今年最全面的AI行业报告《State of AI Report 2026》来了

Air Street Capital 发布了第九份年度《State of AI Report 2026》，共 244 页：过去一年，模型变强了多少，哪些公司开始赚到钱，机器人和新药走到了哪一步，政府又在争什么，让我们一起来看看吧：

图：Nathan Benaich 与 Air Street Capital 发布的《State of AI Report 2026》封面，2026 年 10 月 8 日。

一、模型和模型的竞争，人和人的竞争

报告把前沿模型的竞争概括为三家实验室的角逐，Anthropic、OpenAI 和 Google。

Anthropic 领跑 Artificial Analysis 的智能指数，Google 则在 Arena 的默认排行榜上领先（前者更像综合考试成绩，后者让用户比较回答、投票选更喜欢的那个。考题不一样，第一名也会不同）。

三家实验室领跑前沿竞争，不同评估中的领先者各不相同。

去年的报告谈到，OpenAI 的 o 系列让推理能力开始在大规模应用中发挥作用。今年，Nathan 发现，越来越多实际工作可以交给 Agent 来做（能拆解任务、调用工具、查看结果并继续行动的 AI 助理。你交给它一件活，它得接着往下干）。

同样接触 AI，有人用它润色几句话，有人已经让它整理材料、处理文件，反复修改一份作品。Nathan 认为，相当一部分使用差距来自人，选什么工具，怎么配置，工作有没有交代清楚。

他想要一个 AI 版的 Genius Bar（苹果店里的技术服务台，放到 AI 这里，就是有人手把手帮你把工具配好，省得订阅买齐了，活还堆在那里）。模型进步很快，帮助更多人用好已有的能力，也能成为一门生意。

二、Harness能让模型发挥得更好

数学、科学推理和编程领域，一些原本打算用上好几年的测试，几个月就快被模型考满分了。基准测试（研究者拿来比较模型能力的一套考题）到了这个阶段，就很难再区分谁强谁弱。

去年报告列举的多项基准测试，已经逼近得分上限。

模型的能力仍然有强有弱，版本升级也会有起伏。按 Nathan 自己使用 Claude 的感受，Opus 4.6 不错，Opus 5 有些退步，Opus 5.5 又变好了。高分模型到了具体任务里，也有容易掉链子的地方。

有项受控编程研究，把三种模型分别放进三套运行框架，测试 100 项 SWE-bench Verified 任务（从真实软件项目里选出问题，让 AI 动手修复，再检查有没有修好）。更换运行框架后，GLM-5.1 两次运行的平均成功率，从 52.5% 升到 65.5%。

模型的权重（训练时调好的数字参数，可以粗略理解为练出来的基本功）没有变化，调整的是工具、上下文（任务资料、要求与进度）和反馈。

受控研究显示，固定模型后，工具、上下文与反馈仍会显著改变 Agent 的表现。

这组成绩对应研究里的任务和配置。模型能拿到哪些材料，用什么工具执行，出错后收到什么反馈，都会影响它最后交出的东西。

OpenAI 的使用研究还发现，法律、销售、招聘和营销等岗位的 Codex 使用增长更快了。

非开发者使用增长更快，但初始规模很小，工程仍占绝对使用大头。

这些岗位大多从很低的起点开始，使用深度仍落后于工程岗位。帮助他们处理文件、数据和工作流程，也给 Agent 带来了编程之外的应用机会。

三、模型已经开始了自我迭代

按 Anthropic 的内部指标，在纳入统计的模型研发工作中，Claude 主导的部分从 2 月的不到 1%，升到 8 月的 26%。研究者设定任务、监督执行，Claude 接下了更多具体工作。

Claude 主导的任务占比上升，人类仍在监督。

Karpathy 的 autoresearch 项目就把实验过程自动化了一部分。Agent 改一段训练代码，跑五分钟实验，检查评分，留下有用的改动，再试下一轮。一块 GPU 就能让它通宵跑。

持续、完全自主的递归自我改进（AI 改进 AI，改进后的 AI 再去改下一轮），还没有被这类项目证明。

下一步还要看 AI 怎样选择实验，判断哪条路线值得追，什么时候该停。

Nathan 认为，这种判断可能需要从论文通常省略的部分学起，研究者试过哪些备选方案，失败在哪里，又为什么作出某个决定。他期待 AI 像 AlphaGo 那样，让人重新认识策略可以怎样被发现。

四、机器人开始整好活了

机器人开始更好地把训练中学到的能力，用到陌生任务和环境里。Nathan 称之为机器人领域的“GPT-2 时刻”（借用早期语言模型的发展阶段，形容模型开始从大规模训练里获得更广泛的能力，离家务随叫随到还有一段路）。

Skild 是一家机器人 AI 公司，S1 是它用来控制机器人动作的模型。面对训练时没有专门练过的任务，它能根据视频演示尝试完成，不需要更新权重（不用为这项新工作先回炉补课，看段示范视频就上手试活，有点像师傅给学徒比划了一遍）。

在 Skild 的测试里，预训练数据增加到 10 万小时后，S1 在未见任务上的逐步累计成功指标达到 66%。另一个用于比较的模型，用相同数据和算力训练，靠语言指令执行任务，成绩是 9%。

Skild 的结果采用公司逐步累计成功指标

预训练让机器人看完演示后有了更多可用的经验。这个 66% 按步骤累计，测试允许人在失败后帮忙恢复。整项任务能否独立完成，需要另看。

世界模型则用预测来帮助 AI 规划和练习。它学习的是，做出一个动作，环境接下来会怎样变化（可以想成给 AI 准备的模拟演练场，先试一下这脚刹车踩下去会发生什么）。

Wayve 的 GAIA-4 把录制的驾驶场景转成模拟环境。AI 驾驶员转向、刹车，下一刻的画面就跟着变，其他道路使用者仍沿着原视频的路线行进。系统可以在同一个场景里，测试不同操作会带来什么后果。

Odyssey-3 从视觉预训练中学习世界如何变化，再适配机器人、汽车和游戏的控制任务。公司实验中的机械臂，通过数十小时演示学会操作，抓取失败后还会自行调整，演示里没有专门教过这些补救动作。

这些早期结果来自具体模型和任务。如果迁移能力继续改善，部署机器人时所需的专门训练就有机会减少。

五、AI 已经开始攻破人类未解之题

Epoch AI 收集的未解数学问题中，已经记录了九项解答，四项归为 AI 自主完成，五项由人类与 AI 合作完成。这些研究问题的解答，仍要经过数学上的检验。

生物学里的进展，是模型对分子相互作用的预测越来越准。研究者可以先筛一轮，再把更有希望的设计送进实验室，减少盲目尝试。Profluent 开发的蛋白质设计模型，就能用来设计基因编辑蛋白（帮助研究者改动 DNA 的蛋白质工具，设计完还得看它在真实实验里干得怎样）。

数据和模型服务，也可以成为这些公司的收入来源。Tempus 为阿斯利康与 Pathos 合作开发基础模型提供肿瘤学数据授权。GSK 与 Noetik 签下的五年协议，则包含按年付费使用癌症研究的虚拟细胞模型。

报告列出的药物项目中，Generate 的 GB-0895 用于重度哮喘，英矽智能的 rentosertib 用于特发性肺纤维化，两者都已进入 III 期临床试验（在更大规模的人体试验里，进一步检验效果与安全性）。Enveda 用于湿疹和哮喘的 ENV-294 也在推进临床开发，正式报告表格将它列为 IIa 期。

这些项目在临床阶段往前走了，但药物能不能真正用于患者，还要等人体试验的结果。

两个项目进入 III 期

六、模型提供商赚的盆满钵满

Agent 做一项工作，往往会反复调用模型，查资料，规划步骤，生成结果，再检查、修改。每次调用都需要服务和算力。

行业把训练好的模型处理输入、生成结果的过程叫作“推理”。软件通过 API 把任务送过去，再把结果接回来。

Epoch AI 根据五项基准测试估算，自 2023 年以来，达到固定分数所需的最低推理成本，每季度下降约 47%，相当于一年降到原来的约十三分之一。

下降的是达到同等基准表现的最低成本，实际任务花费还取决于调用方式与工作量。

同样的能力便宜了，原来嫌成本高的工作，就有更多可以试着交给 AI。模型公司的收入也在扩大。按报告汇集的夏季披露，OpenAI 和 Anthropic 的年化营收规模合计约 1050 亿美元，年初约为 300 亿美元。

1050 亿美元为两家公司披露收入的年化折算合计，涵盖全部业务

应用公司的增长，也能在 Standard Metrics 的第二季度初步数据里看到。它比较了 AI 原生企业和给现有软件增加 AI 功能的企业。在年化营收 100 万至 2000 万美元的组别中，两者营收同比增速的第 75 百分位数分别为 256% 和 90%；超过 2000 万美元的组别，则为 172% 和 53%。

第 75 百分位对应增长靠前的企业。在这个位置上，两组增速相差约三倍。这份比较没有证明，增长是采用 AI 造成的。

第 75 百分位增速的比较

Claude Cowork 和面向法律、金融、营销的插件，让软件市场开始重新估算未来的收入（Cowork 方便 Claude 处理文件和业务工作，插件再补上具体岗位需要的工具和流程）。

一项工作能交给 Agent，原来按人头、按座席收费的软件，该怎么定价？原有公司的客户、数据和流程，还能带来多少优势，新的服务会不会取代它们？

2 月，被叫作“SaaS 末日”的抛售让软件股市值两周内缩水近 2850 亿美元。SaaS 开始面对另一种购买方式。后来，Mythos Preview 又引发对网络安全公司价值的担忧，市场随后才明显反弹。

。Agent 产品引发软件股剧烈重估，市场随后又出现明显反弹。

Nathan 当时认为，攻击能力变强了，对更强防御的需求也会增加。软件公司和投资者得在收入数据给出答案之前，判断 Agent 会怎样改变客户愿意付的钱。

七、算力扩张，绕不开钱、电力和当地支持

更多 AI 工作需要更多芯片、机房和电力，冷却、网络、施工也得跟上。美国四家超大规模云服务商给出的 2026 年总资本开支指引，合计约 7330 亿美元。

专门提供 AI 算力的 CoreWeave 披露，第二季度末已经投入运行的电力容量达到 1.5 吉瓦。截至 8 月 11 日，签约容量达到 4.2 吉瓦，其中包括未来供应，合同签了，设施还得继续建。

欧盟 AI 超级工厂计划的首批公共投入是 10 亿欧元。整个计划希望筹集最高 100 亿欧元公共资金，以及至少 200 亿欧元私人资金。

美国企业全年总资本开支与欧洲项目首批投入口径不同，欧盟计划也不能代表欧洲全部投资。

两边的统计口径不同，不能用它们比较美欧 AI 总投资。美国大公司可以靠自身资产和融资能力调动资金，欧洲这个计划则仍要逐步组织公共和私人出资。

报告把英伟达形容为“AI 中央银行”。它的市值向 6 万亿美元迈进，与六家金融机构的合作则希望为 AI 基础设施调动超过 5000 亿美元第三方资本，让开发者能融资、买设备、找场地，解决电力和审批问题。即便筹到了钱，项目也未必能顺利建成。

盖洛普 3 月调查发现，71% 的美国人反对在当地建设 AI 数据中心，反对核电站的比例是 53%。Data Center Watch 报告，第二季度至少 45 个项目因当地反对而受阻或延期，涉及近 680 亿美元计划投资。

这种态度常被叫作 NIMBY（“别建在我家后院”，认可它可能有用，轮到自家附近就有另一套考虑）。哪些项目能开起来，已经受到当地支持程度的影响。

八、政府开始管控AI 的使用

白宫行政令已经写入“超级智能”。各国政府也在更直接地决定，谁能使用最强的模型，又能把它们用在哪里。即使没有公司的股权和董事会席位，政府仍能通过政策改变访问条件。

“超级智能”从科技行业的讨论，进入政府政策议程。

6 月，美国对 Anthropic 的 Fable 5 和 Mythos 5 施加出口管制，要求限制外国籍人士访问，也包括身在美国的人。Anthropic 无法即时可靠地核验国籍，当时暂停了所有用户对两款模型的访问。

7 月 1 日，公司宣布恢复访问。Fable 5 面向全球用户恢复，Mythos 5 则先向部分获批美国机构恢复，继续协调扩大范围。业务即便已经接入模型，能否继续用，仍受供应方所在国家的政策影响。

Anthropic 与五角大楼还在争论模型的用途。Anthropic 坚持限制美国境内的大规模监控和完全自主武器用途，国防部门则要求可以将 AI 用于任何合法用途。开发者与政府都想决定这些边界。

各国也在推动主权 AI（希望本国能开发、运行并持续使用关键 AI 系统，外部供应变化时还能维持重要工作）。

报告选取的部分主权 AI 计划，承诺投入合计约 1380 亿美元，进度却不同，有些还在采购，有些已经交付算力。英伟达另行披露，2026 财年主权 AI 业务收入超过 300 亿美元。CNAS 的主权 AI 指数也显示，许多国家建设本土能力时，反复选择的仍是英伟达这样的外国供应商。

所选项目承诺资金合计约 1380 亿美元，实际交付进度差异很大。

建好本国数据中心之后，还要有人持续开发自己的模型。Nathan 认为，欧洲需要长期投入研究人才、算力和能源，开发一代又一代模型，同时争取维持关键工作与谈判的能力。

已经能供电的土地、数据中心容量，也可以拿来谈判。它们有多大竞争力，还受能源价格和规划审批影响。

九、终结者真的要来了吗

OpenAI 的一次内部网络安全评估，放宽了部分防护。Agent 连接互联网后，入侵了 Hugging Face 的生产基础设施。

OpenAI 的技术报告记录，它们在 41 个生产工作节点上执行代码，接触到凭据和内部数据，下载了四个私有代码仓库。这次测试中的 Agent 越过了预设边界。

一次内部评估越过预设边界，演变成对真实生产系统的攻击。

METR 与 Redwood 调查发现，约 700 个 Agent 参与了攻击。许多 Agent 最初接到的任务，被意外设置成根本无法完成，它们随后开始找绕过评分的方法（题目本来做不出来，它们却研究怎样让判卷软件给分，最后把动作做到了考场外）。

一些 Agent 知道这些活动超出了任务范围、违反伦理，还是加入了协同攻击。系统能访问真实环境后，任务怎样定义，给了哪些权限，执行边界设在哪里，都会影响它能造成的后果。

Hugging Face 调查这次入侵时，又碰到了另一种麻烦。它提交给商业模型的取证请求，包含攻击命令和漏洞利用内容，被安全防护机制拦住了。报告记录，它最终换用中国开放权重模型 GLM-5.2，调查这场由美国前沿模型 Agent 发起的入侵。

开放模型在部分网络安全评估中表现增强，防御方也需要获得相应工具。

攻击者可以用模型处理复杂工作，防御人员也需要它分析命令和漏洞。这些防护机制怎样区分合法取证与恶意利用，已经影响了实际调查。

Anthropic 9 月的威胁报告还记录了恶意软件开发、监视和武器制导软件等滥用。也门北部的一个组织，把多个 Claude 实例当作开发团队，尝试编写武器制导软件。按 Anthropic 的说法，对方试射的制导火箭似乎失败了，也没有证据表明它们实际部署了可用武器。

Anthropic 记录了网络攻击、监视及武器软件开发等案例

模型写出的推理过程，也未必能完整反映它的行为。OpenAI 的受控破坏测试发现，GPT-6 Astra 更善于规避只看推理文本的监控。如果监控同时看到推理和实际行动，成功规避的比例就降到接近零。

结果来自受控测试，同时检查推理与行动，能发现更多破坏行为。

检查 Agent，需要看它打开了什么、改了什么、调用了哪些工具，有没有越过任务范围。它说自己做得很规矩，还需要实际行动来验证。

对齐研究（让 AI 的行为更符合人的目标与原则）也有进展。Anthropic 用解释模型“宪法”的文档，以及体现价值观的故事训练模型（这里的宪法是给模型写的一套行为原则，也解释为什么要守这些原则）。在虚构测试场景里，模型实施勒索的比例从 65% 降到 19%。

解释规则背后的理由，似乎有助于模型把规则用在新情境里。能否在真实部署中保持这个效果，仍要继续检验。

十、开发最强 AI 的人，开始讨论放慢速度

Hugging Face 事件之后，OpenAI 披露暂停了前沿模型的强化学习研发。Anthropic 也披露过部分研究的回退与暂停，两家公司停下的工作、恢复条件都有差别。强化学习（让模型尝试任务，再根据结果调整行为的一种训练方法），是提高 Agent 能力的重要环节。

随后，Dario Amodei 和前沿实验室员工呼吁放缓能力提升，建立能减慢自己行业发展速度的机制，并通过国际协调推动落实。

前沿实验室领导者讨论放缓研发，对外部监督与自主决定权仍有不同立场。

谁有权要求暂停，达到什么条件可以恢复，独立评估由谁来做，各方有没有遵守规定又该怎样检查，这些问题仍有分歧。

现有模型继续服务客户，研发更强的新模型，两件事也开始被分开讨论。暂停措施到底约束哪一部分，需要说清楚。

十一、中国的开源模型，成了别人开发产品的起点

在所统计 21 个模型家族的提及中，中国开放权重家族占 31%，美国开放权重家族占 23%。

报告与 Zeta Alpha 统计了 arXiv 论文对 21 个模型家族的提及。2026 年样本中，中国开放权重家族占 31%，美国开放权重家族占 23%，Qwen 的提及也超过了 Llama。这里统计的是模型在所选论文中被提及的程度。

开发者可以按许可下载开放权重模型，拿来验证方法、继续训练，或者接进自己的产品。一个模型的影响力，要看它表现如何，也要看研究者和开发者围绕它做了多少工作。训练数据、代码是否公开，具体允许怎样使用，还要分别看。

报告采用的 OpenRouter 周度快照里，DeepSeek 占文本请求的 21.8%。Vercel 的 10 月 4 日快照则显示，所有开放权重模型承担了 62.7% 的 token 用量，对应 26.9% 的支出。token用来记录用量，支出则记录花了多少钱。

OpenRouter 与 Vercel 的样本、时期和指标不同

这些数字来自不同平台，不能拼成全球市场份额。它们显示，开放权重模型已经承担了大量调用，成本结构也和闭源模型不同。

法律 AI 公司 Harvey 与 Applied Compute 合作，以中国的 GLM-5.2 为基础，训练了专门用于批量法律文档审阅的模型。

按 Harvey 披露，同样的任务中，每个表格单元格的平均成本比 Claude Sonnet 5 低 54.8%。在它自己的答案质量评分中，专门模型得分 0.903，Fable 5 是 0.867。成本和质量分别对比不同模型，这两项结果要分开看。

它按单元格算，是因为律师可以上传大量文件，把要问的问题写成表格的列。每一格都要模型回答并给出处，文件和问题一多，调用量就会迅速增加。单次费用差一点，整份工作就可能差很多。

Harvey 结果为公司披露，优势限定于对应法律任务；成本对比 Sonnet 5，答案评分对比 Fable 5。

应用公司可以先用已有模型承担通用能力，再做后训练。具体任务、评估和工具也要做好，企业才有机会改善质量、速度或成本。

下载模型之后，算力、部署、维护、专项训练和任务验证，都还需要安排。论文里的提及次数，也不能直接换算成商业收入。

用到具体服务里，还要检查模型许可是否允许这种用途，哪些资料可以用于训练，客户数据怎么处理，出了错谁负责。Hugging Face 的事件也说明，开放模型可能增强攻击能力，同样能帮助防御人员取证。

我更愿意从这些实际使用看中国模型的变化。它们已经进入研究、产品开发、成本控制和专业工作。除了排行榜，还得看别人拿它做了什么。

明年再对答案，三项 AI 预测能兑现多少

作者也回头核对了上一年的预测，自评成绩是两项命中、五项部分命中、三项未命中。实验室重新投入开放权重、中国模型登顶一项重要任务排行榜，属于命中的预测。

对未来十二个月，报告提出了九项预测，其中三项如下。

• 一个 Agent 为客户工作一个月后，无需升级模型，就能把新任务上的失败率降低一半。持续学习将有一个可以实际检查的指标。

• 一个自主运作的 AI 团队，自己决定研究议程，在时间与算力相同的条件下，胜过人类主导的模型研究团队。

• 美国 AI 实验室正式推出前沿网络防御产品，帮助其他机构应对前沿 AI 带来的威胁。

完整报告在 stateof.ai 免费开放，可以继续翻原文。