没错儿,AI仍然在加速狂奔。
2016年,深度学习爆发了仅一年,就几乎停滞不前。2026年,爆发了4年的大模型依然没有触及上限。
在智源大会2026现场,光锥智能看到,从模型、软硬件到产品,一切都在为了AI从数字世界“跑”进物理世界努力。
一方面,Scaling Law稳定发挥、推动大语言模型和多模态模型依然在发展发展,AI行业已经进入了追逐世界模型的阶段。只是当前技术路线、数据等问题悬而未决,还需要可能至少3-5年时间探索。
另一方面,Agent取得的突破加速了AI在现实场景中的落地。随着Agent达到了可用阶段,行业正在推进其在医疗、会议等场景的应用。为了让Agent从可用走向好用,软硬件协同也成了关键。在智源大会的展台现场,芯片厂商占据了“半壁江山”。几乎头部的国产AI芯片悉数到场。
“我们正站在一个新的历史临界点上。人工智能不再只是改造某个行业的工具,而是正在成为重构世界的底层力量。AI Coding、自主智能体、模型自进化,正在打开AI、创造AI的可能性。世界模型、具身智能和机器人,则让智能从数字世界延伸到物理世界。”智源研究院院长王仲远说。
这场底层力量重构'的浪潮里,到底在发生什么?
智源大会的第一天,在场嘉宾们给出了这个答案:AI正在从“会聊天”走向“会干活”。Scaling Law还在继续,技术方向尚未收敛的世界模型成为下一阶段的重心,而智能体已经从可用开始走向好用,也有诸多问题等待优化。
AI不仅技术没到天花板
还学会了自我进化
过去一年,随着高质量互联网文本数据被消耗殆尽,行业内弥漫着一种“Scaling Law(缩放定律)即将触顶”的悲观情绪。
在智源大会的多场论坛中,“Scaling Law的红利是否缩小”频繁被提及,多位嘉宾均否定了这一说法。
“我还是比较坚信Scaling还远没有到尽头。”银河通用创始人兼CTO王鹤说,“今天回过头来看,Scaling Law没有失效,只是它变得更加多样化。”
在一系列新发布的大语言模型上,Scaling仍然在继续发挥作用。以Anthropic最近发布的Fable 5分析,小米罗福莉表示,这个模型本身就是科学推进Scaling的产物。它是大模型在参数规模、合成数据和强化学习三个维度结合得到的扩展成果。
“我们猜测,Fable 5本身的参数规模应该是目前最大(规模)的开源模型的几倍,其次在Test-Time Scanning(推理时扩展)或强化学习上也投入了强大算力。此外,由人和Agent产生的合成数据,让数据规模达到了新量级。”罗福莉说。
于多模态领域,Scaling带来的模型性能提升同样效果显著。生数科技创始人兼首席科学家朱军表示,数据质量、模型尺寸还有大规模训练,都会给模型带来提升。在基础模型能力提升的基础上,模型学习物理规律、3D场景的理解也会更加高效。
Scaling持续生效的同时,伴随AI Coding逐渐成熟、Agent加速落地,AI自进化趋势明显,从写代码升级到自行完成产品的迭代更新。
“人类大量数字世界底层就是通过代码构成的,AI Coding有了真正实质上的进步并且成为主流,意味着所有在数字世界的东西,AI都有可能逐步接管。”王仲远说。
海内外,用AI完成产品更新已经成为常态。
“如果说模型决定了智能体的能力,那么Harness就决定了智能体能力的上限。”李景秋说。“它的难点在于需要在模型基础上进一步做好问题的澄清、验证和反馈。”
比如,如果只靠模型理解问题,它难免会有局限性。Harness需要做的就是完善和丰富用户简单的一句话指令,让模型能够更好地理解需求,这里面需要Harness发挥意图理解能力,并在拿到任务后,设计好接下来的任务流程,再调度模型执行。这个过程中可能需要结合人工干预和纠偏,再在任务完成前做好检查。
世界模型
大模型的下一个关键战场
沿着数字世界的边界向外突围,世界模型成为了大模型的下一个关键战场。
“当前还没有哪一个世界模型真正能够让人感觉特别惊艳,解决真实物理世界的各种问题。”王仲远说。
对于处在发展初期的世界模型来说,针对世界模型的技术,行业目前没有完全达成共识。且在技术路线尚未收敛的情况下,还有一系列亟待解决的问题。以数据为例,王仲远举例,到底是需要视频数据、仿真数据还是真实物理世界的数据,大家还没有找到方法路径。
以银河通用为例,王鹤在现场介绍了他们对合成数据的应用。
“在WAM(World Action Model,即世界动作模型)范式尚未出现前,我们在VLA范式里,先用合成数据,针对抓取这件事做了大量的尝试。”王鹤说,“我们用仿真数据10亿帧证明了:只要你把数据Scale到这个程度,你就可以完全实现zero-shot(零样本学习),在真实世界随便给我一个东西,就能搞定抓取。”
针对世界模型的发展情况,智源研究院预判“至少还需要好几年时间”,未来三到五年都会是世界模型持续演进和迭代的阶段。
几年内,行业里出现了多种不同技术路线的世界模型,且发展各有千秋。
以多模态世界模型为例,朱军表示,视频模型和世界模型关系紧密,因为世界模型需要具备看懂并理解状态、预测、行动三大能力。而在当前能够接触到的训练数据中,和世界模型最相关的就是视频数据。
在各类技术路线分化、行业尚未形成共识的情况下,智源研究院将世界模型分为四类:
第一类是以语言为中心的世界模型,把其它模态、其它能力映射到语言空间,包括大语言模型、VLM、VLA等;
第二类是以像素为中心的世界模型,视频生成本质上是预测下一个画面帧,但视频生成模型不等于世界模型,它和世界模型是相关的,今年可能会非常火的World Action Model(WAM)都是以像素为中心演进;
第三类是以三维结构为中心的世界模型,包括3D重建就是单纯的三维世界;
第四类是以视觉表征为轴心的世界模型。
目前,智源研究院正在探索“第五类”路径——以语言为中心和以视觉表征为中心的融合,即潜空间表征,相当于把文本、图像等一系列信息压缩到向量空间中,以表征各种真实物理世界的状态。
“将来统一的潜空间建模不仅仅是视觉空间,而是全模态潜空间,很有可能是世界模型真正下一个可能的路径。”王仲远说。
智源研究院在大会上介绍了正在研发中的世界模型——悟界·Physis-v0.1版本,它以物理空间建模,实现下一个物理状态的预测为中心。它的定位是全球首个通用世界基座模型,强调“物理正确、动作因果可溯、长时序一致、通用泛化”四项关键能力。
目前,该模型还在训练阶段,下半年智源将持续分享进展,在训练完成以后开源模型。
从“可用”迈向“好用”
智能体还有更多关要闯
模型侧,世界模型的进展推动物理AI的实现;产品侧,Agent(智能体)成为AI走进大众生活的关键落地产品。
从被称为“智能体元年”的2025年开始,Agent已经出现了一部分让人印象深刻的产品,有了爆发的苗头出现,但“龙虾们”今年的泼天热度,还是出乎意料。
比起去年智能体还处在执行状态,今年的智能体显然变得更主动、更会办事儿,可以帮助用户主动执行更复杂的任务。
今年的智源大会上,智源研究院也发布了四款偏向垂类的智能体:全球首个面向心脏磁共振的辅助诊断智能体BAAI Cardiac Agent,通过融合多模态能力和医生专业知识,辅助医生完成决策;自主研究智能体AREX应用于科研领域;帮助用户实时听会、捕捉要点的智能体SoulAgent;以及面向有害蛋白获取的风险发现智能体。
其中,以听会智能体为例,光锥智能测试了它总结不同会议内容的能力。SoulAgent确实对会议内容做出了简单的总结。虽然不及纪要完整,但核心观点无误。对于这种分论坛时间出现重合的情况比较适合。
不过,当前智能体在技术方面还存在诸多亟待进一步优化的问题。南洋理工大学校长讲席教授安洋提及,要维持智能体能力继续提升,目前最重要的还是和上下文工程相关的部分,比如Memory(记忆)、编排等等。
智能体分论坛现场,去年鲜少被关注、今年热度颇高的Harness(直译为马挽具,指围绕智能体搭建的一整套工程化框架或环境)成为了现场提及的高频关键词之一。
“如果说模型决定了智能体的能力,那么Harness就决定了智能体能力的上限。”李景秋说。“它的难点在于需要在模型基础上进一步做好问题的澄清、验证和反馈。”
比如,如果只靠模型理解问题,它难免会有局限性。Harness需要做的就是完善和丰富用户简单的一句话指令,让模型能够更好地理解需求,这里面需要Harness发挥意图理解能力,并在拿到任务后,设计好接下来的任务流程,再调度模型执行。这个过程中可能需要结合人工干预和纠偏,再在任务完成前做好检查。
简而言之,如同一个真人助理,其中的每一步细节都需要产品针对Harness进行打磨,才能进一步提升Agent的执行效果。
当前,Agent还处在初期发展阶段,能够预见的是,这个行业的进步空间很大,无论是模型能力的提升,还是工程细节的夯实,都将为Agent办事能力进一步添砖加瓦。
本文来自微信公众号: 光锥智能 ,作者:关注前沿科技的
