漏负结果、误解统计。所有引用回到原文;关键分析可复现;作者负责最终解释。
公平
付费工具、带宽、语言覆盖和教师能力不均会扩大差距。公共教育需要开放资源、无障碍、隐私和对弱势学生的效果评估。
本节主要来源
传媒、零售与物流:内容生成只是入口
第 48 页主题|商业价值来自与目录、库存、分发和运营数据连接;同时必须处理版权、身份、品牌安全与内容来源。
传媒创意
文案、分镜、概念图、翻译、配音和后期可加速迭代。核心争议转向训练许可、风格/肖像/声音权、创作者补偿和虚假证据。
来源与标识
C2PA Content Credentials 用签名记录来源和编辑历史,能验证声明链未被篡改,却不能证明内容本身为真,也无法标记没有凭证的所有生成内容。[S68]
零售
搜索、推荐、购物助手、客服、商品目录、需求预测和库存调拨可形成可测 KPI。Klarna 的客服数据是企业自报,应只作为案例,不应外推为所有企业的 ROI。[S32]
物流
仓库机器人、路径优化和需求预测成熟;下一步是 Agent 协调订单、库存、运输与异常。自动写操作必须设置预算、供应商规则和人工例外处理。
本节主要来源
能源、农业、公共部门与国防边界
第 49 页主题|公共价值可能巨大,但错误成本、采购透明和双重用途使这些领域需要更严格的可追责设计。
能源
负荷预测、电网调度、风光预测、设备维护、材料与勘探可受益;同时数据中心成为新增大负荷,必须与电网、储能和低碳电源共同规划。[S56]
农业
遥感、病虫害识别、精准施肥/灌溉、育种与机器人采摘提高效率,但小农数据、设备成本、网络和模型跨地区泛化限制普及。
公共服务
税务、福利、城市运维和政务助手可缩短处理时间;涉及权利的自动决策必须提供通知、解释、申诉、人工复核和歧视测试。采购合同应保障审计和退出。
国防与安全
情报分析、后勤、仿真和自主系统具有明显双重用途。本报告不提供作战或攻击方法;核心治理问题是有意义的人类控制、国际人道法、升级风险与事故责任。[S02][S66]
本节主要来源
ROI、劳动与组织:为什么高采用不等于高价值
第 50 页主题|AI 价值呈现“高采用、低规模化、强分化”;短期收益最常出现在窄任务、可测输出和人在回路。
采用与规模化
2026 AI Index 汇总的调查显示 2025 年 88% 组织使用 AI;另一调查中近三分之二仍未全企业规模化。一个测“是否用”,一个测“是否重构并产生价值”,并不矛盾。[S57][S79]
生产率异质性
客服现场研究发现生成式 AI 提高生产率并更多帮助经验较少者。[S58] 资深开源开发者研究却显示特定场景变慢。[S59] 任务、技能和工作流设计比“有没有 AI”更重要。
真正成本
许可证/API、推理、数据工程、安全、评测、集成、人员培训、错误返工和供应商切换共同构成总拥有成本。只计算 token 或席位费用会系统性低估。
劳动分配
AI 往往先改变任务组合而非立刻消灭职业:例行生成被自动化,人类转向监督、异常处理、关系和责任。收益可能集中于资本和高技能群体,因此培训、参与式设计和分配政策重要。
本节主要来源
全球格局:美国、中国、欧盟与关键供应链
第 51 页主题|国家竞争力不是一个模型分数,而是人才、研究、资本、芯片、云、电力、制造、应用市场和治理能力的组合。
供应链现实
美国设计与云、台湾先进代工、荷兰 EUV、韩国/美国 HBM、日本材料设备和中国制造/市场相互依赖。出口管制推动冗余与本地化,但完全脱钩成本极高。
模型差距
AI Index 指出美中顶级模型在 2025—2026 年多次换位,单一日期和 benchmark 的 2—3 个百分点不代表完整国家实力。[S01]
本节结构化要点
- 地区: 美国;相对优势: 前沿模型、资本、云、芯片设计、数据中心;主要短板/风险: 集中化、能源、人才与州法碎片
- 地区: 中国;相对优势: 论文/专利量、制造、机器人、应用市场、开放模型;主要短板/风险: 先进芯片约束、国际互操作与数据治理
- 地区: 欧盟;相对优势: 工业、科研、设备、规则与基本权利;主要短板/风险: 超大云/前沿模型资本较弱、实施复杂
- 地区: 其他地区;相对优势: 语言、行业、主权数据和特定人才;主要短板/风险: 算力、能源、资本和公共采购能力不均
本节主要来源
美国治理:创新、采购、行业法与州法并存
第 52 页主题|截至 2026-08,美国没有与 EU AI Act 等同的统一横向联邦 AI 法;义务来自多层制度组合。
政策转向
2025 年 EO 14179 撤销上一届部分政策方向,强调移除创新障碍;America's AI Action Plan 侧重基础设施、竞争力、政府采用与国际影响。[S26][S64]
风险框架
NIST AI RMF 与生成式 AI profile 提供自愿风险管理语言,适合采购和内部治理,但不是合规认证或安全保证。[S24]
实际约束
医疗、金融、就业、消费者保护、知识产权、隐私、生物识别、网络安全、出口管制和政府采购继续适用;州法快速增长造成跨州产品合规差异。
写作纠错
不能继续把已撤销或改变的 EO 14110 当作 2026 年联邦政策主线;也不能写成“美国完全无监管”。应描述为创新/采购导向 + 行业与州法 + 国家安全/出口控制。
本节主要来源
欧盟 AI Act:已进入执行期
第 53 页主题|欧盟以风险分级、基本权利和统一市场为核心,并对通用模型及系统性风险模型设专门义务。
框架
禁止部分不可接受实践;高风险系统承担数据、技术文档、日志、人类监督、准确稳健与合格评定;聊天机器人和深伪承担透明义务;GPAI 提供者承担文档、版权和训练内容摘要等义务。[S25]
时间线
禁止性实践和 AI 素养自 2025-02-02 适用;治理与 GPAI 义务自 2025-08-02;多数条款与第 50 条透明义务自 2026-08-02 适用。
2026 变更
Regulation (EU) 2026/1744 调整部分高风险义务时间表,Annex III 部分用例推迟至 2027-12-02,嵌入受监管产品的 Annex I 系统推迟至 2028-08-02。[S63]
实践
企业需要先判断角色:provider、deployer、importer 或 distributor;再做系统清单、风险分类、GPAI/高风险分析、数据与日志、供应链合同和事件响应。
本节主要来源
中国治理:分层规则与综合立法推进
第 54 页主题|中国形成“发展战略 + 算法推荐 + 深度合成 + 生成式服务 + 内容标识”的分层制度;综合 AI 法截至截止日仍在推进。
生成式服务
《生成式人工智能服务管理暂行办法》适用于向境内公众提供生成式服务,涉及训练数据、个人信息、内容安全、安全评估和备案,并同时强调促进创新与分类分级监管。[S27]
内容标识
《人工智能生成合成内容标识办法》自 2025-09-01 生效,要求显式和文件元数据隐式标识,平台核验提示,禁止恶意删除、篡改或伪造。[S65]
安全框架
人工智能安全治理框架提供风险分类和技术/管理措施参考,属于治理框架,不应被误写为一部统一强制法律。[S28]
关键纠错
国务院 2026 年度立法工作计划明确推进人工智能综合立法;截至 2026-08-23 应写“推进中”,不能写“已经颁布综合 AI 法”。产品仍需按场景核对数据、网络安全、算法和行业规则。
本节主要来源
国际治理、标准与来源证明
第 55 页主题|全球尚无统一 AI 法,但科学评估、管理体系、内容来源和跨国对话正在形成互操作层。
安全报告
International AI Safety Report 2026 由 100 多名独立专家参与,聚焦通用 AI 能力、风险和缓解,明确区分已发生伤害与高度不确定但潜在严重的风险,并提出“证据困境”。[S02]
联合国与欧洲委员会
Global Digital Compact 是推动科学小组、治理对话、能力建设和人权导向的政治承诺,并非统一全球强制法。欧洲委员会《人工智能与人权、民主和法治框架公约》则是首个该领域具法律约束力的国际条约框架,具体义务仍取决于缔约和国内实施。[S66][S104]
标准
NIST AI RMF 提供风险流程;ISO/IEC 42001 认证的是 AI 管理体系,不是模型零风险;C2PA 记录内容来源链,不判断内容真假。[S24][S67][S68]
组织做法
建立适用法地图、模型/系统清单、影响评估、供应链问卷、独立评测、事故分级和跨境数据机制。标准可以统一语言,最终责任仍在部署者与主管机关。
本节主要来源
- [S02] International AI Safety Report(2026):International AI Safety Report 2026
- [S24] NIST(2023):AI Risk Management Framework 1.0
- [S66] United Nations(2024):Global Digital Compact
- [S67] ISO(2023):ISO/IEC 42001:2023
- [S68] C2PA(2025):C2PA Specification 2.2
- [S104] Council of Europe(2024):Framework Convention on Artificial Intelligence
人物图谱 I:奠基者与不同智能观
第 56 页主题|荣誉和引用量说明历史贡献,不证明今天的路线必然正确;理解人物要看其问题定义、证据和组织位置。
核心分歧
Yann LeCun(杨立昆) 更强调从感知流学习世界模型;Yoshua Bengio(约书亚·本吉奥)/Geoffrey Hinton(杰弗里·辛顿) 更重视前沿系统风险;Richard Sutton(理查德·萨顿) 强调可扩展搜索与学习;Judea Pearl(朱迪亚·珀尔) 强调因果结构。它们回答的是不同问题,不能用一句“谁对谁错”取代实证。
本节结构化要点
- 人物: Geoffrey Hinton(杰弗里·辛顿);当前公开角色(2026-08): 多伦多大学荣休教授;风险倡议;核心路线 / 谨慎点: 深度表示;近年强调失控与滥用风险,概率是专家判断
- 人物: Yoshua Bengio(约书亚·本吉奥);当前公开角色(2026-08): Mila 顾问;LawZero 科学负责人;核心路线 / 谨慎点: Scientist AI、非代理监督;仍属架构提案
- 人物: Yann LeCun(杨立昆);当前公开角色(2026-08): AMI Labs 联创、Executive Chair;核心路线 / 谨慎点: JEPA、抽象世界模型;Meta 旧员工页已滞后
- 人物: Richard Sutton(理查德·萨顿);当前公开角色(2026-08): 强化学习学者;核心路线 / 谨慎点: “苦涩教训”:通用计算方法长期胜出;不等于忽视结构
- 人物: Judea Pearl(朱迪亚·珀尔);当前公开角色(2026-08): UCLA 教授;核心路线 / 谨慎点: 因果图与干预;依赖可识别性和结构假设
- 人物: David Silver(戴维·席尔瓦);当前公开角色(2026-08): UCL 教授;长期参与 DeepMind RL;核心路线 / 谨慎点: 搜索、自我对弈、强化学习;开放世界迁移仍难
- 人物: Fei-Fei Li(李飞飞);当前公开角色(2026-08): Stanford 教授;World Labs 联创;核心路线 / 谨慎点: 空间智能;生成 3D 世界不等于完整物理理解
本节主要来源
- [S13] World Labs(2026):About World Labs
- [S30] Yann LeCun(杨立昆)(2026):Yann LeCun(杨立昆) — official home page
- [S36] Yoshua Bengio(约书亚·本吉奥)(2026):Yoshua Bengio(约书亚·本吉奥) — Biography and work
- [S39] Richard Sutton(理查德·萨顿)(2019):The Bitter Lesson
- [S69] AMI Labs(2026):Advanced Machine Intelligence Labs
- [S70] Yann LeCun(杨立昆) / Dædalus(2026):Learning Abstractions
- [S71] LawZero(2025):Yoshua Bengio(约书亚·本吉奥) launches LawZero
- [S87] Nobel Prize(2024):Geoffrey Hinton(杰弗里·辛顿) — Facts
- [S101] UCLA(2026):Judea Pearl(朱迪亚·珀尔) — UCLA faculty profile
- [S102] UCL(2026):Intelligent Systems Group
人物图谱 II:前沿实验室与 AGI 平台
第 57 页主题|公司领导者同时是技术路线倡导者和商业组织负责人;其时间表与社会影响判断必须标注利益相关性。
关键纠错
Jeff Dean(杰夫·迪恩) 于 2026-08-05 确实离开 Google;Demis Hassabis(戴密斯·哈萨比斯) 同日改任 GDM Chair 与 Alphabet Chief Scientist。任何写“Jeff Dean(杰夫·迪恩) 仍任 Google Chief Scientist”或“Demis Hassabis(戴密斯·哈萨比斯) 仍负责 GDM 日常运营”的资料都已过时。[S33][S34]
本节结构化要点
- 人物: Demis Hassabis(戴密斯·哈萨比斯);截至 2026-08 的动向: GDM Chair、Alphabet Chief Scientist;领导 Isomorphic;核心路线 / 需谨慎: AGI + AI4Science;2026-08 已交出日常运营
- 人物: Jeff Dean(杰夫·迪恩);截至 2026-08 的动向: 离开 Google,创办 Discovery Loop;核心路线 / 需谨慎: 自动化 ML/科学实验闭环;公司愿景待成果验证
- 人物: Ilya Sutskever(伊利亚·苏茨克维);截至 2026-08 的动向: SSI 联创兼 CEO;核心路线 / 需谨慎: 只做安全超级智能;技术细节极少
- 人物: Dario Amodei(达里奥·阿莫迪);截至 2026-08 的动向: Anthropic CEO;核心路线 / 需谨慎: 能力扩展 + 可解释/安全;AGI 时间是预测
- 人物: Sam Altman(萨姆·奥尔特曼);截至 2026-08 的动向: OpenAI CEO;核心路线 / 需谨慎: 算力、模型、产品分发与普遍受益;治理需独立检验
- 人物: Mustafa Suleyman(穆斯塔法·苏莱曼);截至 2026-08 的动向: Microsoft AI CEO;转向超智能团队;核心路线 / 需谨慎: human-centered AI;目标不等于当前能力
- 人物: Elon Musk(埃隆·马斯克);截至 2026-08 的动向: xAI 创始人;xAI 并入 SpaceXAI 体系;核心路线 / 需谨慎: Grok、算力与科学愿景;公司数据属自报
本节主要来源
- [S33] Google(2026):The next chapter of our AI momentum
- [S34] Discovery Loop(2026):Discovery Loop — Continuous Exploration
- [S35] Google DeepMind(2026):About Google DeepMind
- [S37] SSI(2026):Safe Superintelligence Inc.
- [S38] Dario Amodei(达里奥·阿莫迪)(2024):Machines of Loving Grace
- [S73] Safe Superintelligence Inc.(2026):SSI Updates
- [S74] Dario Amodei(达里奥·阿莫迪)(2026):The Adolescence of Technology
- [S75] xAI(2026):xAI joins SpaceX
- [S76] Microsoft(2026):Announcing Copilot leadership update
- [S100] OpenAI(2026):Built to benefit everyone: our plan
人物图谱 III:世界模型、机器人与科学
第 58 页主题|这些人物的共同点不是“都做机器人”,而是分别从空间、动作、搜索、视觉和科学验证切入。
措辞规则
“本人宣布加入”不等于公司公开职衔;“产品 demo”不等于通用能力;“结构预测”不等于完整药物研发。对 2026 年高频变化职位必须写日期和证据类型。
本节结构化要点
- 人物: Chelsea Finn(切尔西·芬);机构 / 方向: Stanford;Physical Intelligence;正在做什么 / 边界: 元学习、VLA、π 系列;通用性仍受真实数据限制
- 人物: Sergey Levine(谢尔盖·莱文);机构 / 方向: Berkeley;Physical Intelligence;正在做什么 / 边界: 强化学习、机器人控制与经验数据闭环
- 人物: Pieter Abbeel(彼得·阿比尔);机构 / 方向: Berkeley;Amazon AGI;正在做什么 / 边界: 机器人学习与基础模型汇合;团队结果尚未完整公开
- 人物: Jitendra Malik(吉滕德拉·马利克);机构 / 方向: Berkeley;Meta FAIR Robotics;正在做什么 / 边界: 视觉到机器人感知—行动;职位以本人 CV 为准
- 人物: John Jumper(约翰·江珀);机构 / 方向: 宣布离开 GDM、加入 Anthropic;正在做什么 / 边界: AlphaFold;Anthropic 具体职衔和项目未公开
- 人物: Andrej Karpathy(安德烈·卡帕西);机构 / 方向: 本人曾宣布加入 Anthropic 预训练团队;正在做什么 / 边界: 教育、autoresearch;截至截止日精确状态需保留不确定
- 人物: Kaiming He(何恺明);机构 / 方向: MIT;GDM 兼职 Distinguished Scientist;正在做什么 / 边界: ResNet/MAE 到生成建模;没有离开 MIT
本节主要来源
- [S16] Physical Intelligence(2024):π0: A Vision-Language-Action Flow Model for General Robot Control
- [S77] Physical Intelligence(2025):π0.5: a VLA Model with Open-World Generalization
- [S89] Reuters(2026):US scientist John Jumper(约翰·江珀) to leave Google DeepMind for Anthropic
- [S90] TechCrunch(2026):OpenAI co-founder Andrej Karpathy(安德烈·卡帕西) joins Anthropic's pre-training team
- [S91] Stanford University(2026):Chelsea Finn(切尔西·芬) — Stanford Profile
- [S92] UC Berkeley(2026):Sergey Levine(谢尔盖·莱文) — Faculty Profile
- [S93] Amazon(2025):Andy Jassy(安迪·贾西) shares leadership updates
- [S96] MIT(2026):Kaiming He(何恺明)
- [S103] UC Berkeley(2026):Jitendra Malik(吉滕德拉·马利克) — curriculum vitae
人物图谱 IV:安全、开放生态、中国路线与基础设施
第 59 页主题|AI 前沿还包括评测、网络安全、开放研究、认知架构、模型复用和全栈计算,不应只追逐模型公司 CEO。
看人物的方法
先确认职位日期,再读论文和机构项目;把技术主张、预测、商业愿景和已验证结果分开;最后检查反例与利益相关。
本节结构化要点
- 人物: Shane Legg(谢恩·莱格);公开角色: Google DeepMind Chief AGI Scientist;路线与谨慎点: AGI 评测与安全准备;AGI 定义仍不统一
- 人物: Percy Liang(梁柏西);公开角色: Stanford CRFM Director;路线与谨慎点: foundation model 评测、透明和开放构建
- 人物: Dawn Song(宋晓冬);公开角色: UC Berkeley 教授;路线与谨慎点: Agent/网络安全、形式方法;典型双重用途
- 人物: Jensen Huang(黄仁勋);公开角色: NVIDIA 创始人兼 CEO;路线与谨慎点: AI factory、数字孪生、physical AI;也是平台营销叙事
- 人物: Song-Chun Zhu(朱松纯);公开角色: BIGAI 院长;北大/清华教授;路线与谨慎点: 小数据大任务、认知架构;统一 AGI 是纲领非成品
- 人物: Zhi-Hua Zhou(周志华);公开角色: 南京大学教授、副校长;LAMDA;路线与谨慎点: 集成学习与 learnware;不等于 foundation model
- 人物: Kaiming He(何恺明);公开角色: MIT 教授;GDM 兼职;路线与谨慎点: 视觉表征和生成模型;以论文复现评估
本节主要来源
- [S42] Stanford CRFM(2025):Foundation Model Transparency Index
- [S78] Stanford CRFM(2021):On the Opportunities and Risks of Foundation Models
- [S88] Google DeepMind / Shane Legg(谢恩·莱格)(2025):Taking a responsible path to AGI
- [S94] Stanford University(2026):Percy Liang(梁柏西)
- [S95] UC Berkeley(2026):Dawn Song(宋晓冬)
- [S97] BIGAI(2026):关于北京通用人工智能研究院
- [S98] Nanjing University(2026):Zhi-Hua Zhou(周志华)
- [S99] NVIDIA(2026):Jensen Huang(黄仁勋) — Management Team
人物图谱 V:2026 实验室领导层与区域生态
第 60 页主题|除了创始学者,还要关注负责模型、算力、组织和产品落地的当代实验室领导者。
区域平衡
全球前沿仍高度集中,但欧洲的 Mistral/AMI、法国和英国研究网络,中国的 DeepSeek 与产业生态,以及加拿大、日本、韩国、印度和中东的算力与人才计划都在改变版图。人物表用于建立入口,不等于影响力排名。
本节结构化要点
- 人物: Koray Kavukcuoglu(科雷·卡武克乔奥卢);截至 2026-08 的公开角色: SVP, Google DeepMind;Google Chief AI Architect;路线与观察: 负责 Gemini、前沿研究与产品团队的日常领导
- 人物: Jakub Pachocki(雅库布·帕霍茨基);截至 2026-08 的公开角色: OpenAI Chief Scientist;路线与观察: 大规模强化学习、推理模型与自动化 AI 研究
- 人物: Mira Murati(米拉·穆拉蒂);截至 2026-08 的公开角色: Thinking Machines Lab 联创兼 CEO;路线与观察: 可定制、可理解、协作式前沿模型与大规模基础设施
- 人物: Alexandr Wang(亚历山大·王);截至 2026-08 的公开角色: Meta Chief AI Officer;路线与观察: 模型、数据与组织整合;公司目标需与独立评测分开
- 人物: Liang Wenfeng(梁文锋);截至 2026-08 的公开角色: DeepSeek 创始人;路线与观察: 开放权重、训练效率与原创研究;公开组织资料有限
- 人物: Arthur Mensch(阿瑟·门施);截至 2026-08 的公开角色: Mistral AI 联创兼 CEO;路线与观察: 欧洲前沿模型、开放与企业/主权部署
本节主要来源
- [S33] Google(2026):The next chapter of our AI momentum
- [S105] OpenAI(2024):Ilya Sutskever(伊利亚·苏茨克维) to leave OpenAI, Jakub Pachocki(雅库布·帕霍茨基) announced as Chief Scientist
- [S106] Thinking Machines Lab(2026):Thinking Machines Lab and NVIDIA Announce Long-Term Gigawatt-Scale Strategic Partnership
- [S107] Meta(2026 update):Empowering Parents, Protecting Teens: Meta’s Approach to AI Safety
- [S108] Associated Press(2025):Upstart Chinese AI company DeepSeek's founder started out as a low-key hedge fund entrepreneur
- [S109] Mistral AI(2026):About Mistral
2026—2030 趋势雷达与核心术语
第 61 页主题|以下趋势是基于当前证据的条件性推断,不是确定预测;影响取决于成本、监管、数据闭环与社会选择。
雷达
高概率:小模型与模型路由、合规工程产品化、推理成本优化。中概率:受控 Agent 大规模进入业务、机器人在结构化环境泛化。高影响但高不确定:自主 AI 研发加速、开放世界通用机器人、快速 AGI 跃迁。[S01][S02]
本节结构化要点
- 趋势/术语: 受控 Agent;简明定义: 低权限、可审计、可回滚的任务执行系统;关键观察: 先在窄流程扩散,再逐步提高自主性
- 趋势/术语: 世界模型;简明定义: 预测环境状态及行动后果的模型;关键观察: 必须区分视频逼真、物理正确与规划效用
- 趋势/术语: VLA;简明定义: 视觉—语言—动作模型;关键观察: 连接语义与控制;真实数据和安全是瓶颈
- 趋势/术语: AI4Science;简明定义: 用 AI 进行科学建模、设计和实验;关键观察: 有自动评价器的闭环最可靠
- 趋势/术语: 推理时计算;简明定义: 回答单题时追加搜索、采样和验证;关键观察: 提高难题能力,也提高延迟和成本
- 趋势/术语: RAG;简明定义: 检索外部证据再生成;关键观察: 可更新、可引用;不保证忠实使用
- 趋势/术语: 持续学习;简明定义: 顺序学习新任务且保持旧能力;关键观察: 不同于外部记忆和长上下文
- 趋势/术语: 开放权重;简明定义: 可下载参数但未必开放数据/配方;关键观察: 开放程度需多维度描述
- 趋势/术语: 主权 AI;简明定义: 国家/地区控制关键算力、数据和模型;关键观察: 推动本地化,也可能增加碎片
- 趋势/术语: AI factory;简明定义: 把数据中心视为生产智能的基础设施;关键观察: 算力扩张与能源/电网深度耦合
本节主要来源
最终判断、核查清单与 AI 披露
第 62 页主题|判断任何 AI 项目时,先问它解决哪一层问题、证据是什么、失败会造成什么、谁能停止和纠正它。
十项核查
1 任务与成功定义;2 数据来源与权限;3 模型/版本;4 工具和写权限;5 隐藏测试;6 人工接管;7 失败恢复;8 总拥有成本;9 法规与责任;10 上线后监控。缺少其中任何一项,都不应以 demo 或 benchmark 直接扩张。
三条总判断
第一,AI 从单模型竞赛进入完整系统竞赛。第二,越接近物理世界和高风险决策,可靠性、硬件、流程和治理越重要。第三,长期壁垒更可能来自独有数据闭环、专业验证、软硬件协同、工作流入口与准入能力,而不是某一周的排行榜。
已纠正事项
Jeff Dean(杰夫·迪恩) 离职与 Discovery Loop 经 Google 和公司官网双重确认;Demis Hassabis(戴密斯·哈萨比斯) 与 Yann LeCun(杨立昆) 的角色使用机构或本人一手页;John Jumper(约翰·江珀) 与 Andrej Karpathy(安德烈·卡帕西) 的动向改用可定位的 Reuters/TechCrunch 报道并保留职衔不确定性;美国行动计划链接已更新,EU、美国和中国政策更新到截止日。[S26][S30][S33][S34][S63][S89][S90]
AI 辅助研究披露
本报告于 2026-08-23 使用 OpenAI Codex 桌面代理(基于 GPT-5;客户端未向报告暴露精确构建号)及三个专题子代理,协助检索、证据摘录、综合、写作、排版与独立反方/伦理审阅。程序核验覆盖全部 59 个正文页的引文—来源映射、PDF 结构与逐页渲染;人物和政策等高时效事实回到一手来源。没有外部人类领域专家签字认证,因此封面采用“证据审阅版”而非“人工审校/专家认证”。编制流程对报告的准确性与解释负责;读者在医疗、法律、金融、安全或截止日后的高时效事项上应重新核验。
责任使用声明
本报告仅提供高层研究与决策框架,不提供攻击、监控、武器化或规避安全控制的操作步骤。网络安全、国防、自主系统、生物和医疗等双重用途方向,应遵循最小权限、人工监督、分阶段评测、可回滚、事故报告和适用法律。
核心来源索引
总览:[S01] Stanford AI Index 2026;[S02] International AI Safety Report 2026。技术:[S03] Transformer、[S11] V-JEPA 2、[S14] Gemini Robotics、[S18—S23] AI4Science。治理:[S24—S29] NIST/EU/美中/OECD、[S63—S68][S104] 国际规则与标准。人物:[S30][S33—S39]、[S69—S103][S105—S109]。109 项来源按首次使用列在各页底部并带可点击原始链接。
本节主要来源
- [S01] Stanford HAI(2026):The 2026 AI Index Report
- [S02] International AI Safety Report(2026):International AI Safety Report 2026
- [S26] The White House(2025):White House Unveils America’s AI Action Plan
- [S30] Yann LeCun(杨立昆)(2026):Yann LeCun(杨立昆) — official home page
- [S33] Google(2026):The next chapter of our AI momentum
- [S34] Discovery Loop(2026):Discovery Loop — Continuous Exploration
- [S63] European Union(2026):Regulation (EU) 2026/1744
- [S89] Reuters(2026):US scientist John Jumper(约翰·江珀) to leave Google DeepMind for Anthropic
- [S90] TechCrunch(2026):OpenAI co-founder Andrej Karpathy(安德烈·卡帕西) joins Anthropic's pre-training team
数据附录
以下附录与 Excel/CSV 交付物同源;配套工作簿更适合精确筛选和二次分析。人物职位、政策和产品状态在截止日之后应重新核验。
AI 分支全景
共 30 条;完整可筛选列见配套 Excel/CSV。
- 1 — 层级=学习范式;分支=监督学习;核心问题=从标注样本学习映射;典型方法或模型=分类、回归、深度网络;代表任务=识别、预测;成熟度=成熟;主要瓶颈=标注成本、分布漂移
- 2 — 层级=学习范式;分支=自监督学习;核心问题=从数据内部结构学习表示;典型方法或模型=掩码建模、对比学习;代表任务=预训练、表征;成熟度=规模化成熟;主要瓶颈=数据质量、目标偏差
- 3 — 层级=学习范式;分支=无监督学习;核心问题=发现无标签结构;典型方法或模型=聚类、降维、密度估计;代表任务=分群、异常检测;成熟度=成熟;主要瓶颈=语义解释与评估
- 4 — 层级=学习范式;分支=半监督/弱监督;核心问题=少量标签结合大量弱信号;典型方法或模型=伪标签、数据编程;代表任务=低标注场景;成熟度=成熟;主要瓶颈=噪声放大
- 5 — 层级=学习范式;分支=强化学习;核心问题=通过行动回报学习策略;典型方法或模型=Q-learning、策略梯度、RLHF;代表任务=游戏、控制、后训练;成熟度=分化;主要瓶颈=奖励错配、样本效率
- 6 — 层级=学习范式;分支=持续学习;核心问题=顺序吸收新知识并保留旧能力;典型方法或模型=回放、正则、动态架构;代表任务=长期适应;成熟度=研究前沿;主要瓶颈=灾难性遗忘、评测
- 7 — 层级=学习范式;分支=迁移/元学习;核心问题=跨任务快速复用知识;典型方法或模型=微调、LoRA、MAML;代表任务=少样本适应;成熟度=广泛应用;主要瓶颈=负迁移、任务差异
- 8 — 层级=推理范式;分支=概率机器学习;核心问题=在不确定性下建模与决策;典型方法或模型=贝叶斯网络、图模型;代表任务=诊断、预测、风险;成熟度=成熟;主要瓶颈=高维推断、先验选择
- 9 — 层级=推理范式;分支=因果推断;核心问题=区分相关、干预与反事实;典型方法或模型=SCM、因果图、潜在结果;代表任务=政策与决策;成熟度=方法成熟/应用困难;主要瓶颈=可识别性、隐藏混杂
- 10 — 层级=经典任务;分支=计算机视觉;核心问题=理解图像和视频;典型方法或模型=CNN、ViT、检测分割;代表任务=识别、跟踪、3D;成熟度=成熟且快速重组;主要瓶颈=长尾、开放世界
- 11 — 层级=经典任务;分支=语音与音频;核心问题=识别、生成和理解声音;典型方法或模型=ASR、TTS、声学模型;代表任务=转写、合成、音乐;成熟度=产品成熟;主要瓶颈=口音、噪声、版权
- 12 — 层级=经典任务;分支=自然语言处理;核心问题=理解和生成语言;典型方法或模型=Transformer、LLM、检索;代表任务=问答、翻译、写作;成熟度=高速发展;主要瓶颈=幻觉、可靠性
- 13 — 层级=经典任务;分支=知识表示与推理;核心问题=显式表达事实、规则与关系;典型方法或模型=知识图谱、逻辑、规划;代表任务=问答、决策支持;成熟度=成熟但被重组;主要瓶颈=维护成本、开放世界
- 14 — 层级=业务算法;分支=推荐与搜索;核心问题=在反馈中排序和匹配;典型方法或模型=召回、排序、Bandit;代表任务=内容、电商、广告;成熟度=大规模成熟;主要瓶颈=反馈回路、公平
- 15 — 层级=业务算法;分支=时序预测与异常检测;核心问题=预测连续系统并发现异常;典型方法或模型=Transformer、状态空间、统计模型;代表任务=需求、设备、风控;成熟度=成熟;主要瓶颈=漂移、稀有异常
- 16 — 层级=模型族;分支=生成模型;核心问题=学习数据分布并生成新样本;典型方法或模型=VAE、GAN、扩散、流模型;代表任务=图像、音频、设计;成熟度=产品化;主要瓶颈=版权、控制、一致性
- 17 — 层级=模型族;分支=基础模型;核心问题=用广泛数据形成通用表示;典型方法或模型=大规模预训练、多任务;代表任务=跨任务迁移;成熟度=平台化;主要瓶颈=成本、透明度、集中
- 18 — 层级=模型族;分支=大语言模型;核心问题=以语言/代码为通用接口;典型方法或模型=Decoder Transformer、MoE;代表任务=对话、代码、知识工作;成熟度=规模化应用;主要瓶颈=真实性、上下文与成本
- 19 — 层级=模型族;分支=原生多模态模型;核心问题=联合处理文本图像音频视频;典型方法或模型=统一 token、跨模态注意力;代表任务=理解、生成、交互;成熟度=前沿产品;主要瓶颈=对齐、时空一致性
- 20 — 层级=模型族;分支=世界模型;核心问题=预测环境状态及行动后果;典型方法或模型=潜变量动力学、JEPA、视频模型;代表任务=规划、仿真、机器人;成熟度=研究前沿;主要瓶颈=物理正确、长期一致
- 21 — 层级=系统形态;分支=检索增强生成;核心问题=用外部证据约束生成;典型方法或模型=向量检索、重排、引用;代表任务=企业知识问答;成熟度=生产成熟;主要瓶颈=检索召回、证据忠实
- 22 — 层级=系统形态;分支=智能体 Agent;核心问题=规划、调用工具并执行多步任务;典型方法或模型=工具调用、工作流、验证器;代表任务=软件、运营、研究;成熟度=受控部署;主要瓶颈=权限、错误累积、审计
- 23 — 层级=系统形态;分支=多智能体系统;核心问题=通过角色分工协作;典型方法或模型=编排、辩论、共享记忆;代表任务=复杂任务分解;成熟度=探索期;主要瓶颈=协调成本、共错
- 24 — 层级=物理智能;分支=机器人学习;核心问题=从数据和交互学习控制;典型方法或模型=模仿、RL、行为克隆;代表任务=抓取、导航、操作;成熟度=结构化场景成熟;主要瓶颈=真机数据、安全
- 25 — 层级=物理智能;分支=具身智能/VLA;核心问题=连接视觉语言与动作;典型方法或模型=VLA、通用策略、flow matching;代表任务=通用机器人任务;成熟度=前沿;主要瓶颈=硬件差异、长程恢复
- 26 — 层级=科学智能;分支=AI4Science;核心问题=加速建模、设计、仿真和实验;典型方法或模型=几何网络、生成设计、Agent;代表任务=生物、材料、气候;成熟度=局部突破;主要瓶颈=实验验证、因果机制
- 27 — 层级=系统基础;分支=AI 芯片与分布式训练;核心问题=高效提供训练和推理算力;典型方法或模型=GPU/TPU、互连、并行;代表任务=数据中心与边缘;成熟度=工业成熟;主要瓶颈=能耗、供应链、利用率
- 28 — 层级=系统基础;分支=边缘 AI;核心问题=在端侧低延迟私密运行;典型方法或模型=量化、蒸馏、NPU;代表任务=手机、汽车、设备;成熟度=规模化;主要瓶颈=内存、功耗、更新
- 29 — 层级=可信 AI;分支=安全、对齐与评测;核心问题=如何证明并治理系统风险;典型方法或模型=红队、可解释、监控、治理;代表任务=高风险部署;成熟度=快速建设;主要瓶颈=评测外推、责任分配
- 30 — 层级=交互与社会;分支=人机交互与协同智能;核心问题=如何让人和 AI 有效共同决策;典型方法或模型=交互设计、人因、混合主动;代表任务=辅助决策、创作;成熟度=应用成熟/研究持续;主要瓶颈=过度依赖、可控性
前沿探索与成熟度
共 24 条;完整可筛选列见配套 Excel/CSV。
- 1 — 方向=推理时计算;核心探索=搜索、采样和验证替代单次生成;代表项目=reasoning models;近期状态=能力提升明显;研究成熟度(1-5)=4;产品成熟度(1-5)=4;可靠性(1-5)=3;关键验证=隐藏测试与成本曲线;主要风险=延迟、奖励投机
- 2 — 方向=可验证推理;核心探索=用形式验证器或执行反馈检查答案;代表项目=代码/数学验证器;近期状态=窄域有效;研究成熟度(1-5)=4;产品成熟度(1-5)=3;可靠性(1-5)=4;关键验证=跨域泛化;主要风险=验证器盲点
- 3 — 方向=长期记忆;核心探索=跨会话保存并检索用户/任务状态;代表项目=memory stores;近期状态=生产试点;研究成熟度(1-5)=3;产品成熟度(1-5)=3;可靠性(1-5)=2;关键验证=遗忘与更正机制;主要风险=隐私、错误固化
- 4 — 方向=自主 Agent;核心探索=长时间自主规划与工具执行;代表项目=computer-use agents;近期状态=受控试点;研究成熟度(1-5)=4;产品成熟度(1-5)=3;可靠性(1-5)=2;关键验证=成功率、回滚、权限;主要风险=错误累积、越权
- 5 — 方向=多智能体协作;核心探索=角色分工、评审和博弈;代表项目=agent teams;近期状态=实验活跃;研究成熟度(1-5)=3;产品成熟度(1-5)=2;可靠性(1-5)=2;关键验证=相对单体基线;主要风险=成本、共错
- 6 — 方向=原生多模态;核心探索=统一文本、视觉、音频和视频;代表项目=Gemini/omni models;近期状态=快速产品化;研究成熟度(1-5)=5;产品成熟度(1-5)=4;可靠性(1-5)=3;关键验证=跨模态一致性;主要风险=深伪、隐私
- 7 — 方向=视频生成;核心探索=长时序可控视频与编辑;代表项目=diffusion/flow video;近期状态=产品可用;研究成熟度(1-5)=4;产品成熟度(1-5)=4;可靠性(1-5)=3;关键验证=身份/物理一致性;主要风险=版权、误导
- 8 — 方向=世界模型;核心探索=学习环境动力学与行动后果;代表项目=V-JEPA 2、Genie 3;近期状态=研究前沿;研究成熟度(1-5)=4;产品成熟度(1-5)=2;可靠性(1-5)=2;关键验证=规划效用而非画面;主要风险=物理幻觉
- 9 — 方向=空间智能;核心探索=生成、理解和导航 3D 世界;代表项目=World Labs Marble;近期状态=早期产品;研究成熟度(1-5)=4;产品成熟度(1-5)=2;可靠性(1-5)=2;关键验证=持久 3D 与交互;主要风险=仿真偏差
- 10 — 方向=VLA 机器人;核心探索=视觉语言直接生成动作;代表项目=RT-2、π0、Gemini Robotics;近期状态=真机试验;研究成熟度(1-5)=4;产品成熟度(1-5)=3;可靠性(1-5)=2;关键验证=长程恢复、安全;主要风险=硬件伤害
- 11 — 方向=通用人形机器人;核心探索=跨工位和家庭任务迁移;代表项目=GR00T、Figure;近期状态=结构化试点;研究成熟度(1-5)=3;产品成熟度(1-5)=2;可靠性(1-5)=2;关键验证=连续运行与故障率;主要风险=安全、成本
- 12 — 方向=持续学习;核心探索=部署后吸收新经验不遗忘;代表项目=replay/online adaptation;近期状态=仍是难题;研究成熟度(1-5)=3;产品成熟度(1-5)=2;可靠性(1-5)=2;关键验证=长期序列基准;主要风险=漂移、污染
- 13 — 方向=开放权重生态;核心探索=权重、代码与数据多维开放;代表项目=Llama/OLMo/Marin;近期状态=生态成熟;研究成熟度(1-5)=4;产品成熟度(1-5)=4;可靠性(1-5)=3;关键验证=透明度与可复现;主要风险=滥用、许可证
- 14 — 方向=小模型与路由;核心探索=按任务动态选择模型和算力;代表项目=SLM/MoE/router;近期状态=生产加速;研究成熟度(1-5)=4;产品成熟度(1-5)=4;可靠性(1-5)=4;关键验证=端到端 TCO;主要风险=路由误判
- 15 — 方向=神经形态计算;核心探索=事件驱动、低功耗类脑芯片;代表项目=Loihi/SpiNNaker;近期状态=特定场景;研究成熟度(1-5)=3;产品成熟度(1-5)=2;可靠性(1-5)=3;关键验证=真实能效;主要风险=工具链碎片
- 16 — 方向=AI for Biology;核心探索=结构、功能和分子设计;代表项目=AlphaFold 3;近期状态=科研突破;研究成熟度(1-5)=5;产品成熟度(1-5)=3;可靠性(1-5)=4;关键验证=湿实验与临床;主要风险=误用、外推
- 17 — 方向=AI for Materials;核心探索=生成候选并预测性质;代表项目=GNoME/MatterGen;近期状态=实验扩展中;研究成熟度(1-5)=4;产品成熟度(1-5)=2;可靠性(1-5)=3;关键验证=合成成功率;主要风险=模拟偏差
- 18 — 方向=自动化科学家;核心探索=提出假设、运行实验、迭代;代表项目=AlphaEvolve/Discovery Loop;近期状态=早期;研究成熟度(1-5)=4;产品成熟度(1-5)=2;可靠性(1-5)=2;关键验证=真实实验闭环;主要风险=目标错配
- 19 — 方向=气象与气候模型;核心探索=数据驱动全球预报;代表项目=GraphCast;近期状态=强研究验证;研究成熟度(1-5)=5;产品成熟度(1-5)=3;可靠性(1-5)=4;关键验证=极端事件与业务融合;主要风险=分布变化
- 20 — 方向=机制可解释性;核心探索=定位内部特征和回路;代表项目=sparse autoencoders;近期状态=快速研究;研究成熟度(1-5)=3;产品成熟度(1-5)=2;可靠性(1-5)=2;关键验证=因果干预;主要风险=解释错觉
- 21 — 方向=模型透明与来源;核心探索=模型卡、数据治理、内容溯源;代表项目=FMIT/C2PA;近期状态=制度建设;研究成熟度(1-5)=3;产品成熟度(1-5)=3;可靠性(1-5)=3;关键验证=覆盖率与可执行性;主要风险=合规表演
- 22 — 方向=隐私保护学习;核心探索=在减少原始数据暴露下训练;代表项目=联邦学习、差分隐私;近期状态=局部成熟;研究成熟度(1-5)=4;产品成熟度(1-5)=3;可靠性(1-5)=4;关键验证=效用-隐私权衡;主要风险=侧信道、配置错误
- 23 — 方向=主权 AI;核心探索=本地算力、数据、模型和监管能力;代表项目=national AI stacks;近期状态=全球建设;研究成熟度(1-5)=3;产品成熟度(1-5)=3;可靠性(1-5)=3;关键验证=成本与互操作;主要风险=碎片化
- 24 — 方向=AI 能源协同;核心探索=算力选址、能源调度和基础设施;代表项目=AI factories;近期状态=快速扩张;研究成熟度(1-5)=3;产品成熟度(1-5)=4;可靠性(1-5)=3;关键验证=全生命周期能耗;主要风险=电网与水资源压力
76 位 AI 人物
共 76 条;完整可筛选列见配套 Excel/CSV。
- Geoffrey Hinton(杰弗里·辛顿) — 中文名=杰弗里·辛顿;领域=深度学习/安全;截至2026-08公开角色=多伦多大学荣休教授;核心思想或路线=分布式表示;近年强调前沿风险;正在做什么=风险倡议与研究交流;证据类型=一手/机构;来源
- Yoshua Bengio(约书亚·本吉奥) — 中文名=约书亚·本吉奥;领域=深度学习/安全;截至2026-08公开角色=Mila 顾问;LawZero 科学负责人;核心思想或路线=Scientist AI、非代理监督;正在做什么=推进 LawZero;证据类型=一手/机构;来源
- Yann LeCun(杨立昆) — 中文名=杨立昆;领域=世界模型;截至2026-08公开角色=AMI Labs 联创、Executive Chair;核心思想或路线=JEPA、抽象世界模型;正在做什么=建设 AMI Labs;证据类型=本人/机构;来源
- Richard Sutton(理查德·萨顿) — 中文名=理查德·萨顿;领域=强化学习;截至2026-08公开角色=强化学习学者;核心思想或路线=可扩展搜索和学习;苦涩教训;正在做什么=通用 RL 研究;证据类型=一手;来源
- Judea Pearl(朱迪亚·珀尔) — 中文名=朱迪亚·珀尔;领域=因果推断;截至2026-08公开角色=UCLA 教授;核心思想或路线=因果图、干预和反事实;正在做什么=因果智能研究;证据类型=机构;来源
- David Silver(戴维·席尔瓦) — 中文名=戴维·席尔瓦;领域=强化学习;截至2026-08公开角色=UCL 教授;长期参与 DeepMind RL;核心思想或路线=搜索、自我对弈与强化学习;正在做什么=开放世界智能体;证据类型=机构;来源
- Fei-Fei Li(李飞飞) — 中文名=李飞飞;领域=视觉/空间智能;截至2026-08公开角色=Stanford 教授;World Labs 联创;核心思想或路线=空间智能和可生成 3D 世界;正在做什么=World Labs;证据类型=一手/机构;来源
- Demis Hassabis(戴密斯·哈萨比斯) — 中文名=戴密斯·哈萨比斯;领域=AGI/AI4Science;截至2026-08公开角色=GDM Chair、Alphabet Chief Scientist;核心思想或路线=AGI 与科学发现结合;正在做什么=GDM 战略及 Isomorphic;证据类型=机构;来源
- Jeff Dean(杰夫·迪恩) — 中文名=杰夫·迪恩;领域=系统/自动科学;截至2026-08公开角色=Discovery Loop 联创;核心思想或路线=自动化 ML 与科学实验闭环;正在做什么=创建 Discovery Loop;证据类型=机构;来源
- Ilya Sutskever(伊利亚·苏茨克维) — 中文名=伊利亚·苏茨克维;领域=超级智能安全;截至2026-08公开角色=SSI 联创兼 CEO;核心思想或路线=安全超级智能单一目标;正在做什么=建设 SSI;证据类型=机构;来源
- Dario Amodei(达里奥·阿莫迪) — 中文名=达里奥·阿莫迪;领域=基础模型/安全;截至2026-08公开角色=Anthropic CEO;核心思想或路线=扩展能力与可解释/安全并行;正在做什么=Claude 与治理框架;证据类型=一手;来源
- Sam Altman(萨姆·奥尔特曼) — 中文名=萨姆·奥尔特曼;领域=AGI 平台;截至2026-08公开角色=OpenAI CEO;核心思想或路线=算力、模型、产品分发和普遍受益;正在做什么=OpenAI 与基础设施;证据类型=机构;来源
- Mustafa Suleyman(穆斯塔法·苏莱曼) — 中文名=穆斯塔法·苏莱曼;领域=产品/超级智能;截至2026-08公开角色=Microsoft AI CEO;核心思想或路线=human-centered AI;正在做什么=微软超级智能团队;证据类型=机构;来源
- Elon Musk(埃隆·马斯克) — 中文名=埃隆·马斯克;领域=模型/基础设施;截至2026-08公开角色=xAI 创始人;SpaceX CEO;核心思想或路线=Grok、算力和科学愿景;正在做什么=SpaceXAI 体系;证据类型=机构;来源
- Chelsea Finn(切尔西·芬) — 中文名=切尔西·芬;领域=机器人/元学习;截至2026-08公开角色=Stanford;Physical Intelligence;核心思想或路线=元学习、模仿学习与 VLA;正在做什么=π 系列;证据类型=机构;来源
- Sergey Levine(谢尔盖·莱文) — 中文名=谢尔盖·莱文;领域=机器人/RL;截至2026-08公开角色=UC Berkeley;Physical Intelligence;核心思想或路线=经验数据闭环与机器人控制;正在做什么=π 系列;证据类型=机构;来源
- Pieter Abbeel(彼得·阿比尔) — 中文名=彼得·阿比尔;领域=机器人/基础模型;截至2026-08公开角色=UC Berkeley;Amazon AGI;核心思想或路线=机器人学习与基础模型汇合;正在做什么=前沿基础模型团队;证据类型=机构;来源
- Jitendra Malik(吉滕德拉·马利克) — 中文名=吉滕德拉·马利克;领域=视觉/机器人;截至2026-08公开角色=UC Berkeley;Meta FAIR Robotics;核心思想或路线=视觉到感知-行动;正在做什么=机器人研究;证据类型=本人 CV;来源
- John Jumper(约翰·江珀) — 中文名=约翰·江珀;领域=AI4Biology;截至2026-08公开角色=宣布加入 Anthropic;职衔未公开;核心思想或路线=AlphaFold 与科学智能;正在做什么=生命科学方向待公开;证据类型=本人公告/Reuters;来源
- Andrej Karpathy(安德烈·卡帕西) — 中文名=安德烈·卡帕西;领域=训练/教育;截至2026-08公开角色=本人曾宣布加入 Anthropic 预训练团队;核心思想或路线=完整训练栈、software 2.0/3.0;正在做什么=autoresearch;状态需复核;证据类型=本人公告/媒体交叉;来源
- Kaiming He(何恺明) — 中文名=何恺明;领域=视觉/生成;截至2026-08公开角色=MIT;GDM 兼职;核心思想或路线=ResNet/MAE 到生成建模;正在做什么=视觉与生成研究;证据类型=机构;来源
- Shane Legg(谢恩·莱格) — 中文名=谢恩·莱格;领域=AGI 安全;截至2026-08公开角色=Google DeepMind Chief AGI Scientist;核心思想或路线=AGI 评测与准备;正在做什么=安全框架;证据类型=机构;来源
- Percy Liang(梁柏西) — 中文名=梁柏西;领域=评测/开放;截至2026-08公开角色=Stanford CRFM Director;核心思想或路线=透明评测与开放构建;正在做什么=CRFM/Marin;证据类型=机构;来源
- Dawn Song(宋晓冬) — 中文名=宋晓冬;领域=安全/Agent;截至2026-08公开角色=UC Berkeley 教授;核心思想或路线=Agent 与网络安全、形式方法;正在做什么=安全与验证;证据类型=机构;来源
- Jensen Huang(黄仁勋) — 中文名=黄仁勋;领域=计算基础设施;截至2026-08公开角色=NVIDIA 创始人兼 CEO;核心思想或路线=AI factory、数字孪生、physical AI;正在做什么=全栈算力平台;证据类型=机构;来源
- Song-Chun Zhu(朱松纯) — 中文名=朱松纯;领域=认知架构;截至2026-08公开角色=BIGAI 院长;核心思想或路线=小数据大任务、统一认知研究;正在做什么=通用智能研究;证据类型=机构;来源
- Zhi-Hua Zhou(周志华) — 中文名=周志华;领域=集成学习/学件;截至2026-08公开角色=南京大学教授;核心思想或路线=集成学习与 learnware;正在做什么=LAMDA 研究;证据类型=机构;来源
- Andrew Ng(吴恩达) — 中文名=吴恩达;领域=机器学习应用;截至2026-08公开角色=DeepLearning.AI/AI Fund 创始人;核心思想或路线=数据中心 AI 与落地教育;正在做什么=AI 教育和创业;证据类型=机构;来源
- Ian Goodfellow(伊恩·古德费洛) — 中文名=伊恩·古德费洛;领域=生成模型;截至2026-08公开角色=研究者;核心思想或路线=GAN 与对抗学习;正在做什么=生成与安全研究;证据类型=个人;来源
- Christopher Manning(克里斯托弗·曼宁) — 中文名=克里斯托弗·曼宁;领域=NLP;截至2026-08公开角色=Stanford 教授;核心思想或路线=语言表示与统计 NLP;正在做什么=NLP/基础模型研究;证据类型=机构;来源
- Michael I. Jordan(迈克尔·乔丹) — 中文名=迈克尔·乔丹;领域=机器学习;截至2026-08公开角色=UC Berkeley 教授;核心思想或路线=统计学习与决策系统;正在做什么=ML 基础与社会系统;证据类型=机构;来源
- Stuart Russell(斯图尔特·罗素) — 中文名=斯图尔特·罗素;领域=AI 安全;截至2026-08公开角色=UC Berkeley 教授;核心思想或路线=可证明有益 AI;正在做什么=AI 治理与安全;证据类型=机构;来源
- Leslie Valiant(莱斯利·瓦利安特) — 中文名=莱斯利·瓦利安特;领域=学习理论;截至2026-08公开角色=Harvard 教授;核心思想或路线=PAC 学习与计算理论;正在做什么=学习理论;证据类型=机构;来源
- Sepp Hochreiter(塞普·霍赫赖特) — 中文名=塞普·霍赫赖特;领域=序列模型;截至2026-08公开角色=JKU 教授;核心思想或路线=LSTM 与深度学习;正在做什么=序列和生物智能;证据类型=机构;来源
- Jürgen Schmidhuber(于尔根·施密德胡伯) — 中文名=于尔根·施密德胡伯;领域=序列/通用智能;截至2026-08公开角色=IDSIA 科学主任;核心思想或路线=压缩、元学习与通用智能;正在做什么=长期智能研究;证据类型=机构;来源
- Ashish Vaswani(阿希什·瓦斯瓦尼) — 中文名=阿希什·瓦斯瓦尼;领域=Transformer;截至2026-08公开角色=Essential AI 联创;核心思想或路线=注意力与基础模型;正在做什么=企业 AI 系统;证据类型=机构;来源
- Noam Shazeer(诺姆·沙泽尔) — 中文名=诺姆·沙泽尔;领域=MoE/LLM;截至2026-08公开角色=AI 研究者与创业者;核心思想或路线=稀疏专家与语言模型;正在做什么=大模型效率;证据类型=需按期复核;来源
- Aidan Gomez(艾丹·戈麦斯) — 中文名=艾丹·戈麦斯;领域=基础模型;截至2026-08公开角色=Cohere 联创兼 CEO;核心思想或路线=企业语言模型与检索;正在做什么=企业 AI 平台;证据类型=机构;来源
- David Ha(大卫·哈) — 中文名=大卫·哈;领域=世界模型/创意 AI;截至2026-08公开角色=研究者;核心思想或路线=world models 与生成系统;正在做什么=世界模型研究;证据类型=个人;来源
- Oriol Vinyals(奥里奥尔·维尼亚尔斯) — 中文名=奥里奥尔·维尼亚尔斯;领域=多智能体/模型;截至2026-08公开角色=Discovery Loop 联创;核心思想或路线=序列模型、AlphaStar、自动实验;正在做什么=Discovery Loop;证据类型=机构;来源
- Quoc Le(黎曰光) — 中文名=黎曰光;领域=表示/AutoML;截至2026-08公开角色=Discovery Loop 联创;核心思想或路线=大规模表示与自动研究;正在做什么=Discovery Loop;证据类型=机构;来源
- Sanjay Ghemawat(桑杰·格马瓦特) — 中文名=桑杰·格马瓦特;领域=分布式系统;截至2026-08公开角色=Discovery Loop 联创;核心思想或路线=大规模计算基础设施;正在做什么=Discovery Loop;证据类型=机构;来源
- Denny Zhou(周登尼) — 中文名=周登尼;领域=推理;截至2026-08公开角色=AI 研究者;核心思想或路线=链式推理与程序化推理;正在做什么=推理模型研究;证据类型=需按期复核;来源
- Jeff Clune(杰夫·克鲁恩) — 中文名=杰夫·克鲁恩;领域=开放式学习;截至2026-08公开角色=AI 研究者;核心思想或路线=open-endedness 与自动创新;正在做什么=开放式智能研究;证据类型=个人;来源
- Kenneth Stanley(肯尼斯·斯坦利) — 中文名=肯尼斯·斯坦利;领域=进化/开放式学习;截至2026-08公开角色=Lila Sciences/OpenAI 前研究者;核心思想或路线=新颖性搜索与开放式进化;正在做什么=自动科学方向;证据类型=需按期复核;来源
- Ruslan Salakhutdinov(鲁斯兰·萨拉赫特迪诺夫) — 中文名=鲁斯兰·萨拉赫特迪诺夫;领域=深度学习;截至2026-08公开角色=CMU 教授;核心思想或路线=生成、表示与多模态学习;正在做什么=基础模型研究;证据类型=机构;来源
- Yejin Choi(崔艺珍) — 中文名=崔艺珍;领域=常识/语言;截至2026-08公开角色=University of Washington 教授;核心思想或路线=常识推理与人本语言 AI;正在做什么=语言与社会推理;证据类型=机构;来源
- Oren Etzioni(奥伦·埃齐奥尼) — 中文名=奥伦·埃齐奥尼;领域=AI 应用/治理;截至2026-08公开角色=AI2 前 CEO;TrueMedia 创始人;核心思想或路线=AI 系统和深伪治理;正在做什么=可信媒体;证据类型=机构;来源
- Gary Marcus(加里·马库斯) — 中文名=加里·马库斯;领域=认知/批评;截至2026-08公开角色=认知科学家;核心思想或路线=混合符号与对规模化路线批评;正在做什么=AI 风险和公共讨论;证据类型=个人;来源
- Max Tegmark(马克斯·泰格马克) — 中文名=马克斯·泰格马克;领域=AI 治理;截至2026-08公开角色=MIT 教授;FLI 创始人;核心思想或路线=长期风险与治理;正在做什么=政策倡议;证据类型=机构;来源
- Daniela Rus(丹妮拉·鲁斯) — 中文名=丹妮拉·鲁斯;领域=机器人;截至2026-08公开角色=MIT CSAIL Director;核心思想或路线=软体机器人和自主系统;正在做什么=机器人与 AI;证据类型=机构;来源
- Anca Dragan(安卡·德拉甘) — 中文名=安卡·德拉甘;领域=人机协作;截至2026-08公开角色=UC Berkeley 教授;核心思想或路线=人机价值对齐与可预测交互;正在做什么=机器人交互;证据类型=机构;来源
- Raquel Urtasun(拉奎尔·乌尔塔松) — 中文名=拉奎尔·乌尔塔松;领域=自动驾驶;截至2026-08公开角色=Waabi 创始人兼 CEO;核心思想或路线=生成式/仿真驱动自动驾驶;正在做什么=Waabi Driver;证据类型=机构;来源
- Peter Stone(彼得·斯通) — 中文名=彼得·斯通;领域=机器人/RL;截至2026-08公开角色=UT Austin 教授;核心思想或路线=多智能体、机器人和自主系统;正在做什么=机器人与智能体;证据类型=机构;来源
- Rodney Brooks(罗德尼·布鲁克斯) — 中文名=罗德尼·布鲁克斯;领域=机器人;截至2026-08公开角色=MIT 荣休教授;创业者;核心思想或路线=行为式机器人、反对过度预测;正在做什么=机器人产业观察;证据类型=个人;来源
- Marc Raibert(马克·雷伯特) — 中文名=马克·雷伯特;领域=动态机器人;截至2026-08公开角色=Boston Dynamics AI Institute 创始人;核心思想或路线=腿式运动与机器人智能;正在做什么=机器人基础研究;证据类型=机构;来源
- Raffaello D'Andrea(拉斐尔·德安德烈亚) — 中文名=拉斐尔·德安德烈亚;领域=控制/机器人;截至2026-08公开角色=ETH Zurich 教授;核心思想或路线=自主系统和空中机器人;正在做什么=控制与物流机器人;证据类型=机构;来源
- Anima Anandkumar(阿尼玛·阿南德库马尔) — 中文名=阿尼玛·阿南德库马尔;领域=科学 AI;截至2026-08公开角色=Caltech 教授;NVIDIA 研究者;核心思想或路线=张量方法、神经算子、气候;正在做什么=AI4Science;证据类型=机构;来源
- Pushmeet Kohli(普什米特·科利) — 中文名=普什米特·科利;领域=科学 AI;截至2026-08公开角色=Google DeepMind 研究负责人;核心思想或路线=可靠机器学习与 AI4Science;正在做什么=科学智能;证据类型=机构;来源
- Regina Barzilay(雷吉娜·巴兹莱) — 中文名=雷吉娜·巴兹莱;领域=AI 医疗;截至2026-08公开角色=MIT 教授;核心思想或路线=NLP、药物和癌症风险;正在做什么=临床与药物研究;证据类型=机构;来源
- Daphne Koller(达芙妮·科勒) — 中文名=达芙妮·科勒;领域=计算生物;截至2026-08公开角色=insitro 创始人兼 CEO;核心思想或路线=机器学习驱动药物发现;正在做什么=生物数据闭环;证据类型=机构;来源
- David Baker(戴维·贝克) — 中文名=戴维·贝克;领域=蛋白设计;截至2026-08公开角色=University of Washington 教授;核心思想或路线=计算蛋白设计;正在做什么=生成蛋白研究;证据类型=机构;来源
- Feng Zhang(张锋) — 中文名=张锋;领域=生物工程;截至2026-08公开角色=MIT/Broad Institute;核心思想或路线=基因编辑与生物工具;正在做什么=AI 与生物工具交叉;证据类型=机构;来源
- Michael Levin(迈克尔·莱文) — 中文名=迈克尔·莱文;领域=生物智能;截至2026-08公开角色=Tufts 教授;核心思想或路线=形态发生和多尺度智能;正在做什么=生物智能研究;证据类型=机构;来源
- Timnit Gebru(蒂姆尼特·格布鲁) — 中文名=蒂姆尼特·格布鲁;领域=伦理/数据;截至2026-08公开角色=DAIR 创始人;核心思想或路线=数据集偏差与权力结构;正在做什么=独立 AI 研究;证据类型=机构;来源
- Margaret Mitchell(玛格丽特·米切尔) — 中文名=玛格丽特·米切尔;领域=伦理/模型卡;截至2026-08公开角色=Hugging Face 研究者;核心思想或路线=模型卡、负责任 AI;正在做什么=开放生态治理;证据类型=机构;来源
- Joy Buolamwini(乔伊·布奥拉姆维尼) — 中文名=乔伊·布奥拉姆维尼;领域=算法公平;截至2026-08公开角色=Algorithmic Justice League 创始人;核心思想或路线=人脸识别偏差和问责;正在做什么=公共倡议;证据类型=机构;来源
- Sara Hooker(萨拉·胡克) — 中文名=萨拉·胡克;领域=效率/开放;截至2026-08公开角色=Cohere For AI 创始人;核心思想或路线=高效模型与开放研究;正在做什么=开放科研社区;证据类型=机构;来源
- Kai-Fu Lee(李开复) — 中文名=李开复;领域=产业/投资;截至2026-08公开角色=创新工场董事长;核心思想或路线=AI 产业化与创业生态;正在做什么=投资与孵化;证据类型=机构;来源
- Qiang Yang(杨强) — 中文名=杨强;领域=联邦学习;截至2026-08公开角色=香港科技大学教授;核心思想或路线=迁移学习、联邦学习;正在做什么=隐私计算与产业应用;证据类型=机构;来源
- Koray Kavukcuoglu(科雷·卡武克乔奥卢) — 中文名=科雷·卡武克乔奥卢;领域=基础模型/组织;截至2026-08公开角色=SVP, Google DeepMind;Google Chief AI Architect;核心思想或路线=Gemini、前沿研究与产品协同;正在做什么=领导 GDM 日常运营;证据类型=机构;来源
- Jakub Pachocki(雅库布·帕霍茨基) — 中文名=雅库布·帕霍茨基;领域=推理/强化学习;截至2026-08公开角色=OpenAI Chief Scientist;核心思想或路线=规模化深度学习、RL 与推理;正在做什么=领导 OpenAI 研究;证据类型=机构;来源
- Mira Murati(米拉·穆拉蒂) — 中文名=米拉·穆拉蒂;领域=基础模型/产品;截至2026-08公开角色=Thinking Machines Lab 联创兼 CEO;核心思想或路线=可定制、可理解、协作式 AI;正在做什么=建设前沿模型与基础设施;证据类型=机构;来源
- Alexandr Wang(亚历山大·王) — 中文名=亚历山大·王;领域=数据/组织;截至2026-08公开角色=Meta Chief AI Officer;核心思想或路线=模型、数据与组织整合;正在做什么=领导 Meta AI 战略;证据类型=机构;来源
- Liang Wenfeng(梁文锋) — 中文名=梁文锋;领域=基础模型/开源;截至2026-08公开角色=DeepSeek 创始人;核心思想或路线=开放权重、训练效率与原创研究;正在做什么=建设 DeepSeek;证据类型=独立媒体;来源
- Arthur Mensch(阿瑟·门施) — 中文名=阿瑟·门施;领域=欧洲基础模型;截至2026-08公开角色=Mistral AI 联创兼 CEO;核心思想或路线=开放、企业与主权 AI;正在做什么=建设欧洲前沿模型平台;证据类型=机构;来源
28 个行业案例
共 28 条;完整可筛选列见配套 Excel/CSV。
- 1 — 行业=医疗器械;机构/案例=FDA AI/ML 设备清单;AI 用法=影像、诊断和临床软件;成熟阶段=监管规模化;公开结果或价值=获批产品数量持续增长;关键限制=获批不等于所有场景优于医生;证据类型=监管数据库;来源
- 2 — 行业=生命科学;机构/案例=AlphaFold;AI 用法=蛋白结构与相互作用预测;成熟阶段=科研规模化;公开结果或价值=显著扩大结构预测可及性;关键限制=不等于功能、药效和临床成功;证据类型=论文/机构;来源
- 3 — 行业=药物研发;机构/案例=Isomorphic Labs;AI 用法=AI 辅助药物设计;成熟阶段=研发合作;公开结果或价值=推进药物研发管线;关键限制=真实临床周期长;证据类型=公司自述;来源
- 4 — 行业=医疗数据;机构/案例=Tempus;AI 用法=多模态临床与分子数据分析;成熟阶段=商业部署;公开结果或价值=支持精准医疗工作流;关键限制=隐私、偏差与临床验证;证据类型=公司自述;来源
- 5 — 行业=银行;机构/案例=Morgan Stanley 助手;AI 用法=检索内部研究支持财富顾问;成熟阶段=生产部署;公开结果或价值=缩短知识检索路径;关键限制=答案需回到受控资料;证据类型=公司案例;来源
- 6 — 行业=银行;机构/案例=JPMorgan LLM Suite;AI 用法=内部知识与写作助手;成熟阶段=生产部署;公开结果或价值=面向员工的受控助手;关键限制=合规、数据隔离和审计;证据类型=公司案例;来源
- 7 — 行业=支付/客服;机构/案例=Klarna AI assistant;AI 用法=客户服务自动化;成熟阶段=规模化;公开结果或价值=公司称首月处理约三分之二对话;关键限制=供应商自报且需看长期质量;证据类型=公司自述;来源
- 8 — 行业=保险;机构/案例=Swiss Re/生成式 AI;AI 用法=承保知识与文档辅助;成熟阶段=试点到部署;公开结果或价值=加速知识工作;关键限制=监管解释和责任;证据类型=公司自述;来源
- 9 — 行业=法律;机构/案例=Thomson Reuters CoCounsel;AI 用法=法律检索、审阅和初稿;成熟阶段=商业部署;公开结果或价值=提升检索与文档处理效率;关键限制=虚构判例与职业责任;证据类型=供应商自述;来源
- 10 — 行业=法律;机构/案例=Harvey;AI 用法=面向律所的生成式 AI 工作台;成熟阶段=商业部署;公开结果或价值=合同、尽调与研究辅助;关键限制=保密和可追溯性;证据类型=供应商自述;来源
- 11 — 行业=软件开发;机构/案例=GitHub Copilot;AI 用法=代码补全、解释和 Agent;成熟阶段=规模化;公开结果或价值=广泛进入开发工作流;关键限制=安全漏洞、许可与审查;证据类型=产品/研究;来源
- 12 — 行业=软件开发;机构/案例=Amazon Q Developer;AI 用法=代码与云运维辅助;成熟阶段=商业部署;公开结果或价值=连接 AWS 开发流程;关键限制=权限与建议准确性;证据类型=产品自述;来源
- 13 — 行业=制造;机构/案例=Siemens Industrial Copilot;AI 用法=工程、自动化代码与维护辅助;成熟阶段=产业试点;公开结果或价值=缩短工程知识流程;关键限制=现场安全和系统集成;证据类型=公司自述;来源
- 14 — 行业=制造;机构/案例=Schneider Electric AI;AI 用法=能源管理和预测维护;成熟阶段=生产部署;公开结果或价值=优化设备与能源运营;关键限制=数据质量与厂站差异;证据类型=公司自述;来源
- 15 — 行业=工业设计;机构/案例=NVIDIA Omniverse;AI 用法=数字孪生、仿真和机器人训练;成熟阶段=产业平台;公开结果或价值=连接设计、仿真与 physical AI;关键限制=仿真到现实差距;证据类型=平台自述;来源
- 16 — 行业=自动驾驶;机构/案例=Waymo;AI 用法=感知、预测、规划和闭环运营;成熟阶段=限定区域商业化;公开结果或价值=公开安全影响数据;关键限制=地理范围、长尾和口径;证据类型=公司/安全数据;来源
- 17 — 行业=汽车;机构/案例=Tesla FSD;AI 用法=视觉驾驶辅助与监督自动化;成熟阶段=大规模辅助驾驶;公开结果或价值=持续 OTA 和数据闭环;关键限制=需驾驶员监督、事故和监管;证据类型=公司/监管;来源
- 18 — 行业=物流;机构/案例=Amazon Robotics;AI 用法=仓储移动、分拣和操作机器人;成熟阶段=规模化;公开结果或价值=大规模仓储自动化;关键限制=劳动、人机安全和场景限定;证据类型=公司自述;来源
- 19 — 行业=人形机器人;机构/案例=Figure × BMW;AI 用法=制造场景人形机器人试点;成熟阶段=试点;公开结果或价值=验证工位任务;关键限制=演示不等于持续经济性;证据类型=公司自述;来源
- 20 — 行业=农业;机构/案例=John Deere See & Spray;AI 用法=机器视觉精准识别和喷洒;成熟阶段=商业部署;公开结果或价值=减少不必要喷洒的潜力;关键限制=作物、天气和地块差异;证据类型=公司自述;来源
- 21 — 行业=能源;机构/案例=DeepMind 数据中心冷却;AI 用法=机器学习优化冷却控制;成熟阶段=生产案例;公开结果或价值=公司曾报告降低冷却能耗;关键限制=旧案例、边界与可复现性;证据类型=公司自述;来源
- 22 — 行业=气象;机构/案例=GraphCast;AI 用法=全球中期天气预测;成熟阶段=科研验证/业务融合;公开结果或价值=同行评审显示强预报表现;关键限制=极端事件与运营整合;证据类型=论文;来源
- 23 — 行业=教育;机构/案例=Khanmigo;AI 用法=苏格拉底式辅导和教师辅助;成熟阶段=规模化试点;公开结果或价值=进入学校与学习平台;关键限制=学习成效、依赖和未成年人隐私;证据类型=机构自述;来源
- 24 — 行业=创意软件;机构/案例=Adobe Firefly;AI 用法=图像、视频和设计生成;成熟阶段=规模化产品;公开结果或价值=嵌入创意工作流;关键限制=训练数据、版权和内容标识;证据类型=公司自述;来源
- 25 — 行业=电商;机构/案例=Amazon Rufus;AI 用法=购物问答和商品发现;成熟阶段=规模化产品;公开结果或价值=缩短搜索和比较路径;关键限制=推荐偏差、商业排序;证据类型=公司自述;来源
- 26 — 行业=网络安全;机构/案例=Microsoft Security Copilot;AI 用法=告警总结、调查和响应辅助;成熟阶段=商业部署;公开结果或价值=连接安全运营工具;关键限制=提示注入、误报和高权限风险;证据类型=公司自述;来源
- 27 — 行业=通信;机构/案例=SK Telecom AI;AI 用法=客服、网络运营和个人助手;成熟阶段=生产与试点;公开结果或价值=运营自动化与新产品;关键限制=数据主权和商业可持续性;证据类型=公司自述;来源
- 28 — 行业=公共服务;机构/案例=Singapore Pair/政府 AI;AI 用法=公务员写作、检索和服务辅助;成熟阶段=受控部署;公开结果或价值=提高内部知识工作效率;关键限制=透明、申诉和敏感数据;证据类型=政府自述;来源
AI 关键时间线
共 30 条;完整可筛选列见配套 Excel/CSV。
- 1950 — 事件=图灵提出机器智能测试问题;类别=思想奠基;意义=把机器智能转化为可讨论的行为问题;来源
- 1956 — 事件=达特茅斯会议;类别=学科形成;意义=Artificial Intelligence 成为研究议程;来源
- 1958 — 事件=感知机;类别=神经网络;意义=早期可学习分类器;来源
- 1966 — 事件=ELIZA;类别=语言交互;意义=展示人类对对话系统的拟人化倾向;来源
- 1969 — 事件=Shakey 机器人;类别=机器人;意义=感知、规划和行动集成;来源
- 1972 — 事件=Prolog;类别=符号 AI;意义=逻辑编程推动知识表示;来源
- 1986 — 事件=反向传播复兴;类别=深度学习;意义=多层网络可有效训练;来源
- 1989 — 事件=卷积网络用于手写识别;类别=视觉;意义=奠定现代 CNN 路线;来源
- 1997 — 事件=Deep Blue 战胜卡斯帕罗夫;类别=搜索;意义=专用计算与搜索里程碑;来源
- 1997 — 事件=LSTM;类别=序列学习;意义=缓解长期依赖训练问题;来源
- 2006 — 事件=深度信念网络;类别=深度学习;意义=推动深层表示重新兴起;来源
- 2009 — 事件=ImageNet 发布;类别=视觉/数据;意义=大规模数据集驱动视觉比较;来源
- 2012 — 事件=AlexNet;类别=深度学习;意义=GPU 深度网络引爆视觉革命;来源
- 2014 — 事件=GAN;类别=生成模型;意义=对抗训练开辟生成路线;来源
- 2015 — 事件=深度强化学习玩 Atari;类别=强化学习;意义=端到端感知与控制;来源
- 2016 — 事件=AlphaGo;类别=强化学习;意义=深度网络、搜索和自我对弈结合;来源
- 2017 — 事件=Transformer;类别=基础模型;意义=注意力成为通用序列架构;来源
- 2018 — 事件=BERT;类别=语言模型;意义=双向预训练推进 NLP 迁移;来源
- 2020 — 事件=GPT-3;类别=规模化;意义=展示语言模型少样本能力;来源
- 2020 — 事件=AlphaFold2;类别=AI4Science;意义=蛋白结构预测实现重大突破;来源
- 2021 — 事件=CLIP 与多模态预训练;类别=多模态;意义=语言监督连接图像概念;来源
- 2022 — 事件=ChatGPT 推出;类别=产品化;意义=生成式 AI 进入大众使用;来源
- 2023 — 事件=GPT-4 与原生多模态竞赛;类别=基础模型;意义=能力与安全评测成为中心;来源
- 2023 — 事件=RT-2;类别=具身智能;意义=互联网语义迁移到机器人动作;来源
- 2024 — 事件=AlphaFold 3;类别=AI4Science;意义=扩展到生物分子相互作用;来源
- 2024 — 事件=模型上下文协议 MCP;类别=Agent;意义=工具和数据连接开始标准化;来源
- 2025 — 事件=Gemini Robotics / V-JEPA 2;类别=世界与行动;意义=多模态、世界模型和 VLA 汇合;来源
- 2025 — 事件=Genie 3 与空间世界模型;类别=世界模型;意义=交互世界生成成为前沿;来源
- 2026 — 事件=Jeff Dean(杰夫·迪恩) 等创办 Discovery Loop;类别=自动科学;意义=自动化实验闭环成为新组织路线;来源
- 2026 — 事件=AI 治理进入执行与标准化阶段;类别=治理;意义=EU、国际条约与管理体系加速落地;来源
关键论文与报告
共 40 条;完整可筛选列见配套 Excel/CSV。
- 1950 — 论文/报告=Computing Machinery and Intelligence;作者/机构=Alan Turing(艾伦·图灵);主题=机器智能;核心贡献=提出模仿游戏;来源
- 1986 — 论文/报告=Learning representations by back-propagating errors;作者/机构=Rumelhart(鲁梅尔哈特)等;主题=深度学习;核心贡献=推广反向传播;来源
- 1997 — 论文/报告=Long Short-Term Memory;作者/机构=Hochreiter(霍赫赖特)与 Schmidhuber(施密德胡伯);主题=序列模型;核心贡献=LSTM;来源
- 1998 — 论文/报告=Gradient-Based Learning Applied to Document Recognition;作者/机构=LeCun(杨立昆)等;主题=视觉;核心贡献=CNN 系统化;来源
- 2006 — 论文/报告=A Fast Learning Algorithm for Deep Belief Nets;作者/机构=Hinton(辛顿)等;主题=深度学习;核心贡献=深层生成模型训练;来源
- 2012 — 论文/报告=ImageNet Classification with Deep CNNs;作者/机构=Krizhevsky(克里泽夫斯基)等;主题=视觉;核心贡献=AlexNet;来源
- 2014 — 论文/报告=Generative Adversarial Nets;作者/机构=Goodfellow(古德费洛)等;主题=生成模型;核心贡献=GAN;来源
- 2015 — 论文/报告=Deep Residual Learning for Image Recognition;作者/机构=He(何恺明)等;主题=视觉;核心贡献=ResNet;来源
- 2015 — 论文/报告=Human-level control through deep reinforcement learning;作者/机构=Mnih(姆尼赫)等;主题=强化学习;核心贡献=DQN;来源
- 2016 — 论文/报告=Mastering the game of Go with deep neural networks and tree search;作者/机构=Silver(席尔瓦)等;主题=强化学习;核心贡献=AlphaGo;来源
- 2017 — 论文/报告=Attention Is All You Need;作者/机构=Vaswani(瓦斯瓦尼)等;主题=基础模型;核心贡献=Transformer;来源
- 2017 — 论文/报告=Mastering Go without human knowledge;作者/机构=Silver(席尔瓦)等;主题=强化学习;核心贡献=AlphaGo Zero;来源
- 2018 — 论文/报告=BERT;作者/机构=Devlin(德夫林)等;主题=NLP;核心贡献=双向语言预训练;来源
- 2019 — 论文/报告=The Bitter Lesson;作者/机构=Richard Sutton(理查德·萨顿);主题=研究方法;核心贡献=可扩展计算方法;来源
- 2019 — 论文/报告=Continual Learning in Neural Networks;作者/机构=Parisi(帕里西)等;主题=持续学习;核心贡献=综述灾难性遗忘;来源
- 2020 — 论文/报告=Language Models are Few-Shot Learners;作者/机构=Brown(布朗)等;主题=LLM;核心贡献=GPT-3;来源
- 2020 — 论文/报告=Scaling Laws for Neural Language Models;作者/机构=Kaplan(卡普兰)等;主题=规模化;核心贡献=幂律关系;来源
- 2020 — 论文/报告=RAG for Knowledge-Intensive NLP;作者/机构=Lewis(刘易斯)等;主题=RAG;核心贡献=检索增强生成;来源
- 2020 — 论文/报告=MuZero;作者/机构=Schrittwieser(施里特维泽)等;主题=世界模型/RL;核心贡献=无规则规划;来源
- 2021 — 论文/报告=CLIP;作者/机构=Radford(拉德福德)等;主题=多模态;核心贡献=语言监督视觉迁移;来源
- 2021 — 论文/报告=AlphaFold2;作者/机构=Jumper(江珀)等;主题=AI4Science;核心贡献=蛋白结构预测;来源
- 2021 — 论文/报告=LoRA;作者/机构=Hu(胡)等;主题=高效微调;核心贡献=低秩适配;来源
- 2022 — 论文/报告=Training language models to follow instructions;作者/机构=Ouyang(欧阳)等;主题=后训练;核心贡献=RLHF/InstructGPT;来源
- 2022 — 论文/报告=Chinchilla;作者/机构=Hoffmann(霍夫曼)等;主题=规模化;核心贡献=计算最优训练;来源
- 2022 — 论文/报告=FlashAttention;作者/机构=Dao(陶)等;主题=系统效率;核心贡献=IO-aware attention;来源
- 2022 — 论文/报告=Constitutional AI;作者/机构=Bai(白)等;主题=安全;核心贡献=AI 反馈与原则;来源
- 2023 — 论文/报告=Direct Preference Optimization;作者/机构=Rafailov(拉菲洛夫)等;主题=后训练;核心贡献=直接偏好优化;来源
- 2023 — 论文/报告=RT-2;作者/机构=Brohan(布罗汉)等;主题=VLA;核心贡献=视觉语言动作迁移;来源
- 2023 — 论文/报告=GraphCast;作者/机构=Lam(兰姆)等;主题=AI4Science;核心贡献=天气预报;来源
- 2023 — 论文/报告=GNoME;作者/机构=Merchant(默钱特)等;主题=材料;核心贡献=大规模材料发现;来源
- 2024 — 论文/报告=AlphaFold 3;作者/机构=Abramson(阿布拉姆森)等;主题=AI4Science;核心贡献=生物分子相互作用;来源
- 2024 — 论文/报告=π0;作者/机构=Physical Intelligence;主题=机器人;核心贡献=通用 VLA flow policy;来源
- 2024 — 论文/报告=International AI Safety Report;作者/机构=International expert group;主题=安全;核心贡献=前沿 AI 风险综合;来源
- 2025 — 论文/报告=MatterGen;作者/机构=Microsoft Research;主题=材料;核心贡献=无机材料生成;来源
- 2025 — 论文/报告=V-JEPA 2;作者/机构=Meta AI;主题=世界模型;核心贡献=视频自监督与规划;来源
- 2025 — 论文/报告=Gemini Robotics;作者/机构=Google DeepMind;主题=具身智能;核心贡献=VLA 与 embodied reasoning;来源
- 2025 — 论文/报告=AlphaEvolve;作者/机构=Google DeepMind;主题=自动科学;核心贡献=算法自动发现;来源
- 2026 — 论文/报告=A Functional Taxonomy of World Models;作者/机构=World Labs;主题=世界模型;核心贡献=渲染器到规划器分类;来源
- 2026 — 论文/报告=The 2026 AI Index Report;作者/机构=Stanford HAI;主题=全景;核心贡献=产业、能力、政策与社会影响;来源
- 2026 — 论文/报告=International AI Safety Report 2026;作者/机构=International expert group;主题=安全;核心贡献=能力、风险和缓解证据;来源
AI 术语表
共 50 条;完整可筛选列见配套 Excel/CSV。
- 人工智能 — 英文=Artificial Intelligence;简明定义=让机器执行感知、推理、学习和行动任务的总称;常见误区=不等同于大语言模型
- 机器学习 — 英文=Machine Learning;简明定义=从数据或交互中改进性能的方法;常见误区=并非所有 AI 都必须数据驱动
- 深度学习 — 英文=Deep Learning;简明定义=使用多层神经网络学习表示;常见误区=深不等于可解释或可靠
- 参数 — 英文=Parameters;简明定义=训练中学习的数值权重;常见误区=参数多不自动意味着更智能
- 训练 — 英文=Training;简明定义=用数据优化模型参数;常见误区=与上线推理不同
- 推理 — 英文=Inference;简明定义=使用训练后模型产生输出;常见误区=也可指逻辑推理能力
- 预训练 — 英文=Pretraining;简明定义=在大规模数据上学习通用能力;常见误区=不保证任务合规
- 后训练 — 英文=Post-training;简明定义=用指令、偏好和强化学习调整行为;常见误区=可能提升可用性但引入新偏差
- 基础模型 — 英文=Foundation Model;简明定义=可适配多任务的大规模预训练模型;常见误区=不是一个具体架构
- 大语言模型 — 英文=Large Language Model;简明定义=以语言/代码 token 建模的基础模型;常见误区=不天然拥有真值数据库
- 多模态 — 英文=Multimodal;简明定义=联合处理多种信号模态;常见误区=多模态不等于理解物理世界
- 生成式 AI — 英文=Generative AI;简明定义=生成文本、图像、音频、视频或结构;常见误区=生成逼真不等于真实
- 扩散模型 — 英文=Diffusion Model;简明定义=通过去噪过程生成样本;常见误区=不是唯一生成路线
- 混合专家 — 英文=Mixture of Experts;简明定义=按输入激活部分专家网络;常见误区=总参数与每次计算量不同
- 上下文窗口 — 英文=Context Window;简明定义=一次推理能接收的 token 范围;常见误区=长上下文不等于长期记忆
- Token — 英文=Token;简明定义=模型处理文本或其他信号的离散单位;常见误区=不等同于一个汉字或单词
- Embedding — 英文=Embedding;简明定义=把对象映射到连续向量表示;常见误区=相似度不等于因果关系
- 注意力 — 英文=Attention;简明定义=让模型动态加权不同位置的信息;常见误区=不是人类注意力的完整模型
- Transformer — 英文=Transformer;简明定义=以注意力为核心的序列架构;常见误区=不是所有 AI 的唯一架构
- RAG — 英文=Retrieval-Augmented Generation;简明定义=检索外部材料后生成;常见误区=不能保证忠实引用
- 智能体 — 英文=Agent;简明定义=能规划、调用工具并执行任务的系统;常见误区=调用一次工具不等于自治智能体
- 工具调用 — 英文=Tool Use;简明定义=模型通过接口使用搜索、代码或业务系统;常见误区=权限越大风险越高
- 记忆 — 英文=Memory;简明定义=保存和提取跨步骤或跨会话状态;常见误区=应支持更正和删除
- 世界模型 — 英文=World Model;简明定义=预测环境状态及行动后果的模型;常见误区=视频生成器不必然是可规划世界模型
- 空间智能 — 英文=Spatial Intelligence;简明定义=理解、生成并与三维空间交互的能力;常见误区=仍是研究纲领
- 具身智能 — 英文=Embodied AI;简明定义=在物理或模拟身体中感知和行动的智能;常见误区=不等于人形机器人
- VLA — 英文=Vision-Language-Action;简明定义=从视觉和语言条件生成动作的模型;常见误区=动作 token 不保证真机安全
- 强化学习 — 英文=Reinforcement Learning;简明定义=通过回报学习行动策略;常见误区=奖励函数可能被投机
- 模仿学习 — 英文=Imitation Learning;简明定义=从示范数据学习行为;常见误区=会继承示范偏差
- 持续学习 — 英文=Continual Learning;简明定义=顺序学习且尽量保留旧能力;常见误区=不同于仅扩展数据库
- 联邦学习 — 英文=Federated Learning;简明定义=数据留在本地、聚合模型更新;常见误区=仍可能泄露或被投毒
- 因果推断 — 英文=Causal Inference;简明定义=估计干预和反事实关系;常见误区=需要假设和可识别性
- 幻觉 — 英文=Hallucination;简明定义=生成看似合理但无依据或错误的内容;常见误区=不是只有事实题才发生
- 对齐 — 英文=Alignment;简明定义=使系统行为符合人类目标和约束;常见误区=不存在单一统一价值
- 红队 — 英文=Red Teaming;简明定义=主动寻找系统失败和滥用途径;常见误区=未发现不等于无风险
- 基准 — 英文=Benchmark;简明定义=标准化比较任务与指标;常见误区=容易过拟合且外推有限
- 模型卡 — 英文=Model Card;简明定义=记录模型用途、评测和限制的文档;常见误区=文档完整不等于系统安全
- 开放权重 — 英文=Open Weights;简明定义=允许下载模型参数;常见误区=不等于数据、代码和许可证全开放
- 量化 — 英文=Quantization;简明定义=用较低数值精度压缩和加速模型;常见误区=可能损失能力
- 蒸馏 — 英文=Distillation;简明定义=让小模型学习大模型行为;常见误区=会继承教师错误
- LoRA — 英文=Low-Rank Adaptation;简明定义=用低秩增量高效微调;常见误区=不自动解决数据许可
- 推理时计算 — 英文=Test-time Compute;简明定义=回答时追加搜索、采样或验证;常见误区=提升能力也增加成本
- 可解释性 — 英文=Interpretability;简明定义=理解模型内部或输出依据的方法;常见误区=解释可能不忠实
- AI4Science — 英文=AI for Science;简明定义=用 AI 建模、设计、仿真和实验;常见误区=预测不等于科学发现完成
- 数字孪生 — 英文=Digital Twin;简明定义=现实系统的动态数字模型;常见误区=依赖数据和模型校准
- 神经形态 — 英文=Neuromorphic Computing;简明定义=事件驱动类脑计算架构;常见误区=能效优势依任务而定
- 边缘 AI — 英文=Edge AI;简明定义=在终端设备本地运行 AI;常见误区=端侧也需要安全更新
- 主权 AI — 英文=Sovereign AI;简明定义=本地控制关键算力、数据和模型;常见误区=可能增加成本和碎片化
- 总拥有成本 — 英文=Total Cost of Ownership;简明定义=采购、运行、集成、治理和失败成本总和;常见误区=不能只看每 token 价格
- 人在回路 — 英文=Human in the Loop;简明定义=关键步骤由人类确认或接管;常见误区=人类也会自动化偏误
完整参考来源
共 109 条;完整可筛选列见配套 Excel/CSV。
- S01 — 标题=The 2026 AI Index Report;机构=Stanford HAI;年份=2026;来源
- S02 — 标题=International AI Safety Report 2026;机构=International AI Safety Report;年份=2026;来源
- S03 — 标题=Attention Is All You Need;机构=NeurIPS / arXiv;年份=2017;来源
- S04 — 标题=Language Models are Few-Shot Learners;机构=OpenAI / NeurIPS;年份=2020;来源
- S05 — 标题=Training language models to follow instructions with human feedback;机构=OpenAI;年份=2022;来源
- S06 — 标题=Direct Preference Optimization;机构=Stanford / arXiv;年份=2023;来源
- S07 — 标题=Learning to reason with LLMs;机构=OpenAI;年份=2024;来源
- S08 — 标题=Building effective agents;机构=Anthropic;年份=2024;来源
- S09 — 标题=Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks;机构=Meta AI / NeurIPS;年份=2020;来源
- S10 — 标题=CLIP: Learning Transferable Visual Models From Natural Language Supervision;机构=OpenAI;年份=2021;来源
- S11 — 标题=Introducing V-JEPA 2;机构=Meta AI;年份=2025;来源
- S12 — 标题=Genie 3: A new frontier for world models;机构=Google DeepMind;年份=2025;来源
- S13 — 标题=About World Labs;机构=World Labs;年份=2026;来源
- S14 — 标题=Gemini Robotics;机构=Google DeepMind;年份=2025;来源
- S15 — 标题=RT-2: Vision-Language-Action Models Transfer Web Knowledge to Robotic Control;机构=Google DeepMind;年份=2023;来源
- S16 — 标题=π0: A Vision-Language-Action Flow Model for General Robot Control;机构=Physical Intelligence;年份=2024;来源
- S17 — 标题=NVIDIA Isaac GR00T N1;机构=NVIDIA;年份=2025;来源
- S18 — 标题=Highly accurate protein structure prediction with AlphaFold;机构=Nature / Google DeepMind;年份=2021;来源
- S19 — 标题=Accurate structure prediction of biomolecular interactions with AlphaFold 3;机构=Nature / Google DeepMind;年份=2024;来源
- S20 — 标题=Scaling deep learning for materials discovery;机构=Nature / Google DeepMind;年份=2023;来源
- S21 — 标题=A generative model for inorganic materials design;机构=Nature / Microsoft Research;年份=2025;来源
- S22 — 标题=AlphaEvolve: A Gemini-powered coding agent for designing advanced algorithms;机构=Google DeepMind;年份=2025;来源
- S23 — 标题=GraphCast: Learning skillful medium-range global weather forecasting;机构=Science / Google DeepMind;年份=2023;来源
- S24 — 标题=AI Risk Management Framework 1.0;机构=NIST;年份=2023;来源
- S25 — 标题=Artificial Intelligence Act;机构=European Union;年份=2024;来源
- S26 — 标题=White House Unveils America’s AI Action Plan;机构=The White House;年份=2025;来源
- S27 — 标题=生成式人工智能服务管理暂行办法;机构=中国国家互联网信息办公室;年份=2023;来源
- S28 — 标题=人工智能安全治理框架 2.0;机构=中国国家互联网信息办公室;年份=2025;来源
- S29 — 标题=OECD AI Principles;机构=OECD;年份=2024 update;来源
- S30 — 标题=Yann LeCun(杨立昆) — official home page;机构=Yann LeCun(杨立昆);年份=2026;来源
- S31 — 标题=Waymo Safety Impact;机构=Waymo;年份=2026;来源
- S32 — 标题=Klarna AI assistant handles two-thirds of customer service chats in its first month;机构=Klarna;年份=2024;来源
- S33 — 标题=The next chapter of our AI momentum;机构=Google;年份=2026;来源
- S34 — 标题=Discovery Loop — Continuous Exploration;机构=Discovery Loop;年份=2026;来源
- S35 — 标题=About Google DeepMind;机构=Google DeepMind;年份=2026;来源
- S36 — 标题=Yoshua Bengio(约书亚·本吉奥) — Biography and work;机构=Yoshua Bengio(约书亚·本吉奥);年份=2026;来源
- S37 — 标题=Safe Superintelligence Inc.;机构=SSI;年份=2026;来源
- S38 — 标题=Machines of Loving Grace;机构=Dario Amodei(达里奥·阿莫迪);年份=2024;来源
- S39 — 标题=The Bitter Lesson;机构=Richard Sutton(理查德·萨顿);年份=2019;来源
- S40 — 标题=Artificial Intelligence: A Modern Approach;机构=Russell & Norvig;年份=2021;来源
- S41 — 标题=Model Cards;机构=Google DeepMind;年份=2026;来源
- S42 — 标题=Foundation Model Transparency Index;机构=Stanford CRFM;年份=2025;来源
- S43 — 标题=Model Context Protocol;机构=Anthropic;年份=2024;来源
- S44 — 标题=Constitutional AI: Harmlessness from AI Feedback;机构=Anthropic;年份=2022;来源
- S45 — 标题=Scaling Laws for Neural Language Models;机构=OpenAI;年份=2020;来源
- S46 — 标题=Chinchilla: Training Compute-Optimal Large Language Models;机构=Google DeepMind;年份=2022;来源
- S47 — 标题=FlashAttention;机构=Stanford;年份=2022;来源
- S48 — 标题=Distilling the Knowledge in a Neural Network;机构=Google;年份=2015;来源
- S49 — 标题=LoRA: Low-Rank Adaptation of Large Language Models;机构=Microsoft;年份=2021;来源
- S50 — 标题=Federated Learning: Communication-Efficient Learning of Deep Networks;机构=Google;年份=2017;来源
- S51 — 标题=Continual Learning in Neural Networks;机构=arXiv;年份=2019;来源
- S52 — 标题=Human-level control through deep reinforcement learning;机构=Nature / DeepMind;年份=2015;来源
- S53 — 标题=Mastering the game of Go without human knowledge;机构=Nature / DeepMind;年份=2017;来源
- S54 — 标题=Mastering Atari, Go, chess and shogi by planning with a learned model;机构=Nature / DeepMind;年份=2020;来源
- S55 — 标题=Neural Ordinary Differential Equations;机构=NeurIPS;年份=2018;来源
- S56 — 标题=Energy and AI;机构=International Energy Agency;年份=2025;来源
- S57 — 标题=The state of AI in 2025;机构=McKinsey;年份=2025;来源
- S58 — 标题=Generative AI at Work;机构=NBER;年份=2023;来源
- S59 — 标题=Measuring the Impact of Early-2025 AI on Experienced Open-Source Developer Productivity;机构=METR;年份=2025;来源
- S60 — 标题=The Financial Stability Implications of Artificial Intelligence;机构=Financial Stability Board;年份=2024;来源
- S61 — 标题=Artificial Intelligence-Enabled Medical Devices;机构=U.S. FDA;年份=2026;来源
- S62 — 标题=World Robotics 2025 — Industrial Robots;机构=International Federation of Robotics;年份=2025;来源
- S63 — 标题=Regulation (EU) 2026/1744;机构=European Union;年份=2026;来源
- S64 — 标题=Removing Barriers to American Leadership in Artificial Intelligence;机构=The White House;年份=2025;来源
- S65 — 标题=人工智能生成合成内容标识办法;机构=中国国家互联网信息办公室;年份=2025;来源
- S66 — 标题=Global Digital Compact;机构=United Nations;年份=2024;来源
- S67 — 标题=ISO/IEC 42001:2023;机构=ISO;年份=2023;来源
- S68 — 标题=C2PA Specification 2.2;机构=C2PA;年份=2025;来源
- S69 — 标题=Advanced Machine Intelligence Labs;机构=AMI Labs;年份=2026;来源
- S70 — 标题=Learning Abstractions;机构=Yann LeCun(杨立昆) / Dædalus;年份=2026;来源
- S71 — 标题=Yoshua Bengio(约书亚·本吉奥) launches LawZero;机构=LawZero;年份=2025;来源
- S72 — 标题=A Functional Taxonomy of World Models;机构=World Labs;年份=2026;来源
- S73 — 标题=SSI Updates;机构=Safe Superintelligence Inc.;年份=2026;来源
- S74 — 标题=The Adolescence of Technology;机构=Dario Amodei(达里奥·阿莫迪);年份=2026;来源
- S75 — 标题=xAI joins SpaceX;机构=xAI;年份=2026;来源
- S76 — 标题=Announcing Copilot leadership update;机构=Microsoft;年份=2026;来源
- S77 — 标题=π0.5: a VLA Model with Open-World Generalization;机构=Physical Intelligence;年份=2025;来源
- S78 — 标题=On the Opportunities and Risks of Foundation Models;机构=Stanford CRFM;年份=2021;来源
- S79 — 标题=Economy — 2026 AI Index;机构=Stanford HAI;年份=2026;来源
- S80 — 标题=Science — 2026 AI Index;机构=Stanford HAI;年份=2026;来源
- S81 — 标题=Medicine — 2026 AI Index;机构=Stanford HAI;年份=2026;来源
- S82 — 标题=Education — 2026 AI Index;机构=Stanford HAI;年份=2026;来源
- S83 — 标题=Research and Development — 2026 AI Index;机构=Stanford HAI;年份=2026;来源
- S84 — 标题=Technical Performance — 2026 AI Index;机构=Stanford HAI;年份=2026;来源
- S85 — 标题=Responsible AI — 2026 AI Index;机构=Stanford HAI;年份=2026;来源
- S86 — 标题=Policy and Governance — 2026 AI Index;机构=Stanford HAI;年份=2026;来源
- S87 — 标题=Geoffrey Hinton(杰弗里·辛顿) — Facts;机构=Nobel Prize;年份=2024;来源
- S88 — 标题=Taking a responsible path to AGI;机构=Google DeepMind / Shane Legg(谢恩·莱格);年份=2025;来源
- S89 — 标题=US scientist John Jumper(约翰·江珀) to leave Google DeepMind for Anthropic;机构=Reuters;年份=2026;来源
- S90 — 标题=OpenAI co-founder Andrej Karpathy(安德烈·卡帕西) joins Anthropic's pre-training team;机构=TechCrunch;年份=2026;来源
- S91 — 标题=Chelsea Finn(切尔西·芬) — Stanford Profile;机构=Stanford University;年份=2026;来源
- S92 — 标题=Sergey Levine(谢尔盖·莱文) — Faculty Profile;机构=UC Berkeley;年份=2026;来源
- S93 — 标题=Andy Jassy(安迪·贾西) shares leadership updates;机构=Amazon;年份=2025;来源
- S94 — 标题=Percy Liang(梁柏西);机构=Stanford University;年份=2026;来源
- S95 — 标题=Dawn Song(宋晓冬);机构=UC Berkeley;年份=2026;来源
- S96 — 标题=Kaiming He(何恺明);机构=MIT;年份=2026;来源
- S97 — 标题=关于北京通用人工智能研究院;机构=BIGAI;年份=2026;来源
- S98 — 标题=Zhi-Hua Zhou(周志华);机构=Nanjing University;年份=2026;来源
- S99 — 标题=Jensen Huang(黄仁勋) — Management Team;机构=NVIDIA;年份=2026;来源
- S100 — 标题=Built to benefit everyone: our plan;机构=OpenAI;年份=2026;来源
- S101 — 标题=Judea Pearl(朱迪亚·珀尔) — UCLA faculty profile;机构=UCLA;年份=2026;来源
- S102 — 标题=Intelligent Systems Group;机构=UCL;年份=2026;来源
- S103 — 标题=Jitendra Malik(吉滕德拉·马利克) — curriculum vitae;机构=UC Berkeley;年份=2026;来源
- S104 — 标题=Framework Convention on Artificial Intelligence;机构=Council of Europe;年份=2024;来源
- S105 — 标题=Ilya Sutskever(伊利亚·苏茨克维) to leave OpenAI, Jakub Pachocki(雅库布·帕霍茨基) announced as Chief Scientist;机构=OpenAI;年份=2024;来源
- S106 — 标题=Thinking Machines Lab and NVIDIA Announce Long-Term Gigawatt-Scale Strategic Partnership;机构=Thinking Machines Lab;年份=2026;来源
- S107 — 标题=Empowering Parents, Protecting Teens: Meta’s Approach to AI Safety;机构=Meta;年份=2026 update;来源
- S108 — 标题=Upstart Chinese AI company DeepSeek's founder started out as a low-key hedge fund entrepreneur;机构=Associated Press;年份=2025;来源
- S109 — 标题=About Mistral;机构=Mistral AI;年份=2026;来源