過去半年我在幾個(gè)技術(shù)社區(qū)的年終交流里反復(fù)聽到同一個(gè)判斷2026年會(huì)把AI帶到一個(gè)關(guān)鍵轉(zhuǎn)折點(diǎn)。大家討論的焦點(diǎn)不再是“誰的模型參數(shù)更多”而是三個(gè)聽起來很不一樣的方向——量子AI、具身智能以及用AI推動(dòng)科學(xué)發(fā)現(xiàn)的新范式。把它們放在一起并不是那種“再炒作三個(gè)新風(fēng)口”的陳舊敘事而是因?yàn)檫@三條路徑背后有一條共同的邏輯AI的能力瓶頸已經(jīng)從文本生成轉(zhuǎn)移到了計(jì)算物理極限、真實(shí)世界數(shù)據(jù)獲取以及超越人類直覺的模式挖掘上。這篇文章結(jié)合我近年的觀察、讀論文和跑項(xiàng)目的體會(huì)聊聊這三個(gè)方向在2026年最可能發(fā)生的實(shí)質(zhì)變化、各自的技術(shù)分水嶺以及作為一個(gè)普通從業(yè)者應(yīng)該怎么提前準(zhǔn)備。無論你是做算法、做系統(tǒng)還是做科研這些內(nèi)容應(yīng)該都能給你一個(gè)相對(duì)實(shí)在的判斷框架。1. 新紀(jì)元的前夜為什么2026年會(huì)被單獨(dú)拿出來說先說我自己的一個(gè)判斷框架。2025年整個(gè)行業(yè)表面上還在卷大模型但到下半年已經(jīng)越來越多的人開始意識(shí)到一個(gè)問題過去幾年那種“模型變大、數(shù)據(jù)變多、效果變好”的增長邏輯正在幾個(gè)方向上同時(shí)撞到天花板。這不是某一家公司的問題而是整個(gè)技術(shù)范式的邊界問題。1.1 三重瓶頸算力、數(shù)據(jù)與模態(tài)同時(shí)觸頂?shù)谝恢厥撬懔ζ款i。預(yù)訓(xùn)練規(guī)模從小就遵循某種“規(guī)模法則”但現(xiàn)在邊際收益在明顯下降。一個(gè)最直觀的現(xiàn)象是一個(gè)模型從千億參數(shù)漲到萬億參數(shù)推理成本漲了不止一個(gè)量級(jí)但能力提升的幅度已經(jīng)達(dá)不到當(dāng)年那種驚艷的水平。很多團(tuán)隊(duì)已經(jīng)開始掂量“微調(diào)一個(gè)現(xiàn)有開源模型”和“從零訓(xùn)練一個(gè)大模型”之間的性價(jià)比后者越來越像一場(chǎng)豪賭。這里說的還不只是訓(xùn)練階段推理階段更嚴(yán)重。如果一個(gè)任務(wù)動(dòng)輒需要嵌套調(diào)用十幾次模型單次請(qǐng)求的算力開銷就已經(jīng)讓很多落地場(chǎng)景算不過賬來。算力物理極限的逼近是這一輪焦慮的底色。第二重是數(shù)據(jù)瓶頸?；ヂ?lián)網(wǎng)上公開可用的高質(zhì)量文本正在被以極快的速度消耗掉。早期訓(xùn)練一個(gè)模型爬蟲抓到的網(wǎng)頁質(zhì)量參差不齊但勝在總量大清洗完仍然能用到了現(xiàn)在很多平臺(tái)開始限制抓取公開數(shù)據(jù)源的質(zhì)量和規(guī)模雙雙下降。合成數(shù)據(jù)一度被寄予厚望但真正跑過實(shí)驗(yàn)的人都知道合成數(shù)據(jù)用多了模型會(huì)陷入一種“近親繁殖”式的退化——在同一套生成邏輯里反復(fù)打轉(zhuǎn)多樣性肉眼可見地流失。數(shù)據(jù)問題直接關(guān)系到“下一步還能學(xué)什么”。第三重是模態(tài)瓶頸。文本模型再強(qiáng)輸出的也是文字和圖片而現(xiàn)實(shí)世界是一個(gè)由動(dòng)作、力反饋、空間關(guān)系、時(shí)間連續(xù)性構(gòu)成的高維系統(tǒng)。把物理世界“倒進(jìn)”模型里這件事文本數(shù)據(jù)的經(jīng)驗(yàn)基本幫不上忙。自動(dòng)駕駛、機(jī)器人、工業(yè)控制這些場(chǎng)景都卡在這里模型無法可靠地預(yù)測(cè)“如果我推這個(gè)箱子一下它會(huì)往哪倒”。這不是加幾層網(wǎng)絡(luò)能解決的它要求模型結(jié)構(gòu)本身發(fā)生改變。1.2 量子、機(jī)器人與科學(xué)發(fā)現(xiàn)分別回應(yīng)了什么把這三大瓶頸放在一起再看量子AI、具身智能和科學(xué)發(fā)現(xiàn)這三個(gè)方向就會(huì)很清晰。量子AI回答的是算力瓶頸。經(jīng)典計(jì)算機(jī)在某個(gè)尺度上的算力擴(kuò)張?jiān)絹碓桨嘿F而量子計(jì)算在特定線性代數(shù)、組合優(yōu)化、量子系統(tǒng)模擬等問題上有理論上的根本性優(yōu)勢(shì)。它不是讓芯片跑得更快而是換了一套計(jì)算規(guī)則讓某些問題的復(fù)雜度直接從指數(shù)級(jí)降到多項(xiàng)式級(jí)。具身智能回答的是模態(tài)與數(shù)據(jù)瓶頸。機(jī)器人讓AI從被動(dòng)吸收互聯(lián)網(wǎng)文本變成主動(dòng)在物理世界交互、采集真實(shí)反饋。每一組抓取、推搡、走路的動(dòng)作數(shù)據(jù)都帶著文本數(shù)據(jù)不具備的“因果結(jié)構(gòu)”動(dòng)了A才有B。這種數(shù)據(jù)恰恰是目前最稀缺的?？茖W(xué)發(fā)現(xiàn)回答的則是“數(shù)據(jù)價(jià)值重構(gòu)”的問題?？茖W(xué)實(shí)驗(yàn)生成的數(shù)據(jù)——蛋白質(zhì)序列、材料能帶、譜學(xué)信號(hào)、反應(yīng)條件——過去大多躺在論文補(bǔ)充材料里沒人讀現(xiàn)在卻被結(jié)構(gòu)化、做成可訓(xùn)練的語料。AI幫助科學(xué)家從海量高維數(shù)據(jù)里挖出人類直覺難以發(fā)現(xiàn)的規(guī)律這等于給AI找到了一個(gè)幾乎無窮無盡、且?guī)в锌陀^驗(yàn)證信號(hào)的訓(xùn)練場(chǎng)。所以“新紀(jì)元”這個(gè)詞指的不是某一個(gè)技術(shù)突然爆發(fā)而是三種范式同時(shí)抵達(dá)了可以協(xié)同的臨界點(diǎn)。2026年的特殊性在于這三條線在實(shí)驗(yàn)環(huán)境中第一次站到了同一個(gè)起跑線上。2. 量子AI從“可實(shí)驗(yàn)”到“可編程”的分水嶺量子AI大概是這三個(gè)方向里最容易兩頭望不到邊的話題一端是論文里神乎其神的“量子霸權(quán)”另一端是連幾十個(gè)邏輯量子比特都湊不齊的工程現(xiàn)實(shí)。我在2026年最關(guān)注的東西不是哪家實(shí)現(xiàn)了多少比特而是四個(gè)字可編程性。2.1 先分清量子AI的三個(gè)層次很多討論把量子AI當(dāng)成一個(gè)整體實(shí)際上它至少可以拆成三個(gè)完全不同的層次每個(gè)層次的成熟度差著好幾年。第一個(gè)層次是“量子計(jì)算輔助AI”。用量子硬件去加速機(jī)器學(xué)習(xí)里的某個(gè)子程序比如矩陣求逆、特征值分解、采樣。這類算法在理論上能找到相當(dāng)漂亮的加速比但前提是你要把數(shù)據(jù)編碼成量子態(tài)再從量子態(tài)里讀出結(jié)果這兩個(gè)環(huán)節(jié)在目前硬件上開銷極大經(jīng)常把理論優(yōu)勢(shì)抵消掉。所以實(shí)踐里做得最多的反而是采樣類任務(wù)——用量子電路生成經(jīng)典方法難以高效生成的概率分布然后用這些分布去訓(xùn)練經(jīng)典模型。第二個(gè)層次是“量子算法啟發(fā)AI”。這個(gè)不碰硬件而是從量子力學(xué)里借概念設(shè)計(jì)出更好的經(jīng)典算法。比如張量網(wǎng)絡(luò)用于大模型參數(shù)壓縮、量子啟發(fā)式優(yōu)化用于組合問題求解、退火式遷移用于低秩分解。這個(gè)層次落地最容易因?yàn)樗茉谄胀℅PU上但它不算真正的“量子AI”叫“量子啟發(fā)經(jīng)典算法”更準(zhǔn)確。第三個(gè)層次是“AI輔助量子計(jì)算”。聽起來反過來了但其實(shí)是目前進(jìn)展最快、工程價(jià)值最高的一塊用神經(jīng)網(wǎng)絡(luò)做量子糾錯(cuò)解碼、校準(zhǔn)量子門的系統(tǒng)誤差、自動(dòng)優(yōu)化實(shí)驗(yàn)參數(shù)。量子計(jì)算機(jī)本身是個(gè)極不穩(wěn)定的系統(tǒng)AI能在里面扮演“駕駛員”的角色。很多做量子實(shí)驗(yàn)的團(tuán)隊(duì)反饋換上AI自動(dòng)校準(zhǔn)之后設(shè)備的可用時(shí)間比手工調(diào)試提升了幾倍這是確定性很強(qiáng)、很快能產(chǎn)生回報(bào)的落點(diǎn)。2.2 2026年的量化里程碑糾錯(cuò)從實(shí)驗(yàn)室走向工程硬件上2026年值得盯住的指標(biāo)不是物理比特?cái)?shù)而是邏輯量子比特的可用性和邏輯門錯(cuò)誤率。直接數(shù)物理比特沒有意義因?yàn)椴粠Ъm錯(cuò)的裸比特錯(cuò)誤率只能用來做演示不能跑嚴(yán)肅任務(wù)。這里需要一點(diǎn)背景。量子糾錯(cuò)普遍采用的框架是表面碼用一堆物理比特去編碼一個(gè)人邏輯比特通過反復(fù)測(cè)量校驗(yàn)子來發(fā)現(xiàn)和糾正錯(cuò)誤。如果物理比特的門錯(cuò)誤率在某個(gè)閾值通常是10的負(fù)三次方量級(jí)之下糾錯(cuò)就能把邏輯錯(cuò)誤率壓得比物理錯(cuò)誤率低得多。問題是這個(gè)開銷極其感人一個(gè)邏輯比特往往要幾百上千個(gè)物理比特來保護(hù)而一套能跑實(shí)際算法的系統(tǒng)至少需要幾十到上百個(gè)邏輯比特。所以在2026年我會(huì)重點(diǎn)觀察這樣幾個(gè)信號(hào)是否出現(xiàn)“低邏輯錯(cuò)誤率、可編程”的完整設(shè)備而不是單點(diǎn)演示兩比特門錯(cuò)誤率是否穩(wěn)定壓到閾值以下連續(xù)跑幾天不漂移有沒有成熟的“量子-經(jīng)典混合”工作流讓經(jīng)典計(jì)算機(jī)調(diào)度量子子程序而不是把整個(gè)問題都扔進(jìn)量子機(jī)器開源編程框架的生態(tài)是否長起來社區(qū)里有沒有人開始寫可復(fù)用的應(yīng)用代碼。如果前兩條還在爬坡后兩條跑得快那么2026年最現(xiàn)實(shí)的用法就是把量子計(jì)算當(dāng)作“科學(xué)計(jì)算加速器”專攻量子化學(xué)、材料模擬、優(yōu)化采樣這幾類高價(jià)值任務(wù)。它對(duì)通用大模型訓(xùn)練的加速在可預(yù)見的未來都不是主要路徑。2.3 量子機(jī)器學(xué)習(xí)加速的不是所有算法而是一類特殊結(jié)構(gòu)說到量子機(jī)器學(xué)習(xí)最常見的一個(gè)誤區(qū)是“量子計(jì)算機(jī)能讓神經(jīng)網(wǎng)絡(luò)訓(xùn)練快一百倍”。這個(gè)說法至少到目前為止不成立。神經(jīng)網(wǎng)絡(luò)的核心是巨量并行的矩陣乘法和非線性激活這類操作本身就是經(jīng)典硬件很擅長的量子優(yōu)勢(shì)不是不存在但往往被數(shù)據(jù)編碼和讀出的瓶頸抵消。量子機(jī)器學(xué)習(xí)真正有看頭的是這樣的三類問題量子系統(tǒng)本身的模擬。比如算一個(gè)分子的基態(tài)能量、模擬量子材料的輸運(yùn)性質(zhì)這是量子計(jì)算機(jī)的“主場(chǎng)”經(jīng)典機(jī)器再怎么優(yōu)化都會(huì)撞墻。稀疏線性代數(shù)相關(guān)的子程序。只要問題的規(guī)模大到經(jīng)典方法無法承受而矩陣又有良好的結(jié)構(gòu)性量子算法就有可能在復(fù)雜度上實(shí)現(xiàn)數(shù)量級(jí)上的突破。高維概率分布的抽取與測(cè)度。量子電路能天然生成一些經(jīng)典分布很難t采樣器模擬的分布用在概率圖模型推斷、組合優(yōu)化熱采樣上有一定前景。所以我的建議是把“量子AI”理解成“給特定問題準(zhǔn)備的專用加速設(shè)備”而不是“新一代AI芯片”。2026年最值得做的事不是在量子硬件上重新訓(xùn)練一個(gè)大模型而是把現(xiàn)有科學(xué)計(jì)算流水線里那幾個(gè)計(jì)算熱點(diǎn)拆出來看看能不能扔給量子后端。2.4 從業(yè)者怎么跟蹤信號(hào)清單與“概念漂移”識(shí)別跟蹤前沿最容易出問題的點(diǎn)是概念漂移。每隔一段時(shí)間就會(huì)冒出一些看起來很量子但本質(zhì)上是舊方法換皮的工作。我的過濾方式很簡(jiǎn)單拿到一篇“量子AI”的論文或產(chǎn)品先問三個(gè)問題。第一它跑在什么硬件上如果跑在經(jīng)典模擬器上而且問題規(guī)模只有幾個(gè)比特那基本就是玩具演示。真正的價(jià)值必須建立在實(shí)際量子處理器上哪怕比特?cái)?shù)不多只要端到端跑通就有參考意義。第二它端到端驗(yàn)證了什么很多工作聲稱“用量子采樣加速了某個(gè)經(jīng)典訓(xùn)練過程”但一細(xì)看發(fā)現(xiàn)加速只發(fā)生在某個(gè)極其理想的子模塊整個(gè)流程的總耗時(shí)反而變長了。端到端收益為負(fù)說明還沒到實(shí)用階段。第三它的基線是什么是和隨機(jī)猜測(cè)比還是和當(dāng)前最好的經(jīng)典算法比如果是前者那沒有說服力如果是后者還要看清“經(jīng)典基線”本身有沒有被刻意削弱。2026年這個(gè)賽道會(huì)非常熱鬧但我預(yù)判真正能留下來的一定是那些把“量子糾錯(cuò)工程化”和“特定科學(xué)計(jì)算場(chǎng)景”兩頭都做實(shí)的工作。做投資、做研究還是做產(chǎn)品的人都值得守好這套過濾器。3. 具身智能從屏幕到物理世界真正的數(shù)據(jù)閉環(huán)如果要給2026年選一個(gè)“最可能讓外行也感到震撼”的AI方向我會(huì)押具身智能。原因很樸素過去幾年的AI在屏幕里神通廣大一進(jìn)物理世界就露餡而具身智能第一次把“從觀察到行動(dòng)”的閉環(huán)拉到現(xiàn)實(shí)中讓機(jī)器在真實(shí)物理規(guī)則下學(xué)習(xí)。它帶來的不只是機(jī)器人技術(shù)的進(jìn)步更是整套AI學(xué)習(xí)范式的重構(gòu)。3.1 為什么2026年是窗口期VLA范式與成本曲線具身智能不是今年才有的概念。波士頓早期的人形機(jī)器人、各類輪式機(jī)器人技術(shù)上各有亮點(diǎn)但一直沒能形成“通用性”。原因在于過去機(jī)器人走的是“規(guī)則編程專項(xiàng)控制”的老路每個(gè)動(dòng)作都要工程師手工寫死換個(gè)物體、換個(gè)環(huán)境就崩。過去兩三年AI領(lǐng)域跑通了“視覺-語言-動(dòng)作”模型業(yè)內(nèi)常簡(jiǎn)稱為VLA范式。簡(jiǎn)單說就是把攝像頭畫面、語音指令、機(jī)器人關(guān)節(jié)狀態(tài)一起編碼成一個(gè)大模型的輸入輸出直接是“下一步動(dòng)作”。這個(gè)范式有三個(gè)好處語言模型里已經(jīng)積累的常識(shí)可以遷移過來比如“杯子”和“水”的關(guān)系視覺模型可以復(fù)用成熟的圖像表征動(dòng)作輸出可以通過強(qiáng)化學(xué)習(xí)或模仿學(xué)習(xí)優(yōu)化。等于說AI幫機(jī)器人補(bǔ)上了“理解世界”的那塊拼圖。另一個(gè)讓窗口期到來的關(guān)鍵因素是硬件成本曲線。激光雷達(dá)、深度相機(jī)、機(jī)械臂、靈巧手的價(jià)格這三年降了非常多一套能做基礎(chǔ)研究的桌面級(jí)設(shè)備預(yù)算已經(jīng)降到很多實(shí)驗(yàn)室和中小團(tuán)隊(duì)能接受的范圍。疊加仿真環(huán)境越來越成熟——物理引擎更穩(wěn)、渲染更真實(shí)、傳感器噪聲模擬得更細(xì)膩——使得“先在仿真里練模型再遷移到真機(jī)”成了可復(fù)現(xiàn)的研發(fā)流程。2026年正好是這套軟硬件棧都開始成熟的節(jié)點(diǎn)。3.2 關(guān)鍵技術(shù)棧分層感知、決策、控制具身智能是個(gè)典型的“木桶工程”任何一塊短板都會(huì)讓系統(tǒng)癱在真實(shí)環(huán)境里。我一個(gè)做機(jī)器人系統(tǒng)的朋友常開玩笑說大模型在這里的優(yōu)勢(shì)就是“桶底”——沒有語言和視覺先驗(yàn)連起步都難但真正的功夫全在桶壁上。一個(gè)完整的具身智能棧至少分四層感知層把物理世界實(shí)時(shí)轉(zhuǎn)成結(jié)構(gòu)化表征。不只是“識(shí)別出這是杯子”還要知道杯子的位置、姿態(tài)、是否透明、開蓋需要多大的力。這里的關(guān)鍵已經(jīng)從“目標(biāo)檢測(cè)精度”轉(zhuǎn)向“場(chǎng)景理解的時(shí)序一致性”即機(jī)器人要理解物體間關(guān)系隨動(dòng)作的變化。決策層VLA模型根據(jù)當(dāng)前觀察和指令輸出高層動(dòng)作意圖比如“伸出手沿著這個(gè)軌跡抓取杯柄”。這一層同時(shí)做一個(gè)世界模型預(yù)測(cè)“如果我這樣抓杯子的狀態(tài)會(huì)變成怎樣”。世界模型是2026年的重點(diǎn)研究方向它決定了機(jī)器人能不能處理長程任務(wù)。控制層把高層動(dòng)作意圖轉(zhuǎn)成電機(jī)指令。底層一般還是用經(jīng)典控制理論P(yáng)ID、模型預(yù)測(cè)控制或者針對(duì)特定任務(wù)訓(xùn)練的強(qiáng)化學(xué)習(xí)策略關(guān)鍵是穩(wěn)定性和能效。“模型給出意圖、控制層負(fù)責(zé)執(zhí)行”這種方式比讓大模型直接輸出關(guān)節(jié)扭矩靠譜得多。交互層讓人能用自然語言指揮機(jī)器人、并能理解復(fù)雜任務(wù)目標(biāo)。這意味著模型要掌握“對(duì)話-行動(dòng)-反饋”的循環(huán)而不是一次性指令執(zhí)行。這四層在近期的產(chǎn)品里往往兩兩合并但作為技術(shù)棧的認(rèn)知框架拆開看會(huì)更容易理解瓶頸所在2024年大家在卷感知精度2025年開始卷決策泛化2026年大概率會(huì)卷到“長程任務(wù)的穩(wěn)定性”和“跨場(chǎng)景適應(yīng)”。3.3 數(shù)據(jù)飛輪遙操作、仿真遷移與現(xiàn)實(shí)閉環(huán)具身智能最大的痛點(diǎn)不是模型結(jié)構(gòu)而是數(shù)據(jù)。互聯(lián)網(wǎng)文本數(shù)據(jù)可以用爬蟲解決機(jī)器人操作數(shù)據(jù)只有兩種來源真人演示和仿真生成。真人演示里最主流的是遙操作即人戴著頭顯、用操作臂一點(diǎn)點(diǎn)“教”機(jī)器人動(dòng)作。這套方案的數(shù)據(jù)質(zhì)量極高但成本也極高——一個(gè)復(fù)雜動(dòng)作可能需要幾十上百次演示才能覆蓋足夠多的變化。另一個(gè)來源是讓用戶在手機(jī)App上標(biāo)注或參與眾包用消費(fèi)級(jí)設(shè)備低成本采集數(shù)據(jù)但質(zhì)量參差。仿真遷移是當(dāng)前緩解數(shù)據(jù)瓶頸的主流方案。流程一般是這樣先在高擬真物理環(huán)境里寫一個(gè)“域隨機(jī)化”的任務(wù)隨機(jī)換光照、換物體紋理、換摩擦力讓策略在成千上萬個(gè)仿真變體里練練到成功率很高之后再放到真機(jī)上去微調(diào)。仿真里最大的難題是“虛實(shí)差距”即便渲染再逼真真實(shí)世界的接觸力、材料形變、噪音規(guī)律仍然很難完全模擬。我見過一個(gè)比較務(wù)實(shí)的做法用于倉儲(chǔ)場(chǎng)景的“挑選-放置”任務(wù)先在仿真環(huán)境里用強(qiáng)化學(xué)習(xí)預(yù)訓(xùn)練一個(gè)高成功率策略積累幾百萬步仿真數(shù)據(jù)然后部署到真機(jī)用幾十小時(shí)的真實(shí)遙操作數(shù)據(jù)做微調(diào)最后在部署時(shí)給關(guān)鍵步驟加一層規(guī)則兜底比如吸盤吸不到就切換到夾爪模式。整套流程跑下來端到端成功率從仿真轉(zhuǎn)真機(jī)的不到一半拉到了九成以上。這個(gè)“仿真預(yù)訓(xùn)練少量真實(shí)微調(diào)規(guī)則兜底”的三段式我認(rèn)為會(huì)是2026年很多落地項(xiàng)目的標(biāo)準(zhǔn)配方。要注意的是數(shù)據(jù)飛輪本身也會(huì)形成壁壘誰先跑通一個(gè)場(chǎng)景的數(shù)據(jù)閉環(huán)誰就能持續(xù)積累高質(zhì)量的交互數(shù)據(jù)讓后續(xù)模型越做越順。這也是為什么很多團(tuán)隊(duì)寧可先委屈在物流分揀、倉庫搬運(yùn)這類封閉場(chǎng)景里也不急著做家庭通用機(jī)器人——封閉場(chǎng)景的數(shù)據(jù)閉環(huán)好做開放場(chǎng)景的數(shù)據(jù)閉環(huán)現(xiàn)在根本還沒跑通。3.4 場(chǎng)景優(yōu)先級(jí)哪些先賺錢哪些先燒錢從真實(shí)落地節(jié)奏看2026年具身智能的場(chǎng)景優(yōu)先級(jí)其實(shí)相當(dāng)明確物流與倉儲(chǔ)分揀任務(wù)確定、環(huán)境封閉、容錯(cuò)窗口高是當(dāng)前最成熟的方向。這部分不需要人形機(jī)器人機(jī)械臂移動(dòng)底盤就夠用ROI很容易算清楚。制造與質(zhì)檢上下料、裝配、視覺質(zhì)檢、有規(guī)律地巡檢。難點(diǎn)在于工廠環(huán)境復(fù)雜對(duì)可靠性要求極高。只要單點(diǎn)動(dòng)作的成功率做到足夠好就能替代一部分重復(fù)人力2026年會(huì)有不少試點(diǎn)項(xiàng)目真正跑起來。建筑、農(nóng)業(yè)等非結(jié)構(gòu)化場(chǎng)景復(fù)雜度陡增天氣、地形、植物形態(tài)千變?nèi)f化。這些場(chǎng)景的瓶頸不在AI而在硬件可靠性短期依然以率先示范為主規(guī)模商業(yè)化的窗口可能在2027年后。家庭服務(wù)最難啃的骨頭。家庭環(huán)境對(duì)物體多樣性的要求極高責(zé)任和安全隱患又大一臺(tái)設(shè)備要同時(shí)具備掃地、收納、做飯、陪伴等多種能力且必須絕對(duì)安全。個(gè)人判斷2026年家庭人形機(jī)器人還是“技術(shù)驗(yàn)證場(chǎng)景演示”為主不會(huì)出現(xiàn)通用放量。這里我想多說一句風(fēng)險(xiǎn)意識(shí)。具身智能項(xiàng)目拖垮團(tuán)隊(duì)最常見的原因不是技術(shù)做不到而是選了“既要開放環(huán)境、又要人形外觀、還要通用能力”的硬組合。真正聰明的做法是在一個(gè)極小但可重復(fù)的場(chǎng)景里把閉環(huán)跑通再逐步擴(kuò)大適用范圍。物理世界的復(fù)雜度和試錯(cuò)成本遠(yuǎn)不是模擬器里能想象的。3.5 需要注意的安全與泛化問題物理安全問題必須分開說因?yàn)橐坏┏鍪鹿蚀鷥r(jià)可能是長期的行業(yè)信任危機(jī)。機(jī)器人動(dòng)作規(guī)劃里要有“安全兜底層”當(dāng)模型給出某個(gè)意圖但傳感器顯示執(zhí)行目標(biāo)受阻、人或動(dòng)物進(jìn)入工作半徑、力度傳感器讀數(shù)異常時(shí)系統(tǒng)必須能主動(dòng)停機(jī)或退回到安全狀態(tài)。這一層不能依賴大模型“推理”出來必須是由確定性規(guī)則和實(shí)時(shí)安全檢查機(jī)制保證的。泛化問題則體現(xiàn)在更細(xì)的地方。同一個(gè)夾爪抓金屬杯子和抓紙杯需要的力完全不同同一個(gè)視覺模型換一盞暖光燈就認(rèn)不出紅色物體的位置。真實(shí)環(huán)境的“開放性”永遠(yuǎn)超出訓(xùn)練集的覆蓋范圍。所以評(píng)估具身智能系統(tǒng)別只看任務(wù)成功率要重點(diǎn)看“一次干預(yù)率”和“失敗后的恢復(fù)能力”遇到之前沒見過的物體系統(tǒng)能不能從錯(cuò)誤中自我糾正而不是無限卡死。2026年的頭部玩家比的大概就是誰能在“沒見過”的情況下少翻車。4. 科學(xué)發(fā)現(xiàn)的新紀(jì)元AI從“算得飛快”到“懂得規(guī)律”如果量子AI算力是把“物理極限”往后推具身智能是開辟“物理世界數(shù)據(jù)”的新戰(zhàn)場(chǎng)那AI for Science則是把AI的價(jià)值從工程能力推向認(rèn)知能力——幫助人類發(fā)現(xiàn)尚未寫進(jìn)教科書里的規(guī)律。這一領(lǐng)域在2026年最激動(dòng)人心的地方是會(huì)從“單點(diǎn)工具”過渡到“系統(tǒng)化的科研基礎(chǔ)設(shè)施”。4.1 上一波單點(diǎn)突破的價(jià)值與局限過去幾年科學(xué)界已經(jīng)見識(shí)了AI在若干具體任務(wù)上的強(qiáng)大蛋白質(zhì)結(jié)構(gòu)預(yù)測(cè)從幾個(gè)月壓縮到幾秒鐘完成一個(gè)結(jié)構(gòu)的初步折疊推斷材料性質(zhì)預(yù)測(cè)可以在數(shù)百萬個(gè)候選結(jié)構(gòu)里快速篩出值得做實(shí)驗(yàn)的幾十個(gè)分子生成模型可以按目標(biāo)性質(zhì)“倒著設(shè)計(jì)”候選藥物分子。這些都是實(shí)實(shí)在在的進(jìn)步臨床前研發(fā)、新材料測(cè)試周期被明顯縮短。但也要看到它們是“單點(diǎn)科學(xué)任務(wù)的AI化”相當(dāng)于給科研工作流里的某個(gè)環(huán)節(jié)加了渦輪增壓器?？茖W(xué)家仍然要親自提出假設(shè)、設(shè)計(jì)實(shí)驗(yàn)、解讀結(jié)果。一個(gè)很殘酷的現(xiàn)實(shí)是AI在“給定數(shù)據(jù)做預(yù)測(cè)”上很強(qiáng)但在“問出正確的問題”上幾乎幫不上忙——它更像個(gè)高速計(jì)算器而不是研究伙伴。4.2 科學(xué)基礎(chǔ)模型把實(shí)驗(yàn)數(shù)據(jù)變成統(tǒng)一表征2026年的關(guān)鍵變化我認(rèn)為會(huì)是“科學(xué)基礎(chǔ)模型”開始成熟。這類模型的做法是把五花八門的科學(xué)數(shù)據(jù)——蛋白質(zhì)序列、晶體結(jié)構(gòu)、光譜曲線、文獻(xiàn)文本、實(shí)驗(yàn)條件——全部嵌入到同一個(gè)向量空間里。在訓(xùn)練時(shí)用自監(jiān)督任務(wù)比如預(yù)測(cè)被遮蔽的結(jié)構(gòu)位點(diǎn)、預(yù)測(cè)下一段分子鏈讓模型學(xué)到跨模態(tài)的規(guī)律再用少量的實(shí)驗(yàn)標(biāo)簽做微調(diào)。這種模型的直接收益是“推理式檢索”。比如你輸入“有沒有一種鈣鈦礦材料室溫下穩(wěn)定且載流子遷移率高”模型能返回候選結(jié)構(gòu)并附帶置信度而不是像傳統(tǒng)搜索引擎那樣只是返回相關(guān)論文。更進(jìn)一步它可以把“文獻(xiàn)里分散、跨模態(tài)、相互矛盾的信息”整合成一個(gè)統(tǒng)一的知識(shí)表征從而暴露出人類直覺很難發(fā)現(xiàn)的結(jié)構(gòu)-性質(zhì)關(guān)聯(lián)。但這里必須強(qiáng)調(diào)不確定性量化。科學(xué)場(chǎng)景最怕的就是AI“一本正經(jīng)地胡說八道”因?yàn)橐粭l錯(cuò)誤的材料推薦可能浪費(fèi)團(tuán)隊(duì)半年實(shí)驗(yàn)時(shí)間。一個(gè)好的科學(xué)基礎(chǔ)模型輸出判斷時(shí)一定要帶著概率區(qū)間、與訓(xùn)練數(shù)據(jù)的覆蓋度提示、以及可溯源的依據(jù)——比如它為什么覺得這個(gè)結(jié)構(gòu)穩(wěn)定是因?yàn)閷W(xué)到的規(guī)律還是因?yàn)閰⒖剂四硞€(gè)已知類似物。2026年誰先把“可校驗(yàn)的置信度”做出來誰就能在科研市場(chǎng)里建立真正的信任。4.3 自主實(shí)驗(yàn)室閉環(huán)從預(yù)測(cè)到合成的一體化比科學(xué)基礎(chǔ)模型更進(jìn)一步的是“自主實(shí)驗(yàn)室”閉環(huán)。簡(jiǎn)單描述這套流水線科學(xué)家提出一個(gè)目標(biāo)“設(shè)計(jì)一種在室溫條件下具有高離子電導(dǎo)率的新型固態(tài)電解質(zhì)”生成模型產(chǎn)出候選結(jié)構(gòu)第一性原理計(jì)算或物理模擬做初步篩選通過自動(dòng)化實(shí)驗(yàn)設(shè)備完成合成、表征把實(shí)驗(yàn)結(jié)果回傳給模型更新模型參數(shù)進(jìn)入下一輪迭代。這個(gè)閉環(huán)最厲害的地方不是任何一個(gè)環(huán)節(jié)而是“迭代尺度”。過去一個(gè)博士后一輩子能親手做的實(shí)驗(yàn)數(shù)量大概在幾百到幾千個(gè)自主實(shí)驗(yàn)室可以在同樣時(shí)間內(nèi)跑出幾十萬個(gè)條件組合的實(shí)驗(yàn)而且每次失敗都轉(zhuǎn)化成模型的訓(xùn)練信號(hào)。我去年看過一個(gè)模擬項(xiàng)目姑且稱之為“電解液配方優(yōu)化”團(tuán)隊(duì)就是上面這套流程的縮小版用生成模型提出配方用分子動(dòng)力學(xué)模擬篩掉明顯不行的把剩下的交給一臺(tái)半自動(dòng)合成儀器做電化學(xué)測(cè)試測(cè)試數(shù)據(jù)自動(dòng)回流微調(diào)模型。三輪迭代之后模型提出配方的命中率比初始版本高了兩倍多。那個(gè)項(xiàng)目規(guī)模不大但讓我確認(rèn)了一件事科研正在從“手工勞動(dòng)密集型”轉(zhuǎn)變成“數(shù)據(jù)閉環(huán)密集型”。4.4 2026年最有看點(diǎn)的幾個(gè)落點(diǎn)結(jié)合我看到的行業(yè)動(dòng)態(tài)2026年值得重點(diǎn)跟蹤的科學(xué)發(fā)現(xiàn)方向大概是這幾個(gè)工業(yè)催化劑與分離材料配方空間巨大實(shí)驗(yàn)成本高非常適合AI先篩再驗(yàn)證。電池與儲(chǔ)能材料電解液、正負(fù)極材料的新型組合對(duì)穩(wěn)定性和成本評(píng)價(jià)要求高。藥物發(fā)現(xiàn)臨床前階段靶點(diǎn)識(shí)別、候選分子、毒性預(yù)測(cè)、ADMET性質(zhì)預(yù)測(cè)會(huì)進(jìn)一步打通。蛋白質(zhì)設(shè)計(jì)領(lǐng)域從“預(yù)測(cè)結(jié)構(gòu)”轉(zhuǎn)向“設(shè)計(jì)全新功能蛋白”包括酶活性工程。它們的共同特點(diǎn)是數(shù)據(jù)有清晰的驗(yàn)證信號(hào)、試錯(cuò)成本高、傳統(tǒng)人力密集。AI在這里不是輔助寫論文而是直接介入假設(shè)提出、實(shí)驗(yàn)規(guī)劃和結(jié)果解讀把科學(xué)家的角色從手工人肉變成“目標(biāo)定義者與策略審核員”。4.5 對(duì)普通科研工作者的轉(zhuǎn)變經(jīng)常有做科研的朋友問我“我不是搞算法開發(fā)的AI for Science和我有什么關(guān)系”我的回答是你不需要會(huì)寫復(fù)雜的模型但你需要會(huì)用模型即服務(wù)的新型科研工具。2026年的科研工作者至少有三件事值得做第一把日常實(shí)驗(yàn)數(shù)據(jù)整理成機(jī)器可讀的格式哪怕是簡(jiǎn)單的結(jié)構(gòu)化表格而不是扔在紙質(zhì)記錄本里第二掌握一些基礎(chǔ)的數(shù)據(jù)可視化與分析技巧能用腳本對(duì)海量實(shí)驗(yàn)數(shù)據(jù)做初步挖掘第三主動(dòng)去用那些帶置信度的AI預(yù)測(cè)工具哪怕一開始覺得不準(zhǔn)也要積累“模型在什么情況下容易錯(cuò)”的經(jīng)驗(yàn)?？蒲泻虯I結(jié)合最有效的姿勢(shì)不是我推倒你的舊流程而是在你的流程里加一個(gè)“聰明的加速器”而你保留對(duì)假設(shè)和異常的專業(yè)判斷。5. 落到個(gè)體2026年該押注什么、學(xué)習(xí)什么前面寫了這么多前瞻最后這部分是最實(shí)際的具體到我們每個(gè)個(gè)體2026年到底該做什么準(zhǔn)備頻率更高的做法是去追每個(gè)熱搜里的新名詞學(xué)完這個(gè)學(xué)那個(gè)結(jié)果哪個(gè)都不深。我的建議恰恰相反先確定自己的角色再選一條主攻線把不變量吃透。5.1 三類人的三種準(zhǔn)備路線如果你主要是算法工程師別急著馬上深挖量子計(jì)算或機(jī)器人運(yùn)動(dòng)學(xué)。你最有優(yōu)勢(shì)的部分是把“深度學(xué)習(xí)數(shù)據(jù)閉環(huán)”的思路帶到新方向里去。2026年可以重點(diǎn)補(bǔ)充這些技能加約束的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)比如物理信息網(wǎng)絡(luò)、仿真環(huán)境里的強(qiáng)化學(xué)習(xí)與遷移學(xué)習(xí)、多模態(tài)模型與動(dòng)作輸出之間的接口。這些技術(shù)既在具身智能里用得上也在科學(xué)建模里有價(jià)值。如果你偏系統(tǒng)與硬件方向2026年是很好的入場(chǎng)窗口。機(jī)器人中間件、傳感器融合、實(shí)時(shí)控制、科學(xué)儀器自動(dòng)化這些方向長期缺人。它們不像算法那樣奪眼球但具身智能和自主實(shí)驗(yàn)室都離不開穩(wěn)定的底層系統(tǒng)。我認(rèn)識(shí)的做系統(tǒng)出身的朋友這兩年反而比純算法崗更好找工作因?yàn)槟芡瑫r(shí)懂“深度學(xué)習(xí)模型”和“物理世界機(jī)電系統(tǒng)”的人太少了。如果你是產(chǎn)品、業(yè)務(wù)或創(chuàng)業(yè)者角色我建議的路線是盯“場(chǎng)景成本曲線”而不是盯著模型精度。定期問自己某個(gè)具身智能任務(wù)的本位成本降到多少時(shí)企業(yè)主愿意買單某個(gè)AI輔助材料預(yù)測(cè)服務(wù)的性價(jià)比相比傳統(tǒng)試錯(cuò)法是不是已經(jīng)劃算了真正決定新技術(shù)普及速度的永遠(yuǎn)是“價(jià)值/成本”的比例能否在某條具體業(yè)務(wù)線上跨過臨界點(diǎn)。5.2 學(xué)習(xí)路徑與工具選型具體學(xué)習(xí)路線上我不建議“量子力學(xué)、機(jī)器人學(xué)、計(jì)算化學(xué)”全面鋪開而是按下列順序去建立手感第一先補(bǔ)一個(gè)“仿真數(shù)據(jù)閉環(huán)”的最小項(xiàng)目。找一套開源物理環(huán)境和機(jī)器人模型做一個(gè)簡(jiǎn)單任務(wù)比如推動(dòng)一個(gè)物體到目標(biāo)位置跑通“仿真訓(xùn)練-策略部署-參數(shù)調(diào)優(yōu)”的完整流程。哪怕任務(wù)很傻瓜這個(gè)過程會(huì)讓你直觀理解真實(shí)交互數(shù)據(jù)的稀缺和仿真遷移的痛點(diǎn)。第二自己手動(dòng)跑一次科學(xué)數(shù)據(jù)建模的demo。找一份開放的材料或分子數(shù)據(jù)集做特征工程訓(xùn)練一個(gè)簡(jiǎn)單的預(yù)測(cè)模型并嘗試給輸出加不確定性區(qū)間。這里的目的不是發(fā)論文而是理解“科研場(chǎng)景里AI預(yù)測(cè)的實(shí)用邊界”。第三讀量子AI領(lǐng)域的綜述并跑一個(gè)小的量子編程示例。不需要自己搭硬件用開源量子模擬框架跑一個(gè)幾比特的小算法比如驗(yàn)證一下“量子態(tài)制備-測(cè)量”的最簡(jiǎn)流程到底是怎么運(yùn)作的。這能讓你在后續(xù)聽到相關(guān)討論時(shí)不至于被術(shù)語隔絕在門外。三條線不用同時(shí)進(jìn)行先兩個(gè)星期一個(gè)建立概念模型后再按需深入。工具選型上記住一個(gè)原則優(yōu)先選生態(tài)繁榮、有大量可復(fù)現(xiàn)案例的開源方案優(yōu)先選和現(xiàn)有Python/深度學(xué)習(xí)技能棧能銜接的方案優(yōu)先選“單位時(shí)間信息量高”的方案——學(xué)之前先看它的社區(qū)活躍度和文檔成熟度別在一個(gè)人跡罕至的工具上浪費(fèi)時(shí)間。5.3 判斷泡沫與真正的范式切換最后分享一條我覺得最實(shí)用的判斷工具用三個(gè)問題檢驗(yàn)任何一個(gè)所謂的新突破、新產(chǎn)品、新方向可復(fù)現(xiàn)嗎你能否照著同一個(gè)步驟復(fù)現(xiàn)一個(gè)最小版本還是只能靠宣傳稿里的PPT數(shù)據(jù)有效閉環(huán)嗎它是否真的讓某個(gè)端到端任務(wù)變好還是只在一個(gè)精心挑選的子集上有提升可復(fù)用嗎別人換一個(gè)場(chǎng)景、換一個(gè)數(shù)據(jù)集能不能用同樣的方案得到收益這三個(gè)問題同時(shí)通過不管當(dāng)前效果多弱都是值得持續(xù)投入的方向。要是三個(gè)都不太清晰甚至只有一個(gè)看起來很亮的數(shù)字那大概率還在講故事階段。2026年會(huì)出現(xiàn)大量帶著“量子AI”、“具身智能”、“科學(xué)發(fā)現(xiàn)”標(biāo)簽的項(xiàng)目其中有一部分一定會(huì)失敗。我們?cè)诳此鼈兊臅r(shí)候不必急著當(dāng)預(yù)言家只需要拿這把尺子量一量。我自己的體會(huì)是這類技術(shù)切換的早期最容易犯的錯(cuò)是“低估長期的幅度又高估短期的速度”。量子糾錯(cuò)不會(huì)一夜之間成熟通用機(jī)器人也不會(huì)突然走進(jìn)每個(gè)家庭科學(xué)AI更不會(huì)讓實(shí)驗(yàn)室都變成無人車間。但這些方向在2026年確定性地跨過了一些工程門檻未來十年回頭看這里就是分水嶺。每過一段時(shí)間我都會(huì)提醒自己再讀一遍那三個(gè)判斷問題——尤其是在看“熱點(diǎn)”的時(shí)候。