模型与行业发展趋势 - 模型分化已成为显性趋势，分化原因多元，包括To B与To C场景需求差异、对竞争格局的押注以及不同AI实验室的战略选择 [1] - 在To B领域，强模型与弱模型的分化会越来越明显，企业用户愿意为“最强模型”支付溢价，因为强模型（如Opus 4.5做10个任务能对8-9个）能减少错误监控成本，而弱模型（可能只对5-6个）即便更便宜也带来额外管理负担 [2][3] - 在To C场景，任务瓶颈往往不是模型不够大，而是上下文（Context）与环境（Environment）的缺失，例如回答“今天吃什么”需要个性化数据，因此利用好合规的上下文数据（如微信聊天记录）比盲目追求更强预训练模型能带来更大价值 [2] - To C场景适合模型与产品进行垂直整合的All-in-one路线，而To B（生产力应用）因涉及复杂生产环节，给了应用公司优化空间，出现了模型公司与应用公司之间的分层 [3] - 模型分化也是自然演化的结果，源于与客户的高频交流，例如Anthropic进入金融领域就是在交流中发现的机会 [3] - 模型分化的时机与竞争格局判断相关，例如智谱AI在DeepSeek出现后判断“Chatbot取代搜索”战局已定，从而选择押注编程（Coding）领域 [4] 技术新范式与自主学习 - Scaling（规模扩展）仍会继续，但需区分已知路径（通过增加数据和算力探索能力上限）与未知路径（寻找新范式，让AI系统自主定义奖励函数、交互方法和训练任务） [5][6] - Scaling Law的核心是将能源高效转化为智能，是技术、数据与品味（taste）共进的过程，探索前沿智能不会因潜在风险而停止 [8] - 自主学习是共识性极强的新范式，目标是让模型具备自反思与自学习能力，通过持续自我评估与批判来优化行为路径 [8] - 新范式的发生是一个“渐变”过程，已有信号显现，例如Cursor的Auto-complete模型每几小时用最新用户数据学习，ChatGPT拟合用户聊天风格，Claude Code编写了自己项目95%的代码 [8] - 新范式发展的最大瓶颈是想象力，即需要构想出证明其实现的具体任务，例如变成一个赚钱的交易系统或解决未解科学问题 [8] - 从实际角度看，强化学习（RL）的潜力尚未被充分挖掘，下一代范式包括自主学习以及AI具备更强的主动性，未来模型可能不再需要人类提示（Prompt），而是由环境直接触发 [9] - 主动学习（Active Learning）会带来严重的安全挑战，风险不在于“讲不该讲的话”，而在于“做不该做的事”，因此必须为其注入正确的方向 [9] - 持续学习（Continual Learning）中，对于多智能体（Agent）串联的长程任务，若单个智能体能力未达100%，后续能力会呈指数级下降，可能需要探索类似人类睡眠的“清噪”与新计算模式 [9] - 提出了“智能效率”（Intelligence Efficiency）概念，未来范式应关注“投入多少资源能获得多少智能增量”，以解决成本瓶颈 [10] - 大模型发展借鉴人脑认知，在多模态、记忆与持续学习、以及反思与自我认知这几类人类显著领先的能力上，可能是新的突破方向 [10] - 智谱AI参考人类认知提出AI系统三模块结构：系统1（模式匹配与知识提取，对应数据与模型规模的Scaling-up）、系统2（知识融合与推理，对应Reasoning的Scaling）、自主学习（对应Environment Scaling，让模型从与外界交互中获得反馈） [10] 多模态与感知能力 - 原生多模态模型与人类的“感统”相似，能汇集视觉、声音、触觉等信息进行综合感知，但当前模型的感统能力并不充分 [11] - 多模态感统是智谱AI今年的重点方向之一，具备此能力后，AI才能在真实工作环境中执行长链路、长时效任务，如在手机、电脑等设备上持续协作 [11] - 多模态同样是Qwen的持续发展方向，认为真正智能的东西天然应该是多模态的，但存在多模态能否驱动智能的争论 [11] - 从第一性原理出发，为模型提供更多生产力、更好地帮助人类，发展视觉、语音等多模态能力是自然而然的选择 [11] - 视频是更广义的表达，理解长视频是一个有意义的探索方向 [12] 智能体（Agent）的发展与产品化 - 编程（Coding）是通往智能体（Agent）的必经之路，例如智谱AI的GLM-4.5虽跑分高但写不出“植物大战僵尸”游戏，通过引入RLVR和大量真实编程环境训练，GLM-4.7才解决了该问题 [13] - 模型即智能体，智能体即产品，实现复杂任务对模型要求极高，因此做基础模型本身就是在做产品 [13] - 模型在To B和To C的分化同样体现在智能体上：To C产品的指标有时与模型智能不相关甚至相反；To B的智能体则更依赖模型智能提升来解决真实世界任务、创造价值 [14] - 生产力场景的智能体才刚开始，除了模型进步，环境与部署（deployment）同样重要，是创造价值的关键，即使模型不再变好，将现有模型部署到各公司也能带来10倍甚至100倍的收益，但目前AI对GDP的影响还远不到1% [14] - 未来的智能体将变成“托管式”，用户设定通用目标后，智能体在后台长时间独立运行直至完成任务，这需要自我进化（Self-evolution）与主动学习（Active Learning）能力支撑 [15] - 在通用智能体开发中，解决长尾任务更值得关注，用户感知AI的价值常因某个长尾任务被解决，今天的AGI本质上也在解决长尾问题 [15] - 通用智能体的开发见仁见智，若应用公司没有比模型公司做得更好的信息优势，那么“模型即产品”对模型公司是机会，因为许多工程问题可能只需“烧卡”即可解决 [15] - 智能体的发展可从两个维度划分四象限：目标定义（人为/自动）和任务规划（人为/自动），目前处于初级阶段（目标与规划皆由人定义），未来将发展为由大模型内生定义 [16] - 决定智能体未来走势的重要问题包括：能否真正解决人类任务并创造价值、成本有多大、以及应用公司的迭代速度是否能拉开时间窗口 [17][18] 全球AI竞赛与中美对比 - 对于中国AI在3-5年内进入全球第一梯队持乐观态度，因为中国在制造业、电动车等领域已证明，一旦某事可行，就能以极高效率复现甚至做到局部更好 [19] - 长期挑战在于文化差异，即“敢突破新范式、敢冒险的人不够多”，并面临两个现实瓶颈：光刻机突破决定的算力瓶颈，以及是否能诞生更成熟的To B市场并在国际竞争，应避免过分刷榜，更关注做“正确的事”和用户体验 [20] - 相对冷静的观点认为，中国AI超过美国的概率最乐观情况为20%，中美算力差异不仅是绝对量级（美国算力比中国大1-2个数量级），更是结构性的：美国将相当一部分算力投入下一代研究，而中国仍在解决任务交付爆发带来的算力瓶颈 [21] - 但“穷则生变”，作为“算力穷人”，中国团队更有紧迫感和动力去思考算法与基础设施（Infra）的联合优化，这可能倒逼创新发生 [21] - 面对光刻机瓶颈，有可能从软硬结合的角度，通过下一代模型结构和芯片实现端到端（End-to-End）的突破 [21]