这不是一篇我觉得的趋势分析而是一份可复现的年报。文中每一个数字都来自 OpenAlex 公开数据CanguoAI 用于模型访问和结构化阅读不负责生成论文数量、DOI 或研究结论。目录一张地图看懂四大 AI 领域为什么趋势文大多不可信全景数据5239 篇论文的四条增长曲线横向矩阵谁最大、谁最年轻、谁在领跑增长节奏对比爆发式 vs 渐进式地理格局中国与美国的分野主题差异四个领域各自的重心从年报到选题数据怎么变成研究问题方法与复现总结与边界1. 一张地图看懂四大 AI 领域先把这份年报的骨架放在最前面。过去我用同一套可复现方法分别为四个热门领域建立了文献地图AI for Science、RAG检索增强生成、LLM Agent大模型智能体、具身智能Embodied Intelligence。这篇文章把它们汇总到同一张地图上。4 个领域同一套方法论可复现文献地图累计 5239 篇标题匹配论文2019–2025 公开数据最大单领域是 RAG3464 篇2025 一年就占 72%中国机构在 3 个领域领跑RAG、LLM Agent、具身智能。这四个数字背后是四条形态完全不同的增长曲线。下面逐一拆开。2. 为什么趋势文大多不可信打开任何一篇AI 年度趋势盘点你几乎都会看到这样的句子大模型智能体正在爆发具身智能是下一个风口。但很少有人回答这个判断基于多少篇论文检索式和时间范围是什么爆发具体是多少倍的增长换个人重新统计能不能得到同一批数字没有这些趋势就只是感觉。这份年报的目标就是把每一句判断都落到可复现的公开数据上。方法很简单对每个领域用 OpenAlex 的标题检索式抓取 2019–2025 的年度数量、主题、国家和高被引论文全部归档原始响应再用脚本统一重算。需要先声明边界这里搜索的是标题不是全文。所以测量的是某术语在标题中的显式采用不等于领域全貌不同术语如 embodied AI vs embodied intelligence会覆盖不同集合。3. 全景数据5239 篇论文的四条增长曲线先看最核心的一张图——四个领域的年度增长放在同一对数刻度上四条曲线的形态差异非常明显领域累计论文曲线特征AI for Science302最平缓2019 年起稳定爬升RAG3464最陡峭2023 年后近乎垂直爆发LLM Agent11812023 年才出现两年冲到近千具身智能292有 2020 年起的长尾2025 年跳升一个有意思的观察RAG 和 LLM Agent 是典型的从零爆发——2022 年之前几乎没有标题匹配随后被大模型直接点燃而AI for Science 和具身智能有更长的历史尾巴它们不是凭空出现而是已有根基被二次放大。这条区别对做综述很重要爆发式领域的首要问题是分类和评测标准来不及统一而渐进式领域的问题是新旧范式如何衔接。4. 横向矩阵谁最大、谁最年轻、谁在领跑把四个领域的关键指标排成一张对照矩阵领域累计论文2025 占比2024-25 占比领头国家AI for Science30254.0%73.8%美国RAG346471.7%98.2%中国LLM Agent118177.5%98.7%中国具身智能29266.4%83.2%中国从这张矩阵能读出三条结论RAG 是规模之王3464 篇远超其他三者之和的一半以上。LLM Agent 最年轻77.5% 的论文集中在 2025 一年98.7% 集中在近两年——几乎没有历史积累。AI for Science 最成熟2024-25 占比仅 73.8%是四者中历史沉淀最厚的也是唯一由美国领跑的领域。5. 增长节奏对比爆发式 vs 渐进式把发表时间集中度单独画出来更能看清各领域有多年轻深色是 2025 年、中色是 2024 年、浅色是更早。可以直观看到RAG 和 LLM Agent 几乎是纯深色 中色历史积累浅色薄得可以忽略AI for Science 的浅色最厚说明它有大量 2024 年以前的工作具身智能介于两者之间既有明显的 2025 跳升也保留了可观的历史尾巴。对研究者的启示如果你进入 RAG / LLM Agent面对的是文献两年内暴涨、缺乏统一基准的局面如果进入 AI for Science / 具身智能则更需要读懂它们各自的历史脉络。6. 地理格局中国与美国的分野四个领域的领头机构国家呈现出清晰的分野AI for Science 由美国领跑73 篇这与它更早、更偏基础科学的属性一致RAG454 篇、LLM Agent127 篇、具身智能106 篇均由中国领跑这三个都是应用驱动、爆发更晚的方向。需要提醒国际合作论文会被同时计入多个国家这些数字之间存在重叠不能简单相加。但越偏应用、越晚爆发的方向中国机构参与度越高这一趋势是清晰的。7. 主题差异四个领域各自的重心四个领域的 OpenAlex 第一大主题恰好勾勒出它们各自的性格领域第一大主题记录数AI for ScienceArtificial Intelligence in Healthcare and Education46RAGTopic Modeling946LLM AgentMulti-Agent Systems and Negotiation143具身智能Multimodal Machine Learning Applications14有两点值得展开RAG 的主题高度集中——946 篇被归入 Topic Modeling说明它的学术身份相对统一尽管这个算法标签并不完全准确。具身智能的主题最分散——第一大主题也只有 14 篇它横跨多模态、软体机器人、群体智能、强化学习和认知科学。所以具身智能 大模型 机器人这个流行说法其实大大简化了它的真实构成。8. 从年报到选题数据怎么变成研究问题这份年报最终要落到怎么选题。核心纪律只有一条不能把低频直接写成空白。以四个领域的对比为例可以提出几个真正可检验的问题问题一跨领域评测迁移RAG 已经积累了成熟的自动评测如 RAGAs这些评测思路能否迁移到 LLM Agent 和具身智能这两个更年轻、评测更不统一的领域问题二术语分裂具身智能在标题层面高度分散且与 embodied AI / VLA 等术语并存。不同术语社区的方法和评测是否已经割裂需要一次跨术语的统一综述问题三可复现性洼地四个领域里越晚爆发的方向可复现性讨论越少。能否为爆发式领域建立统一的配置披露清单和跨平台基准这些问题的共同点是它们都由年报里的真实数字直接支撑而不是凭感觉编出来的方向。9. 方法与复现这份年报的可信度建立在每个数字都能重跑之上。四个底层研究各自独立可复现本年报再做一层汇总# report.py 的核心校验 totals {d[label]: d[total] for d in domains} assert totals[AI for Science] 302 assert totals[RAG] 3464 assert totals[LLM Agent] 1181 assert totals[具身智能] 292 assert grand_total 302 3464 1181 292 # 5239运行方式cd output/articles/ai-research-annual-report python -m pip install -r requirements.txt python report.py脚本会读取四份data.json、重算所有跨领域指标、渲染五张矢量图任何一项对不上就直接报错。年报数字对不上脚本先失败。OpenAlex 持续更新未来重跑数字可能变化因此各领域都保留了本次raw/快照。10. 总结与边界把四个领域画在同一张地图上我们得到了一份有据可查的 AI 研究全景累计 5239 篇论文里RAG 以 3464 篇领跑规模LLM Agent 以 77.5% 的 2025 占比领跑年轻度AI for Science 沉淀最厚且由美国主导具身智能主题最分散、远非大模型机器人一句话能概括——而这四条曲线全部可由脚本重跑。它的边界必须说清楚本文测量的是标题术语的采用情况不代表领域全貌不同术语覆盖不同集合国家计数因国际合作而重叠主题标签由算法生成不等于人工分类。Open Science 管证据和复现CanguoAI 管语言理解与模型访问研究者对检索边界、实验设计和最终结论负责。本文不做任何模型效果对照跑分。这正是 Open Science CanguoAI 组合最适合科研的地方它不替你下判断但保证你的每一个判断都留下了可复现的证据。CanguoAIhttps://canguoai.com/利益关系说明本文作者与 CanguoAI 项目有关联。文中的论文数量、主题、国家和 DOI 来自 OpenAlex 公开数据不是产品内部统计本文也没有进行 CanguoAI 与其他模型服务的效果对照实验未声称任何未经验证的自动化能力。
这不是一篇我觉得的趋势分析而是一份可复现的年报。文中每一个数字都来自 OpenAlex 公开数据CanguoAI 用于模型访问和结构化阅读不负责生成论文数量、DOI 或研究结论。目录一张地图看懂四大 AI 领域为什么趋势文大多不可信全景数据5239 篇论文的四条增长曲线横向矩阵谁最大、谁最年轻、谁在领跑增长节奏对比爆发式 vs 渐进式地理格局中国与美国的分野主题差异四个领域各自的重心从年报到选题数据怎么变成研究问题方法与复现总结与边界1. 一张地图看懂四大 AI 领域先把这份年报的骨架放在最前面。过去我用同一套可复现方法分别为四个热门领域建立了文献地图AI for Science、RAG检索增强生成、LLM Agent大模型智能体、具身智能Embodied Intelligence。这篇文章把它们汇总到同一张地图上。4 个领域同一套方法论可复现文献地图累计 5239 篇标题匹配论文2019–2025 公开数据最大单领域是 RAG3464 篇2025 一年就占 72%中国机构在 3 个领域领跑RAG、LLM Agent、具身智能。这四个数字背后是四条形态完全不同的增长曲线。下面逐一拆开。2. 为什么趋势文大多不可信打开任何一篇AI 年度趋势盘点你几乎都会看到这样的句子大模型智能体正在爆发具身智能是下一个风口。但很少有人回答这个判断基于多少篇论文检索式和时间范围是什么爆发具体是多少倍的增长换个人重新统计能不能得到同一批数字没有这些趋势就只是感觉。这份年报的目标就是把每一句判断都落到可复现的公开数据上。方法很简单对每个领域用 OpenAlex 的标题检索式抓取 2019–2025 的年度数量、主题、国家和高被引论文全部归档原始响应再用脚本统一重算。需要先声明边界这里搜索的是标题不是全文。所以测量的是某术语在标题中的显式采用不等于领域全貌不同术语如 embodied AI vs embodied intelligence会覆盖不同集合。3. 全景数据5239 篇论文的四条增长曲线先看最核心的一张图——四个领域的年度增长放在同一对数刻度上四条曲线的形态差异非常明显领域累计论文曲线特征AI for Science302最平缓2019 年起稳定爬升RAG3464最陡峭2023 年后近乎垂直爆发LLM Agent11812023 年才出现两年冲到近千具身智能292有 2020 年起的长尾2025 年跳升一个有意思的观察RAG 和 LLM Agent 是典型的从零爆发——2022 年之前几乎没有标题匹配随后被大模型直接点燃而AI for Science 和具身智能有更长的历史尾巴它们不是凭空出现而是已有根基被二次放大。这条区别对做综述很重要爆发式领域的首要问题是分类和评测标准来不及统一而渐进式领域的问题是新旧范式如何衔接。4. 横向矩阵谁最大、谁最年轻、谁在领跑把四个领域的关键指标排成一张对照矩阵领域累计论文2025 占比2024-25 占比领头国家AI for Science30254.0%73.8%美国RAG346471.7%98.2%中国LLM Agent118177.5%98.7%中国具身智能29266.4%83.2%中国从这张矩阵能读出三条结论RAG 是规模之王3464 篇远超其他三者之和的一半以上。LLM Agent 最年轻77.5% 的论文集中在 2025 一年98.7% 集中在近两年——几乎没有历史积累。AI for Science 最成熟2024-25 占比仅 73.8%是四者中历史沉淀最厚的也是唯一由美国领跑的领域。5. 增长节奏对比爆发式 vs 渐进式把发表时间集中度单独画出来更能看清各领域有多年轻深色是 2025 年、中色是 2024 年、浅色是更早。可以直观看到RAG 和 LLM Agent 几乎是纯深色 中色历史积累浅色薄得可以忽略AI for Science 的浅色最厚说明它有大量 2024 年以前的工作具身智能介于两者之间既有明显的 2025 跳升也保留了可观的历史尾巴。对研究者的启示如果你进入 RAG / LLM Agent面对的是文献两年内暴涨、缺乏统一基准的局面如果进入 AI for Science / 具身智能则更需要读懂它们各自的历史脉络。6. 地理格局中国与美国的分野四个领域的领头机构国家呈现出清晰的分野AI for Science 由美国领跑73 篇这与它更早、更偏基础科学的属性一致RAG454 篇、LLM Agent127 篇、具身智能106 篇均由中国领跑这三个都是应用驱动、爆发更晚的方向。需要提醒国际合作论文会被同时计入多个国家这些数字之间存在重叠不能简单相加。但越偏应用、越晚爆发的方向中国机构参与度越高这一趋势是清晰的。7. 主题差异四个领域各自的重心四个领域的 OpenAlex 第一大主题恰好勾勒出它们各自的性格领域第一大主题记录数AI for ScienceArtificial Intelligence in Healthcare and Education46RAGTopic Modeling946LLM AgentMulti-Agent Systems and Negotiation143具身智能Multimodal Machine Learning Applications14有两点值得展开RAG 的主题高度集中——946 篇被归入 Topic Modeling说明它的学术身份相对统一尽管这个算法标签并不完全准确。具身智能的主题最分散——第一大主题也只有 14 篇它横跨多模态、软体机器人、群体智能、强化学习和认知科学。所以具身智能 大模型 机器人这个流行说法其实大大简化了它的真实构成。8. 从年报到选题数据怎么变成研究问题这份年报最终要落到怎么选题。核心纪律只有一条不能把低频直接写成空白。以四个领域的对比为例可以提出几个真正可检验的问题问题一跨领域评测迁移RAG 已经积累了成熟的自动评测如 RAGAs这些评测思路能否迁移到 LLM Agent 和具身智能这两个更年轻、评测更不统一的领域问题二术语分裂具身智能在标题层面高度分散且与 embodied AI / VLA 等术语并存。不同术语社区的方法和评测是否已经割裂需要一次跨术语的统一综述问题三可复现性洼地四个领域里越晚爆发的方向可复现性讨论越少。能否为爆发式领域建立统一的配置披露清单和跨平台基准这些问题的共同点是它们都由年报里的真实数字直接支撑而不是凭感觉编出来的方向。9. 方法与复现这份年报的可信度建立在每个数字都能重跑之上。四个底层研究各自独立可复现本年报再做一层汇总# report.py 的核心校验 totals {d[label]: d[total] for d in domains} assert totals[AI for Science] 302 assert totals[RAG] 3464 assert totals[LLM Agent] 1181 assert totals[具身智能] 292 assert grand_total 302 3464 1181 292 # 5239运行方式cd output/articles/ai-research-annual-report python -m pip install -r requirements.txt python report.py脚本会读取四份data.json、重算所有跨领域指标、渲染五张矢量图任何一项对不上就直接报错。年报数字对不上脚本先失败。OpenAlex 持续更新未来重跑数字可能变化因此各领域都保留了本次raw/快照。10. 总结与边界把四个领域画在同一张地图上我们得到了一份有据可查的 AI 研究全景累计 5239 篇论文里RAG 以 3464 篇领跑规模LLM Agent 以 77.5% 的 2025 占比领跑年轻度AI for Science 沉淀最厚且由美国主导具身智能主题最分散、远非大模型机器人一句话能概括——而这四条曲线全部可由脚本重跑。它的边界必须说清楚本文测量的是标题术语的采用情况不代表领域全貌不同术语覆盖不同集合国家计数因国际合作而重叠主题标签由算法生成不等于人工分类。Open Science 管证据和复现CanguoAI 管语言理解与模型访问研究者对检索边界、实验设计和最终结论负责。本文不做任何模型效果对照跑分。这正是 Open Science CanguoAI 组合最适合科研的地方它不替你下判断但保证你的每一个判断都留下了可复现的证据。CanguoAIhttps://canguoai.com/利益关系说明本文作者与 CanguoAI 项目有关联。文中的论文数量、主题、国家和 DOI 来自 OpenAlex 公开数据不是产品内部统计本文也没有进行 CanguoAI 与其他模型服务的效果对照实验未声称任何未经验证的自动化能力。
