文/陳永偉

2025年的帷幕已經(jīng)落下，這一年中，AI行業(yè)無疑走過了極具里程碑意義的一程。從技術(shù)范式的革新，到商業(yè)邏輯的重構(gòu)，從產(chǎn)業(yè)應(yīng)用的落地，到全球規(guī)則的博弈，這一年既有突破，也留下諸多思考。

鑒于AI發(fā)展錯綜復(fù)雜，這里只能從十個側(cè)面做一個簡要回顧。

一、多模融合

過去幾年中，AI大模型在文字、推理等方面進展神速，但它們多模態(tài)能力的發(fā)展卻相對遲緩，這在很大程度上限制了其能力的發(fā)揮。比如，在4.0版本之前，GPT雖然已經(jīng)能寫詩、會編程，但既看不見、也畫不出，如果用戶想讓它分析一張圖片講了什么，或是根據(jù)要求生成一張圖片，它就顯得力不從心。

雖然從2024年開始，AI開發(fā)者們就開始大力發(fā)展模型的多模態(tài)能力，但在相當長一段時間里，這些努力仍然主要集中在對既有模型進行組合——文本一個系統(tǒng)，圖像一個系統(tǒng)，語音再來一個系統(tǒng)，然后用工程手段把它們拼在一起。這樣的模型可以完成一些多模態(tài)任務(wù)，但由于各系統(tǒng)之間存在協(xié)調(diào)問題，其能力局限性一直十分明顯。到了2025年，越來越多的開發(fā)者不再滿足于這種“拼裝式”方案，轉(zhuǎn)而開始設(shè)計“原生多模態(tài)”模型，從訓(xùn)練之初起，就讓模型在同一個體系里同時處理文本、圖像、音頻、視頻等信息。

在設(shè)計原生多模態(tài)模型的過程中，很多人逐漸意識到：多模態(tài)模型的真正瓶頸，并不在于它能不能看圖、聽聲音，而在于能否把視覺、語言、時間與空間組織成一個可推理、可行動的統(tǒng)一表征?，F(xiàn)在的大模型在語言上已經(jīng)高度成熟，卻依然缺乏對三維空間、物理約束和因果關(guān)系的系統(tǒng)理解。因此，下一代AI的突破重點，可能并不在于再多幾個參數(shù)，而在于能否構(gòu)建對真實世界的內(nèi)部模型，使其可以在腦中“預(yù)演”行動后果。在這種思路之下，“世界模型”與“空間智能”重新被重視，并逐漸成為設(shè)計原生多模態(tài)模型的重要理論依據(jù)。

在實踐層面，多模態(tài)模型幾乎成為頭部AI企業(yè)的主戰(zhàn)場。企業(yè)不再滿足于“能看圖”，而是把能力推進到看得準、看得全、看得懂流程，并能把視覺理解轉(zhuǎn)化為可執(zhí)行的動作：有的強化視覺與語言的一體化表達，有的把能力擴展到視頻與長時序理解，也有的嘗試把“看懂屏幕”轉(zhuǎn)化為界面操作。共同的趨勢是，模型不再只是回答問題，而是越來越多地介入真實任務(wù)本身。

多模態(tài)模型的蓬勃發(fā)展，為AI技術(shù)的應(yīng)用化和普及化提供了強大的助力。麥肯錫在《技術(shù)趨勢展望2025》中指出，多模態(tài)AI正在成為新一代AI系統(tǒng)的關(guān)鍵底座，并將與智能體（Agent）、自動化、物理系統(tǒng)控制深度融合，其影響將從數(shù)字世界延伸至現(xiàn)實世界。而Gartner則強調(diào)，多模態(tài)技術(shù)的影響將超出AI范疇，全面重塑當前的軟件生態(tài)。據(jù)其預(yù)測，到2030年，80%的企業(yè)軟件將在其產(chǎn)品中植入多模態(tài)AI能力。

二、具身爆發(fā)

如果說多模融合解決了AI“怎么看”和“怎么理解”的問題，那么具身智能（Embodied AI）要回答的，則是AI在真實世界中“做什么”和“怎么做”。雖然具身智能的發(fā)展已有數(shù)十年時間，但過去，機器人更多停留在實驗室展示階段：完成一些酷炫動作，在受限場景中做局部自動化，人們討論的也只是它們“技術(shù)上究竟能做到什么”。而到了2025年，情況開始發(fā)生變化——具身機器人真正走向市場，行業(yè)敘事也從“能不能做到”轉(zhuǎn)向“能不能規(guī)?；⒛懿荒芊€(wěn)定工作、能不能進入崗位”。

最直接的信號，來自量產(chǎn)節(jié)奏的變化。2025年，國內(nèi)的宇樹、優(yōu)必選，國外的波士頓動力、Apptronik等企業(yè)，都明確宣布產(chǎn)品進入量產(chǎn)與商業(yè)化試點階段，而不再只是單臺原型或演示樣機。在以北美和中國為代表的主要市場中，具身機器人開始按“百臺級”“千臺級”規(guī)劃供應(yīng)鏈、制造與交付。IDC估算顯示，2025年全球在倉儲、制造、巡檢等崗位的試點應(yīng)用，較2024年增長了數(shù)倍。

與此同時，成本也出現(xiàn)了顯著下降。幾年前，能夠與人交互的人形機器人價格動輒幾十萬甚至上百萬美元，幾乎無法商業(yè)化；而根據(jù)美國銀行研究院的數(shù)據(jù)，目前典型人形機器人的價格已經(jīng)下降到每臺約3.5萬元左右，比2023年下降至少40%，并且未來幾年還有繼續(xù)下探的空間。這種成本下降，正在迅速降低使用門檻，讓機器人更容易走向工廠、走進家庭。

具身智能在2025年的“爆發(fā)”，是多種因素共同作用的結(jié)果。一方面，原生多模態(tài)AI的發(fā)展，補上了機器人“看不懂世界”的短板，讓它不僅會跑會跳，還能理解環(huán)境、根據(jù)情境做出決策，從而具備真正的實用價值；另一方面，用工成本的持續(xù)抬升，也在擴大市場需求。制造、物流、巡檢、服務(wù)等領(lǐng)域本就勞動力密集，在老齡化、年輕人不愿進入高強度崗位、合規(guī)與安全成本增加等因素疊加下，企業(yè)開始轉(zhuǎn)而接受機器人替代，由此帶動了需求的快速增長。

三、算力競爭

如果說前幾年算力競爭的核心，是“誰能搶到更多GPU”，那么到了2025年，這場競爭已從資本驅(qū)動的資源爭奪，升級為一場長期、立體、甚至帶有地緣意義的綜合博弈。

首先，算力競爭從“規(guī)模導(dǎo)向”轉(zhuǎn)向“效率導(dǎo)向”。過去，人們普遍相信：模型遇到瓶頸，就繼續(xù)疊加參數(shù)與算力；但隨著規(guī)模膨脹，成本與復(fù)雜度迅速上升，邊際收益卻不斷遞減。越來越多公司開始意識到，決定差距的已不是算力總量，而是如何把有限算力轉(zhuǎn)化為有效能力。國產(chǎn)模型 DeepSeek 就是典型——通過多維并行、混合精度等策略，在更低投入下做出接近性能，被視為“效率轉(zhuǎn)向”的象征。

其次，部分開發(fā)者開始直接介入芯片環(huán)節(jié)。長期以來，GPU幾乎是大模型訓(xùn)練的唯一主力，而英偉達的供應(yīng)與生態(tài)具有決定性影響。為降低依賴，一些公司轉(zhuǎn)向自研芯片。谷歌的TPU便是代表，如今已在核心模型訓(xùn)練中大規(guī)模替代GPU，逐步構(gòu)建起相對自主的算力體系。

第三，算力設(shè)施開始全面“基礎(chǔ)設(shè)施化”。過去企業(yè)擴容，只需采購服務(wù)器、租機房、疊加云服務(wù)；而在大模型時代，這種“拼裝式”做法難以承載高密度并行與穩(wěn)定需求。2025年的智算中心，從一開始就圍繞AI負載設(shè)計：網(wǎng)絡(luò)拓撲以并行訓(xùn)練為核心，甚至連選址都需要同時評估電力、能耗與時延。一些公司也通過投資與并購深入上游，押注包括“太空算力”等潛在方向。

四、范式爭議

就在產(chǎn)業(yè)界為贏得算力競爭而各顯神通之時，理論界開始對持續(xù)算力投入的理論基礎(chǔ)——“規(guī)模法則”提出反思。過去十幾年里，這幾乎是一條被反復(fù)驗證的鐵律：更多數(shù)據(jù)、更大模型、更強算力，往往帶來更好的效果，進而塑造了研究范式、資本邏輯與產(chǎn)業(yè)結(jié)構(gòu)。但到了2025年，圍繞這條路徑的信心，第一次出現(xiàn)了系統(tǒng)性分化。

比如，“圖靈獎”得主楊立昆多次指出，單純擴大自回歸大模型，并不會自然通向通用智能。當前以語言預(yù)測為核心的模型，本質(zhì)上仍是“被動系統(tǒng)”，缺乏因果理解、物理常識與長期規(guī)劃能力；繼續(xù)堆參數(shù)與數(shù)據(jù)，只會帶來收益遞減，反而掩蓋結(jié)構(gòu)性短板。類似的觀點，也被其他研究者認同。安德烈·卡帕斯強調(diào)，未來突破更可能來自訓(xùn)練范式、數(shù)據(jù)結(jié)構(gòu)與推理機制，而不是參數(shù)規(guī)模本身；原OpenAI首席科學(xué)家伊利亞·蘇茨克維同樣提醒，“無限堆規(guī)?！笨赡苷诮咏A段性極限。

不過，規(guī)模法則依然有不少擁護者。他們認為，以大模型為核心的路線仍在推進，能力邊界仍在外擴，尤其在多模態(tài)和復(fù)雜推理任務(wù)上，規(guī)模仍是重要前提。DeepMind聯(lián)合創(chuàng)始人德米斯·哈撒比就認為，通向更高層次智能的關(guān)鍵在于世界模型、規(guī)劃與推理結(jié)構(gòu)——這些并非否定規(guī)模，而是在規(guī)?；A(chǔ)上的方向修正。在這種視角下，規(guī)模法則未必終結(jié)，反而可能在新范式出現(xiàn)后獲得新的生命。

規(guī)模法則是否繼續(xù)有效，還需要時間來驗證。但當我們把支持與反對的觀點放在一起看，就會發(fā)現(xiàn)：雙方其實都對現(xiàn)有范式有所不滿?；蛟S，正是這種爭議，會推動AI界重新審視既有思路，從而尋找一條更優(yōu)的發(fā)展路徑。

五、代理崛起

2025年3月，初創(chuàng)公司Monica公布了一段名為Manus的AI應(yīng)用演示視頻。視頻中，它可以根據(jù)用戶要求，自動調(diào)用外部工具，完成簡歷篩選、房產(chǎn)研究、股票分析等復(fù)雜任務(wù)，全程無需人工干預(yù)。Manus一度迅速走紅，被視為繼 DeepSeek 之后的又一“現(xiàn)象級”產(chǎn)品；雖然隨后因“技術(shù)創(chuàng)新不足”“炒作過度”而引發(fā)爭議，但它仍被看作AI智能體崛起的重要象征。更有意味的是，Meta 隨后以數(shù)十億規(guī)模收購了Manus，從側(cè)面印證了這一趨勢。

AI智能體不同于傳統(tǒng)大模型，它不只是“更聰明的對話界面”，而是一種能夠理解目標、拆解任務(wù)、調(diào)用工具、執(zhí)行操作并根據(jù)反饋調(diào)整策略的主體。它帶來了人機交互方式的變化：從“人去找功能”，轉(zhuǎn)向“任務(wù)驅(qū)動系統(tǒng)”。過去用戶需要理解界面結(jié)構(gòu)、在多個頁面來回切換；而在智能體模式下，只需提出目標，系統(tǒng)便自動規(guī)劃路徑，在關(guān)鍵節(jié)點請求確認。這種轉(zhuǎn)變看似細微，卻顯著降低了學(xué)習和使用成本。

需要強調(diào)的是，智能體的出現(xiàn)并非偶然，而是多項技術(shù)成熟后的結(jié)果：一方面，大模型在推理、多模態(tài)和長上下文上的能力增強，使其能夠理解復(fù)雜任務(wù)；另一方面，MCP、ANP、A2A 等協(xié)議使工具調(diào)用與外部系統(tǒng)接入逐步標準化，AI不再局限于“只會說話”，而可以操作代碼、文檔、數(shù)據(jù)庫乃至業(yè)務(wù)系統(tǒng)與物理設(shè)備，由此第一次具備跨步驟、跨系統(tǒng)完成任務(wù)的可行性。

可以預(yù)見，智能體將對產(chǎn)業(yè)生態(tài)產(chǎn)生深遠影響。它帶來的，并不僅是自動化某些崗位，而是重組流程本身——組織結(jié)構(gòu)將從圍繞“人”設(shè)計，逐漸轉(zhuǎn)向圍繞“任務(wù)”組織。在商業(yè)層面，價值計量也會從“提供能力”轉(zhuǎn)向“完成事情”：企業(yè)不再按調(diào)用量付費，而更可能按任務(wù)與結(jié)果付費，從而推動商業(yè)模式發(fā)生變化。

當然，智能體的興起也伴隨風險。就業(yè)替代、隱私與數(shù)據(jù)使用邊界等問題，都可能成為普及過程中的阻力。圍繞豆包AI手機引發(fā)的爭議，已經(jīng)為我們揭開了冰山一角，類似討論在未來一段時間內(nèi)仍將持續(xù)。

六、開源盛世

2025年，開源模型已經(jīng)從AI世界的邊緣力量，逐漸演變?yōu)槿騽?chuàng)新的基礎(chǔ)設(shè)施。在這一年里，開源模型在性能、生態(tài)與采用率上全面逼近閉源體系，甚至在部分場景實現(xiàn)超越。多份權(quán)威報告顯示，近兩年新發(fā)布的大模型中，開源或“開放權(quán)重”模型已占據(jù)多數(shù)，而在被活躍調(diào)用的模型里，開源模型也占到大頭，尤其在私有部署、微調(diào)和智能體等場景中占據(jù)主導(dǎo)。

開源模型的崛起，并不只是因為“免費”，而是AI創(chuàng)新邏輯正在發(fā)生變化：算力成本上升、應(yīng)用需求高度分化，封閉模型難以覆蓋全部場景；而開源模型依托社區(qū)協(xié)作與快速定制，在工程效率和適配能力上展現(xiàn)出明顯優(yōu)勢，吸引了越來越多企業(yè)和開發(fā)者加入其中。

在這種背景下，AI創(chuàng)新的分工結(jié)構(gòu)正在重組——基礎(chǔ)模型不再是“終點產(chǎn)品”，而更像操作系統(tǒng)或數(shù)據(jù)庫的底層平臺；真正的創(chuàng)新，越來越多發(fā)生在模型之上的微調(diào)、工具鏈、智能體架構(gòu)與行業(yè)應(yīng)用中。開源由此不再只是理想主義選擇，而成為降低門檻、加速擴散的現(xiàn)實機制。

在這股浪潮中，中國力量格外醒目。以 DeepSeek 與 Qwen 為代表的一批模型，在工程效率、推理成本與可部署性上形成鮮明優(yōu)勢。相關(guān)統(tǒng)計顯示，2025年全球開源模型使用中，中國來源已接近三成，正在成為全球開源生態(tài)中最重要的供給方之一。

從更長時間看，2025年的“開源盛世”，并非簡單的路線回潮，而是AI進入成熟階段的標志之一：當創(chuàng)新不再過度依賴封閉體系與資本堆疊，而更多依賴開放協(xié)作與工程智慧，誰能夠提供“可用、可改、可擴展”的技術(shù)底座，誰就將在下一階段占據(jù)更有利的位置。

七、商業(yè)革新

過去兩年，“盈利難”一直困擾著AI行業(yè)。很多公司即便做出了不錯的產(chǎn)品，卻仍然難以形成穩(wěn)定收入，最終被迫退出市場。到了2025年，行業(yè)開始逐漸摸索出新的商業(yè)路徑——不同層級的玩家，各自找到與自身能力匹配的變現(xiàn)方式，AI也從單一的技術(shù)競賽，轉(zhuǎn)向分工更加清晰的產(chǎn)業(yè)生態(tài)。

在技術(shù)底層，能力開始被商品化。算力、訓(xùn)練與推理被標準化為可計量、可定價的“生產(chǎn)要素”，云廠商、芯片公司與基礎(chǔ)模型提供方，通過算力租賃、API與推理服務(wù)形成相對穩(wěn)定的收入結(jié)構(gòu)。隨著算力基礎(chǔ)設(shè)施化、模型效率提升，這一層也逐漸從“軍備競賽”走向“運營競爭”，單位成本下降、單位調(diào)用價值上升。

在平臺服務(wù)層，“結(jié)果作為商品”（Outcome-as-a-Service，OaaS）開始崛起。過去AI產(chǎn)品更多停留在“功能售賣”，而智能體的普及，讓“完成任務(wù)”成為核心價值單位，定價也逐漸轉(zhuǎn)向按任務(wù)、流程或結(jié)果收費。雖然時間不長，但這一模式正在成為利潤潛力最大、競爭最激烈的地帶。

在應(yīng)用層，場景分化明顯成熟。2025年，一個重要變化是：通用應(yīng)用的想象空間收斂，而垂直行業(yè)的價值被逐步釋放。無論軟件開發(fā)、企業(yè)運營、金融分析還是內(nèi)容與客服，AI正深度嵌入業(yè)務(wù)流程，與數(shù)據(jù)和規(guī)則耦合，逐漸成為企業(yè)的長期系統(tǒng)投入，而不再是一次性工具采購。

這三層疊加在一起，標志著一個轉(zhuǎn)折：AI的商業(yè)邏輯正在從“能力展示”走向“效率兌現(xiàn)”。過去更大的模型更容易獲得關(guān)注與融資；而在2025年，真正決定成敗的，是誰能把能力穩(wěn)定轉(zhuǎn)化為可計量的客戶價值，這也促使越來越多公司把重心放在工程效率、部署成本和用戶留存之上。

八、規(guī)則博弈

如果說此前AI發(fā)展的主要矛盾集中在技術(shù)層面，那么到了2025年，另一條同樣重要的戰(zhàn)線——AI治理——已經(jīng)全面展開。它可以從兩個維度理解：一是創(chuàng)新與規(guī)則之間的橫向張力，二是不同制度體系之間的縱向博弈。

從橫向看，矛盾并不在于“要不要監(jiān)管”，而在于如何避免規(guī)則過早鎖死尚未定型的技術(shù)路徑。AI的不確定性，使“先立規(guī)矩、再準入”的傳統(tǒng)方式面臨挑戰(zhàn)：制定得過早，可能固化現(xiàn)有形態(tài)；放得過松，又可能積累系統(tǒng)性風險。2025年的一個明顯變化是，治理逐漸從“靜態(tài)合規(guī)”轉(zhuǎn)向“動態(tài)校準”，通過分層、分階段、可調(diào)整的方式，與技術(shù)演進保持同步。

這一轉(zhuǎn)向，源于對AI本質(zhì)的重新理解：AI不是單一產(chǎn)品，而是一套持續(xù)演化的能力體系。因此，治理對象也從單個模型，延伸到數(shù)據(jù)、算力、模型訓(xùn)練、部署與使用場景等完整鏈條。共識正在形成——治理的目標不是壓低創(chuàng)新速度，而是在不可逆節(jié)點上避免風險放大，“沙盒”“分級管理”“事后糾偏”等機制由此逐漸取代“一刀切”做法。

從縱向看，治理正在演化為國家與制度之間的競爭。規(guī)則不再只是內(nèi)部秩序工具，而具有外溢效應(yīng)：誰的規(guī)則更易被采納，誰就獲得更大的制度影響力。

在這一維度上，美國傾向?qū)⒅卫硪暈椤白o欄”，優(yōu)先關(guān)注國家安全、關(guān)鍵基礎(chǔ)設(shè)施與極端風險，盡量減少對研發(fā)的前置限制；其邏輯是，通過技術(shù)領(lǐng)先來換取治理彈性。

歐盟則強調(diào)在擴散之前先明確制度邊界，通過系統(tǒng)化規(guī)則塑造發(fā)展方向，以規(guī)則和標準參與全球競爭。

中國更強調(diào)發(fā)展秩序與場景適配，規(guī)則與產(chǎn)業(yè)推進同步調(diào)整，不提前凍結(jié)技術(shù)路線，也不過度依賴事后糾偏，但對治理能力提出更高要求。

當這些不同路徑在全球?qū)用嫦嘤鰰r，治理便成為一場規(guī)則間的博弈：企業(yè)在不同制度間選擇落地，技術(shù)在不同規(guī)則中分化演進，標準在競爭中被試探與擴散。全球治理格局因此更可能呈現(xiàn)多套模式并存、相互影響的狀態(tài)。

從這個角度看，2025年的治理博弈，并非AI發(fā)展的“減速器”，而是其邁向成熟的標志之一——當技術(shù)被系統(tǒng)性治理，意味著它既足夠重要，也具有潛在風險。如何在創(chuàng)新開放性與規(guī)則約束之間形成動態(tài)平衡，將決定AI能否長期、穩(wěn)定嵌入社會結(jié)構(gòu)。

九、大國競合

2025年，AI 的國際競爭已從企業(yè)層面上升到國家層面：誰來定義下一代 AI 的技術(shù)路徑？誰能掌控芯片與算力供應(yīng)鏈？誰有能力把技術(shù)選擇轉(zhuǎn)化為全球通行的標準？圍繞這些問題，中美歐逐漸形成了一種彼此錯位、卻高度糾纏的競爭格局。

在核心技術(shù)層面，美國依然掌握著最強的話語權(quán)。這種優(yōu)勢不僅體現(xiàn)在模型性能，更體現(xiàn)在“問題定義權(quán)”上——從大模型、多模態(tài)到世界模型、智能體架構(gòu)，許多關(guān)鍵方向往往首先由美國提出，隨之而來的評測方式與技術(shù)敘事，也自然成為行業(yè)默認參照。

中國的路徑則明顯不同。并未把全部籌碼押在“重新定義范式”上，而是更強調(diào)在既有技術(shù)框架下，通過工程優(yōu)化、系統(tǒng)集成和真實場景反饋，把技術(shù)轉(zhuǎn)化為可規(guī)模復(fù)制的能力，從而在訓(xùn)練效率、算力調(diào)度、具身智能與產(chǎn)業(yè)級應(yīng)用等方面逐步形成優(yōu)勢。

歐盟在核心技術(shù)原創(chuàng)上的存在感相對有限，但并未缺席。它更多通過基礎(chǔ)研究網(wǎng)絡(luò)、跨國科研項目與評測體系，在關(guān)鍵概念與方法論層面保持影響力，為后續(xù)標準制定保留位置。

如果說核心技術(shù)決定長期上限，那么芯片與算力供應(yīng)鏈，則決定誰能把技術(shù)持續(xù)跑下去。美國在高端芯片設(shè)計、先進制程與軟件生態(tài)上的主導(dǎo)，使算力逐漸具有戰(zhàn)略屬性；中國在壓力之下加快推進多路徑算力體系建設(shè)，一方面補齊本土芯片與制造能力，另一方面通過智算中心與算法優(yōu)化增強韌性；歐洲雖然在規(guī)模上不占優(yōu)勢，但在設(shè)備、材料與部分關(guān)鍵工藝節(jié)點上仍然不可替代。

隨著 AI 從軟件工具走向基礎(chǔ)設(shè)施，標準制定權(quán)的重要性迅速上升，并成為最隱蔽、也最持久的競爭戰(zhàn)場。美國更多依托技術(shù)領(lǐng)先形成“事實標準”，中國在大規(guī)模部署中形成“用出來的標準”，歐洲則試圖通過制度化規(guī)則，在國際標準體系中持續(xù)發(fā)聲。三種路徑并行，使標準本身成為競爭的一部分。

值得注意的是，這種競爭并非簡單對抗?，F(xiàn)實中的中美歐，在技術(shù)、供應(yīng)鏈與市場層面依然高度相互依賴：美國的前沿技術(shù)離不開全球制造體系，中國的產(chǎn)業(yè)能力深度嵌入國際網(wǎng)絡(luò)，歐洲的規(guī)則影響力也需要技術(shù)生態(tài)配合。由此，2025年的國際格局更接近“高強度競爭中的有限合作”。真正的較量，已不再是單一模型或一代技術(shù)的勝負，而是圍繞誰能構(gòu)建并長期運轉(zhuǎn)一整套技術(shù)與產(chǎn)業(yè)體系。

十、少帥掌兵

2025年AI行業(yè)的另一個重要趨勢，是一批三十歲出頭、甚至二十多歲的年輕科學(xué)家開始被大公司賦予指揮權(quán)，直接影響工程架構(gòu)、數(shù)據(jù)策略與下一代AI能力的走向。

騰訊在調(diào)整AI組織架構(gòu)時，任命27歲的姚順雨為首席AI科學(xué)家，并負責基礎(chǔ)設(shè)施與大模型團隊；更早之前，小米啟用“95后”科學(xué)家羅福莉負責MiMo系列核心研發(fā)。在硅谷，這一趨勢更為明顯。Meta引入Scale AI創(chuàng)始人亞歷山大·王擔任首席AI官，并在其與公司內(nèi)部元老意見沖突時仍然堅定支持，顯示出對年輕技術(shù)領(lǐng)袖的高度信任。

這種“年輕化+實權(quán)化”的背后，是AI發(fā)展邏輯本身的變化：AI已經(jīng)進入“下半場”。技術(shù)邊界不再只是把模型做得更大、更久，而是重新定義問題、重塑評估方式、判斷未來路徑。越來越多的企業(yè)意識到，AI的核心從“解決問題”轉(zhuǎn)向“提出什么問題、如何衡量進步”，而這種能力往往出現(xiàn)在長期浸泡在一線研究中的年輕技術(shù)派身上。

因此，“少帥掌兵”并非一時的人事口號，而是產(chǎn)業(yè)進入深水區(qū)后的結(jié)構(gòu)性調(diào)整：當技術(shù)范式更加不確定、探索性更強，組織更需要那些愿意快速試錯、敢于在不完全信息下判斷的人，而不僅依賴經(jīng)驗豐富的工程管理者。正因如此，羅福莉、姚順雨、亞歷山大·王等年輕科學(xué)家，不僅站在研發(fā)一線，也開始直接影響公司戰(zhàn)略與技術(shù)路徑?？梢灶A(yù)計，在未來相當長時間內(nèi)，AI方向的關(guān)鍵抉擇，很可能就掌握在這一代年輕技術(shù)領(lǐng)袖手中。

免責聲明：本文觀點僅代表作者本人，供參考、交流，不構(gòu)成任何建議。