當AI走進Second Half：真正的問題、價值與生態是什么？｜甲子光年

重新定義問題、評估真實價值、重構產業生態。

今年4月，時任OpenAI研究員姚順雨寫了一篇博客《The Second Half 下半場》，他認為：“AI的下半場將把重點從解決問題轉向定義問題。在這個新時代，評估將比訓練更重要?！?/p>

12月17日，騰訊升級大模型研發架構，新成立AI Infra部、AI Data部、數據計算平臺部，全面強化其大模型的研發體系與核心能力。姚順雨出任“CEO/總裁辦公室”首席AI科學家，同時兼任AI Infra部、大語言模型部負責人。

一場新的競賽開始了。

這一年，AI技術正從“規模競賽”轉向“價值定義”。AI下半場的關鍵不在于模型有多大，而在于能否通過評估、Agent與應用場景構建，創造新問題、新工作流和新產業生態。

AI似乎已經走進了下半場，但是關于下半場本身還有很多問題等待厘清。

在12月3日舉辦的“轟然成勢，萬象歸一”2025甲子引力年終盛典的巔峰對話環節，甲子光年創始人&CEO張一甲與面壁智能聯合創始人&CEO李大海、云知聲創始人&CEO黃偉、昆侖萬維董事長兼CEO方漢、它石智航創始人兼CEO陳亦倫一起聊了聊《當AI走進Second Half》。

在這場關于“AI下半場”的討論中有三個關鍵詞：重新定義問題、評估真實價值、重構產業生態。而這些來自AI產業一線的佼佼者將會做出怎樣的回答？

以下為本場巔峰對話的文字實錄，經「甲子光年」編輯，在不改變原意的基礎上略有刪改。

1.什么是“AI下半場”

張一甲：今天我們一起聊聊“AI下半場”，首先請四位嘉賓介紹一下自己和所在公司。

李大海：大家好，我是李大海，面壁智能是一家具有清華背景，且專注于推動端側大模型研發及產業應用的公司。自 2022 年 8 月成立以來，面壁智能已逐步形成“理論-模型-工具-應用”的全鏈路技術生態閉環與產業向心力。圍繞“密度法則”（Densing Law）的科學化理論與架構創新，我們自主研發MiniCPM面壁小鋼炮系列端側模型，憑借超高效能優勢，不僅收獲了來自開源社區、開發者的廣泛認可，更推動了在汽車、AI手機、AIPC、智能家居等終端領域廣泛落地。

黃偉：大家好，我是黃偉。有朋友開玩笑說，云知聲是一家“古典主義”人工智能企業，意思是我們活得比較久，所以我對“AI下半場”的話題可能有自己的一些想法。

云知聲成立十多年了。在AI 1.0時代，專注投入AI算法和所謂的“小模型”，給客戶提供基于算法和模型的產品和解決方案；到了大模型時代，我們自己研發了大模型，并在一些確定場景里面提供了基于自研大模型的產品和解決方案。

方漢：大家好，我是方漢。我們公司是2008年成立，2015年上市，從2020年開始在AI方面加大投入，2022年12月份發布國內第一個13B開源的中文預訓練大模型，公司目前主要業務海外（95%的收入來自于海外），目前在海外的AI產品，有AI音樂、AI社交、AI視頻以及短劇等業務。

我們重點關注AIGC領域，在海外AI業務均已產生大量的收入，我們相信全球AI應用市場會蓬勃發展。目前的狀態，技術遠超前于產品，我相信這個情況會在“AI下半場”得到極大改觀。

陳亦倫：大家好，我是陳亦倫，我們是一家年輕的公司，2025年2月5日成立。它石智航是一家AI驅動的具身智能機器人公司，希望以機器人技術和具身智能技術為核心，打造可信賴的具身智能全棧系統，讓它可以規?；刈呷氲酱蠹业纳a和生活中，我們也很感興趣用技術解決高價值的生產生活問題。

張一甲：首先我們來聊聊“重新定義問題”。過去幾年，我們見證了“AI上半場”：算力狂飆、模型軍備競賽、參數越卷越大，大家都在拼“更強的模型”。今年4月，當時還是OpenAI研究員的姚順雨提到了“AI下半場”的概念，他認為：在這個新時代，評估將比訓練更重要。我們不再只是問“我們能訓練出一個能解決X的模型嗎”，而是在問“我們應該訓練AI去做什么，以及如何衡量真正的進步”。我想知道，你們認為我們進入“AI下半場”了嗎？你們理解的“AI下半場”有什么特征？

李大海：“下半場”的概念，不同的人會有不同的理解。

我個人觀點，從技術上很難說已經到了“下半場”。比如，從最近谷歌發布的Gemini 3展現出的驚艷效果來看，大家發現預訓練時代還沒有結束，依舊能帶來驚喜。從技術層面來說，還有智能體的突破、大模型如何提高個性化記憶及主動學習的能力，以及模型之間的如何更好的協同完成更復雜的任務等等，這些提升模型智能能力上線工作都還在路上，所以技術上遠沒有收斂。

但是從應用的角度來講，“下半場”肯定到了。以前發一個模型，大家只能拿行業里面的標準評測集去評分?，F在大家主要關心大模型如何賦能實際業務，更關注成本、ROI，跟人比效能是不是更高。越到后面，大家越會用產品說話，所以從應用層面來講，這個過程在穩定持續的發生，但是不會一蹴而就。

面壁智能聯合創始人&CEO 李大海

黃偉：如果提“下半場”，好像有點隱含的意思是說“上半場”的事已經做得差不多，條件具備了所以開始“下半場”，這好像拿到畢業文憑才能找工作。我的觀點是需要“勤工儉學”，一邊讀書一邊工作。我認為，所謂的“下半場”，其實是2023年就已經開始，在某些場景里，有些公司已經開始嘗試用一定的模型能力去解決問題。

如果沒有做嚴格的區分，所謂的“上下半場”可能會同時存在。一方面基礎模型在不斷迭代升級，可能也會出現做了一些數據調優工作之后，發現一個新的大模型比調優之后做得還要好，但并不意味著這件事不重要。如果人工智能始終在做研發沒有落地，可能就是泡沫。

但還有些問題更重要：定義的AI能力是什么，定義AI要解決什么問題。

其實，不同人對AGI（通用人工智能）的定義也是不一樣的，有的人可能會把AGI想得無比強大，同時要具備20個博士學位，甚至在很多領域達到院士的水平。但其實AGI可能也就是普通人，比如自動駕駛領域，難道開車需要博士學位嗎？所以我們要定義一下，在什么場景需要什么能力，這可能是“下半場”比較重要的話題。

云知聲創始人&CEO 黃偉

方漢：我個人看法是，實現AGI之后才會有“下半場”。但是這樣的話，今天就沒法討論了。

如果按照一甲之前引用的觀點，我可以從宏觀層面下個判斷：當AI產品不以技術、算法作為護城河，而更多的是以產品創新或者用戶黏性作為護城河，“AI下半場”就到來了。

在微觀上，我認為，就像之前互聯網和移動互聯網時代一樣，當一個公司的產品總監的薪資跟算法總監的薪資看齊的時候，我認為“下半場”就真的到來了。

昆侖萬維董事長兼CEO 方漢

陳亦倫：我之前仔細閱讀了姚順雨博士的那篇Blog，他提到“上半場”跟“下半場”，我理解是一個大型AI系統發展的節奏，我想用另外一種方式來詮釋我對這種節奏的觀察。

在行業里其實有三個Scaling Law：

1.對于數據的Scaling Law；

2.對于算力的Scaling Law；

3.對于環境或者推理時運行時間的Scaling Law。

這三個Scaling Law，它是有先后順序的。你必須先打穿第一個環節——數據墻，才有資格進入到第二個環節——算力墻，當你打穿算力墻的時候，才有資格進入到交互態，進一步提升能力。

這三個發展的階段決定了不同行業的發展節奏。以我在上一個十年全身心參與過的自動駕駛行業為例，2019年到2021年，自動駕駛行業最頭部的公司率先打破了數據墻，這個時候大家已經能看到自動駕駛具備很好的能力了。2022年到2025年是算力跟數據豐收的紅利期，大家可以看到路上其實自動駕駛系統已經很多了，它是不是做得足夠好了？沒有。這些問題集中體現在自動駕駛車輛怎么跟其他的社會車輛互相交互、避讓，那么就需要一個訓練環境。環境就是第三層次Scaling Law，也就是駕駛級的世界模型。

我覺得這件事情基本上跟大語言模型的發展過程等同，我認為大語言模型是一個被祝福的領域，因為它沒有數據墻這種說法，它從出生的第一天，互聯網數據就是極其充沛的，所以它直接跳過了第一個階段，進入到了第二個階段。你會發現一開始，大家就在瘋狂地比拼算力。不過，我認為第二個階段的紅利已經在慢慢降低了，大家就到了第三個階段。第三個階段是我們怎么樣清晰定義任務，賦予它的交互模型，然后再上類似強化學習的方法，這樣就有希望能夠在單點或者是多點任務上徹底解決這個領域。

它石智航創始人兼CEO 陳亦倫

張一甲：接下來我想分別問各位嘉賓一些問題。大?？?，我們知道面壁智能一直在強調模型能力與場景融合，比如你們已經將VLA多模態大模型部署于汽車智能座艙端側。在這個過程中，誰來定義“AI該做什么”？是你們自己還是來自場景或客戶？

李大海：這肯定雙向奔赴。作為AI公司，面壁智能更擅長的持續提升模型智能能力并提高模型應用的性價比，模型擅長做什么事情。但是模型能做的事情太多了，哪些事情真正有價值，這個價值錨點是由客戶來提供。

就拿智能座艙舉例，我們的MiniCPM端側模型部署到汽車的智能座艙中，能夠準確識別不同的用戶、理解用戶的指令，感受用戶的情緒和艙內艙外的環境。但這個能力最后在哪些場景里面有價值？很多時候是需要我們與客戶、主機廠一起來共創、定義的。

比如說AI發現后座上有小朋友，會主動開啟兒童鎖，用戶會覺得這個功能很有用。在吉利的銀河M9這款車上，超過90%的用戶都會主動打開端側大模型的功能，我們覺得這是一個很好的正面反饋。

張一甲：黃偉總，首先恭喜云知聲以“港股AGI第一股”的身份完成上市。云知聲已經成立十多年了，在這個過程當中你們面臨了無數的分岔路口，身邊的人也是來來往往。云知聲長期深耕語音、多模態和產業場景，尤其是醫療場景。前段時間我們對話時你跟我說“云知聲不做特別大的平臺型大模型，那種模型評測可以，但落地很難”。這一路走來，你們是怎么定義問題的？

黃偉：我覺得每一個做實業的創始人都要回答：公司定位是什么，競爭優勢是什么。

我們做醫療并不是因為今天有了大模型，大家看好“AI+醫療”。恰恰相反，我們在十幾年前就開始做醫療，而且我們是在很多人不看好，十多年前很多醫院沒有信息化，數據還沒有數字化的情況下，我們就已經決定做了。

那么，為什么我們選擇做醫療，有兩個方面原因。

第一，這個事業的天花板足夠高。人類有兩個H很重要，一個是Happy，一個是Health；第二，醫療在國內其實它并不是一個巨頭可以統一的領域，就算是今天BAT過來做，依然很難做。它是一個非常分散的市場，相對來說，它對創業者來講會起到某種保護隔離作用。

當然，很多時候選擇就意味著痛苦和堅持，因為在那個時間點做醫療的話是很難的事情，面臨的是“先有雞還是先有蛋”的問題。你憑什么讓醫院用你的產品？難道我能跟院長說“你把數據給我，我就能做好”？

To B和To C是完全不同的決策機制。To C的話你只需要80%的人說你OK就可以了，很多人你用各種營銷手段是可以影響的。To B是關鍵人決策，就是90%的人說你好，沒用，一定要關鍵決策者或者是流程機制認可你。

所以你的決定能不能落實，就是你的心理、定力、耐力、毅力各方面的綜合考驗。在這個過程中，我們堅持下來了。

今天來看，第一，我覺得“AI+醫療”是大家比較認可的一個方向；第二，我們確實做得比較早，有先發優勢，我們覆蓋了幾百家醫院。這些都是我們今天醫療大模型在醫院內部能夠更順利落地的一個重要前提。

張一甲：方漢總，我是你們的用戶。昆侖萬維今年推出了多款AI模型，天工大模型4.0、空間智能大模型Matrix-Zero、視頻生成大模型SkyReels等。你們推出了這么多的模型，這期間有沒有收到一些反饋，從而讓你們覺得要做什么、不做什么？

方漢：其實我覺得所有做AI業務的決策人都會遇到一個問題，就是B端跟C端的反饋是完全不一樣的，我認為B端對于效率更敏感，C端對成本更敏感。

在B端，現在最好的商業模式是編程，編程基本上就是增效。在B端，你一定要說服客戶，我們能夠幫你大幅提高生產效率。比如，我們做的天工超級智能體（Skywork Super Agents），可以給B端提供deep research的功能，不用人干預就能快速生成一篇很詳細的分析文檔，一些B端的用戶反饋，這至少幫他省了幾十個實習生的工作量。

在C端，情感供給是剛需。但是如果由真人來供給情感，成本是絕大多數人沒法接受的。如果用AI來供給情感，就可以把成本打到真人的幾十分之一，這種商業模式在C端就會迅速爆發。所以，我們選擇了AI社交這個賽道。

簡而言之，一個AI產品到底該做不該做，其實就看在B端增加多少效率，在C端降低多少成本，憑著這兩點去分析應用場景，基本上我覺得就可以get到用戶最關鍵的需求。

張一甲：亦倫總，它石智航的英文簡稱是TARS，這讓我想到了電影《星際穿越》中的機器人TARS，它石的TARS代表的是“Trusted AI and Robotics Solution”（可信賴的AI和機器人解決方案），我們應該如何理解Trusted AI？你們是一家非常年輕的公司，某種程度上說，你們處于后發身位，你們是如何選擇要做什么？

陳亦倫：我們公司起名字確實是參考了TARS，因為我們公司的創始團隊都是《星際穿越》的忠實粉絲，電影里面我們最喜歡的機器人就是TARS，它真誠、幽默、可信賴，所以我們希望我們做的機器人也是可信賴的。

我一直在做物理世界AI，我覺得AI在物理世界的可信賴最基本一條是能力可信賴。

比如說對于一個自動駕駛系統，我可以放心地把方向盤交給它，這件事情背后是因為它的能力在我之上，或者按照L4的標準，它的能力應該是人類駕駛10倍以上為技術保證。

再比如說我在參加一個重要的國際活動，用一個語言模型做翻譯的時候，我可以非常信賴它的翻譯是對的。

對于機器人來說這一點就尤為重要，所以說我們希望打造在能力上非常優秀的，讓這個機器人非?？煽俊⒖尚刨嚒⒖梢詫ιa生活產生價值。

我們選擇落地場景有三個原則：第一，必須是真實需求，真需求往往來自行業最迫切的痛點；第二，要有足夠的市場顆粒度，解決這個問題后能覆蓋一個足夠大的市場；第三，要有技術難度，真需求、大市場往往伴隨著極高的技術門檻，這也是我們的核心競爭力所在。

2.多維度對AI價值進行評估

張一甲：那我們就就來聊聊第二個關鍵詞——“評估真實價值”。AI模型存在一個根本性矛盾：它們在高難度、設計良好的benchmark（基準）上表現得很驚艷，但當應用到真實世界，落地到產業中，面對復雜多變的場景時，往往會出現一些問題。如果讓你們設計一套評測體系來評估AI模型的真實價值，你們會如何設計？

甲子光年創始人&CEO 張一甲

陳亦倫：首先我也非常認同現在很多AI模型打榜結果非常驚艷，但是在實際部署過程中，它可能會出現一些不符合期望的現象。

按照一個更加工程化的視角來看，AI模型其實就是在逼近數據分布。你訓練時候的分布，跟你實際應用時候的分布，這兩個分布如果越接近，它的性能就會越好。為什么說打榜的AI不太容易泛化呢？恰恰因為它過度聚焦于打榜，所以它會讓整個的數據分布越來越遠離，這會出現問題。

如何消除這種問題？各個領域都有自己的一套方法，我可以提供一套之前行之有效的方法論，就是自動駕駛影子模式。自動駕駛影子模式是一個典型的、部署的數據跟訓練的數據在任何角落、任何時刻都能夠對齊的一種方式。即便你人在開一輛車的時候，它背后也有一個像影子一樣的自動駕駛模式隨時在跑，它會隨時判斷AI輸出的結果跟人輸出的結果是不是一致，發現異常數據都會被收集并加入到訓練。這樣就可以每時每刻都在做評測，收集出來的數據都能夠動態的反饋到系統，讓它變得越來越好。

我觀察到，不僅是自動駕駛領域，我覺得很多AI相關領域都有這樣的影子模式，機器人也是一樣，所以說我覺得它背后的關鍵還是怎么把訓練的數據跟實際使用的數據盡可能拉齊。

方漢：現在為了刷benchmark，很多的大模型要么背題，要么背答案，要么背過程，現在更多是在背過程，最大的問題就是這些題目是固定的。

這個情況其實跟我們平時在招聘的時候遇到的問題是一樣的，招聘的時候我們可以通過兩個方面判斷：

第一，看這個人是哪個學校畢業的，學歷如何，這個就是好像現在的benchmark；

第二，看這個人做過什么項目，在項目中解決了什么問題，這個就是實際的應用場景。

我認為，現在的benchmark還是有非常大的作用，因為它有非常統一的標準，但是現在所有的benchmark都在拼命的換題。與其這樣，我覺得不如把現實世界的工單作為一個評測標準。比如說我們在Github上，把Github上每時每刻提交的新的issue（問題），讓所有參加測試的大模型同時去解決，看誰的完成率更高，我認為這種是相對比較公正的。

第三，把真實世界的工作流引入評測體系，比如要看AI產品的用戶真實數據，比如用戶留存率。把流量分給不同AI產品，最后看哪個AI產品的用戶留存率最高，這是非常干的數據。

黃偉：我基本認同方總的觀點，我也分享幾個方面的想法。

第一，我們模型優化的方向是不是現實世界里面迫切需要解決的問題。

第二，我們有沒有必要讓物理學博士一定要把川菜做得很好吃，因為畢竟我們現在很多所謂的評測榜單都是有模擬題，通過刷題你是可以刷到比較好的，但是未必代表一個真實水平。

所以我覺得非常重要的一點，就是我們要了解在真實世界里需要解決什么問題。當然To C和To B的問題是不太一樣的。To C這一塊可能要解決80%、90%人的80%、90%的需求。但是To B這一塊你可能要解決這個場景里面這個客戶當下的痛點是什么，如果你定位很準確的話，我們是有足夠多的手段來解決好這個問題的。

3.產業生態正在底層發生重構

張一甲：最后，我們來聊聊“重構產業生態”。你們用AI改變了哪些產業的生態？可以講講最新的進展和實例。

李大海：我們看到了一些變化。

一是大模型的應用在向端云協同的方向演進。比如我們已經把端側大模型部署到汽車、手機等終端上，用戶也開始在手機上利用端側大模型執行復雜的任務。在我們看來，端云協同最大的優勢在于模型響應快、數據不出本地確保隱私安全。

在云端，大家用AI解決一些復雜的問題時，模型深度思考10秒沒有任何問題，甚至做一份Deep Reaserch，半個小時后再給一份完整的答案也可以接受。但是我們在跟機器人、智能座艙和手機設備互動的時候，希望它可以立刻響應，這背后的速度以及功耗也都是大模型規?；瘧眯枰紤]的關鍵因素。

二是有些企業從直接為用戶提供服務，轉向為Agent提供服務。從App轉向Agent這個過程中，服務用戶和服務Agent慢慢會產生新的遷移，這背后有很多的機會。

黃偉：我們現在做的事情更多是延續，但是我感覺到這個行業在更底層方面在發生重構。比如豆包手機助手，五年后回頭看，也許就是里程碑式的事情。

我們主要是To B的模式，以前給客戶提供的是基于Bert模型的產品，現在開始給客戶提供基于GPT模型的產品，當然性能和能力相比過去都有顯著提升?，F在我們在門診環節，可以給醫院提供基于大模型的門診病歷生成系統，這背后就是數字醫生，從這個角度來講，我們既是延續也是重構。

另一方面，我們在一些新的場景，或者根據一些新的需求，做微觀層面的重構。包括企業組織結構，原來是人人協同，接下來可能是人與Agent協同。以前我們通過網站操作并執行任務，后來通過APP，而現在的AI Agent可能就沒有界面，用戶告知意圖，它可以幫我完成所有的任務。這是接下來所有人必須要重點關注的，這里面也是蘊藏著巨大的商機。

方漢：我舉個例子，我們發布的音樂生成大模型Mureka。大家可能以為傳統的歌手對我們的音樂生成大模型是深惡痛絕，但實際他們是最愿意擁抱音樂生成大模型的群體。因為歌手在做歌的時候，有一個工序是做小樣，做一個小樣可能成本要幾萬元，一個月的時間能做2-3個小樣?，F在他們用Mureka，可以在一天之內做出十幾個小樣，拿這個小樣可以直接到抖音上投流看用戶反饋，找專家評審，這使得所有歌手做新歌的速度比原來快很多，這是我們觀察到的第一個對產業的影響。

第二個例子是Skywork Super Agents。因為我們做行研的速度非?？?，導致很多券商原來要請大學生寫行研報告，現在這個工種幾乎已被AI取代。我跟很多券商的朋友交流過，他們都使用我們的Skywork Super Agents做快速的行研報告，每次股市上一個新的事件出來之后，可以很迅速的在幾分鐘之內把行研報告寫出來，他們再根據行研報告做決策，這對于二級市場的影響非常深刻。

張一甲：我家人在炒股，就是在付費用你們的Agents做行研報告。我想補充問一下，因為你們有大量的C端用戶，在大量真實的場景中，有沒有什么數據或用戶反饋讓你覺得非常有意思，或者和之前想得不一樣？

方漢：其實我們做AI聊天的時候做過大量用戶訪談，一開始認為大家AI聊天都是要滿足生活中滿足不能不了的幻想，結果用戶調研之后發現根本不是，用戶跟AI聊天主要兩個原因：第一，用戶認為和AI聊天沒有社交門檻和心理障礙；第二，用戶覺得跟AI聊天是特別安全的事情，因為AI不會“電詐”你，跟真人聊天很有可能遭遇“電詐”。這是用戶反饋跟我們想象有很大差別的地方。

張一甲：請亦倫總分享一下你觀察到的AI給產業帶來了什么樣的改變？

陳亦倫：我們在做機器人，它是軟硬結合的領域。我觀察到，這一代機器人的企業有一個非常明顯的特點是，會主動在硬件設計中考量AI，我們的機器人硬件設計標準也是“designed for AI”，這樣的好處是能盡可能縮小digital-to-physical gap。

舉兩個例子：第一，現在的機器狗、機器人，關節都走向了直驅或準直驅。為什么要做這樣的選擇？因為這種最容易被AI建模、最容易被AI驅動，Sim2Real的gap會比較小；第二，在設計整個硬件系統的時候，我們和生態合作伙伴，首先討論的問題已經不是機械怎么安裝，而是在考慮計算流怎么走，算力是怎么分配的，通信怎么走，延時怎么卡。這其實就是AI在驅動硬件的趨勢。

張一甲：每年甲子引力年終盛典其實都是產業交流和資源對接平臺，會有各行各業的決策者來到現場。各位嘉賓也都來自產業，站在歲末的時間點上，展望新的一年，你們有什么期待？

陳亦倫：回到我最開始提到的AI發展的三個階段：數據、算力、環境。三個階段要三把鑰匙解鎖，我們目前接近于拿到了第一把鑰匙，希望明年可以跟大家匯報，具身智能Scaling Law的這幾把鑰匙都是長成什么樣子的。

方漢：我的期待比較明確，希望看到基于AI的全新產品模式出現。如果只是一味迭代算法，現在并沒有沒有太多aha moment（頓悟時刻），但我相信產品的aha moment會大量涌現。

黃偉：對過去兩年AI技術演進，自己感到非常意外和驚喜，期待明年世界模型有更加超出預期的表現，這樣會進一步加速AGI。

李大海：我比較期待明年大模型在自主學習上進一步突破，且能夠跟端側應用有機結合，期待有更多的硬件能夠進入到各位的組織里學習、進化，成為大家的硅基同事。

張一甲：可以感受到，這場巔峰對話與上一場巔峰對話的畫風非常不一樣。

黃偉總剛才提到一個詞叫“勤工儉學”，各位做的事情就是一邊工、一邊學，在研究的時候做好商業，從商業反哺我們的研究，我們也會看到越來越多的真實世界實踐，這恰恰是對于技術迭代本身的一個很好的校準和反哺。

非常期待四位嘉賓在做AI和做公司兩件事情上取得更好的進展，謝謝大家！

（封面圖及文中配圖來源：2025甲子引力年終盛典）