馮·諾伊曼曾預(yù)言：“技術(shù)不斷加速進(jìn)步，將會(huì)引發(fā)人類歷史上某個(gè)關(guān)鍵的奇點(diǎn)。”

英偉達(dá)的算力故事看上去似乎沒那么性感了。

短短一年時(shí)間，兩場(chǎng)GTC大會(huì)，臺(tái)上的黃仁勛依舊穿著熟悉的皮衣，卻多了些磕絆，少了些從容。

上一次GTC大會(huì)，正值英偉達(dá)如日中天高歌猛進(jìn)。全球科技公司對(duì)生成式AI進(jìn)行不計(jì)回報(bào)的瘋狂投入，將英偉達(dá)一步步推上神壇，一度成為全世界市值最大的公司。

但今年以來(lái)，英偉達(dá)的股價(jià)持續(xù)震蕩，1月27日單日跌幅接近17%，市值蒸發(fā)近6000億美元，創(chuàng)下美股單日市值損失歷史紀(jì)錄。而當(dāng)DeepSeek橫空出世，人們突然意識(shí)到，單純依賴算力的“暴力美學(xué)”已觸及邊際效益的臨界點(diǎn)。與此同時(shí)，AI技術(shù)的應(yīng)用瓶頸、成本壓力以及社會(huì)需求的變化，正將行業(yè)推向一個(gè)更復(fù)雜、更務(wù)實(shí)的階段。

如今的算力就像當(dāng)年的云計(jì)算，正慢慢變成AI時(shí)代的公共基礎(chǔ)設(shè)施，不可或缺但已給不出更多興奮點(diǎn)，其敘事邏輯也由“算力囤積”向“需求牽引”演變。

一邊是依然信奉“大力出奇跡”塑造出的模型能力，在大規(guī)模數(shù)據(jù)和算力支撐下不斷沖擊新的性能高度；另一邊是利用工程創(chuàng)新和算法優(yōu)化精雕出各類AI應(yīng)用，試圖在算力紅海中開辟一條降本增效的新通路，這種分野在產(chǎn)業(yè)實(shí)踐中愈發(fā)明顯。而這些正浮現(xiàn)的關(guān)鍵趨勢(shì)將錨定AI未來(lái)的價(jià)值坐標(biāo)。

趨勢(shì)一：大模型將從“訓(xùn)練”卷向“推理”

2024年，OpenAI的一系列動(dòng)作對(duì)大語(yǔ)言模型領(lǐng)域產(chǎn)生了深刻影響。9月，OpenAI發(fā)布了首款推理模型o1。

類似于GPT-4等傳統(tǒng)大語(yǔ)言模型，在回答問題時(shí)往往依賴于預(yù)設(shè)的知識(shí)庫(kù)和訓(xùn)練模式，直接提供最先浮現(xiàn)的答案。盡管反應(yīng)迅速，但答案的準(zhǔn)確性和合理性常常難以確保，有時(shí)甚至?xí)a(chǎn)生錯(cuò)誤或不合理的回答。

o1在回答問題前，會(huì)逐步分析用戶的提示詞（Prompt），通過比對(duì)不同的結(jié)果來(lái)呈現(xiàn)一個(gè)最佳回答，從而大幅減少錯(cuò)誤。這種逐步推理的能力，讓AI能夠應(yīng)對(duì)更復(fù)雜的任務(wù)，解決許多普通聊天機(jī)器人無(wú)法勝任的問題。

在深度學(xué)習(xí)中，“訓(xùn)練”和“推理”是兩個(gè)緊密相關(guān)但又有所不同的階段。訓(xùn)練過程通過調(diào)整模型參數(shù)來(lái)優(yōu)化模型性能，需要大量的標(biāo)注數(shù)據(jù)和計(jì)算資源；而推理過程則注重模型的預(yù)測(cè)能力，需要快速且準(zhǔn)確地生成預(yù)測(cè)結(jié)果。

值得注意的是，當(dāng)一種方法無(wú)效時(shí)，推理模型甚至?xí)詣?dòng)嘗試其他方法，這種處理邏輯與人類思考和解決問題的方式頗為相似，極大地提升了模型在處理數(shù)學(xué)、物理和邏輯等復(fù)雜問題時(shí)的準(zhǔn)確性和可靠性。

比如2024年12月DeepMind推出的實(shí)驗(yàn)性新型網(wǎng)絡(luò)瀏覽智能體Mariner，當(dāng)被要求尋找圣誕餅干配方并將原料添加到在線購(gòu)物車時(shí)，Mariner遇到了選擇面粉種類的難題。此時(shí)，Mariner在聊天窗口中清晰地闡述了其解決策略，利用瀏覽器的后退功能返回食譜頁(yè)面以確認(rèn)所需的面粉種類。

這一行為展示了智能體能夠?qū)?fù)雜任務(wù)拆解為具體的操作步驟，并通過合理的推理選擇解決問題的行動(dòng)，對(duì)智能體在現(xiàn)實(shí)場(chǎng)景中廣泛應(yīng)用具有重要意義。

在AI推理方面，一個(gè)重要趨勢(shì)正在浮現(xiàn)——慢速深度推理。與強(qiáng)調(diào)實(shí)時(shí)響應(yīng)的快速推理不同，慢速深度推理聚焦于更為復(fù)雜、需要多步邏輯鏈條的任務(wù)，力求在知識(shí)復(fù)雜度和推理深度上實(shí)現(xiàn)突破。

這一趨勢(shì)的核心在于，大模型通過“分解-推理-重構(gòu)”的方式，實(shí)現(xiàn)對(duì)復(fù)雜問題的多層次理解與求解。同時(shí)，結(jié)合外部知識(shí)庫(kù)和大模型內(nèi)部的記憶系統(tǒng)，AI可以通過知識(shí)調(diào)用與整合，實(shí)現(xiàn)更具深度的邏輯推理。

慢速推理雖然響應(yīng)時(shí)間略長(zhǎng)，但能夠保證更高的輸出質(zhì)量，特別適用于對(duì)精度要求極高的任務(wù)場(chǎng)景。例如，在醫(yī)療診斷、金融分析、法律咨詢等行業(yè)中，慢速深度推理能夠通過多輪分析和邏輯校驗(yàn)，為用戶提供精準(zhǔn)的解決方案，真正實(shí)現(xiàn)AI的“類人思考”。

從技術(shù)視角來(lái)看，當(dāng)前AI推理還存在三方面挑戰(zhàn)。

首先，面對(duì)海量的輸入與復(fù)雜的計(jì)算任務(wù)，如何在資源有限的情況下實(shí)現(xiàn)快速響應(yīng)和高質(zhì)量輸出，成為AI推理的核心難題。

其次，不同用戶和企業(yè)場(chǎng)景對(duì)AI輸出的需求不同，需要模型具備更強(qiáng)的場(chǎng)景適配能力和定制化能力。

第三，相比預(yù)訓(xùn)練階段的高耗能，推理階段更強(qiáng)調(diào)輕量化與可部署性，如何降低推理成本、提升資源利用率至關(guān)重要。

由于“推理”更強(qiáng)調(diào)自主性以及解決復(fù)雜問題的能力，因此，從今年乃至未來(lái)很長(zhǎng)一段時(shí)間內(nèi)，“推理”將成為大語(yǔ)言模型領(lǐng)域的核心議題，AI的競(jìng)爭(zhēng)規(guī)則由此被重寫——從“誰(shuí)擁有更強(qiáng)的算力”轉(zhuǎn)向“誰(shuí)能更聰明地使用算力”，相關(guān)研究和應(yīng)用將持續(xù)深化。

趨勢(shì)二：后訓(xùn)練推動(dòng)AI邁入“精耕時(shí)代”

隨著預(yù)訓(xùn)練階段的算力擴(kuò)張?jiān)庥鲞呺H效益遞減，行業(yè)焦點(diǎn)正轉(zhuǎn)向后訓(xùn)練優(yōu)化與實(shí)時(shí)推理架構(gòu)創(chuàng)新。以DeepSeek為代表的AI應(yīng)用的崛起并非算力的終結(jié)，而是推動(dòng)AI進(jìn)入了“精耕時(shí)代”。

大模型訓(xùn)練通常需要經(jīng)歷三個(gè)階段：預(yù)訓(xùn)練、后訓(xùn)練、持續(xù)訓(xùn)練。

預(yù)訓(xùn)練就像是一個(gè)擁有大量語(yǔ)言知識(shí)的“毛坯房”，通過使用海量數(shù)據(jù)訓(xùn)練模型，使其掌握通用特征和知識(shí)。后訓(xùn)練則基于預(yù)訓(xùn)練模型，針對(duì)特定任務(wù)或數(shù)據(jù)集進(jìn)行額外訓(xùn)練和精細(xì)調(diào)整，通常涉及微調(diào)、人類反饋強(qiáng)化學(xué)習(xí)（RLHF）、直接偏好優(yōu)化（DPO）等技術(shù)，使其能夠更好地適應(yīng)諸如回答問題、生成文本、遵循指令等任務(wù)。

例如，一個(gè)預(yù)訓(xùn)練模型可能在一般的語(yǔ)言理解上表現(xiàn)不錯(cuò)，但對(duì)于專業(yè)領(lǐng)域的問題回答可能不夠準(zhǔn)確，通過后訓(xùn)練，它可以在該領(lǐng)域的知識(shí)和推理能力上得到顯著提升。

在模型完成預(yù)訓(xùn)練和后訓(xùn)練后，需要繼續(xù)在新數(shù)據(jù)上進(jìn)行訓(xùn)練，以不斷更新和提升模型性能。這一階段可能在模型部署后的任何時(shí)間進(jìn)行，從而適應(yīng)新數(shù)據(jù)并保持模型性能的穩(wěn)定提升。

數(shù)據(jù)是后訓(xùn)練的核心要素之一。數(shù)據(jù)合成技術(shù)可以生成新的訓(xùn)練數(shù)據(jù)，增加數(shù)據(jù)的多樣性和數(shù)量。例如，通過一些規(guī)則和模板，可以生成大量的對(duì)話示例、問題與回答對(duì)。同時(shí)，數(shù)據(jù)處理也非常關(guān)鍵，需要對(duì)數(shù)據(jù)進(jìn)行清洗，去除噪聲、重復(fù)和錯(cuò)誤的數(shù)據(jù)，還會(huì)進(jìn)行質(zhì)量評(píng)估和分類，確保用于訓(xùn)練的數(shù)據(jù)是高質(zhì)量且符合任務(wù)需求的。

以Llama 3.1為例，首先，它使用了大量的合成數(shù)據(jù)和人類偏好數(shù)據(jù)進(jìn)行訓(xùn)練，以提高模型的泛化能力和準(zhǔn)確性。其次，它采用了迭代訓(xùn)練的方法，通過多輪訓(xùn)練和生成來(lái)逐步優(yōu)化模型性能。最后，它還采用了數(shù)據(jù)清洗、質(zhì)量控制和語(yǔ)義去重等手段來(lái)確保訓(xùn)練數(shù)據(jù)的質(zhì)量和多樣性。

在具體實(shí)踐中，Llama 3.1的后訓(xùn)練過程包括多個(gè)階段。在每個(gè)階段中，都需要仔細(xì)調(diào)整數(shù)據(jù)比例、優(yōu)化模型參數(shù)，并在多個(gè)基準(zhǔn)測(cè)試上評(píng)估模型性能。通過多輪迭代和不斷優(yōu)化，Llama 3.1最終取得了顯著的性能提升。

在提高模型性能方面，后訓(xùn)練技術(shù)體現(xiàn)在增強(qiáng)模型的適應(yīng)性、任務(wù)專注性、魯棒性以及降低數(shù)據(jù)依賴等多個(gè)方面。這使得后訓(xùn)練不再是一個(gè)可有可無(wú)的步驟，而是現(xiàn)代AI系統(tǒng)首要的組成部分，尤其是在追求高效和精準(zhǔn)的任務(wù)完成能力時(shí)。隨著研究的深入，預(yù)計(jì)后訓(xùn)練技術(shù)將繼續(xù)演進(jìn)，進(jìn)一步增強(qiáng)模型性能，推動(dòng)AI應(yīng)用的廣泛落地。

同時(shí)，后訓(xùn)練對(duì)于人類數(shù)據(jù)的依賴性降低，促使研究者和開發(fā)者需要在技術(shù)、流程和策略上進(jìn)行調(diào)整，以適應(yīng)新的挑戰(zhàn)和機(jī)遇，未來(lái)，隨著自監(jiān)督學(xué)習(xí)、數(shù)據(jù)增強(qiáng)和領(lǐng)域適應(yīng)等技術(shù)的持續(xù)進(jìn)步，我們會(huì)看到在更少的人類數(shù)據(jù)和資源投入下，仍能實(shí)現(xiàn)高性能模型的成功案例。

在發(fā)展高級(jí)推理模型方面，后訓(xùn)練能力至關(guān)重要，這不僅體現(xiàn)在模型性能的提升上，還涉及到模型在復(fù)雜理解、動(dòng)態(tài)知識(shí)更新和跨域適應(yīng)等多方面的能力。隨著后訓(xùn)練技術(shù)的不斷完善和應(yīng)用，預(yù)計(jì)將為高級(jí)推理模型的發(fā)展提供更為堅(jiān)實(shí)的基礎(chǔ)，特別是在問題解決和決策支持方面的應(yīng)用。

趨勢(shì)三：多智能體協(xié)同將激發(fā)AI“群體智能”

隨著大模型的深入研究，多智能體協(xié)同已經(jīng)成為AI研究最熱門的方向之一。

盡管基于大語(yǔ)言模型的ChatGPT、DeepSeek等具有強(qiáng)大的文本理解和生成能力，但它們本質(zhì)上仍是作為孤立實(shí)體運(yùn)行的，缺乏與其他智能體協(xié)作和從社交互動(dòng)中獲取知識(shí)的能力，這種固有限制阻礙了它們從他人的多輪反饋中學(xué)習(xí)并提高其性能的潛力。

亞當(dāng)·斯密在《國(guó)富論》的開篇提到，“勞動(dòng)生產(chǎn)力上最大的增進(jìn)，以及運(yùn)用勞動(dòng)時(shí)所表現(xiàn)的更大的熟練、技巧和判斷力，都是分工的結(jié)果?！?/p>

根據(jù)分工原則，擁有專業(yè)技能和領(lǐng)域知識(shí)的單個(gè)智能體可以從事特定的任務(wù)。一方面，通過分工，智能體處理特定任務(wù)的技能不斷精煉；另一方面，將復(fù)雜任務(wù)分解為多個(gè)子任務(wù)可以減少在不同流程之間切換的時(shí)間。最終，多個(gè)智能體之間的有效分工可以完成比沒有特定分工時(shí)多得多的工作量，從而大幅提高整個(gè)系統(tǒng)的效率和輸出質(zhì)量。

2025年，AI推理成本的大幅下降為多智能體系統(tǒng)協(xié)同提供了經(jīng)濟(jì)基礎(chǔ)。多智能體系統(tǒng)（Multi-Agent System）是由大型語(yǔ)言模型驅(qū)動(dòng)，并以特定方式連接的多個(gè)獨(dú)立智能體組成的復(fù)雜系統(tǒng)。其中的每個(gè)智能體都配置有獨(dú)立的提示詞、大語(yǔ)言模型以及相應(yīng)的工具。

該系統(tǒng)的設(shè)計(jì)旨在促使不同智能體之間實(shí)現(xiàn)高效的協(xié)同合作，通過這種協(xié)同作業(yè)模式，為解決復(fù)雜問題提供了更為靈活和強(qiáng)大的解決方案。多智能體有不同的交互協(xié)作模式，最典型的包括層級(jí)結(jié)構(gòu)、集中結(jié)構(gòu)、分散結(jié)構(gòu)、混合結(jié)構(gòu)等。

以Manus為例，其技術(shù)架構(gòu)以多智能體協(xié)同為核心，采用分層結(jié)構(gòu)與動(dòng)態(tài)任務(wù)調(diào)度機(jī)制，通過規(guī)劃智能體、執(zhí)行智能體、驗(yàn)證智能體的協(xié)同，實(shí)現(xiàn)了從任務(wù)理解到成果交付的全流程自動(dòng)化，大幅提升對(duì)復(fù)雜任務(wù)的處理效率。

規(guī)劃智能體負(fù)責(zé)解析用戶指令并拆解成可執(zhí)行的子任務(wù)，并動(dòng)態(tài)分配至執(zhí)行智能體進(jìn)行任務(wù)執(zhí)行，同時(shí)監(jiān)控執(zhí)行路徑并實(shí)時(shí)修正；執(zhí)行智能體負(fù)責(zé)各個(gè)子任務(wù)的具體執(zhí)行，包括代碼生成、數(shù)據(jù)抓取、分析建模等各類智能體，可以調(diào)用各種工具的API接口；驗(yàn)證智能體通過交叉校驗(yàn)機(jī)制確保結(jié)果準(zhǔn)確性。三類智能體共同協(xié)作完成復(fù)雜任務(wù)。

系統(tǒng)中的每個(gè)智能體都具備一定的自主性，能夠在沒有外界直接干預(yù)的情況下，根據(jù)自身的目標(biāo)和所感知到的信息做出決策。它們并非孤立存在，而是通過相互之間的信息共享、任務(wù)協(xié)作和資源分配等交互方式，共同完成復(fù)雜的任務(wù)。同時(shí)，智能體能夠適應(yīng)環(huán)境的變化，實(shí)時(shí)調(diào)整自己的策略和行為。

以城市交通管理為例，每一輛自動(dòng)駕駛汽車都可以看作是一個(gè)智能體。它們各自感知周圍的路況信息，如車輛密度、道路狀況、信號(hào)燈狀態(tài)等，然后自主決策行駛速度、路線等。同時(shí)，這些車輛之間還會(huì)進(jìn)行信息交互，比如分享前方的路況擁堵信息，從而實(shí)現(xiàn)協(xié)同駕駛，提高整個(gè)城市交通系統(tǒng)的運(yùn)行效率，減少擁堵。

業(yè)內(nèi)普遍認(rèn)為2025年是AI智能體爆發(fā)元年。Gartner預(yù)測(cè)，2028年至少15%的日常工作決策將由智能體完成。當(dāng)前，比較主流的多智能體技術(shù)框架包括微軟的AutoGen、MetaGPT、清華的AgentVerse、XAgent、AutoAgent、CrewAI等，這些項(xiàng)目從不同角度提出智能體系統(tǒng)規(guī)劃模塊的改進(jìn)建議，其中包括長(zhǎng)短期規(guī)劃、規(guī)劃輸出格式、用戶提示拓展解釋、反饋迭代機(jī)制等，為多智能體高效協(xié)作奠定技術(shù)基礎(chǔ)。

趨勢(shì)四：強(qiáng)化學(xué)習(xí)不斷沖破推理“天花板”

1947年，艾倫·圖靈在一次演講中提到“我們想要的是一臺(tái)能夠從經(jīng)驗(yàn)中學(xué)習(xí)的機(jī)器”。

2025年，圖靈獎(jiǎng)?lì)C給了兩位畢生致力于解決圖靈這一問題的科學(xué)家——安德魯·巴托（Andrew Barto）與理查德·薩頓（Richard Sutton）。他們不僅是AlphaGo和ChatGPT技術(shù)上的奠基人，亦是機(jī)器學(xué)習(xí)領(lǐng)域的技術(shù)先驅(qū)。

如果說機(jī)器學(xué)習(xí)是“填鴨式”學(xué)習(xí)，那強(qiáng)化學(xué)習(xí)就是“放養(yǎng)式”學(xué)習(xí)。

傳統(tǒng)的機(jī)器學(xué)習(xí)，就是給模型被喂大量標(biāo)注好的數(shù)據(jù)，建立輸入和輸出之間固定的映射關(guān)系。而強(qiáng)化學(xué)習(xí)，是在沒有明確指導(dǎo)的情況下，智能體通過不斷試錯(cuò)和獎(jiǎng)懲機(jī)制給出的反饋信號(hào)，逐漸調(diào)整下一步行動(dòng)策略，并且循環(huán)往復(fù)，不斷接近最優(yōu)策略。

就像一個(gè)機(jī)器人學(xué)走路，不需要人類一直告訴它“這步對(duì)，那步錯(cuò)”，它只要嘗試、摔倒、調(diào)整，最終自己就會(huì)走路了，甚至走出自己獨(dú)特的步態(tài)。

顯而易見，強(qiáng)化學(xué)習(xí)的原理更接近人類的智能，就像每個(gè)幼童在跌倒里學(xué)會(huì)走路，在摸索中學(xué)會(huì)抓取，在咿呀里捕捉音節(jié)，學(xué)會(huì)語(yǔ)言。

強(qiáng)化學(xué)習(xí)的高光時(shí)刻是2016年AlphaGo的“神之一手”。當(dāng)時(shí)AlphaGo在與李世石的比賽中，第37手落下了一步令所有人類驚訝的白棋，一步棋逆轉(zhuǎn)敗勢(shì)，一舉贏下李世石。

AlphaGo不是靠背棋譜背出來(lái)的“神之一手”，而是在無(wú)數(shù)次自我對(duì)弈中，試錯(cuò)、長(zhǎng)遠(yuǎn)規(guī)劃、優(yōu)化策略后自主探索出來(lái)，這就是強(qiáng)化學(xué)習(xí)的本質(zhì)。

而最近爆火的宇樹科技回旋踢機(jī)器人背后也是強(qiáng)化學(xué)習(xí)的訓(xùn)練。

強(qiáng)化學(xué)習(xí)特別擅長(zhǎng)處理規(guī)則復(fù)雜、狀態(tài)多變的環(huán)境，并在其中找到最優(yōu)解，比如自動(dòng)駕駛、機(jī)器人控制等。這些正是當(dāng)下最前沿的AI應(yīng)用領(lǐng)域，尤其是在大語(yǔ)言模型上，幾乎所有領(lǐng)先的大語(yǔ)言模型都使用了RLHF（基于人類反饋的強(qiáng)化學(xué)習(xí)）的訓(xùn)練方法，即讓人類對(duì)模型的回答進(jìn)行評(píng)分，模型根據(jù)反饋改進(jìn)。

作為后訓(xùn)練、推理階段的關(guān)鍵技術(shù)，強(qiáng)化學(xué)習(xí)將會(huì)得到更多的創(chuàng)新應(yīng)用。比如機(jī)器人領(lǐng)域，通過強(qiáng)化學(xué)習(xí)，機(jī)器人可以自主地適應(yīng)不同的環(huán)境和任務(wù)，提高工作效率和安全性。例如，在輔助康復(fù)訓(xùn)練中，機(jī)器人可以根據(jù)患者的力量和姿勢(shì)調(diào)整其輔助力度，以幫助患者恢復(fù)功能。

自動(dòng)駕駛領(lǐng)域，強(qiáng)化學(xué)習(xí)可以幫助自動(dòng)駕駛汽車學(xué)習(xí)如何在復(fù)雜路況下安全行駛。通過與交通環(huán)境的交互，自動(dòng)駕駛車輛可以不斷優(yōu)化其駕駛策略，提高駕駛的安全性、舒適性和效率。然而，將強(qiáng)化學(xué)習(xí)應(yīng)用于自動(dòng)駕駛也面臨著一些挑戰(zhàn)，包括如何處理傳感器數(shù)據(jù)的不確定性、如何解決算法收斂性和穩(wěn)定性等問題。

盡管強(qiáng)化學(xué)習(xí)還面臨著一些挑戰(zhàn)，例如學(xué)習(xí)效率、獎(jiǎng)勵(lì)函數(shù)設(shè)計(jì)、安全性等問題，但隨著研究的深入，強(qiáng)化學(xué)習(xí)的應(yīng)用領(lǐng)域?qū)⒊掷m(xù)拓展，深度強(qiáng)化學(xué)習(xí)算法將不斷改進(jìn)，多智能體強(qiáng)化學(xué)習(xí)和可解釋性強(qiáng)化學(xué)習(xí)也將成為重要的研究方向。

趨勢(shì)五：物理AI加速消融虛擬與現(xiàn)實(shí)邊界

早前，黃仁勛不止一次強(qiáng)調(diào)過，“AI的新一波浪潮是物理AI”。

在十年的時(shí)間里，AI從感知和計(jì)算機(jī)視覺，發(fā)展到了生成式AI，現(xiàn)在又到了代理AI階段，即具有推理能力的AI，未來(lái)將是物理AI時(shí)代。

如今大多數(shù)AI并不理解物理定律，不以物質(zhì)世界為基礎(chǔ)，而產(chǎn)生影像、視訊、3D圖形和許多物理現(xiàn)象，需要基于物理并理解物理定律的AI。

物理AI是一種使自主機(jī)器（如機(jī)器人、自動(dòng)駕駛汽車等）能夠在真實(shí)物理世界中感知、理解和執(zhí)行復(fù)雜操作的技術(shù)。

物理AI的提出有其必然性。一方面，基于互聯(lián)網(wǎng)上大量文本和圖像數(shù)據(jù)訓(xùn)練的生成式AI模型（GPT、Llama等）在生成人類語(yǔ)言和抽象概念方面已經(jīng)基本滿足需求，但是受其生成規(guī)則的限制，對(duì)于物理世界的理解有限，因此會(huì)出現(xiàn)不符合現(xiàn)實(shí)世界規(guī)律的“幻覺”。

另一方面，機(jī)器無(wú)法感知和察覺它們周圍的世界，但借助物理AI，就可以構(gòu)建和訓(xùn)練自動(dòng)駕駛、機(jī)器人等各類智能體，并與真實(shí)世界進(jìn)行無(wú)縫交互并適應(yīng)各種環(huán)境，有利于提高現(xiàn)實(shí)世界應(yīng)用的可訪問性和功能性。

物理AI能夠理解三維世界的空間關(guān)系和物理行為，因此進(jìn)一步擴(kuò)展了生成式AI，其通過在AI訓(xùn)練過程中加入更多真實(shí)場(chǎng)景數(shù)據(jù)，從而實(shí)現(xiàn)對(duì)物理世界的洞察和理解。通俗地理解，就是AI反饋的內(nèi)容要符合物理規(guī)律。

作為物理AI在交通領(lǐng)域的重要應(yīng)用之一，依托MogoMind大模型構(gòu)建的AI網(wǎng)絡(luò)將交通流量、氣象條件、道路狀況、城市環(huán)境等物理世界實(shí)時(shí)數(shù)據(jù)納入模型訓(xùn)練，通過整合車輛、道路、云端等多方數(shù)據(jù)，可以進(jìn)行實(shí)時(shí)分析并為精準(zhǔn)決策提供支持，幫助駕駛員和自動(dòng)駕駛車輛即時(shí)優(yōu)化決策。

同時(shí)，通過大模型對(duì)攝像頭視頻流進(jìn)行實(shí)時(shí)處理，可以為交通管理部門提供精準(zhǔn)的交通流量分析預(yù)測(cè)與動(dòng)態(tài)優(yōu)化、事故預(yù)警、交通信號(hào)優(yōu)化等服務(wù)。

在機(jī)器人應(yīng)用領(lǐng)域，物理AI賦予機(jī)器人更強(qiáng)的環(huán)境感知、理解和交互能力。傳統(tǒng)的機(jī)器人只能按照預(yù)設(shè)程序執(zhí)行任務(wù)，而搭載物理AI的機(jī)器人則能夠更好地理解周圍環(huán)境，并根據(jù)物理規(guī)律做出相應(yīng)的反應(yīng)。它們可以更好地識(shí)別物體、預(yù)測(cè)運(yùn)動(dòng)軌跡、并在復(fù)雜環(huán)境中進(jìn)行導(dǎo)航和操作。

IDC數(shù)據(jù)顯示，隨著AI應(yīng)用持續(xù)走深向?qū)?，大模型在金融、醫(yī)療、教育、零售、能源等多個(gè)行業(yè)領(lǐng)域?qū)崿F(xiàn)初步應(yīng)用。到2025年，全球AI支出將達(dá)2270億美元。預(yù)計(jì)到2030年，AI將為全球經(jīng)濟(jì)貢獻(xiàn)19.9萬(wàn)億美元，推動(dòng)全球GDP增長(zhǎng)3.5%。而目前，幾乎98%的企業(yè)領(lǐng)導(dǎo)者將AI視為其組織的優(yōu)先事項(xiàng)。

2025年，AI將朝著輕量化設(shè)計(jì)、強(qiáng)推理能力提升、移動(dòng)端應(yīng)用普及的方向快速發(fā)展。當(dāng)行業(yè)不再為算力神話狂歡，AI終將回歸本質(zhì)——成為解決問題的基礎(chǔ)設(shè)施。五大趨勢(shì)的背后，是一條清晰的進(jìn)化路徑：從追求規(guī)模到注重效率、從單一能力到系統(tǒng)協(xié)作、從數(shù)字孿生到虛實(shí)共生。

未來(lái)的AI競(jìng)爭(zhēng)，將是效率、生態(tài)與場(chǎng)景落地的多維博弈。對(duì)于市場(chǎng)，這或許是跳出“七巨頭”引力場(chǎng)，重估技術(shù)價(jià)值的時(shí)刻；對(duì)于行業(yè)，則是一場(chǎng)從“造神”到“務(wù)實(shí)”的集體覺醒。

“魔法”終會(huì)退潮，而真正的工程革命，此刻才剛剛開始。