当 ChatGPT 在 2022 年 11 月上线、两个月就吸引了一亿用户时，我一度把它当成“被过度吹捧的聊天机器人”。事实证明，这个判断很快就过时了。如今，我和身边几乎所有同事每天都在用 AI 编码工具，2023 年那种“AI 能不能写一封像样的邮件”的争论，已经显得非常遥远。那么，AI 的下一步究竟会走向哪里？

行业已经从“AI 到底行不行”转向“AI 将如何深度介入现实系统”。Anthropic 的经常性收入已突破 70 亿美元，科技巨头在数据中心上的投入规模，是五年前难以想象的。真正的问题不再是 AI 是否有效，而是：当 AI 不再被动等待提示，而是开始自己决定下一步要做什么时，会发生什么？

本文将围绕几个核心方向展开：自主智能体（Agentic AI）、AGI 时间表之争、小型语言模型与边缘 AI、量子计算与数字孪生，以及它们对就业、编程、医疗和监管格局的影响。

一、从生成式 AI 到自主智能体

过去两年，主流 AI 工具的交互模式非常简单：人类提问，模型回答——人开车，AI 当副驾驶。现在，这种模式正在被“能自己规划和执行任务的智能体”取代。

1. 自主智能体的崛起

所谓 Agentic AI（自主智能体），不再只是回答问题，而是围绕目标自动拆解步骤、调用工具并执行。

例如，你不再只是问“巴塞罗那有哪些酒店”，而是直接说：“帮我预订 12 月去巴塞罗那的行程。”一个成熟的智能体会自动：

  • 搜索航班与酒店选项
  • 按你的偏好筛选（位置、评分、早餐、退改政策等）
  • 将价格与预算交叉比对
  • 检查你的日历是否冲突
  • 最终完成预订并发确认信息

你只描述“想要的结果”，系统负责“如何到达那里”。

Autonomous AI Agent

企业对这类系统的兴趣极高。Deloitte 预测，到 2026 年底，75% 的公司会在自主智能体上投入资金。但现实落地远不如愿：UiPath 在 2025 年中期的调研显示，真正成功上线到生产环境的智能体部署，仅约 30%。

2. MCP：打通智能体与企业系统的“USB-C”

最大瓶颈在于 集成。写一个能自动写代码的智能体不难，让它稳定、安全地对接 CRM、工单系统、内部 API，并且不“乱动生产环境”，才是真正的难点。46% 的企业将“与现有系统打通”视为主要阻碍。

为解决这一问题，行业开始围绕开放标准集结，例如 Anthropic 提出的 Model Context Protocol（MCP），以及 OpenAI 的 AGENTS.md 规范，它们都被贡献给了 Agentic AI Foundation，目标是构建中立、开放的智能体基础设施。

MCP 常被形容为“AI 领域的 USB-C”：统一的接口标准，让智能体可以方便地与各种工具和平台通信。目前已支持或正在对接的生态包括 Claude、Cursor、Microsoft Copilot、VS Code、Gemini、ChatGPT 等。

对于想从 Demo 走向生产的人来说，关键不再是“会不会写提示词”，而是：能否基于这类标准，把智能体安全地嵌入真实业务流程。

3. AGI 是否临近？

通用人工智能（AGI）——能在多个领域达到人类专家水平的系统——何时到来，取决于你问谁。

  • 乐观派（多为大模型公司 CEO）：
    • Anthropic 联合创始人 Dario Amodei 曾提到，2026–2027 年 可能出现“相当于一个国家的天才集中在数据中心”的系统。
    • Sam Altman、Demis Hassabis 也多次给出 3–5 年 的时间窗口。
  • 谨慎派：
    • Gary Marcus 认为近几个月的进展对 AGI 乐观论“极为不利”。
    • 前 OpenAI 研究员 Andrej Karpathy 则倾向于 至少十年后。
    • 2023 年一项对研究者的大规模调查给出的 中位数预测是 2047 年。

需要注意的是，乐观时间表对融资与估值非常有利，因此难免带有策略性。相比“哪一年到 AGI”，斯坦福 HAI 的观点更有参考价值：从“布道”走向“评估”——真正重要的问题是：

当前系统在具体任务上的表现如何？在哪些环节仍然必须有人类把关？

二、LLM 之外的新技术：小模型、量子与数字孪生

AI 的前沿并不只在“把模型做得更大”。小型语言模型（SLM）、边缘 AI、量子计算和数字孪生，正在从不同方向重塑技术版图。

1. 小型语言模型（SLM）与边缘 AI

在“更大模型”的叙事之外，小而专的模型 正在快速升温。Gartner 预测，到 2027 年，企业部署的 小型、任务专用模型数量，将是通用大模型的三倍。

原因非常现实：

  1. 成本：
    • 运行超大模型极其昂贵，有报道指出 OpenAI 在 2025 年初的推理成本几乎是收入的两倍。
    • SLM 可以大幅降低每次调用成本，做到“每次请求只是几分之一美分”。
  2. 隐私：
    • 在医疗、金融等领域，数据不能离开本地。部署在本地设备或私有服务器上的小模型，天然更符合合规要求。
    • 相关市场预计将从 2025 年的 9.3 亿美元，增长到 2032 年的 54.5 亿美元。
  3. 速度：
    • 本地推理几乎没有网络延迟，对制造质检、银行实时风控等“毫秒级”场景至关重要。

NVIDIA 研究者提出，下一个飞跃不是“更大”，而是“更专”：邮件解析、SQL 生成这类任务并不需要百科全书式知识，更适合由一组专门模型协同完成——即所谓 模型舰队（model fleets） 架构，而不是一个“万能大脑”。

Google、Mistral、Microsoft、阿里巴巴等都在这一方向上发力。Google AI Edge 已支持十余种本地模型，包括其首个多模态端侧模型 Gemma 3n。

Traditional LLM / Cloud AI vs Edge AI / SLM

SLM 与 LLM 的对比

下表概括了两种路径的主要差异：

维度大型语言模型（LLM）小型语言模型（SLM）
运行位置云端服务器终端设备、边缘节点、本地服务器
单次成本较高（约 $0.01–0.10）极低（往往是几分之一美分）
响应时间依赖网络（约 100–500ms）本地推理（可低于 50ms）
数据流向数据需上传到云端数据留在本地
定制难度训练与微调成本高更易针对特定任务做轻量定制
最适合场景复杂推理、创作、广泛知识明确任务、对速度与可靠性要求极高
能源消耗计算与能耗都很可观相对节能

大模型不会因此“过时”，复杂问题仍然需要它们的能力。更现实的未来是：大模型 + 小模型并存，根据任务类型动态选择。

2. 量子计算与 AI 的交汇

“量子计算还有五年”这句话已经说了二十年，但 2025 年底之后，情况出现了实质性变化。

  • Google 使用 65 个量子比特，在某些物理模拟任务上实现了对 Frontier 超级计算机 约 13000 倍的加速。
  • IBM 目标在 2026 年前后实现“量子优势”。
  • 研究者开始用神经网络实时预测并纠正量子比特误差。

行业里越来越多的人不再谈“遥远的理论突破”，而是把它当成一个 工程问题 来推进。

当前流行的概念是 “量子实用性（quantum utility）”：不是在所有问题上全面超越经典计算，而是在某些特定、极度复杂的优化问题上，做到更快或更省。

典型应用包括：

  • 电池材料与化学反应优化
  • 药物分子筛选与蛋白质建模
  • 大规模投资组合风险建模

JPMorgan Chase 的研究团队近期在量子流式算法上取得突破，能以指数级空间优势处理大规模数据集，这是经过同行评审的实证成果，而非单纯的市场宣传。

预测仍然存在巨大分歧：

  • 量化预测平台 Manifold Markets 上，多数参与者并不认为 2026 年前 量子计算能在密码学或复杂生物模拟上全面超越经典系统。
  • 但同一群体对“十年内出现有用的容错量子计算机”则相当有信心。

实际意味着什么？

现实中不会存在“孤立的量子计算机”。行业共识是 异构计算（heterogeneous compute）：量子处理器与 GPU 集群共同部署在高性能数据中心，由 AI 系统负责调度，哪些子问题交给量子，哪些留给经典计算。

对从事前沿 R&D 的数据科学家而言，这意味着：

  • 不必自建量子实验室，也可以通过 IBM、Google、Amazon Braket、Azure Quantum 等 量子云 API 调用量子子程序；
  • 但需要理解哪些问题适合量子、如何设计混合算法，这是一条新的技能曲线。

传统数据科学强调“大数据”，量子计算更关注“复杂优化”：变量维度极高、组合爆炸的场景，如分子模拟、全球物流、金融风险等。对这些行业来说，量子 + AI 正在从“概念”变成“工具”。

3. 数字孪生与仿真

数字孪生（Digital Twin） 正在从流行语变成基础设施。其核心思想是：

为现实中的物理系统（工厂产线、仓储网络、电网、城市片区等）构建一个“实时同步的虚拟副本”，并用它来在“虚拟世界”中先试错，再动真格。

Digital Twins

制造业是最典型的早期落地场景。现代工厂已经在持续产生数字孪生所需的数据：

  • PLC 信号与设备遥测
  • 维修与保养记录
  • 工单与排产信息
  • 质量检测结果
  • 库存与物流数据

AI 将这些数据转化为可查询、可推演的模型，不只是看报表，而是做 “如果……会怎样” 的反事实分析：

  • 如果周二早上冲压机停机 6 小时，会影响哪些订单？
  • 如果把某个零件从供应商 B 换成 C，且 C 的缺陷率略高，整体良率与成本会怎样变化？
  • 如果把经验最丰富的操作工集中到最后两道工序，整体节拍与返工率会如何变化？

价值不在于“预测会出问题”，而在于：提前算清问题的连锁反应，并预先准备好应对方案，而不是在凌晨三点被迫临时救火。

AI 的作用在于大幅降低构建和维护孪生模型的成本：

  • 现代机器学习模型可以直接从实时数据中学习系统行为；
  • 自动监测“模型漂移”，在现实系统发生变化时自动调整孪生体；
  • 多个小模型可以分工协作：某个模型专门做涡轮机异常检测，另一个做排产优化，再一个做需求预测，最终都接入同一个仿真环境。

三、AI 与工作的未来

关于“AI 抢工作”的标题很多，但数据呈现出的图景更复杂：既不是全面乐观，也不是灾难降临，而是 结构性、渐进式的重塑。

1. AI 会取代工作吗？

世界经济论坛在《2025 未来就业报告》中，调研了 1000 多家大型雇主，预测：

  • 2025–2030 年间，将创造约 1.7 亿个新岗位；
  • 同期约 9200 万个岗位被替代或消失；
  • 净增 7800 万个岗位。

整体是正向的，但分布极不均衡。MIT 与波士顿大学 2025 年的一项研究估计，到 2026 年，约 200 万制造业工人 将被 AI 与自动化取代。

更准确的表述是：

AI 更常“自动化任务”，而不是“一次性消灭整个岗位”。

会计不会凭空消失，但其大量时间将不再花在录入与对账上。MIT 2025 年的研究估算，目前可被自动化的任务约占美国整体劳动活动的 11.7%，对应约 1.2 万亿美元的工资规模。这并不等于 11.7% 的人失业，而是他们工作内容中有相当一部分可以变成“软件流程”。

更易被替代的岗位特征：

  • 大量标准化、可预测的文本或表单处理（客服、数据录入）
  • 规则清晰、流程固定的行政工作
  • 部分零售收银岗位
  • 以检索和整理为主的法律助理与基础研究工作

相对安全的岗位特征：

  • 需要管理和协调他人（团队管理、项目统筹）
  • 依赖高度专业判断（医生、资深律师、投行合伙人等）
  • 频繁处理模糊、开放性问题
  • 需要在不可预测的物理环境中工作（很多一线服务与技工岗位）

这些模式在医疗、技工、创意与战略决策等领域都适用。

2. 新兴职业路径

与此同时，一批五年前几乎不存在的岗位正在出现：

  • AI 系统架构师：
    • 负责设计 AI 组件如何嵌入组织流程；
    • 既要懂技术，又要懂业务与合规。
  • 提示工程师 / AI 协作专家：
    • 从“写好提示词”演化为“设计人与 AI 的协作方式”；
    • 重点在于理解模型行为边界，而非单纯追求“更聪明的输入”。
  • AI 伦理与合规经理：
    • 负责审查模型在隐私、公平、可解释性等方面的风险；
    • 需要同时理解技术细节与法律框架。
  • AI 训练师与数据策展人：
    • 负责标注边缘案例、维护反馈闭环、管理训练数据质量。

总体规律是：领域知识 + AI 素养 = 新价值来源。

  • 懂 AI 工具的护士，能更好地利用诊断辅助系统；
  • 善用 AI 做检索与草拟的律师，在不牺牲质量的前提下工作更快。

雇主调研中，最受重视的能力依然是：

  • 分析性思维
  • 适应力与抗压能力
  • 领导力与沟通协作

四、行业视角：代码、医疗与金融

不同领域对 AI 的吸收速度与效果差异巨大。软件开发、医疗与金融，是最具代表性的三个样本。

1. 编程与数据科学

软件开发是最早、也是最彻底拥抱 AI 工具的行业之一。

  • Stack Overflow 2025 年调查显示，约 85% 的开发者 经常使用 AI 工具。
  • GitHub 报告称，在使用 Copilot 的项目中，约 41% 的代码由 AI 参与生成。

如今的工具已经从“智能补全”进化到：

  • 理解整个代码仓库；
  • 跨多个文件进行修改；
  • 自动生成测试与文档。

GitHub Copilot 目前约占 42% 市场份额，用户超过 2000 万，渗透进 90% 的《财富》100 强企业。新秀 Cursor 在 18 个月内拿下约 18% 市场份额，年经常性收入据称已达 5 亿美元级别。

AI 在以下类型的编码任务上表现尤佳：

  • 模板化、重复性强的样板代码
  • 快速试用陌生 API
  • 阅读与解释遗留代码

但“感觉快”与“实际快”并不总是一致。METR 在 2025 年 7 月的一项研究中发现：

  • 使用 Cursor Pro、Claude 3.5 Sonnet 等工具的资深开发者，完成任务的实际时间比不用 AI 慢了 19%；
  • 但他们主观上认为自己“快了 20%”。

结论是：生产力提升高度依赖任务类型与使用方式。当你对系统本身比 AI 更熟悉时，强行让 AI 介入，反而可能拖慢节奏。

接下来，方向正从“AI 写几行代码”走向“AI 完成一个功能”：

  • GitHub 的 Project Padawan 模式是：开发者把 Issue 分配给 AI，AI 实现，开发者只做 Code Review。
  • 角色从“AI 给建议”转向“AI 先干，人类审核”。

对数据科学而言，趋势是：

  • SQL 查询、数据清洗等“体力活”逐步交给 AI；
  • 人类更多专注于：提出好问题、设计实验、解释结果与推动决策。

2. 医疗健康

医疗是 AI 潜力巨大、但必须极度谨慎的领域。

  • 在药物研发上，AlphaFold 等工具将蛋白质结构预测从“几年”压缩到“数小时”；
  • 化合物筛选规模大幅提升，有研究认为，AI 有望将单个新药的研发周期缩短 4–5 年。

在诊断方面，放射科、病理科、眼科等影像密集型领域进展最快：

  • 大规模训练的影像模型可以发现人眼难以察觉的细微模式；
  • 但医疗机构往往采用“AI 辅助 + 人类最终决策”的模式。

McKinsey 的研究指出，自 2016 年以来，Mayo Clinic 在部署数百个 AI 模型的同时，放射科团队规模反而扩张了 50% 以上——AI 并没有“替代医生”，而是让他们能处理更多、更复杂的病例。

谨慎的原因显而易见：

  • 医疗决策的错误成本远高于社交媒体推荐；
  • 医生与监管机构不仅关心“准不准”，还关心“为什么这么判断”。

短期内更现实的图景是：

  • AI 作为“诊断助手”，负责初筛、标注可疑区域、提示可能被忽略的风险；
  • 医生负责综合病史、检查结果与患者沟通，做最终决策。

随着小型语言模型上端侧设备：

  • 可穿戴设备可以在本地处理生理信号；
  • 只在检测到异常时上传少量摘要数据；
  • 既降低延迟，又更好地保护隐私。

3. 金融服务

金融业很早就用 AI 做高频风控与欺诈检测，如今正借助智能体能力迈向新阶段。

  • 传统系统已经能高效识别异常交易、自动处理大量客服问询；
  • 新一代系统开始尝试 大规模个性化财富管理：根据个人风险偏好、收入结构与目标，生成定制化投资与储蓄方案。

与此同时，监管机构对算法的审查也在加强：

  • 重点关注：AI 是否在无意中放大了历史数据中的歧视与偏见（如贷款审批中的地域、性别、种族偏差）；
  • 要求金融机构对模型决策过程有更高的可解释性与可追溯性。

五、技术瓶颈与监管博弈

AI 的技术限制与政策空白，直接决定了“能负责任地做什么”。黑箱问题、虚假内容与碎片化监管，是当前最突出的三大挑战。

1. 技术与社会问题

黑箱问题 依然没有根本解决：

  • 大模型在做出决策时，很难解释“具体是哪些特征、哪段训练数据”驱动了这个结果；
  • 当决策关系到贷款、就业、医疗等高风险场景时，这种不可解释性就变得难以接受。

斯坦福 HAI 预计，2026 年会有更多研究投入到所谓的 “高性能神经网络考古学”：

  • 通过稀疏自编码器等技术，尝试从模型内部结构中挖掘“可解释的概念单元”；
  • 追踪哪些模式真正影响了输出行为。

另一方面，生成内容带来的问题日益严峻：

  • 深度伪造（Deepfake） 与 AI 生成谣言越来越难以肉眼识别；
  • 有估计认为，互联网上 AI 生成的文本数量，已经在某些领域超过人类原创内容。

这又引出了 模型塌缩（Model Collapse） 的风险：

  • 当新一代模型越来越多地以“AI 生成内容”作为训练数据；
  • 错误与偏差会在自循环中被放大，整体质量逐步下降。

2. 监管版图：欧盟与美国的分化

欧盟：以风险为中心的统一框架

  • 《EU AI Act》是目前最全面的 AI 法规之一；
  • 采用“风险分级”思路：
    • 最低风险：如娱乐类应用，要求较少；
    • 高风险：如招聘、信贷、教育、医疗等，需满足严格的文档、监控与人类监督要求；
    • 某些用途（如社会评分）则被直接禁止。

该法案已于 2024 年 8 月 1 日正式生效，但具体义务会在之后数年分阶段落地。

在能源与算力方面：

  • 通用大模型提供方可能被要求披露能耗数据，或基于计算量给出合理估算；
  • 与 AI Act 配套的，还有数据中心与能效方面的更严格报告要求——这对高能耗的 AI 训练与推理尤为关键。

这在实践中推动了一个趋势：

从“追求极致性能的大模型”，转向“够用就好、强调效率”的架构。

  • 更多使用小模型与边缘推理，减少昂贵云端调用的 Token 数量；
  • 同时降低算力成本、电力消耗与数据传输压力。

美国：联邦立法停滞，州级碎片化

  • 联邦层面的综合性 AI 法案迟迟难以通过；
  • 2025 年试图以联邦立法统一各州规则的努力也告失败；
  • 结果是：
    • 企业在 2026 年前后面临的是 “按州合规” 的移动靶，而非统一标准；
    • 对跨州运营的 AI 产品与服务来说，合规成本与不确定性显著上升。

六、如何为 AI 未来做准备

在这样一个快速演化的环境中，个人和组织该如何保持“不过时”？可以从三个层面着手：数据与 AI 素养、技术基础、领域深度 + 智能体实践。

1. 数据与 AI 素养

数据素养已经不再是“数据岗位”的专属要求，而是大多数知识工作者的基础能力：

  • 理解数据从采集到决策的流转过程；
  • 知道什么样的数据是“可信的”；
  • 能看懂模型输出，并判断其适用边界。

对于非技术背景的人来说，一个务实的路径是：

  • 先系统学习数据基础（统计思维、可视化、数据质量）；
  • 再了解主流 AI 概念（监督学习、生成式模型、偏差与公平等）。

2. 技术基础：Python 与 SQL 仍是“日常工具”

AI 工具确实降低了写代码的门槛，但 理解代码逻辑 依然是区分“能用 AI”与“被 AI 牵着走”的关键。

建议的学习顺序：

  1. 先掌握一门脚本语言（如 Python）的基本语法与数据结构；
  2. 再学习如何通过 API 调用大模型、如何处理结构化数据（SQL）；
  3. 最后再叠加“如何用 AI 辅助写代码”，而不是一上来就完全依赖 AI。

这样，当 AI 给出错误或不合适的代码时，你有能力识别并修正。

3. 领域专长 + 智能体设计

真正的价值不在于“谁会写更花哨的提示词”，而在于：

谁能把 AI 智能体 嵌入具体业务流程，并让它与真实系统安全协作。

这需要两方面的结合：

  • 深刻理解某个领域的业务逻辑（医疗、制造、金融、教育等）；
  • 理解智能体的能力边界与集成方式（工具调用、权限控制、回滚机制等）。

一个非常实用的练习是：

  1. 选定你所在或感兴趣的一个具体流程（例如：保险理赔、工单分派、供应链补货）；
  2. 画出当前的人工流程图；
  3. 标出哪些环节可以由智能体接手，哪些必须保留人工审核；
  4. 再思考：需要暴露给智能体哪些 API？如何记录与审计它的行为？

4. 学会与不确定性共处

大模型的输出本质上是 概率性的，因此：

  • 它们有时会自信地给出错误答案；
  • 在训练数据稀缺或偏差严重的领域，错误率会显著上升。

对任何构建 AI 产品的人来说，必须熟悉：

  • 常见失败模式（幻觉、过拟合、数据漂移、模型塌缩等）；
  • 深度伪造的生成机制与检测方法；
  • 如何设计“人类在环（Human-in-the-loop）”的安全网。

与其追逐每一波宣传，不如多关注一线工程师与研究者在会议和技术博客中分享的“踩坑经验”：那里往往比营销材料更接近真实世界。

结语：从“布道”到“评估”

斯坦福学者将当下的 AI 阶段概括为：

从 Evangelism（布道） 走向 Evaluation（评估）。

我们已经基本不再争论“AI 到底重不重要”，而是开始认真讨论：

  • 它 在哪些场景真正创造价值？
  • 代价和风险是什么？
  • 怎样以可控、可审计的方式部署？

AGI 时间表依旧扑朔迷离，监管环境也在不断变化，但几个方向已经相当清晰：

  • 自主智能体会逐步进入企业核心流程；
  • 小型模型与边缘推理会承担大量日常任务；
  • 人与 AI 的关系更多是 “增强”而非“替代”。

最值得期待的未来，并不是“AI 什么都能做”，而是：

人类学会设计系统，让 AI 放大我们的判断力与创造力。

在这种未来里，最好的策略很朴素：

  • 主动上手使用这些工具，而不是刻意回避；
  • 对“神话式乐观”和“末日式悲观”都保持适度怀疑；
  • 把学习当成一个持续过程，而不是一次性任务。

变化无论如何都会发生，与其被动应对，不如尽早坐到“驾驶位”上。