当 ChatGPT 于 2022 年 11 月上线，在短短两个月内吸引了一亿用户时，我坦白说把它当成了被过度炒作的聊天机器人。事实证明这个判断并不高明。如今，我（以及几乎所有与我共事的人）每天都在依赖 AI 编码工具，而 2023 年那些关于“机器人能否写出一封像样邮件”的争论，感觉已经完全过时。那么，AI 的未来究竟将走向何方？
行业已经从最初的问题跨越到完全不同的量级。Anthropic 最近的经常性收入突破 70 亿美元，科技巨头在数据中心上的投入也达到了五年前看起来不可思议的水平。因此，现在重要的问题不再是AI 是否好用，而是当它不再等待提示、而是开始自主决定下一步要做什么时，会发生什么。
本文将讨论这项技术似乎正在走向的方向。我将审视代理型 AI、关于 AGI 时间表的激烈争论，以及可在本地运行的小型模型的兴起。我们还会关注就业变化、编码工具、医疗应用与监管现状。一起深入了解吧！
如果您尚不熟悉部分 AI 概念，推荐查看我们的AI Fundamentals技能路径，涵盖您需要了解的所有基础知识。
从生成式到代理型 AI
你来我往的聊天机器人模式，正在让位于更具自主性的方式。本节将介绍这种转变在实践中的样子、真正的落地挑战在哪里，以及为何大多数组织仍难以将代理投入生产。
自主代理的崛起
过去几年，AI 工具遵循着可预期的节奏：您发出提示，它给出回答。人类掌舵，AI 随行。如今这种动态正在改变：代理型 AI 系统不只是回答问题；它们会制定计划以实现目标。
假设您想在 12 月预订一次去巴塞罗那的旅行。代理不再给出一份酒店列表让您自行研究，而是会：
- 搜索备选方案
- 按您的偏好筛选
- 根据预算交叉核对价格
- 检查您的日程是否冲突
- 完成预订
您描述期望结果——系统负责把您带到那一步的所有环节。
企业对此的胃口极大。德勤预测到 2026 年底，75% 的公司将投资代理型 AI。然而现实暂时落后于愿景。2025 年年中UiPath 的一项调查发现，尽管兴趣浓厚，真正进入生产的代理部署仅有 30%。
用 MCP 缩小差距
为何存在差距？主要是集成问题。当研究者询问企业是什么在阻碍时，46% 指向了将 AI 代理与既有系统连接。写一个会起草代码的代理是一回事；让它在不破坏系统、不制造新问题的前提下，可靠地与您的 CRM、工单平台、内部 API 协同工作，则是完全不同的挑战。
为解决这一问题，行业正围绕开放标准集结，比如 Anthropic 的模型上下文协议（MCP）与 OpenAI 的 AGENTS.md 规范，二者都致力于为开放基础设施提供中立治理，并已贡献给Agentic AI Foundation。
尤其是 MCP，正在获得广泛牵引。可以把它看作“AI 的 USB-C”——一种标准化连接器，使代理能够轻松与不同工具和平台通信。举几个例子，它可与 Claude、Cursor、Microsoft Copilot、VSCode、Gemini 和 ChatGPT 集成。
如果您希望走出演示阶段，欢迎查看我们的代理型 AI课程了解概念，以及用 LangChain 设计代理型系统获取上手实践。
通用人工智能（AGI）近在眼前吗？
通往通用人工智能（AGI）——能够在人类水准上跨领域完成任务的 AI 系统——的时间线，完全取决于您问的是谁。
大型 AI 实验室的 CEO 倾向于激进判断：Anthropic 的 Dario Amodei 提出 2026–2027 年可能出现在多个领域媲美诺奖得主的系统（“数据中心里的天才之国”）。同样，Sam Altman 和 Demis Hassabis 也指向未来 3–5 年。
值得注意的是，这些公司依赖投资者热情来资助昂贵的研究，因此乐观时间表也服务于战略目的。
怀疑者则更为冷静。Gary Marcus 将最近数月称为 AGI 乐观主义的“沉重打击”，而前 OpenAI 研究员 Andrej Karpathy 则认为 AGI 至少还要十年。一项 2023 年对研究人员的广泛调查更是把中位到达时间推得更远，落在 2047 年。
归根结底，斯坦福 HAI 提供了最有用的框架：我们正从“布道走向评估”。最重要的问题不在于 AGI何时到来，而在于现有系统在特定任务上的表现如何，以及它们在哪些方面仍需要人类监督。
LLM 之外的新兴 AI 技术
AI 的有趣之处不全在于把模型做大。小型模型、量子计算与数字孪生，正在重新塑造这一领域边缘地带的可能性。
小型语言模型（SML）与边缘 AI
当所有人都在谈论越来越大的模型时，大量投资正流向更小的模型。Gartner 预测，到 2027 年，组织部署小型语言模型（SML）、面向任务的模型的速度，将是通用大型模型的三倍。
原因很务实：
- 成本：运行超大模型很昂贵。据报道，OpenAI 在 2025 年初的推理支出几乎是其收入的两倍。SLM 能大幅降低这些成本。
- 隐私：设备端模型让数据留在本地，这是医疗与金融的硬性要求。因此，SML 市场预计将从 2025 年的 9.3 亿美元增长到 2032 年的 54.5 亿美元。
- 速度：本地推理消除网络延迟。对于制造业质检或银行业欺诈检测而言，毫秒都至关重要，云端并不总能满足。
英伟达研究者认为，AI 的下一次飞跃不在规模，而在专精。既然诸如邮件解析或 SQL 查询这类任务并不需要百科全书式的知识，那么未来的架构会像是模型舰队：多个专用模型协同工作，而非一个庞大的通才。
Google、Mistral、Microsoft 与阿里巴巴都在大力推进。Google AI Edge 支持十多种模型，包括其首个设备端多模态模型 Gemma 3n。
SLM 与 LLM 方法的对比
下表比较了两种方法。想要更深入了解，请参阅我们的SLM 与 LLM 对比文章。
|
维度
|
大型语言模型
|
小型语言模型
|
|
运行位置
|
云端服务器
|
设备、边缘、本地服务器
|
|
单次请求成本
|
较高（约 $0.01–0.10）
|
不到一美分
|
|
响应时间
|
依赖网络（100–500ms）
|
低于 50ms
|
|
数据处理
|
离开设备
|
留在本地
|
|
定制化
|
资源密集
|
更易实现
|
|
最适合
|
复杂推理、创意工作、广博知识
|
特定任务、可靠性、速度
|
|
能耗
|
可观
|
较低
|
大型模型并未变得无关紧要。复杂问题仍受益于其强大能力。未来很可能是二者并存，关键在于何时用哪一种。
量子计算与 AI 的融合
量子计算“再过五年”的说法已流传数十年，但在 2025 年底出现了转变，值得关注。
Google 使用 65 个量子比特在物理模拟上展现出相较 Frontier 超级计算机 13,000 倍的加速。IBM 目标在 2026 年实现量子优势，研究者也开始用神经网络对量子比特误差进行实时预测与校正。
这一领域已从理论前景转向工程难题。
一个正在流行的术语是“量子实用性（quantum utility）”。它并非追求在所有问题上全面量子优势，而是让量子系统在特定问题上比经典方案更快或更便宜。目标问题以数学为主，变量极多，经典计算机容易“噎住”：
摩根大通研究人员近期用一项量子流式算法取得里程碑成果，能够以指数级空间优势处理大型数据集。这不是新闻稿，而是具备可量化结果的同行评审研究。
话虽如此，这里的预测区间仍很宽。
Manifold Markets跟踪了逾百条与量子相关的预测，显示出广泛的怀疑：到 2026 年，量子计算机不太可能在密码学或复杂生物模拟上超越经典系统。多数观察者预期的是渐进式工程进步，而非突破性的量子优势。
但同一市场也对在十年内出现有用的容错量子计算机抱有较强信心。
这在实践中意味着什么？
实际上，独立的量子计算机是个神话。行业标准如今是“异构计算”：量子处理器与 GPU 集群共同置于高性能中心内，由 AI 系统管理工作流的混合架构。
对于从事研发领域的数据科学家而言，这带来新的技能要求。IBM、Google、Amazon Braket 与 Microsoft Azure Quantum 的量子云 API，让您无需自有硬件即可运行量子子程序。学习曲线并不轻松，但远比自建量子实验室更可及。
关注点的转移细微却重要。经典数据科学着迷于“海量数据”，量子计算则关心“复杂优化”。它处理的是组合爆炸类问题，比如分子建模、物流，或含成千上万个相关因子的金融风险。在这些领域，量子工具正从理论走向实用。
数字孪生与仿真
数字孪生正从流行语走向可用的基础设施。理念很直白：为物理系统（产线、仓网、电网、城市街区）构建一个“有生命的”虚拟副本，并通过传感器、日志与运营数据与真实系统保持同步。然后，您可以先在孪生体中压测决策，再动真格。
工厂是最干净的早期场景。现代工厂已产生孪生所需的数据：PLC 信号、机器遥测、维修历史、工单、质量度量、库存流转。AI 将这股洪流转化为可查询的模型。不只是仪表盘，而是反事实推演。您可以回答如下问题：
- 如果一台冲压机在周二早晨停机 6 小时会怎样？
- 如果我们在某零件上把供应商 B 换成缺陷分布略有不同的供应商 C，会怎样？
- 如果我们调整排班，让经验丰富的操作员集中在最后两道工序，会怎样？
价值不在于预测干扰，而在于追踪下游影响——错过窗口、库存缺口、改道成本——从而预先算好解法，而不是凌晨三点临场应对。
促成转变的是，AI 正在降低构建与维护这些模型的成本。现代机器学习模型直接从实时数据学习行为，检测漂移，并在真实系统变化时保持孪生对齐。
小而专用的模型也很契合：一个做涡轮异常检测，另一个做排程优化，再一个做需求预测，全部为同一仿真环境提供输入。
如果您想更清晰地了解下一步，建议阅读2026 年 9 大开源 LLM，以便在不依赖厂商的情况下运行与微调模型，以及2026 年 13 大 AI 会议，真正的落地实践讨论将在那里展开。
工作的未来与 AI
有关 AI 取代工作的标题，往往忽略了数据中的细微差别。研究呈现的图景更复杂、更渐进，且很可能没有乐观派或悲观派所描述的那样戏剧化。
AI 会取代工作吗？
这些数字值得比标题通常呈现的更细致的解读。
世界经济论坛在其2025 年就业未来报告中，调研了逾千家领军雇主。报告预计 2025–2030 年间将新增 1.7 亿个岗位，同时有 9200 万个岗位被替代，净增 7800 万个岗位。
虽然这是净正面，但分布差异非常重要。2025 年 11 月发表的一项研究中，MIT 与波士顿大学研究者估计，到 2026 年 AI 将取代约 200 万名制造业工人。
需要厘清的是任务与职位的区别。AI 更常见的是自动化工作中的具体活动，而非一次性消灭整个岗位。您的会计不会消失，但用于数据录入与对账的工时在缩减。
来自 2025 年的 MIT 研究估计，目前可自动化的任务覆盖了美国劳动力活动的约 11.7%，相当于约 1.2 万亿美元的工资。这并不意味着 11.7% 的人会失业，而是意味着他们的相当一部分工作如今可以作为软件运行。
受冲击更大的岗位包括：
- 客户服务，尤其是基于文本的支持
- 数据录入与处理
- 遵循可预测流程的行政性工作
- 部分零售收银岗位
- 常规法律检索与律师助理任务
具备以下特征的岗位压力较小：
- 人员管理
- 专业化判断
- 情境模糊性
- 在不可预测环境中的实体在场
这些模式适用于医疗、技工、创意工作与战略决策等多个领域。
新兴职业路径
新的岗位类别正在出现，其中一些在五年前还不存在：
- AI 系统架构师，负责设计 AI 组件在组织内如何协同。既需技术理解，也需业务流程知识。
- 提示工程师，成为了真正的职位头衔，尽管正演进为所谓 AI 协作专家。重点在于如何高效与系统协作，而不仅是写“巧妙”的输入。
- AI 伦理与合规经理，覆盖监管要求与审计。组织需要既懂技术能力、又熟法律格局的人，以降低与 AI 系统相关的风险。
- AI 训练师与数据策展人，负责反馈回路、边界案例标注与训练数据质量控制。
我发现的规律是：领域专长与 AI 素养的结合，才是价值所在。懂 AI 诊断工具的护士，比回避它们的护士能带来更好的结果。用 AI 做检索且清楚其边界的律师，工作更快且不降质。
雇主调研一再把分析性思维排在最受青睐的技能之首。十之七的公司称其为必需，其次是韧性、适应力与领导力。
行业层面的变化
有些领域更快采用了 AI 工具，结果却比您想象的更“多样”。编程、医疗与金融各自讲述了不同的故事：哪些有效、哪些无效、惊喜在哪里。
编码与数据科学
软件开发对 AI 工具的采纳速度，快于大多数领域。工具也在持续演进。
根据2025 年 Stack Overflow 调查，截至 2025 年底，约 85% 的开发者经常使用 AI 工具。GitHub 报告称，全球 Copilot 用户产出的代码中有 41% 涉及 AI 协助。我们已经超越自动补全：当前系统能理解整个代码库，并跨多个文件进行修改。
市场领导者已浮现：GitHub Copilot约占 42% 市场份额，用户超 2000 万，覆盖 90% 的财富 100 强公司。Cursor 从无到有，在 18 个月内拿下 18% 的市场份额，据称其经常性收入已达 5 亿美元。
AI 工具在某些类型的编码工作上表现出色：
- 样板与重复性模式
- 探索不熟悉的 API
- 解读遗留代码
然而，认知与现实之间的差距同样重要。
在2025 年 7 月 METR 的一项研究中，有经验的开发者使用了 Cursor Pro 与 Claude 3.5 Sonnet 等工具。结果是，这些开发者完成任务的速度比不用 AI 慢了 19%——但他们却以为自己快了 20%。
启示在于，生产率提升取决于情境。当工作类型不匹配工具长处、而且您对系统的理解超过 AI 时，AI 工具反而可能拖慢您。
当下的方向正迈向更强的自主能力。GitHub 的Project Padawan代表一种模式：开发者把 issue 分配给 AI 系统，由 AI 实现，人类审阅。焦点从 AI 建议代码转向 AI 完成特性。
对数据科学而言，预计在准备上的时间更少、在解读上的时间更多。AI 可以接手 SQL 查询与数据清洗。这样人类数据科学家就能把时间放在提出正确问题与理解结果上。
医疗健康
医疗中的 AI 处在复杂地带。潜力巨大，但部署谨慎——考虑到事关重大，这大概是恰当的。
AI 支持的药物研发正在加速。AlphaFold 等工具将蛋白质结构预测从数年压缩到数小时。化合物筛选规模达到了以往不可行的层级。有估计称，AI 可能将每款药物的开发周期压缩四到五年。
诊断在特定领域也有所提升，放射科、病理学与眼科走在前列。基于医学影像训练的 AI 能发现人工审阅者会忽略的模式。
据麦肯锡称，梅奥诊所自 2016 年以来在部署数百个 AI 模型的同时，放射科人员规模增长了 50% 以上。这一组合值得玩味：AI 是增强工作，而不是替代人员。
不过，谨慎是合理的。医疗决策带来的后果不同于社媒推荐：错误的诊断会伤害病人。科学与医学界对“模型如何得出结论”的诉求（而非仅仅是否准确）带来了实际约束。
近期现实是 AI 作为诊断助手。系统能标注潜在问题、建议检查，并在繁忙环境中捕捉可能被忽略的事项。但最终仍由医生做出决策并维护医患关系。
随着小型语言模型直接上手可穿戴设备，远程监测在加速。通过在设备本地处理数据，这些系统将延迟降到最低、保证隐私，仅用 AI 标记需要人工复核的特定异常。
金融
金融服务是 AI 的早期采用者，早在多年前就掌握了高速反欺诈，但代理能力正把该行业推向新领域。
在成熟工具应对欺诈与常规客服问询的同时，当前的前沿在于超个性化。新系统能分析个人风险偏好与财务目标，为更广泛的人群提供复杂的财富管理策略。
不过，进展伴随着警示：监管者正日益审查这些模型，确保信贷数据中的历史偏见不会被算法复制。
AI 的挑战与监管
技术限制与政策缺口对 AI 的负责任应用形成了实在的约束。黑箱问题、生成性虚假信息与碎片化的监管格局，共同决定了“可实际部署的”与“理论上可行的”之间的落差。
技术与社会问题
黑箱问题尚未解决。当模型做出决定时，想要理解“为什么”仍很困难。当决策影响贷款、就业与医疗时，这就成了问题。
研究正聚焦于可解释性。斯坦福 HAI 的教师预计，2026 年将更多关注他们称之为“高性能神经网络考古学”。稀疏自编码器等技术有助于识别哪些训练特征真正驱动了行为。
生成内容带来进一步问题：深度伪造与 AI 生成的虚假信息，正变得日益难以识别。有估计称，线上 AI 生成文章的数量可能已超过人类撰写的内容。
模型崩塌可能是其后果，也是另一个令研究者担忧的问题。如果模型越来越多地在 AI 生成内容上训练（其在可用数据中的占比不断上升），质量可能退化。模型在“吃自己的输出”，以一种会放大错误的方式进行。
监管格局
不同法域正采取不同路径。
目前覆盖范围最广的规则，当属欧盟 AI 法案。它基于风险分级：风险越高，义务越重。用于就业与信贷决策的系统位于“高风险”一栏，这意味着在文档、控制与监督方面有更严格的要求。
该法案于 2024 年 8 月 1 日生效，但大多数义务将在随后数年分阶段落地。
能源在更狭窄、也更务实的层面出现：通用 AI 模型的提供者可能需要记录能源使用（或在无法精确计量时，提供基于算力推导的估算）。在 AI 法案之外，欧盟对数据中心与能效的报告要求也在收紧，这很重要，因为 AI 负载正成为电力需求增长的主要驱动因素。
在实践中，这推动团队转向“够用”的架构，优先效率而非纯算力。通过采用更小的模型并在边缘侧执行推理，开发者可以减少通过昂贵云端系统处理的 token，最终降低算力成本、能耗与数据传输。
在美国，局面远未定型。联邦立法仍陷僵局，随着 2025 年试图推翻州级规则的努力失败，监管环境正在分裂。因此，直到 2026 年，建设者面临的将是“按州合规”的移动靶，而非统一的联邦框架。
为 AI 的未来做好准备
如何真正保持职业相关性？为此，我建议系统学习 AI 相关概念，发展技术领域技能，并获得动手经验。
数据与 AI 素养
数据素养不再是可选项。您不必成为数据科学家，但需要理解数据如何流动、什么让数据可信、以及如何解读模型输出。
如果您需要系统化的基线，Data Literacy Professional技能路径涵盖所有要点，并提供认证以展示您的所学。若想更偏向 AI 理论的入门，我推荐报名 AI Fundamentals技能路径。
技术技能
基础技术技能仍是分水岭。AI 工具让编码更易上手，但您仍需理解其逻辑以核验输出。Python 与 SQL 是这里的“日常主力”。
一个稳妥的方法是先学语言，再上 AI 这一层。从 Introduction to Python入手掌握语法，随后学习 Generative AI Concepts，理解现代助手的行为方式——以及它们会在哪里出错。
领域专长与代理
最大的转变在于从聊天机器人到代理。仅仅“写提示”正日益商品化。把工作流设计为可与现实世界系统集成，才是价值所在。
领域专长仍具价值。精通 AI 工具并结合深厚行业知识，能产生一加一大于二的效果。实现这一组合的最快路径，是选定一个领域工作流，学习代理将如何接入其中。
为理解这种架构，请报名我们的AI Agent Fundamentals技能路径，建立心智模型。完成理论部分后，学习 用 LangChain 设计代理型系统课程，动手搭建端到端的可运行系统。看到这些代理的失效点，和看到它们奏效一样有价值。
管理不确定性
最后，要培养与不确定性相处的能力——AI 模型输出是概率性的，因此有时会错。理解失效模式对任何构建面向客户工具的人都至关重要。您应熟悉诸如模型崩塌（合成数据如何使模型退化）以及 深度伪造背后的机制等概念。
想跟上行业而非跟着炒作节奏走，就要关注实干家。 2026 年 13 大 AI 会议清单，是寻找工程师在生产实践中“真经交流”的好去处。
结语
斯坦福的教师最近将当下时刻描述为从“布道到评估”的转变。这一表述恰如其分。我们正在越过“AI 是否重要”的问题，进入到“在哪些方面有帮助、以及如何负责任地部署”的琐碎细节中。
尽管 AGI 时间表仍具不确定性、监管环境也在变化，但务实的方向很明确：代理型 AI 将进入企业工作流，小型模型将处理日常事务。贯穿始终的主题是增强，而非替代。最有趣的未来并非 AI 无所不包，而是人类设计出能放大自身专长的系统。
当前的最佳策略很简单：亲手使用工具，对炒作与危言耸听都保持理性怀疑，并把学习当作持续过程。变化不以您的准备程度为转移，因此更应握紧方向盘！
当 ChatGPT 于 2022 年 11 月上线，在短短两个月内吸引了一亿用户时，我坦白说把它当成了被过度炒作的聊天机器人。事实证明这个判断并不高明。如今，我（以及几乎所有与我共事的人）每天都在依赖 AI 编码工具，而 2023 年那些关于“机器人能否写出一封像样邮件”的争论，感觉已经完全过时。那么，AI 的未来究竟将走向何方？
行业已经从最初的问题跨越到完全不同的量级。Anthropic 最近的经常性收入突破 70 亿美元，科技巨头在数据中心上的投入也达到了五年前看起来不可思议的水平。因此，现在重要的问题不再是AI 是否好用，而是当它不再等待提示、而是开始自主决定下一步要做什么时，会发生什么。
本文将讨论这项技术似乎正在走向的方向。我将审视代理型 AI、关于 AGI 时间表的激烈争论，以及可在本地运行的小型模型的兴起。我们还会关注就业变化、编码工具、医疗应用与监管现状。一起深入了解吧！
如果您尚不熟悉部分 AI 概念，推荐查看我们的AI Fundamentals技能路径，涵盖您需要了解的所有基础知识。
从生成式到代理型 AI
你来我往的聊天机器人模式，正在让位于更具自主性的方式。本节将介绍这种转变在实践中的样子、真正的落地挑战在哪里，以及为何大多数组织仍难以将代理投入生产。
自主代理的崛起
过去几年，AI 工具遵循着可预期的节奏：您发出提示，它给出回答。人类掌舵，AI 随行。如今这种动态正在改变：代理型 AI 系统不只是回答问题；它们会制定计划以实现目标。
假设您想在 12 月预订一次去巴塞罗那的旅行。代理不再给出一份酒店列表让您自行研究，而是会：
您描述期望结果——系统负责把您带到那一步的所有环节。
企业对此的胃口极大。德勤预测到 2026 年底，75% 的公司将投资代理型 AI。然而现实暂时落后于愿景。2025 年年中UiPath 的一项调查发现，尽管兴趣浓厚，真正进入生产的代理部署仅有 30%。
用 MCP 缩小差距
为何存在差距？主要是集成问题。当研究者询问企业是什么在阻碍时，46% 指向了将 AI 代理与既有系统连接。写一个会起草代码的代理是一回事；让它在不破坏系统、不制造新问题的前提下，可靠地与您的 CRM、工单平台、内部 API 协同工作，则是完全不同的挑战。
为解决这一问题，行业正围绕开放标准集结，比如 Anthropic 的模型上下文协议（MCP）与 OpenAI 的 AGENTS.md 规范，二者都致力于为开放基础设施提供中立治理，并已贡献给Agentic AI Foundation。
尤其是 MCP，正在获得广泛牵引。可以把它看作“AI 的 USB-C”——一种标准化连接器，使代理能够轻松与不同工具和平台通信。举几个例子，它可与 Claude、Cursor、Microsoft Copilot、VSCode、Gemini 和 ChatGPT 集成。
如果您希望走出演示阶段，欢迎查看我们的代理型 AI课程了解概念，以及用 LangChain 设计代理型系统获取上手实践。
通用人工智能（AGI）近在眼前吗？
通往通用人工智能（AGI）——能够在人类水准上跨领域完成任务的 AI 系统——的时间线，完全取决于您问的是谁。
大型 AI 实验室的 CEO 倾向于激进判断：Anthropic 的 Dario Amodei 提出 2026–2027 年可能出现在多个领域媲美诺奖得主的系统（“数据中心里的天才之国”）。同样，Sam Altman 和 Demis Hassabis 也指向未来 3–5 年。
值得注意的是，这些公司依赖投资者热情来资助昂贵的研究，因此乐观时间表也服务于战略目的。
怀疑者则更为冷静。Gary Marcus 将最近数月称为 AGI 乐观主义的“沉重打击”，而前 OpenAI 研究员 Andrej Karpathy 则认为 AGI 至少还要十年。一项 2023 年对研究人员的广泛调查更是把中位到达时间推得更远，落在 2047 年。
归根结底，斯坦福 HAI 提供了最有用的框架：我们正从“布道走向评估”。最重要的问题不在于 AGI何时到来，而在于现有系统在特定任务上的表现如何，以及它们在哪些方面仍需要人类监督。
LLM 之外的新兴 AI 技术
AI 的有趣之处不全在于把模型做大。小型模型、量子计算与数字孪生，正在重新塑造这一领域边缘地带的可能性。
小型语言模型（SML）与边缘 AI
当所有人都在谈论越来越大的模型时，大量投资正流向更小的模型。Gartner 预测，到 2027 年，组织部署小型语言模型（SML）、面向任务的模型的速度，将是通用大型模型的三倍。
原因很务实：
英伟达研究者认为，AI 的下一次飞跃不在规模，而在专精。既然诸如邮件解析或 SQL 查询这类任务并不需要百科全书式的知识，那么未来的架构会像是模型舰队：多个专用模型协同工作，而非一个庞大的通才。
Google、Mistral、Microsoft 与阿里巴巴都在大力推进。Google AI Edge 支持十多种模型，包括其首个设备端多模态模型 Gemma 3n。
SLM 与 LLM 方法的对比
下表比较了两种方法。想要更深入了解，请参阅我们的SLM 与 LLM 对比文章。
维度
大型语言模型
小型语言模型
运行位置
云端服务器
设备、边缘、本地服务器
单次请求成本
较高（约 $0.01–0.10）
不到一美分
响应时间
依赖网络（100–500ms）
低于 50ms
数据处理
离开设备
留在本地
定制化
资源密集
更易实现
最适合
复杂推理、创意工作、广博知识
特定任务、可靠性、速度
能耗
可观
较低
大型模型并未变得无关紧要。复杂问题仍受益于其强大能力。未来很可能是二者并存，关键在于何时用哪一种。
量子计算与 AI 的融合
量子计算“再过五年”的说法已流传数十年，但在 2025 年底出现了转变，值得关注。
Google 使用 65 个量子比特在物理模拟上展现出相较 Frontier 超级计算机 13,000 倍的加速。IBM 目标在 2026 年实现量子优势，研究者也开始用神经网络对量子比特误差进行实时预测与校正。
这一领域已从理论前景转向工程难题。
一个正在流行的术语是“量子实用性（quantum utility）”。它并非追求在所有问题上全面量子优势，而是让量子系统在特定问题上比经典方案更快或更便宜。目标问题以数学为主，变量极多，经典计算机容易“噎住”：
摩根大通研究人员近期用一项量子流式算法取得里程碑成果，能够以指数级空间优势处理大型数据集。这不是新闻稿，而是具备可量化结果的同行评审研究。
话虽如此，这里的预测区间仍很宽。
Manifold Markets跟踪了逾百条与量子相关的预测，显示出广泛的怀疑：到 2026 年，量子计算机不太可能在密码学或复杂生物模拟上超越经典系统。多数观察者预期的是渐进式工程进步，而非突破性的量子优势。
但同一市场也对在十年内出现有用的容错量子计算机抱有较强信心。
这在实践中意味着什么？
实际上，独立的量子计算机是个神话。行业标准如今是“异构计算”：量子处理器与 GPU 集群共同置于高性能中心内，由 AI 系统管理工作流的混合架构。
对于从事研发领域的数据科学家而言，这带来新的技能要求。IBM、Google、Amazon Braket 与 Microsoft Azure Quantum 的量子云 API，让您无需自有硬件即可运行量子子程序。学习曲线并不轻松，但远比自建量子实验室更可及。
关注点的转移细微却重要。经典数据科学着迷于“海量数据”，量子计算则关心“复杂优化”。它处理的是组合爆炸类问题，比如分子建模、物流，或含成千上万个相关因子的金融风险。在这些领域，量子工具正从理论走向实用。
数字孪生与仿真
数字孪生正从流行语走向可用的基础设施。理念很直白：为物理系统（产线、仓网、电网、城市街区）构建一个“有生命的”虚拟副本，并通过传感器、日志与运营数据与真实系统保持同步。然后，您可以先在孪生体中压测决策，再动真格。
工厂是最干净的早期场景。现代工厂已产生孪生所需的数据：PLC 信号、机器遥测、维修历史、工单、质量度量、库存流转。AI 将这股洪流转化为可查询的模型。不只是仪表盘，而是反事实推演。您可以回答如下问题：
价值不在于预测干扰，而在于追踪下游影响——错过窗口、库存缺口、改道成本——从而预先算好解法，而不是凌晨三点临场应对。
促成转变的是，AI 正在降低构建与维护这些模型的成本。现代机器学习模型直接从实时数据学习行为，检测漂移，并在真实系统变化时保持孪生对齐。
小而专用的模型也很契合：一个做涡轮异常检测，另一个做排程优化，再一个做需求预测，全部为同一仿真环境提供输入。
如果您想更清晰地了解下一步，建议阅读2026 年 9 大开源 LLM，以便在不依赖厂商的情况下运行与微调模型，以及2026 年 13 大 AI 会议，真正的落地实践讨论将在那里展开。
工作的未来与 AI
有关 AI 取代工作的标题，往往忽略了数据中的细微差别。研究呈现的图景更复杂、更渐进，且很可能没有乐观派或悲观派所描述的那样戏剧化。
AI 会取代工作吗？
这些数字值得比标题通常呈现的更细致的解读。
世界经济论坛在其2025 年就业未来报告中，调研了逾千家领军雇主。报告预计 2025–2030 年间将新增 1.7 亿个岗位，同时有 9200 万个岗位被替代，净增 7800 万个岗位。
虽然这是净正面，但分布差异非常重要。2025 年 11 月发表的一项研究中，MIT 与波士顿大学研究者估计，到 2026 年 AI 将取代约 200 万名制造业工人。
需要厘清的是任务与职位的区别。AI 更常见的是自动化工作中的具体活动，而非一次性消灭整个岗位。您的会计不会消失，但用于数据录入与对账的工时在缩减。
来自 2025 年的 MIT 研究估计，目前可自动化的任务覆盖了美国劳动力活动的约 11.7%，相当于约 1.2 万亿美元的工资。这并不意味着 11.7% 的人会失业，而是意味着他们的相当一部分工作如今可以作为软件运行。
受冲击更大的岗位包括：
具备以下特征的岗位压力较小：
这些模式适用于医疗、技工、创意工作与战略决策等多个领域。
新兴职业路径
新的岗位类别正在出现，其中一些在五年前还不存在：
我发现的规律是：领域专长与 AI 素养的结合，才是价值所在。懂 AI 诊断工具的护士，比回避它们的护士能带来更好的结果。用 AI 做检索且清楚其边界的律师，工作更快且不降质。
雇主调研一再把分析性思维排在最受青睐的技能之首。十之七的公司称其为必需，其次是韧性、适应力与领导力。
行业层面的变化
有些领域更快采用了 AI 工具，结果却比您想象的更“多样”。编程、医疗与金融各自讲述了不同的故事：哪些有效、哪些无效、惊喜在哪里。
编码与数据科学
软件开发对 AI 工具的采纳速度，快于大多数领域。工具也在持续演进。
根据2025 年 Stack Overflow 调查，截至 2025 年底，约 85% 的开发者经常使用 AI 工具。GitHub 报告称，全球 Copilot 用户产出的代码中有 41% 涉及 AI 协助。我们已经超越自动补全：当前系统能理解整个代码库，并跨多个文件进行修改。
市场领导者已浮现：GitHub Copilot约占 42% 市场份额，用户超 2000 万，覆盖 90% 的财富 100 强公司。Cursor 从无到有，在 18 个月内拿下 18% 的市场份额，据称其经常性收入已达 5 亿美元。
AI 工具在某些类型的编码工作上表现出色：
然而，认知与现实之间的差距同样重要。
在2025 年 7 月 METR 的一项研究中，有经验的开发者使用了 Cursor Pro 与 Claude 3.5 Sonnet 等工具。结果是，这些开发者完成任务的速度比不用 AI 慢了 19%——但他们却以为自己快了 20%。
启示在于，生产率提升取决于情境。当工作类型不匹配工具长处、而且您对系统的理解超过 AI 时，AI 工具反而可能拖慢您。
当下的方向正迈向更强的自主能力。GitHub 的Project Padawan代表一种模式：开发者把 issue 分配给 AI 系统，由 AI 实现，人类审阅。焦点从 AI 建议代码转向 AI 完成特性。
对数据科学而言，预计在准备上的时间更少、在解读上的时间更多。AI 可以接手 SQL 查询与数据清洗。这样人类数据科学家就能把时间放在提出正确问题与理解结果上。
医疗健康
医疗中的 AI 处在复杂地带。潜力巨大，但部署谨慎——考虑到事关重大，这大概是恰当的。
AI 支持的药物研发正在加速。AlphaFold 等工具将蛋白质结构预测从数年压缩到数小时。化合物筛选规模达到了以往不可行的层级。有估计称，AI 可能将每款药物的开发周期压缩四到五年。
诊断在特定领域也有所提升，放射科、病理学与眼科走在前列。基于医学影像训练的 AI 能发现人工审阅者会忽略的模式。
据麦肯锡称，梅奥诊所自 2016 年以来在部署数百个 AI 模型的同时，放射科人员规模增长了 50% 以上。这一组合值得玩味：AI 是增强工作，而不是替代人员。
不过，谨慎是合理的。医疗决策带来的后果不同于社媒推荐：错误的诊断会伤害病人。科学与医学界对“模型如何得出结论”的诉求（而非仅仅是否准确）带来了实际约束。
近期现实是 AI 作为诊断助手。系统能标注潜在问题、建议检查，并在繁忙环境中捕捉可能被忽略的事项。但最终仍由医生做出决策并维护医患关系。
随着小型语言模型直接上手可穿戴设备，远程监测在加速。通过在设备本地处理数据，这些系统将延迟降到最低、保证隐私，仅用 AI 标记需要人工复核的特定异常。
金融
金融服务是 AI 的早期采用者，早在多年前就掌握了高速反欺诈，但代理能力正把该行业推向新领域。
在成熟工具应对欺诈与常规客服问询的同时，当前的前沿在于超个性化。新系统能分析个人风险偏好与财务目标，为更广泛的人群提供复杂的财富管理策略。
不过，进展伴随着警示：监管者正日益审查这些模型，确保信贷数据中的历史偏见不会被算法复制。
AI 的挑战与监管
技术限制与政策缺口对 AI 的负责任应用形成了实在的约束。黑箱问题、生成性虚假信息与碎片化的监管格局，共同决定了“可实际部署的”与“理论上可行的”之间的落差。
技术与社会问题
黑箱问题尚未解决。当模型做出决定时，想要理解“为什么”仍很困难。当决策影响贷款、就业与医疗时，这就成了问题。
研究正聚焦于可解释性。斯坦福 HAI 的教师预计，2026 年将更多关注他们称之为“高性能神经网络考古学”。稀疏自编码器等技术有助于识别哪些训练特征真正驱动了行为。
生成内容带来进一步问题：深度伪造与 AI 生成的虚假信息，正变得日益难以识别。有估计称，线上 AI 生成文章的数量可能已超过人类撰写的内容。
模型崩塌可能是其后果，也是另一个令研究者担忧的问题。如果模型越来越多地在 AI 生成内容上训练（其在可用数据中的占比不断上升），质量可能退化。模型在“吃自己的输出”，以一种会放大错误的方式进行。
监管格局
不同法域正采取不同路径。
目前覆盖范围最广的规则，当属欧盟 AI 法案。它基于风险分级：风险越高，义务越重。用于就业与信贷决策的系统位于“高风险”一栏，这意味着在文档、控制与监督方面有更严格的要求。
该法案于 2024 年 8 月 1 日生效，但大多数义务将在随后数年分阶段落地。
能源在更狭窄、也更务实的层面出现：通用 AI 模型的提供者可能需要记录能源使用（或在无法精确计量时，提供基于算力推导的估算）。在 AI 法案之外，欧盟对数据中心与能效的报告要求也在收紧，这很重要，因为 AI 负载正成为电力需求增长的主要驱动因素。
在实践中，这推动团队转向“够用”的架构，优先效率而非纯算力。通过采用更小的模型并在边缘侧执行推理，开发者可以减少通过昂贵云端系统处理的 token，最终降低算力成本、能耗与数据传输。
在美国，局面远未定型。联邦立法仍陷僵局，随着 2025 年试图推翻州级规则的努力失败，监管环境正在分裂。因此，直到 2026 年，建设者面临的将是“按州合规”的移动靶，而非统一的联邦框架。
为 AI 的未来做好准备
如何真正保持职业相关性？为此，我建议系统学习 AI 相关概念，发展技术领域技能，并获得动手经验。
数据与 AI 素养
数据素养不再是可选项。您不必成为数据科学家，但需要理解数据如何流动、什么让数据可信、以及如何解读模型输出。
如果您需要系统化的基线，Data Literacy Professional技能路径涵盖所有要点，并提供认证以展示您的所学。若想更偏向 AI 理论的入门，我推荐报名 AI Fundamentals技能路径。
技术技能
基础技术技能仍是分水岭。AI 工具让编码更易上手，但您仍需理解其逻辑以核验输出。Python 与 SQL 是这里的“日常主力”。
一个稳妥的方法是先学语言，再上 AI 这一层。从 Introduction to Python入手掌握语法，随后学习 Generative AI Concepts，理解现代助手的行为方式——以及它们会在哪里出错。
领域专长与代理
最大的转变在于从聊天机器人到代理。仅仅“写提示”正日益商品化。把工作流设计为可与现实世界系统集成，才是价值所在。
领域专长仍具价值。精通 AI 工具并结合深厚行业知识，能产生一加一大于二的效果。实现这一组合的最快路径，是选定一个领域工作流，学习代理将如何接入其中。
为理解这种架构，请报名我们的AI Agent Fundamentals技能路径，建立心智模型。完成理论部分后，学习 用 LangChain 设计代理型系统课程，动手搭建端到端的可运行系统。看到这些代理的失效点，和看到它们奏效一样有价值。
管理不确定性
最后，要培养与不确定性相处的能力——AI 模型输出是概率性的，因此有时会错。理解失效模式对任何构建面向客户工具的人都至关重要。您应熟悉诸如模型崩塌（合成数据如何使模型退化）以及 深度伪造背后的机制等概念。
想跟上行业而非跟着炒作节奏走，就要关注实干家。 2026 年 13 大 AI 会议清单，是寻找工程师在生产实践中“真经交流”的好去处。
结语
斯坦福的教师最近将当下时刻描述为从“布道到评估”的转变。这一表述恰如其分。我们正在越过“AI 是否重要”的问题，进入到“在哪些方面有帮助、以及如何负责任地部署”的琐碎细节中。
尽管 AGI 时间表仍具不确定性、监管环境也在变化，但务实的方向很明确：代理型 AI 将进入企业工作流，小型模型将处理日常事务。贯穿始终的主题是增强，而非替代。最有趣的未来并非 AI 无所不包，而是人类设计出能放大自身专长的系统。
当前的最佳策略很简单：亲手使用工具，对炒作与危言耸听都保持理性怀疑，并把学习当作持续过程。变化不以您的准备程度为转移，因此更应握紧方向盘！