Address
304 North Cardinal St.
Dorchester Center, MA 02124
Work Hours
Monday to Friday: 7AM - 7PM
Weekend: 10AM - 5PM
1.定义：“默认式AI（Default AI）”
1.1概念定义：默认式AI（Default AI）
这个底层逻辑是什么？
甲子光年将其定义为：默认式AI。
“默认式AI”（Default AI）：无需用户主动选择或感知，默认存在、默认开启的人工智能形态。
——甲子光年
经历了数年的爆发与重构，AI从“技术的奇观”成为了“默认的存在”。它不再是实验室里的惊叹，而是社会的结构，是经济系统的沉默底层。它不是“被使用的AI”，而是“自然而然存在的AI”。
1.2默认即智能：智能成为常态，AI走向日用而不觉
2023年我们感受到的AI是惊讶、尝鲜；2024年我们感受到的AI是商业的拷问；2025年我们感受到的AI是一种“默认”——默认即智能：智能成为常态，AI走向日用而不觉。
如果我们打开一个网页，没有AI，你会觉得很奇怪；如果你的一位朋友没有使用过AI，你会觉得很反常。
数据显示：超过一半的美国成年人（61%）在过去六个月中使用过人工智能，近五分之一的人每天都依赖人工智能。
1.3默认式AI特征：关闭才是例外，不用才是例外，不会才是例外
“默认式AI”具有三大特征：
1.非选择性（Non-optional）：用户不再“决定是否使用AI”，而是在日常操作中自动与AI交互。例如：输入框默认AI补全、相机默认AI识别、搜索结果默认AI重写。
2.低感知（Invisible）：AI的参与被隐形化和底层化，用户甚至不察觉AI在起作用。例如：iPhone照片自动分类、邮件的智能排序、文档自动摘要。
3.系统绑定（System-integrated）：AI不以独立应用的形式存在，而是嵌入操作系统、平台或设备的基础层。例如：Windows Copilot、Apple Intelligence。
1.4AI社会化三阶段：工具式AI→伴随式AI→默认式AI
默认式AI（Default AI）是人工智能社会化演进的第三阶段。
阶段1：工具式AI（Tool AI）——AI是“被使用的能力”，强调“我在用AI”。
阶段2：伴随式AI（Assistive AI）——AI是“共同工作的伙伴”，强调“AI在帮我”。
阶段3：默认式AI（Default AI）——AI是“世界的底层逻辑”，强调“AI就在那儿”。
当一项技术成为“默认式”的，意味着它已经深度嵌入社会结构，具备了不可逆性——即使后续技术路线更迭，甚至经历商业泡沫，但这个时代依然开启了——就像互联网曲曲折折，也经历过互联网泡沫，但互联网时代依然不可逆地继续推进着。
今天来看，AI也进入了这样一个时代。它从“被使用”变为“被预设”，成为了所有人的战略前置。刚才所说，“轰然成势，万象归一”，而“默认式AI”，正是这个“一”的内涵。
接下来，我们看具体的判断。
2.2026年全球人工智能发展趋势30条判断
2.1技术趋势
【判断1】“智能基线”的提升：仍是AI本质驱动力，AI正在九个维度变得更强
2025年，可能很多人有一种直观感觉，业界议题大比例地聊AI应用、AI落地，但第一个判断首先我们还是想强调一点——智能本身的提升。
智能的基线决定了“AI能做到什么”。没有更强的推理、记忆、理解能力，Agent只是更精巧的流程图。所以，我们依然需要“更高一级的智能”。
OECD（经合组织）在2025年发布了AI能力指标：用九个维度描述了当前AI的能力进阶，包括语言能力，社会互动能力，问题解决能力，创造力，元认知与批判性思维，知识、学习与记忆能力，视觉能力，操作能力以及机器人智能。这些维度共同定义了“智能本身”的基线。
如图所示，2025年，围绕这些维度，各个前沿模型不仅没有停滞迭代，还在强劲地进步，且竞争比任何时候都更加激烈——智能这件事本身还远未到天花板。
【判断2】Beyond Transformer：“架构级”探索仍在继续，但仍未撼动Transformer地位
在大模型研发的最核心层——架构层，仍然存在关键变量。
Transformer依旧是当下的绝对主流：几乎所有最强通用模型仍基于Transformer或其变体。但随着应用规模放大，它的短板也被放大：比如算力成本、推理效率和存储瓶颈。
为解决这些问题，人们在不同的路径上探索：一方面，Transformer路线本身在持续进化，另一方面，非Transformer架构也在同步发展。如今，两条路线也正在融合，走向混合架构。
路线分化的内在逻辑是，Transformer路线更多追求的是“智能的上限”，非Transformer路线追求的是“智能的效率”——在提供同等性能的同时，把计算复杂度降低为线性复杂度，在可承受成本内把智能铺到更多场景和终端。两条路线正对应甲子光年智库之前提及的AI的“进击”和“普惠”两个方向。
例如，RockAI为非Transformer国产化的表率，率先推出中国自主架构大模型，且在PC、平板、机器人、树莓派等终端上率先落地。RockAI以“让世界上每一台设备拥有自己的智能”为使命，于2024年1月发布国内首个非Transformer架构大模型Yan 1.0，2025年7月发布全球首个拥有原生记忆力的大模型Yan 2.0 Preview。
2025年，AI模型架构正在“Beyond Transformer”，但尚未“After Transformer”，transformer仍未被“机制级”颠覆。但最值得期待的创新，恰恰是跳出路径依赖、改写规则的创新——如果“After Transformer”最终形成，它可能已经在今天展现出了雏形。
【判断3】智能与智能体互相锻造：智能赋予行动以可能，行动回馈智能以演化
智能（intelligence）与智能体（agent），绝不仅仅是“大脑＋行动”的简单分工，更好的比喻是“生成器”与“校验器”——它们互为条件、互相锻造，在递归循环中共同走向更高阶的复杂性与通用性。
第一，基模的智能，直接决定智能体的上限与可靠性。
有了智能，agent才获得“想象能力”——比如“如果我在状态s采取动作a，期望回报会是什么”，这让智能体能在多个备选动作之间做权衡，可能性空间因此被打开，这正是目标导向和自主性的根源。
第二，智能体又反过来锻造智能本身。
基础模型的优化，并不是关起门来训练，而是不断从智能体与环境的交互中形成“任务执行→行为结果→数据回流→基模迭代→能力跃迁”的正循环。
智能体构成“外环”，智能是“内环”。外环的实践不仅修正自己的动作，还能回灌到智能系统，修正内环的规则本身。我们不能低估了这种“回灌”——科学史上的实验反常倒逼理论革命就是这条回路的体现。
第三，多智能体协作，提供了“智能体反哺智能”的一个视角。
来自清华的一项研究观察到了“协作缩放定律”：大模型不只是“单体变大”可以遵循scaling law，“多智能体的协作”本身也有一条scaling law——当多智能体通过特定结构协作，其集体表现可以超越个体性能总和，随着智能体数量增加，解决方案的质量以“S型曲线”提升，这进一步说明智能体对智能形成反哺。
【判断4】智能体与世界模型“同源同宗”：当智能体足够强，世界模型就出来了
接下来分享一个很有意思的观点：长期以来，世界模型是否是实现AGI的必需条件，一直存在争论。
而在一篇ICML2025的论文里，DeepMind的科学家们表示：任何能泛化完成复杂任务的智能体，它的策略里一定已经学习了其环境的预测模型（即世界模型），而我们甚至可以通过观察智能体的行为来提取这个模型，且智能体的性能越高，其内部世界模型就必须越准确。
论文中有句原话：“通用代理就是世界模型，模拟环境所需的所有信息都编码在其策略中。”
论文用数学证明了一个核心直觉：如果智能体真的懂“怎么做”，那它必须懂“世界会怎样变化”——策略能力与世界模型知识在数学上等价。想成为聪明的智能体，就得在脑子里“重建世界”。
这让人们回想起2023年3月，OpenAI联合创始人Ilya提出了一个深刻的论断：大型神经网络的功能远不止预测下一个单词，它实际上是在学习“世界模型”。
我们可以做一个比喻：把一位顶级武林宗师看作“智能体”，他脑中对江湖格局与招式后果的快速推演就是“世界模型”。一个强大的智能体，必须能够理解其行动在环境中的后果——这种“理解”的本质，是一个关于环境如何运作的模拟，也就是世界模型。
所以，智能体与世界模型同源同宗，换句话说：行动即建模。
【判断5】AI记忆突破：从“能记住”到“会回忆、敢遗忘”
如今，大模型正在从生成工具演化为具有长期交互能力的智能体，这对“记忆能力”提出了更高的要求——只有记忆突破，AI才能“持续陪伴”，这是增加用户黏性的必然。
然而，如何提升AI的记忆能力？这是一个值得深思的命题。
哲学家博尔赫斯有一篇短篇小说《博闻强记的富内斯》：
主角在坠马重伤后意外获得了无法遗忘的超凡记忆力。他记得每一粒玉米的纹理、每一次呼吸的湿度，但却无法抽象出“玉米”、“呼吸”的概念，他陷入无穷的细节中，最终失去了思考能力——“无限记忆”反而造成了“认知灾难”。
这个故事启发我们反思：什么是好的记忆？
过去几年，业界在追求“更长的上下文窗口”。
这种方法很像一个极度用功的学生：在阅读长文章时，他把每个单词、每个标点都仔细抄进笔记本，但随着笔记本越来越厚——要查找、比对每一页的内容都变得缓慢而吃力。这让记忆变成了“甜蜜的负担”。
AI记忆的难题体现在三个维度：“准确-实时-经济”。
- 准确：看似要追求信息的完整，但当信息过多时，模型反而会lost in the middle，多余的信息不是中性的，是有害的；
- 实时：看似要求记忆即时更新，但如果每次对话都立刻写入记忆库，就像“边开车边修车”，反而会造成严重延迟；
- 经济：看似要求控制计算与存储成本，但过度节省又会牺牲信息质量。
越来越多人意识到，通往高级记忆的路径，并非简单的“扩容”。于是，业界开始更重视长期记忆、外部化记忆等其他方法。各式解决方案基本指向了同一个方向——“聪明的选择”比“全面的记忆”更重要。
比如浙江大学团队推出的LightMem系统，带来了三个反直觉的启发：
第一个反直觉：过滤——压缩掉50%的信息，准确率不降反升；
第二个反直觉：分层——不按人工规则切段，让主题自己“长出来”，效果更好；
第三个反直觉：异步——延迟更新比实时更新更准确，更快。
所以，他们让AI学会“遗忘”——准确说，是让模型学会像人脑一样，优雅地过滤、分层、异步处理记忆。
2025年是AI记忆突破的关键年份，AI的“记忆”完成了从“能记住”到“会回忆、敢遗忘”的跨越。企业也纷纷加大相关投入。
比如红熊AI认为“记忆不是存储，而是重建”。其自主研发“记忆科学”平台，解析多模态对话记录，采用增量式图谱重构技术，在原有记忆体系上动态新增或重建关联节点，实现非冗余存储与图结构优化，达到97%的多模态记忆精准采集，92%的记忆机制模型预测准确率。
记忆方法的迭代，更新了AI设计的哲学。真正的智能，不在于记住一切，而在于知道什么值得记住。
当然，AI记忆的考验才刚刚开始：如何在记住与遗忘之间找到平衡点，既不让用户因被遗忘而失望，也不因被牢记而恐惧。优雅的解决方案本质都是取舍的艺术。对于AI记忆来讲，尤其如此。
【判断6】下半场开启：“AI胜负手”从“训练更强”走向“定义更好”
今年有一篇文章引起了广泛关注，OpenAI研究员姚顺雨的《AI的下半场》。
他讲到，我们正站在AI发展的中场分界线上。
上半场的核心竞争力是新模型与训练方法。
转折点来自强化学习（RL）的通用化，这让我们有了一个泛化的、通用的方法。
强化学习包含三大要素：算法、环境、先验知识。同时，我们有了一套“通用配方”：海量语言预训练、数据/算力规模、推理与行动机制。
语言内化的海量先验知识，使推理成为可能，这正是实现高级泛化的关键。这之后，AI不再是靠穷举试错来学习，而是可以像人一样，根据基本原理和常识，来应对新任务。
“强化学习+这套配方”的组合跑通了，攻克基准就变成了一件可复制、可规模化的事情。此后，针对特定任务的新方法可能仅提升5%，而下一代通用模型不专门优化就可能提升30%。再设计更难的基准，也会被迅速攻克，而且刷榜节奏只会越来越快。一旦你可以定义一个考试，离它被解决也不远了。
于是，我们来到了下半场：我们从“解题人”变成了“出题人”。我们不再只问“能否训练模型解决X”，更要追问“该让AI解决什么？如何衡量实质进步？”
换言之，AI的“胜负手”正在从“训练更强”转向“定义更好”。
当然，下半场的开启并不意味着上半场的结束，更准确的表达是：上半场的游戏仍在继续，下半场已经开启。
【判断7】大模型开启“性价比”叙事：从“堆规模”到“挤水分”，“每单位智能成本”成为赛道新基准
AI的发展，每一年都有核心叙事。2025年，一个核心的叙事是大模型的性价比。
2025年以前，AI界盛行着一种信念：只有巨额投入和疯狂堆算力才能打造最强大的模型。2025年开年，DeepSeek R1打破了“砸钱堆料”的路径依赖，如同一块投入湖面的石子，激起了层层涟漪，把“性价比”推到了牌面中央。
从训练角度看，从DeepSeek开始，行业出现两极分化。
向上看，冲击能力前沿的训练越来越贵：前沿模型的训练成本以2-3倍/年的速度攀升，一次训练可能就要花掉上亿美元，照这个趋势推算，2027年前后就会出现“单次训练成本超十亿美元”的模型。
向下看，复刻既有能力的成本在被快速打穿：2025年，DeepSeek把R1的强化学习训练阶段压到29.4万美元，连同底座一共大约600万美元。
冲前沿越来越贵，复刻同代能力越来越便宜。两条轨道同步扩张，形成明显的“哑铃型”结构。
从推理角度看，近年来，在同等能力水平上，LLM推理的“单位智能价格”正在快速坍塌，在各类基准性能下，价格每年下降9倍到900倍不等，且价格下降在2024年后明显加速。
训练成本决定了模型能否被经济地创造出来；推理成本决定了模型能否大规模商用。在“性价比”的新叙事下，二者被统一到了一个更高的目标之下：总成本和商业回报的最大化。
如今，业界譬如DeepSeek-OCR等各类进展也在推动性价比的进一步提升。
最危险的对手，不是那个跟你拼烧钱的人，而是那个证明根本不需要烧那么多钱的人。真正的比赛，落在“每一单位智能的成本”上。
【判断8】算力迭代：非GPU技术推动AI芯片架构革命
过去，AI芯片市场GPU一家独大，但如今算力格局正在被改写，非GPU已经开始成为AI芯片新宠，这里尤其以TPU和可重构芯片为代表。前阵子发布的Google TPU v7更是引发了关注。此外，很多初创企业也在非GPU路线探索。
GPU虽然强大，但在推理速度、能耗、算力成本方面都存在问题，这些维度都是非GPU技术的潜在优势。此外，范式多样性本身就是创新的前提。
从市场份额来看，2025年上半年，我国非GPU加速服务器市场占比30%，而2029年其市场份额可能达到半壁江山。
值得注意的是，北京市构建的自主可控AI“芯片矩阵”，有四家明星企业，其中有三家都是非GPU。
比如，清微智能是国内研发“非GPU”新型架构AI芯片的代表企业。其研发的可重构AI芯片在保留GPU通用性的同时，通过算子的动态重构，趋近TPU等专用AI芯片的能效优势，也被称为“通用型TPU”。
【判断9】AI打破“分科”壁垒：从“Science+AI”走向“AI+Science”，AI在跨领域寻找答案
当我们谈通用时，对立面往往是垂直。然而，当我们谈“垂直”时，意味着一种局限性思维——AI与人类切割“垂直”的方式本身就是不一样的。
自然科学横跨物理、化学、生物、材料等多个重要领域。在长期发展中，各领域形成了不同的数据表达方式和研究方法，但也导致了“知识的孤岛”，当我们硬生生给AI去“分科”，可能恰恰错失了一些可能性。
AI的思维模式是“跨领域求解”，而非“分科而治”。
第一，AI的知识是网络化的：大模型的知识本质上是将所有信息视为一个巨大的关联网络。对它而言，一个医疗问题和一个机器人控制问题，可能只是网络中被某条路径连接的两个节点；
第二，问题的本质是相通的：很多看似分属不同领域的问题，在底层可能共享相同的逻辑。AI没有先入为主的“学科”概念，更没有路径依赖。
这意味着AI科研范式可以有一种完全不同的视角：从“Science+AI”走向“AI+Science”。
后者不是把AI当作工具，而是把AI当作科学的“新主体”，以AI为核心重新布局整个科研流程。
从实践来看，研究者正在积极基于此理念构建“科学基座大模型”。
譬如，微软研究院开发了一个跨学科的科学基础模型NatureLM。其核心思想是：我们可以将小分子、蛋白质、材料、DNA/RNA等都看作是某种“序列语言”，构建一个统一的模型，来帮助科学家进行跨领域的研究。
研究人员训练了三个不同参数大小的版本，并看到了“规模法则”——论文评估了22个任务类别，其中有18个任务随着模型规模的增加表现出明显提升。这展现了大型基础模型在科学发现中的潜力。
AI的真正潜力，恰恰在于其能够打破人类的知识框架，在看似不相关的领域之间建立连接，从而产生原创性的解决方案。
【判断10】原生多模态：从拼接方案走向“原生统一”，是走向AGI的必由之路
刚才的AI+Science体现了一种不同学科“原生统一”的思想，我们承接这一点，聊一聊“原生多模态”。
我们正在从“拼接多模态”走向“原生多模态”，这种转变是AI对世界理解方式的一次深刻升级。
拼接模式就像是一个“翻译团队”：视觉编码器负责“看图说话”，语音模型负责“听写转文字”，再由语言模型进行理解。任何一环的“误译”都会导致偏差。
原生多模态大模型则更像一个“通才”，在训练阶段就进行跨模态统一表示，让“看、听、说、想”在同一语义空间中协同涌现，这能更深入地挖掘不同模态数据间的潜在联系，也带来了更高的效率、更低的延迟。
以大型多模态推理模型路线来看，可以分为四个阶段，感知驱动模块化推理、语言中心短推理、语言中心长推理、原生多模态推理。原生多模态是大势所趋。
2025年，我们看到了一系列显著的进展——“原生多模态”成为了领先模型的“默认配置”。
真实世界本质是跨模态信号流。原生多模态不仅是当前技术发展的明确方向，更是走向AGI的必由之路。
【判断11】具身智能大模型：架构并未收敛，虽然端到端VLA火爆，但尚未形成具身版本的“Transformer”
如果说，Transfomer这样的统一架构，最终催生了ChatGPT等旗舰产品，那么现在具身智能还没形成自己的“Transfomer”。目前具身智能赛道，软硬件皆没有收敛，模型层面有端到端VLA模型、分层模型以及世界模型等，并没有进入“一个大模型打天下”的局面。
首先，从每年推出的VLA模型与数据集看，VLA的热度快速上升，2025年尤其如此。
其中，端到端VLA是“舞台效应”最强的，也是资本热度最火爆的。“一套权重看图听话直接出动作”的思路最抓眼球，也最符合第一性原理。
但量产与落地的主流仍是大小脑分层方案。VLA是“技术天花板”最被追捧的路线，却未到“市占天花板”——风口在端到端，交付靠分层。
2025年行业实相是“分层+端到端VLA+世界模型”三主线并行：端到端VLA负责旗舰Demo与科研；分层承担量产主力；世界模型还处于早期验证。
这反映了具身智能的复杂性，即单一方案难以解决从高层认知到物理交互的全部挑战。因此，行业必须通过多方协作，共同推动技术进步和标准制定，才能加速具身智能的落地。
2.2产品趋势
【判断12】AI即系统：AI正在“操作系统化”，成为第一调度实体
我们开篇讲到，我们已经进入“默认式AI”时代，其中一个重要体现是，AI正在“操作系统化”。
回顾历史，OS本身经历了三个阶段的进阶。从PC时代的Windows、macOS，到移动时代的Android、iOS，再到今天的AI OS。
当Windows在90年代悄然成为个人电脑的默认界面时，很少有人想到，它会定义此后数十年的个人计算；当iOS带着App Store亮相时，整个移动互联网生态因此解锁。AI OS也将扮演类似角色。每一代操作系统的迭代，都伴随着硬件形态、交互方式、信息内容等多个维度的变迁。
AI成为OS，意味着AI将成为“第一调度实体”：负责资源调度、任务编排、流程优化。
举个例子，浩鲸科技推出企业AI操作系统鲸智百应，旨在让企业真正实现从“使用AI”到“本身就是AI”的转变，依托Data Cloud的企业数据建模与洞察能力、Function Cloud的全域功能调度与协同能力，以决策、流程、知识、记忆、插件五大引擎构建智能底座，驱动AI从“外挂工具”变为组织“原生能力”。
【判断13】“无头商业”崛起：AI正在成为所有软件的默认能力
刚才我们说了操作系统，现在说一说“默认式AI”时代的软件，尤其是SaaS的变化。
甲子光年智库曾经提到一个概念叫“AI的主语化”，这个概念对SaaS出现了明显的逻辑替代。
首先，主语让渡：AI是中枢，SaaS变组件。
SaaS是面向人的，而未来很多流程是面向AI的。人需要“界面化”的操作，AI完全不需要这些，它更喜欢API和数据流，它可以通过调用接口完成整个业务链路。
以前，人是流程枢纽，SaaS是工具；现在，AI是流程枢纽，SaaS变成了“能力组件”。
举个例子：过去，发票的填写、审核、归档，人需要在不同系统里录入、校验、提交；未来，你不再需要打开一个个CRM、ERP、OA页面，而是直接说“帮我审核一下发票”，Agent直接将各个能力组件串起来，中间几乎不需要人介入。
其次，功能解耦：SaaS退居幕后，从完整套件向API/微服务转变。
今天的SaaS系统往往是一个完整的套件，功能繁杂，前端笨重。但未来，它们会被拆解成一个个API或微服务。
这意味着单体系统解耦为功能集群。例如，CRM不再是一个大而全的客户关系系统，而是一个“客户数据查询API”。
最终，员工可能只需要面对一个统一的智能体，类似一个“超级前台”背后有一群“数字同事”。你只需要跟它说需求，它会自己决定调用哪个系统和接口。这时，SaaS在用户眼里消失了。
这意味着“无头商业”的崛起。最终，这会导致IT公司的竞争逻辑变化：
- 赢家：谁更能开放API、融入智能体生态，谁就有机会成为AI时代的基础设施；
- 输家：谁仍然依赖复杂的页面操作和封闭的功能套件，谁就可能被AI绕过，逐渐边缘化。
未来AI与AI之间的交互（A2A）将超过人与AI的交互（H2A）。未来的竞争不再是“谁的功能更多”，而是“谁更能让AI调用”。
【判断14】AI交互的静默革命：从“聊天框”到“无形代理”，界面逐渐消失
过去一年，AI交互方式正在剧烈变革。2024甲子引力×AI创生时代里，我讲了一个观点：“Prompt只是阶段性产物，最好的UI是忘记UI。”今天可以就这个话题进一步说一说。
甲子光年认为：AI交互方式会经历四个阶段的变革。
- 操作界面交互：用户通过GUI、键盘、鼠标输入明确指令，AI被动响应。
- 自然语言交互：通过聊天框，用户模糊表达需求，AI通过追问澄清。
- 代理结果交互：以目标为导向，AI代理主动识别用户需求、执行并交付结果。
- 物理AI交互：以增强现实（AR）、虚拟现实（VR）和脑机接口（BCI）等新兴技术将人机交互彻底改写。
首先，从“操作界面”到“聊天框”。
曾经“图形界面+键盘鼠标”让计算机可视化。而目前，聊天框几乎已经取而代之。
进一步，从“聊天框”到“无形代理”。
传统聊天机器人式的交互正在被更自主的Agent取代。在这个过程中，AI越来越不再需要“聊天”。将AI等同于“更聪明的聊天机器人”就如同将互联网定义为“更快的传真机”——它局限了技术的本质。
未来的AI界面将逐步缩小甚至隐形。最好的界面，可能恰恰是正在消失的界面。
再进一步，随着物理AI各类新载体出现，AI与人的交互方式将进一步被改写甚至颠覆。
【判断15】Agent泛化方式：改造“车”来适应所有“路”
伴随Agent的崛起，一个问题有意思：Agent与环境的关系，是前者去适配后者，还是后者去适配前者？
如果把Agent比喻成车，把所有环境里涉及的工具、能力等等比作路，这个问题就变成了：你是想改造你的车让它适应所有路，还是改造所有路让它适应现在的车？
我们的观点很明确，是前者。
这里面一个本质的思考是“通用”的来源：我们畅想的终极Agent，是像人类一样，仅凭自然语言和常识就能完成各类任务。如果“通用”是目标，那“泛化”就是唯一路径。
首先，“新路无穷”：在开放世界（网页、桌面应用、代码库、机器人操控）里，环境千差万别、实时迭代，你必须接受全部复杂性，只能提升Agent的泛化与鲁棒性来适配之。
其次，目前各类基准设计与数据，基本都把适配环境当“一等公民”来考。
最后，从感知泛化到策略泛化，再到行为泛化，以DQN、AlphaZero到RLHF为代表的一系列强化学习进展，让“尽量少改路、多改车”变得可行。
了解更多详情：FindAI发现力量findpowerai.com
扫码添加小助手，获取企业销售增长专属方案
