一、AI演进全景人工智能从1956年达特茅斯会议算起，历经70年发展，经历了多次巅峰和寒冬。从诞生至今，AI的发展可以归纳为以下的五波浪潮：• 符号主义（1950s-1970s）：以逻辑推理为核心，代表人物包括图灵、麦卡锡等• 专家系统（1980s）：基于规则的知识库系统，在特定领域取得商业成功• 机器学习/深度学习（1990s-2010s）：数据驱动，神经网络复兴• 生成式AI（2022-）：大语言模型爆发，AIGC成为主流• 物理AI（未来）：AI与物理世界深度融合，具身智能崛起[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805932565979136[图片]AI发展的四大要素：算法、数据、算力、应用场景，四者相互促进，共同推动AI技术的持续演进。二、12大关键趋势总览[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805933132091392[图片]AI技术体系可概括为六大维度：应用是出口，模型是核心，算力是底座，数据是燃料，生态是壁垒，合规是底线。未来企业 AI 的竞争，不会只发生在模型参数上，而会发生在“系统能力”上。谁能把模型、数据、流程、权限、工具、算力和安全治理串起来，谁就能把 AI 从演示变成生产力。三、12大趋势详解趋势一：智能体（AI Agent）——从问答到执行真正有价值的AI不只是回答问题，它更应该理解用户输入问题背后的目标是什么，然后针对这个目标进行拆解，在拆解完任务之后调用相应的工具，跟踪任务执行状态，最终把任务完成。现阶段智能体的范式演进是从简单的问答系统向自主执行任务的方向演进，形成五个能力层级：层级能力特点示例L1聊天机器人被动响应ChatGPT早期版本L2推理者具备推理能力DeepSeek R1L3智能体可调用工具Claude Code、小龙虾L4创新者自主创新ManusL5组织级多智能体协作企业级Agent网络智能体真正进入工程化落地期间，核心条件不是模型说话更像人或思考更像人，而是具备"做事"的条件。华为《智能世界2035》预测：2035年全球智能体数量将超过9000亿个，是手机总量（50亿）的180倍。这背后的含义是：未来不是"每人一个AI"，而是每个业务节点一个智能体。智能体将像今天的软件模块一样，成为个人或企业运行过程中的基础单元。企业在做智能体落地时很容易把注意力放在模型上——看模型是不是最强、推理能力是不是最准、提示词是不是最好。这其实是现阶段最常见的误区。实际上，模型只解决'大脑问题'（理解、推理、生成），仅占落地的10%；剩下90%是系统工程——系统连接、权限控制、安全审计、业务流程集成问题。这才是Agent落地最核心的关键。 [图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805935053205504[图片]趋势二：AI OS ——更高阶的人机交互入口AI OS不是传统意义上的操作系统，不是去替代Windows/iOS/鸿蒙，而是更高一层的人机交互入口，通过自然语言理解用户意图并自动编排任务。当我们使用这个系统时，不再是像现在一样打开一个App做操作，而是直接表达意图，由Agent/AI对意图做拆解，然后使用不同的App和软件。到那时是由AI做拆解、调度和执行，应用入口权会重新分配。以下是AI OS和传统OS间的对比：维度传统OSAI OS交互方式GUI/CLI自然语言管理对象文件/进程意图/任务任务执行用户手动操作AI自动编排应用生态安装AppAgent即服务用户感知操作界面结果交付对ToB系统来说，AI OS更多的不是漂亮的入口，而是上层需要承载并理解业务对象和组织流程。所以AI OS可能分为两层：上层承载智能体，下层连接各个系统、知识库、数据平台和流程引擎。趋势三：多模态AI全面普及过去大模型只能处理文本，后来演化出能看懂图片、听懂语音、生成视频的能力。但现在的多模态重点不是识别一张图片这么简单了，而是需要把文本、图片、语音、视频统一处理。多模态AI发展呈现三种方向：• LLM融合多模态：GPT-4o、Qwen Omni等将视觉、音频能力融入大语言模型• 原生多模态：Gemini 2.5等从架构层面原生支持多模态• 专项任务模型：Seedance、Veo等专注于视频生成等特定场景核心逻辑：一切皆Token。文本、图像、音频、视频均可转化为Token序列进行处理。在B端，多模态的价值会更深。企业很多关键数据是通过文档、图片、录像、视频、图纸、截图、文字等方式记录的，以前安全管控和智能巡检更多依赖CV小模型识别固定目标，准确率有限。引入多模态大模型后，一方面能识别画面异常，还能理解场景原因，关联企业安全生产制度，同时给出处置意见。这里有一个非常大的转变：从"看见异常"升级为"理解异常"。[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805932930883584[图片]趋势四：大模型快速迭代，轻量化兴起目前两条路同时在发生：第一条路是头部大模型厂商持续扩大模型能力边界，探索推理能力、多模态能力、长上下文和工具调用，可能每隔3到4个月就有更强的大模型产生；另一方面是大家不常听到但实际用得很多的——轻量化模型在快速成熟，如何把大模型变小，推到端侧和作业现场去。这两个发展方向并不矛盾：大模型决定能力上限，小模型决定能力普及程度。大模型近几年从千亿稠密模型变化到万亿稀疏模型。过去的稠密模型像一个超大型专家团队，每次处理问题所有人都要上阵，能力强但成本很高。随着万亿稀疏模型的发展，也就是MoE（混合专家）架构，总专家非常多，但每次执行任务只激活其中少部分专家。这带来一个非常大的变化：模型参数量可以做得非常大，但每次推理激活的参数比较小。因此这种架构成为现阶段比较主流的架构，因为它能在模型能力和使用成本之间得到较好的权衡。[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805933144854528[图片]轻量化不是单纯把模型压小，而是提升模型密度——用更小的参数、更低的功耗和时延完成同样的任务。主要有几条技术路线：第一条是蒸馏，把大模型的能力交给小模型；第二条是量化，从FP16压缩到INT8或INT4，有效降低存储和计算成本；第三条是端云协同，把高频、隐私、低时延任务放在端侧，复杂推理和大规模知识任务放在云侧。趋势五：Scaling Law扩展至后训练Scaling Law（缩放定律）原来指预训练阶段：模型越大、数据越多、算力越强，模型能力一定提升。但现阶段这个定律已经扩展到后训练、强化学习、推理时优化、蒸馏和多智能体协作。换一句话讲，模型并不是预训练完了就结束了，更多时候进入持续打磨、持续优化的阶段。Scaling Law已从预训练阶段扩展到整个AI开发流程，形成五大范式：范式核心理念方法比喻预训练Scaling大力出奇迹增加数据/算力/参数规模效应后训练Scaling精加工有其道RLHF/DPO/GRPO精细打磨推理时Scaling三思而后行思维链/自反思深度思考蒸馏Scaling名师出高徒大模型指导小模型知识传承多智能体Scaling三个臭皮匠多Agent协作集体智慧[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805932695846912[图片]这对企业落地AI非常重要。很多企业尤其是政企客户没有能力从0到1训练大模型，但需要具备后训练、评测、蒸馏以及在Agent落地过程中对模型工具调用和持续优化的运营能力。所以企业在落地AI时更多需要做一个持续迭代的工程体系，而不是买一个最强模型就行了。趋势六：强化学习——从可选项到必选项强化学习正从可选项变为大模型训练的必选项，简单来说就是"环境是最好的老师"。预训练是让模型读了很多书、学了很多知识，而强化学习是让模型在回答问题过程中去试错，知道什么样的动作能带来更好的结果，让它自己有个判断去强化好的方向。智谱GLM-5.3案例表明，强化学习使模型更擅长：工具使用、长链路任务分解、自我验证与纠错。能更多的提升代码能力。另一方面，强化学习对企业落地智能体非常重要。因为智能体在闭环一个场景或执行复杂任务时，不只是生成答案，还涉及如何规划策略、如何选择工具、如何检查结果、执行失败后如何重试。这涉及大量反馈，需要从各个反馈过程中学习相应策略。随着智能体发展，也进一步带火了强化学习本身的能力。[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805934210117632[图片]趋势七：具身智能从实验室走向实用化具身智能就是让AI具备了物理世界的"身体"，能够感知物理世界环境，理解物理约束和物理定律，同时做出相应决策和动作。它不是单一的大模型技术，涉及很多硬件、传感器和AI算力平台技术，是一个综合的复杂学科。智能驾驶是最先规模落地的具身智能场景。产业链关键环节：环节代表方案关键指标训练算力特斯拉100E+/华为45E+FLOPs规模物理AI+仿真华为WE/NVIDIA Cosmos仿真逼真度端侧推理昇腾610/地平线实时性/功耗另一关键方向是机器人，现阶段人形机器人落地面临三大难题：世界模型构建、高质量数据获取、感知控制一体化。[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805932876361728[图片] 趋势八：AI for Science——科学研究第五范式微软2020年提出AI for Science概念。AI for Science不是简单让AI帮科研人员写论文，而是把AI放到科研流程的所有环节里，包括出假设、设计实验、处理数据和最终分析结果。AI和科学结合，更多是看AI能否把物理规律、领域知识、实验结论和模型推理放入同一个业务闭环里，更重要的是在科研过程中做候选方案的生成和最终结论的生成。但即使生成了很多结论，仍需要接受客观实验和理论的检验，现阶段更多是一种辅助手段。 趋势九：物理AI与世界模型物理AI和世界模型，这也是现阶段很多模型厂商在突破的领域，是AI根技术的突破。物理AI是生成式AI在物理世界的延伸，核心差异如下：维度生成式AI物理AI交互对象数字内容物理世界输出形式文本/图像/代码动作/控制信号反馈机制人类反馈环境反馈安全要求内容安全物理安全世界模型现阶段没有准确定义，但可以理解为AI内部的"模拟器"，能够预测一个动作之后世界会变成怎样。比如人看到杯子即将掉落时会下意识伸手去接，或者躲开怕玻璃扎到自己。现阶段模型没有这种能力，但如果是世界模型，它就会具备这样的能力——预测杯子会不会滚落、车辆变道后其他车的反应、机器人要花多大力气才能捏起一个物体又不至于捏碎。世界模型包含三大核心能力：1. 物理推理：通过牛顿力学、流体力学等物理引擎模拟物体运动。2. 动态预测：基于历史数据和当前状态，生成未来几秒到几分钟的环境演变。3. 社会交互理解：具有心智模型能力，能分析人类情绪、意图和社会规范。趋势十：合成数据革命+企业数据深挖大模型早期训练依赖互联网公开数据，但现阶段高质量公开数据不是无限的。随着模型越来越大、训练轮次越来越多，公开数据的边际价值会越来越小。故有两个趋势：第一是合成数据，第二是企业自身具备高价值业务数据。一般讲大模型数据主要有几层：最底层是世界知识数据，提供基础训练知识；接下来是专业数据（金融、医学等），让模型具备领域能力；还有指令数据让模型知道如何回应；思维链数据和推理数据提升复杂问题推理能力；反馈和偏好数据让模型更符合人类业务目标。另外训练大模型时数据不是越多越好，更多要看数据质量、结构和覆盖范围。企业在大模型落地过程中真正的壁垒不是把所有数据丢给大模型，而是把知识、数据和流程变成一套可运营的数据体系。[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805932612009984[图片]业界观点认为预计2030年左右公开文本/图像数据将接近枯竭，合成数据将成为关键补充。数据体系分层：层级数据类型来源用途世界知识通用语料互联网/书籍预训练指令微调指令-回答对人工标注/合成SFT思维链推理过程模型自生成推理能力反馈偏好偏好排序人类标注RLHF/DPO企业壁垒：构建可持续运营的数据体系，将内部数据转化为AI训练资产。趋势十一：算力需求爆发式增长原来跟企业交流时算力属于IT部门关注的问题，高层不太关注。但现阶段算力已经变成很多企业、行业乃至国家级的基础设施问题。华为《智能世界2035》预测，2035年算力需求预计增长10倍。算力增长带来了一种新技术范式——超节点。简单理解就是把大量GPU或NPU通过高速互联在逻辑上形成更大的计算单元，特别适合大模型使用。超节点技术重塑算力集群建设范式，将逐步成为AI算力集群的建设主流，AI 能力仍在快速扩展，而算力、能耗和数据中心基础设施会成为关键约束。模型越大，瓶颈往往不是单卡算力，而是卡与卡之间、节点与节点之间能否高效协同。就像一个庞大的军队，如果每个人都很强但沟通很慢，整体效率也会很低。所以未来计算中心建设会越来越强调整个系统级能力，包括通讯、存储、网络、冷却和供电。实际使用中真正遇到的问题可能是"算力没有被充分利用"。算力的使用不是简单让模型跑推理和训练，而是一个系统工程：模型推理的并行方式是否合理？算子之间有没有优化？通信开销如何？调度是否合理？这些都会让算力做相应折扣。所以未来搭建AI算力集群时，不能只看算力分值有多少，还要看有效算力有多少、单位能耗多少、生产一个Token的成本是多少、稳定性如何。软硬件深度优化将成为发挥智算算力效能的核心要素[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805932951842816[图片]趋势十二：开源生态与AI治理开源让更多企业能够低成本接触到先进模型。对开源模型厂商来讲，更多是希望开发者围绕开源模型形成模型、工具和框架的应用形态。开源有几个好处：第一个是降低门槛，现阶段很多厂商使用开源模型做部署，易获取且可以做后训练微调和行业适配；第二个是容易形成生态，围绕模型会有工具链、评测集、插件和开放社区；第三个是推动生态有效发展。[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805932851204096[图片]另外随着AI越来越深入业务流程，风险不能只靠政策或口号去管控。要管控模型生成内容、智能体调用工具范围、数据处理方式。企业用AI过程中一定要建立清晰明确的安全审计和责任体系，才能让AI进入具体业务流程。发展。各个国家和地区都会要求AI不能黑箱运作。未来企业使用AI肯定要回答几个问题：数据从哪里来？模型如何评测？生成内容如何标识？授权如何管理？出错如何负责？执行完的动作是否可审计、可溯源？全球主要国家和地区密集出台了一系列AI新规与框架，呈现出“加速创新”与“风险防范”并重的趋势。[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805933580963840[图片] 四、核心总结维度核心趋势应用层智能体从问答到执行；AI OS重塑交互入口模型层多模态普及；MoE架构主流；轻量化兴起训练层Scaling Law扩展至后训练；强化学习成为必选项创新方向具身智能实用化；AI for Science；物理AI与世界模型基础设施算力需求爆发；合成数据革命；企业数据深挖安全治理开源生态繁荣；全球AI治理框架逐步完善[图片]https://jdc100.huawei.com/CommunityGatewayService/com.huawei.ipd.sppm.jdcforum:JDCCommunityUserService/CommunityUserService/user/attachment/v1/download?aid=2096805935640363008[图片]一句话总结：AI正在从'工具'进化为'伙伴'，从'数字世界'走向'物理世界'，企业需要构建系统级的AI能力，而非追逐单一技术。