问题：大模型浪潮推动下，产业一度将“更大规模”视为能力跃升的主要路径。但随着应用落地进入深水区，单纯依赖参数扩张的边际收益递减，模型在复杂环境理解、稳定执行与可验证推理等的短板愈发显现。如何让智能系统从语言层面的拟合，更走向对现实世界运行规律的可计算表达，成为下一阶段必须回答的核心命题。 原因：一上，现实场景具有动态性、因果性与约束性，单靠文本统计规律难以覆盖“物理世界如何运转”的关键细节；另一方面，产业对可交付、可复用、可评估的能力需求上升，倒逼模型从“生成内容”走向“预测状态、规划行动”。智源研究院有关负责人指出，技术演进正在发生关键转移：行业竞争焦点从“参数有多大”转向“能否理解并刻画世界的底层秩序”，从“预测下一个词”跨越到“预测世界的下一个状态”。在该框架下，“结构决定功能、功能塑造结构”的相互作用被视为理解智能与构建智能的重要线索。 影响：范式变化正在重塑研发路径与产业组织方式。其一，世界模型被视为通往通用智能的重要共识方向，围绕“下一状态预测”的训练目标与评测体系有望成为新范式，推动模型具备更强的环境建模、规划与控制能力。其二，具身智能进入更注重效率与可落地的阶段，行业将经历优胜劣汰，“出清”后有望在制造、物流、巡检等工业场景加速渗透，带动传感、控制、机器人本体与软件系统的协同升级。其三，多智能体系统被认为决定复杂应用的上限，面向任务拆解、协作决策与工具调用的通用协议雏形正在形成，产业可能迎来“可互联、可组合”的新基础设施。其四，面向科学研究的智能系统加速发展，所谓“AI Scientist”被视作推动智能赋能科学（AI for Science）的重要指向，科学基础模型的积累将影响材料、药物、能源等领域的研发范式与效率。其五，数据供给与算力效率成为可持续发展的关键变量：合成数据占比提升，被寄望于缓解高质量数据增量不足的压力；推理与系统优化仍有较大空间，算力普惠更依赖编译器生态、异构算力与全栈协同。其六，安全风险由“幻觉”向更具诱导性与欺骗性的风险延伸，治理重点将走向机制可解释、可验证与对抗能力自演化的体系化建设。 对策：面向新阶段的技术竞赛与产业落地，需要在研发、应用与治理三端形成合力。研发层面，应从单一规模扩张转向“数据—模型—系统”一体化优化，围绕世界模型、具身智能、多智能体等方向建立可复现实验基准与评测标准，提升模型在动态环境中的可靠性与可控性。产业层面，应坚持面向场景的价值闭环，优先在流程清晰、收益可量化、风险可控的工业与公共服务场景推进试点，避免概念化重复投入；同时完善软硬件协同与工程化能力，推动开源工具链与编译器生态发展，降低异构算力适配成本。治理层面，应将安全要求前置到模型设计与部署全链条，强化红队测试、风险分级与持续监测，推动可解释机制、审计追踪与应急处置能力建设，形成可持续的安全运营体系。 前景：报告对产业周期作出判断，认为应用端可能短期承压，进入理性调整阶段，但随着关键技术突破与成本下降，预计在2026年下半年迎来回升动能。可以预见，未来竞争将不止于“谁能生成得更像”，而在于“谁能更稳定地理解、推演并改变现实世界”，并在安全可控的前提下形成规模化交付能力。围绕世界模型、具身智能、多智能体与科学基础模型的系统性布局，或将成为决定下一轮产业格局的重要变量。
人工智能发展正进入更务实的阶段。从追求规模到理解世界，这个转变表明了产业对AI价值的重新认识。未来AI将更注重解决实际问题、创造真实价值。对我国AI产业而言——把握这一转型机遇——加强基础研究，推动应用落地，是实现领先发展的关键。