大家好，我是冷逸。

昨天晚上做饭的时候，我用手机命令电脑里的 AI 干了三件事：打开一堆 PDF 发票整理成 Excel 报销单、一句话给电影《火遮眼》做一个带宣传视频+海报的网站，以及按我的风格给这篇稿子写个开头。

饭做完，活儿干完了。

这种事，一年前是科幻，今年是日常。

我说这个不是要煽情。我是想说，2026 上半年的 AI，已经不是“哪个模型分高”那回事了。模型这一头的卷，到 GPT-5.5、Claude 4.8、M3 这一档，边际收益肉眼可见地在递减。真正发生变化的地方，悄悄挪到了别处——挪到了你怎么把 AI 装进自己生活、装进自己工作流以及装进自己的电脑里。

这半年我一线测过的产品多到说不清，发布会看到一半就关掉的也多到数不清。这篇文章不是流水账，是我从一堆事里挑了 10 件，自己亲手用过、踩过坑、形成判断的，串成一条线。

10 个话题的顺序是：Agent Skills、OpenClaw、Harness、Multi-Agent（包括Agent OS、Sub-agent）、Coding Plan、CLI回归、Desktop Agent、Physical AI、语音交互、Seedance 2.0。

一万字，慢慢看。

一、Agent Skills：2026 年最值得学的技能

整个上半年，最被低估、又最影响一线工作流的事，是 Agent Skills。

它在半年里完成了从一家厂的功能，到行业标准的跨越。Anthropic 去年 10 月推出，12 月做成开放标准，到现在OpenAI、谷歌以及国内 AI 厂商全跟上。

那它到底是什么。一句话理解，Skills 是一个文件夹，里面必须有一份 SKILL.md，开头是 YAML 元数据 name 和 description，下面是 Markdown 写的执行说明，再带上可选的 scripts 子目录、references 子目录和 assets 资源文件。

Agent Skills 最有意思的是progressive disclosure 这个渐进式披露机制。三层结构。第一层是元数据，每个 Skill 大约 50 到 100 个 token，会话启动时全部 Skills 的 name 和 description 都进系统提示词，模型只是“知道有这些 Skill 存在”。第二层是指令，整份 SKILL.md 的正文，官方建议控制在 5000 token 以内、500 行以内，只在模型判断当前任务匹配某个 Skill 时才加载进上下文。第三层是资源，scripts 和 references 这些更深的文件，只在 SKILL.md 主动 reference 到它们时才进上下文。

这套架构在解决一个非常实在的问题，上下文的稀缺性。早期 Agent 的痛点是塞东西，谁都想往 System Prompt 里塞更多专业知识，但塞越多模型越糊。Skills 把“有哪些能力”和“具体怎么干”在物理上拆开了，让模型只为正在做的事付 token。

Skills 解决的真正问题，不是 Prompt 长短，是个人知识的资产化。一个公司里最值钱的从来不是 SOP 文档，而是只有几个老员工才知道的“这个表必须按这个口径填”。过去这种东西要么靠人传人，要么写成员工手册然后没人看。Skills 第一次让“个人或团队的方法论”具备了被分发、被复用、被版本化管理的形态。

我自己用下来，最大的感受是效率神器。我给沃垠AI写了一堆 Skill，从选题收集、写作风格到标题生成，每加一个新 Skill，模型在没触发它的时候完全感受不到，触发后又能精准照做。这种“加它不亏，用它管用”的体验，是 Prompt 工程时代不可能有的。

时间走到 2026 年 6 月，再说“学会怎么问 AI”已经过时了。该学的是怎么教 AI，而 Skills 是这件事最干净的载体。

二、OpenClaw：全民 Agent 的第一次破圈

2026 年春节后，国内 AI 圈最热的一个名字是龙虾，学名 OpenClaw，开源协议，TypeScript 写的，作者是 Peter Steinberger。这名字怎么来的，故事很简单。作者 Peter 想做一个叫 Molty 的“太空龙虾”AI 助理，做着做着把底层那一块抽出来开源，名字就成了 OpenClaw，“Open + 螯”。其GitHub Star数已达到37万，成为开源Top 1。

它解决了一个被忽视很久的问题。

过去做 Agent，主流路径就两条。比如 ChatGPT 的 Operator、Manus、Genspark 这些，你点开网页用，体验好但你的对话、文件、Memory 全在别人家服务器上跑。另一类是 Claude Code、Codex 这种 CLI，本地是本地，但本质上是一个写代码的终端工具，多通道、跨设备、永远在线这件事它不管。

OpenClaw 把这两条路接起来了。它本身不是模型，是一个本地起的 Gateway，给你接全套通讯渠道，然后挂任何你想用的LLM。微信、Telegram、WhatsApp、Slack、Discord，连 macOS / iOS 的语音唤醒和 Android 的连续语音都做了，背后都是同一个跑在你自己机器上的 Agent，同一份 Memory，同一份 Skill 库。

它真正引爆是春节那阵，几乎全民都在养龙虾。Kimi、GLM 和 MiniMax 相继推出了 Coding Plan，能在 OpenClaw 里直接挂国产模型。99元一个月你能跑一个永远在线的私人 Agent，搁一年前是不敢想的事。

但说实话它有它的“贵”。OpenClaw 是个心思特别细腻的管家，每一轮对话都拖家带口地把系统提示、长期记忆、技能元数据全塞进去。我刚装上那会儿，充了 50 块到云厂商，问到第三个问题余额就负了。OpenClaw 的 token 消耗大概是 Claude Code 的 3 到 5 倍。这不是 bug，是它的形态决定的。一个永远在线、跨多通道的 Agent，必须随时拎着完整上下文，否则人格、记忆、技能就接不上。

这玩意来得快，去得也快。现在，龙虾热潮已经大大降低，还留下来在玩的人绝对是龙虾的超级发烧友。它当然还有很多问题，比如新手门槛较高，安全性一直是个大问题，以及很烧token。但它把“自动化 Agent”从极客玩具拽到了大众能用的水平，这一步意义已经够大。

我个人的判断是，2026 下半年的核心战场不在通用 ChatBot，而在每个人都可以有自己的专属 Agent。OpenClaw 是第一个真正能跑通的开源样本。

三、Harness：给 LLM 牵一条缰绳

Harness Engineering，在 2026 年上半年讨论还挺火热的。当然这个火热主要集中在 AI 公司里，非 AI 从业者可能关注比较少。

中文翻译挺别扭，挽具、马具、缰绳，怎么翻都不传神。它指的是包在 LLM 外面一整层的工程化基础设施，包括指令 (Instructions)、约束 (Constraints)、反馈 (Feedback)、记忆 (Memory)、编排 (Orchestration)等。它的核心作用，是把一个原本不可预测的模型，变成一个稳定、可控、可用的“数字员工”。

为什么 Harness 突然在 2026 年变成共识。一个原因是大家发现，模型再强也撑不住上下文爆炸，真正决定成败的是它外面那层“缰绳”。同样一个模型，在 Cursor 里跑和在 Claude Code 里跑，体感差好几个段位，差就差在 Harness 的工程质量。

这个语境里跑出来的代表产品叫Hermes Agent。开源，可自由接Claude、GPT、Kimi、GLM、MiniMax、Qwen和DeepSeek，3月开始成为 AI 极客的新宠儿，超过 OpenClaw。

它解决的问题，跟 OpenClaw 表面像，但骨子里不一样。OpenClaw 的核心叙事是“自动化 Agent”，跨通讯通道、本地永远在线。Hermes Agent 的核心叙事是“自我进化的Agent”。你今天教它一件事，下周它会自己评分、决定保留还是淘汰，质量不行的 Skill 它会自己合并或者删掉。

6月3日，Hermes Agent推出了桌面版，macOS、Windows、Linux都能用，前后端共享同一份配置、技能和记忆。你在CLI起的会话，能直接接到桌面端。

我自己的判断是，Harness 在 2026 下半年会越来越重要。模型层的卷已经开始边际递减，Harness 这一层才刚开始。

四、Multi-Agent：Agent 开始组队干活

2026 年上半年，Agent 圈最显著的变化是单 Agent 开始过时了。

不是 AI 不够强，是任务变复杂了。一个企业级代码迁移、一份跨多平台的市场调研、一次大型 bug 跨服务排查，单一上下文窗口塞不下，单一思路也跑不完。多 Agent 协作在这半年里从论文走到了产品，名词也跟着分裂出来一堆，Sub-agent、Agent Team、Multi-Agent、Agent OS，听起来近，差别大。

先把这几个词分清楚。

Sub-agent。一次性、隔离、向上汇报。主 Agent 派一个或一组子 Agent 出去干活，子 Agent 有自己的上下文窗口，干完只把结果汇总回来，期间互不通讯。这是最轻量的多智能体形态，本质是上下文隔离 + 并行加速。Claude Code 文档里把这一类描述得很直白，fire-and-forget worker。VS Code 1.109 在 2026 年 2 月把 Sub-agent 做成了 IDE 一等公民，直接支持多个子 Agent 并发跑、可视化看进度。

Agent Team。多个Sub-Agent + 一个 Team Lead，长跑、共享任务列表、有 mailbox 互相通讯。区别在于队员之间能直接对话、能争论、能在发现问题时彼此预警。代价是 token 成本起飞。

Dynamic Workflows。Anthropic 5 月 28 日跟 Opus 4.8 一起发的东西，中文名叫“动态工作流”。它不是让你手动派子 Agent，而是让 Claude 自己写一份 orchestration 脚本，动态决定要拉几十甚至上百个子 Agent，并行跑、独立验证、再交叉收敛。官方给的演示场景是大型代码库迁移和企业级 bug 跨服务排查，本来要几周的活儿压到几天。

Agent OS。这是野路子最多的一个词，没有过官方定义。开发者社区里折腾出来的形态是：一个 CEO Agent 做规划，一个 COO Agent 做路由，再有一个研究员做长程任务，一个个人助理采集屏幕和麦克风做上下文。说白了就是用多个开源 Agent 拼一个个人级的 AI 操作系统。

Multi-Agent。这是最大的伞概念，上面所有的形态都属于它。Cursor v3 内置最多 8 个并发 Agent，Google Antigravity 2.0 上线了 Agent Teams，GitHub Copilot 也跟进了 multi-agent workspace，amux 这种工具不可知的 orchestrator 用 tmux + SQLite 任务板 + git worktree 把多个不同厂的 Agent 编在一起跑。

为什么 2026 年上半年“多智能体架构”这件事突然集中爆发。我自己的判断有三条线索。

第一条，模型上下文窗口不再是瓶颈，工程能力反倒成了瓶颈。1M token 已经是 Claude、Gemini 的标配，但你真把 1M 都塞满，模型注意力切得稀碎。与其往一个上下文里硬塞，不如分裂成多个隔离上下文跑，每个干净、各自负责一块。这是 Sub-agent 流行的根本原因。

第二条，Agentic 任务的真实形态就是分布式系统。Hermes Agent v0.13 那个 Kanban 多 Agent 看板我之前讲过，心跳、重认领、僵尸检测、retry，这些机制全是从分布式系统直接搬来的。Agent Team 也好、Dynamic Workflows 也罢，本质都是把模型当 worker，把 orchestration 当成一个分布式调度问题。这个范式一旦确立，多 Agent 协作就只是工程实现问题了。

第三条，企业用户真正进场。OpenAI 4 月 22 日发的 Workspace Agents、6 月 4 日上线的 ChatGPT Workspace Agents，全是冲着团队协作来的，目标用户从开发者扩到了销售、市场、客服。这是从“session-based chat”到“fleet-based agent work”的范式迁移。组织里需要的从来不是一个万能 ChatGPT，而是一支各司其职、能持久跑的 Agent 编队。

我自己体验下来最大的体会：Sub-Agent 真好用，token 翻倍但任务质量明显跳一档，特别是在长程研究和编程这类场景。Agent Team 就一言难尽了，多个 Agent 互相通讯听起来美，实际跑起来经常出现“两个队员都觉得对方应该先动”的死锁。动态工作流真有效果，但成本是真高。

回头看会觉得很有意思，2024 年我们说 Agent 是工具调用，2025 年说 Agent 是工作流，2026 年终于说到了“Agent 团队”这个层级。一个跑得好的 Agent 团队，不再像一个工具，更像一个真正的部门。

五、Coding Plan：AI 市场化路上的经典事件

2026 年上半年，影响开发者最大的一次价格革命，是 Coding Plan。

这事的来龙去脉得从一年前讲起。Cursor、Claude Code这些 AI 编程工具，2024 年上线时几乎统一按 token 计费。一个稍微复杂点的编程任务，跑一次 Opus 几十美元起步，OpenClaw 这种 24 小时在线的 Agent 一天烧出几百块也不稀奇。我自己装 OpenClaw 那会儿，充 50 块API进去，问到第三个问题余额就负了。这是非常真实的体验，不是段子。

按 token 付费，费用真的离谱。每一次按回车前，你脑子里都得过一遍这个 prompt 大概要烧多少钱。开发者最讨厌的事就是这种持续认知税，写代码本来就累，再叠一层成本焦虑，体验直接劝退。

转折点是 GLM 推出的 GLM Coding Plan。

定价结构很直接。20 元一个月起，从 Lite 到 Max 200 元封顶。相比 Anthropic 自家 20 美元的 Pro 和 100 美元的 Max，定价差出一个数量级。给的不是次数限制，是 5 小时滚动配额加上 7 天周配额。20 元这一档基本能撑住一个全职程序员每天的 AI 编程量。

更关键的是兼容生态。改一行环境变量就能切过去，国产模型直接挂在 Claude Code 的壳子里跑。MiniMax、Kimi、阿里云百炼、火山方舟、阶跃星辰等紧跟其后对标。大家一联手，整个行业的定价范式被改变了。

为什么 Coding Plan 这个形态能成。我自己的理解有三条。

第一条，模型边际成本下来了。GLM-5.1 在主流编程基准上能做到 Opus 4.6 大约九成的水平，国内推理成本本身就低，再加上 GLM 自有云、自家模型、自营售卖，一手货卖给开发者。MiniMax、Kimi同理。这种垂直整合让“低价吃饱”在商业上跑得通。

第二条，开发者不需要“最强模型”，需要“够用且不贵”。我自己天天用 Claude Code 的体感最直接，写日常的脚本、做网站、跑 Skill，GLM-5.1 在 Claude Code 壳子里基本无感，跟原生 Sonnet 体验差不多。

第三条，订阅制本身降低了认知税。每月固定支出，按惯性跑，大脑不再对“这次该不该问”做经济计算。这件事的工程意义被严重低估。开发者愿意问得更多、试得更猛、错得更频繁，这正是 AI 编程能力涨上来的土壤。

2026 下半年，我认为 Coding Plan 还会继续下沉，月费 20 美元这一档会逐步成为开发者标配。

Coding 的成本焦虑是过去两年最大的一道墙，Coding Plan 把这道墙拆掉了。这事的功劳簿上，GLM 得记一笔。

六、CLI：AI 时代的统一接口

2026 年回头看，CLI 这个东西在 AI 圈里地位的逆转挺戏剧的。

往前两年还在说“AI 让普通人不用学命令行了”。Copilot 写代码、Cursor 拉聊天框、ChatGPT 用网页对话，所有产品都在做更轻、更视觉、更小白的入口。

但到了 2025 年下半年，风向掉头。Anthropic 推出 Claude Code，OpenAI 拿出 Codex CLI，Google 发布 Gemini CLI，几个月内三大厂同步发布一个跑在终端里的 Agent。这件事去年看是反常识的，今年回头看是必然的。

为什么是 CLI。

最直接的原因是 Coding Agent 的最佳工作面就是文件系统和命令行。你让一个 Agent 帮你做迁移，它得能切目录、能 git、能跑测试。这些动作在图形界面里全是绕路，在终端里就是原生。CLI本身就是历史上最稳定、最强大的“工具调用协议”，过去四十年程序员积累下来的所有工具都能直接用上。

更深一层，CLI 是被严肃对待的“人机协作界面”。GUI 优化的是首次使用的好懂，CLI 优化的是高频使用的快和稳。

除了 Coding Agent 喜欢 CLI 外，其他很多产品也都在 CLI 化。比如，飞书可以 CLI 链接各个 Agent 里。甚至很多产品开发出两版，一版是 GUI 给人类用，一版是 CLI 给 AI 用。这是今年特别有意思的一个事情。

但 CLI 也不是完美的。它对新手仍然不友好，CLAUDE.md / AGENTS.md 该写什么、Plan Mode 怎么用、Sub-Agent 派多少个、Skills 怎么挂，这些都需要学习成本。它对持续会话也仍然挑战大，长程任务跑到一半窗口断了、tmux 挂了，恢复体验跟 GUI 差着一个段位。这也是为什么 Hermes Desktop 这种“命令行内核 + 桌面壳子”的形态会出现。

下一波的产品演化，我猜会出现在“命令行内核 + 多形态壳子”这一层。终端、桌面、Web 全打通，记忆和技能跨表面共享。

七、Desktop Agent：AI 真正走进你的电脑

2026 年上半年最具体的一次范式变化，是 Desktop Agent 这个形态终于跑通了。

我说的“具体”是真的具体。AI 不再是浏览器里的一个 Chat 网页，而是一个本地跑着的程序，能读你磁盘上的文件、调你电脑里的应用、敲你桌面上的键。这件事被预言了两三年，今年上半年多家 AI 公司都给出了答案。

Codex（OpenAI）。2026年2月2日 macOS 版上线，3月4日 Windows 跟上，6月4日已经迭代到 rust-v0.138.0-alpha.4。它定位很明确，不是来替代 Codex CLI 的，是给多 Agent 工作流做一个 GUI 指挥中心。一个窗口里同时挂多个项目、多个线程、多个 worktree，每个 Agent 在隔离的代码副本里跑，不打架。Skills 跟 CLI、IDE 完全互通，你在终端里写好的 Skill 在 Codex 里直接能用。

Claude Cowork（Anthropic）。瞄的不是开发者，是知识工作者。你给它指一个文件夹、说一句“把收据整理成报销表”，它去读、去归类、去出 Excel。有一个细节我特别喜欢：Cowork 主要是用 Claude Code 自己写出来的，前后开发周期大概一周半。这本身就挺戏剧的，一个 Coding Agent 给自己写出来一个面向非程序员的 Desktop Agent。

同时国内，Qoder Work、Workbuddy、TRAE SOLO、MiniMax Agent、Skywork、Kimi Work等桌面端产品也如雨后春笋般冒了出来。

为什么是 2026 上半年。

第一个原因是模型层准备好了。Computer Use 这件事 2024 年 Anthropic 第一次放出来的时候跑得通，但稳定性一塌糊涂。一年后 Claude 4.x 系列、GPT-5 系列在视觉理解、UI 元素定位、连续操作上达到了“敢上线”的水平。Online-Mind2Web 这种浏览器自动化基准测出来的成绩从去年的“勉强”变成了“能用”。

第二个原因是 Skills 标准化了。Desktop Agent 跟 Coding Agent 的最大区别是它要面对的工具种类多到爆炸。每一个应用都是一种隐性 SOP，没法写死在模型里。Skills 给了一个把隐性知识沉淀下来的载体。Anthropic 12 月 18 日把 Agent Skills 做成开放标准之后，Desktop Agent 这件事的拼图就齐了。

第三个原因是企业进场。Workspace Agents 那一节我讲过，OpenAI 4 月 22 日的产品定位就是替代传统 GPT 的“组织级 AI 同事”。Claude Cowork 也是冲着这个去的，它的 Enterprise 部署文档里专门讲 SSO、MDM、MSIX 安装包，这些都是给 IT 部门看的语言。Desktop Agent 不只是给个人用的智能助理，是企业 IT 资产的一部分。

那它解决了什么。

我自己用下来最直接的体感是消除了复制粘贴这件事。过去用 Chatbot 做研究，最大的工作量不是问问题，是把网页内容复制到对话框、把 AI 输出复制到本地文档、把表格内容反复倒腾。Desktop Agent 直接把这一层抹掉了，文件就是它的输入输出，应用就是它的工具，整个工作流闭环。

第二个体感是任务能力被拉长放大了。Web 端 chat 是一来一回的会话，超过五分钟你就会下意识觉得它卡了。Desktop Agent 是常驻进程，可以挂十几分钟、几十分钟跑一个长程任务，你该干别的就干别的，它跑完会自己回来通知你。这种异步感才是 Agent 真正的形态。

Desktop Agent 这件事最大的意义是，AI 第一次真正入住到你的电脑里。它不在云端、不在浏览器、不在 chat 窗口里，它就在你本地这台机器的进程列表里，是一个写在 macOS 活动监视器或者 Windows 任务管理器里的名字。这个名字可能是它真正成为“AI 同事”的那道门槛。

八、Physical AI：AI 终于开始有身体了

如果说前面七个话题都还在说 AI 在数字世界里的演化，那 Physical AI 是 2026 上半年最大的“破壁”事件。

AI 终于开始有身体了。而且不是 demo 视频里的那种身体，是真正在工厂里上下班、在大学里做研究、在汽车产线上拧螺丝的那种身体。

先说硬件这一头。截至 2026 年中，全球大约有 7000 到 8000 台商用人形机器人在跑。中国这边，AGIBOT 3 月底交付到第 1 万台，宇树 6 月通过科创板上市委员会的审核，估值约 62 亿美元。海外这边，Tesla Optimus 量产了，目标 2 万到 3 万美元一台。Figure 03 已经在宝马工厂上线，Atlas 卖给现代汽车。

光看数字就能感觉到拐点。一年前所有人形机器人加起来还在几百台量级，今年集体跨过千台、万台。

但硬件不是核心叙事，软件才是。Physical AI 这个词的真正含义，是软件第一次能驱动一台机器在真实物理世界里“理解 + 行动”。

NVIDIA 是这一波最关键的推手。它发的Cosmos 3 是一个“世界基础模型”，把“看懂世界 + 预测未来 + 生成动作”打包到一个模型里。配套的 GR00T 是人形机器人专用栈，同一份模型权重能在不同品牌的人形机器人上做适配。

这件事的意义在于，过去每家机器人公司都得自己从零训练模型，现在有了一个共享底座。NVIDIA 出大脑，机器人出身体，学术界出场景。这个合作姿态非常明确。

那 Physical AI 解决了什么。

我自己的判断是它解决了“AI 进入实体经济”这件事的最后一道接口。Knowledge work 这一头 AI 已经卷得很深，但全球 GDP 里超过一半其实是搬运、装配、巡检、护理这些手活儿。过去 AI 跟这一半经济基本绝缘，现在 Physical AI 把这道墙拆开了。

但它还没真正成为可用的 C 端产品。

C 端目前最近的是 1X Neo，宣布售价 2 万美元，目标 2026 年底交付。其他几家全是 B 端服务，Figure 03 在宝马工厂里跑、Optimus 在 Tesla 自家工厂里跑、Atlas 给现代汽车跑。

这事的真实瓶颈不是钱，是可靠性。一个能稳定跑 8 小时不死机的家用人形，对软件和硬件的考验比工业场景大一个数量级。家里地形复杂、孩子和宠物到处跑、光线复杂、任务边界模糊。Cosmos 3 这种世界模型在工业场景已经能用，在家庭场景仍然差着一截。

我个人对 Physical AI 是乐观的，但不是短期乐观，是长期乐观。2026 年是从几百台到几万台的跨越，2027 年要看能不能从工业场景跨到商业服务场景，比如餐厅、仓储、酒店。真正的 C 端拐点我猜要等到 2028 之后。

但就算节奏比硅谷宣传的慢，方向是对的。AI 不再只是屏幕里的一段对话，开始成为站在你面前会回头看你一眼的一个东西。这件事比所有 chatbot 加起来都更接近“AI 改变世界”那句话本来的意思。

九、语音交互：成为所有AI产品的标配

2026 年上半年最容易被忽略的一件事，是几乎所有的 AI 产品都默默装上了语音入口。

它可能不像其他话题那么高大上，但它真真实实改变了普通用户跟 AI 打交道的方式。一个最直观的判断标准：你想想去年这时候你怎么用豆包，再想想现在你怎么用，你会发现“打字”这个动作的占比在快速下降，“口喷交流”在快速上升。

它解决了什么。

第一件，输入摩擦的彻底降低。我自己最直接的体感是写长 prompt 的时间成本被砍了一刀。过去布置一个稍微复杂点的任务，得在键盘上敲三五分钟，现在嘴巴一秒钟一句话，30 秒说完一个需求。语速比键盘快三到四倍。

第二件，多任务并行成本被砍了。以前用 AI 必须坐到电脑前停下手里的活儿，现在洗碗时候可以让 OpenClaw 帮你查机票、做饭时候让 ChatGPT 帮你想晚饭菜单、走路时候让 Claude 帮你过一遍今天要发的稿子。AI 第一次能跟“做别的事”叠加在一起。

第三件，无障碍的边界扩开了。眼睛盯不住屏幕的人、键盘不顺手的老人、有阅读障碍的孩子，这些人过去基本被 AI 的文字界面挡在外面。语音入口铺开之后，AI 真正面向所有人。

我的判断是，2026 下半年语音不会再是任何一家厂的差异化卖点，它会沉到地基里，跟记忆系统、skills支持一样，是 AI 产品的标配能力，没装就是产品没做完。

十、Seedance 2.0：中国模型第一次站在了世界中央

最后，我想用一个中国模型来作为收尾。

2 月，字节发布 Seedance 2.0。3 月，Seedance 2.0 进入 CapCut，先在巴西、印尼、马来西亚、墨西哥、菲律宾、泰国、越南这些海外市场上线。5 月，DeepLearning 用了一个挺有意思的标题，《字节把 Seedance 2.0 装进 CapCut，OpenAI 撤了》。Sora 那边那时候在收缩消费级业务，字节这边正把视频生成铺成 CapCut 数亿用户的默认能力。这是一个很具象的对比。

那 Seedance 2.0 到底是什么。

它的本质是一个统一的多模态生成框架。输入支持文字、图片、声音、视频，可以一次塞最多 9 张图、3 段视频、3 段音频做参考。输出是带原生音轨的视频，可以同步生成对白、环境音、音乐。视频时长 5 到 15 秒，分辨率 720p。

那 Seedance 2.0 解决了什么。

最直接的，它把 AI 视频从“试一下出几条分镜”推到了“能进生产管线”。15 秒 720p 配音乐配口型一次出，对短视频创作者、电商商品视频、社媒广告、教育课件这些日常场景简直就是大杀器。

更深一层，它改变了视频内容的供给结构。过去拍一条 60 秒的产品视频要演员、场地、剪辑、配音四项成本，现在 Seedance 2.0 + CapCut 一个人对着电脑两小时搞定。这件事对中小品牌、自媒体、跨境电商是真正的解放。

但 Seedance 2.0 不是没短板。分辨率天花板还在 720p 和 1080p 区间，跟 Veo 3.1 4K 比差着一档。连续叙事仍然是靠拼，转场处偶尔露馅。物理真实度仍有差距，流体、布料这些场景，Seedance 2.0 的“看着像”和 Sora 2 的“算出来的真实”是两个概念。另外，肖像权和版权风险大。

两年前我们说“中国 AI 视频是慢一拍的追赶者”，今年这话已经不能说了。Seedance 2.0、Kling 3.0、可灵、即梦这一拨一起把 AI 视频革命的舞台搬到了东半球。这一轮 AI 视频革命，最热闹的地方，已经不在硅谷。

写在最后

10 个话题写完，回头看其实只有一条主线。

2026 年上半年的 AI，不再是“模型多大、跑分多高、demo 多炸”的故事。它是把模型层卷出来的能力，往下沉、往外扩、往身边带的故事。

Skills 把方法论沉淀为资产，OpenClaw 和Harness把 Agent 框架变成了开源基础设施，harness 把 Agent 工程提升到了被严肃讨论的层级，Multi-Agent 把单兵 AI 升级成了团队 AI，Coding Plan 把成本焦虑拆掉，CLI 给了 AI 统一的接口，Desktop Agent 把 AI 装到本地，Physical AI 给 AI 装上身体，语音交互给 AI 装上耳朵和嘴，Seedance 2.0 让中国模型在视频赛道第一次坐上主桌。

每一件事单看都是技术演化，串起来看是 AI 第一次大规模开始成为日常。这种“成为”不是一次发布会能完成的，是无数个小齿轮咬合到位之后的自然结果。

下半年我会继续一线跑，继续测，继续记。沃垠AI 这边的内容节奏不会变，万字干货也不会断。

如果让我对 2026 下半年押一个判断，那就是“AI 的 iPhone 时刻并未过去，但应用商店时刻才刚刚开始”。AI 会越来越像水电煤，融在你做的每件事里，融到你都意识不到。

写到这里，文章一万两千字。

我是冷逸，下次见