2026人工智能十大趋势报告：协同进化

腾讯研究院出品协同进化2026人工智能十大趋势报告编委会顾 问司 晓 | 腾讯副总裁 腾讯研究院院长联合出品腾讯研究院 腾讯云智能 腾讯优图袁晓辉 | 腾讯研究院副院长 资深专家研究团队李瑞龙 陈东明 茹炳晟 刘莫闲 余 一曹士圯 翁金塔 白惠天 王 强 吴朋阳王 鹏 黄 浩人工智能正在从单点突破走向系统性进化。模型在使用中持续学习，环境在交互中被重塑，商业在落地中寻找真实价值，组织在协作中摸索新形态——四条线索彼此咬合，构成一幅协同进化的全景。CONTENTS目录Part I 进化Part II 落地Part III 重组趋势01 在线进化：进化不止于训练，模型部署后的再学习趋势02 多模态认知：从渲染器到创作者，更好的理解世界趋势03 科学智能：三位一体，AI for Science的攻坚之战010610趋势04 驾驭工程：给野马套上挽具，竞争前沿移到模型外部趋势05 全民构建：编程先验战场跑通，AI 原生工作迈向千行百业趋势06 可信执行：把信任铺成管道，从自主到可信152126趋势07 智力即服务：Token 退居幕后，智力走上前台趋势08 智联网：互联网的新主体，当Agent开始上网趋势09 液态组织：组织开始流动，从固态结构走向液态编排趋势10 角色重构：从监督者到架构师，职业的重心在往上移30354146学习、感知和发现进化Part I学习、感知和发现从可用到好用的基础设施当AI成为社会的参与者过去三年，基础模型进步的默认逻辑是“Scaling”：更多数据、更大参数、更多GPU。2026年大模型能力仍在持续提升，甚至没有人明确看到天花板。但随着时间拉长，有一个问题开始浮现：模型智商提高之后，要真正为人类所用，模型必须学会coding和数学之外的更多事。正如谷歌DeepMind的科学家Hassabis所说，Scaling时代远没有结束，但仅靠Scaling已经不够了，AGI的实现还需要一两项重大创新才能真正突破。新东西究竟是什么？远期或许在于架构的创新，继续刷新智能前沿。但在2026年，我们认为是三条同时发生的学习曲线。这也许是在下一代颠覆性架构来临之前，进一步最大化基础模型应用的工作。模型的进化不再只发生在训练阶段，部署之后还在学，使用过程中还在长，研究本身也在被AI加速。过去两年训练范式最大的变化发生在反馈方式上。以前是RLHF，让人类标注员判断哪个回答更好；现在是RLVR，让程序直接验证答案对不对。OpenAI的o系列和DeepSeek-R1先后证明，纯靠程序反馈做强化学习，推理能力就能自己涌现，不需要监督微调。优势在于绕开人工标注，自主产生高质量训练信号，模型在不断试错中变强。代码和数学最先被突破，因为验证信号最容易获得。问题是这件事并不自然发生在所有领域。代码幂律曲线已开始递减，材料科学、超导体发现等方向远未饱和。RLVR正从接近天花板的领域，向这些空白地带扩散。为什么之前扩不出去？Anthropic在一项研究中提出了相关的思考。设想一下，让AI在生物数据基础设施中导航，就像在汽车发明之前设计的意大利山城里开车，街道虽美，但现代车辆根本开不进去。代码领域最先被突破，一方面是因为答案容易验证，另一方面整个软件基础设施天生为程序化访问而建。但生物学、材料科学、临床医学，大量关键数据被困在手动网页流程和分散数据库里，模型触达不到。障碍正在被清除。一个病毒学领域的实验（VirBench，120个真实查询）显示：只要加一个确定性检索工具层，所有模型准确率都超过90%，最好达99.7%。换句话说，基础设施质量对结果的影响甚至大于模型能力本身，铺好数据访问的路，模型自然跑得通。这件事的产业含义在当下值得重视：如果基建质量的权重高于模型能力，那么科学AI的话语权就会部分从模型公司，转移到那些握有领域数据通路的机构。谁控制数据进出的闸门，谁就掌握了RLVR下一波扩散的入场券。模型不再是唯一的护城河。强化学习走出代码和数学，向更多可验证领域扩散趋势 1李瑞龙 黄浩作者:在线进化：进化不止于训练，模型部署后的再学习02趋势01在线进化01趋势01在线进化看你刚发的新文档。基于此，团队提出了一个务实的判断：大模型最终需要服务于人类，需要应用于各类生活、工作的上下文场景。2024年的主旋律是Scaling，2025年是Reasoning，2026年是Context Learning。而更远的战场应该是让模型学到的东西能够持久化，是Memory Consolidation（记忆巩固），否则清空窗口就全忘了，何谈持续进步？模型将从一次成型的产品，变成一个会随你长期共同进化的个体。技术路径上，推理时变身和记忆巩固两条线正在同时推进。前者让模型权重不再静态：比如，NVIDIA的TTT-E2E在推理时把上下文压缩进权重，腾讯混元的HY-WU（无相）则训练参数生成器直接按条件生成个性化权重，都在探索让模型根据场景实时 换 脑 。 后 者 让 学 到 的 东 西 能 跨 会 话 留 存 ： 腾 讯 混 元 的Hy-Memory为Agent设计了六层记忆架构和演化链，在LongMemEval基准上得分85.2远超同类，记忆条数仅为同类1/3但信息密度高出3-4倍。两条线加上CL-bench对上下文学习能力的度量，构成一个完整的在线进化技术栈：度量、适应与持久化，AI在全人类的使用与反馈下变强。再具体一点，产业侧将会如何推进落地？首先需要明确一下，这里的实用性模型指腾讯混元HY3这类云端模型，跟手机上跑的端侧小模型两回事。HY3采用MoE架构，295B总参、21B激活、256K上下文、开源。设计思路是比谁用得好，不是比谁参数更大：在成本相对可控的参数规模下，通过MoE架构，在自建CL-bench专测上下文学习能力，让推理效率提升40%，成功率99.99%以上，可稳定跑完495步Agent工作流。CL-bench这类能力基准的出现代表评测标准的迁移，评测标准比模型发布往往更早预示范式转向。在这个过程中，参数规模让位于场景中持续进化的能力。利用Context Learning的结构性优势，让AI从场景中实时学习，就不需要把所有知识预训练进去，而是用更小的激活参数覆盖更大的能力范围。对普通用户、work用户来说，AI正在从极其聪明但不认识你的陌生人，变成越用越懂你的伙伴。在千行百业与个人消费者里，AI比拼的焦点已经从谁的模型更大转向谁先让模型真正读懂此时此刻的用户。04趋势01在线进化03趋势01在线进化前沿模型会越来越聪明，但那不一定是大部分人用得上的模型。处理日常工作事务的用户规模，可能是前沿模型用户的十倍，比如我们生活中看到各种work工具，就比code工具，规模要高一个数量级。对这些人来说，大模型需要在日常应用中持续变强。在生成式AI高速发展这几年，行业长期有个隐含假设，认为最强的模型一定是最大的模型，而2026年的事实正在动摇这