<p>长达十年的信条认为更大的人工智能模型本质上更好已经崩溃。在经济冲击和严峻的物理限制的驱动下，人工智能行业迅速转向效率、推理和专业化系统。IBM 表示，2026 年的重点不再是原始规模，而是运营智慧。</p>
<p>在过去十年中，人工智能行业遵循着一个简单而残酷的教义：更多的数据、更多的参数、更多的计算能力、更多的智能。实验室之间竞争着宣布参数数量，就像健美运动员在镜子前展示肌肉一样，仅仅为了训练一个模型就消耗了小城市的电力。</p>
<p>那个时代已经结束。</p>
<p>这种转变是突然而戏剧性的。在 2025 年 1 月，一家名为 DeepSeek 的中国公司发布了一种模型，其训练计算量仅为西方前沿系统的十分之一，却达到了相同的效果。这一发现——算法的聪明才智可以替代粗暴的计算力量——使得 Nvidia 的股票在一天内暴跌了 17%。</p>
<p>信息很明确：你不需要一座大教堂。你需要一个更好的蓝图。</p>
<p>“如果让我总结 2025 年的人工智能，我们停止了让模型变得更大，而是开始让它们变得更聪明，” 北卡罗来纳大学肯纳 - 弗拉格勒商学院的副教授 Seyed Emadi 说道。</p>
<p>定义 2026 年人工智能行业趋势的智力转变是向 “思考模型” 的转变。实验室不再将智能视为训练期间固有的东西，而是专注于通过给予模型更多的推理时间，在运行时出现的系统，这一过程称为推理时间计算。</p>
<p>旧模型像反射一样工作：输入进来，预测输出。新的模型则是经过深思熟虑的。问一个难题，模型会暂停，检查其逻辑，并从死胡同中回溯。斯坦福大学的研究员 Gabriel Poesia 观察到，模型在 “更长时间思考” 和 “在长时间思考期间无缝使用工具” 方面变得更好。</p>
<p>IBM 的研究员 Kush Varshney 确认了这一新共识：“你可以让一个小型语言模型的表现达到甚至超过更大模型的水平。”</p>
<h2>约束的经济学</h2>
<p>支撑这一转变的商业现实很简单：前沿人工智能的成本远低于人们的预期。</p>
<p>这种民主化正在通过架构变化加速。新的热门模式，专家混合（MoE），将输入路由到专门的子网络，而不是为每个查询激活每个参数。这大大降低了每个查询的计算成本。正如法学教授 Andrew Chin 所解释的，“规模变成了需要管理的东西，而不仅仅是最大化的目标。”</p>
<p>进一步打开大门的是轻量级微调技术，如 LoRA，使得预算有限的研究人员能够定制以前无法触及的强大模型。规模的神学正在迅速让位于适用性的务实主义。</p>
<p>但即使模型变得更聪明，它们仍然顽固地存在缺陷。自信的错误——幻觉——在特征上发生了变化，但并没有完全消失。可靠性仍然是核心挑战。正如研究员 Poesia 所指出的，“即使成功率达到 99.9% 也不够。” 在医学或金融等领域，这样的概率是不可接受的。</p>
<p>这一失败率迫使行业优先考虑可追溯性和验证。上下文窗口的进步（现在可达到一百万个标记）和内置引用功能使模型能够 “展示其工作过程”，将成功的衡量标准从原始流畅性转向校准和交互的稳健性。</p>
<p>然而，行业面临的最大挑战不是技术上的，而是物理上的。三道墙正在逼近人工智能的淘金热：</p>
<ul>
<li>1. 推理经济学：推理模型每个查询需要更多的计算。一个需要几分钟思考的模型无法以实时规模部署，造成了部署成本的硬上限。</li>
<li>2. 吉瓦：预计到 2030 年，全球数据中心的电力消耗将翻倍。瓶颈正从芯片供应转向电厂的绝对缺乏。人工智能的碳足迹现在已无法忽视。</li>
<li>3. 监管：设计治理的压力迫使黑箱时代的结束。部署越来越需要可审计和受限的行为。</li>
</ul>
<p>结果是一个快速分化的生态系统。佩斯大学的信息技术教授 David Sachs 看到两种类型的模型正在出现：“大型的，我们可以做所有事情的模型，以及更专注的模型，如 Julius 或 Perplexity。”</p>
<p>前沿人工智能正在从一个以原始规模为定义的时代转向一个以程序、约束和运营权衡为定义的时代。按照这个标准，人工智能终于成熟了。</p>

小马智行-W

<p>人工智能行业正从优先考虑大型模型转向关注效率和专业化系统。这一变化是由经济和物理限制驱动的，强调操作智慧而非单纯的规模。新模型优先考虑推理和推断时间的计算，降低成本并实现普及化。面临的挑战包括可靠性、能耗和监管压力。该行业正在朝着平衡程序和约束的模型发展，标志着人工智能发展的成熟</p>

<p>The decade-long dogma that bigger AI models are inherently better has collapsed. Driven by economic shockwaves and hard physical constraints, the AI industry has pivoted sharply toward efficiency, reasoning, and specialized systems. IBM says the focus for 2026 is less on raw scale and more on operational wisdom.</p>
<div class="lb-trans"><p>长达十年的信条认为更大的人工智能模型本质上更好已经崩溃。在经济冲击和严峻的物理限制的驱动下，人工智能行业迅速转向效率、推理和专业化系统。IBM 表示，2026 年的重点不再是原始规模，而是运营智慧。</p>
</div><p>For a decade, the AI industry operated under a simple, brutalist catechism: more data, more parameters, more computing power, more intelligence. Labs competed to announce parameter counts like bodybuilders flexing in a mirror, consuming the electrical output of small cities just to train a single model.</p>
<div class="lb-trans"><p>在过去十年中，人工智能行业遵循着一个简单而残酷的教义：更多的数据、更多的参数、更多的计算能力、更多的智能。实验室之间竞争着宣布参数数量，就像健美运动员在镜子前展示肌肉一样，仅仅为了训练一个模型就消耗了小城市的电力。</p>
</div><p>That era is dead.</p>
<div class="lb-trans"><p>那个时代已经结束。</p>
</div><p>The pivot was sudden and dramatic. In January 2025, a Chinese company called DeepSeek released a model that matched Western frontier systems using roughly one-tenth the training compute. The revelation—that algorithmic cleverness could substitute for brute computational force—sent Nvidia stock tumbling 17% in a single day.</p>
<div class="lb-trans"><p>这种转变是突然而戏剧性的。在 2025 年 1 月，一家名为 DeepSeek 的中国公司发布了一种模型，其训练计算量仅为西方前沿系统的十分之一，却达到了相同的效果。这一发现——算法的聪明才智可以替代粗暴的计算力量——使得 Nvidia 的股票在一天内暴跌了 17%。</p>
</div><p>The message was clear: You didn’t need a cathedral. You needed a better blueprint.</p>
<div class="lb-trans"><p>信息很明确：你不需要一座大教堂。你需要一个更好的蓝图。</p>
</div><p>“If I had to summarize 2025 in AI, we stopped making models bigger and started making them wiser,” said Seyed Emadi, an Associate Professor at UNC Kenan-Flagler.</p>
<div class="lb-trans"><p>“如果让我总结 2025 年的人工智能，我们停止了让模型变得更大，而是开始让它们变得更聪明，” 北卡罗来纳大学肯纳 - 弗拉格勒商学院的副教授 Seyed Emadi 说道。</p>
</div><p>The intellectual shift defining 2026 AI industry trends is the move toward “thinking models.” Instead of treating intelligence as something baked in during training, labs are now focusing on systems that emerge at runtime by giving the model more time to reason, a process called inference time compute.</p>
<div class="lb-trans"><p>定义 2026 年人工智能行业趋势的智力转变是向 “思考模型” 的转变。实验室不再将智能视为训练期间固有的东西，而是专注于通过给予模型更多的推理时间，在运行时出现的系统，这一过程称为推理时间计算。</p>
</div><p>The old models worked like reflexes: input in, prediction out. The new ones deliberate. Ask a hard question, and the model will pause, check its logic, and backtrack from dead ends. Gabriel Poesia, a researcher at Stanford, has observed models getting better at “thinking for longer periods of time” and “seamlessly using tools during long thinking periods.”</p>
<div class="lb-trans"><p>旧模型像反射一样工作：输入进来，预测输出。新的模型则是经过深思熟虑的。问一个难题，模型会暂停，检查其逻辑，并从死胡同中回溯。斯坦福大学的研究员 Gabriel Poesia 观察到，模型在 “更长时间思考” 和 “在长时间思考期间无缝使用工具” 方面变得更好。</p>
</div><p>Kush Varshney, an IBM Fellow, confirmed the new consensus: “You can get a small language model performing at the same level, or even better, than much larger models.”</p>
<div class="lb-trans"><p>IBM 的研究员 Kush Varshney 确认了这一新共识：“你可以让一个小型语言模型的表现达到甚至超过更大模型的水平。”</p>
</div><h2>The Economics of Constraint</h2>
<div class="lb-trans"><h2>约束的经济学</h2>
</div><p>The commercial reality underpinning this shift is simple: frontier AI turned out to be much cheaper than anyone thought.</p>
<div class="lb-trans"><p>支撑这一转变的商业现实很简单：前沿人工智能的成本远低于人们的预期。</p>
</div><p>This democratization is being accelerated by architectural changes. The hot new pattern, Mixture of Experts (MoE), routes inputs to specialized subnetworks instead of activating every parameter for every query. This drastically reduces the computational cost per query. As Law Professor Andrew Chin explained, “Scale becomes something to manage, not merely to maximize.”</p>
<div class="lb-trans"><p>这种民主化正在通过架构变化加速。新的热门模式，专家混合（MoE），将输入路由到专门的子网络，而不是为每个查询激活每个参数。这大大降低了每个查询的计算成本。正如法学教授 Andrew Chin 所解释的，“规模变成了需要管理的东西，而不仅仅是最大化的目标。”</p>
</div><p>Further opening the gates are lightweight fine-tuning techniques like LoRA, which allow researchers with modest budgets to customize powerful models that were previously out of reach. The theology of scale is rapidly giving way to the pragmatism of fit-for-purpose.</p>
<div class="lb-trans"><p>进一步打开大门的是轻量级微调技术，如 LoRA，使得预算有限的研究人员能够定制以前无法触及的强大模型。规模的神学正在迅速让位于适用性的务实主义。</p>
</div><p>But even as models get wiser, they remain stubbornly flawed. The confident mistake—the hallucination—has shifted in character but not vanished completely. Reliability remains the core challenge. As researcher Poesia noted, “Even succeeding 99.9% of the time is not enough.” In fields like medicine or finance, those odds are unacceptable.</p>
<div class="lb-trans"><p>但即使模型变得更聪明，它们仍然顽固地存在缺陷。自信的错误——幻觉——在特征上发生了变化，但并没有完全消失。可靠性仍然是核心挑战。正如研究员 Poesia 所指出的，“即使成功率达到 99.9% 也不够。” 在医学或金融等领域，这样的概率是不可接受的。</p>
</div><p>This failure rate is forcing the industry to prioritize traceability and verification. Advances in context windows (now up to a million tokens) and built-in citation features allow models to “show their work,” shifting the metric of success away from raw fluency toward calibration and interactional robustness.</p>
<div class="lb-trans"><p>这一失败率迫使行业优先考虑可追溯性和验证。上下文窗口的进步（现在可达到一百万个标记）和内置引用功能使模型能够 “展示其工作过程”，将成功的衡量标准从原始流畅性转向校准和交互的稳健性。</p>
</div><p>The biggest challenge facing the industry, however, is not technical, but physical. Three walls are closing in on the AI gold rush:</p>
<div class="lb-trans"><p>然而，行业面临的最大挑战不是技术上的，而是物理上的。三道墙正在逼近人工智能的淘金热：</p>
</div><ul>
<li>1. Inference Economics: Reasoning models require more compute <em>per query</em>. A model that takes minutes to think cannot be deployed at real-time scale, creating a hard ceiling on deployment costs.</li>
<li>2. Gigawatts: Global data center electricity consumption is projected to more than double by 2030. The bottleneck is moving from chip availability to the sheer lack of power plants to plug them into. The carbon footprint of AI is now impossible to ignore.</li>
<li>3. Regulation: Governance-by-design pressures are forcing the end of the black box era. Deployments increasingly require auditable and bounded behavior.</li>
</ul>
<div class="lb-trans"><ul>
<li>1. 推理经济学：推理模型每个查询需要更多的计算。一个需要几分钟思考的模型无法以实时规模部署，造成了部署成本的硬上限。</li>
<li>2. 吉瓦：预计到 2030 年，全球数据中心的电力消耗将翻倍。瓶颈正从芯片供应转向电厂的绝对缺乏。人工智能的碳足迹现在已无法忽视。</li>
<li>3. 监管：设计治理的压力迫使黑箱时代的结束。部署越来越需要可审计和受限的行为。</li>
</ul>
</div><p>The result is a rapidly differentiating ecosystem. David Sachs, a Professor of Information Technology at Pace University, sees two types of models emerging: “the large, we can do everything model, and the more focused ones like Julius or Perplexity.”</p>
<div class="lb-trans"><p>结果是一个快速分化的生态系统。佩斯大学的信息技术教授 David Sachs 看到两种类型的模型正在出现：“大型的，我们可以做所有事情的模型，以及更专注的模型，如 Julius 或 Perplexity。”</p>
</div><p>Frontier AI is moving away from an era defined by raw scale toward one defined by procedures, constraints, and operational trade-offs. By that measure, AI is finally growing up.</p>
<div class="lb-trans"><p>前沿人工智能正在从一个以原始规模为定义的时代转向一个以程序、约束和运营权衡为定义的时代。按照这个标准，人工智能终于成熟了。</p>
</div>

The AI Scale Race is Over: Efficiency Defines 2026 Industry Trends

- AI 模型的规模主义已被效率和专业化系统所取代。  
- DeepSeek 发布的小规模模型显示出算法聪明才智能取代计算能力。  
- 行业面临推理经济学、电力需求和监管压力的多重挑战。

人工智能规模竞赛已结束：效率将定义 2026 年的行业趋势