最近，周鸿祎在2026崇礼论坛上发表了一场主题演讲，深入阐述了人工智能发展的核心趋势与实践路径。

开场时，他以轻松幽默的口吻分享道：“这次来到太舞小镇，其实我和大家的目的差不多——主要就是为了滑雪。此外，我还有个埋藏多年的小心愿：滑了这么多年雪，技术始终没什么长进，这次特别想掌握上下身分离这个核心技巧。”

回顾人工智能的演进历程，他梳理出一条清晰的发展轨迹：2024年是大模型竞相涌现的爆发之年；2025年则迈入智能体规模化构建的关键阶段，大模型逐步演变为具备自主规划与执行能力的智能体；进入2026年，全球智能体数量预计将突破百亿量级。届时，在AI产业格局中，资产规模达百亿元的企业，已难以称为巨头，只能归类为中等体量的参与者。

他指出，早期大模型多停留在交互式问答层面，尚不具备承担真实业务的能力；唯有升级为可理解任务、调用工具、持续反馈并闭环执行的智能体，才能真正嵌入千行百业，实现价值落地。

针对业内普遍存在的理解偏差，他特别澄清了训练算力与推理算力的本质区别。训练算力门槛极高，集中于少数头部机构，属于资源密集型投入；而对绝大多数用户与企业而言，实际高频使用的是推理算力。二者消耗量级相差巨大：日常与大模型对话，即便每日输入两万字符文本，每月token用量也仅数万；但若驱动一个智能体完成一部短剧创作，或组织一场专业领域的深度授课，所需推理算力往往高达百万乃至千万token级别。

他还强调，当前一种典型误判在于，将大模型研发与芯片制造等同于AI发展的全部重心。技术底座固然重要，但要让AI真正扎根企业、服务产业，核心在于构建面向垂直场景的智能体。这一过程的主导者，并非算法工程师，而是深耕一线的业务专家与行业实践者。

他解释道，每一家企业内部都沉淀着大量难以显性表达的知识资产——包括岗位特有的能力要求、流程中的隐性规则、客户交互的独特话术，以及管理者凭经验形成的判断逻辑。这些内容往往深植于资深员工的记忆中，部分甚至构成企业的核心技术壁垒。若将其直接用于通用大模型训练，极易引发知识外泄风险；而用于训练专属智能体，则既能保障数据安全，又能精准释放业务价值。

在他看来，率先将这类隐性知识系统化转化为智能体的学习语料，正是把握本轮AI发展红利的关键入口。