读懂新趋势：2026 人工智能产业十大关键词出炉

10月15日，中国人工智能产业发展联盟联合中国信息通信研究院正式发布“2026人工智能产业十大关键词”，中国信通院副院长魏亮针对十大关键词反映出的新热点、新趋势进行了深入解读。

中国信通院自2022年起连续5年发布人工智能十大关键词，获得了产业界的广泛关注，成为追踪行业发展的重要窗口。2026年，立足产业视角，聚焦能够代表年度变化的主线，并沿这些主线对可预见的短期未来研判趋势。十个关键词的遴选，综合了专家调研、热点事件统计与撰写团队的研究。总体来看，2026年人工智能产业主线可以概括为“加速扩散”，即决定走势的不仅是快速攀高的模型能力，更是能力能否以可承受的成本、可信赖的方式加速扩散到更多领域。十大关键词从技术、应用、生态三个层面展开，由内而外，共同勾勒出2026年人工智能加速扩散的完整图景。

一、模型自进化

2026年，研发人员越来越多地利用前沿模型加速AI自身研发进程，人工智能出现了自进化的迹象。模型自进化已出现局部实践，但总体仍处于有界自进化阶段，即模型能在人类设定边界的闭环中自主改进，尚未实现完全自主、持续改进自身的递归自进化（RSI）。目前，业界开展自进化的探索集中在模型和智能体两个层面：模型层改参数，从数据与环境反馈中学习、更新参数，如Anthropic的“自动化弱到强研究员”；智能体层改框架（Harness），在参数不变的情况下优化提示、记忆、工具与协作流程。

目前，迈向持续、可靠、可泛化的递归自进化，仍面临四大挑战：一是评价可靠性，评价机制要与模型共同演进并接受独立验证，防止奖励投机、指标失真；二是经验继承与泛化，要避免灾难性遗忘，让新经验跨轮次持续继承、跨任务迁移；三是效率与工程可控性，要控制算力成本，确保过程可追溯、结果可检验、改动可回退；四是安全与发展节奏，能力提升要与监督能力相匹配。

展望未来，模型自进化将通过模型参数、运行框架与评价机制协同演进，拓展到科研、软件工程和复杂产业应用，成为提升研发效率、降低创新成本的重要支撑。

二、智能体工程化

2026年，从OpenClaw引发“养龙虾”热潮，到OpenAI、DeepSeek相继开源Harness供应用集成复用，产业界正围绕智能体工程化形成初步共识。从演进进程看，智能体工程化经历了四个阶段：2023年提示词驱动，明确任务目标；2024年工作流编排，组织执行路径；2025年上下文管理，提供决策依据；2026年走向Harness工程，支撑可靠运行。整体来看，“模型提供推理决策能力、Harness工程组织和约束任务执行”的基本路径正逐步形成。

基于逐步完善的运行框架，智能体工程化可将研发方的技术能力转化为用户可放心委托的任务能力，重塑了从“能完成”到“可放心委托”的新范式。对技术研发方，智能体工程化推动研发重心从单点能力优化转向任务执行全过程的系统建设。对用户，智能体工程化扩大可有效委托的任务范围，推动使用方式从逐步操作转向目标委托与过程监督。但要真正“可放心委托”，还要进一步应对可靠性、验证性和迁移性等三方面挑战。一是长程可靠性不足，局部正确难以累积为全程可靠；二是结果可验证性不强，偏差难以及时识别纠错；三是经验难以迁移复用，特定方案难以跨模型、跨场景复制。

展望未来，智能体能力将更加可组合、可积累、可拓展，大模型与智能体能力分工动态调整、训练与应用相互反馈，形成相互促进的迭代循环。

三、智能体终端

2026年，智能体与终端加速融合，多款智能体手机陆续发布，AI眼镜、家庭智能中枢等形态也在加速布局。整体来看，终端与AI的融合经历了三个阶段：从功能嵌入期的“点一下、动一下”，到原生适配期的“问一句、答一句”，再到如今的智能体演进期，具备了“说一句、办一事”的端到端执行能力。支撑这一跨越的是三大关键变化，主要表现为应用调用模式正在形成“API为主、GUI补充”的技术路线；终端操作系统正由“应用容器”向“智能体运行时”演进；端侧安全防护正围绕数据安全与权限管控双线展开。

智能体终端仍处规模化落地初期，仍面临四方面挑战：一是任务闭环能力不稳定，跨应用调用、长周期任务规划与“可靠助手”的预期仍有差距；二是缺少“杀手级”典型应用，AI眼镜等智能体终端尚未完成从“可用”到“必用”的价值跨越；三是生态协同能力不足，跨设备、跨厂商互联互通推进缓慢；四是应用效果不及预期，理解精度落差与安全执行风险并存。

展望未来，智能体终端将由单体独立运行走向多智能体协同的群体智能，商业范式也从“应用分发”走向以“任务分发”“服务编排”为核心的方向创新发展。

四、具身智能实景实训

2026年，具身智能融资升温、赛事热点不断，从“表演模式”走向“作业模式”成为各方共同期待。6月，工信部、国务院国资委联合启动实景实训专项行动，加速“实景实训—数据沉淀—产品迭代—规模部署”闭环。

当前，具身智能沿着规模数据、场景对接、应用部署三大方向推进实景实训。一是多路径扩大数据规模，拓展模型智能边界。一方面，头戴式终端、手持夹爪等高效多场景采集的无本体数据成为规模化主力。另一方面，世界模型正从画面生成转向辅助规划与策略训练，为数据缺口提供新的补充路径。在规模数据驱动下，模型局部范围的Scaling Law初步显现。二是场景拓宽向深，探索“技术—场景”供需对接，全国建设超70家训练场，覆盖工业、商业、家政、医疗等行业，具身智能技术与产业需求正在加快对接。三是以实训促进试点应用，场景部署加速产品迭代。在具身智能产品试点部署中，通过识别场景适配和长期可靠运行能力缺口，为产品提供针对性优化路径，推动从“进得去、干得成”到“留得下、跑得久”。

随着实景实训走深向实，产业挑战也日益清晰。主要表现为复杂作业任务完成能力有限，时序性、空间推理类长程任务难以胜任；高价值垂直场景挖掘不足，试点多集中于易展示、易标准化的任务；规模化产品交付能力欠缺，单试点能力向多场景泛化困难。

面向未来，产业将持续扩大高质量数据规模、深度融合世界模型，拓展模型作业能力边界；以分布式场景丰富任务多样性，深挖地方特色需求；建立以应用为牵引的分层评测体系，以评促用，推动从试点验证迈向规模化高质量发展。

五、芯模协同

2026年，芯片与模型在算子性能、互联通信、存储调度上的协同进一步深化，成为支撑国产智算规模化应用的关键环节，主要呈现三大特点。一是适配能力提升，国产算力可支持推理任务规模部署，并满足万亿参数模型训练算力需求。二是超节点方案商业落地，已支撑万卡、十万卡规模集群建设。比如中国电信基于华为昇腾超节点建设了大湾区国产万卡智算集群，中科曙光十万卡集群曙光8000建成投用，可支持万亿参数模型训练、推理及科学计算等应用场景。三是智算生态日趋完善，模型、芯片厂商与开源社区共同完善适配工具和部署方案。昇腾CANN社区月活开发者超5200名，国模国芯适配正由“模型发布后跟进适配”向“模型发布即适配”转变。

未来一至两年，芯模协同将以提升系统效能、降低使用成本为重点，主要包括：一是模型与芯片从发布后适配走向协同设计，在研发阶段共同迭代，提升系统级能力；二是集群发展从规模扩张转向运行效率提升，把规模优势转化为持续可用的算力服务；三是适配门槛持续降低，公共算子库、自动化适配工具等成果加快沉淀为开放可复用的公共能力。总的来看，芯模协同将贯穿研发与应用全链条，持续推动国产智算从基本可用迈向好用易用。

六、AI高价值应用场景

2026年，人工智能向实体经济的渗透，正从“有没有场景”转向“哪些场景值得做”的价值筛选阶段。10月，中共中央、国务院印发《关于发展新质生产力的意见》，明确提出因地制宜布局国家人工智能行业应用中试基地和高价值应用场景。AI高价值应用场景通常紧扣真实业务需求，能跑通业务闭环，效益可规模化复制，并契合现阶段的技术落地水平。中国信通院等单位对制造业AI高价值应用场景的分级梳理结果显示，当前AI高价值应用场景的培育与推广呈现出局部突破、整体分化的特点。数据分析显示，推广级场景在医疗装备、汽车等离散制造业点状突破；验证级场景占比最高，达45%，规模化推广卡点明显；攻关级场景受底层技术制约明显。

当前，人工智能与实体经济融合尚处初期，推动高价值场景释放价值，还要破解四方面制约：一是场景描述与颗粒度标准缺失，制约跨主体复用；二是场景资产价值核算与权属规则尚未建立；三是规模化落地配套支撑体系不健全；四是企业内部组织流程变革滞后。

展望未来，AI高价值应用场景将沿资产化沉淀、规模化推广两条主线推进。场景沉淀层面，成熟场景封装成标准化场景包，成为可复用的数字资产；评价导向层面，考核导向从“建成多少场景”转向“多少高价值应用场景真正实现闭环运行与规模化放量”；组织变革层面，规模化落地倒逼企业向智能原生转型。

七、AI驱动的自动化实验室

2026年，科研智能正从数字空间推理走向物理世界实验验证，实验执行与反馈成为科研智能深入发展的关键环节，AI驱动的自动化实验室因此成为今年科研智能发展的重要方向。AI驱动的自动化实验室是指在研究人员设定目标与边界的前提下，人工智能自主提出猜想、方案或实验，驱动自动化设备执行并借助测量表征获得反馈，据此推进“提出—检验—修正”研究循环的实验基础设施。主要呈现三大演进特征：一是从实验操作走向实验决策，根据结果动态调整研究空间和实验策略，如Atinary SDLabs将AI平台与机器人和多类科学仪器连接，实现“设计—执行—分析—反馈学习”闭环；二是从单设备走向多设备协同，智能体跨设备编排实验任务，协调多种实验设备，如Anthropic发布MHS标准，让Claude协调多类实验设备；三是向产业研发场景拓展，自主实验平台由科研验证向产业研发延伸，如晶泰科技、戴纳科技等企业已落地自主实验平台，服务药物、新材料研发。

当前，自动化实验室仍处于“从局部自动化迈向系统自主”的初级阶段，面临三方面挑战：一是可靠性与异常恢复不足，中科大团队压力测试显示，仅3.3%的工作流可直接执行；二是多设备协同与集成门槛高，设备接口与数据格式差异大；三是通用化、可扩展能力不足，能力难以跨任务、跨设备、跨实验室迁移。

展望未来，AI驱动的自动化实验室将向稳定自主执行和规模化产业研发拓展，实验能力将走向可复制、可扩展，并与中试放大、工程验证衔接。

八、高质量词元服务

2026年，词元服务市场迎来爆发式增长。6月，我国词元日均消耗量约500万亿，是2025年12月的近4倍。词元的消耗量呈爆发式增长但服务质量有待提高。主要表现为虽然推理成本持续下降，但用户整体花费却在提升。Gartner预测，到2028年每个智能体工作流的AI推理成本将增至当前水平的五倍以上。为此，产业界正从四方面提升词元服务性价比：智能密度上，减少完成任务所需词元；服务性能上，全流程调优保障高吞吐、低延迟；安全防护上，构筑纵深防线；费用透明上，计量计费模式日渐清晰。

当前，词元服务产业仍处发展早期，仍面临多重挑战：如市场服务乱象凸显，模型调包减配、词元计量虚报、账号池套利等灰色行为增多；计量规则与质量评估体系尚未统一，“量多”不等于“贵”，“便宜”不等于“值”；服务场景较为单一，垂直领域供给不足。

展望未来，词元服务将向智能化调度、价值化驱动、安全自主可控方向高质量演进。大小模型分层调度与智能路由机制，可使任务依据复杂度动态匹配最优模型资源，大幅提升算力利用效率并降低词元生产成本。词元商业体系将从按量计费走向价值驱动定价。安全分级自控能力进一步完善，面向不同安全等级场景的差异化安全可控方案加速推进。

九、前沿模型安全风险

2026年，模型与智能体边界加速融合，安全风险正从有害内容输出，向深层次、系统性、更高危的风险演进。突出表现有三点：一是能力跃升带来潜在滥用风险，前沿模型漏洞挖掘能力屡创新高，若被滥用将加剧网络空间攻防不对称；二是对齐失效导致目标偏离与行为越界，模型在“完成目标”驱动下寻找规则漏洞、绕过安全约束，评测环境中已显现代码篡改、协助欺诈等行为；三是自进化不等于安全同步进化，可能加速风险演进。中国信通院在智能体记忆、工具技能两个维度针对AI系统的自进化能力测试显示，DeepSeek-V4-Flash驱动的智能体完成1轮工具技能自进化后，任务触发有害行为率提升12.5%。

当前真正的风险，不是模型已经“失控”，而是我们仍在用旧范式应对新风险。治理对象必须从“模型的话语”转向“模型的行为”，从“静态结果”转向“动态过程”。未来需要在三个方向持续发力：一是全生命周期管理，在研发、评测、部署、更新各环节持续开展对齐验证与行为监测；二是前瞻性治理工具，依托可观测机制、沙盒环境，及时研判技术演进的安全影响；三是国际安全治理协作，以中美人工智能对话等机制推动跨国风险信息互通与应急协同，在创新发展与风险防控之间把握动态平衡。

十、开放普惠

2026年，人工智能开源从“模型开源”迈向“全栈开源”，以开源为主旋律的开放合作成为全球化发展主线。当前，已在四个层面取得突破：一是开源取得更广泛共识，9月HuggingFace下载量前十中中国模型占6个，开源成为全球共享的智能底座。二是企业具备全球化基因，初创企业创立第一天就面向全球市场，全球资本与各国创新企业正形成双向嵌入的格局。三是用户服务本地化，7月全球AI应用用户前20中，中国产品达10个。四是融入规则体系。当前80多个国家已发布AI战略、新通过40余项AI法律，随着主要经济体人工智能监管和立法落地，数据、技术、人才、资本等创新要素的境内外配置，成为志在全球的企业从产品设计之初就须纳入考量的核心因素。总体来看，全球人工智能企业正呈现同向而行，即以开源普惠换生态、以Day 0全球化换空间、以本地化产品换信任、以合规前置换市场。

与此同时，全球化仍面临成本、信任与合规等挑战。展望未来，“开放普惠”将推动国际分工走向深化，这意味着全球化发展策略的系统性调整，“以全球标准定义产品、以全球合规组织运营、以全球生态参与分工”将成为企业的基本生存方式。

文章来源：中国信息通信研究院

余晓晖任工业和信息化部副部长

PT展观察 | 卫星互联网进入“落地时间”

算电协同，内蒙古为什么走在前？

责编/版式：孙 天

审校：梅雅鑫

监制：刘启诚

【媒体矩阵】

今日头条 | 微博 | 微软MSN | 百家号

网易号 | 人民号 | 腾讯新闻 | 搜狐

新浪看点 | 雪球号 | 知乎

【运营团队】

编辑｜梅雅鑫 孙天 朱文凤

审校 | 梅雅鑫

监制｜刘启诚