AI 支出暴涨 5.4 倍，企业平均实际投入达预算 2.5 倍：钱该投向模型、Agent 还是 Infra？｜2026 奇点智能技术大会亮点专题解析

距离 11 月 20 日，只剩最后两周。

11 月 3 日，Menlo Ventures 发布的《2026：企业 AI 现状报告》给出了一组值得所有技术决策者重新审视 2027 年的规划数字。截至 2026 年 9 月，其估算的企业 AI 部署支出已达 1768 亿美元，较上一年增长 5.4 倍。在 OpenRouter 的样本中，Agent 已消耗 80% 的 Token，约为人类直接使用量的 7 倍，企业在使用 AI上的投入，已经达到构建模型投入的 1.7 倍（扫文末二维码领取报告pdf）。

这意味着，企业 AI 的主问题正在发生变化，不再只是「是否要用 AI」，而是预算应该投向模型、Agent、应用还是基础设施？哪些能力需要自建，哪些可以采购或合作？当 Agent 以机器速度并行工作，现有研发体系、数据系统和治理机制能否接得住？

报告还发现，企业年初计划将 AI 支出提高至上一年的 1.9 倍，实际却升至 4.7 倍，相当于花掉了原预算的 2.5 倍。需求高速增长固然是积极信号，但对于 CTO、技术 VP、研发负责人和 AI 平台负责人来说，这也意味着如果没有清晰的技术路线、成本模型与治理边界，AI 投入越快，预算失控与重复建设也可能来得越快。

这正是由 CSDN 与奇点智能研究院联合主办的「2026 奇点智能技术大会」与「2026 C++ 及系统软件技术大会」希望在年末集中回答的问题。

11 月 20—21 日，70+ 位来自 OpenAI、腾讯、阿里云、蚂蚁、百度、小红书、字节、小米、京东、亚马逊云科技、上海人工智能实验室，以及高校、科研机构和开源社区的一线研究者与工程实践者，将围绕模型、Agent、研发范式、AI Infra、C++ 与系统软件展开分享。

这不是一份简单的日程罗列。我们从两场大会中筛出五条技术路线，把它们对应到技术管理者正在面对的五个关键决策：

• 下一代模型能力，究竟来自继续 Scaling，还是数据、强化学习与自进化闭环？

• Physical AI 值得在今天押注哪些能力，又有哪些长周期基础设施必须提前建设？

• AI Coding 如何从个人提效升级为可度量、可治理的组织生产力？

• Agent 怎样真正进入核心业务，并建立可验证的 ROI 与责任边界？

• 当 Agent 并发与推理成本持续上升，哪些 AI Infra 与系统软件必须优先重构？

下面这五条路线，既是参会选题指引，也可以作为企业制定 2027 年 AI 技术规划的一张决策地图。

路线一：从 Agentic Scaling 到自进化，AI 开始参与下一代 AI 的构建

在 Benchmark 被不断逼近的情况下，我们不禁思考，模型的下一条增长曲线会出现在哪里？

一个越来越清晰的答案是让 Agent 参与数据生成、评测、训练与系统优化，让模型从真实反馈中持续学习，甚至让 AI 开始参与下一代 AI 的研发。

根据报告显示，采用后训练的 AI 构建者比例已从 6% 升至 10%，其中 91% 会借助外部合作伙伴完成相关工作。这个变化对技术负责人提出了一个现实问题，即企业究竟应该自建模型能力，还是围绕数据、评测、Harness 与行业反馈构建自己的差异化闭环？

在 2026 奇点智能技术大会「大模型技术：从 Agentic Scaling 到自进化」专题中，我们邀请了 12 位来自模型研究、强化学习、推理系统、Agent Harness 与产业实践一线的专家进行主题分享。

从大模型强化学习、RSI 与持续学习，到 AI4AI、记忆原生模型、数据飞轮和 Harness 演进，这 12 场分享共同回答的是当传统 Scaling 的边际收益逐渐下降，AI 能否通过任务、环境与反馈找到持续进化的新路径。

对技术决策者而言，这条路线的价值不只是判断“下一个模型会有多强”，而是厘清企业应该把壁垒建在哪里？是训练与后训练能力、专有数据、评测体系、持续学习闭环，还是能够将多种模型能力快速接入业务的工程平台。

路线二：从数字 AI 到 Physical AI，模型如何真正进入物理世界

机器人可以生成令人惊艳的视频，但在真实环境中，它仍要面对物体接触、动作误差、环境变化和安全边界。

Physical AI 的难点不只是再训练一个更大的模型，而是如何让本体、数据、世界模型与算力底座形成闭环。

本专题将从模型、本体、数据、世界模型、算力底座与多机协同等不同层面，拆解 Physical AI 从技术探索走向真实世界的关键环节。

与这一专题相互呼应的，还有世界模型与多模态方向的动态场景世界模型、混元 3D、真实世界多模态交互，以及音乐、游戏和机器人模型将在同一现场展开讨论。

如果你正在做机器人、世界模型、具身智能、空间计算或多模态应用，这条路线能帮助你判断，Physical AI 走向真实部署，最缺的究竟是模型、数据、本体，还是整套工程系统。

路线三：AI Coding 从个人提效走向团队生产，研发体系能否接住代码洪流

当 AI Coding 生成速度超过人的阅读与审查速度，企业的知识、评测、Review、测试、CI 与组织机制能否同步升级？

报告显示，2026 年企业 AI Coding 支出已达到 340 亿美元，同比增长 7.7 倍，企业代码活动量同比增长约 5 倍。代码产能快速上涨，也同步放大了审查、构建、部署、维护与 SRE 的需求。对技术管理者来说，这已经不是要不要买一个编码助手的工具选型题，而是研发流程、质量门禁、效能指标与人才培养方式的系统重构。

「AI 原生软件研发：从 Harness 到 Loop」专题，将集中讨论 AI Coding 从个人工具走向大规模生产环境后暴露出的真实问题。