2026 全球 AI 市场图谱：模型、引擎与工具选型

错误的问题是：哪个 AI 最好？

有用的问题是：对于这个工作负载、数据边界、失败容忍度、部署模型和允许的自主级别，哪个 AI 系统最有效？

没有万能的赢家。在长期软件工程方面表现出色的模型，对于临床文档、信贷分析、战术自主、工业控制或法律研究可能是错误的组件。在生产环境中，模型只是其中一层。推理引擎决定了它的运行方式。护栏决定它能看见什么、记住什么、调用什么和改变什么。

这份目录是 2026 年 8 月 17 日的市场快照。它涵盖了主要全球相关平台和有代表性的领域领导者。它不声称列举每个国家/地区的每个 AI 产品。产品名称链接到主要供应商文档或官方产品页面。托管产品有时不披露其确切的模型或服务堆栈；这些字段被标记为非公开指定，而非推断。

模糊评分是我对每个产品目录中声明的最佳适用场景的决策支持评估。它们不是实验室基准测试、市场份额排名、临床验证、财务建议或认证证据。

没有通用的"最佳"AI。为一个定义明确的工作负载、数据边界、失败成本、部署模型和自主性限制选择一套完整的系统。

生成式 AI 创造内容。智能体 AI 增加目标、状态、工具和行动循环。AGI 仍是一个有争议的目标概念，不是经过验证的商业产品类别。

评估三个层面：模型产生输出，引擎运行推理，护栏提供数据、记忆、工具、策略、审批和可观测性。

使用目录中的模糊评分作为候选名单指导，而非基准测试结果。在采购或生产使用前，用你自己评估集的证据替换分析师的输入。

在受监管、安全关键或安全敏感的领域，工作流控制、证据溯源、人类责任和故障隔离比模型能力的微小差异更重要。

生成式 AI 与智能体 AI 与 AGI

模型、引擎和护栏

模糊有效性评分

高管选择指南

基础模型和 AI 平台目录

生产评估

生成式 AI 与智能体 AI 与 AGI

这些术语描述的是不同的事物，不应互换使用。

AGI 是否已商业化？

截至本目录日期，没有任何系统可以被认定为符合普遍接受、独立可衡量标准的已验证 AGI。供应商和研究人员在定义和阈值上存在分歧。当前系统可以具有高能力、多模态、使用工具和在有限工作流上自主运行，但仍可能在可靠性迁移、事实性、长期控制和不熟悉的真实条件下失败。

务实的采购立场很简单：将每个当前产品视为一个有边界 AI 系统，需要针对工作负载的证据，而不是通用智能。

主要定义参考：NIST Generative AI Profile、NIST agentic AI evaluation work、Google DeepMind Levels of AGI 和 OpenAI Charter。

模型、引擎和护栏：买家应该评估的技术栈

这些是标准化的架构术语。供应商并不总是连贯一致地使用它们。

这个区别很重要，因为一家企业可能通过多个引擎和护栏使用同一个模型，而风险差异很大。通过其原生 API、Amazon Bedrock、Microsoft Foundry 和一个编码智能体使用 Claude 并不是一个控制环境。数据路径、保留条款、身份平面、工具权限、日志、速率限制和失败行为都有所不同。

生产型 AI 系统的实际行为

一个典型的智能体请求跨越这些边界：

用户或事件在身份和租户上下文中进入护栏。

护栏加载系统指令、策略、对话状态和检索到的企业数据。

策略层决定哪些模型、工具和数据源符合条件。

引擎运行推理并返回文本、结构化输出或请求的工具调用。

工具网关验证模式、授权、目标和事务风险。

只读调用可能自动执行；重大变更应需要确定性策略，并在适当情况下需要人工批准。

结果返回护栏，护栏可以重复循环、停止、升级或回滚。

系统记录证据：执行者、提示版本、检索来源、模型、工具调用、授权决策、输出、错误、成本和延迟。

最重要的信任边界通常在模型生成的意图和真实世界执行之间。一个说 disable_account 的模型不是授权。这是一个不受信任的提案，必须通过与其他特权操作相同的身份、策略、验证、职责分离和审计控制。

模糊有效性评分模型

该评分估计产品与目录中列出的特定最佳用例的契合度，而非总体智能。

每个平台在五个维度上从 0 到 10 进行评估：

去模糊化分数为：

score = 0.30(task fitness)
      + 0.20(ecosystem integration)
      + 0.20(deployment control)
      + 0.20(governance and safety)
      + 0.10(product maturity)

然后通过重叠的隶属带对分数进行模糊化。使用 tri(a,b,c) 表示三角隶属函数，trap(a,b,c,d) 表示梯形隶属函数：

Conditional = trap(0.0, 0.0, 6.2, 7.2)
Capable     = tri (6.2, 7.4, 8.3)
Strong      = tri (7.5, 8.5, 9.3)
Leading     = trap(8.7, 9.3, 10.0, 10.0)

报告最高隶属度的标签。当分数处于重叠区域时使用双重标签，例如 Strong/Leading。这避免了假装 8.4 和 8.5 在没有工作负载测试的情况下有意义的差异。

例如，一个编码智能体在任务适配度上评估为 9.6，生态系统集成为 9.3，部署控制为 9.1，治理为 9.2，成熟度为 9.4：

(0.30 × 9.6) + (0.20 × 9.3) + (0.20 × 9.1)
+ (0.20 × 9.2) + (0.10 × 9.4) = 9.34 → 9.3 Leading

这些输入仍然是分析师的判断。买家应该用自己测试集、架构审查、合同证据和运营要求得出的分数来替换它们。

证据置信度与有效性是分开的：

高：详细的官方技术文档和清晰的组件边界。

中：官方能力有文档记录，但模型或运行时内部部分不透明。

低：公开证据主要是高级产品材料。低置信度并不意味着能力差；而是意味着需要更多的买家验证。

高管答案：我应该使用哪个 AI？

全球基础模型和 AI 平台目录

以下评分适用于声明的最佳用途，而非每个可能的工作负载。

开源权重注意事项

开源权重可以提高部署控制、审计、自定义、离线操作和主权。它们不会使最终系统默认安全。

自托管堆栈将责任转移给运营商：

• 模型来源和许可证合规；
• 工件完整性和供应链扫描；
• GPU 隔离、打补丁、容量和拒绝服务控制；
• API 认证、租户、速率限制和滥用监控；
• 提示注入抵抗和工具授权；
• 安全调优、评估、回滚和模型生命周期管理；
• 遥测而不泄露敏感提示或完成内容。

vLLM 和 Hugging Face Text Generation Inference 是引擎，不是模型或完整的智能体平台。它们为模型服务。单独的护栏仍然拥有检索、工具使用、策略、状态和审批。

软件工程 AI

编码智能体失败模式

编码智能体可以提高吞吐量，同时也会增加错误的速度。常见的生产失败包括：

• 修改生成的或供应商提供的代码而非真理来源；
• 通过单元测试但违反集成、并发或安全假设；
• 通过提示、日志、命令输出或远程工具暴露秘密；
• 从未受信任的分支执行依赖安装钩子或仓库指令；
• 使用从开发者 shell 继承的广泛云、GitHub 或 Kubernetes 凭证；
• 创建看似合理但未经审查的迁移、IAM 策略或 CI 工作流；
• 通过削弱断言或移除控制来优化绿色测试套件。

控制模式是：隔离工作区、最小权限凭证、出口限制、受保护秘密、差异审查、独立测试、软件组成和安全扫描，以及有责任的人工合并决策。

网络安全和安全运营 AI

没有任何可信的跨平台声明能证明这些产品中的某一个在独立情况下是最佳的 SOC AI。决定性因素通常是遥测覆盖范围和行动上下文。缺少相关 Microsoft 信号的安全 Copilot、缺少 Falcon 深度知识的 Charlotte、或缺少正确规范化数据的 Purple AI，其表现都会不如嵌入在更好监控环境中的、看似更弱的模型。

对于生产级 SecOps，必须要求：

• 指向原始事件、告警、实体和查询的链接；
• 可复现的查询生成和可见的时间窗口；
• AI 判决与遏制决策之间的分离；
• 明确的账户禁用、主机隔离、防火墙更改和令牌撤销授权；
• 模型、提示词、检索到的证据、工具调用和分析师审批的不可变日志；
• 误报率、漏报率、平均决策时间和分析师覆盖率的测量；
• 针对日志、工单、威胁情报和检索文档的提示词注入测试。

企业工作流、CRM、ERP 和数据 AI

Agentforce、SAP Joule、Databricks 和 Snowflake 不可相互替代。它们在最权威数据、权限和业务操作已存在的地方最为强大。将工作流迁移到边际更强的基础模型，同时削弱数据溯源或授权，通常是净损失。

医疗和生命科学 AI

不要将 AlphaFold 的 9.5 分与通用模型的 9.4 分进行比较。AlphaFold 在狭窄的科学任务上表现出色，但它不是通用助手。MedGemma 是开发者基础模型，不是经批准的诊断引擎。Dragon Copilot 协助临床工作流，它不会将临床责任转移给 Microsoft 或模型。

医疗部署门槛应包括：预期用途文档、具有代表性的临床验证、子组和边缘案例分析、隐私和居住地审查、人因工程、分布偏移监控、事件报告、回滚，以及每个部署辖区的监管评估。

金融服务 AI

金融 AI 应加速证据收集、比较、起草和异常识别。它不应默默成为价格、信用决策、制裁筛查、监管报告或交易执行的情况记录系统。重大决策需要可溯源的源数据、在可行情况下进行确定性计算、复核人控制、模型风险管理，以及决策后监控。

国防、国家安全和任务 AI

这些评分不认证武器、飞机、船舶、C2 网络或安全关键任务的适用性。公开的产品材料不是安全案例。

对于国防用途，评估边界必须包括：

• 数字孪生、软件在环、硬件在环和实弹射击证据；
• 争议性 PNT、降级通信、传感器欺骗和间歇性数据；
• 识别置信度、轨迹溯源和不确定性传播；
• 生成模型之外的确定性命令授权和交战规则执行；
• 人类命令权限、中止路径和失联行为；
• 对抗性 ML、提示词注入、数据投毒、供应链和更新通道威胁；
• 分类、跨域、加密边界和联盟发布控制；
• 配置控制、签名工件、可重现构建和回滚；
• 针对特定任务验收标准的作战测试与评估。

创意图像和视频 AI

运营差异化不仅在于视觉质量。企业买家应审查训练数据和赔偿条款、知情同意、肖像和声音控制、内容凭证/溯源、地理限制、模型变更行为、数据保留、私有资产处理，以及输出是否可接受用于预期的商业渠道。

法律和教育 AI

法律引用必须打开并检查。溯源界面减少了，但不能消除虚假权威、过时法律、辖区不匹配、特权泄露或事实应用错误。教育系统需要适合年龄的设计、教师/监护人监督、隐私控制、教学法评估，以及防止在学习目标上走捷径的保护措施。

制造业、工业 AI、数字孪生和机器人技术

生成的 PLC 代码、机器人策略和维护建议在独立验证之前应置于可信安全边界之外。仿真有助于暴露故障，但无法证明现实环境、传感器、执行器、时序、磨损、操作员和对手与模型一致。保持认证的安全联锁确定性并独立于生成式输出。

本地图覆盖了主要应用领域，但并不声称某个厂商拥有每个类别。

为什么基准排行榜还不够

公开基准对模型研究和初步筛选有用。它们很少能复现生产系统：

• 提示词模板和检索上下文不同；
• 工具模式、重试逻辑和停止条件不同；
• 量化和服务配置会改变行为；
• 延迟和并发影响用户和 AI 智能体决策；
• 框架可能汇总或截断历史；
• 企业权限限制可用证据；
• 模型别名可能移动到新的快照；
• 厂商应用不同的安全过滤器、后处理和数据保留条款；
• 领域错误携带截然不同的影响。

如果系统无法遵守租户边界、引用记录、承受速率限制、与你的身份平面集成，或回滚错误操作，那么 2% 的基准优势毫无意义。

可通过审计的生产评估

使用分阶段评估而非厂商演示。

1. 定义决策和失败成本

写下预期用途、禁止用途、责任所有者、数据分类、最大自主权，以及误报、漏报、虚构输出、隐私泄露和服务不可用造成的影响。

2. 构建有代表性的评估集

包含正常工作、困难工作、多语言输入、格式错误的文档、过时数据、缺失权限、对抗性检索内容、冲突源、长上下文、速率限制和下游工具故障。保留一个留出集。

3. 测试完整系统

评估模型加引擎加框架。测量任务成功率、引用正确性、工具调用精度、权限遵守、恢复行为、延迟、成本、分析师覆盖率和不安全操作尝试。

4. 演练信任边界

尝试通过文档、工单、日志、源代码、网页和电子邮件进行间接提示词注入。测试跨租户检索、糊涂中间人条件、模式操作、工具结果投毒、内存污染和审批绕过。

5. 证明运营控制

验证 SSO、最小特权、服务身份、网络出口、加密、保留、区域处理、密钥管理、审计日志、告警、配额、终止开关、兜底方案、在可用时进行版本固定、金丝雀发布和回滚。

6. 持续重新评估

托管模型和框架会发生变化。在模型、提示词、检索、工具、策略或厂商变更时重新运行回归套件。监控生产偏移和覆盖增长率。通过试点不等于永久的控制证明。

常见误解

"最聪明的模型能带来最佳的企业结果"

通常错误。一个稍弱的模型配合权威数据、窄工具、确定性策略和强可观测性，可能优于在糟糕上下文和过度授权下运行的更强模型。

"AI 智能体化意味着自主 AI"

不一定。代理能力是一个光谱。AI 智能体可以提议步骤、执行只读检索、执行可逆的低风险操作，或以高自主权运行。允许的级别应遵循影响和保证证据。

"推理引擎就是模型"

有时厂商将"推理引擎"作为编排层的产品术语。例如 Salesforce Atlas 协调逻辑、状态和模型调用。在规范化架构术语中，这更接近于框架/编排引擎，而非独立的基础模型。

"自托管意味着私有和安全"

自托管给予控制权，但也带来运营责任。带有广泛工具访问的公开可访问无认证 vLLM 端点，不如治理良好的托管服务安全。

"RAG 防止幻觉"

检索增强生成提供上下文。它可能检索到错误的记录、遗漏控制性记录、暴露未授权数据，或摄入恶意指令。引用和授权必须独立验证。

"无人类参与意味着更先进"

移除人类审批是运营模式的选择，而非成熟度标志。高容量可逆操作可能证明自动化合理。不可逆、安全关键、金融、法律、临床或任务操作需要更强的独立控制。

选择系统，而非 Logo。

从你已经信任的数据层和执行层出发。筛选出两到三个模型/引擎/框架组合。用有代表性的任务和对抗性案例进行测试。评估任务成功率和失败成本，而非对话流畅度。始终将模型生成的意图置于授权边界之外。保留证据。为模型更换和服务中断做好准备。

如果必须在 2026 年 8 月给出宽泛的起点建议：

OpenAI、Anthropic 和 Google 构成了最强的通用型前沿模型候选名单。

Microsoft Foundry、Amazon Bedrock 和 Vertex AI 是主要的超大规模企业控制平面。

Meta Llama、Mistral、Qwen、DeepSeek、Granite 以及 NVIDIA 工具链在自托管、主权需求或定制化驱动架构时领先。

当领域平台拥有的专有数据和 workflow 上下文比通用模型能力更重要时，领域平台会胜出。

因此，最佳 AI 不是某一个产品。而是在明确定义的决策场景下，有最佳证据支撑、权限最小化、可运维支持度最高的技术栈。

如需进一步行动，你可以考虑屏蔽此人或举报滥用行为