2025年，全球AI行业步入快速变化周期。模型范式重构、算力建设加速、应用分化，世界模型与物理AI的出现，让智能逐渐逼近“可行动”与“可预演”。行业两条主线清晰：一是中美成为驱动全球AI发展的“双核”，路径各有特色；二是端侧模型、智能体、世界模型等技术加速工程化，从“能力演示”迈向“系统整合”。然而，与往年一样，2025年依然是“模型能力提升”与“应用落地阻力”并存的年份。当行业关键词从“大模型”转向“AI+”，人们对AI的期待已从前沿技术转向真实世界的落地价值。
回顾2025年，AI应用侧虽不乏亮点，但仍面临多重挑战。模型能力的进步并未自动转化为广泛的商业成功。进入2026年，行业将更关注技术如何转化为实际生产力，创新机会也将围绕落地价值展开。
一、全球大模型格局：双核驱动与开源崛起
全球大模型发展呈现“双核驱动”态势，既体现在闭源与开源的技术路径上，也反映在中美两国的地缘格局中。
闭源模型由科技巨头主导，强调性能领先与商业闭环；开源模型则由具备资源的组织引领，依托社区协作与透明迭代。开源模式在2025年展现出强大生命力，成为一些地区应对供应链不确定性和外部制约的战略选择。开源不仅有助于构建生态纵深，也激活了广泛的开发者群体，形成类似开放科研的创新范式——技术透明、成果快速传播、社区共同提升。
在模型阵营中，头部企业呈现“三足鼎立”之势，战略路径分化：一家在综合能力与平台化方向上持续引领；另一家聚焦专业场景与垂直应用；第三家则追求全面均衡，并在特定垂直领域寻求突破。
开源崛起背后，是一种系统性战略。由于外部闭源模型难以大规模进入某些市场，本土开源模型获得了广阔试验场。企业端更倾向于采用可微调、可审计、可定制的开源方案，以契合数据安全与技术自主的需求。同时，开源能将有限资源集中于少数优质模型，实现算力、数据与人才的高效协同。
然而，开源模式面临商业变现的挑战：变现周期长，中短期难以形成规模化收入，高度依赖资金支持与生态协同。常见的做法是“一鱼两吃”：既开源模型权重，也在云端提供基于令牌的商用服务。但这一模式也面临云服务商竞争、利润空间压缩等压力。
端侧模型在2025年成为重要战场。在云端训练成本高昂、推理成本不降反升的背景下，部分推理能力正迁移到设备端。端侧模型参数较小，可实现低延迟响应，隐私保护更强，运行成本几乎可忽略。这意味着模型体系从“大一统”转向“云-端协同”结构：云端负责复杂推理，端侧处理即时任务与近场感知。家庭与办公场景成为端侧模型的典型载体，安防、家电、桌面助手等开始依赖本地推理。对模型厂商和应用开发者而言，端侧AI不只是部署变化，更是一次新的入口竞争——推理正从云中心回流到本地环境。
二、关键技术演进：多模态、推理、记忆与智能体
大模型发展已从单一文本迈向更智能的综合形态。四大技术趋势正重塑行业：原生多模态融合、推理能力、长上下文与记忆机制、智能体能力。
多模态正从“文本为中心”走向“原生融合”。过去，多模态系统常以文本为中介，将图像、音频等映射到文本空间。现在，前沿模型转向原生多模态架构，在底层设计上将多种模态嵌入同一向量空间，实现自然对齐、无缝切换，无需文本中转。多模态生成模型也进入快速发展期，视频生成在物理逼真、镜头控制、音效同步上取得突破；图像生成在编辑、多图融合、逻辑一致性上进步显著。
推理能力从“回答问题”转向“思考过程”。2025年，推理能力成为模型核心标配。在训练阶段，模型不仅学习“下一个词是什么”，更学习“如何一步步思考”——借助链式思维、结构化推理数据等方法，使模型能拆解复杂问题、逐步推演。在推理阶段，模型通过“延长思考时间”或“动态调用额外计算资源”来提升判断力。因此，先进模型不仅“给答案”，也“展示思考过程”，从而提升准确性、增强解释性。
长上下文窗口与记忆机制让AI真正“认识你”。传统AI对话是一次性的，会话结束即被遗忘。新一代模型支持超长上下文，并结合外部记忆存储与检索，能在多次交互中持续追踪用户身份、项目历史与个人偏好。这意味着AI不再是“不长记性的工具”，而是逐渐成为具备长期认知能力的数字伙伴。这种能力对生产力工具、个性化服务和复杂协作场景尤为重要。
智能体能力指模型不仅能理解生成内容，还能主动规划、调用工具、执行多步任务，并在一定程度上自主决策、与环境互动。AI角色从“你问，我答”的助手，升级为“你定目标，我来完成”的执行伙伴。智能体可自动拆解目标、选择工具、协调子任务、监控结果、动态调整策略。应用场景包括生产力自动化、企业流程优化、个性化智能助手等。若将智能体与多模态感知、逻辑推理、长期记忆深度融合，大模型有望构建“感知—理解—记忆—行动”的完整智能闭环。但当前智能体能力仍处早期，大规模商业化面临工具调用稳定性、任务可靠编排、责任归属等挑战。
三、模型演进新方向：训练范式转移与架构探索
随着技术进入深水区，行业正经历结构性转变：从训练重心迁移，到使用成本博弈，再到底层架构多元尝试。
训练-推理范式正从“预训练主导”转向“后训练驱动”与“运行时计算”协同。能力提升遵循三条互补的“规模法则”：一是预训练规模法则，通过海量数据与超大参数构建基础能力；二是后训练规模法则，通过微调、强化学习等技术注入任务导向行为与价值观对齐；三是测试时规模法则，在推理阶段通过增加计算投入（如思维链、多步推理、自我验证）提升准确性与逻辑深度。
在底层架构上，Transformer仍是主流，但边界正在拓展。研究者积极探索替代或混合方案，例如：线性注意力模型，通过简化注意力计算复杂度，在保持性能的同时提升推理速度，成为轻量化部署的重要方向；混合注意力机制，结合传统注意力与其他高效模块，在长序列建模与计算效率间寻求平衡；文本扩散模型，借鉴图像生成思路用于语言生成，理论上具备更高吞吐效率，但目前仍处探索阶段。此外，一些前沿项目尝试将世界模型理念融入架构设计，通过多模态感知与动态模拟构建环境内部表征。
四、物理AI与世界模型：智能的新范式
过去AI发展重心在语言模型与数字内容生成。随着智能驾驶、具身机器人等技术演进，AI面临更复杂挑战：必须在现实物理世界中“看见”、“行动”并“理解”环境。因此，世界模型、物理AI成为新焦点。
物理AI指能感知现实环境、理解物理规律、并据此采取有效行动的智能系统。行业专家认为，未来真正有价值的AI将是那些能够理解并遵守物理规律的系统。
世界模型是AI在“脑海中构建的微型世界”，不仅记录当前传感器信息，还能模拟和预测未来状态：如果执行某个动作，环境将如何变化？AI从而具备“内部模拟—预演—规划”的能力。这种机制提升系统的泛化能力、安全性和长期规划水平。
当前物理AI的核心技术路线主要有两大方向：一是视觉-语言-动作模型为代表的端到端感知-行动模型；二是以世界模型为核心的环境建模与预测体系。前者适用于“看到+理解指令→立即执行”的任务场景；后者更强调对环境的内部建模与动态预测，适用于需要深度推理、动态适应和长期规划的场景。两者并非互斥，未来可能融合为统一系统，实现感知—规划—执行的一体化闭环。
2025年，世界模型领域有多项标志性进展：8月，有研究机构发布生成可交互3D环境的能力；9月，某视频生成模型强化了文本到物理场景的生成能力；11月，有团队支持从文本、图像、视频生成高保真、可编辑的3D世界。此外，高保真仿真平台日益获得关注，为机器人训练、算法验证提供支撑。这些进展表明，世界模型正从“视觉/3D世界构建”起步，迈向“仿真—物理环境—实际系统落地”阶段。
未来，世界模型将朝三大方向演进：可交互性，支持用户或智能体与虚拟世界动态互动；可规划性，具备长期目标导向的推理与行动能力；物理一致性，在生成与预测中严格遵循物理规律。物理AI有望成为机器人、自动驾驶、游戏引擎、数字孪生等领域的新型基础设施。
五、产业链与基础设施：从“单一赢家”到生态协同
在算力基础设施层面，某芯片厂商的领先地位依然稳固，成为AI时代核心硬件引擎。业界期待的从“单一赢家”向“多极共存”的格局转变，进展相对缓慢。多家科技巨头与新兴厂商正积极布局替代方案，包括自研芯片、专用加速芯片等。目前，部分替代方案已在自家生态中实现部署，或被一些数据中心采用。但绝大多数AI服务仍依赖主流GPU，替代方案尚未在全球形成完善的基础设施生态。多元化生态虽已萌芽，但远未成熟。
在产业生态层面，AI行业正从依赖少数云厂商支持，转向多方参与的“循环式资金支持”模式。过去，生态主要由头部云服务商提供算力与资本；如今，越来越多参与者开始反向“输血”，不仅接受资源，也主动为生态注入动力。例如，某芯片厂商通过投资、合作与生态扶持，成为行业重要资金与算力输出方。这种相互支持形成复杂的资金与资源循环网络。
目前生态呈现“双中心”结构：一家代表硬件端，一家代表软件与模型端，两者共同构成驱动产业的“软硬双核”。围绕这两大核心，众多企业通过投资、合作、采购与共建等方式，持续为生态注入活力。
然而，大规模投入也引发“AI泡沫”讨论。据相关报告，截至2025年8月，全球AI应用的年度经常性收入约300亿美元。而若计入全链条成本（芯片、数据中心、人力与研发），行业需达到约6000亿美元年收入才能实现合理回报。这意味着当前行业仍存在数千亿美元的亏损缺口。
六、应用层的边界与机遇：大模型公司与AI应用创业
随着大模型能力持续跃升，一个核心问题是：如果绝大部分能力来自模型，AI应用的“护城河”是什么？这不仅关乎创业方向，也影响未来生态的权力分配。
大模型公司正通过双重定位构建护城河。一方面，打造“超级助手”，覆盖日常任务，强调通用性与易用性；另一方面，塑造“T形人才”形象，在基础能力上提供高阶技能，如复杂编程、深度研究。此外，大模型公司还在布局开发者工具、知识获取产品、AI搜索，甚至自建算力基础设施。这类似于移动互联网时代的“操作系统模式”：通过内置核心服务，主导生态走向。因此，大模型公司不仅想做“技术供应商”，更希望成为下一代人机交互的入口掌控者。
面对这种扩张，独立应用公司是否还有空间？答案是肯定的，但必须找准位置。大模型公司很难包揽所有应用：为每个垂直场景深度定制成本巨大；许多行业（如医疗、金融、法律）对数据隐私、合规性、本地化部署有严格要求；细分领域的快速迭代需求也超出通用平台响应速度。因此，真正的机会存在于大模型边界之外、具备业务纵深的垂直领域，即那些需要深度行业理解、复杂工作流整合或强用户关系沉淀的场景。
对创业者而言，成功路径往往包含三个策略：一是“抢跑”模型能力，在某项能力尚未被模型较好支持时，通过工程手段在有限场景中率先做到“能用”，待模型能力成熟后迅速放大优势；二是搭建灵活脚手架，应用尽量轻量化、模块化，避免过度依赖特定模型内部结构，以保持兼容性；三是转向用户数据侧构建护城河，积累交互历史、偏好画像、使用习惯，从“用了多强的模型”转向“是否真正懂用户”。
当前，AI应用生态已初具规模，包括效率助手、陪伴型应用、AI编程工具、AI浏览器与搜索等。其中，一些团队在海外市场表现亮眼，全球访问量跻身前列。但亮眼的用户数据不等于成熟的商业收入。据报告，截至2025年8月，某些地区应用在全球市场中的年化收入中，超80%来自海外市场。这反映一个现实：在本地市场变现仍然艰难。“出海”能暂时缓解困境，但真正的出路是打通商业路径，让用户愿意为价值买单。
七、AI应用的进化路径：从Copilot到智能体，及落地挑战
AI应用正从被动响应的对话工具，迈向具备目标感与自主性的智能体。发展轨迹可分为四个阶段：对话阶段、Copilot阶段、有限智能体阶段、自主智能体阶段。如今，不少应用向智能体方向探索。智能体核心特征是能主动理解意图、拆解任务、调用工具，形成“规划—执行—反馈”闭环。
伴随应用形态升级，软件开发方式也发生根本转变。AI原生应用的核心工作转向“上下文工程”，即动态编排提示词、记忆、状态与工具调用，构建能让大模型高效完成任务的信息环境。编写AI应用的本质不再是传统编程，而是设计动态信息系统：在合适时机，以合适格式，向模型提供准确上下文、记忆、检索信息及可用工具。开发者主要变为“与模型多轮对话”，调整提示策略和内容。未来软件工程师不仅是逻辑架构师，更是“AI协作导演”，核心能力在于如何有效引导模型智能。
尽管技术演进迅猛，AI应用的商业化落地却面临严峻挑战。研究显示：尽管全球企业在生成式AI上已投入数百亿美元，但高达95%的组织未能获得可衡量的商业回报，仅5%的试点项目创造了实际价值。这一现象被称为“生成式AI鸿沟”。
落差原因在于：一是应用场景错配。当前主流AI工具主要提升个人生产力，容错率高、见效快，但难以直接转化为企业级盈利，因为它们未嵌入核心业务流程，缺乏对整体流程的支撑能力。一旦涉及多系统集成、数据打通或决策闭环，工具的“脆弱性”便显现。二是难以捕捉隐性知识。企业运营依赖大量未被文档化的经验、规则与“上下文”，当前模型无法有效学习这些隐性知识，导致输出与实际需求脱节。
当前，AI应用创业面临营收压力。核心原因之一是缺乏新硬件终端。由于没有类似智能手机的新入口，AI应用只能在现有手机或电脑生态中竞争，与几乎所有App争夺用户时间。同时，某些市场AI渗透率较高，竞争异常激烈。
AI应用公司面临的现实是：尽管单位令牌推理成本快速下降，但由于常需链式推理，令牌调用量大幅攀升，整体支出可能不降反升。这种“成本悖论”对下游公司构成真实压力。传统App依赖的广告模式也遭遇瓶颈：获取用户成本越来越高，广告单价普遍不高。若用户高频使用AI功能，服务成本可能远超广告收益。因此，AI创业者可能需要优先思考广告模式之外的其他商业模式，例如转向海外市场、结合硬件打造闭环体验等。
在此背景下，“软硬结合”成为一条值得探索的路径。从软件切入，夯实技术与商业模式基础，避免过早陷入硬件的高成本与低壁垒竞争；在能力积累到临界点后，再引入硬件载体，实现“软件定义硬件”的协同效应；通过硬件提升用户体验与产品感知，拓展服务边界，构筑更高竞争壁垒。软硬结合是以软件能力为内核、硬件为放大器的路径。另一个典型软硬结合赛道是智能硬件。成熟的消费电子制造链、芯片/传感器产业与供应链基础，为智能硬件创业提供天然优势。加上AI算法进步、端侧算力提升与成本下降，使有AI赋能的“软硬一体”产品成为可能。
八、2026年展望：在线持续学习、生产率悖论与投资逻辑
展望2026年，技术方向上的一个关键是“在线的持续学习”。当前大模型训练完成后参数被“冻结”，无法在部署后自主更新知识。尽管通过长上下文、工具调用和提示工程，模型能在单次交互中“临时学习”，但机制仍是静态的，所有信息需每次重新注入，既低效又受限。强化学习先驱曾提出“欢迎来到经验的时代”，主张真正的智能来自与环境的持续互动。这种模式类似人类的“终身学习”，智能体在线持续学习、感知反馈、自我调整，甚至动态改写自身策略。但目前，这种自主学习缺乏成熟算法框架支持。2026年，算法层面可能出现新变化，推动模型智能进一步提升。
在经济影响上，AI能否打破“生产率悖论”？前两次工业革命带来了全要素生产率的长期跃升。相比之下，计算机与互联网虽无处不在，却未能显著提升宏观生产率数据，这一现象被称为“索洛生产率悖论”。一种解释是：信息技术主要优化信息传递效率，而非直接替代人类核心智力劳动。AI可能正在改变这一局面。当大模型承担越来越多智力工作，当机器人逐步接管体力任务，人类或许实现对智力与体力的双重解放。这种变革若能渗透至制造、能源、科研等关键领域，可能推动全要素生产率提升。当然，这一进程也伴随挑战：效率提升、GDP增长的同时，大量劳动力被替代，就业结构与收入分配将面临剧烈调整。需要持续关注AI是否会加剧失业或不平等。
在投资逻辑上，市场正从“技术叙事”回归“商业基本面”。过去两年，AI领域资金主要被大模型、算力/芯片、具身智能及相关基础设施吸纳。这一阶段，投资逻辑更多基于“技术能否突破”及“谁能在关键范畴抢得先机”。随着市场走向理性、资金回笼期延长，以及行业迈进应用落地阶段，投资者关注焦点正在转变。相比于单纯“技术叙事”，投资者也在乎项目的“商业模式基本面”：是否具备真实竞争壁垒？是否有清晰且可持续的经济模型？用户切换成本是否较高？是否具备规模效应或网络效应？能否通过数据积累、用户反馈、闭环机制构建“数据飞轮”？对创业者而言，只讲“技术领先”已不够，必须拿出能穿越模型迭代周期、在实战中站稳脚跟的商业结构，包括可复制的产品化路径、可预见的收入模式，以及稳定增长的用户体系。简而言之，从“我们能做什么”转向“我们怎么赚钱并持续增长”。
纵观2025年，AI行业是技术加速、产业重构、商业模式尚未定型的多重叠加。进入2026年，行业关键变量不再是“模型能力能否再推高一个层级”——拼模型规模的时代或许已经结束。接下来，影响AI未来走向的关键议题包括：AI能否实现在线持续学习，突破“冻结参数”的结构性限制；AI能否真正进入物理世界，成为具身智能、机器人、自动驾驶等领域的新型基础设施；AI应用能否在善用模型能力的同时和模型保持距离，在特定领域构建自己的壁垒，而非困于短期成本压力与高昂获客困境。
整体而言，AI是一条长坡厚雪的赛道。正如那句穿越周期的箴言：“人们总是高估技术的短期影响，而低估其长期潜力。”当前，一些地区的AI行业正走出一条独特路径：以开源模型突破技术限制，以应用出海打开市场空间。这条路并不容易，既需要耐心，也需要定力。如果能以自主研发的大模型为智能源头，AI赋能千行百业就不再只是远景，而是正在展开的现实。
