Article: InfoQ AI, ML and Data Engineering Trends Report - 2026

InfoQ AI、机器学习和数据工程趋势报告 - 2026 - InfoQ

InfoQ 首页 文章 InfoQ AI、机器学习和数据工程趋势报告 - 2026

AI、机器学习与数据工程

QCon AI 波士顿（2027年7月8-9日）：AI原型已经成功运行。那么在生产环境中会发生什么？

InfoQ AI、机器学习和数据工程趋势报告 - 2026

2026年10月30日 21分钟阅读

作者：

• Srini Penchikala

• Chip Huyen

• Daniel Dominguez

• Hien Luu

• Arthur Casals

#### 关注我们

YouTube

232K 粉丝

LinkedIn

26K 粉丝

Instagram

新

RSS

19K 读者

X

57.1k 粉丝

Facebook

21K 喜欢

Bluesky

收听本文 -

0:00

音频准备就绪

您的浏览器不支持音频元素。

正常

1.25x

1.5x

喜欢

新下拉阅读列表

• 阅读列表

关键要点

• 语言模型已从大型模型转向小型语言模型。我们还看到能够通过数学和逻辑问题推理后再作答的推理模型正在兴起。

• AI代理正在从个人代理转向团队协作代理，越来越多的企业开始在组织范围内使用代理。

• 类似TypeSafe AI的Jev这样的System One模型将获得更多采用，因为它们具有确定性推理、更快的推理速度以及相比大型语言模型（LLMs）更低的成本。

• AI推理仍然是一个有用且强大的趋势，未来将有越来越多的公司开始采用这一技术。

• 今年AI评估受到了广泛关注。评估是一种帮助我们确保代理为正确任务执行正确操作的方法。

• 2026年物理AI取得了显著进展。我们开始将软件智能连接到能够感知和作用于物理世界的机器上。

InfoQ AI ML年度趋势报告为InfoQ读者提供了人工智能、机器学习和数据工程领域新兴趋势和技术的全面概述。本报告总结了InfoQ编辑团队与外部嘉宾的播客讨论，探讨2026年人工智能和机器学习技术的趋势以及未来十二个月值得关注的内容。结合报告和趋势图，我们的配套播客对所有这些趋势进行了深入讨论。

AI和机器学习趋势采用图

年度趋势报告的重要组成部分是趋势图，该图展示了进入创新者类别以及被提升至早期采用者和早期大众类别的趋势、技术和主题。这些类别基于Geoffrey Moore的著作《跨越鸿沟》（Crossing the Chasm）。在InfoQ，我们主要关注尚未跨越鸿沟的类别。以下是今年的趋势图：

自2022年11月ChatGPT发布以来，已经过去近四年。自RAG技术开始在企业中获得采用以及自主LLM代理出现以来，也已过去两到三年。过去几年的爆炸性增长在2026年持续，自InfoQ团队去年讨论趋势报告以来（请参见下方2025年趋势图），AI技术已取得重大创新和发展。

如需了解2025年人工智能和机器学习技术趋势的详细信息，请参阅去年的趋势报告文章。

今年的趋势文章是在去年讨论的基础上进行的延伸。文章突出了趋势图，该图展示了技术采纳的不同阶段，并详细说明了自去年趋势报告以来新增或更新的个别技术。我们还讨论了哪些技术和趋势已被纳入采纳图中。对于今年更新的采纳图，团队还新增了一些在播客中未讨论的主题。

您会注意到，我们还对存在范围重叠的主题进行了重大重组，并移除了几个因主流采纳而不再需要在采纳图中跟踪的技术。

以下是自去年报告以来发生的一些变化：

创新者

我们采纳图中的第一类“创新者”今年新增了一些有趣的新主题。这些主题将在下文详细讨论。

代理到代理协议（Agent-to-Agent Protocols）

随着代理式AI系统变得复杂，涉及多个不同代理和领域，代理之间的通信以及多代理系统之间的通信对于这些系统保持一致的安全性、准确性和可靠性至关重要。

在趋势报告播客中，我们的嘉宾之一Daniel Dominguez谈到了代理通信协议及其在整体代理式AI解决方案中的重要性。

Daniel Dominguez：在所有这些技术之下正在发生架构层面的转变。为了使代理在企业中发挥作用，它们需要访问工具、数据、API并与其它代理进行通信。所有类似MCP或A2A的协议将变得越来越不同。我认为问题在于代理协议是否会成为新的企业集成层。例如，今天我们将应用程序连接到API，明天我们可能会在这些API之上增加任务协调工作，从而具备代理发现能力。我认为所有这些架构层级都在改变代理之间的交互方式。

推理引擎（vLLM, SGLang, llm-d）

另一个发生重大发展和转型的领域是AI推理。2026年被称为推理元年。企业正从训练模型转向在生产环境中运行AI推理。预计到今年年底，推理将占AI计算支出的约三分之二。推理模型、长上下文和代理使其从单纯的模型执行问题转变为涉及计算、内存、网络、路由和经济的系统性问题。

Hien Luu在播客中详细讨论了他观察到的推理框架趋势。

Hien Luu：自2026年初以来，推理领域迅速发展。显然，一方面我们有来自vLLM、SGLang等项目的一系列推理框架，这些工具帮助我们在自己的环境中快速搭建推理服务。同时，这些开源模型的能力也在不断增强。最初这个领域很少有人了解其运作方式和操作方法，但现在已有大量信息和资源可供参考，包括如何实际使用这些软件以及如何优化它们。与此同时，我们讨论的一些用例涉及金融公司，这些公司需要处理个人身份信息（PIIs）。在这些特定场景中，内部部署开源模型的能力变得非常重要。我认为这种趋势将持续增长，随着部署门槛降低、操作难度减小，越来越多的公司将采用这种方式。出于成本考虑，一些公司甚至希望内部部署开源模型用于编程等场景。我认为推理领域将持续成为非常有用且强大的技术方向，未来将有越来越多公司开始采用。

捆绑工程（Harness Engineering）

今年开始受到广泛关注的一个相对较新领域是捆绑工程（Harness Engineering）。Hien提到该主题的重要性，以及它如何支持工程能力，如内存管理和协同执行。

Hien Luu：我想补充两点关于智能体（Agent）的讨论。第一点是捆绑工程，我认为这是上下文工程的延伸。但让我觉得非常有趣且与我即将举办的研讨会密切相关的是，这些智能体SDK最初只是帮助我们编写循环逻辑。现在这些SDK已扩展为提供捆绑工程能力，包括上下文内存管理、协同执行，以及一些可以直接操作本地文件系统的开箱即用工具。这是另一个趋势：来自LangChain、Anthropic或OpenAI的智能体SDK都在朝着增强捆绑工程能力的方向发展。对于任何未来构建智能体的开发者来说，这都是需要关注并加以利用的趋势。还有一个趋势是管理这些智能体。这些公司正在为你提供运行环境来部署智能体。无论你是否选择这么做，这是另一个问题，但这就是他们观察到的趋势："我们能够构建它们，能够构建得非常好，但如何在大规模场景下进行运维和运行？"

以规格驱动的开发与AI软件工厂

随着AI技术在软件开发过程中承担了大部分编码工作，我们看到开发者开始更加关注需求和规格，以充分利用自动化设计和编码任务的潜力。

这项技术变革催生了诸如规格驱动开发（Spec-Driven Development）和AI软件工厂（AI Software Factories）等趋势。一些组织正在组建专门团队构建软件工厂模型，使开发团队能够利用AI工具实现软件开发全流程的自动化。该模型包含具体的软件开发生命周期（SDLC）步骤，例如自动编译和分析现有软件应用的业务领域及需求，审查新的业务需求或系统增强方案，为这些新需求编写功能性和非功能性（技术性）规范，生成用于实现新需求的设计和开发任务，最终自动生成更新后的软件应用代码和其他相关制品。

发言人Hien Luu分享了他对规格驱动开发的见解。

Hien Luu：这可能始于四到五年之前。现在的编码代理（coding agent）已经非常强大。但当你构建一个项目时，通常需要提前规划好目标、功能等要素，而不是立即跳转到编码代理进行开发。这借鉴了我们已知的良好实践，但现在以编码代理可理解的形式进行了规范化。例如，如果你要构建一个全新的绿地项目（greenfield project），首先要明确其定位，确定需要哪些功能。然后与你的编码代理进行头脑风暴，为其提供实际构建前所需的上下文信息。我认为围绕这一实践已经形成了很多良好的方法论，大多数人也认可这是最佳实践。如今我很少再听到相关讨论，因为人们正在实际应用这一方法，而AI工厂的实践可能在最近几个月才真正开始探索如何将AI融入软件开发生命周期的各个阶段。典型的使用场景是："嘿，有人报告了一个bug，如何让AI从头到尾处理这个问题？比如从接收PR（Pull Request）开始，进行分析，尝试复现问题，提出修复方案，提交PR，然后继续完成代码审查、测试等后续步骤？" 我认为我们所有人都面临任务繁重的困境，如果能通过自动化帮助解决这些问题，将为加速软件开发生命周期带来另一个维度的提升。

物理AI / 具身AI

另一个持续创新的领域是物理AI（Physical AI）。这是将智能带入现实世界的过程。AI代理本质上是软件系统，我们如何将同样的能力注入硬件，无论是机器人、协作机器人（cobots）还是自动驾驶汽车？

Daniel Dominguez谈到了物理AI领域正在发生的变化以及我们应该关注的重点。

Daniel Dominguez：基本上，问题在于“我们如何将人工智能带入物理世界？”在过去的几年里，我们投入了大量时间将智能融入软件。现在，我们开始将这种智能连接到能够感知和在物理世界中行动的机器上。正如你所说，我们开始看到机器人、自动驾驶汽车、无人机以及工业系统成为这一转型的一部分。我认为，物理AI与软件代理的根本区别在于，物理AI的错误会对物理世界产生实际影响。在软件中，代理可能犯下生成自己文件的错误，但机器人可能会移动自己的赤道。这将是一个完全不同的错误层级。可靠性、模拟、安全、验证和评估在物理世界中将变得越来越重要。基于这一点，目前正在进行的机器人基础模型工作，另一个重要的转变是机器人开始受益于与语言和视觉领域变革相同的底层模型方法。我们将开始看到数字孪生机器人模拟、开放式机器人领域的发展，以及从AI代理到物理代理的各种应用。所有这些在未来一年内都将加速推进，因为现在AI已经存在，我们必须将其部署到物理世界中。

Chip Huyen 还讨论了机器人与视觉语言模型如何协同工作。

Chip Huyen：将模型带入现实世界的下一步是突破，我们看到了很多进展。我认为唯一的挑战是存在多个挑战。我们常说机器人就像汽车一样，就像大型语言模型（LLM）所说的那样：“好吧，我们知道现实世界中有很多机器人。”Waymo和Zoox随处可见。我们在现实世界中看到了很多机器人。机器人、模型和LLM之间的一个重大区别是回溯的挑战。对于LLM来说，在虚拟计算机上训练时，如果出现错误，可以回退。可以重置状态并继续。可以进行大量探索并选择最佳状态。但在机器人领域，你无法做到这一点。你不能对机器人说：“那里有一段楼梯。”机器人摔倒并损坏后，你无法简单地重新运行并得到之前的机器人。这使得探索变得极其困难。另一个挑战是数据。我研究了很多机器人设置。我认为Janatics Robotics公司——我们有很多类似Generalist、Physical Intelligence、Sunday、Skild AI这样的公司，我对此非常兴奋。

创新者类别中的其他趋势，我们今年新增或修订了以下主题：

• 代理安全与治理
• 语音代理
• 专用决策模型（例如TypeSafeAI的Jev模型）
• AI网关
• 图形RAG
• LLMOps / GenAIOps
• 脑机接口

早期采用者

在早期采用者类别中，我们希望突出两个主要主题：语言模型的创新和RAG。

AI代理 / 代理编排

与去年类似，智能体AI（Agentic AI）今年再次成为主导话题。2025年及更早的年份主要关注如何学习和构建AI智能体。如今，组织正在探索如何运营智能体、如何将其部署到生产环境，以及如何在生产环境中实现规模化。

Daniel Dominguez在本年度播客中讨论了AI智能体领域的最新进展：

Daniel Dominguez：我认为2026年最大的变化是AI正在从我们与之交互的对象转变为我们可以委托的对象。正如Hien所说，我认为过去几年大多数AI应用都基于简单的交互模式：你提出问题，手机给出答案。而今年开始，我们看到了能够规划、使用工具、执行操作、自主工作并持续运行更长时间的系统。我认为今年的重点不再是模型智能的又一次飞跃，而是将这种智能转化为实际系统。让我感兴趣的是，智能体正在快速通过多个阶段。我们最初从个人智能体开始，帮助单个用户；随后出现了协助团队的智能体；现在企业开始思考如何让智能体在整个组织中运作。我认为重要的转变是，我们正在超越单纯的聊天机器人模式。过去我们只是生成答案，而现在智能体可以拥有目标、使用工具、与软件交互、做出决策，并持续工作直到任务完成。我认为这将AI从界面层面转变为更接近执行层的存在。在软件开发领域，我们已经能看到这种变化。软件开发可能是这种转型最明显的领域。我们从自动补全功能发展到代码协作者（copilot），现在又出现了代码智能体。Claude、Codex、Cursor、Replit等工具已经能够导航代码库、修改多个文件、运行注释、执行任务、检查失败情况并自主迭代。有趣的问题不再是"AI能否编写代码？"，因为我们已经知道AI可以编写代码。在智能体AI领域，由于多智能体系统相比基于单个智能体的系统能带来更多优势，更复杂的多智能体系统正在变得越来越普遍。

讨论嘉宾Arthur Casals谈到了当前关于多智能体系统的相关研究，这些系统的工作原理，以及如何在实际场景中应用它们。

Arthur Casals：当你思考多智能体系统这个主题时，它在LLM智能体出现之前就已经存在了几十年。学术界人士看到LLM智能体、Transformer模型以及与整个多智能体系统相关的技术时，似乎在试图重新发明过去已有的东西。我的研究领域是LLM出现之前的经典多智能体系统，但这并不意味着它不能将LLM系统作为组成部分。但最近我一直在研究信念修正。这实际上是解决AI领域两个问题的重要部分，一个与幻觉有关，另一个与智能体处理信息后的准确性及溯源性有关。它处于计算机科学与哲学的交叉领域，涉及大量形式逻辑，但确实非常有趣。我们最近一直在研究一种基于形式逻辑的配置文件定义方法，这项工作从去年年底持续到今年年初。它类似于我们之前讨论过的Jev相关概念。因此，他们有一个结构化输入、结构化输出，以及如何让AI智能体不依赖其他智能体，而是直接从这里到那里完成任务。

模型与智能体的AI评估

今年，我们在AI评估、防护机制和测试框架等质量保障领域也看到了更多进展。2026年被称作AI评估年。该领域出现了许多引起关注的技术方法。测试框架可能是今年讨论最多的主题。随着AI工具越来越多地用于编写代码和其他软件组件，对正式、严谨、一致且可靠的验证框架的需求从未如此迫切。那么，我们如何衡量AI的有效性？在端到端流程中，哪些指标能够帮助评估和验证环节实现有效的检查与平衡？

我们邀请专家小组解释他们在智能体AI评估领域观察到的现象。以下是他们的观点。

Hien Luu：这对将AI智能体投入生产环境的公司来说是一个非常重要的话题，尤其是面向客户的应用，而不仅仅是内部使用。以DoorDash为例，他们开发了一个用于订餐的AI助手。还有其他公司为外部用户构建客户支持智能体。我们都知道LLM并非确定性系统，构建智能体时可能会出现错误决策，比如选择错误的工具或执行不当操作。评估是确保智能体为正确任务执行正确操作的关键手段。如果没有评估，我们如何知道智能体是否失控或执行了违反公司政策的意外操作？企业不仅需要这么做，还必须将评估作为构建AI智能体的核心步骤之一。许多企业最终会构建所谓的评估框架，这有助于推动整个评估流程，从获取数据、运行评估或测试（正如我们所知，测试——对吧？），到最后评估质量。

Daniel Dominguez : 我完全同意今年是模型和代理评估之年的观点。一旦代理能够执行操作，仅评估模型本身是不够的。你必须评估整个系统，包括模型、工具、上下文、代理循环和环境。在这里，指标也发生了变化。评估标准不再仅仅是答案是否正确，而是代理是否完成了任务、成本如何、耗时多久、需要多少干预，以及在过程中是否出现了不安全行为。我认为所有这些评估才刚刚开始，我们将看到如何评估与代理、大型语言模型（LLMs）以及它们在我们工作中进行的交互相关的整个工作流程。

除了这些突出的技术趋势外，还有一些技术正在从创新者（Innovators）类别向早期采用者（Early Adopters）类别过渡。以下列出的所有技术都经历了广泛的开发和采用，现在已被许多组织中的各种应用程序使用。

出于合理的原因，AI技术开始在生产支持、故障排除、维护和升级操作的DevOps和SRE领域得到应用。

• 代理编码 / 自主软件工程
• 代理可观测性
• 推理优化与模型路由
• 小型语言模型（SLMs）
• 推理模型
• 可解释AI
• 虚拟现实（如VR/AR/MR/XR）
• 认知服务
• 边缘AI推理
• 模型上下文协议（MCP）
• 多模态AI
• AI DevOps / AI驱动的SRE

早期大众（Early Majority）

以下主题正在被归类为早期大众（Early Majority）类别，因为这些技术已变得更加主流，并被各种组织中的软件开发团队广泛采用。

上下文工程（Context Engineering）

在AI代理时代，上下文工程（Context Engineering）仍然是一个重要的主题，并且正在不断发展以用于AI驱动的解决方案。Arthur Casals对此进行了强调，指出上下文工程中的一个挑战——上下文污染（Context Pollution）。

Arthur Casals : 上下文污染实际上是当前最需要强调的问题，因为过去一年左右，我们看到了整体上下文窗口变大的趋势，但如果系统无法区分有用信息、当前信息、替代信息与无关、过时或对抗性内容，这一问题实际上并未得到解决。我在这里引用了自己研究中的一些观点，但总体而言，更多的上下文可能会使代理变慢、成本增加、可靠性降低。实际的问题是，无论你的上下文窗口大小如何，进入上下文的内容是什么？这些内容来自哪些来源？在什么工作流程步骤中被引入？这样才能避免巨大的污染问题。这涉及检索质量、来源分布、专业规则、上下文模型以及上下文压缩。我的意思是，"上下文"这个词背后隐藏着大量复杂的问题。我认为就是如此。

此外，与去年的报告相比，我们新增了以下主题，我们认为这些主题已准备好进入早期大众（Early Majority）阶段。

• 生成式AI / 大型语言模型（LLMs）
• 检索增强生成（RAG）
• 知识图谱
• MLOps
• 向量数据库
• 数据契约（Data Contracts）
• 数据可观测性（Data Observability）
• 图数据分析（Graph Data Analytics）
• 合成数据生成（Synthetic Data Generation）
• 开放表格式（OTFs）

晚期大众（Late Majority）

最后，在我们采用图谱中的最后一个类别“晚期大众”中，有一些主题已经从“早期大众”类别中转移过来。这些技术现在已被团队全面采用，成为其核心架构、设计模式和开发流程的一部分。

• 自动化机器学习
• 图像识别（计算机视觉）
• 数字助手
• 数据网格
• 流处理与分析
• 推荐引擎
• 湖仓一体架构
• Spark

从采用图谱中移除的主题

我们还想指出，在本次《AI/ML趋势报告》中，我们移除了一些已经使用多年、已趋于成熟的成熟技术。这些技术已成为主流技术的一部分，无需再在我们的采用图谱中进行跟踪。

这些主题包括自然语言处理（NLP）、深度学习、NoSQL数据库、内存数据网格和大数据（Hadoop）等成熟技术。

结论

人工智能是一项重大的技术变革。正如我们所有人现在所知，经过近四年的演进，它已不再是短暂的热潮或技术雷达上的临时波动。它将长期存在。它是过去二十多年中最重要的技术浪潮之一。我们应该利用这一技术变革，而不是害怕它。找到方法，将AI工具用于日常生活的任何工作流程中，无论是办公室项目还是个人生活。

团队对明年的一些预测包括：

• 我们预计将在美国的机器人公司中看到更多创新。
• 我们还将看到大量更便宜、更快的模型；TypeSafe风格的模型将非常有趣。
• 我们将开始看到AI在能源和AI基础设施方面的限制，涉及电力获取、容量和数据中心冷却位置的限制。到2027年，一些最大的AI故事可能实际上发生在模型本身之外；这将更多地涉及能源、芯片、基础设施和地缘政治。
• 每个AI代理都将包含某种形式的Jev模型。
• 越来越多的通信将在代理之间进行，随着我们逐步弄清楚如何构建、运营并将所有这些代理投入生产。
• 我们将看到许多使用小型专用代理进行混合模型和明确任务的场景。最大的区别将在于周围系统。
• 人工智能将成为我们日常生活中更重要的组成部分。我们认为，AI在利基领域将得到解决，这些领域AI将真正有价值，而人类智能仍然需要发挥作用。

作者部分主容器

关于作者

章节标题

每位作者的主容器

#### Srini Penchikala

显示更多

显示更少

#### Chip Huyen

#### Daniel Dominguez

#### Hien Luu

#### Arthur Casals

#### 此内容属于AI、机器学习与数据工程主题

##### 相关主题：

• AI、机器学习与数据工程
• AI代理
• AI编码
• AI开发
• 代码生成
• 大型语言模型
• InfoQ趋势报告2026
• Agent2Agent
• InfoQ趋势报告
• 人工智能
• 机器人技术
• 代理
• InfoQ
• 相关编辑
• 相关赞助商《实用代理编码手册》
• 相关赞助商大规模自动化代码转换。修复漏洞、迁移框架并现代化所有仓库中的遗留代码。免费试用Moderne。

InfoQ电子报

每周二发送的InfoQ上周内容精选。加入超过25万名资深开发者的社区。查看示例

我们保护您的隐私。