2026年人工智能：模型、投资与影响的未来预测

2026年的AI模型、投资及影响之未来预测 关于这本电子书的一点说明 首席分析师安东尼·斯凯沃 这本电子书是我们热门网络研讨会“2026年的AI：对模型、投资和影响的未来预测”的节选版。 请访问此处查看完整网络研讨会，其中包含更多研究和背景信息。 2026年的AI 品牌领导者通过传递克制、信任和信誉赢得胜利，避免人工智能炒作周期，同时展示实用价值和长期相关性。 产品创新正转向面向特定用途的AI、图像模型和集成，优先考虑可用性、安全性和投资回报率，而非前沿性能的承诺时间表。 人工智能进入重置阶段，此时纪律、小型模型和现实经济的重要性超过规模、炒作或基础设施投入。 供应链与运营 增长潜力 运营可以通过效率、可靠性和优化从人工智能中获益，但这仅当部署与成本、运行时间和风险的现实情况相一致时才成立。 人工智能的增长将源于精准应用和审慎采纳，而非庞大的平台，它将青睐那些捕捉价值而非规模的公司。 关键要点 03 02 01 大型语言模型*的开发正在放缓，数据中心大规模建设在经济上存在重大裂痕。 繁荣与萧条之后，人工智能可能会找到用武之地，但人工智能公司却将难以捕捉价值。 不要过度投资人工智能解决方案或数据中心热潮。 LLM的成本和规模可能会持续下降，这使得内部采用变得更加可能。利用这些降价，通过开发在边缘运行模型的能力，并继续数据中心技术发展而不过度投入，来把握这些机遇。 人工智能或许能极大改善商业运营或加速科学发展——但人工智能公司能否捕捉到这些价值？ 人工智能在图像和世界模型等领域仍有大量发展空间，但巨大的现金流需求使其近期存在风险。 执行摘要 领导者现在需要了解什么 关键要点：到2026年，人工智能仍将重塑战略，但成功将取决于纪律性，而非规模。 2026年的AI标志着重置而非撤退。模型性能正在趋同，基础设施成本正在上升，而数据中心大规模扩张背后的经济性正日益紧张。与此同时，AI的实际价值正变得日益清晰。针对特定用途的小型模型、以图像驱动的应用和特定领域的部署，其影响力正证明比引人注目的前沿系统更为显著。对于高管而言，机遇在于将AI的采用与实际运营需求相结合，为供应商的波动做好准备，并抵制在获得证明回报之前过度投资的冲动。 领导者应内化的： • 人工智能的价值将不均衡地增长• 灵活性比排他性更重要• 短期经济与长期愿景同等重要 从炒作到现实 为什么2026年是转折点 核心要点：人工智能战略必须从扩张转向执行。 上一波人工智能的增长是由规模驱动的：更大型的模型、更多的计算能力和更激进的资金部署。到2026年，这种动态将发生变化。领先模型之间的性能差异正在缩小，边际收益已无法证明指数级成本增加的合理性。这预示着成熟，而非停滞。与此同时，支撑人工智能的成本基础正面临压力。数万亿美元的基础设施投资假设需求持续增长和溢价定价。然而，买方正变得更为挑剔，效率提升正在抑制计算能力的增长。高管们应将这一时刻视为一个战略转折点，将人工智能从实验阶段转向与可衡量结果挂钩的规范部署。 向右，定时关闭 回顾Lux的2024年AI预测 关键要点：2024年的预测大体正确，但低估了经济紧缩的速度。 此前，人工智能的预测准确预见到了模型通用化、变现挑战以及基础设施投资的激增。令许多人惊讶的是其速度。模型的性能比预期收敛得更快，使得“足够好”的模型对大多数应用场景都变得可行。企业生产力的提升并非规模化出现，而是参差不齐。与此同时，数据中心支出加速，但在利用率、定价和折旧方面的问题却比预测更早显现。 我们做对的地方： • 模型将被商品化 • 盈利会变得困难 •基础设施开支将激增 我们做错的地方： • 定价压力何时开始显现 • 经济何时变得脆弱 当绩效成为赌注时 模式商品化已到来 关键要点：竞争优势不再来源于选择“最佳”模式。 2026年，大多数领先的AI模型在常见的企业任务上都能提供相当的结果。基准测试的领先地位变得转瞬即逝，中端模型正越来越多地以较低成本满足业务需求。因此，仅靠模型选择本身难以提供持久的差异化优势。 此时优势显现： •••定制化：针对特定领域对模型进行微调集成：将人工智能嵌入工作流程和系统中治理：可靠性、合规性与风险管理 高管应假定模型是可互换的，并将投资集中于决定实际影响力的组织能力上。 预测 #1 微型模型变得强大得多 关键要点：微型模型使人工智能的采用更具可扩展性、更低风险。 微型模型正迅速接近早期旗舰系统的性能，同时所需的计算量却少得多。对于许多商业应用而言，它们在准确性上已“足够好”，同时速度更快、成本更低、部署也更容易。 它们战略上的重要性在于它们能够运行的地方： • 在边缘设备上 • 在现有企业基础设施内 • 在公司安全边界之后 这解锁了更安全、更可预测且成本可控的人工智能应用场景。随着人工智能市场的演变，投资于部署和管理较小模型的组织将获得灵活性和韧性。 预测 #2 随着我们达到大型语言模型（LLMs）的极限，世界模型正获得更多关注。 关键要点：世界模型长期来看很重要，但并非用于短期规划。 大型语言模型发展迅速，但它们在复杂的、多步骤的推理方面存在困难。单纯增加计算能力已不再是可靠的解决方案。这重新引发了人们对世界模型（World Models）的兴趣，世界模型旨在编码现实的结构化表征，而非仅仅依赖统计模式匹配。 这些方法仍处于早期阶段，研究密集。虽然它们可能塑造下一代人工智能，但不太可能产生近期的商业影响。 高管应监控进展，但应避免在更明确的信号出现前投入大量资本。 预测 #3图像模型凭借新应用驱动热潮 关键要点：图像模型比通用人工智能能提供更清晰、更快的投资回报。 基于图像的人工智能正成为最具多功能性和商业相关性的发展领域之一。扩散模型现在驱动着从质量检验和医学成像到音频生成和基于模拟的培训等应用。 为什么图像模型对企业有吸引力： • 更易于与真实情况验证• 直接关联到操作流程• 生产力和质量提升清晰可见 2026年，创新将不再主要集中于提升图像模型性能，而更多地转向在高价值、特定领域的应用部署。 图像扩散模型是音频生成的“秘诀”。 承压下的规模 数据中心经济问题 关键要点：人工智能基础设施的经济状况比表面看起来更脆弱。 人工智能基础设施的繁荣建立在乐观的假设之上：高利用率、GPU* 寿命长以及价格稳定。然而现实中，GPU 快速贬值，电力成本主导运营支出，且需求增长正变得不那么确定。 关键压力点包括： • 更高效的模型降低计算需求• 新增产能上线导致供过于求• 显卡租赁市场价格压缩 即使是计划上的微小偏差也可能侵蚀利润空间，尤其对于融资建设项目而言。 一项经济练习 一条狭窄的回报之路 人工智能数据中心需要巨额的初期资本支出，其中GPU、电力和冷却系统是主要成本驱动因素。在运营支出方面，折旧和能源成本占据主导地位，几乎没有容错空间。盈利能力取决于三个变量：GPU寿命、运行时间和租赁价格。如果其中两个出现恶化，以债务融资的项目会迅速变得无利可图。 挑战在于结构层面。更高效的模型会降低计算需求，而大规模扩张则可能带来GPU供过于求和价格压缩的风险。数据中心仍将至关重要，但回报将越来越青睐那些假设保守、利用率高且灵活的自律型投资者，而非单纯追求规模。 评估长期影响 人工智能应用的四种可能未来 未来趋势：事实证明，从人工智能中获取利润的最佳方式是广告和社交媒体。 未来工作：人工智能为经济效率提升提供广泛支持。 科学未来：人工智能在高知识任务领域取得重大突破，包括药物研发、医学诊断和技术创造 未来无垃圾：即使人工智能能够自动化任务或成功解决商业挑战，它仍然大多无法盈利。 当人工智能优化的是关注度而非影响力时 未来趋势 核心要点：以消费者为中心的AI未来能够产生收入，但带来的经济转型有限。 未来，AI实现盈利的主要途径是通过消费者而非企业。AI通过内容、娱乐和广告来变现。这个未来将奖励拥有消费者触达能力的现有企业，而非新的AI原生应用。 什么定义了斜坡的未来： • 人工智能专注于内容生成和用户互动 • 收入主要来自广告和用户使用付费 • 企业在生产力提升方面收效甚微 为何不足： • 网络内容丰富 • 消费者利润微薄 • 人工智能增加的是数量而非价值 对于高管而言，未来的颓靡是一种警示结果：人工智能可以在不带来颠覆性变革的情况下实现盈利。 人工智能的应许之地，但需谨慎 未来工作 关键要点：未来工作确实能带来真正的生产率提升，但价值获取远非板上钉钉。 人工智能（AI）提升了知识工作、制造业和物理运营的效率，但挑战在于如何实现价值变现。生产力提升的风险在于可能因开放模型、内部部署或价格压力而被竞争侵蚀。嵌入企业工作流程的公司最能抓住价值。 成功条件： • 与核心工作流程无缝集成• 可靠、可审计的性能• 明确的价值创造与获取归属 Risks: • 利益归于用户，而非供应商 • 高期望超越了实际回报 对于领导者而言，未来的工作目标是可以实现的——但这需要严格的执行力和务实的假设。 先求突破，再图利润 科学未来 关键要点：即使人工智能公司难以盈利，人工智能最大的影响也可能出现在科学领域。 在未来的科技领域，人工智能在药物研发、医疗诊断和芯片设计等高知识型任务上表现卓越。这些进步为社会和经济带来了巨大的长期价值，但难以轻易转化为短期收入。价值流向下游用户，而非向上游流向人工智能开发者。 为何这个未来可能实现： • 主要依赖持续的技术改进• 对脆弱的业务模式依赖程度较低 为什么变现很难： • 长期发展时间线 • 间接价值创造• 广泛受益群体 对于高管而言，科学未来强化了人工智能的战略价值可能超过其即时财务回报的观点。 未来垃圾 关键要点：即使技术持续改进，人工智能也可能在商业上失败。 失败仍然是人工智能的一种现实结果，其根源并非技术限制，而是糟糕的经济效益和薄弱的价值捕获能力。高昂的基础设施成本、价格下跌以及激烈竞争可能阻碍可持续盈利。在这种情况下，人工智能会嵌入到产品和服务平台中，而非支撑独立的AI企业。价值将转向控制生态系统、硬件或分销渠道的公司。 未来信号的迹象： • 持续的边框压缩• 供应商整合或退出• 将人工智能视为功能而非产品 一个反直觉的赢家 • 投资较少但控制着准入的公司 领导者的教训很明确：克制可以是策略性的，技术成功并不保证商业成功。 重置引领 高管现在应该做什么 关键要点：纪律、灵活性和执行力将定义2026年的AI领导力。 高管应抵制对集中式、资本密集型人工智能战略的过度投资。相反，他们应该： • 将人工智能模型视为商品• 建立内部部署和治理能力• 聚焦于具有明确运营价值的用例 下一阶段的人工智能应用中，赢家将不是那些行动最快的人，而是那些将雄心与经济现实相结合的人。 关于卢克。 Lux Research助力创新者不仅畅想未来可能实现的一切，更能将创新成功付诸近期实践。我们提供研究和咨询服务，旨在激发、阐明并点燃重塑和驱动企业发展的创新思维。凭借源自原始研究、基于事实的分析以及挑战传统观念的观点，我们的专家专注于发掘真正颠覆性且兼具现实性与商业价值的创新。 “Lux Take”被全球创新领导者所信赖，许多人在投资初创公司或合作伙伴前会直接寻求我们的建议——我们的客户依靠Lux的洞察力来做出能带来卓越商业成果的决策。我们引以为傲的是，采用严谨的科学方法来避免炒作，并生成创新领导者不可或缺的独特视角和洞察。 questions@luxresearchinc.com电子邮件 http://www.luxresearchinc.com/blog/