“未来已来，只是分布不均。” —— William Gibson

“AI会取代人类的工作。但别担心，大部分工作本来就不值得做。” —— 某位不愿透露姓名的WAIC参展商

2026年7月17日到20日，上海世博展览馆。1100多家企业、3000多项展品、300多款全球首发——第九届世界人工智能大会（WAIC 2026）又一次把全球AI圈的目光拉到了黄浦江畔。但这次不一样：机器人不再只是在玻璃柜里挥挥手，而是真的在展馆里走楼梯、搬箱子、给你倒咖啡。AI也不再只是聊天机器人，而是能自己规划任务、调用工具、给你交活的"数字员工"。本文以WAIC 2026为窗口，倒带70年，聊聊AI是怎么从一群人的异想天开，变成改变世界的力量的。

---

📑 目录

1. WAIC 2026：AI 产业的"成人礼"
2. AI 简史：四起三落，每次都更猛
3. 大模型：从"谁更大"到"谁更能干"
4. 具身智能：AI 终于走出了屏幕
5. AI Agent：从"你问我答"到"你自己看着办"
6. 端侧 AI：大模型住进了你的手机
7. 算力自主：国产芯片的"长征"
8. AI 治理：跑得快的 AI 不能没有刹车
9. 中国 AI 的崛起之路
10. WAIC 九年：九个台阶
11. AI+行业：WAIC 2026 的落地场景
12. AI 的数学与技术第一性原理
13. AI 安全与伦理：不能回避的问题
14. 未来：下一个十年会怎样？
15. 总结：WAIC 教会我们的事
16. 参考文献

---

1. WAIC 2026：AI 产业的"成人礼"

图1：WAIC九年时间线 —— 从200家企业到1100+，从PPT到真机

1.1 先看数据，因为数据不会骗人（虽然展商会）

指标	WAIC 2024	WAIC 2025	WAIC 2026	我的评价
参展企业	~900家	~1000家	1100+家	每年多100家，比我家楼下奶茶店增速还稳
展品数量	~2800项	~3000项	3000+项	多到你根本看不完
全球首发	~250款	~280款	300+款	"全球首发"这四个字在WAIC已经通货膨胀了
展览面积	~8万㎡	~9万㎡	10+万㎡	首次突破10万㎡，走路参观要穿跑鞋
具身智能企业	~50家	~80家	200+家	两年翻4倍，这增速比当年共享单车还猛
机器人真机	~50台	~100台	300+台	机器人比观众还多（好吧我夸张了）
图灵奖/诺奖	~5位	~7位	9位	学术追星族的天堂
论坛数量	~100场	~120场	150+场	选择困难症患者的噩梦
观众人次	~20万	~25万	~30万	比世博会还热闹（可能是因为免费）

表1：WAIC近三年核心数据

最惊人的变化是具身智能——2024年还只有25台人形机器人在一个小展区里"秀肌肉"，2026年直接独立设馆，300多台真机同台竞技。这发展速度，连互联网泡沫时期都自愧不如。

1.2 “三地四馆”——大到你需要导航

WAIC 2026首创"三地四馆"联动模式，总面积超过10万㎡。说人话就是：你得穿双好走的鞋。

场馆	定位	面积	亮点	参观建议
世博展览馆	主会场	~5万㎡	大模型、AI Agent、镇馆之宝	必去，但人多到像春运
张江科学城	AI+产业	~2万㎡	工业AI、智能制造	适合工程师，普通人会觉得无聊
西岸艺术中心	未来科技	~1.5万㎡	自动驾驶、脑机接口	最酷，排队最长
具身智能馆	机器人（新设！）	~2万㎡	300+台真机，走楼梯	最值得去，能看机器人翻跟头

表2：WAIC 2026四馆指南

具身智能首次拥有独立展馆——这本身就是产业爆发的最好证明。就像当年智能手机从CES的一个小角落变成整个展会的主角一样。

1.3 大会日程精华

WAIC 2026为期四天，每天的侧重点不同：

日期	主题	核心内容	我的建议
Day 1 (7/17)	开幕式+主论坛	领导讲话、重磅发布	看直播就行，现场太挤
Day 2 (7/18)	WAICA学术会议	图灵奖得主报告	学术追星族必去
Day 3 (7/19)	产业论坛+展览	行业落地案例	最实用的一天
Day 4 (7/20)	治理论坛+闭幕	AI治理、展望未来	适合政策研究者

表3：WAIC 2026四天日程

Day 1是"面子"（领导和大佬站台），Day 2是"脑子"（学术前沿），Day 3是"里子"（产业落地），Day 4是"底线"（治理与安全）。四天刚好覆盖了AI的方方面面。

1.4 “镇馆之宝”——四个是Agent

WAIC 2026评选的十款"镇馆之宝"中，四款是AI智能体产品。这意味着什么？意味着Agent已经从PPT变成了产品。

镇馆之宝	类型	亮点	普通人能用吗？
AI智能体手机（多款）	端侧AI	首批端侧大模型备案	2026下半年
具身智能机器人	机器人	全尺寸人形，走楼梯	工厂先行
工业大模型	工业AI	走出实验室进入工厂	已在用
科学基础大模型	AI4Science	中科院磐石2.0	科研机构
多模态大模型	基础模型	原生多模态	API开放
自动驾驶方案	自动驾驶	L4级别城市道路	限定区域
AI编程助手	开发工具	端到端代码生成	程序员已在用
AI芯片	算力	全国产算力方案	企业客户
工作流Agent	企业AI	自动化企业流程	企业客户
浏览器Agent	个人AI	自动填表、调研	2026下半年

表4：WAIC 2026镇馆之宝全景

四款Agent产品入选"镇馆之宝"，这在WAIC历史上是第一次。还记得2023年吗？那时候Agent还只是个概念，大家都在"画饼"。2026年，饼烤好了，端上桌了，而且还挺好吃。

---

2. AI 简史：四起三落，每次都更猛

图2：AI 70年历史 —— 四起三落，像个心电图但每次峰值更高

AI的历史就像一部狗血连续剧：主角反复"死而复生"，每次"复活"都比上次更强。

2.1 四起三落详解

时期	年代	发生了啥	为啥"死"的	关键人物	类比
第一春	1956-1974	感知机、LISP、“20年内超越人类”	Minsky一本书证明感知机连XOR都不会	Rosenblatt, McCarthy	创业公司烧完钱倒闭
第一冬	1974-1983	啥也没发生	—	—	行业沉寂
第二春	1983-1993	专家系统、日本五代机	维护成本爆炸，知识获取瓶颈	Feigenbaum	网红店火了一阵没人去了
第二冬	1993-2006	啥也没发生	—	—	又沉寂了
第三春	2006-2020	深度学习、AlphaGo、GPT-3	部分AI公司倒闭（但技术留了下来）	Hinton, LeCun, Bengio	泡沫挤掉，真金留下
第四浪	2022-至今	ChatGPT、大模型、Agent	？（待观察）	OpenAI, DeepSeek	这次可能真的不一样？

表5：AI四起三落详解

每次"冬天"的套路都一样：过度承诺→资本涌入→技术交付不足→资本撤退→寒冬。但每次春天都比上次更暖——因为基础设施在积累。就像打游戏，每次Game Over你都会保留经验值。

2.2 第一春与第一冬（1956-1983）

年份	事件	影响	后果
1950	图灵发表"计算机器与智能"	提出图灵测试	AI的思想基础
1956	达特茅斯会议	"人工智能"一词诞生	AI正式成为学科
1957	Rosenblatt发明感知机	第一个神经网络	过度炒作开始
1958	感知机热潮	纽约时报报道"海军发明了能思考的机器"	期望值拉满
1969	Minsky出版《Perceptrons》	数学证明感知机的局限	神经网络被打入冷宫
1974	第一次AI寒冬	经费削减，研究停滞	十年沉寂

表6：AI第一春与第一冬

Minsky的《Perceptrons》是AI史上最具"杀伤力"的一本书——它用数学证明了单层感知机无法解决XOR问题，直接导致了整个神经网络方向的经费被砍。有人说是Minsky"杀死了"神经网络，但公平地说，他只是指出了问题——解决方案（多层网络）要等到30年后才真正成熟。

2.3 第二春与第二冬（1983-2006）

年份	事件	影响	教训
1980	Carnegie Mellon开发XCON	第一个成功的专家系统	商业价值巨大
1981	日本第五代计算机计划	举国之力搞AI	引发全球AI竞赛
1986	反向传播算法复兴	神经网络重新崛起	Hinton的坚持
1987	专家系统泡沫破裂	维护成本远超预期	知识获取瓶颈
1993	第二次AI寒冬	互联网泡沫叠加	又十年沉寂
1997	Deep Blue击败卡斯帕罗夫	轰动全球	但只是"暴力搜索"

表7：AI第二春与第二冬

专家系统的问题在于"知识获取瓶颈"——你需要请领域专家把他们的知识一条条写成规则，这既昂贵又不可扩展。就像你请一个大厨教你做菜，他能告诉你每一步怎么做，但你让他把所有菜的做法都写成菜谱，他可能会疯掉。

2.4 第三春：深度学习革命（2006-2020）

年份	事件	突破点	影响
2006	Hinton提出深度信念网络	解决梯度消失	深度学习复活
2009	ImageNet数据集发布	大规模标注数据	有了"考试题"
2012	AlexNet赢得ImageNet	GPU训练CNN	深度学习爆发
2014	GAN诞生	生成对抗网络	AI能"创造"了
2015	ResNet(152层)	残差连接	超深网络成为可能
2016	AlphaGo击败李世石	强化学习+蒙特卡洛树搜索	全民知道AI了
2017	Transformer诞生	注意力机制	改变了一切
2018	BERT、GPT	预训练+微调	NLP革命
2020	GPT-3	175B参数，涌现能力	大模型时代开启

表8：深度学习革命关键节点

2012年AlexNet的胜利是转折点——它不仅证明了深度学习的威力，更重要的是它用了GPU来训练。在此之前，GPU只是用来打游戏的；在此之后，GPU成了AI训练的"标配"。NVIDIA应该给Hinton发一个终身成就奖。

2.5 第四浪：大模型时代（2022-至今）

年份	事件	影响	评价
2022.11	ChatGPT发布	2个月破亿用户	史上增长最快的消费产品
2023.03	GPT-4发布	通过律师考试、多模态	“AI比大部分律师都考得好”
2023.02	LLaMA泄露	开源大模型爆发	Meta的"意外"改变了行业
2023.07	中国百模大战	100+个大模型同时训练	“北京咖啡馆里全是搞大模型的”
2024.02	Sora发布	AI生成视频	“好莱坞要失业了”（并没有）
2024.09	o1发布	推理能力大幅提升	AI开始"思考"了
2025.01	DeepSeek-V3发布	开源追平闭源	“原来1/10的成本也行？”
2026.07	WAIC 2026	Agent+具身智能元年	“这次是真的落地了”

表9：大模型时代关键事件

ChatGPT的增长速度是人类商业史上最快的——2个月达到1亿用户。作为对比，Instagram花了2.5年，TikTok花了9个月，电话花了75年。这不是AI的胜利，这是"终于有一个AI产品普通人也能用"的胜利。

2.6 WAIC 2026 嘉宾天团

嘉宾	称号	贡献	一句话概括	有趣的故事
Richard Sutton	2024图灵奖	强化学习之父	“让机器自己试错学习”	在AI寒冬中坚持了30年
Yoshua Bengio	2018图灵奖	深度学习三巨头	“在黑暗中坚持到天亮”	论文被拒、经费被砍
Gilles Brassard	2025图灵奖	量子密码学	“让信息不可破解”	量子计算的先驱
姚期智	2000图灵奖	计算复杂性	“有些问题永远算不快”	华人图灵奖第一人

表10：WAIC 2026嘉宾天团

Bengio的故事特别值得一讲——在1990年代，神经网络被主流学术界抛弃的时候，他和Hinton、LeCun三个人在各自的角落默默坚持。当时他们的论文被拒、经费被砍、学生找不到工作。然后2012年AlexNet一出来，整个世界突然醒悟："卧槽，原来你们是对的。"2018年他们三人一起获得图灵奖——这是学术界最浪漫的"复仇"故事。

2.7 AI 范式的三次转变

范式	时期	核心思想	数据需求	算力需求	代表	优势	劣势
符号主义	1956-1990s	逻辑推理、规则	少量	低	专家系统	可解释	知识获取瓶颈
统计学习	1990s-2012	概率统计、优化	中等	中等	SVM、随机森林	泛化好	特征工程
连接主义	2012-至今	神经网络、端到端	海量	极高	GPT、AlphaGo	自动特征	黑箱、耗能

表11：AI三大范式对比

WAIC 2026上，三种范式都有影子：工业AI还在用规则+统计（因为可解释性重要），大模型用深度学习，而因果推理（符号主义的精神后裔）正在学术界复兴。就像时尚界，老东西过一阵又会流行回来。

---

3. 大模型：从"谁更大"到"谁更能干"

图3：大模型演进 —— 从"卷参数"到"卷落地"

3.1 大模型完整时间线

年份	模型	参数量	来源	一句话评价
2018	BERT	340M	Google	“我能理解语言了！”（然后被GPT抢了风头）
2018	GPT	117M	OpenAI	“我是始祖，但没人在乎我”
2019	GPT-2	1.5B	OpenAI	“太危险了不能发布”（结果还是发布了）
2020	GPT-3	175B	OpenAI	“我能写诗了！”（但经常胡说八道）
2022	ChatGPT	~175B	OpenAI	“我能聊天了！”（2个月破亿，史上最猛）
2023	GPT-4	~1.8T	OpenAI	“我能看图了！”（通过律师考试，吓坏一票人）
2023	LLaMA	7-65B	Meta	“我也行！而且我开源！”（搅局之作）
2023	Claude 2	未知	Anthropic	“我更安全！”（对齐做得最好）
2024	Llama 3	8-405B	Meta	“开源也能这么强？”
2024	Claude 3	未知	Anthropic	“200K上下文，你信不信？”
2025	DeepSeek-V3	671B MoE	DeepSeek	“我用1/10的成本做到了！”（全球震惊）
2025	Gemini 2.0	多版本	Google	“原生多模态+Agent”
2026	Agent生态	各种规模	多家	“别聊了，干活吧。”（WAIC 2026的主题）

表12：大模型演进完整时间线（附赠吐槽版）

注意到一个趋势：2023年大家都在卷"谁的模型更大"，2026年变成了"谁的Agent更能干"。这就像手机行业从"谁的跑分更高"变成"谁的拍照更好"一样——用户不在乎你用了什么芯片，只在乎拍出来的照片好不好看。

3.2 中国大模型格局

类别	代表	特点	WAIC 2026表现	一句话
第一梯队	DeepSeek-V3, Qwen-3	接近GPT-4水平	核心展示	“能打的”
第二梯队	文心一言4.0, 讯飞星火5.0	垂直领域强	行业方案	“各有特长”
开源阵营	DeepSeek, Qwen, Yi	开源生态	开发者生态	“免费的”
垂直模型	医疗、法律、金融	领域深耕	产业落地	“专业的”

表13：中国大模型格局

DeepSeek是2025年最大的"搅局者"——用传闻只有GPT-4训练成本1/10的预算，达到了接近的性能。这就像有人用小米的成本做出了iPhone的品质，整个行业都坐不住了。

3.3 从"百模大战"到"Agent大战"

维度	2023：百模大战	2026：Agent大战	变化
竞争焦点	参数量、Benchmark分数	Agent能力、落地场景	从"跑分"到"干活"
产品形态	聊天机器人（你问我答）	数字员工（自己规划自己干）	从"被动"到"主动"
技术栈	预训练+SFT+RLHF	Agent框架+工具调用+规划	更复杂了
商业模式	API按调用收费	SaaS订阅、按效果付费	更可持续了
评估方式	MMLU、HumanEval	任务完成率、用户满意度	更实际了
生态竞争	谁的模型更强	谁的Agent生态更大	从"单打独斗"到"平台竞争"
中国玩家	百模大战、疯狂内卷	DeepSeek逆袭、Agent落地	从"跟跑"到"领跑"

表14：从百模大战到Agent大战的转变

WAIC 2026上，超一成论坛议题围绕智能体展开。智能体不再是"Demo"，而是可以真正执行任务的"数字员工"——从写代码、操作浏览器到控制机器人。如果说2023年是"模型元年"，那2026年就是"Agent元年"。

3.4 缩放定律与涌现能力

定律	内容	含义	证据
缩放定律	L ∝ N^(-0.076) · D^(-0.095)	更大=更好（幂律关系）	Kaplan et al. 2020
涌现能力	模型规模超过阈值后突然出现新能力	量变引起质变	CoT、Few-shot
Chinchilla定律	数据量和参数量应该等比增长	不要只堆参数	Hoffmann et al. 2022

表15：大模型三大定律

缩放定律是OpenAI在2020年发现的——只要增加参数、数据和算力，模型效果就会持续提升，而且是可以预测的。这就是为什么所有大公司都在疯狂堆算力——因为数学告诉你，堆就完了。但Chinchilla定律修正了这个观点：不是越大越好，而是数据和参数要匹配。

3.5 大模型的"幻觉"问题

类型	表现	原因	解决方案	效果
事实幻觉	编造不存在的事实	训练数据有噪声	RAG、事实验证	中等
推理幻觉	推理过程看似正确但结论错误	模式匹配而非真推理	CoT、o1	进步中
引用幻觉	编造不存在的论文/引用	没有真正的"记忆"	检索增强	较好
自信幻觉	错误答案但非常自信	概率分布特性	校准、不确定性估计	早期

表16：大模型幻觉问题分类

"幻觉"是大模型最大的软肋——它可以一本正经地胡说八道，而且说得比真话还流利。这就像一个很能说的朋友，你永远不确定他说的是真的还是编的。解决方案是RAG（检索增强生成）——让模型先查资料再回答，就像考试时允许翻书。

---

4. 具身智能：AI 终于走出了屏幕

图4：具身智能三年跃迁 —— 从"能走就不错了"到"走楼梯搬箱子"

WAIC 2026最直观的变化：机器人不再是在玻璃柜里挥手的吉祥物，而是真的在展馆里走来走去。

4.1 三年对比

维度	2024	2025	2026	我的评价
机器人数量	25台	~100台	300+台	增速比新生儿还快
能做什么	挥手、走路	搬东西、简单操作	走楼梯、精细操作	终于不只是"展示品"了
驱动方式	预编程	简单AI	VLA大模型	从"死记硬背"到"随机应变"
落地状态	实验室	工厂试点	工厂量产	终于能赚钱了
价格	数百万	数十万	数十万（量产后降）	还是比人贵
续航	30分钟	1小时	1-2小时	还是得充电

表17：具身智能三年对比

2024年看机器人展览，就像看幼儿园文艺汇演——每个机器人做一两个固定动作，观众鼓掌，结束。2026年看机器人展览，就像看特种兵训练——走楼梯、搬箱子、拧螺丝，样样来。

4.2 VLA：机器人的"大脑"

VLA（Vision-Language-Action）是2025-2026年具身智能领域最重要的突破。简单说，就是让机器人"看-理解-做"一步到位 [13]。

传统方式	VLA方式	区别	类比
先拍照→再分析→再规划→再执行	看一眼就知道该怎么做	从"三步走"到"一步到位"	新手厨师vs老手厨师
每一步都需要单独的模型	一个模型搞定所有	端到端	合奏vs独奏
换个场景就傻了	有泛化能力	从"专用"到"通用"	应试教育vs素质教育
需要精确建模	从数据中学习	数据驱动	自学vs上课

表18：VLA vs 传统机器人控制

你教小孩系鞋带，不会先给他讲力学原理、再分析绳子的材质、最后规划每个手指的动作——你演示一遍，他看一遍，就会了（好吧，大部分小孩需要看好几遍）。VLA就是这个思路：看一遍，学一遍，做一遍。

4.3 明星机器人详解

机器人	公司	类型	身高/体重	亮点	一句话评价	落地场景
Adam	PNDbotics	全尺寸人形	~1.7m/70kg	首次公开展示走楼梯	“终于不怕楼梯了”	巡检、服务
Galbot	银河通用	通用人形	~1.6m/55kg	多任务通用能力	“什么都能干一点”	仓储、零售
GR-2	傅利叶	工业人形	~1.7m/65kg	汽车工厂部署	“打工人，打工魂”	汽车制造
Walker S	优必选	工业人形	~1.7m/60kg	蔚来工厂实训	“在工厂比在展馆更自在”	汽车制造
H1	宇树	敏捷人形	~1.8m/47kg	跑步跳跃	“体育特长生”	科研、展示
Optimus	Tesla	量产人形	~1.7m/57kg	2026量产目标	“Elon说的，你信不信？”	家庭、工厂

表19：WAIC 2026明星机器人详解

Adam走楼梯是本届WAIC的"名场面"——全尺寸人形机器人在公众面前走楼梯，这在以前是不可想象的。走楼梯对人类来说是三岁就学会的事，但对机器人来说，每一步都需要实时感知地形、计算重心、调整步态——这背后是数十次计算。你小时候学走路摔了多少跤？机器人也是。只不过它摔一跤可能值几十万。

4.4 具身智能的技术栈

层次	组件	2024状态	2026状态	关键突破	难点
感知层	视觉、触觉、力觉	基础视觉	多模态融合	触觉传感器	低成本触觉
认知层	理解、规划	简单指令	VLA大模型	视觉-语言-动作统一	泛化能力
决策层	任务分解	预编程	自主规划	LLM驱动的规划	安全性
执行层	关节控制	基础动作	精细操作	灵巧手	力控精度
学习层	技能获取	模仿学习	在线学习+仿真	数字孪生训练	数据稀缺

表20：具身智能技术栈演进

4.5 具身智能面临的挑战

挑战	现状	难点	解决方向	时间线
硬件成本	单台数十万-数百万	关节电机、传感器贵	规模化量产降本	2027-2028
泛化能力	有限场景通用	环境变化适应差	VLA大模型+仿真	2026-2028
安全性	基础安全	人机协作安全	力控+安全标准	2026-2027
数据稀缺	高质量数据少	采集成本高	仿真+合成数据	2026-2028
续航	1-2小时	电池能量密度	固态电池	2028-2030
灵巧操作	粗糙操作为主	精细手部操作	灵巧手+触觉	2027-2029

表21：具身智能核心挑战

硬件成本是最大的瓶颈——一台人形机器人的关节电机加起来可能比一辆特斯拉还贵。但好消息是，中国在供应链上有巨大优势——电机、传感器、结构件的成本正在快速下降。就像当年手机从"大哥大"几万块变成现在几百块一样，机器人也会走这条路。

---

5. AI Agent：从"你问我答"到"你自己看着办"

图5：AI Agent架构 —— 有脑子、有手、有记忆，关键是：能自己干活

WAIC 2026的主题是"智能伙伴，共创未来"。这个"智能伙伴"，说的就是Agent。

5.1 什么是Agent？

维度	聊天机器人（2023）	AI Agent（2026）	类比
交互	你问一句它答一句	你说目标它自己干	实习生 vs 老员工
任务	单轮对话	多步骤复杂任务	传话 vs 独当一面
工具	不会用工具	会调API、写代码、操作浏览器	空手 vs 带装备
记忆	聊完就忘	短期+长期记忆	金鱼 vs 大象
自主性	等你指令	自己规划自己执行	被动 vs 主动
出错时	告诉你它不会	自己想办法解决	放弃 vs 找替代方案

表22：聊天机器人 vs AI Agent

聊天机器人就像一个很聪明但没有手脚的人——你问它什么它都知道，但它什么都做不了。Agent就像一个既有脑子又有手脚的人——你说"帮我订下周去北京出差的机票和酒店"，它自己查航班、比价格、订酒店、发确认邮件，一条龙搞定。

5.2 Agent 的六大核心能力

能力	功能	2026成熟度	技术实现	难点
🧠 大脑(LLM)	理解、推理、决策	成熟	GPT-4、Claude、DeepSeek	推理幻觉
📋 规划	任务分解、步骤排序	快速进步	CoT、ToT、ReAct [14,15]	长程规划
💾 记忆	短期上下文+长期知识	基本成熟	向量数据库、RAG	记忆管理
🔧 工具	调用API、执行代码	成熟	Function Calling	工具发现
🦾 行动	执行操作、观察结果	快速进步	代码执行、浏览器控制	错误恢复
🔄 反思	评估结果、调整策略	早期	自我批评、回溯	评估准确性

表23：Agent六大核心能力

"反思"是目前最弱的一环——大部分Agent犯了错会继续犯，不像人类会总结教训。但这个方向正在快速发展。等到Agent真的会"吃一堑长一智"的时候，可能就是真正的"数字员工"了。

5.3 Agent的技术实现

组件	作用	实现方式	代表框架
感知	接收用户输入和环境信息	文本/图像/语音理解	—
规划	将大任务分解为小步骤	ReAct、CoT、Tree-of-Thought	LangChain
记忆	存储历史信息和知识	向量数据库+摘要	MemGPT
工具	执行具体操作	Function Calling、代码沙箱	OpenAI Tools
行动	执行操作并观察结果	API调用、浏览器操作	Playwright
反思	评估执行结果	自我批评、对比目标	Reflexion

表24：Agent技术实现栈

5.4 多Agent协作

协作模式	说明	应用场景	代表框架	优势	劣势
主从模式	一个主Agent调度多个子Agent	复杂任务分解	AutoGPT	清晰的控制链	主Agent瓶颈
对等模式	多个Agent平等协作	讨论、辩论	CAMEL	多角度思考	容易跑题
流水线模式	Agent按顺序传递结果	内容生产链	CrewAI	高效	容错差
竞争模式	多个Agent竞争最优解	优化问题	—	结果更好	资源浪费
层级模式	多层管理结构	企业级应用	AutoGen	可扩展	复杂

表25：多Agent协作模式

多Agent系统就像一个虚拟团队——有项目经理（主Agent）、有开发者（编码Agent）、有测试者（测试Agent）、有产品经理（需求Agent）。WAIC 2026上，多家公司展示了这种"AI团队"的工作流。

5.5 WAIC 2026 上的 Agent 产品

Agent类型	做什么	入选镇馆之宝？	普通人能用吗？	技术成熟度
编码Agent	自己写代码、自己调试	✅	程序员已在用	⭐⭐⭐⭐⭐
浏览器Agent	自动填表、下单、调研	✅	2026下半年	⭐⭐⭐⭐
机器人Agent	控制物理机器人干活	✅	工厂先行	⭐⭐⭐
工作流Agent	自动化企业流程	✅	企业客户	⭐⭐⭐⭐
多Agent协作	多个Agent组队干活	🔜	2027预计	⭐⭐⭐
科研Agent	辅助科学发现	🔜	科研机构	⭐⭐

表26：WAIC 2026 Agent产品全景

---

6. 端侧 AI：大模型住进了你的手机

WAIC 2026的另一个重磅：首批手机端侧大模型完成备案。这意味着你的手机以后可以不联网就用AI了。

6.1 端侧 vs 云端

维度	云端AI	端侧AI	用户感受	哪个更好？
速度	慢（要等网络）	快（本地处理）	“秒回” vs “转圈圈”	端侧
隐私	数据上传云端	数据不出手机	“被人看” vs “自己知道”	端侧
离线	不行	完全OK	地铁里也能用	端侧
能力	很强	较弱但够用	90分 vs 70分	云端
成本	按调用收费	免费（已含在手机价格里）	“月租” vs “买断”	端侧
更新	实时更新	需要下载新模型	“总是最新” vs “偶尔更新”	云端

表27：端侧AI vs 云端AI

端侧AI最大的好处是隐私——你的聊天记录、照片、健康数据都不需要上传到任何服务器。这就像你日记本锁在自己抽屉里，而不是寄存在别人家。最好的方案是"端云协同"——简单任务在端侧处理，复杂任务上云端。

6.2 为什么现在才行？

技术	以前的问题	现在的解决方案	效果
模型太大	7B参数 = 14GB，手机装不下	INT4量化：压缩到3.5GB	大小缩小4倍
速度太慢	推理一次要几秒	NPU专用硬件：毫秒级	速度提升10倍
太耗电	跑模型手机烫手	稀疏推理：只激活需要的部分	功耗降低3倍
能力太弱	小模型啥也不会	知识蒸馏：从大模型"学艺"	能力提升显著

表28：端侧AI技术突破

知识蒸馏特别有意思——就像一个大学教授（大模型）把毕生所学浓缩成精华笔记，教给一个小学生（小模型）。小学生虽然没有教授懂得多，但精华笔记让他在日常场景中够用了。

6.3 端侧AI的应用场景

场景	具体应用	为什么必须在端侧	2026状态
实时翻译	对话翻译、拍照翻译	延迟敏感	已落地
智能摄影	AI修图、场景识别	隐私+速度	已落地
语音助手	离线语音交互	离线需求	已落地
健康监测	睡眠分析、运动建议	隐私敏感	发展中
文本摘要	邮件/文章摘要	离线+隐私	发展中
个性化推荐	本地学习用户偏好	隐私保护	早期

表29：端侧AI应用场景

---

7. 算力自主：国产芯片的"长征"

7.1 为什么算力这么重要？

类比	AI时代	工业时代	后果
核心资源	算力	石油	没有它就转不动
战略意义	没有算力就没有AI	没有石油就没有工业	被卡脖子
卡脖子	高端GPU受限	中东石油危机	发展受阻
国产替代	华为昇腾、寒武纪	大庆油田、煤变油	自主可控

表30：算力的战略意义（用你能听懂的方式）

没有算力，再好的算法也是纸上谈兵。训练一个GPT-4级别的模型需要的算力，大概相当于几万台高端服务器跑几个月。这就是为什么算力是AI时代的"石油"。

7.2 国产AI芯片详解

芯片	公司	类型	算力(FP16)	制程	生态	和NVIDIA差距	WAIC 2026表现
昇腾910B	华为	训练+推理	~300T	7nm	最成熟	~80%	核心展示
思元590	寒武纪	训练+推理	~200T	7nm	成长中	~60%	多款服务器
深算一号	海光	通用GPU	~100T	7nm	成长中	~50%	行业方案
BR100	壁仞	训练GPU	~200T	7nm	早期	~60%	技术展示
天数智芯	天数智芯	训练GPU	~150T	7nm	早期	~50%	创新展示

表31：国产AI芯片详解

华为昇腾是目前国产算力的"扛把子"——不仅硬件性能接近NVIDIA A100的80%，更重要的是建立了相对完整的软件生态。但坦白说，和NVIDIA的差距主要不在芯片本身，而在CUDA生态——20年积累的开发者、工具链和社区，不是一朝一夕能追上的。

7.3 软件生态才是真正的护城河

层次	NVIDIA生态	国产替代	差距评估	追赶难度
编程模型	CUDA	CANN(华为)	差距大	⭐⭐⭐⭐⭐
深度学习框架	PyTorch	MindSpore(华为)	差距中	⭐⭐⭐
编译器	nvcc	自研编译器	差距大	⭐⭐⭐⭐
算子库	cuDNN, cuBLAS	自研算子库	差距大	⭐⭐⭐⭐
推理引擎	TensorRT	自研推理引擎	差距中	⭐⭐⭐
开发者社区	全球数百万	数十万	差距大	⭐⭐⭐⭐⭐

表32：NVIDIA vs 国产软件生态

NVIDIA的护城河不是GPU硬件本身，而是CUDA生态——20年来积累的开发者、工具链、库和社区。国产芯片要突围，硬件追上来只是第一步，建立软件生态才是真正的"长征"。就像Android和iOS的竞争——不是手机硬件的竞争，而是应用生态的竞争。

7.4 国产算力方案（WAIC 2026展示）

方案	提供方	组成	适用场景	成熟度
昇腾AI集群	华为	910B+MindSpore+CANN	大模型训练	较成熟
训推一体机	多家	国产GPU+自研框架	中小企业	成长中
边缘推理盒	多家	国产NPU+轻量框架	工业/安防	成熟
AI服务器	浪潮/曙光	国产CPU+国产GPU	数据中心	成长中

表33：国产算力方案

---

8. AI 治理：跑得快的 AI 不能没有刹车

图6：AI治理演进 —— 从"讨论原则"到"真立法了"

WAIC 2026同期举办了"人工智能全球治理高级别会议"——治理已经成为WAIC的固定"标配"。

8.1 全球治理格局

地区	风格	代表法规	核心理念	一句话
🇪🇺 欧盟	先立法再发展	AI Act (2024)	风险分级	“先把规矩定好再说”
🇺🇸 美国	行政令+自律	拜登AI行政令	灵活务实	“你们自己看着办，出事我再管”
🇨🇳 中国	边发展边治理	各领域专项法规	问题导向	“出了一个管一个，效率极高”
🇬🇧 英国	创新友好	白皮书	宽松	“来来来，先搞发展”
🇯🇵 日本	软法治理	指南+自律	柔性	“我们商量着来”
🌍 全球	多边对话	联合国、G7	合作	“大家坐下来谈谈”

表34：全球AI治理格局

中国的AI治理速度全球最快——2021年算法推荐规定、2022年深度合成规定、2023年GenAI暂行办法、2025年具身智能指南……基本是一个新技术出来半年内就有法规。这种"边发展边治理"的模式，好处是不会出现监管真空，风险是可能误伤创新。

8.2 中国AI法规详解

年份	法规	为什么出台	核心内容	效果	国际影响
2017	新一代AI发展规划	国家战略	三步走目标	顶层设计	引发各国跟进
2021	算法推荐规定	“大数据杀熟”	算法透明度、用户可选择	全球首个	被多国参考
2022	深度合成规定	深度伪造视频	标识要求、实名制	有效遏制	领先全球
2023	GenAI暂行办法	ChatGPT冲击	备案制、内容安全	快速规范	全球首批
2024	AI安全治理框架	综合治理	分类分级、安全评估	体系化	—
2025	具身智能安全指南	机器人安全	安全标准、测试要求	先行先试	全球首批
2026	Agent治理（议题）	Agent自主行动	责任归属、安全边界	探讨中	前沿议题

表35：中国AI法规时间线

一个有趣的规律：几乎每个法规的出台都和一个"事件"有关——大数据杀熟催生了算法法规、深度伪造催生了深度合成法规、ChatGPT催生了GenAI法规。这说明中国的监管逻辑是"问题导向"——出了问题就解决问题。效率高，但也可能"打地鼠"——一个按下去另一个冒出来。

8.3 EU AI Act 的风险分级

欧盟的AI Act是全球最全面的AI法规，采用"风险分级"方法：

风险等级	定义	举例	要求
不可接受风险	威胁基本权利	社会评分系统、实时生物识别	禁止
高风险	影响安全或权利	医疗AI、招聘AI、自动驾驶	严格监管
有限风险	有一定透明度需求	聊天机器人、深度伪造	标识义务
最低风险	基本无风险	AI游戏、垃圾邮件过滤	无特殊要求

表36：EU AI Act风险分级

欧盟的思路很清晰：风险越高，监管越严。这就像食品安全——你卖个苹果不需要许可证，但你卖个药就得过审批。问题是：AI的"风险"怎么定义？一个写诗的AI和一个诊断癌症的AI，风险等级完全不同。

8.4 WAIC 2026 的治理议题

议题	核心问题	讨论进展	挑战
Agent安全	Agent自主行动的责任归属	框架讨论中	责任链太复杂
深度伪造	AI生成内容的标识	标识标准推进	技术对抗
数据合规	训练数据的版权问题	持续争议	利益平衡
就业影响	AI对劳动力市场的影响	政策建议	预测困难
国际合作	全球AI治理标准统一	对话持续	各国利益不同
开源治理	开源模型的安全责任	早期讨论	责任主体不清

表37：WAIC 2026核心治理议题

---

9. 中国 AI 的崛起之路

9.1 发展阶段

阶段	年份	关键事件	状态	类比
萌芽	2006-2012	深度学习论文引入中国	学习期	“引进来”
起步	2012-2016	CV公司涌现（商汤、旷视）	追赶期	“跟跑”
爆发	2016-2020	AlphaGo后资本涌入	爆发期	“并跑”
内卷	2020-2023	百模大战、千团大战AI版	竞争期	“抢跑”
分化	2023-2025	DeepSeek逆袭、淘汰赛	分化期	“领跑（部分）”
落地	2025-2026	Agent、具身智能量产	兑现期	“交卷”

表38：中国AI发展阶段

从"跟跑"到"领跑"，中国AI用了不到10年。DeepSeek的出现是一个转折点——它证明了中国团队可以用更少的资源训练出世界一流的大模型。这不仅是技术突破，更是信心突破。

9.2 优势与挑战深度分析

维度	优势	具体表现	挑战	具体表现
数据	14亿人产生的海量数据	移动互联网、电商、社交	数据质量	噪声大、标注不规范
应用	丰富的落地场景	电商、金融、制造、医疗	基础创新	核心算法原创性不足
政策	国家战略支持	新一代AI规划、专项资金	监管平衡	可能误伤创新
人才	大量AI工程师	每年数十万CS毕业生	顶尖人才	大部分在海外
市场	14亿人口的巨大市场	移动支付、O2O	内卷	利润薄、竞争激烈
算力	国产替代加速	华为昇腾生态	高端芯片	受出口管制影响
开源	DeepSeek等做出贡献	全球开源社区影响力	生态依赖	仍依赖PyTorch/CUDA

表39：中国AI优势与挑战深度分析

9.3 中国AI的标志性事件

年份	事件	影响	国际反响
2016	AlphaGo击败李世石	全民AI热	中国开始大规模投入
2017	国家AI规划发布	AI成为国家战略	各国跟进制定AI战略
2018	首届WAIC	中国有了世界级AI舞台	国际关注度提升
2019	商汤、旷视等CV公司崛起	中国CV全球领先	"中国AI威胁论"开始
2022	ChatGPT发布	中国大模型热潮	追赶压力
2023	百模大战	100+个大模型	"中国速度"震惊
2025	DeepSeek-V3发布	开源追平闭源	“原来1/10成本也行？”
2026	WAIC 2026	具身智能+Agent元年	中国AI落地领先

表40：中国AI标志性事件

---

10. WAIC 九年：九个台阶

图7：WAIC 2026展览布局 —— 三地四馆，大到需要导航

届次	年份	主题	那年最火的词	参展规模	标志性事件	我的回忆
1st	2018	AI赋能新时代	“AI赋能”	~200家	中国首个世界级AI大会	“大家还在讨论AI会不会抢工作”
2nd	2019	智联世界 无限可能	“5G+AI”	~300家	5G和AI的CP刚刚组上	“自动驾驶要来了！”（并没有）
3rd	2020	智联世界 共同家园	“线上化”	~400家	疫情让AI应用突然加速	“AI测温枪到处都是”
4th	2021	智联世界 众智成城	“元宇宙”	~500家	扎克伯格改名Meta	“大家都在谈元宇宙”（然后没人提了）
5th	2022	智联世界 元生无界	“AIGC”	~600家	DALL-E 2让AI画画火了	“AI画的比我好”（美术生哭了）
6th	2023	智联世界 生成未来	“大模型”	~800家	百模大战元年	“遍地GPT”
7th	2024	以共商促共享	“具身智能”	~900家	首设机器人专区(25台)	“机器人终于能走了”
8th	2025	智能时代 同球共济	“AI Agent”	~1000家	开源爆发	“DeepSeek太猛了”
9th	2026	智能伙伴 共创未来	“Agent+具身”	1100+家	300+台机器人，Agent产品化	“机器人走楼梯了！”

表41：WAIC九年全景回顾

九年九个主题，每一个都精准地踩在了当年AI行业的"鼓点"上。WAIC不只是一个展会，它更像是中国AI产业的"年度总结报告"——看看今年的主题，就知道这个行业走到了哪里。

---

11. AI+行业：WAIC 2026 的落地场景

WAIC 2026不只是技术展示，更是产业落地的"阅兵式"。

11.1 AI+制造

应用	做什么	效果	代表企业
质量检测	AI视觉检测产品缺陷	检出率提升30%	百度、华为
预测性维护	预测设备何时会坏	停机时间减少50%	西门子、阿里
工艺优化	优化生产参数	能耗降低15%	树根互联
供应链优化	需求预测、库存优化	库存成本降低20%	京东、菜鸟

表42：AI+制造落地场景

11.2 AI+医疗

应用	做什么	效果	挑战
辅助诊断	AI看片子、看病理	准确率接近专家	监管审批
药物发现	AI筛选药物分子	研发周期缩短50%	数据隐私
个性化治疗	基于基因的治疗方案	疗效提升	数据标准化
健康管理	AI健康助手	预防为主	用户依从性

表43：AI+医疗落地场景

11.3 AI+金融

应用	做什么	效果	风险
风控	AI识别欺诈交易	欺诈损失降低60%	误判率
智能投顾	AI投资建议	收益率提升	合规风险
客服	AI客服处理80%咨询	成本降低70%	用户体验
合规	AI审查合同/法规	效率提升10倍	准确性

表44：AI+金融落地场景

11.4 AI+教育

应用	做什么	效果	争议
个性化学习	AI根据学生水平调整内容	学习效率提升	依赖性
AI教师	24小时答疑	随时可用	教育本质
作文批改	AI批改中英文作文	效率提升100倍	创造力评估
语言学习	AI对话练习	口语提升显著	文化理解

表45：AI+教育落地场景

11.5 AI+交通

应用	做什么	进展	挑战
自动驾驶L4	无人出租车	限定区域运营	法规、安全
智能交通	AI优化信号灯	拥堵降低20%	系统集成
车路协同	路侧设备+AI	测试中	基建投入
物流优化	AI路径规划	成本降低15%	实时性

表46：AI+交通落地场景

---

12. AI 的数学与技术第一性原理

12.1 AI 的本质

层次	问题	答案	数学表达
1	AI在做什么？	逼近一个函数	f(X) ≈ Y
2	怎么找这个函数？	最小化损失	min Σloss(ŷ, y)
3	怎么最小化？	梯度下降	θ -= η·∇L
4	梯度怎么算？	反向传播	链式法则
5	为什么有效？	万能逼近定理	足够宽的网络能逼近任意函数

表47：AI第一性原理五问

12.2 大模型的核心技术

技术	原理	解决什么问题	谁提出的
Transformer	自注意力机制	并行化、长距离依赖	Vaswani 2017
预训练+微调	先学通用知识再学特定任务	数据效率	Howard 2018
RLHF	用人类偏好训练	对齐人类价值观	Ouyang 2022
MoE	混合专家，按需激活	计算效率	Shazeer 2017
Flash Attention	优化注意力计算	内存和速度	Dao 2022
位置编码	注入位置信息	Transformer无位置感	Vaswani 2017

表48：大模型核心技术

12.3 关键公式速查

前向传播:    y = f(Wx + b)
损失函数:    L = -Σ yᵢ·log(ŷᵢ)          (交叉熵)
梯度下降:    θ_new = θ_old - η·∇L        (参数更新)
注意力:      Attn = softmax(QK^T/√d_k)·V  (自注意力)
缩放定律:    L(N,D) ∝ N^(-0.076) · D^(-0.095)
softmax:     σ(zᵢ) = e^zᵢ / Σe^zⱼ        (归一化)

---

13. AI 安全与伦理：不能回避的问题

13.1 AI 安全风险

风险类型	说明	严重程度	缓解方法	2026状态
幻觉	编造不存在的事实	高	RAG、事实验证	改善中
偏见	训练数据中的偏见被放大	高	数据清洗、公平性约束	改善中
有害输出	生成有害/不适当内容	高	RLHF、安全过滤器	基本可控
提示注入	恶意输入绕过安全限制	中	输入验证、安全训练	攻防中
深度伪造	AI生成虚假视频/音频	高	标识技术、法律	法规推进
就业冲击	AI取代人类工作	中高	再培训、社会保障	讨论中
权力集中	少数公司控制最强大模型	中	开源、监管	开源缓解

表49：AI安全风险全景

13.2 AI 伦理核心问题

问题	争论	我的看法
AI有没有意识？	功能上可能有，生物上没有	目前不重要，重要的是行为
AI应不应该有权利？	现在不应该，未来不确定	先解决人的问题
AI创作的内容版权归谁？	各国法律不同	应该归使用者
AI决策应该可解释吗？	高风险领域必须	黑箱是最大的信任障碍
AI武器应不应该存在？	国际争论激烈	需要国际条约

表50：AI伦理核心问题

13.3 AI 对齐问题

方法	原理	优点	缺点	代表
RLHF	用人类偏好训练	直接对齐人类价值观	人类偏好有偏见	ChatGPT
DPO	直接偏好优化	更简单	效果略逊	LLaMA 2
Constitutional AI	AI自我约束	可扩展	规则设计难	Claude
红队测试	人工攻击测试	发现漏洞	不全面	所有大厂

表51：AI对齐方法

"对齐"是AI安全的核心问题——如何确保AI系统的目标和人类的目标一致？这听起来简单，但实际上极其困难——因为你很难用数学精确定义"人类的目标"是什么。不同人的"目标"可能完全不同，甚至互相矛盾。

---

14. 未来：下一个十年会怎样？

14.1 技术趋势预测

趋势	时间线	确定性	影响	如果错了你来找我
Agent成为标配	2026-2028	很确定	工作方式变革	不会错
具身智能进工厂	2027-2030	较确定	制造业变革	大方向对
端侧AI无处不在	2026-2028	很确定	隐私保护	已经在发生
自动驾驶L4普及	2028-2032	较确定	交通变革	取决于政策
AI+科学研究爆发	2026-2030	较确定	科学发现加速	方向对
AGI到来	2030-2040(?)	不确定	人类文明级变革	没人知道
AI取代大部分工作	渐进式	不确定	社会结构变革	“取代"不如说"改变”
脑机接口实用化	2035+	不确定	人机融合	太远了

表52：AI技术趋势预测

最确定的趋势是Agent——WAIC 2026已经证明它从概念变成了产品。最不确定的是AGI——也许明天就来，也许50年后才来，也许永远不会来（至少不会以我们想象的方式）。

14.2 产业影响预测

行业	AI影响	时间线	影响程度	会被取代的岗位	不会被取代的岗位
软件开发	AI编程助手成为标配	已经开始	革命性	初级程序员	架构师
客服	80%由AI处理	2-3年	高	一线客服	复杂投诉处理
金融	AI风控、量化、客服	已经开始	高	数据录入、基础分析	投资决策
医疗	AI辅助诊断	3-5年	高	影像初筛	手术、沟通
教育	个性化AI教师	2-4年	中高	标准化教学	启发式教育
制造	具身智能+工业AI	3-5年	高	重复性操作	创新设计
法律	AI合同审查	2-3年	中	合同审查	法庭辩护
创意	AI辅助创作	已经开始	中高	素材制作	原创构思

表53：AI对各行业的影响预测

“AI会不会取代我的工作？”——答案是：不会取代你，但会取代不会用AI的你。就像电脑没有取代会计，但不会用电脑的会计被取代了。

14.3 AI 发展的不确定性

乐观派观点	悲观派观点	我的看法
AGI 10年内到来	可能永远到不了	可能在某些领域超人，但不是全面超人
AI创造更多新工作	大规模失业不可避免	历史表明新技术创造的工作比消灭的多
AI解决气候问题	AI本身很耗能	两者都有道理
AI让每个人更平等	AI加剧不平等	取决于治理
AI是人类最好的发明	AI是人类最大的威胁	都太极端了，AI是工具

表54：AI发展的乐观vs悲观

---

15. 总结：WAIC 教会我们的事

从2018年的第一届到2026年的第九届，WAIC教会了我们以下几件事：

教训	说明	证据	类比
技术会迟到但不会缺席	AI从概念到产品花了70年	1956→2022 ChatGPT	竹子前4年只长3cm，第5年每天长30cm
泡沫之后是真增长	每次寒冬后都迎来更大爆发	AI冬天→深度学习革命	泡沫挤掉后真金留下
中国速度不可忽视	从跟跑到并跑甚至领跑	DeepSeek、WAIC规模	10年走完别人30年的路
治理不能落后于技术	需要"边发展边治理"	中国AI法规快速迭代	跑得快的车需要好刹车
开放是最大的力量	开源让AI民主化	LLaMA、DeepSeek开源	知识共享加速创新
落地才是硬道理	Benchmark不代表一切	WAIC从Demo到产品	实践是检验真理的唯一标准
AI是伙伴不是替代	人机协作>人机对抗	"智能伙伴"主题	AI是锤子，不是拿锤子的人

表55：WAIC九年教会我们的七件事

核心公式：AI进步 = 算法创新 × 数据规模 × 算力供给 × 应用落地 × 治理保障

“AI is too important to be left to AI researchers.” —— 某位WAIC嘉宾

但同样重要的是：AI也太重要了，不能只留给政策制定者和商人。WAIC的价值在于，它让研究者、工程师、企业家、政策制定者和普通公众坐到了同一张桌子前。这可能是WAIC对中国AI产业最大的贡献——不仅仅是技术和产品，更是对话和共识。

---

16. 参考文献

[1] WAIC 2026组委会. (2026). “2026世界人工智能大会暨人工智能全球治理高级别会议”. https://worldaic.com.cn.

[2] Vaswani, A., et al. (2017). “Attention Is All You Need”. NeurIPS, 30. arXiv: 1706.03762.

[3] Brown, T. B., et al. (2020). “Language Models are Few-Shot Learners”. NeurIPS, 33. arXiv: 2005.14165.

[4] Touvron, H., et al. (2023). “LLaMA: Open and Efficient Foundation Language Models”. arXiv: 2302.13971.

[5] DeepSeek-AI. (2025). “DeepSeek-V3 Technical Report”. arXiv: 2412.19437.

[6] Ouyang, L., et al. (2022). “Training language models to follow instructions with human feedback”. NeurIPS, 35. arXiv: 2203.02155.

[7] Silver, D., et al. (2017). “Mastering the game of Go without human knowledge”. Nature, 550, 354-359.

[8] Kaplan, J., et al. (2020). “Scaling Laws for Neural Language Models”. arXiv: 2001.08361.

[9] Hoffmann, J., et al. (2022). “Training Compute-Optimal Large Language Models”. arXiv: 2203.15556.

[10] 国务院. (2017). “新一代人工智能发展规划”. 国发〔2017〕35号.

[11] 国家互联网信息办公室等七部门. (2023). “生成式人工智能服务管理暂行办法”.

[12] European Parliament. (2024). “Artificial Intelligence Act”. Regulation (EU) 2024/1689.

[13] Brohan, A., et al. (2023). “RT-2: Vision-Language-Action Models”. arXiv: 2307.15818.

[14] Yao, S., et al. (2023). “ReAct: Synergizing Reasoning and Acting in Language Models”. ICLR. arXiv: 2210.03629.

[15] Wei, J., et al. (2022). “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models”. NeurIPS. arXiv: 2201.11903.

[16] McCarthy, J., et al. (1955). “A Proposal for the Dartmouth Summer Research Project on AI”.

[17] Minsky, M., & Papert, S. (1969). Perceptrons. MIT Press.

[18] 上海市人民政府. (2026). “WAIC 2026大会官方报告”.