InfoQ 2026 年趋势报告：AI、ML与数据工程

InfoQ 人工智能与机器学习年度趋势报告为 InfoQ 读者提供 AI、ML 和数据工程领域新兴趋势和技术的全面概述。本报告总结了 InfoQ 编辑团队与外部嘉宾的播客内容，讨论 2026 年 AI 和 ML 技术的趋势以及未来十二个月值得关注的方向。我们的 配套播客 "对所有这些趋势进行了深入讨论。 人工智能与机器学习技术采用曲线图 年度趋势报告的重要组成部分是曲线图，它展示了进入创新者阶段的趋势、技术和主题，以及进入早期采用者和早期大众阶段的趋势。这些阶段的划分参考了 Geoffrey Moore 的著作 《跨越鸿沟》 "。InfoQ 的主要关注点集中在尚未跨越鸿沟的技术。以下是今年的曲线图： 自 ChatGPT 于 2022 年 11 月发布到现在已经快四年了。RAG 技术开始获得企业采用，自主 LLM 智能体出现也已经有两三年了。过去几年的爆炸式增长在 2026 年得以持续，自 InfoQ 团队讨论 2025 年的趋势报告 "（见下面的 2025 年曲线图）以来，AI 技术得到了显著的创新和发展。 有关 2025 年 AI/ML 技术趋势的详细信息，还请查看去年的趋势报告 文章 "。 今年的趋势报告建立在我们去年讨论的基础上，重点解读技术采用曲线图，展示了技术采用的不同阶段，并提供了自去年趋势报告发布以来新增或更新的技术的更多细节。我们还讨论了哪些技术和趋势在采用图中得到了提升。对于今年更新的采用曲线图，团队还添加了一些我们在播客中没有讨论的主题。 可以看到，我们还对范围重叠的主题做了重大重组，移除了一些不再需要跟踪的技术，因为它们已经成为主流。 以下是自去年报告发布以来的部分变动要点。 创新者阶段 采用曲线图的第一阶段——创新者阶段，今年新增了多个值得关注的方向，详细介绍如下。 智能体间通信协议 随着智能体式 AI 系统日趋复杂，往往包含多个智能体、跨多个业务域，单个智能体之间、多智能体系统之间的通信是保障这些系统稳定、安全、准确、可靠运行的关键。 趋势报告播客嘉宾 Daniel Dominguez 谈到了智能体通信协议及其在整体智能体式 AI 解决方案中的重要性。 Daniel Dominguez：底层正在发生一场架构变革。要让智能体在企业内部发挥作用，它们需要调用工具、读取数据、访问 API，并与其他智能体对话。MCP 或 A2A 这类协议将变得越来越不同。我认为问题是智能体间协议是否会成为新的企业集成层。例如，现在我们将应用程序连接到 API，未来可能会增加智能体发现能力，基于这些 API 实现任务协同。我认为所有这些架构层也在改变智能体相互交互的方式。 推理引擎（vLLM、SGLang、llm-d） AI 推理是另一个高速发展、变革巨大的领域。2026 年被称为推理之年。企业正在从训练模型转向在生产环境中运行 AI 推理。到今年年底，推理预计将占 AI 计算支出的三分之二左右。推理模型、长上下文和智能体让推理不再只是模型执行问题，而是覆盖算力、内存、网络、路由、成本的系统性工程。 Hien Luu 详细讨论了这一趋势，以及他在推理框架方面看到的情况。 Hien Luu：自 2026 年初以来，与推理相关的话题出现了爆炸式增长。一方面， vLLM "、 SGLang " 等推理堆技术栈让我们可以在自有环境中快速搭建推理服务。另一方面，开放权重模型变得越来越强大。这个领域最初没有多少人了解它们的工作原理以及如何运维，但现在有更多关于如何使用和优化这些软件的信息和资源。与此同时，我们谈到的部分应用场景面向金融企业，这类场景中会涉及个人身份信息（PII）。针对这类特定业务场景，在企业内部部署开源权重模型变得非常重要。我认为这一趋势还会持续发展，因为门槛大幅降低、落地变得更容易，未来企业会更多地采用这种方式。有些企业出于降本需求，会在内署部署开源权重模型用于编码。出于许多原因，推理依旧是一个非常有用、影响力巨大的话题，越来越多的企业将开始这样做。 Harness 工程 一个相对较新的领域从今年开始受到很多关注，那就是 Harness工程。Hien 谈到了它的重要性，以及它如何为记忆管理和协同执行等工程能力提供支撑。 Hien Luu：关于智能体，我想补充两点。一个是 Harness 工程，我认为它是上下文工程的延伸。有一个现象我觉得很有意思，也和我即将开展的研讨会主题相关，这些智能体 SDK 最初只是帮助我们编写任务循环逻辑，现在已经扩展到提供 Harness 工程能力，包括上下文记忆管理、协同执行，以及一些用于本地文件系统的现成工具。这是你可以看到的另一个趋势，来自 LangChain、Anthropic 或 OpenAI 的智能体 SDK 都在朝着在 Harness 工程中添加更多能力的方向发展。对于构建智能体的人来说，这是值得关注和利用的。智能体管理领域还存在另一大趋势，这些公司为你提供托管智能体的运行时环境。你是否想这样做是另一个问题，但这是行业观察到的现状。“我们有能力搭建智能体，也能把它做好，但接下来该如何规模化运维、部署运行？” 规范驱动开发和 AI 软件工厂 随着 AI 技术在软件开发过程中贡献大部分代码，开发者开始更多地关注需求和规范，充分利用自动化能力完成应用设计、编码工作。 这一技术转变催生了规范驱动开发和 AI 软件工厂等趋势。企业组建专门团队搭建软件工厂模式，开发团队可以使用 AI 工具来自动化完整的软件开发过程。这个模式包含特定的 SDLC 步骤，如自动编译和分析现有软件应用程序的业务和需求、评审新的业务需求或系统增强、为这些新需求编写功能和非功能（技术）规范、生成设计和开发任务来实现新需求，最后自动生成新版本软件的代码与交付产物。 嘉宾 Hien Luu 分享了他对规范驱动开发的见解。 Hien Luu：这可能是从四五年前开始的。编码智能体现在变得非常强大。但在开发项目时，你通常会先明确目标、功能，做好规划，而不是直接丢给编码智能体开始写代码。它借鉴了我们早已熟知的最佳实践，只不过现在将其编纂成编码智能体可以遵循的形式。例如，如果从零启动一个全新项目，你要先编写需求规范：这个项目是做什么的？需要具备哪些能力？然后你与编码智能体进行头脑风暴，在它开始编码之前为它提供所需的上下文。人们为此有了很多好的实践。我认为大多数人都认可这是一种好的实践。现在相关讨论反而变少了，因为人们已经在实践它了。而 AI 工厂是另一个可能在过去几个月才真正出现的趋势，即如何将 AI 融入软件开发生命周期的各个步骤。一个典型的场景：“有人提了一个缺陷。你如何让 AI 从头到尾处理这个问题，拉取 PR、进行分析、尝试重现问题、修复、提交 PR，然后走完评审、测试等后续流程？”我们所有人都有太多事情要做、太多任务要完成。我认为如果我们能够自动化这个过程，那将从另一层面提速软件开发生命周期。 物理 AI / 具身 AI 另一个创新持续涌现的领域是物理 AI，也就是把智能带到现实物理世界当中。AI 智能体是一个软件系统，我们如何将同样的能力带入硬件，无论是机器人、协作机器人还是自动驾驶汽车。 Daniel Dominguez 谈到了物理 AI 领域正在发生的事情以及我们应该关注的方向