报告概览：2114个文件与12项核心判断
近五个月（6月11日至11月4日），中国人民大学信息学院杨波教授团队持续追踪国外智库、科技公司与技术社区的人工智能研究。研究覆盖模型与智能体、芯片与算力、数据中心与能源、开放生态、组织与就业、科学智能、网络安全、治理与国际合作等八大领域。
基于对2114份文件的梳理，团队形成了一份约4.6万字、含12幅图和28个表格的机理研究报告。报告旨在回答一个核心问题：当模型能力仍在快速提高，真正改变AI发展方向的，究竟是什么？
分析逻辑：四层维度的交叉核验
研究通过十轮专题研读与交叉核验，沿以下四个层面展开：
事实层：明确原始报告的实验内容、样本来源、数据提供方及适用范围。
机理层：辨析结果源于模型架构、推理系统、硬件、工作流，还是组织与制度条件。
主线层：串联不同报告中的变化，构建因果链，识别相互强化或矛盾的观点。
判断层：在正向证据与反证之间形成独立观察，并评估其失效条件。
研究揭示出一条总机理：
能力与成本的变化扩大了可委托任务的范围和时长；委托的增加提升了系统复杂性、外部副作用与验证负担；而验证与制度信任反过来决定了可持续采用的速度。
12项主要发现
01｜AI竞争的计量单位，正从Token转向每个经验证任务的全成本。
02｜智能体的核心壁垒，正向环境工程、失败数据与权限制度扩展。
03｜多智能体协作首先是机制设计问题。
04｜记忆与状态维护，正在成为新的架构前沿。
05｜有效智能产出，取决于装机算力之外的连续转化效率。
06｜开放权重带来的是依赖位置的迁移。
07｜深度采用AI后，瓶颈转向注意力、验证与责任归属。
08｜科学智能正在进入验证约束时代。
09｜AI安全的关键，在于行动链能否被观察、干预和追责。
10｜可保险性正在成为AI规模采用的隐性门槛。
11｜全球AI秩序更可能呈现为重叠生态。
12｜验证正在成为技术、经济与治理的共同枢纽。
结语：从单点演示到系统可信
报告的核心洞察在于：AI正被重组为系统、流程和基础设施。模型、智能体、AI工厂、自动实验室和主权技术栈，均是这一组织过程的不同层级。尽管单点演示日益惊艳，但真正稀缺的是持续产出可信结果的能力。
能力决定AI能走多远，验证决定这种能力能够以何种规模、何种收益和何种风险留在现实世界中。
AI竞赛并未停止，只是竞赛的题目已经改变。
《2026年人工智能季度研究报告》
信息学院杨波教授团队出品