大模型思考揭秘！这场AI访谈太精彩

一、大模型与开发者

在 WAIC 上，一位 AI 应用开发者表示：“模型的第一批用户，肯定是开发者，如果没有抓住开发者，模型的声量是很难起来的。”他还把开源比喻成大模型触达开发者的门，“现在找到开发者是很简单的。”

二、世界模型的质量衡量

弗鲁克特提到，衡量世界模型质量很困难，尤其是在视觉生成方面，因为质量比较主观。对于语言模型来说，可以用困惑度或者下游任务的表现来进行评估，但世界模型主要是关注视觉交互。而且质量取决于使用场景，他们的目标就是让 AI 智能体能够在模拟环境中交互。

三、AI 的智能化之路

姚欣认为，AI 要走向智能化，就需要 Agentic AI 基础设施服务平台，而 MCP 只不过是大厂的“羊毛”，并不能解决根本性问题。关于中美 AI 大模型，他观察到中国公司都在加速“卷”开源模型。

四、合成数据的双刃剑效应

合成数据虽然能在一定程度上缓解数据难题，但也带来了一些新挑战。一项发表在《自然》上的研究表明，若放任大模型利用生成的数据进行训练，AI 可能会崩溃。

五、AI 创意的普惠化

借助高质量的 AI 模型，互联网上的内容与创意变得越来越普及，低门槛让更多人的创意得以发挥。不过，AI 的使用也超出了最初的设计与预期。

六、企业 AI 系统的发展趋势

Gartner 预测，到 2027 年，70% 的企业 AI 系统将会采用“预训练 - 微调 - 后训练优化”的三级流水线。这种全新的架构和训练范式的变革，为下一代基础大模型的构建提供了方向。

七、AI 与神经科学的结合

随着大语言模型能力的强大，AI 与神经科学的联系愈发紧密，产生了 NeuroAI 这个新兴领域。从两个角度看，一是用 AI 来研究大脑（AI for Neuro），二是……（此处省略部分内容）。

八、国产 AI 大模型的进步

在最近的一轮测试里，表现最佳的国产 AI 大模型竟是上一轮测试中表现欠佳的豆包和通义，这两款大模型提供了更详细的数据和法拉第未来的战略，相比之下，DeepSeek、文心、Kimi 就显得少些。

九、投资与大模型的经济效用

投资应聚焦于有经济效用的产品和技术，即大模型和 AI 产品得成为能创造商业价值的公司。然而，模型越来越聪明与它具备经济效用间的关系并不明确。

十、大型推理模型的能力

新一代前沿语言模型引入了大型推理模型（LRMs），这类模型会在给出最终答案前先生成详细的思考过程。它们在各种推理基准上的表现有了很大提升，不过其基本能力和潜力仍需进一步探究。