2026年夏天，TRAE AI创造力大赛公布了它的成绩单：启动两个月，3.7万人报名，提交了1.4万个开发作品。参赛者里几乎没有专业程序员。一个零基础的地质从业者，花了两个月，把三维地质建模从工作站搬进了手机。

AI创造力大赛小选手现场分享参赛作品

一个刚入行的航天新人，拉着读初中的儿子，用AI做出了能实时追踪卫星轨道的可视化平台。

初中少年分享自研卫星轨道可视化平台

这件事本身，比任何关于AI发展速度的论述都更有说服力——它告诉你，AI的进步不是在某个实验室里发生的，而是已经冲到了普通人手里，变成了他们能用的东西。而"能用的东西"这四个字，恰恰是过去三年AI发展速度远超想象的真正含义。

密度定律，一个比摩尔定律更快的节奏

如果你对AI速度的认知还停留在"模型参数越来越大"，那信息已经滞后了至少一年半。2025年，被《Nature Machine Intelligence》收录的一项研究提出了一个叫"密度定律"的发现：达到同等智能水平所需的模型参数量，大约每3.5个月减半。

这个节奏意味着什么？摩尔定律说的是芯片上的晶体管数量每18-24个月翻一倍，这已经是过去几十年科技产业最著名的速度标杆。而密度定律的周期是3.5个月，不是18个月，也不是12个月，是3.5个月。

你可以把它理解成芯片制程的"缩小版"逻辑——芯片行业把晶体管越做越小，同样面积塞进更多算力；AI模型把"智能密度"越做越高，同样效果用更少参数就能实现。但关键是，AI领域的这个"制程进步"速度，是芯片行业的五倍以上。

面壁智能是这个趋势最极端的践行者。当全行业都在拼万亿参数的时候，他们做了一个1.3B参数的小模型，能在6GB内存的设备上流畅运行；更进一步，用1.58-bit量化技术把推理显存压缩了6倍，能力保留率超过90%。他们的MiniCPM系列全球下载量已经突破4300万次。

这不是个案。DeepSeek V4 Pro通过混合稀疏注意力架构，把长上下文推理的浮点运算量降到前代的27%，键值缓存压缩到10%，但长上下文检索能力反而超过了谷歌的旗舰模型。行业正在做的不是"堆更大的模型"，而是"把模型做小、做密、做便宜"。

DeepSeek V4 Pro性能对比行业主流大模型

这个转向的速度，超出了行业内部几乎所有人的预期。

从不到10%到接近50%，制造业只用了两年

技术的快，如果只是论文里的数字，那和普通人没关系。真正让人感受到"快"的，是它渗透进实体经济的速度。

IDC的调研数据给出了一个很直观的对比：中国工业企业的大模型及智能体应用率，2024年只有9.6%，到2025年变成了47.5%。同期，多环节规模化应用的企业占比从1.7%跳到了35%。

这两个数字放在一起想：不到两年，将近一半的制造业企业已经在用AI智能体了，而且超过三分之一是深度嵌入了多个生产环节。传统工业软件的渗透过程，同样这么大幅度的提升，通常需要十年甚至更久。

落地不是"接入一个聊天机器人"那么简单的事。在工业场景里，AI智能体要干的是质检、设备维护、生产排程、工艺优化——这些是直接影响产品质量和产线稳定的事。

比如，联易融的蜂联AI Agent在某商业银行上线后，业务量增长了20%，单笔业务处理时间缩减了60%；在某央企财务公司，业务办理时效提升了75%，运营成本降低了90%。这种级别的效率提升，不是"辅助工具"能做到的，是AI已经在替代和重构原有的业务流。

办公场景的渗透同样在加速。2026年6月，中国桌面端AI原生办公智能体合计访问量突破6000万次。腾讯WorkBuddy月访问量达到2097万次，百度的"百度搭子"月活环比增速高达1063.79%。

这些产品不是"聊天机器人"，而是能理解工作意图、自主拆解任务、调度工具、直接交付成果的智能体。区别在于，过去的AI回答你的问题，现在的AI帮你把活干完。

开发门槛被拉到一个"孩子都能用"的水平

如果说技术迭代快是行业内部的感受，商业化渗透快是企业的感受，那开发门槛的消失，是普通人能最直接触碰到的"快"。

扣子、TRAE这些平台出现后，开发AI应用不再需要写代码。一个保险销售，上完12节课，就能独立搭建出覆盖旅游助手、汽车客服、内容创作等多个行业的可运行智能体。上海开放大学的AI培训覆盖了大学教师、快递员、企业主，最年长的学员78岁。

更直接的数据来自TRAE：2025年全年，它为全球用户生成了近1000亿行代码，处理了近5亿条开发查询。IDC预测，中国AI编程市场规模将从2025年的3.99亿元增长到2026年底的11.73亿元。一年内翻三倍的增长，不是"市场在变大"，而是"市场在从零被创造出来"。

为什么门槛降得这么快？因为大模型本身变成了"开发工具"。以前写代码需要懂语法、懂框架、懂调试，现在只需要用自然语言描述你想要什么。华为云青少年AI大赛收到的500多件作品里，有10岁孩子做的村口智能导诊药柜，有中学生做的情绪互动工具，有手语学习工具。

少年参赛者分享智能导诊类AI应用作品

这些作品不是"玩具"，是能实际运行、解决真实问题的应用。

一个更极端的案例：95后创业者卢冠男，团队只有4名全职员工加实习生，借助AI工具在一年内做出了一个拥有400万注册用户、1万付费客户的AI营销工具。他定了一条规矩：所有人不许敲一行代码。研发全流程——需求分析、代码生成、审核、监控——全部由AI主导完成。

放在传统软件公司，这套流程至少需要一个十人专业团队。

"快"的背后，是"谁都能做"取代了"只有少数人会做"。

开源，把速度从一家公司的事变成了所有人的事

还有一个容易被忽略的加速器：开源。

2026年，Hugging Face的春季报告显示，中国开源模型在全球的下载占比达到41%，历史上首次超过美国，累计下载量突破100亿次。阿里首次把旗舰Max级别的模型开源，DeepSeek、智谱、月之暗面、MiniMax的模型权重也全部开放。

开源为什么加速了发展？因为当模型权重公开后，全球的开发者都可以在它的基础上做微调、做适配、做二次开发。一家公司的研发成果，变成了全行业的起点。大模型不再是"几个巨头的秘密武器"，而变成了"谁都可以拿来用的公共基础设施"。

但也要看到，开源不会解决所有问题。蚂蚁集团CEO韩歆毅的判断是，Agent真正的商业爆发点可能要到2027年下半年才会出现，核心瓶颈不是模型能力，而是数据分散、跨主体权责规则缺失、利益分配机制没形成。技术跑得比产业协同快，这是当前AI落地真实的节奏差。

不过，节奏差本身并不改变一个事实：AI的迭代速度已经超过了过往任何科技产业的经验。从"百模大战"的砸钱抢市场，到2026年国产大模型集体涨价——行业已经从"怎么把模型做出来"走到了"怎么让模型产生价值"的阶段。从技术突破到商业变现的周期，被压缩到了极致。

回到开篇那个地质从业者。他不懂编程，但他知道自己的领域里有什么问题需要解决。他把需求告诉AI，AI帮他写代码、查论文、做调试。两个月后，一款能跑在手机上的三维地质建模软件问世了。

这就是AI发展速度远超想象的本质：它不是在"变得更强"，而是在"让更多人变得更强"。当技术门槛降到零，最大的变量就不再是技术本身，而是"有多少人愿意用它去解决自己行业里的问题"——这个变量的上限，远没有到顶。