AI未來(lái)五年發(fā)展路徑

AI的發(fā)展路徑：生成能力-推理能力-Agent能力-數(shù)字虛擬人-具身機(jī)器人-腦機(jī)接口。

（1）生成

現(xiàn)在生成都已經(jīng)漸入佳境：
文本：文本報(bào)告生成、代碼生成，如Claude Code
語(yǔ)音：語(yǔ)音生成
圖片：圖片生成，如Nano banana
視頻：視頻生成，如seedance2.0

我很看好兩個(gè)方向：AI寫代碼（主要現(xiàn)在國(guó)產(chǎn)模型不爭(zhēng)氣不給力）、AI視覺(jué)（現(xiàn)在字節(jié)的視覺(jué)識(shí)別和視頻生成做的很牛）。

傳聞DeepSeek選擇了多模態(tài)。但愿它不是去做：Nano banana、Seedance，而是只做截圖識(shí)別：前端網(wǎng)站截圖進(jìn)行Coding生成、股票K線截圖進(jìn)行分析說(shuō)明。

（2）推理

從2024年10月，OpenAI發(fā)布基于思維鏈CoT技術(shù)的深度思考，推理開始迅速發(fā)展。
2025年2月，國(guó)產(chǎn)開源DeepSeek-R1，也把推理普惠到整個(gè)中國(guó)社會(huì)。
不過(guò)，總的來(lái)說(shuō)，推理能力的發(fā)展是最慢的。
這三年，推理能力并沒(méi)有得到大的提升，只是從：理論方法（思維鏈）成熟，到商業(yè)產(chǎn)品落地（GPT-o1），到推理速度提高（DeepSeek做了很多內(nèi)存和GPU的優(yōu)化）。

大家感覺(jué)好像推理能力在進(jìn)步，其實(shí)是外掛工具起的作用（如 Lean 定理器），而不是推理能力起的作用。
但是AI行業(yè)已經(jīng)投入了太多年、投入了太多錢，人們急切需要一些結(jié)果，否則就很難讓人繼續(xù)持續(xù)投入很多錢了。
所以現(xiàn)在大家都在聚焦發(fā)展Agent，本質(zhì)就是把現(xiàn)在AI的能力再加上外掛的能力，趕快能做點(diǎn)啥就做點(diǎn)啥，盡快轉(zhuǎn)換為商業(yè)成果。
我個(gè)人覺(jué)得：雖然大模型的推理能力已經(jīng)難以突破，但是Coding專有大模型能力提升，再加上Agent輔助基礎(chǔ)模型提高：意圖理解能力-方案規(guī)劃能力-多Agent任務(wù)分工協(xié)作能力，再加上Agent的記憶模塊和Skill模塊，可以使最終結(jié)果表現(xiàn)出來(lái)的推理能力再提升提升。

（3）Agent

Agent起源于：深度研究：
第一步：經(jīng)過(guò)深度思考，生成深度研究的方案
第二步：連接各個(gè)外部系統(tǒng)，采集數(shù)據(jù)
第三步：AI生成代碼，對(duì)數(shù)據(jù)進(jìn)行加工
第四步：生成研究報(bào)告：WORD/PDF/PPT分析報(bào)告、EXCEL數(shù)據(jù)統(tǒng)計(jì)、可視化圖表

2025年2月，商業(yè)閉源Agent Manus發(fā)布，引發(fā)大家的熱議。
2026年2月，免費(fèi)開源Agent OpenClaw發(fā)布，引發(fā)大家的熱議。

Agent的核心有三個(gè)：
1、分解任務(wù)-編排任務(wù)-指派任務(wù)-整合任務(wù)，讓多Agent分工協(xié)作
2、用戶個(gè)性化記憶
3、調(diào)用高手寫的Skill/上下文提示工程，可以正確引導(dǎo)大模型產(chǎn)出期望的結(jié)果

但是，Agent也擴(kuò)展了很多外部能力：
1、接入外部數(shù)據(jù)：在線聯(lián)網(wǎng)搜索、在線MCP/API調(diào)用、存取本地文件系統(tǒng)
2、控制本地瀏覽器：爬蟲、模擬點(diǎn)擊、登錄/取數(shù)、填寫表單數(shù)據(jù)
3、控制本地軟件：在提示工程中直接調(diào)用軟件功能CLI，無(wú)須再生成代碼調(diào)用API

不過(guò)我個(gè)人感覺(jué)：中國(guó)沒(méi)有太多深度研究的需求。

我倒是覺(jué)得：基礎(chǔ)大模型現(xiàn)在都能提供1M長(zhǎng)上下文理解能力，如何利用這些多輪會(huì)話中的長(zhǎng)上下文，來(lái)不斷清晰化需求的意圖目的、細(xì)化以及修正方案?，F(xiàn)在Agent走走走就走歪路了，就是不隨著多輪會(huì)話的信息，來(lái)修正自己的意圖和方案。
（4）數(shù)字虛擬人

視覺(jué)生成技術(shù)，讓數(shù)字人擁有了可視化的形象。比如生成羅永浩的形象。

語(yǔ)音技術(shù)，讓數(shù)字人擁有了開口說(shuō)話、聽人說(shuō)話的能力。比如用羅永浩的聲音來(lái)說(shuō)話。
多輪會(huì)話技術(shù)，讓數(shù)字人可以與用戶連貫對(duì)話。

深度思考技術(shù)，可以讓數(shù)字人回答更復(fù)雜的問(wèn)題。
Agent技術(shù)，可以讓數(shù)字人使用個(gè)性化記憶/個(gè)性化風(fēng)格/個(gè)性化數(shù)據(jù)來(lái)交流。比如用羅永浩平時(shí)的知識(shí)、習(xí)慣用語(yǔ)、思考風(fēng)格來(lái)交流。

現(xiàn)在數(shù)字虛擬人主要用于AI影視，以后可以用于AI游戲。
（5）具身機(jī)器人

具身機(jī)器人有兩個(gè)腦：
一個(gè)大腦，用于深度思考-規(guī)劃-決策選擇
一個(gè)小腦，用于控制機(jī)械手腳運(yùn)動(dòng)

現(xiàn)在，宇樹機(jī)器人自己的小腦控制機(jī)器人的手腳運(yùn)動(dòng)已經(jīng)比去年有很大進(jìn)步。
傳聞，宇樹機(jī)器人也采用了DeepSeek-Omni進(jìn)行思考。

不過(guò)，如果把這些技術(shù)放到無(wú)人機(jī)無(wú)人狗身上，可能爆發(fā)的更快。

（6）腦機(jī)接口

腦機(jī)接口：
一半是人的生物電、腦電波信號(hào)，人體的各種傳感/感應(yīng)器官；
一半是機(jī)器手腳運(yùn)動(dòng)、視覺(jué)采集、語(yǔ)音識(shí)別/語(yǔ)音合成。

這兩者還需要連通在一起，方便殘疾人、聾啞人。
腦機(jī)接口聚焦做好：人腦和機(jī)器的連通。
聾啞人，可以使用AI大腦的：視覺(jué)識(shí)別能力、語(yǔ)音識(shí)別能力/語(yǔ)音合成能力。
殘疾人，可以使用具身機(jī)器人的小腦：控制機(jī)械手腳運(yùn)動(dòng)。

這是真正的剛需，比老年人需要具身機(jī)器人還剛需。但是，要把人肉人腦和機(jī)器軀干機(jī)器腦連在一起協(xié)同在一起，顯然難度非常大。