OpenClaw 霸榜，Agent 全面爆發的前夜

隨著 OpenClaw 在 2 月份的持續霸榜：

AI 行業，似乎已經提前進入了以個人 Agent 為代表的「后 ChatGPT 時代」。

這印證了獨立 AI 基準測試機構「Artificial Analysis」的預測結論：2026，Agent 正在全面爆發。

近期，他們發布了對 AI 領域發展的全面總結：《2025 年終 AI 發展報告》。

報告總結了過去一年，AI 行業在文本、語音、視頻、芯片等各項領域的進展。

過去一年到底都發生了什么呢？一起看下吧。

01 行業概況

2025 年的五大 AI 行業趨勢如下：

1、推理模型已成行業常態。

2025 年初，OpenAI 的 o1 模型還是唯一的推理模型，但這一年里，各大實驗室紛紛推出自家的推理模型，如今這些模型已躋身最智能模型之列。

2、AI 行業的競爭正愈演愈烈。

2025 年，AI 格局發生了顯著變化：越來越多的公司加入戰局，推出自己的模型。展望 2026 年，這場競賽只會愈演愈烈，不會降溫。

3、AI 智能體起飛。

2025 年，AI 應用迎來關鍵轉折點：從單查詢工作負載轉向多輪智能體任務。代碼智能體是這場變革的先行者，而 2026 年，智能體的應用范圍有望擴展到更廣泛的企業級工作場景。

4、自然語言轉語音模型，正在催生語音智能體。

2025 年，原生音頻推理模型的發展讓語音轉語音質量迎來了質的飛躍，為語音 Agent 的興起奠定了基礎。

5、圖像編輯與視頻生成走向主流。

如今，這兩項技術已具備主流應用的條件。以 NanoBanana 為代表的模型，讓畫質實現了跨越式提升。

一些關鍵的洞察：

1、Google 依然是 AI 領域垂直一體化布局最深入的玩家：從 TPU 加速器到 Gemini 應用，覆蓋了整個 AI 價值鏈。

2、AI 領域的競爭正變得越來越激烈。2025 年，一批新的國際實驗室將加入賽道，不過，美國和中國依然牢牢占據領先地位。

3、OpenAI 在 2025 年全年都擁有最強大的語言模型，但它的領先優勢已前所未有的縮小。

02 語言模型

2025 年，推理范式主導了 AI 行業的發展方向。

它不僅推動智能水平大幅提升、成本持續下降，還催生出智能體 AI 的興起。與此同時，開源權重的普及和全球實驗室的努力，正在縮小與美國前沿機構的技術差距。

2025 年的五大 AI 模型趨勢如下：

1、2025 年，模型智能迎來大幅提升。

背后的核心驅動是范式轉變：行業開始轉向那些在回答前會「思考」的推理模型。

到 2025 年底，OpenAI、Anthropic 和 Google 已憑借「推理優先模型」領跑智能前沿，這類模型會先「思考」再給出答案。這與 2025 年初的格局截然不同：當時占據最智能模型榜首的，還是那些不會「思考」的非推理模型。

與此同時，推理范式顯著擴大了平均工作負載規模：模型在「思考」階段會生成更多輸出 token。不僅如此，它還在通用推理、科學推理、長周期智能體任務以及編碼領域推動了性能提升。

2、2025 年見證了智能體 AI 的崛起。

各類模型開始越來越多地端到端完成長周期任務。

智能體的應用場景正在不斷拓展：從最初針對特定領域（如深度研究）的定向工具，到如今已演變為通用型解決方案。前沿模型現在能夠穩定協調跨領域的多步驟工作流。

工具調用訓練如今已全面普及：

2025 年推出的大多數模型，都經過了預訓練和強化學習優化，專門用于智能體任務執行。

長周期編碼任務是智能代理工作流改進的最大受益者。2025 年，無論是初創企業還是行業巨頭都紛紛推出編碼代理，這類工具的數量明顯增多。

3、2025 年，基礎模型迎來了普及化浪潮，不過美國和中國仍保持顯著領先地位。

全球各地的 AI 實驗室（包括歐洲、中東、亞洲）仍在持續推出具備競爭力的基礎模型。

不過，前沿能力仍集中在美中兩國的頭部公司手中：美國有 OpenAI、Anthropic、Google，中國則是 Moonshot AI、Z.ai、DeepSeek、Minimax。

雖然美國實驗室在專有前沿模型的開發領域仍處于領先地位，但中國實驗室持續推出前沿開源權重模型。

4、2025 年，新的開源權重模型在智能水平上繼續與閉源模型并駕齊驅，但前沿領域仍由閉源模型主導。

2025 年，開源權重生態系統持續擴張；到年底時，最具能力的開源權重模型已越來越多地出自中國實驗室。

另一方面，2025 年全年，開源權重模型大體上跟上了專有模型的發展節奏，但專有模型在整體智能水平上仍處于領先地位。

5、o1 級智能的成本出現了顯著下降。

2025 年初，o1 級智能的每 token 價格較之前下降了 128 倍。

編者注：最近，Sam Altman 宣布 AI 智能成本下降 1000 倍。

背后的驅動因素主要有兩個：一是小模型實現了更高的智能水平，二是軟硬件層面的優化。

對于「語言模型」，一些關鍵的洞察：

1、截至 2025 年底，OpenAI、xAI 與 Anthropic 三家公司憑借最新推理模型，在前沿智能領域占據領先地位，與其他 AI 實驗室拉開了明顯差距。

2、2025 年推出的 AI 模型刷新了智能與成本的平衡邊界：企業現在要么能用相同預算獲得更強大的智能，要么能以顯著更低的成本獲取同等水平的智能。

3、模型規模越大，其全知指數評測分數（AA-Omniscience）就越穩定地處于高位。

編者注：AA-Omniscience 可以理解成「模型知道自己知道，也知道自己不知道什么」的能力得分。

4、但幻覺生成率與模型規模的關聯度并不高，這說明其他訓練決策的影響其實更大。

5、2025 年是代碼智能體正式落地的一年；2026 年，則將迎來全能智能體的全面啟用。

6、當我們轉向智能體工作流時，輸出 token 的數量多并不意味著智能更高；真正的智能更依賴于對各類工具的有效運用。

7、北京正崛起為前沿 AI 初創企業的活力中心，而成熟的科技巨頭則地理分布更分散，不存在單一的技術創新樞紐。

8、韓國政府支持的“國家 AI 計劃”已經激活了本土 AI 生態系統，催生出多家接近前沿水平的 AI 實驗室。

9、OpenAI 推出了自 GPT-2 以來首個開源權重語言模型，雖推動了開源模型的技術邊界，但開源與閉源之間的差距仍未縮小。

10、更高效的模型架構，加上軟硬件效率的協同提升，推動模型成本顯著下降：o1 級別智能模型的每 token 定價降低了 128 倍。

03 圖像與視頻

2025 年，圖像與視頻技術迎來重大升級：

新增了多模態輸入（圖像轉視頻、圖像編輯）以及輸出（帶音頻的視頻）功能。

2025 年的 AI 圖像與視頻領域的趨勢如下：

1、文生圖：畫質再上新臺階。

文本生成圖像模型的質量已顯著提升，2025 年末的標桿模型 GPT Image 1.5，比 2024 年末的第一名 FLUX1.1 [pro] Ultra 高出約 150 個 ELO 評分。

隨著 OpenAI、Google 等頭部實驗室入局，開源權重圖像模型的進展已經放緩。截至年底，表現最好的開源權重模型是 Qwen Image 2512，在文本轉圖像排行榜上位列第 12 名。

2、圖像編輯模型正式發布。

指令驅動的圖像編輯模型近期開始流行。OpenAI 推出 GPT-4o 圖像功能、谷歌發布 Nano Banana（即 Gemini 2.5 Flash），這兩款產品的上線大幅提升了這類工具的使用率和用戶心智份額。

圖像編輯中的多圖輸入功能已逐漸普及，像 Nano Banana Pro 和 Qwen Image Edit 這類模型，能讓用戶對輸出圖像實現更精準的控制。

圖像生成模型正變得越來越通用，既能支持文本生成圖像，也能進行圖像編輯。例如 FLUX.2 系列和 Seedream 4.5 就同時具備這兩種模態的能力。

3、視頻模型已成功躋身主流。

視頻模型的質量迎來突破性進展。2025 年末的領先產品 Runway Gen-4.5，在 ELO 評分（一種常用的模型性能評級指標）上比 2024 年末的行業標桿 OpenAI Sora 高出約 200 分。

聚焦圖像轉視頻功能推動了廣泛使用：用戶不僅能更精細地控制視頻生成，還能在不同鏡頭間保持角色的一致性。

開源權重視頻模型目前仍落后于閉源同類產品。其中，LTX-2 Pro 作為開源視頻生成領域的 SOTA，在文本轉視頻總榜中排名第 29 位，在圖像轉視頻總榜中則位列第 28 位。

4、Veo 3 起開始支持帶音頻的視頻功能。

2025 年 5 月推出的 Veo 3，是首個原生支持音頻生成的高質量主流視頻模型，而這一特性讓它迅速走紅。

各大視頻實驗室紛紛跟進，推出了自家帶音頻的視頻模型，比如 OpenAI 的 Sora 2、Lightricks 的 LTX-2、阿里巴巴的 Wan 2.6 和字節跳動的 Seedance 1.5 pro。

5、中國在媒體生成模型領域與美國旗鼓相當。

中美實驗室在圖像生成模型領域依然旗鼓相當：字節跳動的 Seedream 4.5 能與谷歌的 Nano Banana Pro、OpenAI 的 GPT Image 1.5 一較高下。

中美實驗室在視頻生成模型領域依然勢均力敵：中國的 Kling 2.5 Turbo 與美國的 Veo 3.1、Runway Gen-4.5 不相上下。

編者注：到了 26 年 2 月份，中國的 Seedance2.0 讓世界望塵莫及。

6、與語言模型領域不同，專注于媒體生成的小型 AI 實驗室，仍能與那些擁有更廣泛模態覆蓋范圍的大型實驗室展開競爭。

04 語音與音樂

語音與音樂模型在第四季度持續進步：

其中語音到語音推理，和開源權重語音轉文字的準確率提升尤為顯著。

2025 年的 AI 語音與音樂領域的趨勢如下：

1、語音轉文字的詞錯誤率持續降低。

多模態模型正將轉錄作為次要功能進行拓展，像 AWS 的 Nova 2 Omni，即便沒有專門優化語音轉文本，也能達到有競爭力的準確率，還能實現語音、視覺與文本的統一處理。

面向語音助手應用的超低延遲實時版本已陸續出現，例如 ElevenLabs 的 Scribe v2 Realtime 和 NVIDIA 的 Parakeet Realtime。

2、文本轉語音模型，現在能更精細地控制韻律和音頻效果。

文本轉語音的質量已取得顯著提升，新模型持續迭代推出，不斷突破技術前沿。

韻律控制在主流 AI 模型中越來越普及，它能通過文本內標記和語音合成標記語言（SSML）標記等方式，實現對情感基調、語速、重音以及副語言元素（如笑聲、嘆氣、呼吸聲）的精準控制。

語音克隆技術（包括名人語音合成）正日益普及，這促使人們通過水印技術和來源驗證系統，更加重視音頻內容的真實性。

3、原生音頻推理技術持續進步，STS 模型也迎來快速成熟。

xAI 在 Big Bench Audio 基準測試中一舉奪魁：不僅推理速度更快，還把此前的領頭羊 Google Gemini 2.5 Native Audio Thinking 拉下了王座；與此同時，Nova 2.0 Sonic 憑借高性價比脫穎而出，成為新的性價比之王。

目前，語音處理流水線仍是語音智能代理的主流架構。但原生音頻推理能力的提升，正驗證著端到端音頻處理的價值：它能省去大語言模型的中間層，讓模型直接利用聲學信息進行推理，既增強了上下文理解能力，又降低了延遲。

4、語音 Agent。

在結構化交互場景下的表現已接近人類水平，但在模糊場景、復雜多輪推理以及音質受損的環境中仍存在明顯不足，這些方面有待持續改進。

5、音樂模型。

2025 年雖有不少重磅模型發布，但第四季度的頭部產品上新相對平靜。不過，Suno V4.5、ElevenLabs Music 及 Producer.ai 的 Fuzz 系列等頭部模型的營銷力度和用戶采用率仍在增長。

6、雖然通用 AI 實驗室（比如 OpenAI、谷歌）的產品覆蓋了所有語音模態，但純語音 AI 實驗室的專注度更高，尤其是在文本轉語音領域。

05 芯片加速器

2025 年，AI 基礎設施迎來顯著成熟：Blackwell 系統開始批量出貨，推理軟件愈發完善，行業內的挑戰者也在持續迭代升級。

2025 年的芯片相關趨勢如下：

1、Blackwell 系統正式投產，性能較 Hopper 系統有大幅提升。

2025 年，B200 芯片開始大規模支撐生產級工作負載，GB200 NVL72 機架級系統也實現全面量產。IBM 的 Granite 4 系列模型是首批公開宣布基于 GB200 NVL72 集群訓練的模型之一，而 OpenAI 的 GPT-5.3 Codex 則是首個明確披露使用 GB200 訓練的前沿大模型。

英偉達計劃在 2025 年第三季度發布 B300 和 GB300 兩款新品，具體發貨時間將在后續公布。其中 B300 的配置升級顯著：配備 288GB HBM3e 內存（較上一代 B200 提升 50%），FP4 精度運算能力達 14 PFLOPs（而 B200 僅為 9 PFLOPs）。

軟件支持日趨成熟（尤其是 TensorRT-LLM 框架），Blackwell 系列芯片現在在推理性能的整個帕累托前沿（即性能與效率的最優權衡邊界）上，全面領先 Hopper 芯片及其他 AI 加速器。

2、推理軟件已向三大開源框架集中。

2025 年，推理軟件成熟度大幅提升，最終收斂到三個主流框架：vLLM、SGLang 和 NVIDIA TensorRT-LLM。

3、NVIDIA 依舊牢牢占據著市場主導地位，但它的挑戰者們已在戰略層面取得了顯著進展。

2025 年 12 月，英偉達以約 200 億美元收購了 Groq 公司。交易采用 IP 授權加人才收購的模式，核心目標是將 Groq 的 LPU 技術整合到英偉達的產品線中。

Google 的 TPU v6（Trillium，張量處理單元）已于 2024 年底正式發布；正是這些 TPU 為 Gemini 2.5 Pro 和 Gemini 3 Pro 的模型訓練提供了算力支持。

Anthropic 在 2025 年與谷歌、亞馬遜達成合作協議，獲取張量處理單元（TPU）和 Trainium 芯片的使用權，用于模型訓練和推理任務；與此同時，賽睿思（Cerebras）聯合英偉達、超威半導體（AMD）和博通，與 OpenAI 簽署了一份多年期合同，將為其提供快速推理服務。

4、推理需求持續增長，工作負載模式不斷演變。這兩大趨勢正推動分布式和解耦架構在 2026 年前加速落地。

過去只有前沿實驗室才能用到的分布式推理優化技術，如今正變得人人可用。這背后離不開 NVIDIA Dynamo 的成熟，以及各類開源項目的推動。

其中的核心技術包括：預填充/解碼解耦、跨數十到數百個 GPU 的專家并行，以及通過規模化專家副本實現的新型負載均衡。

來源 | 特工宇宙（ID：AgentVerse）

作者 | 宇宙編輯部 ; 編輯 | 呼呼大睡

內容僅代表作者獨立觀點，不代表早讀課立場