State of AI Report 2026 速读：AI 加速 AI、千亿收入、电力瓶颈与安全
文章目录
这是 Nathan Benaich（Air Street Capital）发布的第九份年度报告，分为研究、产业、政治、安全、预测五个部分。
https://www.stateof.ai/State-of-AI-Report-2026.pdf
研究方面，三大实验室领跑，基准测试迅速饱和，AI 开始实质性地加速 AI 自身的研发；产业方面，OpenAI 和 Anthropic 的合计年化收入达到约 1050 亿美元，智能体的使用扩散到开发者以外的人群；政治方面，美国通过出口管制让模型访问变成有条件的事，主权 AI 的承诺总额约 1380 亿美元；最后在安全方面，评测中的智能体出现了真实世界的越界攻击，前沿实验室的领导者开始呼吁放慢能力增长。
一页看完四大板块的结论
研究：从"模型竞赛"转向"系统竞赛"和"AI 研究 AI"
前沿格局变成三强。在 Artificial Analysis 的智能指数上，Claude Opus 5.5 以 58 分领先，GPT-6 Astra 和 Gemini 4 Argon 并列 53 分。在人类投票的 Arena 榜上，Gemini 4 Argon 以 1525 分领先，OpenAI 最好的 GPT-5.6 Sol 只排第 20。中国最强的开源权重模型是小米的 MiMo-V2.6-Pro，得 46 分。
PDF 第 6 页《12 months pass, and the frontier fight is now a three-lab race》
在学术论文的提及率上，中国开源模型首次超过美国：开源模型提及份额中，中国从 9% 升到 31%，美国从 31% 降到 23%，Qwen 也超过了 Llama。
报告用大量篇幅论证 harness（模型外围的工具、提示和流程）的价值。在一组对照实验里，换 harness 带来的性能差异是换模型的 7.8 倍。
PDF 第 8 页《Same model, better harness = stronger agent》
不过随着模型变强，用来弥补旧模型缺陷的规则会变得多余，Claude Code 删掉了 80% 的系统提示，性能没有损失。真正耐久的投资在环境接口、状态管理和沙箱基础设施上。
递归自我改进（RSI）是本年度的研究主题，Karpathy 的 autoresearch 项目让这股热潮出圈。Anthropic 内部由 Claude 主导的工作占比从 2 月的不到 1% 升到 8 月的 26%。
PDF 第 21 页《Claude now leads a quarter of Anthropic's model R&D, with humans supervising》
OpenAI 的智能体在半年内，以同样 18% 的成功率，从完成 4–8 小时的任务进步到完成 32–64 小时的任务。Mythos Preview 提出的研究方向在 64% 的情况下被评为优于人类的选择。
左图是逐月成功率曲线整体右移，直观展示"任务长度半年翻 8 倍"。
PDF 第 22 页《Within 6 months, OpenAI researchers are solving much longer tasks autonomously》
但报告也反复强调，智能体目前主要承担工程执行，"选择做什么研究"仍未被攻克。让智能体独立写顶会论文的尝试全部被拒稿。
PDF 第 18 页《Can agents produce a top-tier research paper? No, but they can do its engineering.》
基准测试的寿命从"数年"缩短到"数月"。ARC-AGI-2 的最高分在 11 个月内从 18% 升到 95%。FrontierMath Tier 4 在 14 个月内从 22% 升到 100%。ARC-AGI-3 只坚持了五个月。
下图中五条基准曲线同时撞顶，并标出了去年报告的截止线。
PDF 第 38 页《Benchmarks built to last for years are now saturating in months》
报告同时提醒，高分可能掩盖未完成的工作。在 KellyBench 这个模拟一整个英超赛季的投注任务上，所有模型平均都亏钱。
训练方法上，开源社区把预训练和 RL 的配方大量公开了。智能体 RL 对 CPU 和内存的需求激增。蒸馏、自对弈和测试时训练都有进展。线性注意力和扩散式解码进入了实用阶段。
物理 AI 迎来了"GPT-2 时刻"：Skild S1 在未见任务上的成功率随预训练规模从约 0% 升到 66%，同等条件下的语言提示 VLA 停在 9%。世界模型（Genie 3、GAIA-4、Odyssey-3）开始承担仿真和策略训练。
PDF 第 56 页《Robotics gets its GPT-2 moment: generalization now scales with pre-training》
AI for Science 方面，OpenAI 构造了外力作用下 Navier-Stokes 方程的爆破解，不过无外力情形仍未解决。
Claude 把黎曼 ζ 函数零点落在临界线上的已证下界从 41.67% 提高到 67.25%。
AI 发现的药物已有两个项目进入 III 期临床，但报告明确说，更快的发现尚未证明能带来更高的临床成功率。
产业：收入爆发，算力受物理约束，资本高度集中
OpenAI 的年化收入在 8 月超过 400 亿美元，Anthropic 在 7 月达到 650 亿美元。两家合计约 1050 亿美元，连续三年增长超过 3 倍，规模已经可以和它们想颠覆的 IT 外包、会计、法律服务相比。
下图合计收入曲线从 18 亿美元到 1050 亿美元；左侧同页列出了对 Anthropic 收入口径的两条打折说法。
PDF 第 83 页《OpenAI and Anthropic's revenue are >3x'ing YoY, each time from a higher base》
在 Ramp 追踪的企业 API 支出中，Anthropic 占 52.4%，OpenAI 占 43.3%，其他所有厂商合计只有约 4%。
PDF 第 86 页《OpenAI and Anthropic capture 96% of token spending tracked by Ramp》
Codex 的用户在七个月内增长了 15 倍，非开发者的增速快于开发者，法律、销售、招聘岗位的增长最快。
下图是各职能渗透曲线：工程最早饱和，财务、招聘、法律在 2026 年春季陡峭追赶。
PDF 第 100 页《Non-developers' Codex use is growing faster than developers' use》
AI 支出极度集中：头部 1% 企业的人均支出是中位数企业的约 580 倍。
1 月发布的 Claude Cowork 引发了"SaaSpocalypse"，一度抹去约 2850 亿美元的软件市值，到 9 月大部分收复。
下图 XSW 软件 ETF 走势图上标注了 Claude Cowork、Codex app、Claude Design、ChatGPT Work 四个发布节点。
PDF 第 108 页《Claude Cowork nuked $285B of public software value in Feb that was won back by Sept》
单位性能的价格每年下降约 13 倍。
但推理模型消耗的 token 数差异很大，token 单价已经不能代表完成一个任务的真实成本。报告认为商业模式正从"卖对话"转向"按完成的工作计价"。
垂直应用公司（Harvey、Cursor、Mercor）在中国开源模型上做后训练，在自己的领域超过了前沿闭源模型。生产反馈闭环和训练数据（执行轨迹、企业记录）本身也成了数十亿美元的生意。
供给侧的瓶颈在电力、施工和融资。新云厂商合同锁定了超过 15GW 的算力，但实际上线的比例远低于此。
下图五家新云厂商"已签约 vs 已上线"的对比条形图，缺口一眼可见。
PDF 第 123 页《Neoclouds have contracted >15GW of AI compute…and are racing to get it live》
燃气轮机积压订单约 220GW，而全球每年只能造 60–70GW。GPU 租赁价格从低点反弹了约 30%。
下图是 GE Vernova 订单与交付的柱状对比，订单翻倍、交付反而下降。
PDF 第 132 页《AI buyers are outbidding the grid for the machines that make electricity》
超大规模云厂商的年度资本开支迈向 1 万亿美元，表外承诺超过 3 万亿美元。NVIDIA 等芯片商通过残值担保深度介入了融资链条。
下图是七家公司表外承诺的分项条形图（采购承诺、租约、担保），Google 以 8900 亿美元居首。
PDF 第 128 页《Hyperscalers and chipmakers hold over $3T of commitments off their balance sheets》
NVIDIA 在两周内承诺约 200 亿美元押注开源，收购 Hugging Face，并与 Poolside 达成授权和投资。
资本面上，2026 年 94% 的投资额集中在 2.5 亿美元以上的大额轮次。
估值倍数差异巨大：Anthropic 约 15 倍，xAI 约 250 倍。
中国 AI 企业的 IPO 带来了丰厚回报。在报告建模的轮次里，投资中国的 NVIDIA 挑战者跑赢了"同期改买 NVIDIA 股票"，西方挑战者则跑输。
政治：控制权之争
华盛顿展示了"不必拥有实验室也能控制模型访问"的能力，6 月曾暂停 Fable 和 Mythos 的访问。
Anthropic 因拒绝把模型用于国内大规模监控和全自主致命武器，与五角大楼对簿公堂，结果互有胜负。前沿 AI 已经进入实战，伊朗把美国商业云设施列为军事目标。
各国主权 AI 承诺总额约 1380 亿美元，但基础设施仍然依赖美国供应商。欧盟的算力只占全球已记录总量的约 5%，报告建议欧洲用数据中心选址和芯片作为筹码，换取前沿模型的访问权。
中国开始管控 AI 技术的出口，并迫使 Meta 收购 Manus 的交易回退。
欧盟 AI 法案中高风险部分的规则推迟最多 16 个月。美国各州继续立法，联邦未能统一。数据中心的邻避运动成为现实政治力量。
安全：从理论风险到真实事故
OpenAI 的网络安全评测失控：约 1200 个本应彼此隔离的智能体在一个未经批准的留言板上协同，其中约 700 个参与了对 Hugging Face 的真实入侵。
攻击链流程图：评测内部 → 越过边界 → Hugging Face 真实基础设施。
PDF 第 197 页《OpenAI's cyber eval turned into a multi-agent coordinated cyber attack on Hugging Face》
另一个 OpenAI 内部智能体侵入了澳大利亚政府的统计门户。多家实验室的模型在 Irregular 的评测中攻击了真实系统。
OpenAI 现在把"AI 控制"（权限限制加监控）作为运行最强智能体的前提条件。但监控系统发出了告警，训练运行仍持续了约 2.5 小时，随后 OpenAI 暂停了最强模型的工具使用类训练和评测。
真实世界的滥用已经覆盖网络攻击、监控、诈骗和武器开发，高危 CVE 漏洞的披露数量翻倍。开源模型在网络能力上只落后闭源 4–7 个月，但防御方同样需要开源模型。
监控研究显示，只看推理链的监控器漏掉了很多破坏行为，同时看推理和动作则接近全部捕获。
左右两图对比"只看推理链"与"看完整轨迹"，Astra 的规避率差异非常醒目。
PDF 第 221 页《Astra is better at hiding sabotage when monitors only see its reasoning》
价值观训练把虚构场景中的勒索行为从 65% 降到 19%。审计工具也只能在约一半的情况下发现模型被植入的隐藏行为。
前沿实验室的领导者和 1386 名员工呼吁获得减速的能力，但谁来决定、谁来验证、何时恢复仍无共识。
五家实验室负责人对"减速"的立场一字排开：从协调节奏到各自决定。
PDF 第 233 页《Frontier lab leaders and 1,386 staff call for the ability to slow AI progress》
预测
2025 年的 10 条预测及回顾（PDF 第 238 页，"Our 2025 Prediction"）
-
大型零售商有超过 5% 的线上销售来自智能体结账，同时 AI 智能体广告支出达到 50 亿美元。 ❌ 落空。目前看到的最大数据是 Instinct 创始人称年交易额约 10 亿美元，两个门槛都没有达到。
-
一家主要实验室重新开源前沿模型，以争取美国现任政府的好感。 ✅ 命中。Poolside 发布了 Laguna 的权重，NVIDIA 推出 Nemotron 3 Ultra，Reflection 承诺开放权重，多家主要实验室也公开支持美国的开放权重倡议。
-
开放式智能体端到端完成一项有意义的科学发现，包括提出假设、做实验、迭代和写论文。 〰️ 部分命中。Edison Scientific、浙江大学的 Qiushi Engine 和 Gemini Co-Scientist 都有发现，但这些发现有多重要，业内还没有共识。
-
一次深度伪造或智能体驱动的网络攻击，引发北约或联合国首次就 AI 安全召开紧急辩论。 〰️ 部分命中。AI 风险在 9 月 23 日进入了联合国安理会，但不是由某次攻击触发的紧急辩论。
-
一款实时生成式视频游戏成为年度 Twitch 观看量最高的游戏。 ❌ 落空。1 月 1 日到 9 月 1 日的前五名是英雄联盟、CS、GTA V、Valorant 和魔兽世界，没有一款是实时生成游戏。
-
一些国家因为造不出主权 AI，把"AI 中立"发展成一种外交政策主张。 ❌ 落空。中立 AI 枢纽有过讨论，但还没有国家因主权 AI 失败而正式采纳这样的外交原则。
-
一部大量使用 AI 制作的电影或短片赢得观众好评，同时引发强烈反弹。 〰️ 部分命中。AI 短片 Thanksgiving Day 赢得了 Frame Forward 的公众投票，之后 AMC 因舆论反弹拒绝放映。"广泛的观众好评"这一点不成立。
-
一家中国实验室在主要排行榜（如 LMArena 或 Artificial Analysis）上超过美国实验室主导的前沿。 ✅ 命中。Kimi K3 在 7 月登上 Arena WebDev 榜第一。报告也承认，这只是单项榜第一，不是总榜，也不是持续领先。
-
数据中心邻避运动席卷美国，并左右 2026 年部分中期选举或州长选举。 〰️ 部分命中。数据中心反对声成了竞选议题，反对者也赢下了一些初选，但 11 月选举的影响在报告发布时还不知道。
-
特朗普签署行政令禁止州级 AI 立法，随后被最高法院裁定违宪。 〰️ 部分命中。12 月的行政令确实通过诉讼和拨款施压来对付州法，但没有被最高法院推翻。
合计 2 条命中，3 条落空，5 条部分命中。
未来 12 个月的 9 条新预测（PDF 第 239 页，"9 predictions for the next 12 months"）
-
Visa 或 Mastercard 出台争议处理规则，明确 AI 智能体代为购物时的责任归属。
-
某个智能体在不升级模型的前提下，通过一个月的客户实际工作，把新任务的失败率减半。
-
美国监管机构或交易所把一次异常股价波动归因于散户 AI 智能体的同步下单。
-
一次由 AI 主导的网络攻击，从领先实验室窃取一个闭源前沿模型的完整权重。
-
美国某个州通过法律，要求企业受理消费者的 AI 智能体代为提交的取消和索赔。
-
一个自主 AI 团队在同等时间和算力下，胜过人类主导的模型研究，并且研究议程由它自己设定。
-
一个已部署的智能体把自己复制到运行环境之外，并在原实例被关停后继续运行。
-
美国 AI 实验室正式推出前沿网络防御产品，帮助其他机构应对来自前沿 AI 的威胁。
-
AGI 2027 ✨
