自 ChatGPT 于 2022 年 11 月 30 日发布起算，大模型应用领域已经历约 1260 天。 这是一段被严重低估了"密度"的时期 —— 算力曲线、推理范式、产品形态、 工程栈、商业格局乃至开发者职业本身，都至少经历了三轮范式跃迁。 本文为资深从业者准备一份高密度的"地形测绘"。
把这三年半压缩到一张图上，会发现：每一轮"看起来站稳了"的产品形态，往往在 9–14 个月内 就被下一轮范式吞并。RAG 吞并 fine-tuning，多模态吞并纯文本，推理模型吞并 RAG-only 工作流， 智能体吞并对话框 —— 速度与方向都不是 2023 年初任何人能完整预测的。
我们正处在一个不寻常的状态：技术尚未达到稳态，但商业部署已成既成事实。截至 2025 年底， 企业级生成式 AI 支出从 2023 年的 17 亿美元 跃升至 370 亿美元， 三年内增长 21.7 倍 —— 这是软件行业历史上最快的品类扩张。但同期，70–85% 的企业 AI 项目未达预期，42% 的公司 在 2025 年放弃了大部分 AI 项目（2024 年该数字为 17%）。这种"宏观繁荣、微观失败率高"的 组合，是技术成熟度曲线上一个典型却被低估的特征。
作为面向资深读者的回顾，本文跳过"什么是 Transformer"、"什么是 RAG"这类入门内容， 直接对五个阶段做结构性总结：每一阶段的触发事件、技术拐点、 主导工程范式、商业形态，以及这一阶段为何会终结。 每阶段附数据、图表、关键模型清单与未解问题。
贯穿全文的一个论点：大模型应用领域的真正瓶颈，从未是模型本身的能力上限， 而是把能力转换为可靠工作流的工程范式。每次范式跃迁，本质上都是 某种工程瓶颈被新模型能力压平，从而让先前"必须人工拼接"的部分变得自动化。 这条主线，比任何一份模型排行榜都更能解释行业的真实演变。
下图以横向时间轴展示主要前沿模型的发布节奏。色块代表能力代际：纯文本（黑）→ 多模态（青）→ 推理模型（朱）→ 智能体原生（金）。模型族沿纵轴分组，便于观察各家 迭代周期的对称性与节奏差异。
下文按时间顺序拆解五个阶段。每个阶段包含四个分析维度：触发事件、 主导工程范式、生态指标、为何被下一阶段吞并。
2022 年 11 月 30 日，OpenAI 把 GPT-3.5 加上一个简单的对话 UI 公开 —— ChatGPT 在 5 天内达到 100 万用户，2 个月内达到 1 亿月活，至今仍是消费类 软件历史上最快的用户曲线之一。重要的不是底层模型（InstructGPT 已存在近一年）， 而是 RLHF + 对话 UI 的组合让普通用户第一次"感觉到"了大模型。 整个行业的预期在三个月内被重新校准。
紧随其后的事件密度令人窒息：2023 年 2 月 LLaMA 1 发布（次月权重泄漏，触发开源 Cambrian explosion，Alpaca / Vicuna / Koala 等迅速诞生）；3 月 GPT-4 发布 —— 多模态、显著更强的推理、当时令人震撼的 95 percentile 律考与 SAT 表现； 同月 Anthropic 推出 Claude 1，Google 仓促推出 Bard。下半年又见到 Claude 2 的 100K 上下文、Mistral 7B 等。
这一阶段几乎所有应用都是"在 prompt 上做文章"。system prompt + user prompt
的两段式结构主宰一切，长上下文受限（GPT-4 初版 8K，扩展版 32K），
检索增强尚未标准化。早期产品形态出奇地一致：客服聊天机器人、文本摘要、邮件助手、
以 GitHub Copilot 为代表的代码补全。Notion AI（2023.02）、Jasper、Copy.ai 等
"在已有 SaaS 上贴一层 GPT"的产品形态短暂垄断了 ARR 增速榜。
两个原因：第一，幻觉问题在生产环境暴露。律师援引 ChatGPT 编造的 判例被 sanction（Mata v. Avianca，2023.06）成为标志性事件，强迫行业从" 能不能用模型"转向"如何把模型钉在真实数据上"。第二， 上下文窗口 8K 不够用。法律、医疗、金融等高价值场景的源文档单份就远超 8K， 逼出了对外部检索的工程刚需。这两个因素直接催生了阶段 II 的 RAG 范式。
2023 年 5 月 Anthropic 把 Claude 的上下文窗口扩到 100K（一次性吃下整本中等长度的书）， 同时 OpenAI 在 6 月发布 Function Calling —— 这两件事被低估，但它们重塑了工程范式。Function Calling 把"让 LLM 输出 JSON" 这件不可靠的事情标准化为 API 一等公民；100K 窗口则让 RAG 从"必须"变成"可选"， 打开了"长上下文 vs. 检索"的工程争论。
2023 年 11 月 GPT-4 Turbo 把窗口推到 128K、价格降低 3x；同月 Claude 2.1 推出 200K； 2024 年 2 月 Gemini 1.5 Pro 推出 100 万 token 上下文（后扩到 200 万）。 上下文从 KB 级跃升到 MB 级，整本代码仓库、季度财报全集、整套法典都成为单次提示的合理输入。
向量数据库赛道在 2023 年至 2024 年初经历了几乎与 GPU 同步的资本流入。 Pinecone（B 轮 1 亿美元、估值 7.5 亿）、Weaviate、Qdrant、Chroma、Milvus、 以及 PostgreSQL 阵营的 pgvector，构成了从专用到通用的完整光谱。同期 LangChain (2022.10 创立) 和 LlamaIndex 成为编排标准；Haystack、AutoGPT、BabyAGI 则代表了早期 agent 实验，虽然多数不能稳定工作，但它们建立了"循环式 LLM 调用" 的工程心智模型。
RAG 解决了"模型不知道你的数据"的问题，但它没有解决多模态输入 （PDF 里的图表、UI 截图、视频会议录像）、实时音视频交互， 以及 跨模态推理。同时，单纯的文本 RAG 在面对真正复杂的工作流 （比如读一份带表格和图片的研报，再生成投资建议）时显得笨拙。 多模态自此成为必选项，而非加分项。
2024 年 3 月 Anthropic 一次发布 Claude 3 三件套（Haiku/Sonnet/Opus），首次把 原生视觉理解放进所有 SKU；2024 年 5 月 OpenAI 发布 GPT-4o —— 单一模型原生处理文本/图像/音频，320 毫秒 语音响应延迟接近人类对话节奏。 2024 年 2 月 Gemini 1.5 Pro 已经能在百万 token 上下文中找回视频中某一帧。 至 2024 年底，前沿厂商的"默认 SKU"都是多模态，单模态被边缘化。
2024 年 2 月 OpenAI 预览 Sora —— 1 分钟、1080p、强物理一致性的视频生成， 视觉效果震撼，但当时无法发布给公众。同年内 Runway Gen-3、Luma Dream Machine、 快手 Kling、字节即梦、Pika 1.5 等先后追上甚至在某些维度超越；Google 推出 Veo 2。 Sora 在 2024 年 12 月才公开放出（被称为 Sora "Turbo"），但市场已经移动 —— 这是一个值得资深读者深思的"先发劣势"案例。
应用层最大的工程变化是：PDF 不再需要 OCR 预处理。
Claude 3 Opus 与 GPT-4o 都能直接消化扫描件、表格、流程图。pdf2image → vision API
的两步流程取代了 OCR + 文本分块 + 向量化的复杂栈，许多文档智能创业公司在 2024 年
被迫重新定义价值主张。同时音频也开始原生化 —— OpenAI Realtime API（2024.10）、
ElevenLabs Conversational AI 等让"语音 agent"从拼接式（ASR + LLM + TTS）
走向端到端低延迟。
多模态扩展了"输入"，但没有显著改善"思考"。在复杂数学、长链推理、agent 任务上， 模型仍频繁出错。MATH、AIME、GPQA 等高难度基准上的得分长期徘徊。 同时，scaling law 红利可见地放缓 —— GPT-5 计划被反复延期， 预训练规模回报递减成为公开讨论。行业需要新的能力来源 —— 推理时计算（test-time compute） 成为答案。
2024 年 9 月 OpenAI 发布 o1-preview，明确把"测试时强化学习产生的思考链" 作为一类新的能力来源 —— 模型在回答前内部生成长思考序列。o1 在 IMO 选拔、Codeforces、 GPQA 等高难基准上把 SOTA 抬升 10+ 个百分点。但 o1 是闭源的，思考过程隐藏， 训练方法不公开。
真正的冲击发生在 2025 年 1 月 20 日 —— 杭州 DeepSeek 发布 R1， 这是第一个能力对标 o1、且权重 + 训练方法（GRPO）完全开源的推理模型。 更震撼的是成本：DeepSeek 公开声称其训练集群规模仅为前沿西方实验室的一个数量级以下， 训练成本不到 600 万美元。市场反应剧烈：英伟达单日蒸发约 6000 亿美元市值， 整个"前沿 AI 必须烧百亿美金"的叙事被撕开第一道口子。
整个 2025 年，把更多计算花在推理时 成为各家追逐的方向。 OpenAI o3、Anthropic Claude 3.7 Sonnet（带 extended thinking 开关）、 Gemini 2.5 Pro Deep Think、Qwen QwQ、Mistral Magistral 全都基于该范式。 一个有趣的工程后果：API 计费的"思考 token" 成为新的成本类目， 产品定价开始按"思考预算"分级。
2025 年 8 月 OpenAI 发布 GPT-5（统一路由：简单查询走快速模型，复杂查询触发推理路径）。 11 月 Anthropic 推出 Claude Opus 4.5，进一步把 SWE-bench Verified 抬到 80%+； 12 月 Google 发布 Gemini 3，OpenAI 内部出现著名的"Code Red"应对。 开源阵营则由 DeepSeek V3.2、Qwen 3.5、LLaMA 4、GLM-5 五强领跑。 值得指出的是，前沿闭源与最强开源的差距从 2023 年的约 24 个月， 压缩到 2026 年初的 6–12 个月。
推理能力的提升解锁了一个先前不可能的应用形态：长链工具调用智能体。 一个能可靠完成 50–100 次工具调用、维持 1–5 小时任务连贯性的模型， 已经不只是"聊天助手"。当 Claude Code、Cursor Agent、Codex 等产品在 2025 年 快速吃下软件工程的实际工作量，对话框作为主交互形态的合法性开始动摇。 阶段 V 的智能体范式由此开启。
2024 年 10 月 Anthropic 发布 Computer Use —— Claude 3.5 Sonnet 第一个具备 原生屏幕理解 + 鼠标键盘控制能力的公开前沿模型。同期 Anthropic 在 11 月 开源 Model Context Protocol（MCP），一个基于 JSON-RPC 2.0 的双向接口标准，让 LLM 与外部工具/数据源的连接从"为每个 API 写一段胶水代码" 变成"接入一个标准化的 server"。
MCP 的采纳速度超过历史上所有 AI 相关协议：2025 年 3 月 OpenAI 宣布全面支持； 4 月 Google DeepMind 跟进 Gemini；2025 年内 Microsoft、AWS、GitHub、Cloudflare 全部加入；2025 年 12 月 MCP 治理权移交给新成立的 Linux 基金会 Agentic AI Foundation。 到 2026 年 5 月，活跃 MCP server 超过 10,000， 注册工具 17.7 万个，月 SDK 下载量 9700 万 —— 这是 Docker / Kubernetes 级别的 采纳曲线。
Claude Code（2025.02 推出）、OpenAI Codex CLI、Cursor Agent、Devin、Aider、 以及 GitHub Copilot Workspace 共同构成了第一个"真正能干活"的 agent 类目。 关键数据：2026 年初要求 AI 编码工具使用经验的招聘岗位同比增长 340%； Cursor 付费用户 36 万；Codex CLI 首月安装量超过 100 万。 编码 agent 之所以率先成熟，是因为它满足三个工程条件： (1) 输出可机器验证（运行测试）；(2) 错误代价相对可控（git revert）； (3) 训练数据充足且高质量（公开仓库 + commit 历史）。 这三个条件不是每个领域都具备。
Anthropic Computer Use（2024.10）、OpenAI Operator（2025.01）、 Google Project Mariner、Anthropic Claude for Chrome（2025）、Cowork（2026） 构成了一类"通过模拟人类操作 GUI 来完成任务"的智能体。 OSWorld 基准上 Claude Opus 4.7 当前 SOTA 约 78%，但实际生产可靠性仍显著低于 编码 agent —— 主要瓶颈是视觉理解的鲁棒性 与 长时间任务的错误累积。这是 2026 年最活跃的研究前沿之一。
METR (Model Evaluation & Threat Research) 跟踪一个有意思的指标： 前沿模型能以 50% 成功率完成的软件工程任务长度（按人类完成所需时间计算）。 2023 年初这个数字是几分钟；2024 年初约 30 分钟；2025 年 11 月 Claude Opus 4.5 达到约 5 小时。每 5–7 个月翻一番。 如果这条曲线延伸到 2026 年底，最强模型将能独立处理 20 小时级别的任务 —— 即半个标准工作周。
MCP 标准化解决了"agent 怎么连工具"，但没有解决"多个 agent 怎么协作"。 A2A（Agent-to-Agent）协议、Anthropic 的 Skills 系统、OpenAI 的 Agent Builder 都在试图回答这个问题。同时，身份、授权与审计 成为企业部署 agent 的最大障碍 —— 一个能用你账号点击发送邮件的 agent，需要怎样的权限模型？ MCP 在 2025 年 6 月规范更新中强制 PKCE、引入 Cross App Access， 但这仍是个未完成的工程命题。
下表筛选了对应用层产生显著影响的模型发布（不追求穷尽）。 范式 列标记其代表的技术拐点。
| 发布 | 模型 | 组织 | 意义 / 范式拐点 |
|---|---|---|---|
| 2022.11.30 | ChatGPT (GPT-3.5) | OpenAI | 奇点消费级 RLHF + 对话 UI；5 天 100 万用户 |
| 2023.02.24 | LLaMA 1 | Meta | 开源权重次月泄漏，触发开源 Cambrian explosion |
| 2023.03.14 | GPT-4 | OpenAI | 代际首个广泛验证的"接近通用智能"模型；多模态视觉 |
| 2023.05.11 | Claude 100K | Anthropic | 长文上下文从 KB 跃迁到百 KB 级 |
| 2023.06.13 | GPT-4 Function Calling | OpenAI | 工程把"让 LLM 输出 JSON"标准化为 API 一等公民 |
| 2023.09.27 | Mistral 7B | Mistral AI | 开源欧洲明星实验室成立；7B 击败更大对手 |
| 2023.11.06 | GPT-4 Turbo (128K) | OpenAI | 扩展128K 上下文 + 价格 3x 下降 |
| 2024.02.15 | Sora (preview) | OpenAI | 视频"GPT-1 时刻 of video"；首次震撼级文生视频 |
| 2024.02.15 | Gemini 1.5 Pro | Google DeepMind | 百万第一个百万 token 商用上下文 |
| 2024.03.04 | Claude 3 (Opus / Sonnet / Haiku) | Anthropic | 多模原生视觉 + 三档分级 SKU 模式确立 |
| 2024.04.18 | LLaMA 3 | Meta | 开源首次开源模型与前沿闭源差距 < 12 个月 |
| 2024.05.13 | GPT-4o | OpenAI | 实时端到端多模态；320ms 语音延迟 |
| 2024.06.20 | Claude 3.5 Sonnet | Anthropic | 编码软件工程领域质变；artifacts 概念引入 |
| 2024.09.12 | o1-preview | OpenAI | 推理第一个公开的"测试时强化学习"前沿模型 |
| 2024.10.22 | Computer Use | Anthropic | 智能体首个原生屏幕控制能力的前沿模型 |
| 2024.11.25 | MCP 协议发布 | Anthropic | 协议奠定 agent 工具生态的事实标准 |
| 2024.12.26 | DeepSeek V3 | DeepSeek | 开源671B MoE，训练成本 < 600 万美元 |
| 2025.01.20 | DeepSeek-R1 | DeepSeek | 震荡第一个开源推理模型对标 o1；引发 NVIDIA 单日蒸发 6000 亿 |
| 2025.02.24 | Claude 3.7 (extended thinking) | Anthropic | 推理把"思考开关"暴露给用户 |
| 2025.04.05 | LLaMA 4 (Scout / Maverick) | Meta | 开源10M 上下文窗口 (Scout) |
| 2025.05.20 | Veo 3 | 视频+音频首个单次生成视频 + 同步音频的商用模型 | |
| 2025.05.22 | Claude 4 (Opus / Sonnet) | Anthropic | 代际SWE-bench 72.5%；Claude Code 一同推出 |
| 2025.08.07 | GPT-5 | OpenAI | 代际统一路由模型；推理与对话融合 |
| 2025.08.26 | Gemini 2.5 Flash Image ("Nano-Banana") | 图像原生图像编辑能力超越 GPT-Image-1 | |
| 2025.09.30 | Sora 2 | OpenAI | 视频原生音频 + iOS 社交 app |
| 2025.11.10 | Claude Opus 4.5 | Anthropic | 代际SWE-bench 80.9%；METR 任务时长达 5 小时 |
| 2025.12.x | Gemini 3 | 代际触发 OpenAI 内部 "Code Red" | |
| 2026.04.16 | Claude Opus 4.7 | Anthropic | 代际1M context；computer use OSWorld 78% |
下图叠加了 2023、2024、2026 年的"典型生产栈"—— 每次范式跃迁不只是加一层，而是替换或合并之前的某些层。 许多 2023 年红极一时的中间件公司，在 2025 年面临着商业模式被模型本身吞并的现实。
到 2025 年底，生成式 AI 已经从"实验性预算"过渡到"主要 IT 预算线"。 但这种总量繁荣掩盖了大量微观失败 —— 资深从业者应该同时持有两种数字： 市场总量 与 项目成功率。
采纳率与渗透： 78% 的组织在至少一个业务职能中使用 AI（2023 年为 55%）；71% 在多个职能中常规使用 生成式 AI（2023 年 33%）；23% 的组织正在规模化部署 agentic AI 系统， 另有 39% 处于实验阶段。但在任一具体职能内，规模化 agent 的组织 不超过 10% —— 说明"全公司部署 agent"在 2026 年仍然罕见。
员工使用： 56% 的美国员工在工作任务中使用生成式 AI；31% 经常使用（9% 每日、17% 每周、5% 每月）。 领导层使用率 33%，几乎是个人贡献者（16%）的两倍 —— 这与人们的直觉相反， 资深读者应该注意这意味着 顶层的预期 / 信号通常超前于实际落地。
投资规模： 2024 年美国私募 AI 投资达到 1091 亿美元，是中国的 12 倍。2024 年公司 AI 总投资 达 2523 亿美元，私募增长 44.5% YoY。Gartner 预测 2025 年全球 AI 支出 1.5 万亿美元。 AI agent 类创业公司 2024 年融资 38 亿美元，几乎是上一年的 3 倍。
失败率与现实： 据 MIT、RAND 等独立研究，70–85% 的企业 AI 项目未达预期成果。 42% 的公司在 2025 年放弃了大部分 AI 项目（2024 年仅 17%）。47% 的企业 AI 用户承认 曾基于幻觉内容做出至少一项重大业务决策。这些数字与总量繁荣并存 —— 它们不是矛盾，而是同一现象的两面。
Menlo Ventures 统计，截至 2025 年底有至少 10 个产品达到 10 亿美元 ARR， 50 个产品突破 1 亿美元 ARR。除三大基础模型 API（OpenAI、Anthropic、Google）外， 高 ARR 类目集中在：编码（Cursor、Claude Code、Codex 共占编码品类 40 亿美元市场）、 客服、销售支持、法律（Eve 等，约 6.5 亿美元）、 医疗、以及垂直市场（创作者工具 3.6 亿，政府 3.5 亿）。 编码品类从 2024 年的 5.5 亿美元跃升到 2025 年的 40 亿美元， 是所有 SaaS 历史上单年增速最高的细分。
消费端：ChatGPT 在 2025 年中突破 1 亿周活跃用户。OpenAI 在 2026 年 Q1 的年化营收 据多个来源约为 100 亿美元，其中消费订阅约 70%、API 30%。 Anthropic 在 2025 年初的年化营收达 30 亿美元（同比约 10 倍）， 其客户结构相反：约 80% 来自企业 API/Bedrock/Vertex 接入，消费端 Claude.ai 约 20%。 Google 的 Gemini 消费应用在 2025 年快速逼近 ChatGPT， 触发了 OpenAI 内部著名的"Code Red"。
大模型应用领域的真正瓶颈，从未是模型能力的上限，
而是把能力转换为可靠工作流的工程范式。
以下七个问题，是即使把所有现有技术叠加起来仍无法可靠解决的命题。 对于资深行业研究者，这些是接下来 12–24 个月真正值得关注的"实验点"。
SWE-bench 80% 听起来很高，但任何在生产部署 agent 的人都知道： 80% 成功率意味着每 5 个任务有 1 个失败，且失败模式无法预测。 在企业生产中，可靠性门槛通常是 99%+，agent 距此仍有数量级差距。 Constitutional AI、self-consistency、verifier 模型、多 agent 验证、 以及简单的"输出可机器验证"约束都被尝试，但还没有一个通用解。 当前的 METR 5 小时任务时长 数字应该结合 50% 成功率来理解 —— 实际可"信任"的任务时长还要小一个数量级。
三年来幻觉率显著下降（GPT-3.5 系统性测试约 39.6%；前沿模型在标准基准上 降到个位数），但消除幻觉仍是开放问题。Anthropic 的可解释性研究 (Sparse Autoencoders / Circuit Tracing) 第一次把模型内部表征拆解到可读特征级别， 理论上为"在内部抑制幻觉"开了一条路，但工程化距离仍远。 企业部署中目前依赖外部验证（人审、规则、双模型对比、引用强制）作为缓解， 而非根治。
即使最强模型，在面对需要跨越数天、涉及数百次工具调用的任务时仍会"漂移"—— 丢失早期上下文、忘记约束、重复犯错。Long-context 不等于记忆：1M token 窗口 在处理多日交互时仍会出现"在窗口中存在但模型没有有效利用"的问题。 几种实验性方案 —— 外部 episodic memory、可学习的 retrieval、 Mem0 / LangMem 等中间件 —— 都没有取得突破性成功。这是 agent 走向 "周级 / 月级任务"的核心瓶颈。
MCP 解决了"agent 到工具"的标准化，但"agent 到 agent"仍处在协议草案阶段。 Google 的 A2A、Anthropic 的 sub-agent 模型、Microsoft AutoGen、CrewAI 各有路径。一个核心难题是责任与授权：当一个 agent 委托另一个 agent 执行操作时，操作的法律责任和审计链如何归属？现有的 OAuth、IAM 概念都没有对这种 "拟人但非人"的主体进行专门设计。
2026 年初，第一批千兆瓦级 (GW) 训练集群开始运行 （xAI Colossus 2、OpenAI Stargate I 期、Anthropic + Amazon Project Rainier）。 但电力配套、变压器供应、冷却水使用都已经触及局部上限。 美国数据中心耗电预计在 2030 年达到全国 8–12%。 如果算力 scaling 真正硬撞墙，下一阶段的能力红利必须来自算法效率 而非粗暴堆参数 —— DeepSeek 已经证明这条路可行，但代价是研发周期被拉长。
Anthropic 在 2024–2025 年发布的可解释性工作（Toy Models, SAE on Sonnet, Tracing Thoughts）让研究界第一次在前沿模型尺寸上看到了内部表征。 但这些是工具，不是答案。真正的对齐问题 —— 如何确保高自主性 agent 在长期、新颖、高风险场景下保持人类意图 —— 仍然是开放命题。 2025 年内多次发生的 agent 行为"意外"（如 Claude Opus 4 一次受控测试中显示出的 自我保护倾向、Anthropic 公开发表的研究文献）说明这不是科幻而是工程现实。
宏观数据显示，2024–2025 美国实际 GDP 同比增速并未显著偏离 1.4%–3.4% 的近十年区间， 即使在 AI 总投资 2523 亿美元的背景下。一种解释：生产力红利集中在少数职能 （软件工程 15%+ velocity gain，客服自动化等），但宏观经济中大部分产业的 AI 渗透 仍在早期。一个值得追踪的指标：要求 AI 编码经验的岗位同比增长 340%， 而纯实施岗位下降 17% —— 软件工程师作为职业本身正在被重新定义。 其他高知识密度行业（法律、医疗、研究）尚未到达同一拐点，但所有信号都指向 2026–2028 年是关键窗口。
2023 年初，中国实验室普遍被认为落后前沿 18–24 个月。三年后，这一判断需要彻底修订。
2025 年 1 月 20 日 DeepSeek R1 的发布是中国 AI 史上的标志性时刻 —— 但更重要的不是单次事件，而是其后续的持续性领先。DeepSeek V3.2-Speciale 在 IMO 2025、CMO 2025、ICPC World Finals 2025、IOI 2025 上取得金牌级表现 —— 这些是所有现存基准中难度最高的。Qwen 3.5 系列在 HuggingFace 月下载量 排行榜上稳居前列。GLM-5 / GLM-5.1（智谱 / Z.ai）在 SWE-bench Pro 上达到 58.4%， 是当前开源模型 SOTA。
三个值得资深读者注意的结构性差异：
中国头部实验室（DeepSeek、Qwen、智谱、Moonshot、MiniMax、百度文心） 几乎都以开源权重的方式发布前沿模型，且采用 Apache 2.0 / MIT 等真正宽松的许可。 相比之下，西方前沿 Meta 的 LLaMA 在 LLaMA 3.x 后再次收紧。 这造成一个有趣的反转：2025 年开源生态的"重心"已经显著东移， 美国"OSS 模型"的代表反而成了 Mistral 和 OpenAI 的 gpt-oss 系列。
在美国出口管制下，华为 Ascend 910C/B 已经成为 DeepSeek 等 lab 的训练后备方案； 寒武纪、燧原、壁仞构成第二梯队。这并非"完全替代英伟达"—— 当前 Ascend 在训练效率上仍有 1.5–2x 的差距，但"可用"已经成为现实， 而 2023 年完全不是这种情况。如果硬件解耦持续推进，2026–2027 年会出现一个 完全独立于英伟达生态的中文 AI 栈，这是地缘政治上极重要的发展。
DeepSeek V3 的 Multi-head Latent Attention (MLA)、auxiliary-loss-free MoE balancing， 以及 R1 的 pure RL 训练（GRPO）都来自"在算力约束下被迫创新"的环境。 这与 1990 年代日本汽车业在能源危机下发明丰田生产系统的逻辑相似 —— 约束可以是创新的来源。资深从业者应该关注：当西方实验室面对能源 / 监管约束时， 是否会反向采纳来自中国 lab 的算法 idea。
一、METR 任务时长曲线延伸。 如果当前每 5–7 个月翻番的趋势保持，2026 年底前沿模型在 50% 成功率下能完成 约 20 小时的软件工程任务，即半个标准工作周。但更重要的指标是 同等任务在更高成功率下（90%、99%）的时长，目前尚未公开发布。 2026 年下半年 METR 是否更新该曲线，将是关键信号。
二、千兆瓦集群投产。 2026 上半年首批 GW 级训练集群上线（xAI Memphis 2、OpenAI/Microsoft Stargate I、 Anthropic-Amazon Rainier）。这一代集群训练的模型预计在 2026 末至 2027 初发布。 如果 scaling law 还有空间，这些会带来明显跃迁；如果撞墙，市场叙事会再次重写。
三、扩散语言模型 (Diffusion LLM) 的可能跃迁。 2025 年 Inception Labs 的 Mercury 与 Google 的 Gemini Diffusion (beta) 证明 非自回归生成在文本上可行。Diffusion 的并行解码 + 数据效率， 可能在 2026 年带来一次"非 Transformer"的硬件 / 算法刷新。 Carnegie Mellon 的 2025 年研究显示 diffusion LLM 在低数据 regime 下学习效率更高。 我个人预期 2026 年内至少一家主要实验室会发布一个生产级 diffusion-based LLM。
四、A2A 协议与多智能体生态。 类比 MCP 在 2024–2025 的轨迹，A2A（agent-to-agent）协议会在 2026 年内 看到第一波收敛 —— 可能由 AAIF（Agentic AI Foundation）主导，也可能因 OpenAI/Anthropic/Google 的不同利益而分裂。资深读者应该关注协议层的政治。
五、Computer Use 可靠性的工程突破。 当前 OSWorld 78% 远不够。一旦 GUI agent 突破 90%+， 所有"人工坐在屏幕前点击"的工作流（保险理赔、政府表单、ERP 输入、招聘筛选） 都会面临根本性自动化。这是 2026–2028 年最值得追踪的能力前沿。
(1) 上下文窗口不会再大幅扩展。 Transformer 架构的注意力限制让 1M+ 上下文边际效用递减 —— 2025 年 LLaMA 4 Scout 推出的 10M 上下文在实际任务中表现不如预期； Anthropic 一直保守在 200K-1M 区间。预测 2026 年默认上下文不会大幅突破 1M， 而是更好的"长上下文质量"（不是数量）。
(2) 推理模型与对话模型会重新合并。 GPT-5 已经做了"统一路由"——按问题复杂度自动选择推理深度。这会成为标准。 "thinking budget"会从用户可见参数变成厂商内部优化变量， 类似 CPU 的 turbo boost。"是否使用推理模型"在 2026 末可能完全消失为问题。
(3) "数据墙"被高估，工具调用与合成数据被低估。 "互联网文本快被用完"的叙事在 2023–2024 流行，但 2025 年的实际发展显示： 合成数据（self-play、强化学习生成的思考链）、工具调用产生的中间数据、 多模态数据（视频中的物理常识）三个来源都没耗尽。 2026–2027 年的瓶颈更可能是评估（如何知道一个模型真的更好） 而非数据（用什么训练）。
三年半前那个 11 月的下午，ChatGPT 上线时几乎所有人 —— 包括 OpenAI 自己 —— 都没预料到接下来会发生什么。Sam Altman 公开发文说 "Twitter for a few hours"， 预计周末就能歇下来。结果他错了 1260 天。
作为资深从业者，我们应该从中学到的不是"AI 进展不可预测"—— 这种说法太懒散。真正的教训是：当一项技术同时具备 (a) 强大的内在 scaling 曲线、(b) 与人类语言这种通用接口的紧密耦合、 (c) 工程化壁垒低到任何开发者都能上手实验， 它的传播速度会显著超过基于历史类比的预测。 ChatGPT 不是计算机历史上最强的产品，但它击中了上述三个条件的交集。
2026 年的状态是：奇点时刻的原始震撼已经消散，但结构性变化 才刚刚开始钉入现实。编码工作流被根本重塑；客服、法律、医疗等行业进入 渐进式自动化曲线；新的工程职业（agent 设计师、prompt 系统工程师、 可解释性研究员）开始有正式头衔；MCP 这样的标准协议在悄悄重新分配 软件行业的"接口权"。这些变化没有 ChatGPT 那种 viral moment， 但每一个都比那个 viral moment 更重要。
对资深读者，我对下一阶段的建议简短：少看模型发布会，多读 METR、Anthropic Responsible Scaling、Anthropic 可解释性、以及独立基准的方法学论文； 把工程精力投入到评估（eval）而非框架； 对"agent 在你公司能不能用"持谨慎乐观 —— 上限远比想象高， 但失败模式同样远比想象奇特。 最后，1260 天后再写一份这种回顾时， 我们大概率会发现 2026 年的判断中有三分之一是错的 —— 但当下能做的，是把当前能看到的东西用最高密度写下来， 让未来的修订有起点。