年末AI回顧：模型到應(yīng)用，技術(shù)到商戰(zhàn)，拽住洪流中意義之線（上）

一份拓展中的 AI 地圖。

文丨程曼祺

本篇文章是《晚點(diǎn)聊》年終特別節(jié)目《年末 AI 復(fù)盤》的精簡(jiǎn)文字版，總結(jié)了 25 年和即將過(guò)去的蛇年，《晚點(diǎn)》在 AI 領(lǐng)域的觀察、見聞和這一年多里發(fā)生的 AI 大事件。

全文分為 7 個(gè)主題：

1. 模型

2. 應(yīng)用

3. 巨頭的 AI 之戰(zhàn)：字節(jié)、阿里、騰訊

4. 創(chuàng)業(yè)公司們

5. 具身智能

6. AI 硬件

7. AI 中的人

每個(gè)部分會(huì)按照若干關(guān)鍵詞展開，并穿插指引《晚點(diǎn)聊》的相關(guān)往期節(jié)目或《晚點(diǎn)》的相關(guān)文章。

歷史正在加速發(fā)生，洪流中容易五色迷目。但人是意義的動(dòng)物，我們總試圖理解和抓住什么。希望這期年底的大型 “連點(diǎn)成線”，可以幫關(guān)注 AI 進(jìn)展的朋友得到一份正在拓展中的地圖。

1.模型

關(guān)鍵詞：Agentic Model、協(xié)同設(shè)計(jì)、下一個(gè)學(xué)習(xí)范式

本輪 AI 熱潮仍處在早期，技術(shù)變化是最重要的驅(qū)動(dòng)力，也是推演產(chǎn)品形態(tài)和商業(yè)格局的重要基點(diǎn)。所以我們的回顧從模型技術(shù)開始。

Agentic Model

Agentic Model 就是能支持 Agent 能力的模型。在 25 年 3 月的第 106 期（與真格合伙人戴雨森聊 Agent）以及此后的第 110 期（與明勢(shì)合伙人夏令聊垂直 Agent）節(jié)目中，都有對(duì) Agentic 模型框架的詳細(xì)拆解。

總結(jié)來(lái)說(shuō)，Agent 需要模型的這樣幾種能力：

- 推理能力，能思考更復(fù)雜的任務(wù)和規(guī)劃任務(wù)；

- Coding 編程能力；

- 多模態(tài)能力，尤其是多模態(tài)理解能力；

- 工具使用能力，這和推理、Coding 和多模態(tài)能力都相關(guān)；

- 記憶能力，能存儲(chǔ)長(zhǎng)期的上下文，而且能在處理特定任務(wù)時(shí)，知道調(diào)用哪些適當(dāng)?shù)纳舷挛摹?/p>

推理模型

Agentic Model 這一年的發(fā)展，要從年初 DeepSeek-R1 的爆火說(shuō)起，這標(biāo)志著推理模型的崛起。

更早的推理模型是 OpenAI 在 24 年 9 月發(fā)布的 o1，而 DeepSeek R1 是全球第一個(gè)在大參數(shù)規(guī)模上復(fù)現(xiàn)了 o1 的推理模型。

一個(gè)幕后故事是，R1 發(fā)布同一天，Kimi 也發(fā)布了推理模型 K1.5。其實(shí)兩家公司都各自知曉對(duì)方就快發(fā)推理模型了，最后趕上了同一天——25 年 1 月 20 日。這個(gè)日期未來(lái)會(huì)是中國(guó) AI 史上值得紀(jì)念的一天。

R1 后來(lái)的影響力遠(yuǎn)大于 K1.5，也遠(yuǎn)大于原始版本 o1。除了實(shí)力過(guò)硬之外，還有 3 個(gè)關(guān)鍵的因素：一，它是一個(gè)完全開源模型，而且開源了最強(qiáng)、最大的旗艦版本；二，它的技術(shù)報(bào)告十分詳細(xì)；三，它特別在報(bào)告中高亮了 557 萬(wàn)美元的最后一次訓(xùn)練成本。

前兩個(gè)因素是 AI 研究者關(guān)注 DeepSeek 的原因。從更早時(shí)的 V2 和 V3 起，DeepSeek 在歐美 AI 研究群體里，就以慷慨的分享精神贏得了大量尊重和討論。

梁文鋒本人對(duì)開源非常堅(jiān)定。一個(gè)我們報(bào)道過(guò)的小故事是， 23 年下半年，光年之外聯(lián)創(chuàng)袁進(jìn)輝在籌備創(chuàng)立新的 AI Infra 公司硅基流動(dòng)，梁文鋒考慮過(guò)投資，但是說(shuō)：如果 “大模型的推理引擎” 不開源，他就沒(méi)興趣了。袁進(jìn)輝當(dāng)時(shí)沒(méi)想清楚開源的商業(yè)模式，就沒(méi)有拿這筆錢。

而第三個(gè)因素——看起來(lái)極低的訓(xùn)練成本，則引起了美國(guó)政商領(lǐng)域的更廣泛關(guān)注，以至于特朗普也點(diǎn)評(píng)了 DeepSeek，英偉達(dá)股價(jià)一度大跌。一個(gè)美國(guó)人都說(shuō)厲害的 AI 大模型，在全國(guó)人民都閑著的春節(jié)假期，引發(fā)了史無(wú)前例的科技狂潮。

從 R1 的爆火中，其實(shí)可以看到一種技術(shù)影響力的擴(kuò)散路徑：先在全球核心 AI 研究者中產(chǎn)生小范圍、但好評(píng)度很高的影響力，然后是由一個(gè)契機(jī)破圈，以及 AI 領(lǐng)域比較特別的——出口轉(zhuǎn)內(nèi)銷。

說(shuō)回推理模型本身，o1 和 R1 帶來(lái)的效果提升，主要表現(xiàn)為多步推理能力，就是可以一步一步地去思考一個(gè)復(fù)雜問(wèn)題，提升回答的準(zhǔn)確性、全面性和規(guī)劃能力。這也激發(fā)了 ChatBot 類產(chǎn)品的一個(gè)主流功能：Deep Research，深度研究。

而這個(gè)效果提升背后的新技術(shù)范式是，把更多算力，放到了模型使用階段，也就是推理的階段，這就是 “測(cè)試時(shí)計(jì)算”(Test-time Compute) 的 Scaling。

DeepSeek 的慷慨開源幫業(yè)界證實(shí)了很多假設(shè)：比如，推理能力不需要依賴蒙特卡洛樹等搜索算法；也不一定需要用人工構(gòu)造的思維鏈數(shù)據(jù)來(lái)做監(jiān)督微調(diào)，而是可以在基模之上直接從 0 開始強(qiáng)化學(xué)習(xí)。這降低了其它團(tuán)隊(duì)的試錯(cuò)成本。

R1 的存在還是一個(gè)觀念的勝利：即可以依靠小規(guī)模、且非常年輕的研發(fā)團(tuán)隊(duì)，以相對(duì)低的成本，快速?gòu)?fù)現(xiàn)最好的模型成果。R1 甚至直接促使了一個(gè)新團(tuán)隊(duì)的誕生，就是盛大創(chuàng)始人陳天橋投資支持的 MiroMind。DeepSeek 讓陳天橋看到，研發(fā)和訓(xùn)練出頂尖模型的投入比他之前想象得要小得多。

Coding

當(dāng) R1 和一系列推理模型提升深度思考能力時(shí)，24 年埋下的另一顆種子也悄然發(fā)芽，即 Anthropic 引領(lǐng)的 Coding 能力超強(qiáng)的模型——Claude 3.5 和后續(xù)模型。

Anthropic 也在 25 年 2 月正式發(fā)布了自己的 AI Coding 產(chǎn)品 Claude Code——后來(lái)人們會(huì)發(fā)現(xiàn)，它其實(shí)就是一個(gè) General Agent，比 25 年 3 月初發(fā)布的 “世界首個(gè)通用 Agent” Manus 還早一個(gè)月。

Coding 之所以重要，是因?yàn)樵跀?shù)字世界里，會(huì)編程，就像人有了強(qiáng)健的手和腳，可以解鎖大量任務(wù)，這是大模型支撐復(fù)雜 Agent 應(yīng)用的重要基礎(chǔ)。

整個(gè) 25 年至今，全球頂尖模型廠商都在加大對(duì) Coding 的投入，其中不少都直接下場(chǎng)做了 Coding 應(yīng)用。如 OpenAI 在 4 月發(fā)布了 Codex，x.ai 8 月發(fā)布了 Grok Code Fast，Google 在 11 月發(fā)布了 Antigravity。

多模態(tài)

25 年出現(xiàn)的一些新的 AI agent 體驗(yàn)離不開多模態(tài)，如 136 期中，Lovart 創(chuàng)始人陳冕聊到了他們當(dāng)時(shí)剛上線不久的 ChatCanvas 功能，就是用戶可以手動(dòng)在生成的設(shè)計(jì)圖上選定一個(gè)區(qū)域，告訴 Agent 怎么進(jìn)一步優(yōu)化和修改。這背后就需要模型能理解圖像。

現(xiàn)在，全球最領(lǐng)先的大模型都已演進(jìn)為原生多模態(tài)模型，即用同一個(gè)模型來(lái)處理文字、圖片、語(yǔ)音等不同模態(tài)的信息。而這之前，多模態(tài)能力是分開實(shí)現(xiàn)然后拼接的。最早發(fā)布的這類模型是 24 年的 OpenAI 4o 和 Gemini 1.5。去年 11 月發(fā)布的 Gemini 3，還有近期剛發(fā)布的 Kimi 2.5 也都是原生多模態(tài)模型。

同時(shí)，也有不少專門做多模態(tài)生成的模型，比如中國(guó)公司做的很不錯(cuò)的視頻生成模型，像可靈、MiniMax 的海螺、SeedDance 等。去年 Google 發(fā)布 Veo 3 和大火的 Nano Banana 亦是專門的視覺生成模型。

在 146 期聊 Gemini 3 和 Agent 需要的模型時(shí)提到，Nano Banana 和 NotebookLM 都發(fā)源于 Google 的一個(gè)部門 Google Labs，負(fù)責(zé)人是 Google 傳奇產(chǎn)品經(jīng)理 Josh Woodward。這個(gè)部門不僅有研發(fā)人員和工程師，也會(huì)招主編、設(shè)計(jì)師等做內(nèi)容的人。他們創(chuàng)造了很多火爆出圈的玩法，比如，把自己的照片做成桌面手辦的圖片，一度風(fēng)靡社交網(wǎng)絡(luò)。這背后就是 Nano Banana。

而另一些公司，如 Anthropic、Kimi 和 DeepSeek 都沒(méi)有把多模態(tài)生成作為重點(diǎn)。這和不同團(tuán)隊(duì)的技術(shù)判斷、想做的應(yīng)用方向和資源多少有關(guān)。

總結(jié) Agentic Model：隨著大模型的推理、編程、多模態(tài)等能力持續(xù)提升，去做主動(dòng)性更高、能完成更復(fù)雜任務(wù)的 Agent 應(yīng)用的時(shí)機(jī)到了，25 年普遍被認(rèn)為是 Agent 應(yīng)用出現(xiàn)的元年。這個(gè)趨勢(shì)還在快速發(fā)展，如最近爆火的 OpenClaw。

協(xié)同優(yōu)化

阿里千問(wèn)、騰訊 AI 的研發(fā)組織整合

這是指模型的開發(fā)方式和研發(fā)團(tuán)隊(duì)的組織方式。

在 146 期，聊 Gemini 3 等技術(shù)進(jìn)展時(shí)，在 Google 云 Vertex 部門工作了 7 年的 Bethany Wang 分享了她看到的 Google 卷土重來(lái)的一個(gè)關(guān)鍵——Co-design(協(xié)同設(shè)計(jì))：

Google 多年的布局，讓它全面掌握了訓(xùn)練 AI 的 TPU 芯片，芯片上面的 JAX、Pallas 等軟件庫(kù)，面向大模型的 Infra，再到云平臺(tái)、模型和最上層的應(yīng)用。能從底層到上層，一路協(xié)同優(yōu)化，形成了 Superpower。

其實(shí)這種 “協(xié)同設(shè)計(jì)” 的垂直整合思路很自然，因?yàn)榇竽Ｐ陀?xùn)練是一個(gè)大型復(fù)雜系統(tǒng)工程，GPU 等硬件、Infra 等軟件系統(tǒng)和算法都相互影響。最近阿里總結(jié)的 “通云哥 “：通義-阿里云-平頭哥的戰(zhàn)略組合，也是一個(gè)類似的垂直整合的思路。

在千問(wèn)模型團(tuán)隊(duì)的內(nèi)部，更緊密的整合也正在發(fā)生。我的同事高洪浩，在《晚點(diǎn)》上周發(fā)布的《字節(jié)、阿里、騰訊 AI 大戰(zhàn)全記錄：一場(chǎng)影響命運(yùn)的戰(zhàn)爭(zhēng)》這篇文章里，就提到：在阿里通義千問(wèn)團(tuán)隊(duì)，他們從 25 年下半年開始，招募自己的 Infra 人才。這之前，千問(wèn)的 Infra 主要是阿里云的人工智能平臺(tái) PAI 來(lái)支持的，但后來(lái)他們認(rèn)為自建 Infra，能更敏捷地開發(fā)，也能和算法有更緊密的結(jié)合。

騰訊 AI 大模型的新負(fù)責(zé)人姚順雨，近期也在一次內(nèi)部會(huì)上提到了 Co-design：認(rèn)為從 Infra 到算法再到產(chǎn)品協(xié)同打通，可以加快迭代，減少內(nèi)耗。騰訊已經(jīng)把 AI Infra 部門也劃到了姚順雨的管轄范圍。

DeepSeek 開源周：超低的推理成本如何實(shí)現(xiàn)

而 DeepSeek 作為一個(gè)從 0 搭建的團(tuán)隊(duì)，則是在一開始就很自然地形成了協(xié)同優(yōu)化。如 Infra 團(tuán)隊(duì)也會(huì)參與算法設(shè)計(jì)討論，如果一個(gè)算法設(shè)想從 Infra 層面很難有穩(wěn)定的實(shí)現(xiàn)，這個(gè)想法可能會(huì)被否掉。DeepSeek 能做到這一點(diǎn)，在于梁文鋒對(duì)整個(gè)模型訓(xùn)練的各環(huán)節(jié)都比較了解，且會(huì) Hands-on 地參與其中。

25 年年初的一個(gè)事件，展現(xiàn)了 DeepSeek 超強(qiáng)的 Infra 能力和工程能力，就是 DeepSeek 開源周。從 2 月 24 日到 28 日，周一到周五，DeepSeek 每一天放出了一個(gè) Infra 領(lǐng)域的開源成果。然后在周六發(fā)布了一篇收官博客：《DeepSeek-V3/R1 推理系統(tǒng)總結(jié)》，其中還根據(jù)某一天 24 小時(shí)的實(shí)機(jī)數(shù)據(jù)，測(cè)算了 DeepSeek 推理系統(tǒng)的成本。

《晚點(diǎn)聊》有兩期相關(guān)節(jié)目。一是在 102 期，我們和 DeepSeek 前實(shí)習(xí)生王子涵聊大模型開源現(xiàn)狀，和它與傳統(tǒng)軟件開源的區(qū)別。其中有一個(gè)問(wèn)題我印象很深，是像 DeepSeek 這樣，一直開源最強(qiáng)的旗艦?zāi)Ｐ停菫槭裁?? 他說(shuō)有兩個(gè)可能：一是老板不想賺錢，要造福社會(huì)。二是想做更大的事，比如成為一種行業(yè)標(biāo)準(zhǔn)。

另一期節(jié)目和 DeepSeek 開源周引起的一個(gè)行業(yè)風(fēng)波有關(guān)。就是在周六發(fā)布的那篇總結(jié)文章里，DeepSeek 公布的推理成本非常低，在 24 小時(shí)里，用 1800 多張卡，支持了 6000 多億的輸入 Token 和接近 1700 億的輸出 Token。DeepSeek 還以當(dāng)時(shí)的 GPU 租金和自家模型的官方定價(jià)，計(jì)算了一個(gè)利潤(rùn)率，換算成毛利率是驚人的 84.5%。

做第三方 AI Infra 服務(wù)的潞晨科技創(chuàng)始人尤洋直呼不可能，他認(rèn)為 DeepSeek 這種算法，沒(méi)有考慮波峰、波谷的調(diào)用量變動(dòng)。具體的討論可以參見第 105 期對(duì)尤洋的訪談。這種爭(zhēng)議本身，也側(cè)面說(shuō)明了 DeepSeek 的 Infra 優(yōu)化非常極致。

硅基流動(dòng)創(chuàng)始人袁進(jìn)輝當(dāng)時(shí)也在這篇文章的知乎留言區(qū)里評(píng)論：

DeepSeek 披露的成本和收益，又一次顛覆了很多人認(rèn)知。現(xiàn)在很多供應(yīng)商還做不到這個(gè)水平，主要是 V3/R1 架構(gòu)和其它主流模型差別太大了。他推測(cè)，DeepSeek 團(tuán)隊(duì)可能是先想到了這樣一個(gè)模型結(jié)構(gòu)，然后解決了穩(wěn)定訓(xùn)練和推理的工程問(wèn)題。也可能是反過(guò)來(lái)，從系統(tǒng)出發(fā)，設(shè)計(jì)了這樣一個(gè)模型結(jié)構(gòu)。

不管是哪一種，都需要模型和算法的緊密合作。

注意力機(jī)制改進(jìn)：稀與線性

在協(xié)同優(yōu)化這部分，還想特別講一講注意力機(jī)制的改進(jìn)。注意力是 Transformer 架構(gòu)大模型的核心機(jī)制，簡(jiǎn)單來(lái)說(shuō)，改進(jìn)原始注意力機(jī)制是為了讓模型能處理更長(zhǎng)的上下文，而模型之所以在上下文長(zhǎng)度上有瓶頸，又是因?yàn)樽⒁饬Φ挠?jì)算方式會(huì)帶來(lái)很大的計(jì)算復(fù)雜度和顯存開銷，而這兩件事都是被 GPU、TPU 的算力、互聯(lián)效率和存儲(chǔ)等物理底層限制的。

25 年，我們做了 3 期和注意力機(jī)制改進(jìn)相關(guān)的節(jié)目，正好涵蓋兩個(gè)主流方向：稀疏注意力和線性注意力，分別是 103 期、104 期和 143 期。這幾期節(jié)目都是從模型架構(gòu)的改進(jìn)聊起，但都自然地延伸到了系統(tǒng)層和硬件底層，比如 103 期中，我們聊到了 Flash Attention 就是早期的一個(gè)系統(tǒng)-算法的協(xié)同改進(jìn)，基于對(duì) GPU 內(nèi)存訪問(wèn)特性的理解，它通過(guò)改變標(biāo)準(zhǔn)注意力的計(jì)算順序，提升了計(jì)算的效率、降低了顯存開銷。在 143 期中，DeltaNet 的核心貢獻(xiàn)者楊松琳也分享了，她是怎么從一個(gè)算法研究員，自學(xué)了改寫 Kernel 等系統(tǒng)層的能力。她對(duì) DeltaNet 的核心優(yōu)化就是提出了一個(gè)對(duì) GPU 更友好的，可以做 scalable 訓(xùn)練的方法。

算力：從拼單顆芯片性能到優(yōu)化多芯片互聯(lián)

去年《晚點(diǎn)聊》的 115 期節(jié)目中，我們和之前壁仞的聯(lián)合創(chuàng)始人、現(xiàn)在 AI Infra 公司魔形智能的創(chuàng)始人徐凌杰，聊了當(dāng)時(shí)華為剛發(fā)布不久的 384 Matrix 超節(jié)點(diǎn)，它是一個(gè)連接了 384 顆 AI 芯片的超級(jí)算力集群。

這背后的一個(gè)算力層面的大趨勢(shì)：從拼單顆芯片的性能，到優(yōu)化多芯片互聯(lián)的系統(tǒng)。英偉達(dá)更早之前發(fā)布的 NVL72 也是這個(gè)思路的體現(xiàn)。英偉達(dá)是全球范圍少有的，既掌握芯片設(shè)計(jì)，又掌握芯片間的互聯(lián)技術(shù)、網(wǎng)絡(luò)技術(shù)等更復(fù)雜軟件的公司。

那期還有很多有意思的洞察，包括互聯(lián)互通技術(shù)為什么重要；AI 算力的成本正在從以計(jì)算為主轉(zhuǎn)向以顯存為主；以及這些基礎(chǔ)算力層的變化會(huì)帶來(lái)哪些新的機(jī)會(huì)，又消滅哪些舊的機(jī)會(huì)。

可以看到，在算力層內(nèi)部，也是一個(gè) “協(xié)同設(shè)計(jì) “，逐漸垂直整合的結(jié)構(gòu)。這可能就是某些領(lǐng)域，強(qiáng)者恒強(qiáng)，強(qiáng)者很難被動(dòng)搖的原因。

下一個(gè)學(xué)習(xí)范式

這是 25 年下半年以來(lái)，越來(lái)越被關(guān)注的一個(gè)話題。

先總結(jié)一下目前的范式，簡(jiǎn)單說(shuō)是：用海量數(shù)據(jù)做預(yù)訓(xùn)練；用更少、但質(zhì)量更高的、面對(duì)特定任務(wù)的數(shù)據(jù)做監(jiān)督微調(diào)或強(qiáng)化學(xué)習(xí)的后訓(xùn)練。

那么下一步呢？會(huì)思考這個(gè)問(wèn)題的人，通常認(rèn)為目前的方法不久后將觸達(dá)瓶頸，或者并非實(shí)現(xiàn)智能的最優(yōu)路徑。

Ilya Sutskever、Demis Hassabis、Yann LeCun 等人都討論過(guò)此問(wèn)題，他們的共性在于傾向于從學(xué)習(xí)機(jī)制而非最終效果來(lái)定義 AGI。他們認(rèn)為當(dāng)前技術(shù)尚未達(dá)到更本質(zhì)的學(xué)習(xí)方式，例如像人類一樣僅憑極少樣本即可學(xué)會(huì)任務(wù)、舉一反三、在生命周期中持續(xù)學(xué)習(xí)，并真正理解乃至發(fā)現(xiàn)物理世界的規(guī)律。

Ilya Sutskever 在 25 年 11 月與 Dwarkesh Patel 的播客中提到，過(guò)去幾年是 Scaling Law 的階段，而現(xiàn)在已重新回到研究驅(qū)動(dòng)的階段。

熱門的研究方向包括持續(xù)學(xué)習(xí)、在線學(xué)習(xí)、世界模型等。我觀察到的線索是：許多研究者在尋找突破時(shí)，都會(huì)溯源動(dòng)物與人類智能的產(chǎn)生與工作機(jī)制。Ilya Sutskever 曾提到他的 AI 研究品味是從大腦中獲得靈感，以正確的方式思考人類智能，追求美與簡(jiǎn)潔。Transformer 作者之一 Llion Jones 創(chuàng)立的 Sakana AI，在 25 年提出新模型架構(gòu) “連續(xù)思維機(jī)”（CTM），其核心目標(biāo)也是更接近人類大腦。

在《晚點(diǎn)聊》第 108 期中，香港大學(xué)計(jì)算與數(shù)據(jù)科學(xué)學(xué)院院長(zhǎng)馬毅分享了他對(duì)智能歷史的梳理。他思考的起點(diǎn)是：地球?yàn)楹萎a(chǎn)生智能？為何僅生物擁有智能？他認(rèn)為智能的本質(zhì)是 “學(xué)習(xí)”，即找到世界中有規(guī)律、有結(jié)構(gòu)、可預(yù)測(cè)的部分，進(jìn)而預(yù)測(cè)外部世界以求生存。馬毅的研究方向，正是探索能像生物那樣實(shí)現(xiàn)閉環(huán)反饋機(jī)制的學(xué)習(xí)系統(tǒng)。

人類學(xué)習(xí)方式的另一大優(yōu)勢(shì)在于極其節(jié)能。為了訓(xùn)練大模型，Elon Musk 甚至計(jì)劃在太空建設(shè)算力，而人類大腦的功耗僅約 20 瓦。

去年在與 Meta 前 AI 研究總監(jiān)田淵棟聊其科幻小說(shuō)《破曉之鐘》時(shí)，我們?cè)接戇^(guò)現(xiàn)有方法的瓶頸。11 月在舊金山再次見面時(shí)，他表示接下來(lái)希望探索新的學(xué)習(xí)范式。他認(rèn)為那定是一種更簡(jiǎn)單、優(yōu)雅且可解釋的表達(dá)，而非目前的 “黑盒”。

他曾提到，若僅靠 LLM 就能實(shí)現(xiàn) AGI，人類的未來(lái)將是悲觀的。這不僅是因?yàn)楝F(xiàn)在的智能產(chǎn)生方式過(guò)度耗能且依賴不可再生的數(shù)據(jù)資源，更深層的悲哀在于，如果用一種不可解釋的方式就能表達(dá)和捕捉宇宙規(guī)律，這對(duì)于追求真理的智慧生物而言不是一種悲哀嗎？

與模擬人類智能相關(guān)的另一熱門方向是持續(xù)學(xué)習(xí)。高級(jí)動(dòng)物與人類具備自主持續(xù)學(xué)習(xí)的能力，而目前大模型的更迭仍需研究員深度參與每一次迭代。持續(xù)學(xué)習(xí)在人類智能上的最高表現(xiàn)形式之一是科學(xué)發(fā)現(xiàn)。Demis Hassabis 在近期關(guān)于 “智能的未來(lái)” 的分享中提到，他希望構(gòu)建能像科學(xué)家一樣提出假設(shè)、設(shè)計(jì)并執(zhí)行實(shí)驗(yàn)、獲取數(shù)據(jù)并驗(yàn)證假設(shè)的系統(tǒng)。

若能精確生成供此類學(xué)習(xí)進(jìn)行的環(huán)境，即是世界模型——至少是一部分人對(duì)世界模型的理解。Google DeepMind 在 25 年先后更新的 Genie 3 與 SIMA 2 便是此類嘗試：Genie 3 是能生成可探索 3D 環(huán)境的世界模型，而 SIMA 2 是在該環(huán)境中探索的智能體。不過(guò)目前版本僅支持在環(huán)境內(nèi)移動(dòng)，尚無(wú)法操作或改變物體。

總結(jié)模型領(lǐng)域的發(fā)展：

- 25 年，大模型的推理、Coding、多模態(tài)等能力持續(xù)提升，為復(fù)雜 Agent 的應(yīng)用奠定了能力基礎(chǔ)。

- 模型競(jìng)爭(zhēng)的底層是組織與研發(fā)方式的競(jìng)爭(zhēng)，涉及算力、系統(tǒng)、算法等環(huán)節(jié)的協(xié)同設(shè)計(jì)與緊密合作。

- AI 研究者們已開始深度思考智能的下一步演進(jìn)方向。

2. 應(yīng)用

關(guān)鍵詞：Agent、Sora App、AI for Science

Agent

25 年是 Agent 應(yīng)用大規(guī)模爆發(fā)的元年。從需求端觀察，目前 Agent 領(lǐng)域存在兩條明顯主線：一是以 Coding 能力為核心支撐的 General Agent（通用智能體），二是垂類 Agent。同時(shí)，圍繞 Agent 形成的一套工具鏈生態(tài)已在美國(guó)催生出一批初創(chuàng)公司。

通用 Agent：當(dāng) Coding 成為手段

25 年 2 月發(fā)布的 Claude Code 不僅是一款 AI Coding 產(chǎn)品，更是一個(gè) General Agent。Coding 不再僅是目的，更是實(shí)現(xiàn)目標(biāo)的手段。

作為目的的 Coding，旨在提效或替代人類編程，代表產(chǎn)品有給程序員用的 Cursor； 或面向非程序員的 Vibe Coding 工具如 Lovable。

而作為手段的 Coding，是指 General Agent 利用編程能力在數(shù)字世界執(zhí)行各類任務(wù)。若面向?qū)I(yè)開發(fā)者，它就是在命令行里啟動(dòng)的 Claude Code；若面向普通用戶，則是帶有圖形交互界面的 Claude Cowork 和近期風(fēng)靡的 OpenClaw（小龍蝦）。

此外，字節(jié)跳動(dòng)的 Coding 產(chǎn)品 Trae 在去年下半年發(fā)布的 Solo 模式、螞蟻靈光、馬卡龍、Youware 以及 MuleRun 新內(nèi)測(cè)的 Agent Builder 均屬此列。

這些產(chǎn)品的共性在于滿足個(gè)人工作與生活中的自動(dòng)化需求。對(duì)于一次性需求，用戶調(diào)用 Agent 完成特定任務(wù)（如制作 PPT、搭建網(wǎng)頁(yè)）；對(duì)于重復(fù)性流程，用戶則可以 “用 Agent 造 Agent”，定制個(gè)性化應(yīng)用。

例如，我曾希望 AI 每天監(jiān)測(cè)科技從業(yè)者的社交動(dòng)態(tài)、分類記錄并生成周報(bào)，同時(shí)自動(dòng)調(diào)整追蹤名單。這種小眾需求以往因開發(fā)成本過(guò)高而難以實(shí)現(xiàn)，如今 Claude Code 與 Claude Cowork 大幅降低了滿足這類需求的門檻。

Anthropic 對(duì)此生態(tài)貢獻(xiàn)良多，其推出的 MCP 協(xié)議及 25 年普及的 Skills 開放標(biāo)準(zhǔn)（Prompt 與 Tools 的集合），讓 Agent 的構(gòu)建變得模塊化且低門檻。

Agent Scaling 與群體智能

馬卡龍創(chuàng)始人陳鍇杰有一個(gè)有意思的總結(jié)：過(guò)去我們經(jīng)歷了數(shù)據(jù)、參數(shù)、算力的 Scaling，接下來(lái)也會(huì)看到 Agent 的 Scaling。近期出現(xiàn)的 Moltbook（AI 版 Facebook）便是 “群體智能” 的一次實(shí)驗(yàn)，探索大量智能體聚集后可能產(chǎn)生的系統(tǒng)性變化。

在《晚點(diǎn)聊》第 121 期中，PingCAP CTO 黃東旭曾借《黑鏡》第七季第四集 Plaything 探討過(guò)群體智能的 “科幻版”。最近，黃東旭受 Moltbook 啟發(fā)給自己開發(fā)了 Minibook，通過(guò)三個(gè)不同角色的 Agent 分工協(xié)作，提升代碼質(zhì)量，并開始研究 “Agent 社會(huì)學(xué)”。

在垂類領(lǐng)域，我們報(bào)道過(guò)的動(dòng)畫制作 Agent OiiOii 和影視制作 Agent MovieFlow，也已實(shí)現(xiàn)基于內(nèi)容生產(chǎn)流程的角色分工。此外，由 “小冰之父” 李笛創(chuàng)立的 “明日新程” 也在探索多智能體 Agent 框架。

當(dāng) Agent 數(shù)量激增，新的需求隨之轉(zhuǎn)向 Agent 的分發(fā)與交易。Youware 創(chuàng)始人明超平認(rèn)為 Coding 是一種新型創(chuàng)作方式，社區(qū)化是其必然歸宿；MuleRun 則試圖構(gòu)建 Agent 交易平臺(tái)。不過(guò)，這些產(chǎn)品正從單純的平臺(tái)轉(zhuǎn)向強(qiáng)化工具屬性，例如 Youware 將主頁(yè)改為對(duì)話框引導(dǎo)用戶構(gòu)建功能性應(yīng)用；MuleRun 2.0 亦更強(qiáng)調(diào)對(duì)話式的工具體驗(yàn)，陳宇森認(rèn)為 Agent 的交易市場(chǎng)不再會(huì)是淘寶那樣的 “貨架式”。之前的這些轉(zhuǎn)向，是因?yàn)橛?AI 構(gòu)建應(yīng)用和 Agent 的門檻在降低，但還沒(méi)那么低，所以供給的數(shù)量和多樣性仍然不夠。26 年，我們可以繼續(xù)觀察，當(dāng) Agent 的門檻進(jìn)一步降低，會(huì)有什么新可能。

手機(jī) Agent：存量博弈與場(chǎng)景變遷

General Agent 的另一趨勢(shì)是向移動(dòng)端滲透。25 年 12 月，字節(jié)跳動(dòng)發(fā)布豆包手機(jī)預(yù)覽版，實(shí)現(xiàn)了自動(dòng)回微信、比價(jià)點(diǎn)外賣等操作。然而，美團(tuán)、微信等超級(jí) App 擔(dān)心失去入口地位，被 “Over the Top”，所以這些功能不久后都被封禁。

OpenClaw 的流行也得益于與移動(dòng)端的打通：Claude Cowork 目前只有電腦桌面版，而 OpenClaw 還可以部署到手機(jī)的聊天軟件里，用戶在手機(jī)上發(fā)送指令，即可驅(qū)動(dòng)云端任務(wù)。

在《晚點(diǎn)聊》第 130 期與 138 期中，智譜 AutoGLM 的劉瀟與 OPPO 的萬(wàn)玉龍均詳細(xì)探討了手機(jī) Agent 的進(jìn)展與挑戰(zhàn)，其中一個(gè)很有意思的話題是：手機(jī)廠商、超級(jí) App 與 AI 公司之間的三方博弈。

不同場(chǎng)景的 app 受 Agent 影響的程度各異。點(diǎn)外賣、訂機(jī)票及功能性網(wǎng)購(gòu)等用戶有提效需求的場(chǎng)景，用戶對(duì) Agent 需求更多，但超級(jí) App 出于廣告收入與數(shù)據(jù)安全的考量，對(duì)開放接口有猶疑——如果 Agent 替代了真人瀏覽，廣告誰(shuí)來(lái)看呢？信息流廣告的價(jià)值是不是會(huì)降低？

又或者，在過(guò)渡階段，我們也可以設(shè)計(jì)一種機(jī)制，讓 AI 也能像人那樣被 app 里的廣告影響嗎？如果是這樣，那廣告收入的大頭是屬于和用戶直接接觸的 Agent 的提供方，還是屬于 App 廠商呢？

還有一個(gè)問(wèn)題是，手機(jī)上的 AI OS 到底是蘋果、三星等手機(jī)廠商自己掌握，還是有獨(dú)立的新機(jī)會(huì)？

而抖音、小紅書、B 站等娛樂(lè)內(nèi)容平臺(tái)受 Agent 影響較小，因?yàn)槲覀兙褪窍胱约嚎匆曨l，而不是讓 AI 來(lái)替我看，字節(jié)的多個(gè)主力產(chǎn)品都屬于這一類。

同時(shí)，掌握生活服務(wù)生態(tài)的公司也有主動(dòng)出擊的機(jī)會(huì)，如阿里在 25 年 11 月更新通義千問(wèn) App，主打全場(chǎng)景生活助手，阿里做這件事的優(yōu)勢(shì)是，它旗下有電商購(gòu)物、即時(shí)零售、外賣、酒旅、演出票務(wù)、打車等豐富的生活服務(wù)應(yīng)用。

未來(lái)，掌握大量小程序入口的騰訊將如何布局，同樣值得關(guān)注

垂類 Agent：從賣服務(wù)到賣結(jié)果

垂直領(lǐng)域 Agent 是 25 年《晚點(diǎn)聊》多次深度探討的核心話題。

Lovart 創(chuàng)始人陳冕在 136 期節(jié)目中，曾將 AI 應(yīng)用劃分為兩大類、五小類：生產(chǎn)端的 Office 與 Adobe，以及消費(fèi)端的 搜索、社交與泛娛樂(lè)。

目前市場(chǎng)上最受關(guān)注的 Agent 主要集中在生產(chǎn)端。其中，以 Coding 為核心通用 Agent 可被視為 “新時(shí)代的 Office”，旨在解決通用的辦公流程自動(dòng)化問(wèn)題；而 Lovart 以及大量圖像、視頻、音頻、動(dòng)畫等多媒體內(nèi)容制作 Agent，則是 “新時(shí)代的 Adobe”。

陳冕認(rèn)為，基礎(chǔ)模型的目標(biāo)是打造高智商的 “通用人”，而垂直產(chǎn)品則是在此基礎(chǔ)上培養(yǎng) “專業(yè)設(shè)計(jì)師”；應(yīng)用型公司的生存空間在于，既能充分調(diào)用 “通用人” 的智力，又能解決通用能力無(wú)法直接觸達(dá)的行業(yè)深層需求。這是他在創(chuàng)業(yè)時(shí)選 “Adobe” 方向的原因。

在第 110 期節(jié)目中，明勢(shì)資本合伙人夏令分享了 Agent 與具體行業(yè)深度結(jié)合的案例。例如明勢(shì)投資的法律領(lǐng)域的艾語(yǔ)智能，其核心場(chǎng)景是協(xié)助銀行起訴小額壞賬。以往此類案件的法律成本常高于賬面收益，機(jī)構(gòu)大多選擇計(jì)提損失。Agent 的自主性與自動(dòng)化顯著提升了篩選高成功率案件、按模板生成法律文件等環(huán)節(jié)的效率。盡管目前出庭等線下流程仍需人工，但 Agent 已重塑了利潤(rùn)空間。

這種深度結(jié)合也帶來(lái)新的商業(yè)模式：從 “賣席位” 轉(zhuǎn)向 “為結(jié)果收費(fèi)”。艾語(yǔ)智能本身也是個(gè)律所，所以它并非向其他律所售賣軟件，而是直接承接金融機(jī)構(gòu)的案件，按最終收回的款項(xiàng)獲取服務(wù)費(fèi)。這一洞察與 25 年 5 月美國(guó)紅杉在 AI 峰會(huì)上的觀點(diǎn)不謀而合——AI 軟件要從賣服務(wù)到賣結(jié)果。

另一個(gè)典型案例是 AI 教育公司與愛為舞。盡管創(chuàng)始人張懷亭在和我們的專訪中未直接提及 Agent 等術(shù)語(yǔ)，但其技術(shù)內(nèi)核——利用 AI 輔助或替代人類助教，實(shí)現(xiàn)自主規(guī)劃教學(xué)任務(wù)并與學(xué)生互動(dòng)，本質(zhì)上就是一個(gè)教育領(lǐng)域的 Agent。

與愛為舞的策略是將 AI 老師嵌入成熟的 “在線大班課” 商業(yè)模式中。曾聯(lián)合創(chuàng)立高途（Gaotu）的張懷亭采取了先入場(chǎng)獲客、再積累真實(shí)數(shù)據(jù)、最后迭代 AI 模型的路徑。這種 “場(chǎng)景先行、數(shù)據(jù)驅(qū)動(dòng)” 的商業(yè)化策略，是垂直領(lǐng)域 Agent 相比通用 Agent 的差異化落地方式。

Agent 工具鏈：Infra 層的細(xì)分與演進(jìn)

隨著 Agent 創(chuàng)業(yè)與創(chuàng)新的繁榮，圍繞 Agent 的 Infra（基礎(chǔ)設(shè)施） 或工具鏈正成為關(guān)鍵機(jī)會(huì)。在軟件分工極其精細(xì)的硅谷，這一趨勢(shì)尤為顯著。

簡(jiǎn)單來(lái)說(shuō)，基礎(chǔ)模型與完整 Agent 產(chǎn)品之間的中間地帶，皆屬于工具鏈的范疇。這涵蓋了 23 年至今輪番更迭的技術(shù)熱點(diǎn)：從最初的 RAG（檢索增強(qiáng)生成） 到 Prompt Engineering（提示工程）、Context Engineering（上下文工程），再到強(qiáng)化學(xué)習(xí)環(huán)境、Evaluation（測(cè)評(píng)） 及狀態(tài)檢驗(yàn) 等。

在《晚點(diǎn)聊》第 137 期中，MoE 資本的兩位創(chuàng)始合伙人 Henry Yin 和 Naomi Xia 總結(jié)、梳理了 Agent 工具鏈至今的 6 輪重大進(jìn)化，每一輪的起點(diǎn)都源于模型能力上了一個(gè)新臺(tái)階。

我們也梳理了當(dāng)前工具鏈中的核心機(jī)會(huì)，包括：

- 語(yǔ)音與多模態(tài)交互：更低延遲、更具情感表達(dá)力的接入技術(shù)。

- 記憶（Memory）管理：如何讓 Agent 具備跨 session 的長(zhǎng)期記憶與精準(zhǔn)的上下文調(diào)取。

- 評(píng)估（Evaluation）：在黑盒化的模型之上，建立可量化的測(cè)評(píng)標(biāo)準(zhǔn)與運(yùn)行狀態(tài)監(jiān)控。

令我印象深刻的是美國(guó)軟件行業(yè)充分的水平分工。在硅谷，即使是極其細(xì)分的場(chǎng)景也有體量不小的公司：如專注系統(tǒng)可觀測(cè)性的 Datadog，以及深耕身份認(rèn)證領(lǐng)域的 Okta，年收入均已突破 20 億美元。隨著 AI 發(fā)展，這些成熟軟件生態(tài)中的流程，都存在被 AI 重做一遍的機(jī)會(huì)。

Sora App：大 C 端場(chǎng)景的新機(jī)會(huì)

第二個(gè)關(guān)鍵詞是 Sora App，它代表了 AI 在非提效 to C 方向的嘗試，即集中于陪伴、社交、游戲與娛樂(lè)領(lǐng)域的產(chǎn)品。

這也不是 25 年的新現(xiàn)象：此前，Character.ai、Glow、Talkie 等產(chǎn)品已讓用戶習(xí)慣與虛擬角色互動(dòng)；Pixverse 也于 24 年底推出移動(dòng)端，主打視頻特效的制作與分享。

而 25 年 10 月上線的 Sora App 備受矚目，這不僅因?yàn)槠涑鲎?OpenAI 之手，更因其交互創(chuàng)新。其核心功能 Cameo 允許用戶授權(quán)人臉后生成符合外貌的數(shù)字角色，進(jìn)行單人創(chuàng)作或與好友 “合拍”。

在《晚點(diǎn)聊》的訪談中，業(yè)內(nèi)對(duì) Sora App 有兩種不同的觀察：

- Lovart 創(chuàng)始人陳冕（第 136 期）認(rèn)為 Sora App 本質(zhì)上是社交產(chǎn)品而非單純的工具。Cameo 的裂變屬性讓他產(chǎn)生了強(qiáng)烈的分享欲。

- Sand.ai 創(chuàng)始人曹越（第 139 期）持保留意見。他認(rèn)為新的 C 端平臺(tái)需具備新內(nèi)容形態(tài)與新傳播鏈路。當(dāng)時(shí) Sora 仍更像一個(gè)工具，用戶創(chuàng)作后仍傾向于分發(fā)至 TikTok、小紅書等存量平臺(tái)。

后來(lái)的發(fā)展是，Sora App 在發(fā)布初期熱度極高，但留存挑戰(zhàn)巨大。Sensor Tower 數(shù)據(jù)顯示，其 30 天留存率低于 8%，遠(yuǎn)遜于 TikTok（42%）和 Instagram（38%）等主流社交應(yīng)用（數(shù)據(jù)來(lái)源于 SQ Magazine 25 年 Q3 數(shù)據(jù)）。

盡管大眾熱度有所回落，但特定創(chuàng)作者群體正在沉淀。25 年 11 月，我在舊金山遇到了一位圍繞 Sora App 做數(shù)據(jù)服務(wù)的創(chuàng)業(yè)者盧元，他做的產(chǎn)品 SoraStats 專門服務(wù)于 Sora 的活躍作者，想幫他們成為 “Sora 上的 Mr.Beast”。

盧元說(shuō)，活躍作者并非是 AI 達(dá)人、專家，還包括教師、Uber 司機(jī)等跨行業(yè)人士。一個(gè)典型案例是日本創(chuàng)作者 Matsumaru（松丸慧吾）。他并不追求真人風(fēng)格或社交合拍，而是利用 Sora 深度探索二次元與視覺特效。目前他的粉絲量已突破 10 萬(wàn)，而 Sam Altman 是 14 萬(wàn)。

Sam Altman 在 25 年 10 月的博客中特別致敬了日本用戶的創(chuàng)造力（"Remarkable creative output of Japan"）。日本繁榮的 ACGN 文化與 AIGC 具有天然的親和性，AI 工具極大放大了同人二創(chuàng)愛好者的想象力。

除了社交與短視頻，一些傳統(tǒng) C 端場(chǎng)景也在 AI 驅(qū)動(dòng)下煥發(fā)新生：

- 聊天軟件：25 歲的陳春宇在舊金山創(chuàng)立了聊天應(yīng)用 Intent。針對(duì)美國(guó)少數(shù)族裔跨語(yǔ)言交流的痛點(diǎn)，該產(chǎn)品利用大模型實(shí)現(xiàn)了 “默認(rèn)全局翻譯” 的絲滑體驗(yàn)，解決了過(guò)去通信工具門檻過(guò)高的問(wèn)題。

- 語(yǔ)音輸入：盡管系統(tǒng)自帶功能普及，但 Typeless 等新產(chǎn)品憑借更精準(zhǔn)的識(shí)別與語(yǔ)境理解脫穎而出。它能將語(yǔ)音內(nèi)容一鍵轉(zhuǎn)化為郵件、推文等多種風(fēng)格，并支持通過(guò)語(yǔ)音指令局部修改文本，帶來(lái)了遠(yuǎn)超傳統(tǒng)工具的舒適感。

陳冕曾預(yù)言，26 年將是非效率類 AI C 端產(chǎn)品爆發(fā)的元年。工具屬性之外，更具情感價(jià)值、娛樂(lè)價(jià)值與交互深度的新產(chǎn)品或許即將出現(xiàn)。

AI 科學(xué)家

應(yīng)用的最后一部分，談?wù)?AI for Science。

在《晚點(diǎn)聊》第 140 期中，深勢(shì)科技（DP Technology）的兩位創(chuàng)始人張林峰與孫偉杰完整講述了他們親歷的、用 AI 加速科學(xué)發(fā)現(xiàn)的發(fā)展脈絡(luò)。這是一個(gè)在大語(yǔ)言模型熱潮之前便已開始的方向，深勢(shì)的經(jīng)歷恰好涵蓋了該領(lǐng)域的幾種核心探索：

- 加速第一性原理計(jì)算、生成式 AI

2016 年前后，張林峰在普林斯頓讀博期間的一個(gè)研究是，利用機(jī)器學(xué)習(xí)簡(jiǎn)化量子物理的第一性原理計(jì)算，這些計(jì)算有確定的物理公式：薛定諤方程（Schr?dinger Equation）、密度泛函理論（DFT）和分子動(dòng)力學(xué)方程等，對(duì)生化環(huán)材領(lǐng)域至關(guān)重要。但以往的難點(diǎn)在于計(jì)算復(fù)雜度極高，難以從微觀尺度跨越到介觀或宏觀尺度（從單個(gè)分子到整體材料屬性）。張林峰當(dāng)時(shí)開發(fā)的 DeePMD，就是通過(guò)機(jī)器學(xué)習(xí)找到了一種在不損失精度的前提下大幅提升計(jì)算效率的方法。深勢(shì)科技隨后據(jù)此推出了藥物研發(fā)計(jì)算平臺(tái) Hermite。

另一種路徑，是利用深度學(xué)習(xí)與生成式 AI 解決特定科學(xué)問(wèn)題，典型代表是獲得諾貝爾獎(jiǎng)、用于預(yù)測(cè)蛋白質(zhì)結(jié)構(gòu)的 AlphaFold，深勢(shì)也有同一方向的模型 Uni-Fold。

- AI 發(fā)明家：技術(shù)的自我繁殖

隨著大語(yǔ)言模型走向成熟，能夠覆蓋完整科研流程的科研 Agent 成為新趨勢(shì)。這不僅包括針對(duì)物質(zhì)科學(xué)的科研——支持從文獻(xiàn)研究、提出假設(shè)、設(shè)計(jì)實(shí)驗(yàn)到驗(yàn)證假設(shè)的全流程自動(dòng)化，還指向一個(gè)更特別的方向：用 AI 提升 AI，讓 AI 承擔(dān)人類研究員的工作。

這種 “左腳踩右腳” 的演進(jìn)方式，契合了經(jīng)濟(jì)學(xué)家布萊恩·阿瑟（W. Brian Arthur）在《技術(shù)的本質(zhì)》一書中的核心觀點(diǎn)。阿瑟認(rèn)為，技術(shù)具有自我繁殖的特性，由兩股力量交織推動(dòng)：

- 供給端： 現(xiàn)有技術(shù)通過(guò)新組合產(chǎn)生新技術(shù)。舊技術(shù)基數(shù)越大，組合的可能性就越多；同時(shí)，觀測(cè)技術(shù)（如顯微鏡、傳感器）的發(fā)展加速了對(duì)新物理現(xiàn)象的捕獲。

- 需求端： 新技術(shù)的需求不僅來(lái)自人類，也來(lái)自技術(shù)本身。每種技術(shù)的出現(xiàn)都會(huì)伴隨改進(jìn)它、降低其成本或解決其衍生問(wèn)題的需求。

《技術(shù)的本質(zhì)》一書寫于 2009 年，當(dāng)時(shí)作者說(shuō)：技術(shù)的自我進(jìn)化是通過(guò) “人類發(fā)明家” 這一中介實(shí)現(xiàn)的。而現(xiàn)在，我們可能正處于 “AI 發(fā)明家” 誕生的前夜。這將是一個(gè)信息廣度、計(jì)算能力遠(yuǎn)超人類個(gè)體，且能不眠不休進(jìn)行迭代的系統(tǒng)。

面對(duì)這種指數(shù)級(jí)的進(jìn)化速度，一個(gè)問(wèn)題是：我們做好準(zhǔn)備了嗎？如果技術(shù)即將脫離人類中介自主進(jìn)化，我們?cè)撊绾翁崆霸O(shè)計(jì)與之共處的方式？

題圖來(lái)源：《少年派的奇幻漂流》