WAIC，我们看到这六个趋势

文 | 定焦One（dingjiaoone），作者 | 陈丹，编辑 | 魏佳 这几天，比上海高温更火热的，是2026世界人工智能大会（以下简称“WAIC”）现场。 7月17日大会开幕当天，「定焦One」走访世博、张江、西岸三大展区，并旁听了多场论坛。展馆里，人潮涌动，形状各异的机器人穿梭其间。有的机器人则留在展台上，反复演示分拣、质检和装配。跑步、跳舞和挥手的少了，开始展示如何进入工厂、仓库和家庭。 另一边，手机、眼镜、耳机等终端被赋予了新的角色。它们不仅仅是承载AI功能的硬件，也被视为智能体感知现实、调用服务的入口。 更显眼的，是那些占据大片展位的“大家伙”——十几个计算机柜组成的超节点、整套液冷和集群系统。这些过去隐藏在数据中心里的算力基础设施，也被搬到了聚光灯下。 在“曙光8000”展台前，参观团一批接一批抵达。讲解员举着小旗，带着人群围绕设备移动，媒体则被挤到了外围，焦急等待一个没有人挡住镜头的瞬间。 热闹背后，是一场规模仍在扩张、内容却已经发生变化的行业大会。 图源 / 「定焦One」摄 2026年WAIC的展览面积首次超过10万平方米，1100余家企业带来3000余项展品，超过300款产品计划在此完成全球首发。仅智能计算和具身智能两个赛道，就各自聚集了超过200家企业。 本届大会还联动12个国家部委、10余个国际组织，汇集1400余位中外嘉宾，并设置资本对接专区，引入十余家投资机构和约200位专业投资人。同期举行的，还有人工智能全球治理高级别会议。 自2018年创办至今，WAIC早已不只是一场技术与产品展会。它把科学家、模型公司、芯片厂商、机器人企业、投资机构和政策制定者放进同一个坐标系，也让资源的流向和竞争的重心变得清晰可见。 从2026年的WAIC出发，我们总结出六个值得关注的AI产业趋势。 01.趋势一： 大模型 没有结束竞争，但“最强模型” 未必是 最大赢家 就在WAIC开幕的前一天晚上，月之暗面发布了Kimi K3。 这款模型拥有2.8万亿参数和100万Token上下文窗口，定位于长程编程、知识工作和复杂推理，被一些开发者称为开源社区的“另一个DeepSeek时刻”。它把接近全球前沿水平的能力放进开放生态，也再次缩短了开源与闭源模型之间的距离。 北京中关村学院院长刘铁岩在接受媒体采访时表示，技术的生命力在于开放流动，一批中国开源大模型从“单点亮相”走向“群体突破”。 而当前沿能力可以越来越快地被开源模型追平，单次模型领先所能换取的技术溢价也在收窄。开发者可以在不同模型之间迁移，企业也可以通过多模型调用、私有化部署和议价压低成本。 2026年WAIC的议题设置，已经清楚地反映了这种变化。 在大会近200场会议、论坛和活动中，出现频率最高的三个标签并不是“大模型”，取而代之的是“产业发展”“人才生态”和“算力”。即便讨论模型，问题也从“参数有多大、榜单排第几”，转向模型如何进入真实系统。 基础模型并未退场，只是不再独占舞台中央。大会重点议题覆盖AI Coding、Token经济、世界模型和OPC等方向；发布的新品包括华为Atlas 950超节点、阶跃Agent操作系统、AI智能体手机、机器人和垂直行业的智能体产品。 图源 / 「定焦One」摄 从这些发布可以看出，行业真正争夺的重心已经越过模型本身。模型要与芯片、操作系统、终端、行业数据和业务流程结合，形成一套完整、稳定且可持续运转的产品体系，这才是各家真正比拼的东西。 模型的评价标准也因此发生变化。阶跃星辰首席战略官李璟在大会前表示，当智能体进入真实生产环节，市场对基础模型的要求已经是“智能与效率并重”，除了推理、规划和工具调用能力，还要继续降低推理成本，提高响应速度和部署灵活性。 也就是说，下一阶段的赢家，未必是某一次评测中得分最高的公司，更可能是能够把模型组织进真实产品、稳定系统和商业闭环的企业。模型仍然决定能力上限，但真正决定市场位置的，将是系统效率、产品体验和产业落地能力。 02.趋势二：机器人开始告别“才艺表演”，世界模型争夺下一代数据 过去，机器人展台最吸引眼球的是跑步、跳舞和后空翻；今年，真正聚拢人气的，是一支支“打工天团”。 不少企业把整条生产线搬进了展馆。 本届WAIC聚集了超过200家具身智能企业。展馆里，既有能在四足与两足形态间切换的载人变形机甲，也有演示上下料、线束装配和工业质检的机器人。 家庭场景同样热闹。桌面机器人主打个人陪伴，机械臂尝试理解“收拾客厅”这类长程指令，并将其拆解为多个步骤；智能水吧前，机械手独立完成从萃取到递送的咖啡制作流程。 图源 / 「定焦One」摄 技术演示正在从“秀肌肉”转向真实作业。 但机器人完成一个动作，与在真实现场连续、稳定地把事情做好，中间隔着一条漫长的工程链路。因为，真实环境中，光线变化、物品形变、摆放偏差、人员闯入、任务中断乃至设备老化，都会带来干扰。 机器人不仅要执行标准动作，还要识别异常、重新规划，并在失败时安全退出。以它石智航按1∶1比例搬来的汽车线束装配产线为例，机器人需连续完成取线、布线、插接；复旦大学与上汽智己合作的视触觉系统，则在车灯装配中一边感知受力与形变，一边实时修正轨迹。 机器人一旦进入真实作业，行业很快就会遇到一个比本体成本更加棘手的问题：数据。 没有足够多、足够复杂的物理交互数据，模型就很难获得跨场景泛化能力。启明创投主管合伙人周志峰表示，目前中美头部具身智能公司掌握的高质量物理交互数据，大多只有几十万小时，距离充分验证Scaling Law至少还差一个数量级。 头部企业正在把年度数据目标推向百万小时以上。昂贵的真机遥操作数据只会占其中一部分，更大比例可能来自第一视角视频、人体操作数据和仿真环境。 因此，世界模型在本届WAIC被推到更关键位置。大会专门设置相关议题，讨论如何在虚拟环境中完成建模与推演，再迁移到现实世界。 未来，具身智能公司的差距，可能不再主要体现为机器人能举多重的物体、拥有多少自由度，而在于谁能够更早建立起“真实部署—数据回流—世界模型—再次部署”的闭环。 03.趋势三：国产 算力 不只拼单卡，开始争夺系统效率 在集结了百余家算力芯片及基础设施企业的张江展区，东方算芯在展台上打出了“14nm约等于4nm”的口号。其首款DF1000采用软件定义和3D近存计算架构，在14nm工艺节点下实现 520TFLOPS@BF16的算力。 芯片参数之外，今年WAIC更明确的产业信号是“超节点”。 华为首次公开展示由16个计算柜、1024张昇腾卡组成的Atlas 950 SuperPoD真机，并称单个系统最多可连接8192张NPU。由中科曙光打造的中国首个全国产10万卡AI超集群“曙光8000”也在大会亮相。国产厂商的产品边界，正从单卡延伸至服务器、互联网络、内存系统和集群。 图源 / 「定焦One」摄 这是由大模型负载的变化决定的。 MoE模型和智能体应用越来越依赖跨芯片通信、内存访问和任务调度。一项任务可能需要调用多个专家模型，智能体则需要维持更长时间的上下文、不断调用工具，并保存大量KV缓存。 在这种情况下，单颗芯片的峰值算力已不足以决定系统表现，衡量口径变成了系统每单位时间能够稳定产出多少Token，以及这些Token需要消耗