觉得大模型消耗的算力过大，英伟达推出的8B模型Orchestrator化身「拼好模」，通过组合工具降本增效，使用30%的预算，在HLE上拿下37.1%的成 绩。 最近，NVIDIA Research发现，只要经过适当微调，小模型已足以「指挥」大模型 英伟达研究团队的新模型Orchestrator仅有 80 亿参数（8B）的模型，不仅比以往的工具使用类AI智能体准确率更高、成本更低，还能在工具选择上精准对 齐用户的偏好。 在HLE基准测试中，Orchestrator斩获了37.1%的高分，一举超越了GPT-5（35.1%），同时在效率上提升了2.5倍。 在tau2-Bench和FRAMES测试中，Orchestrator同样以大幅优势领先 GPT-5，而其成本仅为后者的30%左右。 在多项指标上，Orchestrator均实现了性能与成本的最佳平衡，并能出色地泛化至未曾见过的工具中。 预印本链接：https://arxiv.org/abs/2511.21689 为什么「强模型+工具」还是不够好？ 面对Humanity's Last Exam（HLE）这类超难综合推理考试，现在的大模型虽然「什么都懂一点」，但一到 ...

文章核心观点 - MiniMax创始人闫俊杰在访谈中反思了公司在面对DeepSeek等竞争对手时的挑战与应对 核心在于承认自身认知不足与执行不坚决 并强调了坚持技术驱动路线、重视人才激励以及对中国AI人才优势的信心 他认为大模型行业参与者将越来越少 但市场在扩大 未来成功的关键在于想象力与坚持[3][6][8][12][13][14] 创始人反思与竞争认知 - DeepSeek的广泛认知给MiniMax带来巨大触动 创始人闫俊杰反思团队在某些关键节点上降低了要求、思考不够深入、选择不够坚定 而竞争对手DeepSeek则拥有独特的认知和长期技术积累[3][5][6] - 公司经历的大部分挑战最终都转化为如何提升自身能力的问题 团队在受到打击时反而能变得更好是做得比较好的方面[6] 公司治理与人才激励 - 面对士气低迷 公司恢复信心的方式包括：拆解问题并用第一性原理论证可行性以鼓舞士气 以及通过发钱让员工的努力被看见和反馈 发钱被认为是管用的[7] - 2025年9月 MiniMax启动了百万美元期权激励计划 根据贡献程度向员工提供几十万美元到几百万美元不等的激励 覆盖模型算法、产品、市场、增长、职能等多个岗位 并计划对突出贡献者进行即时期权激励[7] 技术路线与产品战略 - DeepSeek的出现可能让MiniMax对技术路线更加坚定 公司经历了约半年的迷茫 纠结于技术驱动与复制移动互联网经典增长路线之间 最终认定在AGI赛道上 公司只能选择技术驱动的方式 尽管风险更高[8] - MiniMax独特的打法是ToC和出海 其角色陪伴类应用Talkie在海外获得了大量用户 目前用户量最大的产品是Talkie 而收入方面最大的是视频和API[8] - 针对外界对公司布局大语言模型、语音、视频等多模态业务的“不聚焦”质疑 创始人认为真正的AGI一定是多模态输入输出 团队计划先将每个模态走通 再在接下来几个月整合到下一代模型中 并援引OpenAI的Sora2作为多模态融合的成功范例[9][10] 行业格局与中外对比 - 国内大模型与海外顶尖模型的技术差距在缩小 但投入成本远低于海外 例如 谷歌、OpenAI、Anthropic和xAI的估值可能是中国公司的100倍 技术或许只领先5% 但投入可能在50至100倍之间[12] - 中国AI人才是重要的优势 推动DeepSeek取得成功以及MiniMax内部起到关键作用的人才基本都来自本土 且往往是他们的第一份工作 创始人认为 如果中国年轻人中出现本土技术天才 可能成为AI领域的突破点[12] - 根据MacroPolo的报告 来自中国的顶尖AI研究人员占比从2019年的29%提升到了2022年的47%[12] 未来展望与行业判断 - 创始人认为 明年做大模型的公司会更少 行业已从“百模大战”演变为仅剩几家公司 在一个越来越大的市场里 参与者越来越少 只要能持续迭代并证明价值 资金就不是最重要的问题[13] - 目前大模型尚未进入存量竞争 也不会出现一两家通吃的局面 不同模型有不同特点 例如OpenAI长于推理对话 Anthropic强于代码和Agent 谷歌在多模态方面领先 而中国模型在效果上或许差5% 但成本可能是海外的1/10[13] - AI行业不是互联网的延续 大模型时代真正的产品是模型本身 未来各岗位边界将变得模糊 最核心的竞争力是想象力 谁拥有最好的想象力、最能坚持、对社会价值大 谁就会成功[14]

Meta的战略调整与重大投资 - Meta神秘AI项目“牛油果”(Avocado)发布计划从2025年底推迟至2026年第一季度，其训练使用了Google Gemma、OpenAI gpt-oss和Qwen模型，并可能采取闭源方式 [1] - 在Llama 4发布后效果未达预期，Meta重新思考开源战略，成立MSL超级智能实验室，并以143亿美元引入28岁的AI负责人Alexandr Wang [1] - MSL部门裁员600人，但不涉及核心的TBD Lab团队，同时公司宣布投资270亿美元建设Hyperion数据中心 [1] 大模型应用生态集成 - Adobe将其Photoshop、Express和Acrobat工具集成至ChatGPT，用户可通过文字描述直接使用图片美化、设计信函和编辑PDF等功能，目标面向ChatGPT超8亿的周活跃用户 [2] - 这些集成工具在ChatGPT中可免费使用，但不包含Generative Fill等高级功能，这是OpenAI将更多第三方应用引入ChatGPT的举措之一 [2] - 今年10月首批加入ChatGPT的第三方应用包括Spotify、Zillow和Figma等 [2] AI模型与技术的开源发布 - 智谱发布工业级语音合成系统GLM-TTS，仅用10万小时数据训练便实现“3秒”音色复刻，在字错误率和情感表达上达到开源SOTA水平 [3] - GLM-TTS采用两阶段生成范式，并基于GRPO算法融合了CER、相似度、情感、笑声四维度的正则化奖励机制 [3] - 模型已在Hugging Face和ModelScope开源，用户可通过Z.ai、智谱清言及BigModel平台体验和调用API [3] AI视频与内容创作工具进展 - 商汤Seko 2.0发布多剧集创作功能，支持最高100集连续创作，声称一个人30分钟即可完成一集短剧，实现从剧本到成片全流程自动化 [4] - 该工具核心优势在于保持资产库的主体和场景一致性，并能自动关联前后剧情，其数据采集成本仅为真机遥操方案的10% [4] - 工具集成了Vdiu、海螺、可灵等主流视频大模型，并推出限时活动，商汤自研生图模型限免一周，月高级会员提供65折优惠 [4] AI助手功能拓展 - 腾讯元宝AI助手推出QQ群智能未读消息总结功能，能将群聊记录提炼成结构清晰的总结报告 [5] - 功能具体包括热聊话题归类、精准信息追踪（筛选@提及消息）、群文件整合和原文直达索引 [6] - 元宝已支持添加为QQ好友进行一对一对话，其电脑版、浏览器插件及移动APP均已上线 [6] 太空计算与AI前沿 - 初创公司Starcloud发射的Starcloud-1卫星搭载H100芯片，其算力比以往太空GPU强100倍，并成功在轨运行谷歌Gemma，训练出首个太空大型语言模型 [6] - 该模型基于Karpathy的nanoGPT用莎士比亚语料训练，可用文艺复兴时期语言风格回答问题，并能进行实时情报分析 [6] - Starcloud计划打造5GW的轨道数据中心并配备4公里太阳能板，预计成本仅为地面数据中心的1/10，SpaceX和谷歌等巨头均已布局该领域 [6] 具身智能与数据采集技术 - 灵初智能发布全球首个具身原生人类数据采集方案Psi-SynEngine，包含便携式外骨骼触觉手套数采套装、大规模in the wild数采数据管线等 [7] - 该方案数据获取成本仅为真机遥操方案的10%，定位精度达亚毫米级，可完整采集手部手臂全部自由度和全手触觉信息 [7] - 公司同步发布Psi-SynNet-v0大规模真实世界多模态数据集，覆盖视觉、语言、触觉、动作，已构建上万小时规模并计划明年突破百万小时量级 [7] AI行业趋势与投资观点 - a16z预测到2026年，AI将彻底重塑各行业，Agent-native基础设施将成为必需品，系统核心瓶颈在于多Agent协调能力而非算力存储 [8] - 消费级AI产品重心正从“提高效率”转向“增进连接”，更“懂我内心”的产品比“帮我做事”的产品有更好的用户留存 [8] - AI绝大部分市场机会在传统垂直行业而非硅谷，视频将成为可“进入”的仿真环境，CRM将变成基础设施，Agent将成为交互核心 [8] 中国AI公司的发展与竞争力 - MiniMax创始人闫俊杰强调全模态发展是AGI的必由之路，公司在语言模型、视频、音频赛道均做到全球领先，音频全球第一、视频第二，未来将探索多模态融合 [9] - MiniMax-M2以61总分位居全球大语言模型第五、开源第一，其采用10B激活参数（总参数230B）的MoE架构，算力成本仅为Claude4.5的8%，上线一个多月tokens调用量突破1万亿次 [9] - AI时代核心竞争力是想象力而非技能，中国公司需要本土创新而非“拿来主义”，关键人才均为本土培养，真正的技术天才将在两三年内出现 [10]

文章核心观点 - AGI浪潮显著降低了软件开发的技术门槛，催生了独立开发者群体的崛起，但行业内部机遇与挑战并存，呈现出严重的收入分化与“赢者通吃”现象 [2][3] - 绝大多数独立开发者面临收入不稳定、市场竞争激烈、资源匮乏等多重生存挑战，成功案例仅属于极少数 [8][10][11] - 为应对挑战，行业生态开始出现从线上社区到线下实体空间的探索，旨在为独立开发者构建支持系统，促进合作与资源整合 [20][21][22] 独立开发者定义与现状 - 独立开发者通常指不隶属于大型公司、独立从事数字产品开发的个人或极小团队 [4] - 在中国独立游戏社群indienova，约一半注册团队的成员仅有一人，开发者需独自承担多项工作 [4] - AGI技术（如GPT-5、Claude Opus）及其工具链极大降低了全栈开发的技术门槛，重塑了竞争格局 [3] 业务模式与收入现实 - 独立开发者收入来源多元，主要包括：技术服务、应用/Agent销售、知识变现、开源与捐赠 [7] - 一项2025年基于超千份样本的调研显示，仅约20%的独立开发者收入能达到或超过一线城市稳定薪资水平，超过半数开发者收入在温饱线波动 [8][10] - 2025年Steam上架的超过1.5万款新作中，有40%的游戏总收入不足100美元 [15] 市场挑战与成功案例对比 - 市场呈现极端分化，“赢者通吃”，在AI等领域，前10%的头部团队拿走了市场上90%的资金 [17] - 成功案例稀少且耀眼：例如，一位17岁AI开发者四个月赚100万美元；一款AI美食应用五个月收入1.2万美元；一个Side Project被Wix以8000万美元（约6亿人民币）收购 [11] - 更多案例反映出现实残酷：一款Steam游戏投入4年时间、6万美元（约43.8万元人民币），首周仅售出621份，总收入7100美元 [11][12] - 其他挑战包括：社会保障缺失、个体难敌公司系统作战、缺乏交流环境、个人与家庭后顾之忧等 [17][18] 行业生态与支持系统探索 - 面对挑战，独立开发者对“连接”与“支持系统”的渴望强烈，寻求聚集与合作 [20] - 行业开始探索线下实体空间以创造更多合作机会，例如北京中关村的AI北纬社区服务计划与杭州魔搭社区开发者中心 [21][22] - 行业活动如“AGI时代国际数字游民（独立开发者）发展研讨会”旨在整合政策、社区与资源，启动国际数字游民基地 [22]

当整个 AI 圈都在为 DAU（日活跃用户数）和融资额焦虑时，MiniMax 创始人闫俊杰却表现出一种近乎冷酷的淡漠。 坐在罗永浩对面的闫俊杰，并不像一位掌管着 AI 独角兽企业的技术新贵。 他拒绝谈论改变世界，反而坦承恐惧。那种恐惧不是来自商业竞争，而是来自技术本身——当模型的能力开始超越人类时，创造者反而成了最先感到不安 的人。 用 1/50 的筹码通往 AGI 在巨头环伺、算力短缺、热钱褪去的 2025 年，MiniMax 正在进行一场关于认知的修正：不再沿用移动互联网的逻辑，即通过大规模投放换取增长、通过 堆砌功能留住用户，而是回归本质： 把模型当作最重要的产品 。 在大模型时代，真正的产品其实是模型本身，传统意义上的产品更像是一个渠道。如果模型不够聪明，产品做得再好也没有用。 在罗永浩和闫俊杰这期对谈里，我发现 MiniMax 这家 AI 公司从创业第一天就选择了注定与主流背道而驰的技术路径。 当所有人都试图寻找中国的 OpenAI 和 Sam Altman 时，闫俊杰却在试图证明「非天才」的价值。MiniMax 的故事不是关于天才的灵光乍现，而是一场关 于如何在资源受限的缝隙中，通过极度理性地计算 ...

在苏箐看来，这一阶段的核心命题，是将现有技术的潜力发挥到极致，比如地平线将持续提升芯片算力 与模型容量，以统一范式推进L2到L4的融合，让城市L2从20万级车型下探至10万级市场，让准L4系统 以平民化价格走进大众。同时，强化工程与组织能力，应对海量长尾场景的打磨，这才是穿越周期的关 键。 "自动驾驶的终极目标，是造出能替代人类司机的机器。这场长跑，在范式革命之后，考验的是行业沉 下心来做'精活'的耐力。在未来几年内，能够把L4级别的车，以平民化的价格送到用户手上。这才是我 们所有人辛苦了这20年做这一行的意义所在。" （文章来源：中国经营报） "未来三年，自动驾驶行业将告别范式迭代的狂飙，进入极致优化的'苦日子'。" 12月9日，在"2025地平线技术生态大会"上，作为深耕自动驾驶20年的老兵，一向"反共识"的地平线副 总裁&首席架构师苏箐分享了对自动驾驶未来趋势的判断。 值得一提的是，对于当下，苏箐则给出了冷静的判断："行业需要清醒。当前深度学习已显露天花板迹 象，AGI基础理论暂无突破信号，下一轮内核重构至少还需5—20年的技术沉淀。未来三年，自动驾驶 行业将告别范式迭代的狂飙，进入极致优化的'苦日子' ...

【朱啸虎：英伟达回调一下更健康】如何看待英伟达的回调？朱啸虎表示，"我觉得是回调一下更健 康，为了明年的进一步爆发，肯定能打一个更好的基础。"不过他同时表示，应该有比英伟达更好的一 些标的。谈到OpenAI Sam Altman，朱啸虎认为他嘴上说一套，但做的是另外一套。嘴上可能说的是 AGI，但事实上做的都是在应用端。 专题：未竟之约：张小珺访谈录 责任编辑：李思阳 专题：未竟之约：张小珺访谈录 【朱啸虎：英伟达回调一下更健康】如何看待英伟达的回调？朱啸虎表示，"我觉得是回调一下更健 康，为了明年的进一步爆发，肯定能打一个更好的基础。"不过他同时表示，应该有比英伟达更好的一 些标的。谈到OpenAI Sam Altman，朱啸虎认为他嘴上说一套，但做的是另外一套。嘴上可能说的是 AGI，但事实上做的都是在应用端。 责任编辑：李思阳 ...

文章核心观点 - 马卡龙是一款定位于“个人生活助理”的AI产品，其核心愿景是让AI进入并改善用户的真实生活，通过创建和使用个性化“小应用”来串联和解决用户割裂的生活需求，并强调产品应具备动态、有生命力和主动性的“朋友”特质，而非冰冷的工具 [2][4][12][17] - 公司认为AI模型智能提升的下半场核心路径在于规模化智能体强化学习，并在此技术方向进行了重点投入，已实现将万亿参数模型的强化学习训练成本压缩至原来的十分之一 [9][30][31][35] - 面对潜在竞争，公司认为其核心壁垒在于极致的“产品品味”和独特的“朋友式”交互体验，这种在细节中形成的用户心智锚点使其能与ChatGPT等通用助手并存，而非被替代 [9][41][43] 创始人背景与创业历程 - 创始人陈锴杰年仅26岁，已有三次创业经历：第一次在大二休学后创立家庭智能系统公司，年收入达千万人民币，后因ToB业务节奏慢、关系重而退出；第二次创业探索AI互动游戏；第三次在ChatGPT出现后，先后推出AI互动小说产品Midreal和生活助理产品马卡龙 [5][6][7][10] - 创业驱动力最初源于对校园生活成长速度的不满和新鲜感挑战，后续持续创业则是因为享受创业带来的个人综合能力成长 [11] - 产品理念的演变：从创造让用户“逃避现实”的沉浸式体验，转向创造能“改变现实”、解决实际生活问题的工具 [4][10] 马卡龙产品定位与特点 - **产品定义**：一个可以帮用户“制作属于你自己的小应用”的个人生活助理，旨在解决生活场景中数据割裂、应用臃肿的问题 [12][13] - **核心功能**：用户可通过对话，一句话生成服务于健康、运动、饮食、出行、预算管理等生活场景的小应用，所有创建的小应用都会成为AI的长期记忆，使其越用越懂用户 [4][12] - **设计理念**：追求三个关键词——Dynamic（价值交付方式动态多元，不限于文字）、Vibrant（产品有生命力、有记忆）、Proactive（像朋友一样主动关心和提供帮助） [9][21][22] - **与竞品差异**：定位为“朋友”而非“助理”，追求更贴心、更主动的交互体验，例如任务完成后会主动通知，而非让用户自行查找历史记录 [17][42] 用户画像与市场切入点 - **用户演变**：早期用户为开发者和产品经理，用于测试边界；当前核心用户已转向海外“新女性”群体，年龄在大学毕业至40岁左右，面临家庭、职场等多重压力，既需要情绪安慰也需要实际问题解决能力 [19] - **用户案例**：包括为父母创建体检应用、为管理财务创建省钱应用、创建家庭写真转换器改善家庭关系、心理咨询师创建日记系统等，体现了产品提供真实生活帮助的价值 [20][24] - **市场机会**：观察到AI能力在工作场景已快速覆盖，但在生活侧仍存在巨大空白，同时技术已成熟到可编写完整后端代码，支撑小应用开发 [16] 运营数据与产品指标 - **用户规模**：产品已拥有约30万用户 [9][26] - **小应用生态**：社区中已诞生近20万个小应用 [9][26] - **关键指标**：目前最关注小应用的创建率，新用户中约有30%会创建自己的应用；但长期目标是降低创建率，提升小应用的分享、复制和自动调用率，实现从“创建交付价值”到“使用交付价值”的转变 [9][26][28] - **用户粘性**：社区深度用户每天约有3到5次真实使用 [9] 技术架构与核心优势 - **技术核心**：以规模化智能体强化学习为核心，认为这是提升模型智能的关键路径，预训练已接近极限 [9][31][35] - **技术成果**：公司是全球除Thinking Machines外，唯一进行万亿参数大模型LoRA强化学习的团队，通过算法组合已将1万亿参数级模型的强化学习训练成本压缩到原来的十分之一 [30][31] - **模拟环境**：构建了复杂的模拟训练环境，可像“时间机器”一样回放用户交互过程，用不同策略重跑任务以生成训练数据，这是训练的关键难点 [33] - **记忆管理**：开发了创新的记忆管理方法，将整个记忆轨迹视为记忆本身，并通过智能遗忘过程管理，在Locomo基准测试上取得了93%的SOTA准确率 [32] 竞争策略与发展规划 - **竞争观**：认为与ChatGPT等通用助手是并存关系，而非零和替代，核心壁垒在于独特的“产品品味”和“朋友式”交互体验形成的用户心智 [9][41][43] - **先发优势**：体现在更快的用户反馈循环、更深的场景思考以及积累的用户数据，使得团队能持续快速迭代并“跳步”发展 [44] - **GTM与品牌**：早期通过创始人“Build in Public”来建立用户情感连接，因为AI产品迭代快，将注意力留在创始人身上比留在具体产品版本上更稳定 [45] - **商业模式探索**：未来可能的方向包括：对小应用交易进行抽成；或通过与生活场景深度结合的支付服务变现 [45] - **长期愿景**：持续围绕Personal Agent演进，坚持Dynamic、Vibrant、Proactive的方向，目标是达到1亿日活跃用户 [39][46]

文章核心观点 - 文章通过总结Dwarkesh Podcast中多位AI行业领袖的深度访谈，揭示了当前AI技术发展范式的关键转变、未来AGI的形态构想以及行业竞争格局的演变趋势[2] Ilya Sutskever的观点 - 认为无脑堆算力的“暴力美学”时代已经翻篇，预训练开始式微，数据快用光了，后续发展更依赖研究直觉，回到了需要“拼品味、拼直觉”的手搓时代[5] - 提出“情绪”是进化赋予人类的精准价值函数，让AI拥有“情绪”或“直觉”是通往真正智能的必经之路[6] - 认为真正的AGI更像一个“15岁的天才少年”，学习能力极强，并且未来智能体可以“合并智能”，瞬间获得海量经验[7] Satya Nadella的观点 - 提出模型厂商可能遭遇“赢家诅咒”，模型作为可替换的计算部件非常脆弱，而掌握“场景权”和用户数据流更为关键，微软通过将AI深度集成到Office和GitHub等应用来巩固优势[10] - 指出GitHub的未来定位是“AI智能体的总部”，通过控制代码仓库来管理由不同AI生成的代码，从而掌握AI时代的管理权[11] - 预测SaaS模式将终结，未来将转向为AI Agent提供“数字实体”、身份认证、安全环境和云端电脑等基础设施，并按AI“员工”数量或资源消耗收费[12][13] Andrej Karpathy的观点 - 认为当前大型语言模型是通过预训练模仿互联网数据产生的“幽灵”，拥有知识但缺乏肉体直觉和常识，并非像动物一样进化而来[16] - 批评强化学习效率极低，其奖励信号如同“透过吸管吸取监督信号”，无法对模型复杂的推理步骤提供精细反馈，导致幻觉和逻辑问题[17] - 提出未来AGI的“认知核心”可能只需10亿参数，主张将记忆与认知剥离，知识应存储于外部而非全部记在模型内部[18] 图灵奖得主Sutton的观点 - 指出当前LLM只是在模仿人类语言，缺乏对“客观真相”的追求，没有目标的系统只能称为“行为系统”而非“智能系统”[21] - 强调生物界不存在监督学习，未来的AI应像野兽一样从“体验流”中通过尝试-反馈来学习，而非依赖人类标注的数据[21] - 将AI的诞生视为宇宙从“复制时代”进入“设计时代”的第四道门槛，是人类首次创造出原理可知、可被随意修改的智能体，是宇宙级的质变[22] Sergey Levine的观点 - 认为机器人不需要全知全能的世界模型，只需具备为完成具体任务而生的“隧道视野”，强大的目标感本身就是感知过滤器[25] - 提出在物理世界中，“失忆”或“在当下”的不费脑子的快速反应是高级智能的表现，未来机器人架构可能是“健忘”的小脑配合“博学”的大脑[26] - 指出2009年自动驾驶失败的原因是车辆缺乏常识，而当前机器人浪潮的变量在于通过视觉语言模型获得了先验知识，使其能零样本处理边缘情况[27]

文章核心观点 - 报告指出，2025年AI正从“工具时代”迈向“伙伴时代”，其发展将深刻重塑经济结构、社会形态和人类生活方式 [3] - 中国AI正从“参与者”转向“领导者”，在开源生态、芯片自主、AGI路径等基础层面加速布局，展现出从“跟跑”到“并跑”乃至“领跑”的体系化能力 [28][31] 算力与芯片 - 算力已成为影响国家和企业战略的关键资源，算力经济是智能产业第一大引擎，全球AI算力需求推动超大规模数据中心建设进入算力工厂时代 [5][6] - “东数西算”、“太空超级计算机”等国家工程正系统构建高效、绿色的全国一体化算力网络 [6] - 芯片层面，GPU主导地位受到挑战，NPU在端侧普及，ASIC/FPGA迎来增长 [8] - 中国正加速构建自主可控的算力生态，国产“芯片+SDK+框架”方案已在千亿级模型训练中得到验证，DeepSeek等模型针对昇腾芯片深度优化，标志着全栈国产化能力迈入新阶段 [11] 大模型技术与架构 - 预训练决定大模型格局梯队，架构创新决定预训练水平 [5] - 混合专家模型成为主流选择，其“大参数、小激活”的设计让模型可在不显著增加成本的情况下扩充容量，中国头部模型团队正普遍采用这一思路 [13] - 为突破Transformer的O(n²)复杂度瓶颈，线性注意力和稀疏注意力等新架构快速发展，让模型能够更高效地处理长文本、视频理解等需要长程依赖的任务 [13] - 2025年，大模型落地进入“推理时间”，模型在多模态深度推理、自适应推理、边缘推理加速等方面持续突破，任务复杂度推动推理框架持续进化 [15] 应用与交互范式 - 信息AI处于应用期，物理AI处于研发期，具身智能成合流风口 [5][17] - 世界模型与VLA（视觉-语言-动作）框架成为技术焦点，具身智能正从小规模商业订单走向更广泛的应用探索 [17] - 自变量机器人自主研发的“Great Wall”模型系列已实现从感知到高精度操作的端到端控制，在复杂任务中展现出了强大的泛化能力 [20] - AI正在重塑流量入口，从PC互联网、移动互联网迈向Agentic互联网，AI智能体具备感知、规划、决策、执行的闭环能力，正逐步取代传统App，操作系统亦向超级Agent演进 [5][20] - 构建智能助手的关键在于对用户个性化知识的理解与调用，例如腾讯的ima知识库允许用户构建专属知识库并与大模型深度结合，实现“知识即能力”的模式 [22] 多模态与硬件 - 多模态成为AI应用落地关键，视频、3D、代码依次展现生产力，新一代AI系统能够同时处理和理解文本、图像、声音、视频等多种信息类型，实现跨模态的关联理解和生成 [5][22] - 报告预测，未来2-3年内，随着技术能力成熟，AI会成为相关产业的标准工具 [22] - AI硬件百端齐放，轻量化模型和边缘计算技术成熟，推动AI能力向手机、汽车、IoT设备等终端普及，端侧AI解决了数据隐私、网络延迟和成本效率三大核心问题 [5][22] 科研与开源生态 - AI正从科研工具升级为科研主体，开启自主科学发现新范式，在材料、化学、生物、医疗等领域，AI的复杂问题解决能力已触及博士水平 [5][25] - 腾讯与广州呼吸健康研究院联合开发的DeepGEM病理大模型，仅通过常规病理切片图像即可在1分钟内高精度预测肺癌基因突变，将检测成本降低数倍 [27] - 开源AI进入中国时间，DeepSeek、Qwen等开源模型在全球社区影响力迅速提升，下载量位居前列 [5][28] - 在AGI领域，中国正通过开源生态、自主芯片、国家算力网络与产学研协同，走出一条独特的“中国路线” [30]