1. 为什么说2026年是一个关键节点每年年底都会有人做趋势预测但2026年这轮技术趋势判断跟往年有个明显不一样的地方过去几年我们聊的是“某个技术能不能成”现在聊的是“某个技术怎么落地、谁先跑通、怎么赚钱”。这个转变本身就是最值得关注的事。我自己的观察是很多标准意义上的“新兴领域”其实已经走完了从0到1的验证阶段正在进入从1到10的工程化和产品化阶段。比如具身智能、AI for Science、生物制造、空间智能、新型储能这些方向在两三年前还更多是实验室故事但到了2026年它们已经呈现出三条清晰的共同特征产业链上下游开始成型、人才供给开始从大厂外溢、资本的重心从概念转向可验证的商业闭环。这篇文章就想围绕这些“正在发生”的趋势做个拆解把我自己判断趋势的框架、看到的具体信号、以及踩过的坑都摊开来讲一讲。适合正在做技术选型、职业规划、创业立项或者单纯想对“未来三年往哪看”有个判断的人读。1.1 技术成熟度曲线走到了哪个位置Gartner的技术成熟度曲线虽然被吐槽很多但它的价值不在于预测准确性而在于提供了一个“位置感”。如果你去看2023年到2024年的曲线大模型相关的技术还在期望膨胀期的顶点附近而到了2026年多数AI应用层的技术已经滑落到泡沫低谷期部分已经爬上稳步爬升的光明期。这个位置变化带来一个非常务实的结论那些还在拿着“Demo级效果”讲故事的项目会越来越难拿到钱而能拿出“产线级良率”“真实用户留存”“单位经济模型”的项目价值会被大幅放大。举几个具体方向的例子具身智能Embodied AI从2024年的“能走能跑”发展到了2026年的“能在特定场景里干活”核心评价指标从“能不能完成演示”变成了“连续工作多少小时不掉链子”。可控核聚变从“永远还有三十年”进入了工程验证期几个头部公司的核心矛盾变成了“磁体材料可靠性和成本”而不是“等离子体物理原理”。AI for Science从论文层面的“模型预测蛋白质结构”进化到“AI设计出的候选分子进入临床试验”评价标准变成了“能不能进管线”。这些变化的共性是评判趋势的方式变了从“证明可行”变成了“证明可用、可造、可盈利”。1.2 产业需求的倒逼比技术突破更值得关注很多人看趋势喜欢盯算法论文、发布会但真正让一个领域成为趋势的往往是产业端的需求倒逼。2026年有几个需求侧的信号特别明显第一是劳动力结构变化带来的自动化需求。制造业、物流、农业这些行业不是“想不想用机器人”的问题而是“招不到人”的问题。这个需求在2025年已经开始集中爆发到2026年已经传导到整个具身智能产业链。需求端足够刚技术端只要能解决“成本降到多少、可靠性提到多少”这两个问题市场就会自己跑起来。第二是药物研发的成本压力。传统制药模式已经到了“研发费用越来越高、成功率越来越低”的瓶颈期行业整体的回报率已经不能用“周期波动”来解释。这种情况下能提高临床前筛选效率的AI工具哪怕只是把某一个环节的时间缩短30%都会成为药企愿意付费的刚需。第三是能源结构的转型压力。电网对储能的需求、工业部门对低碳热源的需求、交通领域对高能量密度电池的需求都不是短期概念而是写进各国产业规划的长周期需求。这不是一个政策风口的问题而是基础设施必须升级的确定性问题。1.3 看懂趋势的两个视角技术供给与产业需求的匹配我的经验是判断一个趋势值不值得跟不能只看技术有多先进更要看“技术供给曲线”和“产业需求曲线”在时间轴上是否匹配。技术太早需求没起来会死在黎明前技术太晚市场格局已定入场成本会很高。举一个我自己的判断例子2023年很多人看好通用人形机器人我当时仔细算了算产业端的支付意愿和机器人的综合成本觉得至少还需要三到五年的迭代期。到2025年年底头部厂商的样机成本已经降到十几万元人民币的级别但能真正创造价值的场景还集中在工业搬运、巡检、数据采集等少数几个方向。到了2026年这个时间差正在收窄部分场景已经达到了“回本周期两年以内”的商业化门槛。所以这篇全景文章的视角不是“哪些技术最酷”而是“哪些技术正在跨过商业化的拐点哪些还没到”这两者之间的差别才是真正影响你决策的东西。2. 六大新兴方向逐个拆解2.1 具身智能大模型从屏幕走向物理世界具身智能是2026年绕不开的一个词。它简单说就是把大模型的能力装进一个能在物理世界里行动的“身体”里也就是机器人。这个方向之所以在2026年成为焦点不是因为“机器人能走路”这件事本身有多新鲜而是因为大模型给机器人提供了此前完全没有的通用理解能力。以前的机器人是“程序写死的”换个场景就废了。现在的具身智能机器人用的是“大脑小脑”的架构大脑是大语言模型和视觉语言模型负责理解任务、拆解步骤、理解环境小脑是运动控制和操作算法负责把大脑的指令转化为精准的动作。这种架构下机器人第一次具备了“理解自然语言指令—规划动作序列—处理环境不确定性”的闭环能力。2026年这个赛道值得关注的几个核心指标数据来源从“人类遥操作采集”转向“仿真合成真实场景混合训练”数据成本开始下降硬件端灵巧手的自由度、触觉传感器的分辨率、电机驱动器的力矩密度都在快速迭代应用场景上工业场景的上下料、分拣、质检最先进商业场景的清洁、引导、配送在爬坡家庭场景还需要时间。这里要泼一盆冷水具身智能的商业化不会像软件那样指数级爆发它本质上是硬件软件服务的复合生意交付周期长、售后成本高、标准化难度大。2026年你能看到一些“明星公司”在细分场景跑通单点但指望着“人形机器人进入千家万户”在两三年内发生还不现实。2.2 AI for Science科研范式的真正变革AI for Science是让我觉得“真正的变革”而不是“又一个风口”的方向。原因很简单过去几十年科学发现的方法是“假设—实验—验证”而AI把这事变成了“数据—模型—预测—实验验证—模型迭代”整个研发的效率结构被改变了。材料科学这个领域表现最直观。传统的新材料研发靠的是大量试错配方、温度、压力这些参数的组合空间几乎是无限的靠人力一个个试一个新材料从研发到商用往往要十年以上。而AI模型可以学习已有实验数据里的隐含规律在几小时之内完成数百万个候选组合的筛选把候选材料范围缩小到几十个然后实验科学家只需要验证这几十个。到2026年我关注的AI for Science方向有三个层级底层是“基础模型层”比如为蛋白质、分子、晶体、流体等不同科学对象构建的专用基础模型它们的通用性在快速提升。中层是“平台工具层”把模型打包成科研人员能直接使用的软件这层决定了技术能不能下沉到普通课题组。上层是“产业落地层”比如AI辅助药物发现、AI辅助电池材料筛选、AI辅助催化剂设计这层才是真正产生商业价值的地方。这个方向比较难的地方在于科研数据的质量问题远比工业数据复杂很多实验数据不可复现标注标准不统一。所以做AI for Science的公司如果不能同时解决数据治理问题光靠模型再漂亮落地也很痛苦。2.3 空间智能三维世界的“操作系统”正在成型空间智能这个词在不同人嘴里含义不同我这里特指让计算机理解、重建、交互三维世界的能力体系以及建立在它之上的应用生态。它和AR/VR/MR不完全是同一个概念前者更底层是“三维感知三维理解三维交互”的技术底座后者是设备形态和用户体验层。2026年这个方向的几个关键变化第一是三维重建的成本大幅下降。前几年做高精度的三维扫描还需要专业设备现在纯视觉方案配合NeRF和3D Gaussian Splatting这类算法用普通手机拍摄的视频就能重建出可用的三维场景。这意味着数字孪生、虚拟房产、文化遗产数字化这类应用的门槛大幅降低。第二是空间计算设备开始从“极客玩具”变成“生产力工具”。2024年到2025年的设备迭代解决了晕眩、分辨率、交互精度这些基础问题到了2026年更多企业开始把空间计算用在设计评审、远程协作、技能培训这些场景上。这些场景的共同特点是信息密度高、空间关系重要、协作需求强正好是空间智能的舒适区。第三是AI与三维内容的结合。以前做3D资产靠美术人员手工建模现在文字生成3D模型、图片生成3D场景的AI工具已经可用虽然工业级精度还不够但用于概念预演和内容创作已经绰绰有余。2.4 生物制造与合成生物学工业体系的“换引擎”生物制造这个词听起来离普通人很远实际上它正在改变化工、材料、食品、纺织这些基础行业的生产方式。核心逻辑很简单用微生物或酶作为“工厂”把玉米、秸秆、葡萄糖这些生物质原料转化成化学品、材料、药物成分。传统化工厂用的是高温高压的化学反应生物制造用的是常温常压的酶催化反应能耗更低、碳排放更低、产品选择性往往更高。为什么2026年是生物制造的关键时间点三个因素碰在一起了工程菌株的编辑效率大幅提升基因合成的成本比十年前下降了约99%AI在蛋白质设计上的突破让科学家可以按需求设计具有特定功能的新酶产业端对“低碳生产”的需求从口号变成了有实际定价机制的市场行为。我比较看好的细分领域包括用生物法生产某些精细化工品替代石油基工艺、用合成生物学改造植物生产特定成分、用细胞工厂生产乳蛋白和胶原蛋白这类高附加值产品。但我同样要提醒生物制造的中试放大是个极其“反互联网思维”的过程它的时间表和成本结构都是工业级的不能用做软件的逻辑来做生物制造。2.5 能源技术固态电池与聚变的关键窗口能源方向2026年最值得盯的两个技术一个是固态电池一个是可控核聚变。这俩虽然时间尺度完全不同但共享一个逻辑都处在从小规模验证到工程化落地的关键窗口。固态电池的价值不用多说它直接决定了电动车、低空飞行器、储能设备的能量密度天花板。2026年的行业共识是半固态电池已经开始量产装车全固态电池的样品性能已经达到设计指标但真正的问题集中在“量产一致性”和“成本控制”上。简单说实验室里能跑出好数据不难难的是在产线上每十块电池都跑出同样的好数据。如果你看到哪个公司宣称“全固态已经量产”建议多问一句产线良率多少成本多少钱一度电可控核聚变的进展比公众感知的要快得多。2025年多个项目在等离子体约束时间、点火增益这些核心指标上创了新高2026年的重点已经从“证明物理可行”转向“证明工程可行”。超导磁体的成本、第一壁材料的抗辐照性能、氚增殖与回收工艺这“三座大山”才是决定聚变能不能在2030年代并网的关键。这个方向不适合短期投机但非常适合作为长周期职业规划或产业布局的锚点。2.6 低空经济与智慧基础设施看得见的“新基建”低空经济是2026年少有的“政策明确推动产业快速响应基础设施大干快上”三者同步的方向。核心是利用无人机、电动垂直起降飞行器在1000米以下空域做物流、巡检、出行、应急救援这些事配套地面起降场、空管系统、通信导航设施一起构成一个全新的基础设施网络。从2024年这个概念开始热起来到2026年已经有几个变化值得关注物流无人机从“试点”变成了“常态运营”尤其在山区、海岛、城市急救送血这些场景经济性已经跑正中型无人机的适航审定进度明显加快头部厂家拿到了运营合格证空管系统和技术服务商开始成为独立赛道它的重要性会像移动互联网时代的运营商一样是整个生态的“收费站”。低空经济有一点和互联网不同它是强物理世界属性的航线怎么规划、起降场怎么分布、安全隐患怎么控制这些问题的答案都在真实的城市和地形里。所以这个赛道的赢家大概率不是纯软件公司而是那种既懂技术、又能搞定复杂场景运营的公司。3. 跨领域融合的底层逻辑3.1 数据、算力、场景的三角关系如果看这些年所有新兴领域的共同底座不管是具身智能、AI for Science、还是空间智能都绕不开“数据—算力—场景”这个铁三角。数据决定了模型的上限算力决定了训练的规模和速度场景决定了技术有没有人买单。2026年的一个新变化是数据的重要性正在超过模型架构。大模型的算法架构已经趋同能做出差异化的地方在于你有没有独家的、高质量的数据来源。具身智能需要真实操作数据AI for Science需要高质量实验数据低空经济需要真实的飞行环境数据。数据壁垒会逐渐取代模型壁垒成为新兴领域公司的核心护城河。所以如果你是创业者或者技术决策者一个实用的判断方法是看一个项目先别问“用了什么模型”先问“它的数据从哪里来数据能不能持续积累数据质量怎么保证”这三个问题答不好后面的技术再炫也立不住。3.2 哪些能力是跨领域通用的我这些年观察下来能同时在多个新兴领域之间切换的人靠的往往不是某个具体方向的专业知识而是几个底层能力第一是**“理解物理世界约束”的能力**。做软件的人习惯了快速迭代但物理世界的软件迭代起来会碰到重力、材料疲劳、安全事故这些硬约束。能把数字世界的速度感和物理世界的确定性结合好的人在具身智能、低空经济、生物制造这些领域都非常稀缺。第二是**“系统工程”的思维**。新兴领域的成熟产品几乎都是复杂度极高的系统机器人是大模型机械控制传感器的系统聚变是物理材料低温电力的系统合成生物学是基因编辑发酵分离纯化的系统。只会一个单点技术的人在这里会很难受能把多个子系统捏合成一个可靠整体的“系统型人才”才是真正的香饽饽。第三是**“科学判断市场”而不是“市场判断科学”的能力**。做技术的容易高估技术成熟速度做商业的容易低估技术难度能在两者之间找到真实节奏感的人在任何新兴领域都是重要的决策角色。3.3 融合带来的新机会都在哪里新兴领域的价值往往不在于单点而在于“连接点”。比如具身智能和低空经济的结合带来了“自主飞行作业机器人”这个新品类可以用于风电叶片巡检、输电线路维修AI for Science和生物制造的结合让“按需设计微生物细胞工厂”成为可能空间智能和能源数字孪生的结合让电网运维从“人到现场看”变成了“在虚拟空间里看”。如果你正在寻找自己的切入点我的建议是不要只盯着最热门的那个词本身去看看它和相邻领域之间的空白地带。空白地带听起来小但往往是巨头看不上、初创有机会、技术门槛还不高的地方。4. 对个人和团队的实际行动建议4.1 职业方向选择看“复利积累”而非“短期薪资”很多读者会关心站在2026年的节点做什么方向更有前途。我的回答一直是选那些你的经验可以复利积累的方向而不是只看当前薪资最高的方向。举几个例子如果你现在进入具身智能行业前两年可能做的是集成和部署看起来没有做基础模型的同事“高级”但你在现场积累的对真实场景的理解、对硬件失效模式的判断、对客户需求的认识这些经验会越来越值钱。相反如果一开始就做AI领域的benchmark调优当范式切换的时候你积累的东西可能一夜之间归零。选择一个处于导入期和成长期之间的领域比选择一个已经成熟饱和的领域长期回报更高。2026年的具身智能、生物制造、新型储能都处在“人才缺口大、评价体系未固化、问题复杂度高”的状态这种环境对个人成长是有利的。4.2 团队立项时怎么看一个方向值不值得做我参与过不少从0到1的项目评审也做过很多次方向判断。我的立项评估框架大致有这么几条需求真伪这个需求是“搞技术的人自己想象出来的”还是下游客户已经在付费买替代方案的“客户已经花钱买过类似东西”是需求真的最强证据。技术代差你的方案比现有方案好多少好1.5倍是不够的因为切换成本和风险会让客户倾向于不换至少要好3到5倍才有足够动能让客户迈出第一步。成本下降曲线这个技术未来三到五年的成本下降空间有多大很多新技术一开始不经济但如果学习曲线斜率够陡几年内就能跨过盈亏平衡点。壁垒在哪里方案上线后别人要多长时间能抄走如果三个月就能被复制那本质上你只是在替市场做验证。4.3 学习路径安排的几条实用原则如果你是想通过学习切入新兴领域的普通工程师或学生我有几条比较务实的建议第一把“一个具体问题”研究透胜过泛泛了解十个方向。不要今天看具身智能明天看合成生物学后天看核聚变——选择一个方向找到一个具体的小问题花三个月把它做到你能讲清楚原理、能写出代码、能复现结果的程度。第二动手做不要只看。新兴领域的信息差很大看十篇行业报告的效果很可能不如自己动手跑一个简单的数据管线、拆一个开源机器人模型、参观一次制造工厂。第三主动靠近数据源。前面说过数据是核心壁垒所以想进入某个领域最好想办法接近那个领域的真实数据。比如想做AI for Science就去实验室帮导师整理实验数据想做具身智能就去参与开源的机器人数据采集项目。数据的“手感”是读论文读不出来的。5. 关于趋势判断的反思与个人体会5.1 我踩过的几个判断误区这些年我也做过不少错误的判断最有代表性的三个第一个是高估了技术扩散的速度。2022年我就认为大模型会在教育行业快速落地结果真正可规模化的产品到2024年才陆续出现。原因是技术的成熟只是必要条件渠道能力、付费习惯、组织变革这些都是充分条件缺一个都会卡住。第二个是低估了工程化的难度。见过太多项目卡在“demo跑通”之后的细节里数据的bad case处理、系统的稳定性、运维的成本、售后的问题。实验室里95分的方案到量产线上可能只有60分这中间的35分是靠成百上千个琐碎问题一个个啃下来的。第三个是混淆了“话题热度”和“产业进度”。有些方向在社交媒体上非常热闹但真正在产业里跑的进度可能落后两年反过来有些方向媒体不关注但产业里的变化已经非常陡峭。判断趋势一定要以产业数据为准而不是以讨论热度为准。5.2 我更愿意相信的几个信号经历了这些之后我现在的趋势判断会重点看一些相对“笨”的信号看供应链一个领域如果上游的零部件公司开始接到持续、反复的订单说明下游不是在讲故事而是在造东西。看人才流动如果一个大厂的中高层开始批量出来创业做某个方向说明这个方向的基础设施已经足够成熟大公司反而成了局限。看客户结构如果买单的客户里出现了“非标杆型”的中小客户而不是只有几家大客户在做示范项目说明技术已经开始“下沉”真正的市场开始起来了。5.3 一点实在的分享写到最后说点掏心窝的话。做趋势判断这件事本质上是在做概率管理没有人能百分百看对未来的方向。我的体会是看对方向固然重要但更重要的是一旦选了方向之后能不能在一个方向上持续积累超过大多数人。2026年的新兴技术格局和我刚入行时相比有一个非常明显的不同技术本身的门槛在降低但综合能力的门槛在提高。以前一个人掌握一门独门技术就能吃很多年红利现在是“技术场景理解工程能力商业嗅觉”的综合素质在起作用。这对于从业者来说门槛更高了但机会也更多了——因为这种综合素质恰好是绝大多数人不具备的。最后分享一个实用的个人习惯我每周会花两个小时做一次“趋势笔记”把当周看到的产业变化、技术进展、数据信号记录下来每个季度再做一次回顾和修正。这个方法不复杂但坚持两年之后你对行业的感觉会比大多数只看新闻的人准很多。也希望这篇文章能成为你开始建立自己判断框架的一个起点。 2026年六大新兴技术趋势：从概念验证到商业化落地
1. 为什么说2026年是一个关键节点每年年底都会有人做趋势预测但2026年这轮技术趋势判断跟往年有个明显不一样的地方过去几年我们聊的是“某个技术能不能成”现在聊的是“某个技术怎么落地、谁先跑通、怎么赚钱”。这个转变本身就是最值得关注的事。我自己的观察是很多标准意义上的“新兴领域”其实已经走完了从0到1的验证阶段正在进入从1到10的工程化和产品化阶段。比如具身智能、AI for Science、生物制造、空间智能、新型储能这些方向在两三年前还更多是实验室故事但到了2026年它们已经呈现出三条清晰的共同特征产业链上下游开始成型、人才供给开始从大厂外溢、资本的重心从概念转向可验证的商业闭环。这篇文章就想围绕这些“正在发生”的趋势做个拆解把我自己判断趋势的框架、看到的具体信号、以及踩过的坑都摊开来讲一讲。适合正在做技术选型、职业规划、创业立项或者单纯想对“未来三年往哪看”有个判断的人读。1.1 技术成熟度曲线走到了哪个位置Gartner的技术成熟度曲线虽然被吐槽很多但它的价值不在于预测准确性而在于提供了一个“位置感”。如果你去看2023年到2024年的曲线大模型相关的技术还在期望膨胀期的顶点附近而到了2026年多数AI应用层的技术已经滑落到泡沫低谷期部分已经爬上稳步爬升的光明期。这个位置变化带来一个非常务实的结论那些还在拿着“Demo级效果”讲故事的项目会越来越难拿到钱而能拿出“产线级良率”“真实用户留存”“单位经济模型”的项目价值会被大幅放大。举几个具体方向的例子具身智能Embodied AI从2024年的“能走能跑”发展到了2026年的“能在特定场景里干活”核心评价指标从“能不能完成演示”变成了“连续工作多少小时不掉链子”。可控核聚变从“永远还有三十年”进入了工程验证期几个头部公司的核心矛盾变成了“磁体材料可靠性和成本”而不是“等离子体物理原理”。AI for Science从论文层面的“模型预测蛋白质结构”进化到“AI设计出的候选分子进入临床试验”评价标准变成了“能不能进管线”。这些变化的共性是评判趋势的方式变了从“证明可行”变成了“证明可用、可造、可盈利”。1.2 产业需求的倒逼比技术突破更值得关注很多人看趋势喜欢盯算法论文、发布会但真正让一个领域成为趋势的往往是产业端的需求倒逼。2026年有几个需求侧的信号特别明显第一是劳动力结构变化带来的自动化需求。制造业、物流、农业这些行业不是“想不想用机器人”的问题而是“招不到人”的问题。这个需求在2025年已经开始集中爆发到2026年已经传导到整个具身智能产业链。需求端足够刚技术端只要能解决“成本降到多少、可靠性提到多少”这两个问题市场就会自己跑起来。第二是药物研发的成本压力。传统制药模式已经到了“研发费用越来越高、成功率越来越低”的瓶颈期行业整体的回报率已经不能用“周期波动”来解释。这种情况下能提高临床前筛选效率的AI工具哪怕只是把某一个环节的时间缩短30%都会成为药企愿意付费的刚需。第三是能源结构的转型压力。电网对储能的需求、工业部门对低碳热源的需求、交通领域对高能量密度电池的需求都不是短期概念而是写进各国产业规划的长周期需求。这不是一个政策风口的问题而是基础设施必须升级的确定性问题。1.3 看懂趋势的两个视角技术供给与产业需求的匹配我的经验是判断一个趋势值不值得跟不能只看技术有多先进更要看“技术供给曲线”和“产业需求曲线”在时间轴上是否匹配。技术太早需求没起来会死在黎明前技术太晚市场格局已定入场成本会很高。举一个我自己的判断例子2023年很多人看好通用人形机器人我当时仔细算了算产业端的支付意愿和机器人的综合成本觉得至少还需要三到五年的迭代期。到2025年年底头部厂商的样机成本已经降到十几万元人民币的级别但能真正创造价值的场景还集中在工业搬运、巡检、数据采集等少数几个方向。到了2026年这个时间差正在收窄部分场景已经达到了“回本周期两年以内”的商业化门槛。所以这篇全景文章的视角不是“哪些技术最酷”而是“哪些技术正在跨过商业化的拐点哪些还没到”这两者之间的差别才是真正影响你决策的东西。2. 六大新兴方向逐个拆解2.1 具身智能大模型从屏幕走向物理世界具身智能是2026年绕不开的一个词。它简单说就是把大模型的能力装进一个能在物理世界里行动的“身体”里也就是机器人。这个方向之所以在2026年成为焦点不是因为“机器人能走路”这件事本身有多新鲜而是因为大模型给机器人提供了此前完全没有的通用理解能力。以前的机器人是“程序写死的”换个场景就废了。现在的具身智能机器人用的是“大脑小脑”的架构大脑是大语言模型和视觉语言模型负责理解任务、拆解步骤、理解环境小脑是运动控制和操作算法负责把大脑的指令转化为精准的动作。这种架构下机器人第一次具备了“理解自然语言指令—规划动作序列—处理环境不确定性”的闭环能力。2026年这个赛道值得关注的几个核心指标数据来源从“人类遥操作采集”转向“仿真合成真实场景混合训练”数据成本开始下降硬件端灵巧手的自由度、触觉传感器的分辨率、电机驱动器的力矩密度都在快速迭代应用场景上工业场景的上下料、分拣、质检最先进商业场景的清洁、引导、配送在爬坡家庭场景还需要时间。这里要泼一盆冷水具身智能的商业化不会像软件那样指数级爆发它本质上是硬件软件服务的复合生意交付周期长、售后成本高、标准化难度大。2026年你能看到一些“明星公司”在细分场景跑通单点但指望着“人形机器人进入千家万户”在两三年内发生还不现实。2.2 AI for Science科研范式的真正变革AI for Science是让我觉得“真正的变革”而不是“又一个风口”的方向。原因很简单过去几十年科学发现的方法是“假设—实验—验证”而AI把这事变成了“数据—模型—预测—实验验证—模型迭代”整个研发的效率结构被改变了。材料科学这个领域表现最直观。传统的新材料研发靠的是大量试错配方、温度、压力这些参数的组合空间几乎是无限的靠人力一个个试一个新材料从研发到商用往往要十年以上。而AI模型可以学习已有实验数据里的隐含规律在几小时之内完成数百万个候选组合的筛选把候选材料范围缩小到几十个然后实验科学家只需要验证这几十个。到2026年我关注的AI for Science方向有三个层级底层是“基础模型层”比如为蛋白质、分子、晶体、流体等不同科学对象构建的专用基础模型它们的通用性在快速提升。中层是“平台工具层”把模型打包成科研人员能直接使用的软件这层决定了技术能不能下沉到普通课题组。上层是“产业落地层”比如AI辅助药物发现、AI辅助电池材料筛选、AI辅助催化剂设计这层才是真正产生商业价值的地方。这个方向比较难的地方在于科研数据的质量问题远比工业数据复杂很多实验数据不可复现标注标准不统一。所以做AI for Science的公司如果不能同时解决数据治理问题光靠模型再漂亮落地也很痛苦。2.3 空间智能三维世界的“操作系统”正在成型空间智能这个词在不同人嘴里含义不同我这里特指让计算机理解、重建、交互三维世界的能力体系以及建立在它之上的应用生态。它和AR/VR/MR不完全是同一个概念前者更底层是“三维感知三维理解三维交互”的技术底座后者是设备形态和用户体验层。2026年这个方向的几个关键变化第一是三维重建的成本大幅下降。前几年做高精度的三维扫描还需要专业设备现在纯视觉方案配合NeRF和3D Gaussian Splatting这类算法用普通手机拍摄的视频就能重建出可用的三维场景。这意味着数字孪生、虚拟房产、文化遗产数字化这类应用的门槛大幅降低。第二是空间计算设备开始从“极客玩具”变成“生产力工具”。2024年到2025年的设备迭代解决了晕眩、分辨率、交互精度这些基础问题到了2026年更多企业开始把空间计算用在设计评审、远程协作、技能培训这些场景上。这些场景的共同特点是信息密度高、空间关系重要、协作需求强正好是空间智能的舒适区。第三是AI与三维内容的结合。以前做3D资产靠美术人员手工建模现在文字生成3D模型、图片生成3D场景的AI工具已经可用虽然工业级精度还不够但用于概念预演和内容创作已经绰绰有余。2.4 生物制造与合成生物学工业体系的“换引擎”生物制造这个词听起来离普通人很远实际上它正在改变化工、材料、食品、纺织这些基础行业的生产方式。核心逻辑很简单用微生物或酶作为“工厂”把玉米、秸秆、葡萄糖这些生物质原料转化成化学品、材料、药物成分。传统化工厂用的是高温高压的化学反应生物制造用的是常温常压的酶催化反应能耗更低、碳排放更低、产品选择性往往更高。为什么2026年是生物制造的关键时间点三个因素碰在一起了工程菌株的编辑效率大幅提升基因合成的成本比十年前下降了约99%AI在蛋白质设计上的突破让科学家可以按需求设计具有特定功能的新酶产业端对“低碳生产”的需求从口号变成了有实际定价机制的市场行为。我比较看好的细分领域包括用生物法生产某些精细化工品替代石油基工艺、用合成生物学改造植物生产特定成分、用细胞工厂生产乳蛋白和胶原蛋白这类高附加值产品。但我同样要提醒生物制造的中试放大是个极其“反互联网思维”的过程它的时间表和成本结构都是工业级的不能用做软件的逻辑来做生物制造。2.5 能源技术固态电池与聚变的关键窗口能源方向2026年最值得盯的两个技术一个是固态电池一个是可控核聚变。这俩虽然时间尺度完全不同但共享一个逻辑都处在从小规模验证到工程化落地的关键窗口。固态电池的价值不用多说它直接决定了电动车、低空飞行器、储能设备的能量密度天花板。2026年的行业共识是半固态电池已经开始量产装车全固态电池的样品性能已经达到设计指标但真正的问题集中在“量产一致性”和“成本控制”上。简单说实验室里能跑出好数据不难难的是在产线上每十块电池都跑出同样的好数据。如果你看到哪个公司宣称“全固态已经量产”建议多问一句产线良率多少成本多少钱一度电可控核聚变的进展比公众感知的要快得多。2025年多个项目在等离子体约束时间、点火增益这些核心指标上创了新高2026年的重点已经从“证明物理可行”转向“证明工程可行”。超导磁体的成本、第一壁材料的抗辐照性能、氚增殖与回收工艺这“三座大山”才是决定聚变能不能在2030年代并网的关键。这个方向不适合短期投机但非常适合作为长周期职业规划或产业布局的锚点。2.6 低空经济与智慧基础设施看得见的“新基建”低空经济是2026年少有的“政策明确推动产业快速响应基础设施大干快上”三者同步的方向。核心是利用无人机、电动垂直起降飞行器在1000米以下空域做物流、巡检、出行、应急救援这些事配套地面起降场、空管系统、通信导航设施一起构成一个全新的基础设施网络。从2024年这个概念开始热起来到2026年已经有几个变化值得关注物流无人机从“试点”变成了“常态运营”尤其在山区、海岛、城市急救送血这些场景经济性已经跑正中型无人机的适航审定进度明显加快头部厂家拿到了运营合格证空管系统和技术服务商开始成为独立赛道它的重要性会像移动互联网时代的运营商一样是整个生态的“收费站”。低空经济有一点和互联网不同它是强物理世界属性的航线怎么规划、起降场怎么分布、安全隐患怎么控制这些问题的答案都在真实的城市和地形里。所以这个赛道的赢家大概率不是纯软件公司而是那种既懂技术、又能搞定复杂场景运营的公司。3. 跨领域融合的底层逻辑3.1 数据、算力、场景的三角关系如果看这些年所有新兴领域的共同底座不管是具身智能、AI for Science、还是空间智能都绕不开“数据—算力—场景”这个铁三角。数据决定了模型的上限算力决定了训练的规模和速度场景决定了技术有没有人买单。2026年的一个新变化是数据的重要性正在超过模型架构。大模型的算法架构已经趋同能做出差异化的地方在于你有没有独家的、高质量的数据来源。具身智能需要真实操作数据AI for Science需要高质量实验数据低空经济需要真实的飞行环境数据。数据壁垒会逐渐取代模型壁垒成为新兴领域公司的核心护城河。所以如果你是创业者或者技术决策者一个实用的判断方法是看一个项目先别问“用了什么模型”先问“它的数据从哪里来数据能不能持续积累数据质量怎么保证”这三个问题答不好后面的技术再炫也立不住。3.2 哪些能力是跨领域通用的我这些年观察下来能同时在多个新兴领域之间切换的人靠的往往不是某个具体方向的专业知识而是几个底层能力第一是**“理解物理世界约束”的能力**。做软件的人习惯了快速迭代但物理世界的软件迭代起来会碰到重力、材料疲劳、安全事故这些硬约束。能把数字世界的速度感和物理世界的确定性结合好的人在具身智能、低空经济、生物制造这些领域都非常稀缺。第二是**“系统工程”的思维**。新兴领域的成熟产品几乎都是复杂度极高的系统机器人是大模型机械控制传感器的系统聚变是物理材料低温电力的系统合成生物学是基因编辑发酵分离纯化的系统。只会一个单点技术的人在这里会很难受能把多个子系统捏合成一个可靠整体的“系统型人才”才是真正的香饽饽。第三是**“科学判断市场”而不是“市场判断科学”的能力**。做技术的容易高估技术成熟速度做商业的容易低估技术难度能在两者之间找到真实节奏感的人在任何新兴领域都是重要的决策角色。3.3 融合带来的新机会都在哪里新兴领域的价值往往不在于单点而在于“连接点”。比如具身智能和低空经济的结合带来了“自主飞行作业机器人”这个新品类可以用于风电叶片巡检、输电线路维修AI for Science和生物制造的结合让“按需设计微生物细胞工厂”成为可能空间智能和能源数字孪生的结合让电网运维从“人到现场看”变成了“在虚拟空间里看”。如果你正在寻找自己的切入点我的建议是不要只盯着最热门的那个词本身去看看它和相邻领域之间的空白地带。空白地带听起来小但往往是巨头看不上、初创有机会、技术门槛还不高的地方。4. 对个人和团队的实际行动建议4.1 职业方向选择看“复利积累”而非“短期薪资”很多读者会关心站在2026年的节点做什么方向更有前途。我的回答一直是选那些你的经验可以复利积累的方向而不是只看当前薪资最高的方向。举几个例子如果你现在进入具身智能行业前两年可能做的是集成和部署看起来没有做基础模型的同事“高级”但你在现场积累的对真实场景的理解、对硬件失效模式的判断、对客户需求的认识这些经验会越来越值钱。相反如果一开始就做AI领域的benchmark调优当范式切换的时候你积累的东西可能一夜之间归零。选择一个处于导入期和成长期之间的领域比选择一个已经成熟饱和的领域长期回报更高。2026年的具身智能、生物制造、新型储能都处在“人才缺口大、评价体系未固化、问题复杂度高”的状态这种环境对个人成长是有利的。4.2 团队立项时怎么看一个方向值不值得做我参与过不少从0到1的项目评审也做过很多次方向判断。我的立项评估框架大致有这么几条需求真伪这个需求是“搞技术的人自己想象出来的”还是下游客户已经在付费买替代方案的“客户已经花钱买过类似东西”是需求真的最强证据。技术代差你的方案比现有方案好多少好1.5倍是不够的因为切换成本和风险会让客户倾向于不换至少要好3到5倍才有足够动能让客户迈出第一步。成本下降曲线这个技术未来三到五年的成本下降空间有多大很多新技术一开始不经济但如果学习曲线斜率够陡几年内就能跨过盈亏平衡点。壁垒在哪里方案上线后别人要多长时间能抄走如果三个月就能被复制那本质上你只是在替市场做验证。4.3 学习路径安排的几条实用原则如果你是想通过学习切入新兴领域的普通工程师或学生我有几条比较务实的建议第一把“一个具体问题”研究透胜过泛泛了解十个方向。不要今天看具身智能明天看合成生物学后天看核聚变——选择一个方向找到一个具体的小问题花三个月把它做到你能讲清楚原理、能写出代码、能复现结果的程度。第二动手做不要只看。新兴领域的信息差很大看十篇行业报告的效果很可能不如自己动手跑一个简单的数据管线、拆一个开源机器人模型、参观一次制造工厂。第三主动靠近数据源。前面说过数据是核心壁垒所以想进入某个领域最好想办法接近那个领域的真实数据。比如想做AI for Science就去实验室帮导师整理实验数据想做具身智能就去参与开源的机器人数据采集项目。数据的“手感”是读论文读不出来的。5. 关于趋势判断的反思与个人体会5.1 我踩过的几个判断误区这些年我也做过不少错误的判断最有代表性的三个第一个是高估了技术扩散的速度。2022年我就认为大模型会在教育行业快速落地结果真正可规模化的产品到2024年才陆续出现。原因是技术的成熟只是必要条件渠道能力、付费习惯、组织变革这些都是充分条件缺一个都会卡住。第二个是低估了工程化的难度。见过太多项目卡在“demo跑通”之后的细节里数据的bad case处理、系统的稳定性、运维的成本、售后的问题。实验室里95分的方案到量产线上可能只有60分这中间的35分是靠成百上千个琐碎问题一个个啃下来的。第三个是混淆了“话题热度”和“产业进度”。有些方向在社交媒体上非常热闹但真正在产业里跑的进度可能落后两年反过来有些方向媒体不关注但产业里的变化已经非常陡峭。判断趋势一定要以产业数据为准而不是以讨论热度为准。5.2 我更愿意相信的几个信号经历了这些之后我现在的趋势判断会重点看一些相对“笨”的信号看供应链一个领域如果上游的零部件公司开始接到持续、反复的订单说明下游不是在讲故事而是在造东西。看人才流动如果一个大厂的中高层开始批量出来创业做某个方向说明这个方向的基础设施已经足够成熟大公司反而成了局限。看客户结构如果买单的客户里出现了“非标杆型”的中小客户而不是只有几家大客户在做示范项目说明技术已经开始“下沉”真正的市场开始起来了。5.3 一点实在的分享写到最后说点掏心窝的话。做趋势判断这件事本质上是在做概率管理没有人能百分百看对未来的方向。我的体会是看对方向固然重要但更重要的是一旦选了方向之后能不能在一个方向上持续积累超过大多数人。2026年的新兴技术格局和我刚入行时相比有一个非常明显的不同技术本身的门槛在降低但综合能力的门槛在提高。以前一个人掌握一门独门技术就能吃很多年红利现在是“技术场景理解工程能力商业嗅觉”的综合素质在起作用。这对于从业者来说门槛更高了但机会也更多了——因为这种综合素质恰好是绝大多数人不具备的。最后分享一个实用的个人习惯我每周会花两个小时做一次“趋势笔记”把当周看到的产业变化、技术进展、数据信号记录下来每个季度再做一次回顾和修正。这个方法不复杂但坚持两年之后你对行业的感觉会比大多数只看新闻的人准很多。也希望这篇文章能成为你开始建立自己判断框架的一个起点。