人工智能：2025–2026 年度综述

对 arXiv cs.AI 分类的年度综述，涵盖 2025 年 9 月 至 2026 年 8 月 期间发表的研究。本卷基于对 168 篇论文 的细读整理，组织为 46 章，按该领域的研究子方向描绘这一年的全貌。

全书框架（年度产出占比）：

• 大语言模型智能体与评估 (37.8%) — 聚焦于基于 LLM 的智能体的开发、基准测试与鲁棒性，涵盖多智能体系统、推理能力，以及针对目标偏移与事实准确性的评估框架。
• 深度学习架构与强化学习 (15.1%) — 涵盖核心深度学习方法论，包括神经网络架构、强化学习策略、优化技术，及其在分类与控制任务中的应用。
• 自主系统与视觉—语言控制 (10.3%) — 面向机器人与智能环境中的自主决策、规划与控制，融合视觉—语言模型以实现空间 grounded 与安全保障。
• 人机交互与语音处理 (7.5%) — 探索人机协作、语音合成与识别、潜空间探索，以及用于个性化与通信的交互系统。
• 智能体式 RAG 与临床决策支持 (5.4%) — 研究智能体式检索增强生成（RAG）系统、安全对齐，及其在医疗健康与灾难管理等关键领域中实现可靠决策支持的应用。
• 计算机视觉与时间序列分析 (4.7%) — 聚焦于计算机视觉与时间序列数据中的检测、分割与理解，包括医学影像、视频分析与异常检测。
• 预测建模与人类行为分析 (4.1%) — 考察对人类行为、风险评估与绩效测量的预测分析，常采用联邦学习与交互式反馈机制。
• 软件工程与 AI 安全 (3.3%) — 面向 AI 驱动的软件开发、代码生成、对抗性攻击与安全防御，包括对提示注入的鲁棒性与自动化测试。
• 科学发现与因果推断 (2.4%) — 将 AI 应用于科学发现、因果推理与不确定性估计，利用 LLM 进行假设生成与复杂系统中的贝叶斯优化。
• 知识图谱与扩散模型 (2.4%) — 探索知识图谱构建、嵌入，以及用于生成与预测的扩散模型，聚焦于适应、蒸馏与少样本学习。
• 可解释 AI 与 Transformer 机制 (1.8%) — 研究可解释性、反事实解释，以及 Transformer 与注意力模型的内部机制，包括公平性与教育应用。
• 高效推理与模型优化 (1.6%) — 聚焦高效推理技术、模型压缩、剪枝与自适应采样方法，以降低计算成本并提升执行速度。
• 自动化特征工程与融合 (0.9%) — 涵盖自动化特征提取、多模态融合与结构化信息处理，用于故障诊断与技术报告流水线。
• 合成数据生成与增强 (0.8%) — 面向生成与增强合成数据的方法，以提升模型性能、有效性与一致性，包括隐私保护技术。

每个子方向均通过三章展开论述——它如何提出自己的问题、其关键结论的强度，以及它开放的争论与前沿，从而让读者获得该领域今年实际产出的可溯源图景。