阿里千问大模型技术负责人林俊旸：

研究员本身就是产品经理

Agent与具身智能结合会更有意思

1. 市场分化逻辑：OpenAI做To C平台，Anthropic深度服务企业（在与金融领域客户深度交流中发现真实机会），分化是自然发生的，是顺应市场需求后的自然结果；在美国，Coding任务的Token（文本处理的最小单元）消耗量巨大，这一点目前中国市场还没达到同等量级。

2. AGI的服务本质：今天To B也好，To C也好，我们都是要解决真实的问题，怎么把人类世界变得更好。

3. 强化学习（RL）潜力未充分释放：目前的强化学习范式尚处早期，潜力远未被充分挖掘，全球范围内仍面临基础设施等瓶颈。而下一代范式的核心在于“自主进化”与“主动性”，只是自主进化用什么技术手段、是否需要更新参数，见仁见智。

4. Agent的“模型即产品”思维：研究员本身就是产品经理，需要有产品思维，能端到端地把东西做出来。未来的Agent应该是托管式的，你给它一个模糊通用指令，它能在长周期的执行中自我决策和进化。另外，只有当AI与真实物理世界交互，才是Agent真正能长时间工作的场景。未来3-5年，Agent与具身智能的结合，会更有意思。

5. 通用Agent的机会在于长尾：要不要做通用Agent？如果你是“套壳”高手，套得可以比模型公司做得更好，我觉得可以去做。否则可以留给模型公司，因为它们有算力和数据优势。

6. 对中国AI发展谨慎乐观：未来3-5年中国公司引领全球的概率有多大，这是一个“危险”的问题，从概率角度谈谈中美差异：中美算力差距1-2个数量级；目前美国将更多算力投入前沿研究，中国更多用于交付；“穷则思变”，软硬件协同可能孕育新机会。再加上中国新一代人的成长和营商环境的改善，有机会但面临的困难非常大。

7. Qwen下一步发展的三个重点：

（1）构建具备视觉输出和推理能力的Omni模型，把能力真正收敛到多模态模型，不仅能接收文本、图像和语音，而且也要具备同时生成这些模态的能力。

（2）从训练模型转向训练Agent，尤其是通过多轮强化学习和环境反馈，实现面向长时任务的推理能力。

（3）把语言模型进一步转化为具备行动能力的（具身智能）Embodied模型。

• 上一页
• 1
• 2
• 3
• 4
• 下一页
• 全文阅读