2026 AI年度展望：关于「大公司、独角兽、创业者」的十条趋势判断

来源：市场资讯

　　旧场景的验证，新技术的竞赛。

　　文|周鑫雨 邓咏仪 富充

　　编辑|苏建勋 杨轩

　　来源|智能涌现

　　2026年，中国AI市场注定硝烟弥漫。

　　最重量级的玩家将在2026年展开殊死搏斗。阿里对“千问”的战略级投入将在2026年更加淋漓尽致，撒30亿请用户喝奶茶，就是一个声势浩大的开始；同样的，大撒“元宝红包”也不会是腾讯唯一的大动作。

　　而字节却是个很难打败的对手，它已经占据AI to C的一线位置，且手握最大的流量，“豆包手机”也不会是它对突破边界的唯一试探。

　　如果说此前几年，大厂的AI业务尚在模型层的阳春白雪中，还有迟疑、走神的空间，但大厂如果想在AI时代依然是“大厂”，面对豆包高企的DAU，2026年是AI ToC市场最后一搏的机会窗口。

　　这场战争的重要程度，绝不亚于打车大战、支付大战、外卖大战……我们曾经历的任何一场战争。

　　对于“中厂”来说，随着智谱和MiniMax的港股IPO、月之暗面和阶跃星辰的融资落定、新一轮模型的发布接力，“AI六小虎”的故事告一段落。

　　是否有余力冲刺AGI成了薛定谔的命题，但自我造血对六小虎来说迫在眉睫。他们需要找到各自差异化的道路，尤其是商业化的道路。正如一名六小虎高管所说：不要贪大盲目IPO，二级市场的严苛审视会立刻反映在股价上。

　　不过，“目前没有商业模式是成熟的，还需要经过几年的探索。”某一线美元基金合伙人告诉我们。

　　商业模式的分化，一定伴随着组织特性的分化。一名大模型初创公司融资负责人一口气举出了5种主流的商业模式：ToC的订阅和广告付费、ToB的API售卖、ToB定制、按效果收费、软硬件一体——每种商业模式对应着不同的选择，例如，做ToC的一定要出海，做ToB的一定要会“打单”……

　　不过，最活色生香，最令人期待的，还是在创业公司，在AI应用领域。每个人都想成为Manus，成为ARR过亿美金被大厂重金收购的对象，但是最充满不确定性的也是这个领域。

　　难以琢磨，不可预测，却充满魔力。2026年，“智能涌现”将继续用热切的心情、开放的心态，关注AI创业领域。

　　关于模型技术的迭代、商业化，不同玩家的处境，“智能涌现”访谈了十几位身处一线的创业者、投资人、大厂员工，总结了2026年的10大命题。

　　字节：守住优势，追击AI世界第一梯队

　　前flow员工：AI入口的最佳形态还没有确定

　　豆包做得最对的一个决策是，是将AI能力平权了——在很早的阶段确认多模态为核心能力。在2025年，还抓住了最好的时机做增长。

　　2025年，字节完成的一个重要里程碑，是通过引进吴永辉为主的世界顶尖人才，现在已经逐渐完成一流模型人才的储备，在基础模型层逐渐稳居在国内第一梯队。

　　但2026年，随着AI助手和模型层的竞争变得更加激烈，如何留住这些人才，是最核心的命题。

　　某大厂战略人士：今年最大的挑战，是让豆包联动线下服务

　　2025年，豆包做得最勇敢的一个决策，是推出豆包手机。虽然这件事注定会被其他大厂围攻，但这个举动搅动了移动互联网和手机厂商的现有利益格局，让所有玩家都不得不加速行动。

　　展望未来豆包面临的长期挑战，是如何保持AI模型能力在最前列，同时把AI助手与普通用户的真实生活连接起来——尤其是电商、外卖这类线下服务，字节虽然都有布局，在组织上，字节相比其他大厂来说，历史包袱少、依然是一个年轻有活力的组织，但怎么内部协作得更好也并不容易。

　　阿里：再造新AI To C入口

　　某千问员工：不只是对外AI入口，也会成为阿里的底层AI能力平台

　　千问是阿里内部集全集团之力做的C端AI入口。从产品路线上，主打差异化，也是因为亲民、亲切的路线就已经有竞品占据了用户心智，我们先以差异化的办事、办公场景切入市场，走专业路线，但长期目标是成为AI入口。

　　未来，千问不只是对外的AI入口，也会为阿里很多业务提供底层的AI能力。

　　2026年，我们的挑战在于，阿里的业务体系庞杂，行业差距也很大。千问作为相对独立的技术团队，理解阿里内部其他业务对AI能力的诉求是困难的，怎么和各业务单元之间做更好的协同，这是未来的挑战。

　　某大厂战略人士：2026年，大厂真正开打ChatGPT之战的一年

　　阿里今年能从夸克切换到千问，并在千问这个产品上快速发力，背后是阿里强大的组织能力在支撑。

　　今年会是大厂真正开打ChatGPT之战的一年，这是因为一条主线仍在持续：只要模型能力持续提升，新的功能释放出来，就会有反哺业务的机会。

　　从竞争格局看，虽然市场已有过亿DAU的产品，但市场远远没有饱和，这是千问敢在这个时间段发力的原因。

　　目前，各家大厂的通用AI助手产品其实同质化程度都比较高，真正的差异在于谁能更快地迭代，谁能更好地把握用户需求，长期地进行运营。AI助手市场还有很大的增量空间。

　　前阿里员工：用组织变革来换取决策速度

　　AI时代给了大厂一个重新定义入口的机会。原来的搜索、社交、电商入口都已经被占据，AI助手有可能成为新的流量入口和推荐网络。

　　问题在于，这个机会窗口可能很短。千问C端事业群的推出，某种程度上是阿里在用组织变革来换取决策速度——与其在内部慢慢协调，不如直接推出新产品，用市场来验证。

　　腾讯：AI应用和模型继续补课

　　前元宝员工：DeepSeek再次刷新“模型即产品”的重要性

　　事实上，在接入DeepSeek之前，元宝就已经明确“模型即产品”的重要性，DeepSeek之后是更加强化了这一共识。这一年里，元宝比较聚焦模型能力的提升，强化产品与模型的深度整合。

　　另外，元宝早期很早就定下来选择聚焦高知人群，走差异化路线，一是高知用户对体验和效果的要求更高，二是，他们作为AI领域的早期尝鲜者和意见领袖，他们的使用习惯会影响周围人群，形成示范效应。

　　元宝成员：元宝要摆脱DeepSeek依赖

　　目前混元在模型市场上还没有绝对的优势。元宝提供的搜索服务，一部分基于混元，一部分基于DeepSeek。但截至2025年底，大多数用户还是选择DeepSeek作为默认模型。

　　最近，TEG的搜推部门合并到了元宝的搜推。此前，TEG搜推负责的是元宝中基于混元的搜索链路，元宝搜推负责的是DeepSeek的搜推链路。

　　其中的意义，一方面在于提高合作效率。另一方面，我猜测，未来元宝的搜索会对模型进行整合，以后内部可能就不会存在基于DeepSeek的搜索、基于混元的搜索，只存在“元宝搜索”。

　　某大厂战略人士：关键要理清微信和元宝的战略定位

　　相比行业内其他玩家的快速迭代，腾讯的节奏相对谨慎。比如，混元策略可能是不在基础模型层面做正面竞争，而是聚焦Agent模型等差异化方向。接下来，腾讯需要在自研模型能力上拿出更有说服力的成果。

　　微信迟迟没有将AI能力深度集成到里面，也是因为国民级入口要面对的隐私和安全问题太多，难以在短时间里解决。用“元宝派”等新产品的试水方式，本质上是希望加速产品形态的创新尝试，而不影响原有用户的体验。

　　2026年，腾讯更需要解决的关键问题，可能是理顺元宝和微信的战略定位，才能更好发挥腾讯在产品层面的优势。

　　百度：对着钉子造锤子

　　百度集团执行副总裁、百度智能云事业群总裁沈抖：智能经济带来无限机会，企业需要构建AI原生组织

　　AI正开启“超级周期”，其价值将远超互联网时代。与互联网仅改变信息交互不同，AI将深度重构“研产销服”全产业链，撬动10万亿级市场。

　　大模型智能涌现，而智能体（Agent）是产业落地关键形态，已在编程优化、数字员工、工业SOP（标准化操作流程）等领域展现突破性效能。

　　企业需构建AI原生组织，推动自上而下的变革。未来企业中层很有可能大幅缩减，形成“决策层+智能体”的高效架构。

　　百度集团副总裁，个人超级智能事业群总裁王颖：AI应用必须想得全、想得对、做得好

　　当前用户在使用AI产品时，仍有三大明显痛点：

　　一是认知偏差，幻觉问题未解决，也缺少个人知识沉淀；

　　二是落地断层，AI手脑分离，即便能想但只能局部实现；

　　三是体验割裂，即便能做也要在不同工具中转移，AI能力、模态与格式无法一站满足，用户完成任务过程磕磕绊绊，时时碰壁。

　　要打造真正的超级个人智能体，赋能用户成为“超级个体”，就应该充分解决掉上述的所有问题。

　　我们一直希望把百度文库和百度网盘打造成为超级个人智能体，让AI应用想得全、想得对、做得好，为用户提供个性化、自由化、通用化的能力。

　　百度集团副总裁，百度电商、百度数字人业务负责人平晓黎：未来的数字人会持续自主进化

　　随着视觉、语音、智能体等AI关键技术的突破，数字⼈也在加速进化。

　　1.0时代的数字⼈，只是简单实现了虚拟⼈的表层，具备了基本的外形和声⾳。

　　2.0时代是超拟真数字⼈，随着⼤模型的问世⽽得到显著提升，实现了对⼈物形象的⾼精 度克隆、⽀持⼤动作、摆脱了纸⽚⼈的效果，实现了数字⼈语⾔脚本和互动问答的⽣成。⽬前，业界主流的数字⼈就处在这个阶段。

　　去年，百度率先发布了⾼说服⼒数字⼈，把AI数字⼈带⼊了3.0阶段，不仅形神⾳容⾼度协调、还会思考决策、能调度多智能体完成指定任务。

　　⽽在不远的未来，拥有世界知识、不知疲倦的数字⼈，能够持续⾃主进化，还能够⽀持千⼈千⾯的个性化情感互动，将在更多的应⽤场景上超越真⼈。

　　模型商业化：赚高质量的钱

　　某模型初创公司高管：售卖模型API，只能作为短期商业化的补充手段

　　大模型主流的商业模式有5种：ToC的订阅付费和广告收费，ToB的API售卖，ToB和ToG的定制化，按效果付费，以及从数据侧走向端侧的软硬一体。

　　选择ToC订阅的厂商，基本都选择了出海，因为国内用户付费意愿还不高；售卖API的模式，本质上是云服务的延伸，未来云厂商一定会将API价格打得很低，独立模型厂商很难实现规模化，因此API只能作为短期商业化的补充手段。

　　至于定制化，市场上一种论调是，大模型的泛化能力可以改变原有重交付的模式。但在国内，不仅需要有能交付的技术能力，人脉也很重要。

　　对初创公司来说，按效果付费和做软硬一体，两种模式都有机会。Physical AI的想象空间很大，未来智能终端有望成为新的流量入口和下一代推荐网络。

　　但两种模式都对初创公司的能力提出了高要求。按效果付费的前提，是模型能力足够强。做软硬一体的交付，要求公司有丰富、无短板的多模态模型矩阵，也要求团队有资深的端云协同交付经验。

　　某模型初创公司成员：模型能力迭代，不跟着OpenAI走，跟着客户需求走

　　2023年以来，我觉得赛道上很多模型公司都有“OpenAI病”，自称要做“中国的OpenAI”，产品矩阵也强对标OpenAI。

　　但2025年，提要做“中国OpenAI”的公司变少了，反而提做Anthropic的变多了。其中一个很重要的原因是，大家发现，自己手上的钱和卡不够了，无法支撑OpenAI那样全面铺开的产品矩阵。

　　资源有限的情况下，有些东西就不得不放弃。Anthropic已经证明，推理能力、Coding能力有市场、有付费，所以不少厂商2025年以来都将模型的迭代方向转移到这两者上。

　　所以，我相信未来不同模型厂商，模型能力也会根据自己的资源、优势，以及下游客户的需求，产生分化。

　　某一线美元基金合伙人：目前模型的商业模式都不够成熟

　　在产品层面，AI时代的产品形态还没有完全定型，原因在于模型能力还没成熟。比如视频模型的一致性、理解能力，都还在发展。这些能力成熟后，到底能实现什么功能、落地什么场景，大家都还在探索。

　　今天，像ChatBot类型的产品，大家都在用订阅的方式收费。但这只是其中一种形态。OpenAI也在探索，ChatGPT要不要使用更高效的广告模式，吸引更多用户，而不是全部采取订阅模式。

　　所以，目前没有商业模式是成熟的，还需要经过几年的探索。

　　找场景 ：在垂直、细分领域找钱

　　极致上下文CEO廖谦：创业公司要找垂直场景切入，做端到端的服务交付

　　我不认为通用Agent会统一天下。在做用户理解时，不同问题的交互形态完全不一样，信息搜集方式也不同。通用Agent会让上下文变得驳杂，而且很难定义任务的好坏，商业模式只能是成本导向。

　　但垂类场景下，任务可以被明确定义，有行业统一标准。创业公司的关键是，要切入信息生产场景，做端到端的服务，而非工具。另外，要做生产场景而非消费场景（娱乐、社交），后者是大厂的必争之地，创业公司切入比较难。

　　前百川智能合伙人、AI医疗公司缘启智慧创始人兼CEO邓江：不是所有的场景，都愿意拥抱大厂

　　创业公司相较于大厂有两个优势。第一，创业公司在技术上更垂直、更深入。大厂很难做这么垂直的投入，他们做的都是更普世、更广泛的技术投入。

　　豆包、蚂蚁这些大厂推出健康类产品，我是开心的。大公司每个决策背后一定有庞大的市场和数据支撑。

　　反过来，每一种病症，都意味着巨大的市场空间。比如皮肤病，中国有上亿的患者，把皮肤病做好，都足够立足了。所以未来还是看你能不能把垂直的能力做深做透。

　　第二，创业公司可以保持技术独立。不是所有的场景，都愿意拥抱大厂，因为大厂和客户在某类场景上有深度竞争。无论数据安全，还是商业竞争，不管在哪个行业、哪个时代，独立的技术公司都有自己的生存空间。

　　攀峰智能CEO王铭：2026年是Agent“按效果付费”的元年

　　传统的SaaS工具模式，其经济模型是“收取的订阅费能否覆盖算力成本”，至于用户能否跑出结果，工具方并不负责。我们认为，未来的经济模型应该会变成“获取的任务分成能否覆盖算力成本”，2026年会是按效果付费的元年。

　　这从根本上改变了产品的驱动力，迫使我们会花更多精力去打磨那些能直接帮助用户赚钱，离ROI更近的功能。

　　这对资源有限的创业公司至关重要，因为大厂会逐渐往下寻找并占据好场景。一旦验证了Agent能帮用户低门槛赚钱，传播速度会非常快，因为用户的决策成本几乎为零——帮你赚到钱了，你再付钱。

　　哪里去找钱：IPO是好事，

　　但不要盲目IPO

　　某一线美元基金合伙人：港股IPO是改善一级市场环境的契机

　　至少在过去，我觉得中国一级市场没有办法显著支撑长期、巨额，且不是净利润导向的研发投入。如果大模型企业不上市，未来在一级市场的融资效率肯定很低，只能在现在30亿、40亿美金的估值基础上小幅地融。

　　但港交所举措越友好、IPO的公司越多，优质科技型企业有更顺畅的退出渠道，并且在资本市场能得到国际投资者更公允的定价，这些事实都会反哺到一级市场。如果一级市场更活跃，中国的创新环境也会更好。

　　只有这样的循环被打通，一级市场才有可能真正支撑起千亿美元的科技公司，而不是让公司在早期阶段就考虑上市。作为对比，SpaceX等到估值1万美金，才考虑上市。他们前期发展的资金全来自美国一级市场。

　　绿洲资本创始合伙人张津剑：不要只做区域创新，要做让全球资本看见的全球创新

　　很多投资者认为，AI最后就是中美的游戏。但美国有很多标的，比如英伟达。但中国的AI标的，在世界上的面貌不那么清晰。MiniMax 的港股 IPO让海外投资者有了一个投资中国AI的清晰样本。

　　接下来每一家AI、具身公司的上市，都是中美之间凿壁偷光的一扇窗，让外界看到中国有那么多企业推动全球创新，从招股书上也能看到，他们的很多收入也来自全球。

　　同时，越来越多的海外投资人也想直接投资中国。2025年夏天，美国很多GP到中国走了一圈。归根到底，只要中国有创新、有服务全球的能力，钱是会进来的。

　　创业者就应该坚定地去探索全球创新，而不是区域创新。未来中美之间有多少墙，就会有多少洞，比如港股IPO，比如2025年的DeepSeek和宇树，只要坚持创新，就一定有好的钱主动找过来。

　　某模型初创公司融资负责人：走向二级市场是“双刃剑”

　　2026年初，月之暗面、阶跃星辰接连宣布了新一轮的大额融资。这件事向行业证明，一级市场还能支撑大模型发展。

　　之前智谱、MiniMax的IPO向创业者释放的信号是，在一级市场不一定融得到钱了，所以大家在匆忙地走向二级市场。

　　走向二级市场是一把“双刃剑”。好处是企业拥有了更顺畅的融资渠道，更大的市场声量。但也要意识到，企业很快会面临商业化的压力。

　　能看到很多IPO的企业，立刻开始大力布局ToB业务，因为ToB的优势在于变现速度很快。二级市场给企业的业绩兑现期是一到两年，如果没有达到预期，企业的股价会立刻下跌。

　　AI组织：小是趋势，人效是关键

　　图源：AI生成

　　Honghub鸿鹄汇发起人邹凌：称职的极小团队Founder，要会找机会、有执行力、能自我营销

　　能把一人公司或者这种极小组织公司良好经营起来的Founder，身上通常具备以下三种核心能力：

　　一，找机会的能力。他们往往在某个行业深耕多年，可以从自身行业经验中提炼真实痛点、找到可以用AI改进的低效环节。

　　二，快速执行力，能借助AI独立完成短时间内做出初版甚至多个Demo，然后迅速获得反馈，聚焦最有潜力的方向迭代。

　　此外，AI时代，很多早期项目并不依赖ToB销售或获客团队，个人创业者还要擅长用社交媒体为自己“代言”。得有找到早期用户、验证需求，甚至带来现金流的能力。

　　清华交叉信息学院助理教授、AReaL项目负责人吴翼：极小组织形式和全栈创新能力是相辅相成的

　　极小的组织形式和全栈的创新能力是相辅相成的。不仅是创业公司，大公司中的AI研发团队也有必要做简化。因为人的沟通带宽是有限的，但大的组织架构必然会走向职责划分和管理，而人类糟糕低效的Context Sharing能力会成为整个团队的效率瓶颈。

　　传统的组织中会把算法和Infra团队分开。如果做模型时Infra团队和算法团队太过强调分工，容易产生一种情况，即算法团队像是个甲方，Infra团队承担做“脏活累活”的乙方角色。

　　随之而来带来的问题是，做乙方的团队，容易失去创新的空间；而习惯于做甲方的团队，就可能不愿意做脏活累活，这会很容易失去对于技术最底层的观察、感知，和创新所需要的自驱力。

　　因此，AI研发组织中，算法和Infra是不能脱离成两个团队的。两者共同设计、协同演进，才可以形成一支小而有战斗力的团队。

　　DeepWisdom创始人兼CEO吴承霖：不要迷信一人公司，组织的关键在“人效”

　　行业认为AI能够提效，进而替代人力。但当每家公司都有计算机的时候，其实相当于大家都没计算机。卷度只会上升，不会下降。

　　所以不要迷信一人公司，最终评价组织的维度应该是“人效”。每家公司80%的成本，其实是沟通成本，反而不是写代码、文档的成本。AI可以精确规避沟通的隐形成本。

　　一些头部AI公司内部已经用AI代替人来分工。Claude能够识别员工的所有历史行为，识别技能体系，判定舒适区，然后派稍稍超出舒适区的任务。

　　目前，人还需要作为AI的管理者。我们更需要的是技能全面、具有批判性思维的通才，去减少人之间的沟通问题。我们公司内部为通才成立了一个试验性的组织“ROOT”，里面没有传统岗位的划分，每个人承担从产品策划到开发、管理的全栈工作，效率是传统组织的好几倍。

　　基础模型下一战：让模型“看得懂”、“记得住”、“用得起”

　　Luma AI首席科学家宋佳铭：多模态需要走向“大一统”

　　2026年，大家有必要在“大一统”路线上做一些探索，也就是将图片、视频、音频、文字等模态的理解和生成混合在一个模型中。

　　相比于单纯的图像、视频模型，大一统的扩散模型的好处在于，有更强的In-Context Learning（上下文学习）能力和Zero-shot（零样本学习）能力，天花板更高，落地的想象空间更大。

　　不少厂商都选择将不同模态的模型拼接在一起，而不是统一训练。这种方法会带来短期收益，但长期来看，会延误构建更好模型的时间。

　　前百川智能联合创始人、来福电台创始人兼CEO焦可：AI 时代真正的壁垒是记忆

　　2025年行业对记忆的研究开始变多，但依然非常早期。人的记忆系统很复杂，每天都在睡眠中将短期记忆与长期记忆进行合并、遗忘和抽象，我们是在进行一场持续的日更训练。今天还没有一套成熟方案能够系统性地做到这一点。

　　AI时代真正的壁垒就是记忆。这是所有AI产品的兵家必争之地，我们之所以选择从语音切入，也是因为语音能让用户最自然地表达出Long Context（长上下文）。谁能跟用户说更多的话，谁才有用户更多的记忆，进而更懂用户，提供更个性化的服务。

　　因此，对我们而言，DAU并没有那么重要，因为DAU随时会走。我们更看重DTU，Daily Talk User（每日交流用户），这代表每天有多少用户产生新的记忆。以及LMU，Long-term Memory User（长记忆用户），这部分才是 AI 产品真正的价值。

　　前阿里/字节大模型带头人、Infix.ai创始人兼CEO、港理工人工智能讲座教授杨红霞：“去中心化”带来落地

　　今天模型的落地有一个很大的鸿沟。不少高精尖领域、中小企业、医院、政府机构都想用生成式人工智能，但迟迟无法实现，核心原因是现在的以个别厂商为中心主导的大模型没有他们所对应的领域数据。

　　需要强调的是，模型知识的注入只发生在预训练阶段，所以模型在企业或机构的本地化部署，一定要启动持续预训练，因为医院、企业、机构大量的本地化私有数据和知识，在互联网上是无法获取的。

　　同时，现在不同企业或机构的数据是很难共同分享的，导致了现有范式下模型无法做到全球化和全行业化。

　　我相信未来每家公司都会需要大模型这样一个脚手架。所以，我们希望把“脚手架”做到最便宜、最易用、入门门槛最低，让每一家企业或机构都有自己本地化部署的模型。

　　第二件事，我们想通过模型融合的方式，把某个领域的模型做到全球化。比如不同医院的医疗专科模型融合起来，就能得到一个医疗领域的基础模型。

　　所以所谓的“去中心化”，就是在各个领域，集大家的能力，一起做好领域大模型。

　　具身世界模型突破口：

　　算法要创新，场景要验证

　　图源：AI生成

　　大晓机器人董事长，商汤科技联合创始人王晓刚：世界模型真要有效，必须有下游验证闭环

　　2024年11月，我就主导发布过智能驾驶世界模型，但当时行业对这项技术的态度是“不太信”。

　　原因是，包括英伟达Cosmos世界模型在内，当时不少公司把世界模型当“数据生成器”。虽然可以在实验室里生成一堆看起来成立的场景画面，但缺少下游真实落地验证，没人能回答“这些数据到底好不好用”，信任很难建立。

　　过去采集这类数据危险又贵，甚至得协调“演员车”上路复现。商汤则可以先在世界模型里规模化生成大量场景画面与解决策略后，再用上汽智己的实车对世界模型的决策进行检验、校准，让模型能力在真实反馈里越练越准。

　　同样，世界模型在具身智能上也需要下游场景验证。比如，大晓机器人先采用硬件更成熟的四足狗做“上街巡逻”的工作，在任务执行中验证世界模型的能力，在真实场景里持续迭代。

　　极佳视界创始人兼CEO黄冠：2-3年内将可能迎来物理世界的“ChatGPT时刻”

　　真机的“VLA+强化学习”正在快速迭代和扩展，但面临巨大数据瓶颈，“世界模型”是被认为是未来能解决物理世界通用智能真机数据瓶颈的方式。

　　我认为，2-3年内将可能迎来物理世界ChatGPT时刻。关于“物理世界ChatGPT时刻”的定义是：在100种常见任务中，90%的场景下达到95%的成功率。

　　之所以认为这个时刻会在2至3年到来，是根据现有技术进展速度所进行的推测。这个过程目前并不是由世界模型完成所有任务，而是仍然需要与VLA、强化学习互相配合。具体而言， VLA解决的是作业的复杂性，世界模型解决泛化性，强化学习解决准确率和可靠性。

　　清华交叉信息学院助理教授、星海图联合创始人赵行：值得探索的前沿方向，是让机器人预知未来

　　我们会去较为积极地探索世界模型，但它还没有进入到工业化的技术阶段。

　　与靠数据驱动的VLA不同，我觉得世界模型是一个非常典型的、靠聪明头脑驱动的工作。它需要定义出一个最合理的算法，建模物理世界的运动规律。

　　如果能把世界的动力学规律给建模出来，那么我们就不用再靠模仿学习的方式去训练机器人了，机器人可以直接知道每一个动作的后果。

　　但是让机器人预知未来，可能比让机器人规划现在的动作更难，这有点像为了解决一个难题还要创造另一个难题。所以它非常适合最聪明的、最前沿的实验室去探索。