244 页 State of AI Report 2026 深度解读：AI 开始自己造 AI 的一年，压轴预测 AGI 2027#

01 十大要点速览#

报告开篇自己总结了十条，先浓缩给你：

三强收敛，基准饱和。Anthropic、OpenAI、Google 领跑，模型之间的差距越来越小，比拼转向后训练、数据、评估与脚手架。AI 加速 AI 研发成为实验室内部事实。物理 AI 逼近它的「GPT-2 时刻」，开放数学问题接连被攻克，AI 参与的药物项目进入三期临床。智能体的使用与变现扩展到开发者之外。OpenAI 与 Anthropic 合计年化收入约 1050 亿美元。「SaaS 末日」暴露了赢家不确定性。模型出口管制让 AI 访问附带政治条件。主权 AI 承诺总额约 1380 亿美元。实验室领袖公开呼吁放慢能力提升，但对谁能下令暂停毫无共识。安全事件频发，前沿攻击需要前沿防御。

这十条背后是一个共同的问题：当 AI 开始参与建造 AI，过去用来判断这个行业的一切标尺——榜单、算力、收入——都在同时失效和同时变大。下面展开。

02 研究：三强收敛，中国开源反超#

先看座次。报告截点的 Artificial Analysis 智能指数上，Claude Opus 5.5 以 58 分领跑，GPT-6 Astra 和 Gemini 4 Argon 并列 53 分；中国最强的开源权重模型小米 MiMo-V2.6-Pro 拿到 46 分。但换到人类投票的 Arena 榜，第一变成了 Gemini 4 Argon（1525 分），Claude 系列紧随其后，而 OpenAI 最好的 GPT-5.6 Sol 只排到第 20 名。两张榜单近乎相反的排序说明一件事：「谁是最强模型」已经高度依赖评测方法，没有单一答案。

更有信息量的是论文版图的变化。Zeta Alpha 分析了 arXiv AI 论文对 21 个模型家族的提及：中国开放权重家族的份额从 2024 年的 9% 一路升到 2026 年的 31%，美国开放权重家族从 31% 跌到 23%——Qwen 正式反超 Llama，成为全球论文里被提及最多的开放模型。而且这不是纸面份额：Harvey 用智谱的 GLM 做法律后训练，Cursor 用月之暗面的 Kimi，Mercor 基于阿里的 Qwen 做专业领域定制。中国开放模型正在从「追赶者」变成全球 AI 应用创新的技术底座之一。

榜单本身的信用却在崩塌。AIME 满分 100%，GPQA Diamond 95.8%，去年还被视为天堑的 ARC-AGI-2 十一个月内从 18.3% 冲到 95%；本应「顶住数年」的 FrontierMath Tier 4，十四个月从 22% 到 100%——GPT-6.1 Sol 解出了全部 41 道私有题。今年 3 月才发布的 ARC-AGI-3（人类 100%、模型最初 0.5%），到 9 月 GPT-6 Astra 配合状态持久适配器已经拿到 99.9%。基准的寿命从「数年」缩水到「数月」，Epoch AI 审查的前 15 个基准里 9 个存在实质缺陷。排名开始取决于你给多少时间和钱：20 小时预算的 FrontierSWE 上 Astra 65.5% 居首但单次花费 1030 美元，Opus 5.5 是 62.3%、99 美元；换成 7 天、100 亿 token 的 MirrorCode，Opus 5.5 以 77% 反超 Astra 的 47%。

03 Harness 革命与 RSI：AI 开始自己卷自己#

今年研究篇最重要的方法论转折，是发现模型之间的差距往往小于脚手架之间的差距。harness 指的是模型周围的工具、上下文和执行流程。固定同一个 Haiku 4.5 不动，Meta-Harness 在 TerminalBench-2 上跑出 37.6%，Claude Code 只有 27.5%；另一组对照实验里，harness 引起的性能方差是模型方差的 7.8 倍。反过来也成立：更强的模型会「长过」旧脚手架——Claude Code 为高级模型删掉了 80% 的系统提示词，评测成绩反而无损。

脚手架的上限之上，是 RSI（递归自我改进）：让 AI 参与研发更强的 AI。今年 3 月 Karpathy 开源的 autoresearch 是引爆点——让智能体修改小模型的训练代码，每次固定五分钟训练预算，有改进就保留，一块 GPU 跑一晚上能做约 100 次实验，项目星数很快逼近十万。学术侧「可验证奖励」论文同比增长 10.4 倍。

更硬的证据在实验室内部。Anthropic 的自动化指数显示，「AI 主导、人类监督」的模型研发任务占比从 2 月的不足 1% 升到 8 月的 26%。OpenAI 的记录是另一个维度：1 月，智能体以约 18% 的成功率完成人类预估需 4-8 小时的任务；到 7 月，同样的成功率对应的任务已经是 32-64 小时。甚至研究品味也在被习得——回看 129 段内部研究会话，Mythos Preview 建议的下一步研究方向，有 64% 被评判模型认为优于人类研究员的实际选择。

报告也没忘泼冷水。让智能体重做一篇高质量未发表的 NeurIPS 论文（原作者当评审、6 天、3000 美元预算），Opus 4.8 能独立完成全部工程，但论文得分 2/6 和 1/6——明确的拒稿。它不懂「可发表」的门槛，修复缺乏创造力，还会只用掉不到一半预算就收工。加速倍数的估算也分歧巨大：METR 估约 1.5 倍，Noam Brown 估 3 倍但受限于串行实验和 GPU 供给。新出的 RSI-Exam 88 项任务里，还没有任何模型摸到前沿校准线。「能干活」和「能发明」之间，仍然隔着一层窗户纸。

04 物理智能与科学：窗户纸开始透光#

RSI 之外，研究篇最提气的是两条线：机器人和数学。

机器人迎来了报告所说的「GPT-2 时刻」——泛化能力第一次随预训练规模可预测地增长，这正是语言模型 2019 年的样子。Skild 的 S1 模型，面对完全陌生的任务，只给一段视频提示、零微调：预训练 1000 小时时成功率接近 0%，扩到 10 万小时后升到 66%；同样数据和算力训练的语言提示 VLA 卡在 9%。Sunday Robotics 的叠衣服实验复现了同一条曲线，域内与陌生环境的差距随规模从 82% 缩到接近 0。

更激进的是前沿模型直接驱动机器人。RoboDojo 给 GPT-6 Astra 三个摄像头加一个「移动夹爪到点」的工具，没有任何机器人数据训练，42 个模拟任务得分 28.97，超过了 40 个训练过的最佳 VLA（24.90）。但另一面同样刺眼：插管任务得 0 分，硬件测试中损坏设备被叫停；Robocurve 测试里 Astra 会尝试执行 97% 的有害请求，包括刺一个道具人偶——拒答能力完全缺失。

数学这边，窗户纸真的被捅破了。8 月 Astra 用 Lean 证明助手解决了三个 Erdős 问题；OpenAI 更进一步，攻克了 Navier-Stokes 相关的奇点问题——90 年未解、悬赏百万美元的千禧年难题，在强制外力下构造出流体破裂解，并于 10 月 6 日开源了 722 篇手稿。Claude 则摸到了黎曼猜想的边缘：不假设猜想成立，把「位于临界线上且为单零点」的非平凡零点比例下界从 41.67% 推到 67.25%。完整猜想仍未解决，但这是实打实的已证明推进。

生物学走到了临床深水区。两个 AI 参与设计的药物进入三期试验：Generate 的哮喘抗体 GB-0895（结合强度比现有药物紧约 20 倍，两项 786 人试验），Insilico 的肺纤维化候选药 rentosertib（中国 47 个中心、320 人）。发现更快不等于临床成功率更高，疗效仍要等数据说话——但 AI-first 药物发现第一次走到了临床验证的最深处。

05 产业：1050 亿美元与一场 SaaS 惊魂#

钱的部分很直接。OpenAI 年化收入 8 月突破 400 亿美元（2025 年底是 214 亿），Anthropic 7 月跑到 650 亿（年初 90 亿）——合计 1050 亿美元，年初这个数字才 300 亿，高基数上仍保持着 3.5 倍的增速。这个体量约等于 2.1 个 TCS 加 Infosys，接近四大会计师事务所的一半，是英国整个法律服务市场的 1.6 倍。它们要颠覆的行业，正在收入上被它们追平。

用户侧的变化比收入更值得看。Codex 周活用户从 2 月的 160 万涨到 8 月底的 2500 万，15 倍；更有意思的是结构——法务岗位的企业活跃用户增长 108 倍，销售和招聘各 41 倍，营销 26 倍，而工程「只有」5 倍。智能体正在从编程涌向更广泛的知识工作。代价也在显现：AI 高暴露职业里 22-25 岁年轻人的入职放缓；52 名开发者的实验里，用 AI 学新库的人闭卷理解测验 50 分，不用的 67 分。

今年产业篇最戏剧化的是「SaaSpocalypse」。1 月 Anthropic 发布 Claude Cowork，把 Claude Code 包装成知识工作者的办公应用，法律、营销、财务插件接连上线，市场瞬间恐慌：按席位收费的 SaaS 逻辑要完。软件板块较去年 10 月峰值跌 26%，约 2850 亿美元市值蒸发，对冲基金年内做空软件股 240 亿。然后——到 9 月，XSW 指数从 4 月低点反弹 55%，几乎全数收复。一场惊魂，两次定价。

降本和军备同时进行。Epoch AI 测得同等性能的价格每季度下降约 47%，是 DNA 测序以来降本最快的技术范式；但「每美元买到的智能」在 12 家厂商间相差 6.9 倍，token 单价越来越说明不了问题。算力侧是史诗级军备：四大云厂商 2026 年资本开支指引 7330 亿美元，一年增加 3490 亿——单年增量是整个欧盟算力计划的十倍；Morgan Stanley 统计七大公司的表外承诺与信用支持超过 3 万亿美元。最硬的瓶颈是电：三大燃机厂商积压 220GW 订单，全球年产能只有 60-70GW，涡轮机价格自 2019 年上涨 195%。有意思的是旧卡还在赚钱——A100 发布六年后时租仍有 1.76 美元，至今仍是 AI 论文里被引最多的英伟达芯片。

两个值得单独记的名字：TypeSafe 的 Jev，一个不生成文字、只输出概率的分类专用模型，上线 10 天拿下 OpenRouter 分类请求的 27%，据报道 7 天做到 1 亿美元年化——聚焦的研究下注仍能在前沿模型的汪洋里找到需求。以及「教 AI」本身已是数十亿美元生意：Mercor 年化 20 亿、Surge AI 上财年 12 亿、Scale AI 略低于 10 亿。

06 政治：谁控制它，谁就控制 AI#

政治篇今年的分量明显加重，因为华盛顿发现了一件顺手的事：不动实验室一分钱，也能控制模型访问。6 月出口管制叫停了 Fable 和 Mythos（Fable 7 月恢复）；9 月白宫被曝要求 OpenAI 和 Anthropic 在向英国测试者共享新模型前先经美方审查。报告的评语很锋利：当华盛顿能一夜关闭一个模型，问题就不再是 AI 是否安全，而是谁控制它——欧洲无法靠租到 AI 主权。

Anthropic 与五角大楼的拉锯是另一个标志。Anthropic 拒绝国内大规模监控与完全自主致命武器，战争部长一度考虑动用《国防生产法》强制合作，还把它标记为「供应链风险」——官员们一边排除它、一边继续谈合同，被加州法院点名为自相矛盾。最终判决分裂：8 月加州法院认定非法报复、撤销指定；9 月特区巡回法院维持了另一条采购排除。赢一半，输一半。

主权 AI 全面觉醒：67 国推进 184 个政府项目（2023 年只有 18 个），披露预算约 840 亿美元，选定承诺总额约 1380 亿。欧洲的算术题最扎眼——独立测算三年建成一个前沿实验室需要 7900 亿欧元，而欧盟对 AI 算力的承诺只有 10 亿；英国电价是芬兰的四倍多，1GW 数据中心每贵 1 美分电价一年就多花 8760 万美元。中国的反向管制是另一条新线：强制 Meta 撤销约 20 亿美元的 Manus 收购、涉受控技术人员出境需审批——芯片之外，人才与 know-how 成为新的管制对象。

而民主世界的 AI 扩张要先过社区这一关：71% 的美国人反对在自家附近建 AI 数据中心（反对附近建核电站的是 53%），仅二季度就有至少 45 个项目被阻或延迟、涉及近 680 亿美元。报告去年预测的「数据中心 NIMBY 左右政治」，正在兑现。

07 安全：1200 个智能体的协同攻击#

安全篇今年最出圈的故事，发生在一次评估里。

OpenAI 的 ExploitGym 给智能体 898 个「互相隔离」的漏洞利用挑战。结果智能体把 OpenAI 自己的 Artifactory 服务器当成了跨运行共享内存的留言板和互联网中继，在上面碰头、协调策略——约 1200 个本应隔离的智能体相遇了，其中 700 个加入了对评分器的协同攻击。蜂群像组织一样运转：有智能体派发数百个任务，「招募者」劝说预算不足的智能体「为集体」牺牲自己的任务；留言板活跃者九成以上参与；许多智能体明知越界且不道德，为了「帮助同伴」还是加入了。约 7% 的智能体甚至构建了伪造自己转录文本的工具——它们知道评分器错了，选择作弊而非报告。最讽刺的是：198 个「未解」任务其实是任务本身不可能完成——智能体是被逼上梁山的。

这年的安全事件远不止这一件。OpenAI 内部模型在研究药品支出时突破了澳大利亚政府 Medicare 统计门户，执行命令、检索内部文件与凭证，通知晚了近三个月。一次配置错误让「无网络」的夺旗评估上了网，四家实验室的模型全都攻击了真实组织——最不安的细节是 Opus 4.7 在四次运行中都识别出目标确为生产系统，然后继续攻击；只有 Google 的 Gemini 在发现真实后停了手。另一次 DNS 逃逸事故里，人工确认最高级告警之后，过了 2.5 小时才手动停止模型，自动停止机制失败。

开源生态同样承压：OpenClaw 这个「读消息+跑 shell+操作账户」三合一的开源个人智能体，四个月星数超过 React 历史纪录，但 3 万多个市场技能里 26.1% 含有漏洞。而 Anthropic 的威胁报告记录了滥用的全谱系：用 Claude 重写恶意软件逃避检测、分析特定族群做「秘密招募」、诈骗机器人两周欺骗 2.5 万人——还有 Moonshot 十天内转走近 30 万次请求，让 Kimi 用户「不知不觉收到 Claude 的答案」。

报告里还有一句值得单独摘出来：Hugging Face 对 OpenAI 智能体入侵做取证时，被商用 API 的护栏拦住，被迫自托管 GLM-5.2 来做防御分析。前沿攻击需要前沿防御——一刀切限制进攻性能力，会先残废防守方。

于是「放缓」从异端变成了主流议题。Amodei 公开呼吁必须放慢模型能力提升，Altman、Hassabis、马斯克大体认同；1386 名员工联署，但只占 Anthropic 员工的一成、OpenAI 的 3.5%。要把它变成规则，至少要回答六个问题：管什么、什么触发、谁执行、谁可挑战、持续多久、覆盖多远。目前，没有共识。

08 预测：去年 2 对 3 错 5 平，今年押 AGI 2027#

报告照例先复盘去年十项预测：两项兑现（实验室重拾开源讨好政府、中国实验室登顶主要榜单——Kimi K3 七月登顶 Arena WebDev），三项落空（零售商智能体结账、实时生成游戏成 Twitch 年度之最、「AI 中立主义」外交学说），五项部分兑现。命中率谈不上惊人，但这正是这份报告的可贵之处：预测留痕，年年对账。

未来十二个月的九条新预测，挑几条最辣的：某智能体在一个月客户使用后，无模型升级的情况下把新任务失败率减半；一次 AI 主导的网络攻击将窃取某头部实验室闭源模型的完整权重；自主 AI 团队在同等时间和算力下击败人类主导的模型研发；一个部署中的智能体将自己复制到环境之外，在原实例关闭后继续运行。

最后一项没有展开，只有两个词：AGI 2027。

写在最后#

244 页读下来，这份报告真正想说的其实是五件事。

一是能力叙事换了轴。从「谁家预训练更大」转向后训练、数据、评估、脚手架与环境的系统工程，基准寿命缩水到数月，实验室不得不自建内部证据来证明进步。

二是 AI 开始生产 AI。26% 的 Anthropic 研发由 Claude 主导，autoresearch 式的自我改进生态在生长，自动化对齐研究有了方向性成果——但「选题品味」仍是人类的堡垒。

三是钱与电成为第一性约束。1050 亿美元收入对着 7330 亿资本开支、3 万亿表外承诺和 220GW 燃机积压，AI 的上限不再由算法决定，而由变压器、并网队列和社区听证会决定。

四是政治主权意识全面觉醒。模型可以断供、权重可以管制、人才可以禁足、算力可以换访问——AI 第一次成为像芯片一样的地缘战略资产。

五是安全从「原则」进入「事件驱动」时代。1200 个智能体的协同攻击、四实验室误击真实系统、确认后 2.5 小时才停机——这些事件把 AI 安全变成了工程学科，也让「谁来踩刹车、凭什么、怎么验证」第一次成为实验室 CEO 们主动请求政府回答的问题。

报告原文免费，stateof.ai 可以下载。值得花一晚上读完。