当大多数人还在为大语言模型的惊艳表现而惊叹时，清华大学在2026年百人会论坛上抛出了一个更具前瞻性的判断：信息智能的时代，大概到2028年接近终局；物理智能的窗口刚刚打开，未来10到15年是最大的机会窗口；再往后，是人与机器深度融合的生物智能时代。这个三阶段论为我们理解AI的演进提供了清晰的历史坐标。
参考：https://oqmyh.cn/category/hufu-jiqiao.html
信息智能的终局：能力跃迁与透明度的同步滑落
斯坦福大学2026年AIIndex报告揭示了信息智能领域一个令人不安的悖论。AI的能力在以从未有过的速度跃升——在Terminal-Bench2.0上，AI代理处理现实任务的成功率从20%跃升至77.3%；在SWE-benchVerified上，代码能力从60%跳到了近100%；在网络安全任务Cybench上，解题率从15%飙到93%。一个更惊人的数据是：Humanity'sLastExam——由全球近千名领域专家共同设计、专门为难倒AI而生的考题集——前沿模型的得分从2025年的8.8%飙升至38.3%。
然而，与能力跃迁同步发生的是透明度的系统性滑落。FoundationModelTransparencyIndex——衡量AI公司披露训练数据、计算资源、能力边界的指标——从去年的58分跌到了40分。报告指出一个耐人寻味的现象：透明度最低的模型，往往是能力最强的那批。大型模型的训练数据、算力规模、已知局限——这些本应随着能力增强而更受关注的信息，正在变得越来越不透明。
公众信任的数字同样令人担忧。全球调查中，只有23%的美国公众认为AI将对工作产生正面影响，而73%的AI专家持有这一看法。这种认知鸿沟意味着什么？当技术精英与普通公众对同一技术的理解出现如此巨大的分裂，社会共识的建立将变得极其困难。
参考：https://qfcrz.cn/category/smart-lighting.html
物理智能的窗口：仿真是破局的关键路径
清华的判断是，物理智能时代以自动驾驶和具身智能机器人为主要落地形态，这个阶段才刚刚开始。但信息智能与物理智能之间存在一个根本性的差异：前者是“坐在副驾驶”的Copilot，后者是“坐到驾驶位”的Driver。
从智驾到机器人的难度跃迁，被清华用一组数据清晰地刻画了出来：自动驾驶大约需要1亿片段的数据可以达到入门级，而机器人可能需要10亿甚至百亿量级；智驾用1B到10B的参数基本够用，机器人100B才算入门；训练难度上，机器人有5到10倍于自动驾驶的提升。原因是显而易见的——汽车行驶在结构化道路上，交互对象有限；机器人要应对任意场景，目之所及的所有东西都可能是交互对象。
数据不足是物理智能面临的首要挑战。清华提出的解法是：通过仿真生成数据。仿真的演进已经历三代——第一代是基于物理引擎的仿真平台，模拟激光雷达、摄像头等传感器；第二代是基于3D高斯重建的场景重建技术，大幅提升了传感器仿真的真实感；第三代就是世界模型——可生成式场景，能够覆盖长尾场景，直接为端到端模型生产训练数据。
强化学习是另一条破局路径。清华的判断很直接：DeepSeek的出现给了一个启发——更高效的算法可以打败靠数据规模和算力堆砌的路径。通过强化学习而非模仿学习来解决性能上限，通过高效算法设计摆脱算力依赖，这是中国在算力受限条件下的务实选择。
参考：https://wkmsa.cn/category/sleep-science.html
清华交出的成绩单也颇具说服力：国内第一个端到端自动驾驶模型由清华完成，全神经网络化，覆盖感知、预测、决策、规划、定位和控制全链路，并于2023年完成实车验证。GOPS强化学习平台从2021年开始持续开发，集成了一系列自研高效算法——DACC、RAD优化器、Lipschitz神经网络、安全强化学习RAX等，核心目标都是在算力有限的条件下提升训练性能。
物理智能的产业化实践：从实验室到真实场景
“89%的机器人活在实验室里”——这是斯坦福报告给出的一个尖锐判断。在软件模拟环境中，机器人操作成功率达89.4%，但在真实家庭任务中仅有12.4%。一个是干净的实验室，一个是不受控的真实世界，后者的复杂性远超前者。
但物理智能的产业化已经在加速。2026全国企业“人工智能+”行动创新案例TOP100的榜单揭示了这一趋势：银河通用的工业重载机器人GalbotS1在宁德时代电池工厂实现了无人化作业革新；网易灵动的具身智能大模型智能装载机在上海建工建材科技集团落地；湖南视比特机器人的AI赋能在船舶制造利材车间实现了智能化升级。这些案例表明，物理智能正在从实验室走向工厂车间。
参考：https://aescc.cn/category/living-room.html
机器人领域的另一个重要趋势是数据共享。加州大学伯克利分校发布的OpenX-Embodiment数据集，汇集了34个研究机构的超过100万次机器人操作轨迹。这种数据共享对于破解机器人领域的数据稀缺问题至关重要。当整个行业的数据被整合，单个机器人可以学习到远超自身经验的技能组合。
生物智能的未来：15年之后的技术地平线
清华将AI发展的第三阶段定义为生物智能——量子计算、人造生命、人机深度融合。这个阶段大约在15到20年甚至更长远才会到来。如果说物理智能是AI获得“身体”，那么生物智能就是AI与生命科学的深度融合。
在这一前沿领域，AIforScience已经在基础学科产出颠覆性成果。通过强化算法、算力、数据三大核心要素协同创新，中国在蛋白质结构预测、量子模拟、材料基因组等前沿领域正在构建智能科研工具链。这种“从0到1”的突破，正在改变基础研究的范式。
历史坐标的意义
站在2026年回望，AI发展的三阶段论不仅是一个技术判断，更是一个战略指引。信息智能的窗口正在收窄，物理智能的窗口刚刚打开。对于企业而言，这意味着竞争焦点的转移——从“谁的模型更强”转向“谁能解决真实世界的物理问题”。
从实验室到产业落地，从信息处理到物理交互，从工具到行动者——这是一场比信息革命更深刻的变革。物理智能的15年窗口，正在等待那些既懂技术、又懂行业、更有耐心的实践者。
参考：https://aescc.cn
