夜雨聆风我们正处于一个甚至无法用过往经验来预测未来的节点。
人类的角色正从“操作者”转变为“监督者”。
2026【Harness范式兴起与AI生态重塑】
模型竞赛持续加速
- 1月
，Kimi K2.5发布 — 月之暗面发布开源模型，加强多模态能力，深度优化Agent应用。 - 2月
，Claude Opus 4.6发布。同月，谷歌推出Gemini 3 Deep Think升级版，该模式在“人类最后的考试”等超难基准测试中得分超越GPT-5.2和Claude Opus 4.6。月底发布Gemini 3.1 Pro。 - 2-3月
，GPT-5系列密集迭代 — GPT-5.4首次原生支持电脑操控（Computer Use），可依据屏幕画面自主执行键盘鼠标操作。
2026年4月
- 4月
Claude Opus 4.7发布。GPT-Image-2 上线会“思考”的图像AI，上线12小时实现“三榜通杀”。
OpenClaw引爆Agent工程化浪潮 2025年11月，奥地利程序员彼得·斯坦伯格发布开源AI智能体框架OpenClaw。用户可通过它驱动大模型操作电脑、调用工具、执行多步任务。发布数月后GitHub星标超35万，中国市场迅速全面接入，多个地方政府出台补贴政策。黄仁勋称其为"迄今发布过的最重要软件"。
OpenClaw被封杀与算力经济学 2026年3月，OpenAI正式封杀OpenClaw。核心原因：不足1%的OpenClaw用户消耗了超过40%算力资源，20美元月费撬动数千美元实际成本。低价订阅的套利空间被彻底堵死，AI"低价订阅、无限调用"的灰色红利时代终结。同期工信部NVDB首次针对AI Agent发布专项安全预警。
从OpenClaw到Harness——行业范式升级 OpenClaw的兴衰揭示了一个更深层的工程问题：Agent真正的瓶颈不在于"能不能跑通一次"，而在于"能不能持续可靠地运行"。 OpenClaw暴露了三个核心缺陷——大模型一换就崩溃（模型锁定）、提示词无法自适应环境变化（提示脆弱）、无法应对工具更新和权限变更（环境僵化）。 Harness概念由此兴起，成为Agent工程的新核心范式。行业共识逐渐成形：Agent工程的重心必须从"执行框架"升级为"可管理、可观测、可持续运行的运行环境"。 LangChain CEO Harrison Chase提出"你的Harness决定你的记忆"理念，主张Agent记忆层与Harness解耦。Superagentic AI等机构进一步提出自优化/自修复Harness——将提示词、工具模式、检索设置、内存架构整体视为优化目标，通过执行追踪自动修复故障，使系统在模型切换或环境变化时不会崩溃。 这一年，多模态Agent与自我进化系统持续深化，视觉、语言、执行能力边界不断融合。模型能力趋于收敛，Agentic Workflow与Harness工程化成为竞争核心，人类迈向AGI的探索进入全新阶段。
2025【全球大模型竞赛与Agent全面成熟】
- Agentic Workflow全面成熟
— Agent自主调用工具、制定计划、执行任务；多智能体协作（SubAgent）与技能（SKILL）编排成为复杂系统的标配，工作流（workflow）工程化框架趋于稳定。 - 1月
，DeepSeek-R1发布 — 深度求索发布开源推理模型，以强化学习为核心训练范式，匹敌OpenAI o1水平，被《自然》称为"中国AI的斯普特尼克时刻"。 - 2月
，Grok 3发布 — xAI用20万张H100训练，多项基准超越GPT-4o。 - 3月
，Manus发布 — 由中国团队Monica.im研发的通用AI Agent产品正式问世，采用多智能体协作架构，在GAIA基准测试中取得SOTA成绩。它标志着AI Agent从"技术实验"迈向"工程化产品落地"，Agent的角色从提供建议转变为直接交付完整任务成果。 - 5月
，Claude 4系列发布 — Anthropic发布Opus 4与Sonnet 4，支持100万token上下文，Agent工具调用能力大幅提升。同月，Google发布Gemini 2.5 Pro，引入"深度思考"模式。 - 7月
，Kimi K2发布 — 月之暗面发布并开源Kimi K2，定位Agentic思考模型。 - 8月
，GPT-5发布 — OpenAI推出首个融合推理与快速响应的旗舰模型，向所有用户免费开放。 - 11月
，Gemini 3发布 — 一经推出便引发轰动，整合了深度推理、原生多模态理解和智能体（Agent）能力这三大核心能力，并在发布后两周内横扫了20项主流模型基准测试中的19项第一。标志着谷歌在AI领域的强势回归。 - 12月
，DeepSeek-V3.2发布 — 面向Agent场景将推理与工具调用深度融合。 AI从"被动回答"走向"主动执行"，人类角色从操作者逐步转变为监督者。
2023-2024【Agent启蒙与工程化落地】
- 2023
，GPT-4发布 — AI迈入"生产力工具"元年，展示了逻辑推理与初步多模态能力。 同期，OpenAI推出Function Calling能力，使模型可直接调用搜索（Search）等外部工具；自主Agent原型AutoGPT引爆AI应用想象，工作流（Workflow）编排需求浮现。 - 2024
，视频生成模型百花齐放；Agent从实验走向工程化落地；Anthropic发布MCP（模型上下文协议），统一AI与外部工具的标准连接方式。
2017-2023【发展大爆炸】
- 2017
，Transformer架构横空出世 — Google发表《Attention Is All You Need》，彻底摒弃循环结构（RNN），以自注意力机制实现对全局上下文（context）的并行建模。这一架构改写了NLP规则，成为所有大模型（LLM）的模板。 - 2018
，预训练大语言模型（LLM）BERT与GPT-1问世 — BERT通过双向上下文建模重新定义NLP任务范式，GPT-1验证了生成式预训练路线。AI从此进入"预训练+微调"时代。 - 2019
，GPT-2发布 — 因"太危险不宜公开"的争议声明引发全球关注，其强大的文本生成能力让世界首次正视大模型的潜力与风险。 - 2020
，RAG（检索增强生成）框架提出 — 首次将搜索（Search）与语言模型的生成能力深度融合，通过检索外部知识库大幅减少事实错误与幻觉问题。 - 2021
，Codex与GitHub Copilot发布 — 将LLM能力扩展到程序代码生成，Function Calling的自动工具调用思想初见雏形。 - 2022
，ChatGPT（GPT-3.5）发布 — 两个月内用户破亿。提示工程（prompt）伴随模型规模的涌现能力而兴起，人类首次大规模体验对话式AI。 同年，LangChain框架诞生，为LLM应用抽象出记忆（memory）、链、Agent等核心组件，加速AI应用开发落地。
2012-2017【深度学习全面爆发】
- 2012
，AlexNet — 深度卷积神经网络 — 辛顿团队在ImageNet竞赛中以压倒性优势击败所有传统方法，GPU训练成为标配，神经网络在视觉处理领域全面爆发。这一年被视为深度学习革命的分水岭。 - 2013
，Word2Vec提出 — 首次将词语映射为稠密向量，捕捉语义关系（国王-男人+女人=王后）。为后续模型的语义理解和上下文（context）建模提供了基础工具。 - 2014
，生成对抗网络（GAN） — 伊恩·古德费洛提出"生成器vs判别器"的左右脑互搏训练机制，使AI首次具备"创造"逼真图像的能力。 - 2014
，Seq2Seq与注意力机制初现 — 序列到序列模型为机器翻译带来突破，注意力机制的雏形诞生。 - 2015
，ResNet残差网络 — 通过残差连接突破网络深度的物理极限（最深达152层），注意力机制开始在视觉和NLP领域获得更多关注。 - 2016
，AlphaGo击败李世石 — 深度学习+强化学习+蒙特卡洛树搜索的结合震惊世界，AI在公认最复杂的棋盘游戏中超越人类。
1994-2011【深度学习的潜伏期】
- 1997
，IBM深蓝击败国际象棋世界冠军 — 卡斯帕罗夫输给一台计算机，展示了搜索算法与专用硬件结合的巨大威力。但深蓝依赖的是暴力搜索而非学习能力。 - 1998
，LeNet-5诞生 — 杨立昆等人提出经典卷积神经网络架构，首次定义了卷积层+池化层+全连接层的标准网络结构，在手写数字识别上取得成功。 - 2006
，深度学习元年 — 杰弗里·辛顿提出"逐层预训练"方法，通过无监督学习逐层初始化权重，终于克服了深层网络难以训练的瓶颈。AI正式进入深度学习时代。 - 2007
，CUDA发布 — 英伟达推出GPU通用计算平台，为日后深度学习的算力需求埋下关键伏笔。 - 2009
，ImageNet数据集发布 — 李飞飞团队构建了包含上千万张标注图像的超大规模数据集，为后续视觉模型的突破提供了数据基础。
1980-1993【0-1的基础储备】
- 1980
，专家系统商用化 — XCON/R1等系统投入实际运行，将人类专家的领域知识编码为"如果-那么"规则库，使AI在医疗、地质、制造等垂直领域落地，证明了知识工程的实用价值。 - 1982
，霍普菲尔德网络 — 约翰·霍普菲尔德提出新型循环神经网络模型，重新点燃了神经网络的研究热情。 - 1986
，反向传播算法（Backpropagation） — 辛顿、鲁梅哈特、威廉姆斯发表里程碑式论文，系统性地解决了多层神经网络如何训练的数学难题。这一算法成为此后所有深度学习模型训练的通用地基。 - 1987-1993
，第二次AI寒冬 — 专家系统维护成本过高、LISP专用机器市场崩溃、日本第五代计算机项目落空，AI经历第二次低谷。但连接主义的研究已在暗处积聚力量。
1956-1979【符号主义的黄金时代与第一次寒冬】
- 1956
，人工智能概念提出 — 达特茅斯会议正式确立AI为一门独立学科，"人工智能"一词诞生。 - 1957
，感知机（Perceptron） — 弗兰克·罗森布拉特发明了可学习的单层神经网络，能够进行简单的模式分类。它是现代神经网络和深度学习的源头，也是深度学习中人工神经元的原型。 - 1958
，LISP语言诞生 — 约翰·麦卡锡发明了AI历史上最重要的编程语言，成为此后数十年符号主义AI系统的核心工具。 - 1964
，ELIZA初版演示 — 约瑟夫·魏岑鲍姆开发了基于规则匹配的模式系统，虽无真正的"理解"能力，但通过脚本预设了任务执行逻辑的早期雏形。 - 1966
，ELIZA正式发布 — 世界上第一个聊天机器人问世，其中扮演心理治疗师的脚本令人惊讶地沉浸。它开启了自然语言处理（NLP）与人机对话的研究方向。 - 1969
，《感知机》出版 — 马文·明斯基和西摩·帕珀特从数学上证明单层感知机无法解决"异或"等非线性问题，直接导致神经网络研究进入第一个寒冬。 - 1974-1980
，第一次AI寒冬 — 计算能力严重不足、早期承诺落空、经费大幅削减，AI研究陷入低谷。但基础理论仍在暗流涌动中积累。
1950-1955【黎明前夜：思想火种】
- 1950
，图灵测试 — 艾伦·图灵提出划时代标准：如果一台机器能通过对话误导人类，使其无法分辨对方是人还是机器，那么它就具备了"智能"。这一思想奠定了自然语言交互与对话系统的终极目标。 - 1951
，SNARC随机神经网络模拟器 — 马文·明斯基搭建了世界上第一台硬件神经网络模拟器，首次尝试模仿生物神经元结构构建机器，是神经网络的物理雏形。
