AI 的下一階段，可能已經不是「更大的模型」

前言：AI 新聞越來越多，但真正重要的是什麼？
#

MIT Technology Review 於 2026 年 4 月正式發布「10 Things That Matter in AI Right Now」。根據官方發布資料，這是該媒體首次推出這份聚焦 AI 的年度清單，延續的是他們行之有年的「10 Breakthrough Technologies」系列傳統，但這次完全聚焦在 AI 領域本身。

有趣的是它幾乎沒有把焦點放在「哪個模型最強」。

從 LLM 本身的演化，到機器人資料、世界模型、Agent 協作，一路延伸到詐騙、深偽、軍事決策，甚至社會對 AI 的疲乏與反彈——十個項目橫跨的範圍，比一般的「年度 AI 趨勢」報告還要寬。

把這十項放在一起看，它透露出一個更大的訊號：

2026 年的 AI 競爭，正在從「模型能力」轉向「AI 系統、現實世界、權力結構與社會反作用力」的競爭。

這篇文章不會逐條摘要這十個趨勢，而是想從 AI 系統工程的角度，把它們重新整理成四個結構性的轉變，並思考對正在做 Enterprise AI、Agent、AI Infrastructure 的工程師來說，真正可以注意的是什麼。

MIT Technology Review 看到的 2026 AI
#

MIT Technology Review 提出的十個項目分別是：

單看這張表，會覺得十個項目彼此獨立、跨度很大。

但如果換一個角度整理——不是「AI 做了哪十件新鮮事」，而是「AI 正在往哪些方向擴張邊界」——可以看到四個更清楚的轉變。

轉變一：從模型，走向 AI System
#

第一個轉變，也是跟工程師最直接相關的一個：

LLM 不再只是最終產品，而是逐漸變成 AI System 裡的一個元件。

MIT 對 LLMs+ 的討論，並不是認為 LLM 即將被下一種技術取代，而是認為 LLM 仍會持續演進，並與 Mixture-of-Experts、更大的 Context、Reasoning 等能力結合，以處理更複雜的多階段問題。

換句話說，「後 LLM 時代」大概率不是「沒有 LLM」，而是：

Agent Orchestration 是同一個轉變的另一面。

MIT Technology Review 將 Agent Orchestration 列為 2026 年的重要趨勢，指出 Agent 正從單獨執行任務，逐漸走向由多個 Agent 協作完成更複雜目標。

第一代 Agent 的架構可能很單純：

使用者發出請求 → Agent 呼叫工具 → 回傳結果

但下一階段的問題會逐漸變成：

多個 Agent 要怎麼協作完成一個完整任務？

1
2
3
4
User → Orchestrator ─┬─ Research Agent
                      ├─ Coding Agent
                      ├─ Data Agent
                      └─ Validation Agent

多 Agent 不代表 Agent 越多越好。

真正困難的問題會變成：

怎麼分工？
怎麼在 Agent 之間傳遞 Context？
誰負責驗證結果？
哪些 Agent 有權限實際執行動作？
某個 Agent 失敗時，系統怎麼處理？
怎麼避免錯誤在 Agent 之間被放大？
怎麼控制 Token 與 inference cost？
怎麼觀測整條 workflow？

因此，工程重心也會逐漸從單純的 Prompt Engineering，延伸到 Agent Architecture、Orchestration、Observability、Governance。

這也是 AI System 工程開始變得重要的地方。

Artificial Scientists 則可以視為同一個方向在科學研究領域的延伸。MIT Technology Review 將它描述為 AI 更主動地參與科學發現，而不只是協助搜尋論文或整理資料。

從工程角度來看，可以將這個方向抽象成：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
提出假設
   ↓
設計實驗
   ↓
執行 / 模擬
   ↓
分析結果
   ↓
產生新假設
   ↺

這個循環是我從系統工程角度做的架構化整理，不是 MIT 原文對流程的逐字描述；但它反映了同一個核心方向：

AI 開始從「研究工具」逐漸成為「研究流程中的主動角色」。

轉變二：從數位世界，走向真實世界
#

第二個轉變，是 AI 處理的資料型態正在改變。

過去幾年，絕大多數生成式 AI 都是在文字、圖片、音訊、程式碼這些數位資料上工作。

而 World Models 與 Humanoid Data 這兩項趨勢，指向的是同一件事：

AI 開始嘗試離開純數位世界，進入物理世界。

World Models 想解決的問題是：AI 已經很會寫文章、寫程式，但要真正處理物理世界裡的動作——例如摺一件衣服——仍然非常困難。

MIT Technology Review 將 World Models 視為讓 AI 更好理解物理世界、並預測行動後果的重要方向，而不只是描述世界長什麼樣子。

Humanoid Data 則代表資料來源本身也正在發生變化。

過去的訓練資料鏈路可能是：

1
2
3
人類文字
   ↓
LLM Training Data

而現在正在出現另一條鏈路：

1
2
3
4
5
6
7
人類動作
   ↓
Camera / Sensor / Teleoperation
   ↓
Robot Training Data
   ↓
Humanoid Robot

根據 MIT Technology Review 的報導，部分機器人公司已經透過臨時工作者、攝影機與感測器等方式，大量收集人類動作資料，用於訓練人形機器人。

這也讓人看到另一種可能：AI 越往物理世界發展，可能意味著越稀缺的資料不再只是網路文字，而是：

現實世界裡的動作與互動。

對 AI Infrastructure 而言，這會讓 Data Pipeline 的想像進一步擴張。

過去我們談：

Text → Embedding → Vector DB → Retrieval → LLM

未來可能還需要處理：

Sensor → Multimodal Data → Temporal Context → World Model → Action → Physical Feedback

也就是說，AI Infrastructure 不再只是服務模型的基礎設施，而可能開始成為連接數位模型與物理世界的基礎層。

轉變三：AI 的能力，也正在變成攻擊的能力
#

第三個轉變比較不舒服，但同樣重要：

AI 能力提升的同時，攻擊的成本也在同步下降。

這裡有幾個容易被混在一起、但其實不同的趨勢。

Supercharged Scams 指的是 AI 讓原本就存在的詐騙、釣魚、社交工程、憑證竊取、商業郵件詐騙等攻擊手法變得更快、更便宜、更容易規模化。

本質上是：

既有攻擊的效率放大。

Weaponized Deepfakes 則更進一步，指向直接針對特定人、群體或政治環境的操縱、騷擾與資訊戰。MIT Technology Review 指出，生成式 AI 的進步已經讓這類威脅從過去預測性的風險，逐漸變成現實中的攻擊工具。

兩者確實有重疊，例如利用 AI 生成聲音冒充親人或企業高管進行詐騙；但 Deepfake 更常涉及針對個人、政治目的或騷擾，而不只是為了騙取金錢。

The New War Room 則把同樣的能力放進軍事與情報決策的脈絡。

MIT Technology Review 指出，生成式 AI 已開始進入軍事情報與決策輔助的場景，代表這個問題已經不只是民間資安，而開始進入國家層級的決策系統。

這三個趨勢放在一起看，指向的其實是同一件事：

Deepfake 真正危險的地方，不只是「假的東西變得很像真的」，而是當假的東西足夠真，最終會讓真的東西也開始變得難以取信。

1
2
以前：看到影片 → 相信是真的
現在：看到影片 → 「這是真的嗎？」→ 需要驗證 Provenance / Source / Context

換句話說，AI 正在提高「證明真實」這件事本身的成本。

對任何處理內容驗證、身份驗證與信任機制的系統而言，這會逐漸從一個資安議題，變成一個系統設計問題。

轉變四：從技術競爭，走向生態系與社會反作用
#

最後一個轉變，是競爭的層次從「技術能力」擴大到「生態系統與社會接受度」。

當 AI 能力不再只由少數模型提供者掌握，問題就不再只是「AI 能做到什麼」，而開始變成「誰能取得這些能力，以及社會是否願意接受它」——這也是這一章要談的兩條線：開源與開放權重路線，決定了誰能取得能力；社會反彈與疲乏感，則決定了這些能力能不能被真正接受、被信任。

China’s Open-Source Bet 指的不只是「中國模型很強」，而是一整套路線選擇的差異。

根據 TechTarget 對 MIT Technology Review 編輯的訪談，相較於部分以封閉模型與 API 為核心的商業模式，中國 AI 生態中出現了一條更積極採用開源／開放權重模型的路線，讓開發者有更多空間進行部署、微調與建立自己的 AI 生態。DeepSeek 的影響也不只是單一模型的成績，而是帶動更多中國 AI 公司採取這類路線。

對企業來說，這個轉變的意義很實際。

真正需要考慮的問題往往不是：

「哪個模型排行榜第一？」

而是：

「能不能部署？能不能控？能不能改？成本多少？資料能不能留在自己的環境裡？」

這其實就是 Enterprise AI 與 AI Infrastructure 一直面對的問題。

另一個值得注意的是 Resistance。

它是這份清單裡最不像「技術趨勢」的一項，因為它談的不是 AI 又推出了什麼新能力，而是社會、勞工、環境與倫理層面對 AI 發展開始出現的反彈。

TechTarget 對 MIT Technology Review 編輯的訪談中，也提到另一個相關現象：

AI Malaise。

它描述的是一種「被 AI 淹沒，卻又覺得 AI 沒有真正解決問題」的疲乏感。

這一點其實比單純的 Resistance 更值得企業注意。

因為 Resistance 是主動的反對，而 AI Malaise 更像是一種：

「我們已經導入很多 AI 了，但到底有什麼改變？」

很多組織投入資源進行 AI 導入後，才發現從 PoC 到真正產生業務價值，中間還存在很大的落差。

可以把這條路徑簡化成：如果從企業導入 AI 的常見路徑來看，這幾年的心態變化大致可以粗略畫成：

1
2
3
4
5
6
7
2023 「我們也要導入 GenAI！」
   ↓
2024 PoC
   ↓
2025 Copilot / RAG / Agent
   ↓
2026 「為什麼沒有產生 ROI？」

因此，企業 AI 接下來的重心可能不再只是：

AI Adoption

而是：

AI Value Realization。

導入多少 AI 不再是最重要的指標。

真正重要的是：

這些 AI 系統到底有沒有改變工作流程、降低成本、提高品質，或創造新的價值。

對 AI 工程師而言，真正值得注意的是什麼？
#

把十個趨勢壓縮成四個轉變之後，可以看到一條更完整的路徑：

AI 正在從「模型能力競賽」，進入「系統能力競賽」；而當 AI 系統開始進入物理世界、攻擊場景與社會結構之後，工程問題也開始從性能，延伸到可靠性、治理與信任。

把四個轉變並排起來看：

From	To
Model	System
Single Agent	Agent System
Digital	Physical
Capability	Power & Trust

這四行對照，我認為比任何單一趨勢都更值得放在心裡。

Model → System
#

隨著模型能力逐漸普及，真正拉開差距的可能會越來越取決於：

怎麼把模型、Agent、資料、Infrastructure、安全與治理組合成一個能穩定運作的系統。

模型本身只是能力來源。

系統才是能力真正產生價值的地方。

Single Agent → Agent System
#

Prompt Engineering 不再是唯一的核心能力。

工程重心開始進一步延伸到 Agent 之間的分工、Context 傳遞、權限控制、失敗處理、驗證機制與可觀測性。

Agent 越多，不代表系統越強。

真正困難的是：

如何讓多個具有不同能力與權限的 Agent，在可控的邊界內協作。

Digital → Physical
#

如果未來的 AI 系統需要處理感測器、機器人或任何實體世界的回饋迴路，那麼理解 World Models、多模態資料與時序資料管線並不算太早。

這代表 AI Engineer 面對的資料，也可能從：

Text / Image / Audio / Code

逐漸擴張到：

Sensor / Video / Motion / Environment / Feedback

AI 開始真正面對「世界」，系統設計也會因此變得更加複雜。

Capability → Power & Trust
#

轉變三談的是攻擊門檻下降，轉變四談的是開源生態與社會反作用。

兩者疊加起來，其實指向同一條路徑——從 AI System 的角度看，這其實是同一個問題在四個層次上依序展開：

誰可以部署 → 誰可以控制 → 誰可以使用 → 誰可以信任

因此，內容驗證、身份驗證、模型部署的可控性、權限與治理，不應該只是事後補上的合規模組。

它們會逐漸成為 AI System 設計本身的一部分。

結語
#

MIT Technology Review 這份 2026 年的清單，如果只看表面，會覺得是十個彼此獨立的關鍵字。

但如果從 AI 系統工程的角度重新整理，會發現它其實在描述同一件事的四個面向：

AI 正在從一個「模型」，變成一整套需要被設計、被整合、也需要被治理的系統。

這也意味著，AI 工程的問題正在從：

「怎麼讓模型更聰明？」

逐漸轉向：

「怎麼讓整個系統可靠地工作？」

而這可能才是 AI 下一階段真正困難的問題。

AI 的下一場競爭，可能已經不是誰擁有最大的模型，而是誰能把：

Model + Agent + Data + Infrastructure + Security + Governance

組合成一個真正能在現實世界裡穩定運作、產生價值，而且值得信任的系統。

參考文獻
#

MIT Technology Review — 官方發布資料（PR Newswire, 2026/4/22）
TechTarget — 對 MIT Technology Review 編輯的 EmTech AI 訪談
MIT Technology Review — 關於 Weaponized Deepfakes 的延伸討論

前言：AI 新聞越來越多，但真正重要的是什麼？#

MIT Technology Review 看到的 2026 AI#

轉變一：從模型，走向 AI System#

轉變二：從數位世界，走向真實世界#

轉變三：AI 的能力，也正在變成攻擊的能力#

轉變四：從技術競爭，走向生態系與社會反作用#

對 AI 工程師而言，真正值得注意的是什麼？#

Model → System#

Single Agent → Agent System#

Digital → Physical#

Capability → Power & Trust#

結語#

參考文獻#