关于 AI 发展的一些思考

September 17, 2026

最近还是有不少 news， GPT-6 Astra 发布，CUA和具身场景有惊艳效果; OAI 宣告在NS数学问题上取得突破；A\ 呼吁 slow down; jev 和 ds v4.1 在efficiency上的尝试。身处浪潮之中，每天都是历史的见证者。

1. 首先最大的感受是，scaling law 还在持续发力。这场耗费万亿资金的人类智能蒸馏行动，已经无法逆转。至少目前没有看到 scaling law 无法持续的阻力。如果我们相信 scaling law 的话，感觉未来几年可能AI行业会收敛到四个空间：
   • 基模：掌握着算力和模型迭代流水线， 通过拓展数据来推动模型能力边界
   • 垂直数据采集：对于垂直场景 scale 人类数据，一个是数字场景的白领数据（FDE），一个是具身场景的蓝领数据
   • Agent 基建：这个我觉得可以类比电网公司，现在模型能力很强（发电机性能提上去了），但从发电站到个体用电之间还有很多问题需要解决，agent 的 eval, runtime, routing, scheduling, pricing都还不够成熟，距离“智能普及大众”还有不少的路要走
   • 硬件公司：各种计算设备（芯片）和robo本体设计和制造，相对壁垒比较高，短期内无可撼动 其他方向的创业公司（垂直harness/模型，training free RSI … ) 很有可能会被 scaling 浪潮吞噬…

2. 技术层面，比较让我震撼的 GPT 6 的 Computer Use 能力。 年初的时候我还觉得 CLI 会一统天下，因为我觉得 human interface 并不是最好的 agent interface，有很多 visual noise。但是 oai 证明了只要 scale 足够高质量的 CUA 数据，visual 不是 gap。另外最让人兴奋的还是 GPT 6 在具身场景的 zero-shot 能力，感觉可能是加训了 robot 数据 + CUA 数据产生的泛化（3D 建模& 游戏都是与模型空间推理能力相关）。在这个 context 下， 我觉得具身场景也可以被纳入到 llm agent 的一整套训练范式下，from CUA to RUA (Robot-Use-Agent)？ 如果相信 硬件和infra 的迭代速度（相信ds），那么未来一个数百B的模型实现几十毫秒的延时也是有可能的，大小脑本质是数据格式的区别，没理由不能训到一个模型/模型族里。为什么不可以 opus 做大脑，haiku 做小脑？

3. 对于 Researcher 。对于理论研究，在 Researcher-level 的 agent 加持下， 拥有更多agent算力的团队（e.g. oai) 可能可以轻松 scoop 一个有初步进展的project，那么这种情况下IC和小团队可能只能选择完全封闭的研究或者完全开放的研究。我个人可能倾向后者，我觉得未来研究者可能会在一个共享平台上共享自己的研究进展，agent session 和 skill，这样即便科研强权要 scoop 的时候还能保留个人的 credit。同时，ICLR 指数级的投稿增长已经表明学术界的投稿-审稿机制已经被 Agent 彻底破坏，新的评估方式还需要探索。对于工程应用研究而言，做出 solid & impact 的工作的难度并没有减少，solid的工作还是需要大量的验证，产生impact也依旧需要流量和话语权。抛开冲击不谈，我个人觉得这是一个很好的自学时代，你有一个免费的专家不断和他交流，并且可以快速生成代码demo和网页给你讲解学习，某种程度上学习效率是提高了。

4. 对于社会。我觉得只有这个社会是以人作为责任主体（至少我觉得10年内会是这样），那么我觉得生产和研究一定还是人驱动的，需要有人定义方向，需要有人监督AI，验证消化AI交付的结果。唯一需要思考的是社会分工体系，当生产任务从人力bound变成资源bound，那生产需要的人必然是减少的，两个可能的局面是 (A) 社会进入娱乐化时代或者 (B) AI解决能源问题（可控核聚变）产生更大的生产空间 。我期待真正的 Physical AutoResearch 实现， 可以帮助人类建造通向太空的航舰。虽然我对技术还是保持乐观，但还是需要重视安全问题，希望这波技术浪潮不要引发社会动荡或者战争。

历史的车轮滚滚向前，碾碎无数的幻梦，驶向未知的远方。