★ FEATURED ARTICLE CES 2026某前沿科技展的演讲嘉宾核心观点全景报告这次我整整整理了近三周。一百多位嘉宾的分享看下来最大感受是现在行业里谈技术的人越来越克制谈落地路径的人在变多谈风险和代价的人也不再是少数。这篇博文会把我在做这份报告过程中的观察、取舍和分析思路完整拆开把最终沉淀下来的核心观点、方法论和判断依据一起讲清楚。无论你是产品经理、技术研发、产业分析师还是单纯想了解未来两年科技走向的开发者应该都能找到可以直接拿走用的部分。先说清楚全景报告不等于活动新闻稿也不是演讲速记。它更像是在同一张时间轴上把几十甚至上百个分散的观点重新拼接成一张地图。我给自己定了三个核心问题哪些判断正在形成行业共识哪些分歧值得持续跟踪嘉宾口中的“未来”有哪些其实今天就能动手做带着这三个问题去看内容信息密度会完全不同。1. 全景报告到底在做什么把一场展会拆成一张决策地图1.1 为什么把“演讲嘉宾观点”作为切面很多人做展会复盘时习惯先看产品、再看展台、最后补新闻稿结果容易变成流水账。我这次反过来把“演讲嘉宾观点”作为第一切面。原因很简单产品是静态的参数是冷冰冰的但一场演讲里的观点通常包含三样东西——为什么这么做、打算怎么做、做到什么程度算成功。这些信息比产品本身更能反映一家公司的阶段判断。尤其对从业者来说产品可以买来拆解但决策逻辑很难直接看到。演讲嘉宾在台上讲的内容是他对市场、技术成熟度、用户接受度和商业模型做完取舍之后浓缩出来的表达。往小了说这是一家公司的路线选择往大了说它代表某个细分赛道的集体风向。所以把观点单独拎出来做分析比“产品参数罗列”更有参考价值。1.2 三个信息圈层观点、论据、落地信号我在整理时把所有嘉宾内容拆成三个圈层分别处理。第一个圈层是观点本身。这是嘉宾对某个趋势或技术路线的明确判断通常会以“我认为”“未来X年内”“我们坚定看好”开头。这类句子是报告的骨架我会原样保留关键措辞不做过多的“同义转述”因为转述一旦加入个人理解很容易失真。第二个圈层是论据。也就是支撑观点的数据、案例、产品发布时间表、测试结果。比如有人说“端侧大模型已经可以跑70亿参数”如果这句话没有附带设备型号、芯片平台或能耗数据我会把它标记为“待验证观点”而不是直接吸收。论据质量直接决定一个观点是“口号”还是“判断”。第三个圈层是落地信号。意思是对方讲的东西观众今天能不能上手验证或者半年内能不能买到、用到、集成到系统里。比如某厂商说“我们的开发套件已经开放申请”这就是强落地信号说“下一代产品将支持”那是弱信号。这个圈层对做规划的人来说最有用。1.3 定好研究边界避免被“全场乐观”带偏展会类内容有个天然陷阱几乎所有演讲都必须以正向口吻结尾。现场观众容易被气氛感染整理者如果只顺着讲者的情绪走写出来的全景报告会整个飘起来。我的做法是提前定三条筛选规则。第一只保留有信息增量的内容重复同质观点直接归并第二每个关键观点必须有原始素材支撑不接受二手转述第三明确区分“已经在卖的产品”和“PPT里的概念”。在这个边界内哪怕内容少一点也比大而全的假报道更值钱。2. 提炼观点的方法从速记稿到可用结论的三遍漏斗2.1 第一遍全量通读给观点句打标签原始素材通常包括官网通稿、现场速记、媒体访谈和嘉宾个人社媒。第一遍我不会急着提炼而是把所有资料全部读一遍一边读一边给内容打标签。标签分几类前景判断、技术拆解、商业模型、用户洞察、风险预警、开放生态、合作信号。这一步的关键是不放过“转折句”。很多嘉宾前面铺了一堆行业数据真正有价值的往往是“但是”后面那句。比如“大家过去一年都在卷模型参数但是接下来拼的是推理成本和场景适配”这种话才是观点前面的数据只是背景板。打标签过程中我用不同颜色区分“观点句”和“描述句”后面提炼时会专注看上色部分。2.2 第二遍交叉验证与上下文补全第一遍会得到大量碎片化观点如果直接引用很可能会断章取义。第二遍要做的是把每个观点放回完整语境里查一遍。具体动作是找到该嘉宾演讲的完整视频或速记稿把引用句子前后各两段内容读掉确认他是在什么背景下说的——是在回应行业质疑、在发布新品还是在投资人沟通环节被追问交叉验证同样重要。某嘉宾如果宣称自己的产品“出货量行业第一”我会去找同场其他嘉宾或媒体访谈里的数据核对统计口径。哪怕最终无法精确判断我也会在报告里备注“该数据来自企业自述未经第三方确认”。这个备注看起来不起眼但能避免整份报告被一家公司的话术带着走。2.3 第三遍按照“共识、分歧、待验证”三栏归类前两遍完成后我把所有有效观点全部搬进一张大表横轴是嘉宾和场次纵轴是议题然后逐格填空。最后再拉一张“共识、分歧、待验证”三栏总表。共识栏放的是被三个以上独立来源重复确认的判断比如“AI正在从模型战场转向应用场景”这类结论可信度最高。分歧栏放的是立场针锋相对但都有论据的观点比如“端侧到底能不能承载复杂推理”我会保留双方原始论点不急于评判对错。待验证栏放的是听起来很激动但数据显示不足的观点比如某位嘉宾宣称“三年内L4将全面商用”这类内容需要标记观察时间点。这一步做完之后整份报告的骨架其实已经成型了后面的写作只是把表格内容转述成可读文章。3. 演讲嘉宾核心观点拆解六条线路背后的技术逻辑3.1 AI落地从“模型参数”转向“工作流编排”这次展会最明显的变化是演讲嘉宾口中“大模型”“参数规模”出现的频率大幅下降取而代之的是“工作流”“智能体”“工具调用”这类更具体的词。某位做AI应用的嘉宾提了一个观点用户不关心你用的是什么模型只关心任务有没有在更少的步骤里完成。他展示了一个案件把报销审批流程做成由多个小智能体协作的任务链每个智能体只负责解析票据、核对预算、生成摘要、发起审批。这种方式和传统RPA机器人流程自动化最大的区别是流程不再是写死的而是由大模型根据输入动态组装。他的原话是“流程会成为模型推理的一部分”。另一位做开发者工具的嘉宾进一步拆解了技术路径他认为2026年AI应用的分水岭会在“上下文工程”而不是提示词工程。他的理由是单一模型能力趋同之后谁能在系统层面把记忆、工具权限和多轮状态管理做得更好谁的AI应用体验就会明显胜出。这个观点我判断为强共识——至少有三家不同领域的嘉宾都提到同类逻辑只是措辞不同。3.2 端侧智能隐私和体验第一次成为同一件事过去谈端侧AI大家强调的是“离线可用”和“减少延迟”这次演讲嘉宾的叙事明显变了隐私保护成为端侧智能落地的第一驱动因素。一位做端侧芯片的嘉宾说得很直接数据不出设备已经不只是产品卖点而是应用能否进入医疗、金融、办公等敏感场景的准入证。他在现场放了一张架构图展示如何把部分推理拆分到设备本地再由设备自行判断哪些数据加密上云。这种“混合推理”的框架听起来不如云侧大模型华丽但实际落地的速度会更快。另一位做终端设备的产品负责人补充了一个细节端侧模型的参数规模不必一味追求最大七到十三亿参数的模型配合专用加速单元已经能在一些垂直任务上跑出不错的效果。他的推荐策略是在端侧放轻量模型处理高频请求复杂请求再走云侧大模型。这个组合方案在现场得到的提问最多观众普遍关心的是功耗和散热。从问答环节能明显感觉到行业对端侧智能已经从“能不能跑”进入“能不能长时间稳定跑”的阶段。3.3 芯片与算力叙事焦点从“峰值性能”转向“能效比”算力现场的演讲嘉宾几乎都在讲同一个词PUE和单位token能耗而不是单纯讲浮点算力。某云计算架构师提了一个判断下一阶段的算力军备竞赛看的不是单卡性能而是整柜功耗能换来多少有效算力输出。他给出了一组预估在大模型推理负载逐步上涨之后数据中心的电力成本占比会明显上升谁能在同样功耗下处理更多并发请求谁就能在价格战中活下来。这个观点从算力产业角度看非常有分量因为它直接影响下游云服务的定价空间。还有一位做芯片互联的演讲嘉宾观点更具体未来算力系统的瓶颈会从芯片本身转移到芯片之间的数据搬运效率。他把芯片互联带宽比作城市交通计算单元是写字楼数据是通勤的人路网不通楼再高也没用。这种说法在工程师圈子里不一定有新意但放在展会语境下能代表一种共识大家不再迷信“堆芯片”而是开始认真对待系统级工程。3.4 智能出行座舱与智驾从并行走向融合智能出行方向上的核心观点是“舱驾一体”。原先座舱娱乐系统和自动驾驶系统各跑各的硬件独立、软件独立、数据也不互通。这次多家嘉宾都明确表态这种架构正在走向收敛。某智能汽车品牌的技术负责人做了一次现场演示驾驶员坐进座舱车机系统同时调度导航、自动驾驶传感器和车内交互三块原本独立的计算单元合并成一套域控制器。他给出的关键数据是整车电子架构的线束长度因此缩短重量下降同时座舱和智驾可以共享同一个高算力平台降低硬件成本。另一位做自动驾驶软件平台的嘉宾则把视角拉到了数据闭环上。他认为舱驾一体的最大价值不是省硬件而是让车辆在行驶过程中采集到的道路数据和驾驶行为数据能够直接反哺大模型训练。他预测未来两年真正拉开智驾体验差距的不是算法论文而是谁有更多高质量的场景数据回流。这可能是一个比“自动驾驶等级”更值得关注的判断。3.5 新形态硬件眼镜、耳机与随身设备成为高频热词可穿戴设备方向上的观点比预想的要具体。过去大家谈可穿戴总会绕不开智能手表而这次几乎所有嘉宾都在讨论AI眼镜和开放式耳机。一位做硬件设计的嘉宾分享了一个观点AI眼镜要成功首先得是一副好眼镜其次才是AI终端。他观察到上一轮产品失败的原因不是AI功能不够强而是“重量、续航和佩戴舒适度没有达到普通眼镜标准”。在他看来用户不会为了一个AI功能牺牲长时间佩戴的舒适感这是物理定律不是软件能解决的。这个观点很适合做产品的人参考——先满足原有品类的基本盘再谈智能化加分项。耳机方向也有类似判断。某音频厂商嘉宾指出开放式耳机配合环境智能会成为下一个语音交互入口。他的逻辑是眼镜形态在室内办公场景仍有佩戴压力但耳机是绝大多数人已经习惯的随身设备在耳机里加入麦克风阵列和小型NPU就能自然承接语音助手、实时翻译、健康监测等功能。这条技术路线的优缺点在于交互时不打扰别人适合全天佩戴场景但如果传感器精度不够会很快被消费者抛弃。3.6 具身智能机器人开始谈“岗位”而不是“演示”具身智能是这次展会里信息增量最大的板块。去年聊机器人嘉宾们还在展示“会走路”“会抓取”的技术Demo今年几乎所有机器人相关演讲都开始强调“岗位适配”和“数据采集”。某机器人公司的联合创始人在演讲里放了一张表格把仓库、餐厅、家庭、零售等场景拆成标准化动作序列再对照现有机器人能力评分。他的核心判断是具身智能的商业化不会来自人形机器人全面替代人类而是来自特定场景的单一任务闭环。比如先只做“货架补货”这一个动作把识别、抓取、摆放、校验全部跑通再逐步扩展动作库。另一位做机器人操作系统的嘉宾补充了数据层面的难点机器人的泛化能力本质上取决于操作数据的规模和质量。他分享了团队的做法用仿真环境生成大量合成数据再配合真实场景中的遥操作采集把“成本可控的数据闭环”作为首要工程目标。这和自动驾驶领域的“数据闭环”逻辑高度一致但标准化程度更低可做的空间更大。4. 观点背后的共识与分歧全景图里的暗线4.1 正在形成的行业共识AI进入“水电煤”式基础设施期把一百多位嘉宾的观点放到一起看最明显的共识是AI能力正在从“技术卖点”变成“默认配置”。几场演讲分别从手机、电脑、汽车、家电、办公软件等不同角度切入最终都会落到同一句话用户不会再为“设备有AI”付费只会为“AI解决了具体问题”付费。换句话说AI已经过了谈“有没有”的阶段开始进入“做得好不好”的比拼。这种变化会直接影响产品定价以前AI功能可以作为高端版的溢价理由而今年的趋势是把基础AI能力做成标准配置再通过更高阶的定制服务创造付费点。另一个共识集中在数据不动性上多个嘉宾都提到用户数据在设备本地处理的比例会持续上升。这既有隐私合规的原因也有网络成本和延迟的现实考量。可以预判的是混合AI架构会成为接下来两到三年的主流产品形态纯端侧和纯云端的极端路线都属于少数派。4.2 关键分歧三条路线之争不应该被快速统一共识容易看清分歧才是全景报告里最有价值的部分。我整理下来有三条分歧值得长期跟踪。第一条分歧是“端侧为主还是云端为主”。尽管多数嘉宾认同混合架构但侧重点不同终端厂商更强调本地推理优先云厂商则强调端侧只是交互入口重计算仍然要放在云端。这种分歧背后的本质是商业利益谁掌握核心计算资源谁就掌握用户数据流的优先级。短期内双方都会有产品落地真正见分晓要看具体场景的体验表现。第二条分歧是“自动驾驶能不能马上脱手”。一部分嘉宾用法规进展和事故数据来说明脱手要谨慎另一部分则用连续运营里程数据证明系统已经足够安全。这已经不是技术问题而是风险决策题不同企业对“可接受风险水平”的定义完全不同。全景报告没法给出标准答案但把双方的原始论据并排放置会比直接站队更有参考意义。第三条分歧是“订阅制还是买断制”。AI功能推高软件持续成本之后硬件厂商必须决定服务怎么收费。现场有嘉宾坚持把AI功能包含在硬件售价里觉得消费者对订阅已经疲劳也有嘉宾认为高价值AI功能必须按月付费否则无法覆盖推理成本。这场分歧会直接影响消费者接下来几年的日常开支值得单独持续跟踪。4.3 影响范围分析谁会先受益谁的链条会被冲击围绕观点拆完共识和分歧之后我又做了一轮“影响范围”分析看这些观点到底会扩散到哪些行业链条。最直接受益的是“模型中间层”围绕模型做微调、评测、工具链的团队。现场多个应用嘉宾反复提到“模型能力已经够用缺的是怎么评价和调度”这意味着模型供应和模型应用之间的空白地带会迅速长出新的公司。产业链上游也会被明显拉动包括端侧芯片、内存带宽、散热方案、小型化传感器。几位硬件嘉宾都提到下一代产品的瓶颈在物理层面而不是算法比如眼镜的续航、机器人的关节电机、数据中心的散热效率。这些赛道不算热门叙事但订单确定性很强。相对容易被冲击的是可被AI直接替代的重复性软件功能模块比如单一场景的客服机器人、固定流程的自动化脚本、通用OCR工具。多位嘉宾都提到“AI原生应用会把上一代AI应用重新做一遍”这背后的意思是旧AI应用如果只是加了模型接口而没有重构交互逻辑很快会被新一代工作流吞噬。5. 把这些观点落地时容易踩的坑问题排查与避坑清单5.1 坑位一把现场演示当成量产能力展会上最让人兴奋的环节通常是现场Demo但Demo要谨慎解读。我见过不少嘉宾在台上流畅演示AI操作台下追问后才发现用的是内测模型还配了高规格机房和人工兜底。我的处理方法是把演示内容单独归档为“功能验证素材”而不是“可用产品”。判断一个演示是否接近量产标准很简单看它能不能在普通网络环境下的普通设备上复现以及演示结束后团队有没有开放体验渠道。如果二者都没有只说明这个方向有可能性不代表现在就能用。5.2 坑位二只抄金句不记推导逻辑金句是传播利器但对报告的实际价值有限。比如“端侧是未来”“数据决定体验上限”这类表达如果没有配套的数据和推演放到任何一年都成立。我在整理时给自己定了一条硬规矩每个观点必须能回答“为什么现在成立”或者说“它需要什么条件”。如果填空填不出来这个观点就要降级成“待确认”而不是“核心观点”。这条规矩帮我过滤了大量看似正确但缺乏信息密度的内容。5.3 坑位三忽略观点之间的语境和动机同样一句话在不同立场的人嘴里含义完全不同。比如芯片厂商谈“算力需求巨大”是希望你采购更多硬件应用厂商谈“算力已经过剩”是希望你能用更低价格提供算力。如果只整理文字不考虑背后的利益关系报告会形成系统性偏差。我最后的做法是给每位嘉宾标注了“利益身份标签”比如终端品牌、芯片供应商、模型开发者、投资机构顾问。这样做不是否认观点的客观性而是提醒自己任何观点都要放进说话者的位置里解读。5.4 实用排查清单交付前逐项过一遍检查项具体动作发现问题时的处理出处核对每条核心观点是否有原始来源演讲视频、速记稿、媒体访谈无来源观点降级为“传闻”不放入核心观点区语境还原引用句前后两段是否读过没读过就回到原始素材补读确认无断章取义身份标注演讲者所属角色是否有合理描述自研、投资、中立等标注模糊时按其所在机构的商业利益推定倾向时间线检查所有“即将发布”的产品是否有明确时间点无时间点则标为“未承诺预期”并入待验证板块数据口径第三方数据和厂商自报数据是否做了区分未区分则退回材料明确指出统计口径共识/分歧归类观点是否基于超过一个独立来源仅单一来源的独特观点一律放入“分歧”或“待验证”6. 这份报告还能怎么用给不同角色的行动提示6.1 产品经理可以直接拿去用的部分做产品规划时不必从头拆展台直接看“观点圈层”里的“落地信号”和“待验证项”就够了。比如做AI端侧产品的人会发现行业共识指向混合推理那产品路线图就可以提前补上本地模型的适配层。做智能硬件的人能从“舒适度优先于智能化”的观点里得出一个定量要求整机重量和续航如果达不到基础品类标准AI功能再强也别急着上市。这些都是能马上转化成需求文档的内容。6.2 技术研发怎么看这些观点研发视角不需要关注“哪家强”重点看“技术栈方向是否在迁移”。这次的演讲内容里可以明显看到几个能力点被反复提及上下文工程、端侧推理优化、多模态数据对齐、系统级功耗调优。这些能力短期很难从单一课程或框架更新里获得需要团队做实际项目沉淀。我的建议是挑其中一到两个在下个版本里做小范围试点。试点目标不用定太高先把数据通路和技术边界跑出来比读一百篇趋势文章更有用。6.3 管理者/创业者需要跟踪的分歧点对需要定方向的人来说共识提供安全感分歧才提供机会。我建议盯住“端侧与云端”“订阅与买断”“全自动与人机协同”这三对分歧。每过三四个月复盘一次看哪一边的论据变得更有分量然后据此调整资源投入。换句话说这份全景报告不是结论书而是一份标记了坐标的地图。它会过时但只要定期回到原始分歧点去检查它就能持续提供判断依据。我自己计划每季度把“待验证项”翻出来更新一轮再在下届展会前做一次对照看看当时被质疑的判断有没有被验证或推翻。这种跨年度的跟踪比单次报告本身更能体现全景视角的价值。
阅读完成 · 觉得有帮助？
