资讯板块落地页

<blockquote> 神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。 </blockquote> 编者按：生成式AI的热度逐渐褪去，2026年人工智能与数据科学领域将从“实验探索”迈入“实干落地”的关键阶段。本文基于全球高管调研与行业观察，梳理出五大核心趋势。这些趋势将推动AI与业务深度融合。唯有紧跟趋势、夯实基础、严控风险，企业才能在市场竞争中构建优势。文章来自翻译。 生成式人工智能在 2023 年和 2024 年引发了巨大的轰动，但到了 2026 年，这种轰动效应预计将逐渐平息。企业将从“实验和探索”阶段转向“部署和扩展”阶段。虽然生成式 AI 仍将是创新的重要驱动力，但焦点将转向如何将其整合到工作流程中，衡量其投资回报率（ROI），并解决随之而来的治理和风险问题。与此同时，传统的数据科学和分析将继续发挥关键作用，与 AI 共同推动业务价值。 基于对全球高管的调研和行业观察，我们确定了 2026 年人工智能和数据科学领域的五大关键趋势。 <h2>趋势一：从“试点地狱”走向规模化生产</h2> 过去两年，许多企业陷入了“试点地狱”（Pilot Purgatory），开展了无数个小规模的 AI 概念验证（PoC），却没能将其转化为具有实际业务影响的大规模应用。2026 年，这一局面将发生根本性转变。 生产化部署成为核心诉求，企业不再满足于聊天机器人或简单的内容生成工具。重点将转向把 AI 模型深度集成到核心业务流程，比如供应链优化、个性化营销、自动化客户服务和复杂决策支持。以快消巨头联合利华为例，其已计划在 2026 年将 AI 模型全面嵌入全球供应链体系，通过实时分析原材料价格、物流时效和市场需求数据，自动调整生产计划和库存分配，替代以往人工决策的滞后性，这一部署预计能将供应链成本降低 15% 以上。 MLOps 走向成熟并成为企业标配。企业将建立完善的管道，用于模型的持续监控、重新训练、版本控制和自动化部署，确保 AI 系统在动态环境中的稳定性和可靠性。国内互联网大厂字节跳动已搭建起专属 MLOps 平台，针对旗下推荐算法模型实现每小时自动监控、每周迭代训练，一旦模型准确率下降超过 5% 便自动触发重新部署，这一模式让其推荐系统的用户留存率提升了 8%，也将成为 2026 年各行业的主流实践。 ROI 衡量成为硬性要求。随着投资的增加，董事会和高层管理者将要求明确的财务回报。企业将开发更精细的指标，不仅衡量技术性能比如准确率，更会聚焦业务成果比如收入增长、成本节约、客户满意度提升。零售企业沃尔玛就已制定 2026 年 AI 投资回报核算体系，将 AI 个性化推荐带来的客单价提升、AI 库存管理减少的损耗等，均纳入 ROI 统计范围，倒逼 AI 部署从“盲目实验”转向“价值导向”。 <h2>趋势二：代理式 AI的崛起</h2> 如果说 2023-2024 年是生成式 AI 的“对话”时代，那么 2026 年将是“行动”时代。代理式 AI（Agentic AI）将成为新的前沿。 自主执行任务成为代理式 AI 的核心优势。传统的 AI 模型通常是被动的，需要人类输入提示才能响应。代理式 AI 系统则具备自主性，能够感知环境、设定目标、规划步骤并执行复杂的任务序列，无需人类持续干预。比如某大型制造企业部署的采购代理 AI，可自动扫描生产车间的库存数据，识别零部件短缺情况，主动在合作供应商数据库中筛选报价最优、交货最快的合作伙伴，通过自然语言交互完成价格谈判，最终自动生成采购订单并同步至财务系统，整个流程无需采购人员介入，将采购效率提升 60% 以上。 多代理协作场景全面落地。我们将看到多个专用 AI 代理协同工作的场景。在软件开发领域，这种模式已开始试点：某科技公司搭建的 AI 开发团队中，一个代理负责根据需求文档编写代码，另一个代理实时对代码进行漏洞检测和调试，第三个代理则根据代码逻辑自动生成产品文档，三个代理通过内部接口实时同步进度、解决分歧，原本需要 3 名工程师一周完成的开发任务，现在仅需 1 天即可完成，且错误率下降 40%。 人机协作形成新范式。人类的角色将从“操作者”转变为“监督者”和“指导者”。人类负责设定战略目标、定义约束条件和处理异常情况，AI 代理则负责执行具体的战术任务。比如在金融风控领域，风控人员只需设定风险阈值、明确合规要求，代理式 AI 就能自动扫描用户交易数据、识别可疑交易、生成风控报告，仅在出现超出设定阈值的异常情况时，才会向人类风控人员发出提醒，让风控人员从繁琐的日常筛查中解放出来，专注于复杂风险事件的处置。 <h2>趋势三：数据基础的重塑与“小数据”的复兴</h2> 生成式 AI 的成功高度依赖于海量数据，但这并不意味着“大数据”是唯一的答案。2026 年，我们将看到对数据策略的重新思考。 数据质量优先于数量成为行业共识。企业逐渐意识到，低质量的数据只会产生低质量的 AI 输出。投资将大幅转向数据清洗、数据治理和数据血缘追踪，确保用于训练和推理的数据准确、一致且最新。医疗企业辉瑞在 2026 年的 AI 研发计划中，将 40% 的数据相关预算投入到数据质量优化中，通过搭建自动化数据清洗工具，剔除临床实验数据中的异常值和重复数据，让 AI 药物研发模型的预测准确率提升了 25%，大幅缩短了新药研发周期。 小数据与合成数据成为细分领域突破口。在医疗、制造业等许多垂直领域，获取大量标注数据既昂贵又困难。因此，利用“小数据”技术比如少样本学习、迁移学习和生成高质量的“合成数据”来训练模型将成为主流。合成数据可以在保护隐私的同时，填补真实数据的空白。比如某自动驾驶企业，通过合成不同天气、路况、交通场景的虚拟数据，补充真实道路测试

曹操墓前，为何全是布洛芬？

清明到来，“给古人上坟”迎来“旺季中的旺季”。为曹操送上布洛芬，为曹丕捎上一节甘蔗，为李煜带去佳酿……这届年轻人正带上走心的书信与文创衍生品，通过脑洞大开的“投喂”方式重新走进古人长眠之地。 <h2>“曹丞相放心，布洛芬管够” </h2> 3月初，河南安阳下起了雪。来自北京的大学生小风（化名）第一次踏入了曹操高陵遗址博物馆。她是专程来为曹操扫墓的。 小风喜欢曹操，她告诉中新经纬：“了解曹操一生的经历后，你会发现他是一个非常有魅力的人，不仅在政治、军事、文学领域颇有造诣，思想观念也远远超越那个时代。” 来之前，小风读过考古纪实类图书《此处葬曹操》。通过书本，她对曹操高陵遗址博物馆的整体结构已有了解。她知道，到达博物馆主建筑之前要经过一座大广场，再穿过长长的栈道，墓道入口就位于玻璃墙后。 不过，在参观前她还有一件事要做。走到广场尽头，她看到了博物馆最热门的打卡地之一——供品柜，然后郑重地将一个牙医打扮的玩偶熊放了上去，这在众多布洛芬药盒中格外显眼。 “根据历史记载，曹操经常犯头痛病，现代推测很有可能是严重的牙髓炎导致的。大家之前已经给他送来了各种各样的止痛药、牙刷、牙膏，但我认为还是要治本才行，所以我选了一个牙医娃娃，非常可爱，我觉得他会喜欢的。”小风说。 <img data-img-size-val="" src="https://img.36krcdn.com/hsossms/20260405/v2_9b2ba200aca1486e90beea50af07881d@000000_oswg253667oswg1080oswg1790_img_000?x-oss-process=image/format,jpg/interlace,1" referrerpolicy="no-referrer"> 社交媒体截图 如今，给古人扫墓不仅是属于年轻人独特的怀古方式，更被他们结合人物经历玩出了新花样。 曹操高陵遗址博物馆2023年4月开馆之际，一位来自广州的三国迷在此放下了一盒布洛芬，从此大量游客开始给曹丞相“投喂”布洛芬。据小风描述，博物馆的供品柜所有游客身高能够着的隔间里，都被一盒盒布洛芬塞满了。 年轻人的创意可不止于此。有说法称曹操身高不到1.6米，于是有人贴心送上了增高垫；有游客觉得零食小鸡炒面好吃，于是也给曹操留下了一包表示分享；还有游客放上了武侯祠的照片和其他三国名将的卡片，帮助他们“亲切会面”…… <h2>为何“爱上”给古人上坟？ </h2> 距离安阳车程约三个半小时的洛阳，由于古墓众多且多集中于当地北邙山，吸引了大量游客前来扫墓。有网友戏称：“洛阳亲友如相问，就说主包（主播）在上坟。”近年来，当地还催生出了一种细分职业“上坟导游”，王勉（化名）便是其中之一。 <img data-img-size-val="" src="https://img.36krcdn.com/hsossms/20260405/v2_b64c25b2d9f84f3aa550192d97d6bd83@000000_oswg182627oswg1080oswg801_img_000?x-oss-process=image/format,jpg/interlace,1" referrerpolicy="no-referrer"> 受访者供图 王勉本就喜爱历史，平时从事导游工作的他对讲解和路线编排信手拈来，于是从去年6月起，他开始带着游客“上坟”。王勉通常每天接待一批游客，一天内要上十几座坟，总行程共需要6至8小时。截至目前，他已接待了超过100批游客，绝大部分都是年轻女性，还有一部分陪着孩子来的亲子家庭。 “洛阳上坟有‘五大顶流’，北魏孝文帝元弘、南唐后主李煜、汉光武帝刘秀、诗圣杜甫和‘曹丕快乐亭’首阳山怀古亭。”王勉告诉中新经纬，“上坟旺季一般是跟着假期走的，清明节是旺季中的旺季。3月初，我清明假期就已经被订满了，现在仍然不停有人来咨询。” 据王勉观察，游客们带来的供品五花八门，什么都有，送花属于常规，“非常规的可就多了”。 有史料记载，曹丕喜爱甘蔗，曾拿甘蔗当剑与人对决，于是游客千里迢迢为他送来甘蔗。又因曹丕爱吃葡萄，于是“曹丕快乐亭”里各类葡萄味零食时常堆成小山。李煜爱酒，于是游客在他墓前送上各类佳酿，从江小白到茅台，从本地的杜康酒到啤酒等不一而足。还有许多从南京赶来的游客，专门为李煜带来一抔故土。 “还有很多人会送上自己亲笔写的信，或者二次创作的衍生品，比如漫画、明信片，从汴梁到金陵的车票等等。”王勉说。 “大家来这里，寻找的是一种落地感、真实感。区别于在诗集、课本中读到的虚无缥缈的内容，亲眼看到他们的坟墓，与喜爱的先人真正踩在同一片土地上，共享同样的空间，将自己心情倾诉给他们，与遇见的同好分享交流，会有一种非常幸福的感觉，是一种心灵寄托。”王勉说。 <img data-img-size-val="" src="https://img.36krcdn.com/hsossms/20260405/v2_4a3f7571f5134ee18764aa8bdf0c892a@000000_oswg158646oswg1080oswg1432_img_000?x-oss-process=image/format,j

普通人怎么读懂Token经济学？

技术在发展，衡量这个世界的单位也在扩展。 互联网时代，电脑只认Byte（字节），这是打开新世界的新单位。所以张一鸣在为自己创办的商业组织筹划名字时，选了ByteDance，即字节跳动。 AI时代，Byte依然存在，但是这个新世界的基础单位被另一个名词所代表，Token。过去一个月，因为「养龙虾」的热潮，不管你熟不熟悉，了不了解这个单词的含义，都在各种场合以各种形式被Token环绕甚至轰炸。 于是3月末，官方用「词元」赋予了Token在中文世界的含义。 不论监管、企业还是大众，AI盛行之后，Token无处不在，甚至开始跟我们的日常生活、工作密切相关。 这种压迫感的部分原因来自于黄仁勋的预言：Token是新的大宗商品，成熟之后将像电力、自来水一样，成为分层定价的基础商品。而输入电力和数据，输出Token，也就是新时代的「数字石油」。 没有人敢深究或怀疑这种类比是否准确，大家都或主动或被动地积极投身其中。Token经济学的热度，以火箭的速度快速升温。 不论是普通人还是那些企业家，大家都怀抱两种不同程度但相近的心态：唯恐被AI抛弃的恐惧；抢占先机获利的贪婪。 <h2>Token在变成一种货币单位</h2> 程序员是最先感受到这波Token经济学冲击的群体。 因为可以高效、快速地处理非常长的context（上下文），AICoding是Agent最先落地的场景。 互联网公司开始向AI要生产效率，其中一个关键衡量指标就是Token消耗量。 昆仑万维在今年2月25日当天发布一封内部信，明确阐述了两个意思： 统一为所有技术研发序列的员工开通OpenAI Codex 或Claude Code 账号，公司将为每个账户提供每月100美金的额度支持。即日起，研发线员工强制使用上述AI工具，将开发效率提高至少50%。 假如有人在今年6月底公司半年度绩效考核中，有人达不到AI Coding模式的要求，进行末尾淘汰，淘汰比例在5-20%。 这些严厉的措辞，好像给每位程序员耳边拧上了闹钟倒计时。段子手们已经开始发挥：「被毕业的同事并没有消失，不过是被蒸馏成了Token继续陪伴你。」 也许对一些快速适应时代变化的打工人来说，可能这是他们与公司博弈的新筹码。 黄仁勋在今年GTC大会预测，未来每个工程师入职时都会拿到一份年度Token预算，基本工资之外再加一半用于购买Token，让个人生产力放大10倍。 「从现在起，全世界的每一位CEO都会将业务视作Token工厂并将其直接与收入挂钩。」他甚至断言，「你的offer带多少Token」会成为硅谷新的谈判筹码。 所以这会直接影响公司对人才结构和能力的判断标准： 58同城董事长姚劲波在接受《中国企业家》采访时说，虽然公司还保留了过去的考核体系，但在提拔干部、调整组织结构时，最看重的就是AI能力：「如果我判断一个人不了解AI、没有未来视野，绝对不会把他放到管理岗位。而Token消耗量、客户流程优化效果都是AI考核体系中重要的量化指标。」 3月25日，月之暗面创始人杨植麟在公开演讲时也提到：今年、明年乃至未来几年内，人工智能的研究与研发方式将发生重大变化，越来越多的研究工作将由AI主导。未来每个研究员将配备海量的Token，由AI自动合成新任务、构建新环境、定义最优奖励函数，甚至自主探索全新网络架构。 对Token的重视，让公司最高管理者对企业组织结构形态，产生新的思考： 3月16日，阿里巴巴成立Alibaba Token Hub（ATH）事业群，这是以「创造Token、输送Token、应用Token」为核心目标的新组织，由阿里集团CEO吴泳铭直接负责。 AI语境下，互联网公司内部小范围的组织架构调整、人员变动是常态。阿里ATH可能是在集团层面第一次大动干戈。以Token Hub为核心主线，强化AI业务战略协同，这不会是阿里的专属，而是互联网公司集体所向。 以及不久的将来，企业会重新定义研发和运营成本的含义： 阿里集团2025自然年年度财报电话会议上，CEO吴泳铭就说过：现在许多企业在消耗Token时，不再将Token消耗视为其IT预算的一部分。相反，他们将Token视为其整体运营或研发成本的一部分。Token是企业生产投入的关键组成部分。 姚劲波给内部传达的意思间接佐证了吴泳铭的判断：Token用得越多越好，哪怕压力大，58同城也会不计成本。 <h2>Token消费的需求决定价格</h2> 3月23日，国家数据局局长刘烈宏第一次在公开场合将Token称为「词元」时，他就曾解释，这不仅是智能时代的价值锚点，更是连接技术供给与商业需求的「结算单位」。 一锤定音。 如果从经济学的角度讲，需求是一切的根本。需求决定价格，需求决定供给。放在Token经济学范畴，这个定律依然适合。 有人在朋友圈分享，他们一家人一周Token消耗量已经达到5亿。 昆仑万维每月消耗Token数大概在10000亿到12000亿之间。58同城全公司每天消耗接近2000亿Token。 字节旗下的火山引擎是最早强调Token消耗量的。今天他们刚刚公布了最新数字：截至今年三月，豆包大模型日均Token使用量突破120万亿，过去三个月内增长了一倍。而去年12月，使用火山引擎Token消耗量突破万亿的企业数量就已经超100家。 从个人到企业，再到产业，Token消耗

卡帕西解锁大模型新玩法，构建个人知识库，“大部分Token已经不跑代码了”

Karpathy大模型新玩法热乎出炉！ 这次是新瓶装老酒——用AI搭建个人知识库。 怎么说呢？能让卡神亲自出手，就注定这个知识库还真和咱想象的不一样。 比如过去最烦的一点——一旦你懒得更新，知识库就废了，在卡神这里却变成了一个“懂得自己更新、还能越用越聪明”的小可爱。 <img data-img-size-val="219,217" src="https://img.36krcdn.com/hsossms/20260403/v2_7a675578965040b5ac92437506c844f2@5888275_oswg67135oswg219oswg217_img_000?x-oss-process=image/format,jpg/interlace,1" referrerpolicy="no-referrer"> 而且还不止于此。 连卡神自己都绷不住，直言现在大部分Token都不是用来写代码，而是拿来跑知识库了。 <img data-img-size-val="1080,667" src="https://img.36krcdn.com/hsossms/20260403/v2_044ee10e04fb4b5c9ee4ae8ee217bb86@5888275_oswg312699oswg1080oswg667_img_000?x-oss-process=image/format,jpg/interlace,1" referrerpolicy="no-referrer"> 所以问题来了，卡神的知识库到底有啥不一样？ 别急，看完他随手附赠的搭建教程你就明白了。 <h2>卡帕西教你这样搭个人知识库</h2> 开始之前不得不感慨一句——卡帕西的《个人知识库搭建教程》来得刚刚好。 这两天正愁怎么把四处分散且越积越多的资料，真正沉淀下来。 很多时候都是看完就忘、一找就废——收藏的文章躺在文件夹里吃灰，读过的论文回头就想不起结论，上次踩过的坑下次照样再踩一遍。信息越多，脑子越乱，真正要用的时候，反而什么都翻不到。 说白了，我需要的就是一个能替我记住、替我整理、还能随叫随到的东西。 而卡帕西这次给的，恰恰就是这个。 <img data-img-size-val="1080,625" src="https://img.36krcdn.com/hsossms/20260403/v2_46022ed2fd4540af9a8c22df770c3354@5888275_oswg202890oswg1080oswg625_img_000?x-oss-process=image/format,jpg/interlace,1" referrerpolicy="no-referrer"> 第一步：导入数据。 虽然用上AI了，但知识库最最基础的准备工作还是免不了——仍需要手动导入原始资料。 不过卡帕西也说了，这项工作只是早期有点累，等后面AI熟悉你的工作风格了，导入的方式也会更简单。 比如你俩熟了后，只需说一句“把这个新文档存到我们的维基里”，甚至直接给个路径，AI就能自动归类、自动打标签、自动关联到相关内容。 <img data-img-size-val="1080,461" src="https://img.36krcdn.com/hsossms/20260403/v2_7f87ecb134fc45c083ced04eb2f9a39c@5888275_oswg236858oswg1080oswg461_img_000?x-oss-process=image/format,jpg/interlace,1" referrerpolicy="no-referrer"> 具体来说，这一步需要你把所有资料打包进一个文件夹（raw/）——过程中无需人工整理。 然后让大模型帮忙干一件事： 把raw/里乱七八糟的资料，编译成一个井井有条的维基百科。 这个维基百科本质上就是一堆Markdown文件，但内容已经完全不一样了，里面包含： 摘要：每篇文章/论文/代码，模型先读一遍，然后写个简短的摘要； 反向链接：不同内容之间会自动建立反向链接； 概念分类：模型会判断“这篇文章讲的是Transformer”，然后把它归到“深度学习/注意力机制”这个分类下； 新文章：模型甚至会根据已有资料撰写出新的内容。 最终，所有资料汇集在一起，会形成一个互相引用的知识网络（就是你印象当中的那个维基）。 <img data-img-size-val="1080,530" src="https://img.36krcdn.com/hsossms/20260403/v2_bfdd2eaf96a34ce1838037d724c89677@5888275_oswg369854oswg1