行业动态
阅读: 466 评论: 0 点赞: 0 发布时间：发布日期：2026-08-07 08:25:17
7月18日，商汤在世界人工智能大会上发布SenseNova U1 Pro，用的词不是"更强的文生图"，而是"交付级原生多模态智能体基座"。同一天，国家发改委把"开源普惠"写进了国家级战略文件。OpenAI那边也没闲着，GPT-5.6瞄准的不是聊天，而是能连续执行数小时任务的"长期自主Agent"。
说实话，这个夏天的AI行业变化密度有点高。如果你还在用2024年的眼光评估大模型——比参数、比排行榜分数——那现在确实该换一套标准了。这个7月发生的变化，不是某一家公司发布了一个更厉害的模型，而是整个行业在三个关键维度上同时发生了质变。对中小企业来说，这意味着技术选型的窗口期正在收窄：选错方向，可能不是落后半年，而是直接错过一个技术周期。
过去两年，多模态大模型最吸引人的功能是什么？输入一段文字生成图片，上传照片自动写描述。这类功能确实很酷，但在真实企业工作流里，它的价值其实很有限。设计师拿到AI产出的素材后，修图的时间可能比从零画一张还长——因为模型听不懂"再改一改"的真实意图。
商汤U1 Pro解决的就是这个痛点。它的定位不是"一个能生成图片的模型"，而是"面向长程任务的交付级基座"。你给U1 Pro一个完整的创作需求，它能自己拆解任务、迭代修改、最终输出一个可以直接用的成品。官方称图像创作容错率从行业常见的约90%提升到了99.9%，在复杂编辑指令下不会再因为"没理解清楚"而跑偏。
更值得关注的是字节跳动的动作。7月底发布的Seedream 5.0 Pro，核心升级集中在四个方向：复杂信息可视化、交互式精准编辑、真实影像质感、原生多语种支持。这意味着什么？意味着AI生成内容正在从"社交媒体配图"这种低门槛场景，向教育课件、商业海报、产品说明书等高信息密度的生产场景渗透。
阿里的通义实验室也在同一时期放出了两个产品：实时视频生成把交互延迟压到了约500毫秒，Qwen-Audio-3.0-Realtime支持音色克隆和情感感知语音生成。多模态的竞争焦点，已经从"能不能生成"变成了"生成的东西能不能直接进工作流"。
2026年春节前后，国内科技公司密集发布了一批面向Agent需求的新一代基座模型。智谱、MiniMax、阶跃星辰、阿里、字节、小米几乎同时入场，MoE架构、超长上下文、工具调用能力成了标配。当时很多人以为这又是一场"参数军备竞赛"，但现在回头看，那其实是一次集体转向——模型必须为Agent而生。
OpenAI在7月推出的GPT-5.6，瞄准的是"长期自主Agent"，能够自动操作浏览器、处理表格、编写代码、批量处理文件。微软的AutoDev更进一步，代码智能体可以自主读取需求、写代码、自测、修复BUG。国内也不遑多让：阶跃星辰发布了国内首个智能体操作系统"Agent OS"，豆包2.1 Pro的编程智能体据称已达到生产级标准。
麦肯锡2025年底的一项调查有个数据值得记住：88%的企业已经在至少一个业务职能中常规使用AI，23%正在规模化部署Agent系统，另有39%处于试点阶段。Agent正在从"帮我查个资料"的辅助角色，变成"帮我跑完整个流程"的执行角色。
不过说实话，Agent目前的问题也很现实。长程任务的可靠性还不够稳定，一个环节出错可能导致整个工作流崩掉。麦肯锡的调查同时显示，51%的企业在使用AI过程中至少经历过一次负面后果，近三分之一源于AI输出的不准确。Agent能力越强，出错的连锁反应也越大。所以在企业侧，Agent目前最适合的还不是"无人值守"，而是"人机协作"——让Agent处理重复性环节，关键决策点仍由人把关。
7月底，月之暗面把最新旗舰大模型Kimi K3全量开源。2.8万亿参数，这是目前全球参数规模最大的开源模型。上线仅仅两天就被"挤爆"，公司不得不紧急暂停C端新用户订阅。海外付费用户增长了4倍，API收入增长400%。
K3不是孤例。腾讯混元Hy3以Apache 2.0协议开源，295B总参数、21B激活参数，支持256K上下文，每百万token输入只收1块钱。美团LongCat-2.0也以MIT许可证全面开源，1.6T参数的MoE架构，支持最长100万token上下文。头部厂商的开源节奏明显在加速。
开源与闭源的争论在7月达到了白热化。Anthropic和OpenAI认为某些模型过于危险，不应开放开发；微软、英伟达则主张开源必须保持开放。这场争论的核心问题是：AI的安全性应该通过"限制访问"来保障，还是通过"开放透明"来实现？目前两方已经开始公开交锋。
我个人觉得，对中小企业来说，开源模型的价值不仅在于"免费"，更在于"可控"。你可以用开源基座加私有数据微调，在保留通用语言能力的同时注入领域知识。某银行的做法很有代表性：基于开源模型搭建的信贷审核专用模型，准确率达到98%，推理成本只有通用大模型的五分之一。
另一个值得关注的信号是Token经济的爆发。国家数据局局长刘烈宏透露，今年3月中国日均Token调用量已突破140万亿，两年增长超千倍。OpenRouter的数据更直观：截至3月23日，中国AI大模型周调用量为7.359万亿Token，连续三周超越美国，调用量排名前四的全部是国产模型。MiniMax创始人闫俊杰说，公司年度经常性收入已超过1.5亿美元，2月新注册用户数是2025年12月的4倍以上。
这些数字说明一件事：大模型正在从"高成本的试验品"变成"各行业用得起、可以落地的工具"。光大证券的王开说得挺到位：全国算力基建完善，软硬件国产化提速，叠加算力成本持续下行，AI的落地门槛在快速降低。
看完这三个信号，企业该做什么？
第一，重新评估技术选型标准。不要只看参数规模和排行榜分数，要看模型在Agent能力、多模态理解、工具调用稳定性这些"落地指标"上的表现。2026年的核心竞争力不是"谁的模型更大"，而是"单位算力下谁能提供更高智能密度与更强落地效能"。
第二，关注端侧部署的可能性。几十亿参数的小模型在手机和PC端流畅运行，正在大幅降低算力成本。对于数据敏感的场景，本地化部署+开源基座微调的方案越来越成熟。
第三，Agent不是万能的，但"人机协作"是确定的。先把Agent用在重复性高、容错率相对高的环节——比如文档处理、数据整理、客服初筛——让人专注在判断和决策上。
最后说一句，技术浪潮来的时候，观望的成本往往比试错的成本更高。现在至少可以做的，是拿一个开源模型跑一跑企业内部的数据，看看实际效果。这个动作本身花不了多少资源，但能帮你建立对AI能力的真实体感——这比看一百篇报道都有用。