AI想要什么 | 看DAO2026

這是我們第五次發布年度科技展望，從《看DAO2022》至今；也是我們第三年發布對AI的年度展望。2025年正在過去，我們的主題是《飛輪與內卷》。2026年，我們聚焦AI，已經被鎖定在一場星球級的工業革命當中，一場為贏而贏的競賽。

公眾號簡版正文如下：

目錄： AI想要什么 2026，對AI的10個展望 全球競速 | 自動駕駛 生產力即產品 | 具身智能 個人通用智能體 | 智能終端 創新藥下半場 | 生物醫藥 算力多極世界 | AI芯片 破墻超期周期 | 存儲半導體 創造太陽 | 可控核聚變 晶體管時刻 | 量子計算

AI想要什么

2026年，將是一個AI延遲滿足之年。它從在實驗室追求評測自己設定的性能，到連接起物質世界固有的節奏。

這個物質世界與數字世界的節奏轉換，可以從上個世紀中葉講起，伴隨著二戰的終結和冷戰的開啟，世界從大規模制造、電氣和能源革命，進入信息革命。計算機的設計者約翰·馮·諾伊曼認為，技術發展的方向，正在經歷一次重大變革：“短期內以及更遙遠的未來，科技將逐漸從強度、材質和能量問題轉向結構、組織、信息和控制問題。”

這句話來自他在1948年為維納的《控制論》撰寫的一篇書評，用來概括其中的一個重要思想，以及同時代的香農、圖靈、布什等許多人的前沿研究所指向的未來趨勢。馮·諾伊曼認為，化石能源技術已經成熟，加上原子能的大規模利用，人類將會進入一個免費能源的時代。這聽起來，像是工業革命以來人類從自然界大規模開采和爭奪物質的一次歷史的終結。

信息技術的確通向一個非物質化的世界。工業化國家以摩爾定律的節奏進入后工業化經濟、信息社會和數字文明。無形經濟超過了有形經濟，服務業超過了制造業，臟活苦活從歐美外包到亞洲，弄PPT的超過了熟練技工，寫代碼的超過了擰螺絲的。人類似乎正在遠離物理世界，面對電腦屏幕或者更令人愉悅的界面，進入一個數字的和非物質的世界。而且這個世界至今運行在馮.諾依曼架構的計算機上。

但AI正在帶回物質世界的法則。人們最近常談的是杰文斯悖論。這是一個誕生于蒸汽機時代，關于煤炭需求的理論，如果人類使用煤炭的效率越高，它的應用就越廣，進而對它的需求就越大。這其實是一種能源飛輪的理論，對煤炭、石油、電力都成立。

今天，算力陷入了同樣的“悖論”。GPU性能的提升，大模型算法的改進，讓算力成本以每年一個數量級的速度下降，但是依然無法滿足對算力的需求。因為人們正在使用AI進行越來越復雜的運算，從簡單的文本到視頻生成，從快速的問答到慢思考的分析，從單智能體到多智能體之間的協同，直到編程、解奧數題、連續數小時工作，消耗的token數量爆發，才剛剛開始。從目前來看，AGI對于token的需求幾乎是無限的——因為AI終將面對物理世界。

算力從電力轉化而來。數據中心就是AI工廠，用黃仁勛的話說，智能將會成為一種商品，未來人類最不缺的，就是智商和聰明。所有這一切，都建立在前所未有的能源和物質消耗的基礎之上。AI正在把文明帶回物質的世界。

在馮·諾伊曼架構上，芯片每次運算，都對應著焦耳；服務器吐出的每一個token，都點亮了瓦特。芯片是人類所能制造的最復雜和精密的工業品，在一個板卡上嵌入了各種邏輯、存儲、通信、交換、路由的芯片，服務器機架里充滿了線纜和光模塊，它們又連接成上萬個芯片的超級節點，再擴展成幾十萬甚至上百萬個芯片構成的集群。這是一個人類設計出來的電路和光路，讓電子和光子流動成為智能；這是一個讓沙子思考的過程，就像當年福特的工廠，輸入的是鐵礦石，輸出的是汽車。AI工廠又需要一整套的供電和散熱系統。能量密度在迅速提高，功率從一枚芯片的1KW，到一個機架的1MW，到一座數據中心的1GW，而1GW的數據中心，需要6.5噸銅，8.5噸銀，它的周圍，要配一座核能發電站，數百個兆瓦級的儲能柜，或者占地幾十平方公里的太陽能電站。當我們生產人形機器人時，它的大腦和小腦的“世界模型”，要完成從對周圍環境的理解到完成任務，需要機械的控制和執行，這涉及到的關節等需要鈦合金。

所謂的AI編程，更高一級并不是對認知世界的編程，實際上是對物質世界的編程。

數據中心讓進入后工業化社會的經濟，重新回到制造業，重新面臨物質短缺的世界。能源、產能、礦產、制造業的勞動力和處理物質世界的熟練技工，都處于短缺狀態。數據中心需要巨大的電力系統，它包括發電、輸電網和配電網，以及新型的分布式的電力系統，包括燃料電池模塊、鋰離子儲能模塊、小型化的核電模塊，還有燃氣輪機和變壓器。這個世界的政治地理正在重回馮·諾依曼所處的那個時代，地緣政治的角逐，大國競爭和軍備競賽，加劇了制造業的回歸和物質世界的重建。

如果人類的工業革命是以能源和礦產的利用廣度、深度、顆粒度及效率來衡量的，稀土是這次工業革命的一個重要物質標志。稀土金屬影響著電氣設備傳輸能量的方式，以及電子設備傳輸信號的方式。AI供應鏈也是如此，離不開稀土的特性。與半導體直接相關的用途，包括作為摻雜劑，用于降低晶體管的閾值電壓等；作為芯片結構中的絕緣氧化層；作為化學機械拋光漿料配方中的添加劑。

比如鏑，它有很強的耐熱性，有助于芯片功率密度提升。英偉達和其他芯片制造商的芯片上，數百個微型電容器就用到了超純鏑。再如鉺，可以在特定波長高效受激輻射，放大光信號，有助于提升光互聯效率。

還有些稀土金屬，雖然沒有直接用在芯片里，卻影響著造芯能力與成本曲線。氧化鈰（CeO?）成為化學機械平坦化（CMP）工藝的核心材料，主要則是基于它的化學與機械穩定性。拋光漿料直接影響晶圓的平整度與最終良率，這對于動輒上百層的NAND閃存而言尤為關鍵，每一層的質量波動最終將放大次品率。稀土之稀，已經成為了AI價值鏈上舉足輕重的“杠桿”。

所有這些結合起來，才會讓智能無處不在，就像自然界的物質、能源、光和熱一樣，封裝在模型里，最終變得像電力、內燃機、微處理器那樣，幾乎可以與之前所有的技術組合，并且嵌入到幾乎所有的新工業與科技產品中，直到它對于AI原生的一代來說，不再成為技術，而是一種日常的用品和工具的一部分。

已經進行了半個多世紀的非物質化的經濟，正在被AI帶回一個再物質化時代，發達經濟體需要再電氣化，與全球南方國家一起，對電力、能源、制造、礦產產生了空前的需求，以至于地球可能已經無法經濟性、可持續地滿足AI所帶來的這一波對能源和礦產的需求。人類傾其所有在喂養AI，這個全人類的超級寵物。

它也帶來了全球地緣經濟和地緣政治的后果。無論是AI綁定國運，還是化石能源與可再生能源之間的博弈，以及圍繞礦產資源的擁有、開采、提煉而形成的供應鏈，都將成為地緣科技、貿易和政治角逐的核心領域。

美國在重建物質世界。它既有制造業回流、重建中產階級、保障供應鏈安全的考慮，也有基于AI主導第四次工業革命的雄心。美國將會在很多方面依賴中國，但又處心以AI 越超中國，并且向外太空擴展，建立新一代算力和能源基礎設施。

先進制造業將會與以往不同。由于數據中心和電力系統的短期需求爆發，以及出于國防需求的大規模生產定制，將會催生一個從“定制化、建筑設計”的建筑世界向“模塊化、可重復、可擴展”的制造領域轉變的過程。AI正在與工業和設計軟件融合，如船舶和數據中心建造公司已開始對其產品進行標準化和模塊化處理，以實現規模經濟，從而使其系統和子系統能夠在不同地點進行大規模、一致性和可靠性的生產。這樣做是為了能夠快速、可重復地建造這些系統，并確保其子系統具有可靠的互操作性和可組合性。

人類開始嘗試把數據中心放到圍繞地球的軌道上，利用太陽能不間斷地訓練和推理；也需要在月球上建立基地、開采礦產，送到地球軌道上加工制造。馬斯克稱地球已經無法滿足AI的需求，人類需要卡爾達舍夫的文明II，也就是進入太陽系獲取能源和資源。

AI所引發的革命，是一場星球工業革命。如果把人類對于能源和資源的大規模利用，作為工業革命的標志的話，那么AI引發的這場技術革命，從本質上是一場工業革命，而且可能是地球上最后一場工業革命。下一場工業革命，可能發生在太空。

AI并不是安靜地處在一個虛擬空間，或者封裝在“服務器里的天才們”，AI將把地球上的能源和資源搜刮殆盡，給人類所賴以生存的物質世界帶來巨大的消耗。圍繞AI的競爭，是一場工業體系的競爭。它也伴隨著大國的競爭，被鎖定在對物質的爭奪之中。

人類用指數級的資源投入，只獲得了線性的AI能力增長，或者如奧特曼自己所承認的，AI能力的增長，只是投入資源總量的對數值。實際上，我們以為AI就是數學的，其實它更是物理的。

2026年，是一個回到物質世界節奏之年。這個世界，并不是軟件吃掉世界，AI吃掉軟件那么簡單。如果你整天盯著AI圈子里為自己設計的測試來看，它的增長是指數級的，但回到物質世界，它仍然是線性的、甚至在許多國家是停滯的。這些指標迅速飽和，給人以AI一日，世界千年的感覺，但是回到物質世界，它依然呈現出一種長期的、漸進演變，盡管長期之后最終的結果可能比當初設想的還要好。

AI想要一場大國博弈，這樣就可以把資源長期鎖定在它想要的軌道中，以加速的能量碰撞那個奇點時刻。2026年，AI 及相關產業，依然是整個社會資本和國家資本優先投資的領域，這個大方向不會改變。

AI需要一個更加龐大的物質世界來支撐它。物質、能量、信息，深度耦合在一起。人們不約而同地把實現AGI的時間向后推遲了，中間相隔的，是人類要為這樣一次AI革命做好一次空前的物質準備。

2026，對AI的10個展望

1，在中國的算力基礎設施上，訓練出中國的下一代前沿模型。2026年是中國走向自主算力的元年，海外AI芯片在中國市場上份額顯著下降，自主設計、制造和封裝的AI芯片將占據市場主流，國產萬卡乃至十萬卡集群出現。芯片算力系統與中國本土的前沿大模型協同設計，形成中國的AI生態，最重要的標志，是用中國的本土基礎設施訓練出前沿模型。

2，更強算力推動前沿大模型繼續擴展。英偉達新一代GPU和谷歌TPU定制芯片，繼續擴展模型預訓練、后訓練和測試時計算，并從單一模型向系統擴展。OpenAI與谷歌DeepMind將綜合競爭制高點。前沿模型在原生多模態、復雜長鏈任務準確性、更長上下文、更強的記憶、持續學習、世界模型等領域擴展上限，并解鎖出新的場景。新型AI實驗室將探索出下一代AI范式，到2026年底，可驗證性能有可能加速提升。

3，中國開源模型加速落地場景，美國形成新的陣型。DeepSeek、通義千問、Kimi等引領中國開源模型軍團繼續保持領先，陣容擴大; 更開放和更低門檻的基礎設施和工具，幫助降低微調和蒸餾的門檻，成為落地場景加速器。美國的開源模型也在形成新的陣型，英偉達Nemotron將躋身一流，公開預訓練和后訓練數據；谷歌的Gemma，OpenAI的gpt-oss，以及明年Meta發布Avocado新模型后，其Llama開源模型家族的下一步，仍值得關注。

4，終端設備開始構建出真正的個人AI體驗。AI向終端設備全面部署，成為消費者隨身攜帶的智能體，是最為確定的大規模應用。除了運行在用戶電腦上的智能體之外，廠商對AI手機、眼鏡和其他AI原生硬件的設計更為積極活躍。中國是全球AI設備供應鏈的中心。蘋果和谷歌可能真正啟動軟硬件消費AI市場。OpenAI將首次發布原生AI硬件。AI眼鏡拍攝成為主流，品牌進一步豐富。

5，編程成為首個實際工作達到人類水平的AI應用。AI在數學和編程的成功，將會延伸到更多可驗證領域。測評分數迅速飽和，難度更大的新基準將出現，其中包括更具實際工作意義的評價基準，引導智能體在研究、科學、服務等更多其他可驗證領域創造經濟價值。

6，訓練數據來源從互聯網轉向環境。用于訓練大模型的高質量互聯網與公開文本數據基本耗盡。AI的學習，正在從接受公開數據灌輸進入“經驗時代”，即越來越多地從自己的試錯中學習，更加依靠可驗證合成數據。決定模型上限的，將不是誰擁有更多現成數據，而是誰具備構建環境、生成任務、吸收失敗并持續產生學習信號的系統能力。而那些體現行業深度技藝和組織內部知識的非公開數據，構筑起AI競爭的壁壘。

7，政府和前沿AI實驗室推進科學智能，加速科學發現。中國和美國從推出科學智能的政策階段，進入到匯聚資源、組織實施階段，謀求戰略技術新制高點。一些科技巨頭和領先的AI實驗室利用算力優勢，借助AI模型及工具加速研發進程，以新范式引領，努力在一些重要領域取得突破，如生命科學、材料科學、量子計算、氣候變化等。

8，全球采用智能體的大型企業超過一半。人與AI開始認真磨合協作。智能體不是簡單替代人類，人類也不是簡單地使喚智能體去干活。企業開始既不把它當成工具，也不把它當成員工，而是改變傳統的管理框架，新建協作關系，包括重新設計工作流程、角色、治理和學習機制，這一磨合過程將需要時間。

9，AI應用進展和基礎設施投資存在不確定性，做空壓力伴隨AI。AI處于炒作高潮和短期高估階段，已經具體表現為目前AI測評得分與工作表現脫節，芯片庫存周期、數據中心建設周期、電力基礎設施投資周期之間難以匹配。OpenAI 的資金鏈、甲骨文的負債和數據中心交付、和英偉達的GPU庫存情況，將是足以影響整個AI生態、進而影響市場甚至經濟的重要信號。

10，AI與電力系統更深度融合，形成智與能的革命。電力成為最重要的AI基礎設施，美國數據中心建設達到高潮，電力短缺加劇；中國也正在通過全國性機制設計解決清潔電力供給問題。數據中心的耗電量和能量密度越來越大，將建立端到端的高壓直流配電體系，以及不同層級的儲能與冷卻系統。更加分布式與多元異構的電力系統，在電力穩定 、廉價、綠色的不可能三角中，也日益依賴AI優化運營管理。數據中心成為“新物種”，將在AI基礎設施與新型電力體系的協同演進中，發揮越來越關鍵的作用。

One More Thing

2026將是社會對AI信任的考驗之年。隨著AI滲透率越來越高，AI模擬人類認知與物理世界的能力進一步逼近臨界點，現實與虛構的界限更加模糊。AI將不可避免進入教育體系，進一步發揮文明層面的影響力。隨著AI自主學習能力的增強，長鏈條的自動化復雜工作逐步增加，挑戰人類的能力去監督和核實AI學習和工作的過程與結果；這些考驗著對齊，考驗著治理，也考驗著人類在各個場景中駕馭AI的能力。前沿AI實驗室和科技巨頭，更加關注AI研究與應用的正面社會影響及人口級用戶福利，倡導AI（科技）向善，培養和建立公眾對AI的信任。

全球競速 | 自動駕駛

在各自經歷國內市場的規模擴張后，中國與美國的自動駕駛企業將迎來全球市場短兵相接的一年。中國企業在驗證本土低成本運營模型后，正轉向海外高價值場景，但本地算力供應與數據合規跨境將是不可忽視的雙重挑戰。

自動駕駛正在跨越1%市場滲透率的鴻溝。年內，百度、文遠知行與小馬智行車隊規模超過千輛。小馬智行明年計劃擴展至3000輛，是去年底的10倍，也接近Waymo此前規劃同期3500輛的水平；滴滴今年上半年已部署超過3000輛自動駕駛測試車。以中國500萬輛出租車保有量計算，1%的自動駕駛滲透率意味著約5萬輛。預計未來兩年內，無人駕駛出租車車隊規模將增長十倍。這意味著里程碑式的突破就在眼前。

規模擴展的敘事同樣發生在美國。Waymo駛入了高速，在舊金山灣區的市場份額超越了Lyft，明年進軍包括倫敦在內的12座新城市，并預計于2027年為母公司做出“實質性”財務貢獻。這意味著中國與美國的自動駕駛將走出隔空競爭的階段，在全球展開正面對決。百度將于明年進入歐洲，倫敦將是兩家巨頭共同的重點市場。

但是，在規模競爭時代，它們都將面臨出行巨頭與量產車廠的夾擊。特斯拉的robotaxi服務已經上線，量產車型Cybercab將于2026年投產；小鵬、曹操出行、哈啰等也相繼加碼。Uber目前在美國四個城市合作提供robotaxi服務，多于特斯拉，還與英偉達合作部署約10萬輛robotaxi。它們將加速自動駕駛的數據飛輪。

生產力即產品 | 具身智能

與人形機器人相關的一切正在膨脹。在美國，FigureAI估值已達到390億美元，聲稱已經為寶馬生產3萬輛汽車做出貢獻；Agility的機器人在GXO物流搬運了超過10萬個袋子。在中國，人形機器人企業超過150家，還在激增；上游供應鏈甚至在沒有大規模確定性訂單的情況下擴產。

然而淘汰賽已經開始。那家聲稱要在美國效仿宇樹科技的K-Scale Labs已經倒閉，它沒有硬件性價比優勢；Aldebaran與一星機器人關停，還有數家企業傳出資金鏈斷裂。靈巧手發展滯后、觸覺感知不成熟及訓練數據匱乏，因為技術與產品尚未匹配市場，市場真實需求難以承載越來越多玩家的量產計劃。國家發改委提醒要著力防范扎堆上市擠壓研發空間。

機器人相關數據集已是HuggingFace上迄今為止增長最快的，僅用3年時間就從第44名上升到第1名。然而，跨越鴻溝，具身智能領域還需要自己的ScaleAI與ARC-AGI。在數據真正得以“精煉”之前，中國同樣難言產業場景優勢。

技術路線仍在分叉，市場耐心開始收斂。人形機器人最終也要回答自動駕駛當年那道選擇題，是在資本窗口內押注通用人形機器人的長期成熟，還是從可落地的智能駕駛式場景切入，持續交付價值，以換取繼續演化的時間。

個人通用智能體 | 智能終端

競爭窗口已經洞開，時鐘開始倒計時。把智能終端納入自己的戰略布局，將是所有面向消費者的科技巨頭的標準動作。這與它們的技術堆棧與產品生態息息相關，每家科技巨頭都將補強自己短板。AI硬件的戰略優先級也將不斷提升。蘋果的重心從Vision Pro轉向了AI眼鏡；Meta砍掉元宇宙預算，挪用到智能可穿戴等業務板塊，近期還人才收購了Limitless。OpenAI也需要一款AI原生硬件強化敘事，明年，它與io的新設備將更為具象化。

2026年AI硬件最激烈的戰場位于眼前的方寸之間。扎克伯格宣布超級智能很快降臨，眼鏡是AI的理想終端。Meta爆款的雷朋眼鏡讓市場相信，它可能觸及智能手機的規模。谷歌、蘋果，小米、阿里紛紛入局。中國龐大的供應鏈體系支撐起諸多初創企業打響“百鏡大戰”，幾乎一周一款。明年將有更多中國品牌占據展臺，也會有不少退出舞臺。

年底，豆包手機的誕生，是這一場顛覆既有格局的預演。本質上，豆包手機助手就是一個系統級的智能體，讀取應用內容，模擬用戶點擊。這威脅到了其他超級應用的核心價值主張。騰訊曾寄望于微信智能體，如今也面臨來自系統底層的沖擊。越來越多GUI智能體已經開源，為更多手機廠商定制自己的手機智能體降低了門檻。

創新藥下半場 | 生物醫藥

在為中國創新藥的“DeepSeek時刻”興奮了一年后，中國企業正面臨著不確定性，工程優勢正在被技術范式重新定義；必須在新一輪創新周期中，將AI嵌入醫藥研發的深水區。

2026年，中國創新藥出海的趨勢不會停歇。具有競爭力的創新藥在研管線大部分來自中國，臨床進展最快的也幾乎都來自中國。中國在全球臨床創新候選藥物中所占的份額已從2018年的8%上升至如今的30%。同期，美國份額從47%降至36%。全球160款在研減肥藥，約三分之一來自中國；中國占據全球ADC與多抗50%左右的早期臨床資產。

中國的競爭力來自跟隨式創新的速度與效率。從仿制藥、服務外包到跟隨創新，中國逐步建立起齊備的供應鏈與龐大的技術團隊，釋放了快速試驗迭代與低成本臨床入組的優勢。工程優化是當前階段中國創新的重要優勢。無論上市臨床前階段，還是臨床階段，中國團隊花費的時間與資金都要比全球平均水平少一半左右。

然而，新一輪技術范式逼近，中國傳統優勢未必能無縫延伸。藥物研發正經歷從細胞外轉向細胞內的范式遷移，從傳統小分子和生物藥，轉向RNA、基因編輯與更復雜的細胞內調控機制。AI制藥也在改變全周期創新節奏。美國與英國今年明確鼓勵在臨床前階段使用 AI 模型、類器官（organoids）、器官芯片（Organ-on-Chip）等新型方法（NAMs）替代動物實驗。

美國同時在AI與創新藥兩大領域領先中國。美國科技巨頭正在尋找AI驅動的“可編程生物學”的路徑。英偉達熱衷于投資AI制藥初創企業，近期與禮來共建醫藥超級計算機。今年最熱門的交叉領域之一當屬“虛擬細胞”。英偉達的RNA基礎模型CodonFM將每三個核苷酸組成的密碼子視為token，驗證了擴展定律仍然生效；谷歌的C2S-Scale可以預測細胞對藥物、基因敲除或細胞因子的反應。阿斯利康則預計，基于AI的臨床試驗患者篩選與招募可能在一兩年內成為關鍵。

算力多極世界 | AI芯片

中國AI芯片生態開始初具雛形。華為的路線圖已經解鎖至2028年，明年的P950系列，性能堪比英偉達H200。華為與英偉達幾乎同時完成了預填充（Prefill）與解碼（Decode）階段的硬件解耦。此后，算力、內存帶寬與互聯帶寬幾乎每年翻一番的速度，向著更易用，更多數據格式等方向持續演進。這意味著華為初步建立了設備、材料與代工等完備的供應鏈體系。百度、摩爾線程與壁仞科技也披露了未來幾年的追趕計劃。華為、海光與寒武紀，形成了主導國內市場的“3H”的格局。

在推理時代，token的工業化生產，需要“大規模、高帶寬、低時延”的計算基礎設施。至今沒有一家芯片廠商，可以在單芯片性能層面挑戰英偉達，但是谷歌的系統級工程設計使得TPU堆棧在性價比上與英偉達不相上下。中國科技企業在AI競賽中從美國技術棧解耦，“用群計算補單芯片”的路徑，不僅必要，而且正在變得可行。年內，華為昇騰384、阿里磐久128與曙光ScaleX640超節點相繼亮相，單一機柜內部算力不斷縱向擴展。

英偉達與AMD等仍然希望再次將稍稍領先的AI技術棧“傾銷”至中國市場，如H200。它們的庫存與產能足夠龐大，完全放開，將對國產推理市場的份額造成一定沖擊；但短期內又無法完全拒絕這一誘惑，DeepSeek-3.2坦言算力正在限制中國開源模型進一步追趕的后勁，影響涉及預訓練和后訓練等階段。年初，螞蟻集團嘗試采用國產芯片訓練千億參數規模大模型，便宜、可行，但過程并不省心。

即便如此，明年，中國互聯網巨頭仍將迎著阻力繼續推進自研AI芯片的戰略部署。阿里和百度自研芯片繼續迭代；騰訊下注燧原科技，合作研發了紫霄；字節跳動定制AI芯片也正在路上。與硅谷巨頭借助博通定制AI芯片類似，不少中國互聯網巨頭，決意將關鍵算力環節握在自己手中。通過全棧整合，在模型與芯片的協同設計下，可以進一步提升token吞吐效率、壓縮單位token成本。

破墻超期周期 | 存儲半導體

大模型仍在持續擴展。更大規模、更多模態，以及更長程的推理與更頻繁的交互，都在推動內存容量和帶寬需求的爆炸性增長。供需失配也因此繼續發揮作用。三大巨頭明年的HBM（高帶寬存儲器）產能已全部售罄；DRAM（易失性存儲）全球平均庫存不足3周，遠低于正常水平；NAND（非易失性存儲）每周都在調漲價格。即便擴產順利，在2026年，短缺與漲價已經不可避免。

市場已在向定制HBM過渡，部分GPU功能將被整合進基底芯片。為了壓縮能耗、減少延遲與信號損失，AI芯片廠商開始與存儲廠深度共設計，推出定制化基底裸片，針對特定AI架構優化信號路徑、電源分配與接口協議，從而實現更高的能效和帶寬密度，以優化推理效率，降低總擁有成本。SK海力士已與英偉達、微軟、博通達成HBM4E定制合作，基片由臺積電代工，明年下半年完成質量驗證。定制芯片對架構設計革新起到積極作用。金正浩相信，到了HBM5階段，嵌入SRAM（靜態隨機存取存儲器）緩存將是重要創新方向。最近，英偉達200億美元收購Groq，正押注了SRAM。

中國存儲半導體的國產替代正在提速。醞釀明年上市的長鑫存儲與長江存儲，正在擴大DRAM與NAND產能，關鍵性能指標不斷縮小與全球巨頭差距，市場份額不斷提升。尤其是在HBM領域，美國與韓國都確信，中國與其的技術代差縮短至4年以內，通過系統級創新，基于現有設備與工藝追至HBM4E也并非不可能。華為開源了統一緩存管理器（UCM），自研HBM明年也將適配昇騰950PR。

下一個技術堵點，在于如何突破先進制程對定制基底芯片的限制。從HBM4時代開始，行業已將基底芯片交給臺積電代工，后者在HBM4E引入了N3P工藝。復制全球巨頭的方案自然阻力最小，但正是外部封堵，驅動此前未被廣泛采用的替代方案開始破墻而出，為中國存儲半導體開啟下一輪自主創新的可能。

創造太陽 | 可控核聚變

全球可控核聚變探索正進入一個決定性的轉折點。曾經屬于國家實驗室與國際協作項目的前沿領域，如今迎來了風險資本和科技巨頭的集中涌入。“創造太陽”的努力，正在加速邁向工程驗證。

2025年，美國國家點火裝置（NIF）號稱實現了Q值大于4；2026年，美國SPARC項目預計啟動，宣稱有望實現10倍能量增益；再過一年，中國的緊湊型聚變能實驗裝置（BEST）項目投入使用，同樣瞄準聚變能量增益，為商業發電驗證技術與工程的可行性。

無論是基礎研究，還是工程實踐，競爭將主要在中國與美國之間展開。截至今年9月，提交給IAEA聚變能大會（FEC 2025）的論文第一作者，27%來自中國，是排名第二的美國（15%）與第三（12%）的日本的總和。盡管在累計融資金額上，中國約50億美元，仍然不及美國的約75億美元，但自2023年起，中國企業每一年的融資額都超過了美國。除了中國聚變能源公司這樣的國家隊，中國的民間資本在這場競賽中也發揮著重要的角色。

AI正在加速這場競爭。隨著裝置復雜度上升，AI在預測、控制、材料設計與工程調參中的作用將呈指數放大。今年，谷歌DeepMind發布強化學習系統Torax，模擬等離子體中的熱量、電流與粒子輸運，并生成實時、可執行的控制策略，為尋找穩定與高增益反應路徑提供全新方法。

晶體管時刻 | 量子計算

這將是中國與美國對未來的競爭。美國的“創世計劃”與中國的“十五五計劃”都將該技術放在關鍵位置。諾獎得主約翰·馬蒂尼斯（John Martinis）警告，2019年谷歌宣稱“量子霸權”時中國尚落后三年，如今已經追至“納秒級”差距。今年超導量子計算機“祖沖之三號”，以及光量子計算機“九章四號”，證明中國能夠在主流技術路線上駕馭對量子比特數量的全球競爭。

行業正在迅速從含噪聲的中尺度量子階段（NISQ）轉向量子糾錯（QEC）階段，并逐步通往全面容錯量子計算機（FTQC）階段。行業對量子糾錯算法的探索激增，相關論文一年內激增超過4倍。去年底至今，美國巨頭已經行動起來，谷歌Willow芯片展示了“低于閾值”的量子糾錯，微軟拓撲量子芯片Majorana在硬件層面融入抗錯能力，IBM在AMD的FPGA上實時執行核心糾錯算法。Riverlane計劃到2026年實現百萬次無錯誤量子操作(QuOps)里程碑。

經典計算與量子計算的混合計算范式與軟硬協同生態正在成型。量子糾錯要趕在錯誤發生之前，英偉達開放架構NVQLink應運而生。它相當于量子計算版的NVLink，能在GPU與QPU之間建立低延遲、高吞吐量連接，加速糾錯與反饋。而量子計算天然地適合模擬基于量子力學現象的分子動力學模擬，反過來又拓展了GPU的應用場景。

這是中國少數幾乎能夠與全球同步，從實驗室走向工程化躍遷的關鍵技術競爭領域。與美國活躍的社會資本相比，中國市場驅動的創新能力仍略顯不足；而在設備、材料與軟件持續受限的背景下，對公共資金的依賴又在上升。能否通過公共資金撬動而非替代市場創新，將是量子計算競爭勝負，以及未來更多同步創新乃至領先創新的基礎。

下載PDF版完整報告：

看DAO2026

以往的年度報告完整PDF版，在后臺私信發送關鍵詞：年度報告