未来展望：下一个十年
预测未来总是困难的，但从当下的技术路线与产业动向中，可以看到一些相对清晰的方向。以下为基于公开信息的趋势判断，并非确定性预言。
路线图：从"能做事"到"做大事"
把六大趋势放在同一条时间线上，可以看到一个清晰的方向：AI 的角色正从"工具"演变为"协作者"，再到深度参与科研与生产的"伙伴"。
支撑这些判断的三个信号
能力在加速：真实代码修复基准的解决率一年内从约 60% 提升到接近 100%；2026 年 9—10 月，新一代旗舰模型集中发布，竞争焦点转向能长时间自主工作的智能体。
需求在爆发：我国生成式 AI 用户在 2026 年上半年突破 7 亿，ChatGPT 周活跃用户达 9 亿；头部模型公司的年化收入已达数百亿美元，AI 不再只是"烧钱"的概念。
投入在加码：2026 年上半年全球 AI 风险投资约 4,300 亿美元，已超过 2025 年全年（安永口径）；我国智能算力同比增长 177%，并提出 2030 年达到 9,800 EFLOPS 的目标；全球人形机器人上半年出货超 2.2 万台。
量化目标与机构预测
趋势判断需要数字支撑。以下汇总了政府规划目标与权威机构对未来几年的预测，它们共同勾勒出 AI 发展的"刻度"。
| 时间 | 指标 | 目标 / 预测 | 来源 |
|---|---|---|---|
| 2026 年 | 全球 AI 支出 | 约 2.59 万亿美元，同比增长 47% | Gartner（2026 年 5 月） |
| 2026 年 | 全球人形机器人出货量 | 超过 5 万台（上半年已超 2.2 万台） | Counterpoint Research |
| 2027 年 | 我国新一代智能终端、智能体等应用普及率 | 超过 70% | 国务院"人工智能+"行动意见 |
| 2027 年 12 月 | 欧盟独立高风险 AI 系统义务 | 开始适用（原定 2026 年 8 月） | 欧盟《人工智能法》修订案 |
| 2030 年 | 我国新一代智能终端、智能体等应用普及率 | 超过 90%，智能经济成为重要增长极 | 国务院"人工智能+"行动意见 |
| 2030 年 | 我国智能算力规模 | 9,800 EFLOPS（2026 年 6 月为 2,185） | 工业和信息化部 |
| 2030 年 | 全球数据中心用电量 | 约 950 TWh，约占全球用电 3%（2025 年为 485） | 国际能源署（IEA） |
| 2035 年 | 我国发展阶段 | 全面步入智能经济和智能社会发展新阶段 | 国务院"人工智能+"行动意见 |
如果能力趋势延续……
按 METR 观察到的趋势，AI 能独立完成的任务时长每 3—7 个月翻一番。若这一趋势延续，几年内 AI 就可能以一定成功率完成人类需要数天乃至数周的项目。
但这只是外推，并非预测：算力与电力供给、高质量数据、可靠性瓶颈和监管都可能改变曲线的斜率。
六大趋势
长时程智能体成为"数字员工"
近期（1—3 年）
智能体可独立完成数小时到数天的任务，在编程、数据分析、运营等岗位中承担完整工作单元。
中长期
多智能体协作网络出现，企业组织形态围绕"人 + 智能体团队"重构，人负责目标、判断与责任。
向通用人工智能（AGI）迈进
近期（1—3 年）
重点补齐"参差不齐"的能力短板：常识、长期记忆、持续学习与可靠性。
中长期
业界对 AGI 的定义与时间表分歧很大。可以确定的是，能力评估与安全研究将与能力提升同等重要。
具身智能规模化
近期（1—3 年）
人形与专用机器人在工厂、仓储、巡检等结构化场景中批量部署，成本持续下降。
中长期
逐步进入商业服务与家庭场景，养老陪护等社会需求可能成为重要驱动力。
科学发现加速
近期（1—3 年）
AI 科研助手普及，文献综述、实验设计与数据分析效率大幅提升。
中长期
"AI + 自动化实验室"形成闭环，在新药、新材料、能源等领域显著缩短研发周期。
AI 成为基础设施
近期（1—3 年）
推理成本持续下降，AI 能力内置于操作系统、手机与办公软件，像搜索一样"无处不在"。
中长期
算力与能源成为国家竞争力的核心要素，绿色算力与能效技术加速发展。
治理体系逐步成熟
近期（1—3 年）
内容标识、安全评估、智能体行为规范等规则逐步落地，企业合规成本上升。
中长期
形成跨国协调的治理框架，在鼓励创新与防范风险之间找到动态平衡。
不同观点：三个尚无定论的问题
关于 AI 的未来，业界和学界存在明显分歧。以下把主要观点与依据并列呈现，供读者自行判断。
问题一：通用人工智能（AGI）何时到来？
2—5 年内
多家前沿 AI 公司的负责人公开表示，具备广泛人类水平能力的系统可能在几年内出现。依据是能力曲线的持续加速，例如 AI 能独立完成的任务时长每 3—7 个月翻一番。
本世纪中叶前后
AI Impacts 于 2023 年调查了 2,778 名 AI 研究者，汇总结果认为"高水平机器智能"在 2047 年前出现的概率为 50%；而一年前同类调查的答案是 2060 年，预期正在明显提前。
路径未明
部分研究者认为，现有大模型在常识、持续学习和可靠性上存在根本短板，单靠扩大规模未必能通向 AGI；职业预测者群体给出的时间表也普遍晚于企业负责人。
注：各方对 AGI 的定义并不一致，这本身就是分歧的重要来源。
问题二：AI 是否存在泡沫？
- 投入远超收入：科技巨头 2026 年资本开支指引合计超 7,000 亿美元，而 AI 直接带来的收入仍明显低于这一规模
- 落地效果存疑：MIT NANDA 项目 2025 年的初步报告称，95% 的受访组织尚未从生成式 AI 项目中获得可衡量的回报（样本较小，未经同行评审）
- 资产折旧快：GPU 等算力设备的使用寿命通常只有数年，投资回收窗口有限
- 真实需求增长：88% 的企业组织在使用 AI，我国生成式 AI 用户超 7 亿，ChatGPT 周活跃用户达 9 亿
- 收入快速攀升：头部模型公司年化收入已达数百亿美元量级，部分公司一年增长数倍
- 基础设施有长期价值：数据中心、电网等投入即使短期过剩，长期仍会被利用，这与互联网泡沫后光纤网络的经历类似
一种常见的折中看法是：基础设施投资本身是真实的，但部分应用层公司的估值可能存在过热。
问题三：开源还是闭源？
开放模型权重能降低使用门槛、促进全球创新、便于独立的安全研究，也让企业可以私有化部署、数据不出域。DeepSeek、通义千问等开源模型的快速普及，被视为开源路线的有力例证。
前沿模型的危险能力一旦随权重公开便无法收回，安全护栏也容易被移除；闭源便于持续监控滥用、分级发布。《国际人工智能安全报告》也把能力扩散列为需要权衡的风险之一。
如何为 AI 时代做准备
成为会用 AI 的人
- 每天在工作中尝试用 AI 完成一件事
- 培养提问、拆解问题与判断结果的能力
- 强化沟通、创造与跨领域整合等"人的优势"
从试点走向重塑
- 围绕业务目标而非技术热点选择场景
- 建设数据底座与 AI 治理制度
- 投资员工培训，重新设计岗位与流程
培养面向未来的能力
- 把 AI 素养纳入课程，教会学生正确使用
- 从考查记忆转向考查思考与创造
- 制定清晰的校园 AI 使用规范