智東西
作者 智東西編輯部
編輯 云鵬

智東西6月12日報道，剛剛，AI圈又一次重磅對話上演，在第8屆智源大會上，小米、生數科技、面壁智能、南洋理工大學的4位AI大佬同臺，進行了一場將近50分鐘的深度對話，從最近熱度頗高的Claude Fable 5到AI自進化、AI Coding聊了個遍。

《重構世界——中國大模型巔峰對話》由智源研究院院長王仲遠主持，小米集團MiMo負責人羅福莉，清華大學計算機系教授、生數科技創始人朱軍，面壁智能聯合創始人兼首席科學家、清華大學教授劉知遠，南洋理工大學校長講席教授、人工智能交叉研究院院長安波同臺暢聊AI熱點，最后還給年輕人送出了寄語。

▲智源大會《重構世界——中國大模型巔峰對話》環節

關于當下引發業界熱議的Claude Fable 5，羅福莉認為其本質仍然是Scaling持續推進后的自然結果，是預訓練規模、數據規模以及強化學習三個維度持續擴展后的階段性成果。

Token經濟話題熱度不減，朱軍認為過去使用Agent或AI Coding解決問題時，往往會消耗大量Token。新版本模型在任務中的Token消耗下降，這是一個正確方向。

劉知遠點明了Anthropic成功，甚至估值反超OpenAI的原因，他認為是因為Anthropic找到了代碼這個非常重要的方向，未來在專業領域里形成數據閉環，一定可以加速AI應用。他還提到智能革命其實就是要用AI來替代人的機械的、重復的腦力勞動。

對于AI自進化，安波認為在AI能力較弱的時候，AI自進化如果要行得通，一個重要的前提是環境不能完全封閉，如果完全封閉地搞數據飛輪，很難行得通。

最后四位大佬還紛紛給年輕人送出寄語：

羅福莉：保持探索欲和好奇心、盡可能深入使用最新大模型；劉知遠：敢為人先、長期堅持、持續自我革新；朱軍；積極擁抱這個時代，積極使用AI；安波：選對賽道、做重要的事情，非常重要。

以下為本場對話的實錄：

一、四位大咖最新關注點：自進化、世界模型、智能密度與Harness

王仲遠：各位朋友大家上午好。一直關注智源大會的朋友應該都會注意到，過去兩年的開幕式上，我們都有一個備受關注的圓桌環節。前年我們討論的是“通往AGI之路”，去年是“具身會客廳”。在這些圓桌中，我們都會邀請行業具有代表性的專家學者，共同探討AI領域最前沿的問題。

今年圓桌對話的主題是“重構世界”。為什么是“重構世界”？因為我們正站在一個新的歷史臨界點上。人工智能不再只是改造某個行業的工具，而正在成為重構世界的底層力量。AI Coding、自主智能體、模型自進化，正在打開AI創造AI的可能性。

世界模型、具身智能和機器人，則讓智能從數字世界延伸到物理世界。未來重要的競爭，將是誰能夠率先掌握創造智能、駕馭智能，并讓智能重塑現實的能力。因此，我們把本次圓桌對話定義為“重構世界”。

在正式開始之前，請四位嘉賓先簡單介紹一下自己，并分享近期最關注的一兩個技術問題。

羅福莉：大家好，我是羅福莉，小米MiMo大模型團隊負責人。現在AI的發展非常絢爛，很難用一個詞來概括。我最近最關注的方向是Self Improvement，尤其是Auto Research領域。

朱軍：大家好，我是清華大學朱軍。目前我也在做通用世界模型方面的工作。最近最關注的是以視頻為原生的模型架構，以及如何通過這種模型走向物理世界，打通對世界的理解、預測，以及在世界中行動的能力。

劉知遠：大家好，我是清華大學計算機系教授劉知遠，同時也是面壁智能聯合創始人兼首席科學家。最近我們關注的重點是大模型的“智能密度定律”。我們希望把模型的智能密度訓練得越來越高，讓模型能力越來越強，最終賦能各種智能終端。

安波：大家好，我是安波，來自南洋理工大學，同時也在工業界有一些兼職工作。最近我們關注的是Agent Harness。在底座模型能力給定的情況下，如何通過更好的Harness機制獲得更強的推理能力。

二、如何看待Claude Fable 5？本質是Scaling持續推進的結果

王仲遠：剛才幾位老師都提到了，目前整個技術發展依然非常快。我們先從兩天前發布的Fable 5聊起。Anthropic最新發布的Fable 5，在編程能力和Agent能力方面都有明顯提升。官方分享的案例顯示，一個擁有5000萬行代碼的代碼庫，如果依靠人工團隊完成全庫遷移需要一個月時間，而使用Fable 5只需要一天。

我想請各位談談對這款模型以及AI Coding最新進展的看法。當前的發展仍然是量變積累，還是已經接近質變臨界點？同時，各位都在訓練模型，目前模型能力是否仍在加速提升？先請羅福莉。

羅福莉：在我看來，Fable 5目前展現出來的能力，本質上仍然是Scaling持續推進后的自然結果。

首先是預訓練階段的Scaling。我們推測，Fable 5的參數規模可能達到當前最強開源模型數倍的水平。其次是在Test-Time Scaling以及強化學習方面，也投入了大量算力資源。此外，隨著行業從Chat邁向Agent時代，訓練數據也發生了變化。模型訓練正在從互聯網文本數據，擴展到人與Agent共同產生的合成數據，數據規模進入新的量級。過去互聯網文本數據的Unique Token規模大約在40T到80T之間，而現在的數據規模已經邁上了新的臺階。

因此我認為，Fable 5是預訓練規模、數據規模以及強化學習三個維度持續擴展后的階段性成果。

▲小米集團MiMo負責人羅福莉

王仲遠：所以你認為它依然是一個中間階段的模型？

羅福莉：是的。至少從剛才提到的幾個維度來看，目前都還沒有停止，相關Scaling路徑仍然在持續推進。

王仲遠：小米MiMo最近表現也非常亮眼，在OpenRouter上的排名也很高。從你的觀察來看，大模型能力提升更接近線性增長，還是指數增長？

羅福莉：我很難用一條固定曲線去描述。因為模型能力的提升往往是涌現式的過程。無論是在不同的Scaling路徑上，還是不同階段，我們都能看到類似的涌現現象。因此很難簡單地用線性增長或者指數增長來概括。

王仲遠：有請朱老師。

朱軍：我本人并沒有直接訓練語言模型，所以在這個問題上，羅福莉可能比我更有發言權。不過從身邊老師和學生的反饋來看，大家普遍認為Fable 5相比上一代又有明顯提升。甚至有人開玩笑說，以前覺得自己是導師，現在感覺模型成了導師。結合我們自己做視頻模型和世界模型訓練的經驗來看，當模型規模和數據規模持續擴大時，性能提升仍然非常顯著。

過去兩年多時間里，我們在物理規律建模、仿真和世界模擬方面都看到了非常明顯的進展。最初大家經常能看到各種幻覺問題，但今天已經能夠生成高質量、專業級的內容，在很多場景下達到實際可用水平。這些進展本質上都來自同一條路線：更大的模型、更高質量的數據、更大規模的訓練。

當模型進一步邁向物理世界時，一個經常被討論的問題是：模型究竟能不能真正學會物理規律？我的觀點是，隨著基礎模型能力持續提升，在此基礎上學習嚴謹邏輯、物理規律以及3D世界理解等能力，都會變得更加高效。未來很多場景并不需要極其精確的物理模擬，大量任務依靠直覺式理解就已經能夠完成。這正是大模型帶來的重要價值。

回到Fable 5本身，我還需要進一步體驗才能做更具體的評價。但有一點我非常認同，過去大家使用Agent或者AI Coding解決問題時，經常會消耗大量Token，而新版本模型在企業任務中的Token消耗明顯下降。我認為這是一個非常正確的發展方向。對于很多復雜任務來說，模型應該依靠更高層次的智能去調用工具、組織推理，而不是單純依賴更多Token消耗，這是未來大模型持續釋放價值的重要方向。

王仲遠：謝謝朱老師。我想追問一個問題，現在大語言模型我們看到其實Scaling范式依然存在，性能還在提升，那視頻生成類模型的Scaling邊界現在到達了嗎？還是說也依然在不斷的加數據，更大的模型可以達到更好的性能呢？

朱軍：對于視頻和世界模型來說，我覺得還是在繼續過程中，而且潛力非常大。

最近大家都關注Seedance的新模型，他有一些share的信息，大家會覺得他是在scale up架構上，比之前的模型更加的激進，也看到了非常顯著的效果。如果擴展到更加通用的世界模型上，我相信可能Scale Up的路徑還很長，可能今天大家都在說像物理數據的獲取量在增加、數據更加高效的使用或者是架構優化上。我覺得這個剛剛開始，可能后邊還有很大的一塊要去探索的地方。

▲清華大學計算機系教授、生數科技創始人朱軍

劉知遠：我說三點思考。

第一點就是，就像剛才福莉說的，這是一次可持續Scaling的體現。它背后的邏輯，其實是我們能夠找到一條可持續的數據飛輪的閉環。

不管是24年、25年強化學習的這個成功，包括這次Anthropic的Claude Code等等，它可以從全球范圍內收集反饋，收集大家使用代碼生成的一些數據，其實是構成了可持續發展的強勁動力，這個是一個非常重要的一個啟示。

從第二個角度來講，本身代碼其實是我們在數字世界非常重要的生產力工具，那么顯然這個代碼大模型持續的能力提升，會對我們所有的需要代碼的這些行業啊，比如工業軟件、漏洞發現等等，其實都會產生一些顛覆式的影響。

這件事情本身是數據相對成熟之后進行溢出非常重要的，我覺得需要大家一起去考慮如何去進行創新探索的一個可能性，就是說有沒有可能我們原來被卡脖子的一些工業軟件，我們可以通過代碼大模型，把它重寫一遍形成我們全新的國產化生態。

第三個我認為更有啟示意義的就是，代碼大模型之所以能夠快速的閉環，是因為它的數據本身完全的發生在數字世界，我們非常容易去進行閉環。那么我們就可以設想，Anthropic之所以成功，是找到了代碼這樣一個非常重要的垂直方向，那我設想我們這個世界，我們的人類專業知識其實是發生在非常非常多領域。

如果能夠在這個專業領域里面快速的形成數據的閉環，那么我們一定可以加速，AI在各個行業的快速應用，我會認為Anthropic在代碼大模型上的成功，甚至它現在估值高于OpenAI，對我們來講是一個啟示，我們應該創新的去尋找更多的不同的數據閉環的可能性啊，這個是我的三點思考。謝謝劉老師。

王仲遠：劉老師您認為還是有新的一些領域的機會，AI數據閉環可能創造出新的價值，安老師，您怎么看Fable 5模型？

安波：最近這兩天，我們沒有訓練任何模型，我們在做Harness，我們嘗試過不同的模型，會對最后的結果有很大的影響。

前面幾位老師也分享了很多，我個人覺得最近這個自研化特別火，無論是Codex還是Claude Code都是。通過獲取更多人使用的數據，或者得到更多的反饋，這些能夠讓模型的能力持續增強。像劉老師剛才講了Coding很重要，我們在做推理，就是對于那些通過Coding能解決那些問題，如果你的模型Coding能力很強，會很有作用，當然不是所有的問題都是能Coding解決的，有很多問題Coding是完全沒辦法把它通過寫Codeing來解決的，可能需要找其他的一些道路。

王仲遠：您是智能體方面的專家，其實今年上半年整個智能體也非常的火，像可能對很多的觀眾來講，小龍蝦、Hermes都是大家都去嘗試了一把這樣的智能體。

其實我今天圓桌的開場詞就是我的智能體寫的，對于理工男來講這簡直是一個福音，幫我極大的提升了效率，我也很想聽聽您對智能體現在整個技術和方向的看法，也就是哪一些問題和技術是現在智能體里面最為關注的？

安波：我覺得智能體還在起步的階段未來還有很長的路要走，現在很多智能體還在通用階段，我覺得未來更大的潛力可能是真正落到工業界那些垂直領域，解決大家都特別在乎的問題。

舉個例子，今天智源也發布了一些醫學的東西，比如哪一天能攻克艾滋病、癌癥。我覺得還有很長的路要走。至于智能體中間有很多步驟，比如很多個各類組件（component），比如現在可能大家比較火的，還是會去找context及內容在智能體內部，無論是做編排，這些我覺得還是最核心的部分。

當然還有一些其他的基本架構要維持整個智能體往前面走，我覺得目前最重要可能還是上下文工程相關的，包括memory、編排，復雜的編排能夠在智能體求解的過程能夠動態的進行編排，還有很多新的架構，通信等這樣的一些事情，我覺得這個應該是目前大家都比較關心的問題。

三、AI自進化不等于閉門造車，未來世界模型一定會走向通用

王仲遠：隨著基座模型以及智能體技術的發展，自進化開始成為非常熱門的話題，Anthropic一周前發了一篇長博客叫做當AI構建自己，其中提到了遞歸自我改進Recursive Self-Improvement，像RSI這樣技術，有望實現AI系統能夠全自動的設計并且研發。

那從自動寫代碼到自動優化模型生成數據完成實驗，AI開始逐步進入到AI構建AI，我也很想聽聽各位怎么看待AI的自進化，尤其福莉你剛才也提到了自進化，你觀察到了一些什么樣的趨勢嗎？

羅福莉：坦誠來講上一代，尤其在去年我覺得頂尖的模型，可能我們認為它的能力上限可能是在做非常好的執行，尤其當我們的指令非常清晰的時候它執行是非常完美的。

但是到今天我們發現頂尖模型已經從執行外延到去解決一些抽象型的問題，比如說我們拿一個完整的科研歷程舉例，從提出假設到去設計實驗，再到去真正執行動手做實驗、去驗證設計合理的觀測指標、去驗證這個實驗的合理性，然后最后一步可能是你需要跟同行進行很密切的交流，大家充分共享自己的研究，然后再去polish整個假設或者idea，這是一個很完整的研究loop。

我們現在已經能看到大模型已經從我們剛剛說的第四層執行這一層能力，慢慢外延到能夠去設計合理的驗證指標，去驗證自己執行結果的準確性，然后能夠去plan實驗的整個流程。

然后可能現在唯一，模型還相對來說距離頂尖的研究員有差距的地方是提出假設，或者說提出有驗證性的、提出可值得去實驗的問題，這可能再某種程度上是一種研究的taste或者說是一種研究的判斷，以及怎么在后續的過程中去根據比較早期的結果去及時停止一些沒有意義的研究。這可能是我覺得現在我能看到頂尖模型跟頂尖的研究員中間的差距。

但是這個差距現在目前正在被更強的模型疊加一套更好的Recursive Self Improvement，這樣一套 agent的系統，慢慢的外延擴到這些邊界上。所以我自己也很興奮，身處這樣一個時代，看到這樣一個歷程的發生。

王仲遠：謝謝福莉，我想問一下劉老師，您應該也連續兩年在智源大會上參與了關于智能體的論壇。您怎么看待現在智能體以及AI創造AI、自進化？

劉知遠：這件事情其實我最近這一年也非常的關注，我覺得從兩個角度來說，第一個我覺得還是應該從整個科技發展的角度，我覺得這個節點其實非常關鍵。

原因是在于我們可以把我們即將要迎來的智能革命，把它類比歷史上的工業革命，那么工業革命核心的發展，其實就是用機器來替代人的重復體力勞動。

它發展到極致，其實就是用機器制造機器，也就是說連機器制造本身，我們都已經不需要人的體力參與其中了。所以我們就可以設想，所謂的智能革命其實就是要用AI來替代人的機械的、重復的腦力勞動。

從這個角度來講，其實用AI制造AI是一定會發生的事情，是人工智能發展到高級狀態的標志，所以從這個角度我們就可以非常清晰的看到AI發展的變革浪潮會快速到來。因為你會看到工業革命大概是花了幾百年的時間，才達成了用機器制造機器。其實我們現在用AI制造AI，距離大模型出現其實也不過就是六七年的時間，我覺得這個速度其實是值得我們特別關注的。

當然本身用AI制造AI啊，其實我們就是要去看，隨著AI技術本身的提升，我們對如何制造AI這件事情可能也需要去定義，它都有哪些好的研究課題，然后我們去進行相應的探索和突破啊，這個是我說的兩點。

▲面壁智能聯合創始人兼首席科學家、清華大學教授劉知遠

王仲遠：謝謝劉老師，你剛才提了一個很好的類比，就是說AI開始處理人類大腦里重復的一些思考，但我其實很想追問，就是我們講AI create AI看起來是很確定性的事情，但是有沒有可能AI improve AI？您覺得現在有看到這種趨勢嗎？

劉知遠：當然，我理解Anthropic所謂的recursive，顯然最外層應該是人，就是要由我們人來驅動AI來制造AI。

那當我們把AI制造AI已經做好了，那如何去制造AI制造AI的AI呢？那這件事情我們有沒有可能再進一步的讓它自動化，這個我理解是recursive最核心的思想。

那么recursive的最外層，我理解還是要由人來驅動，到底制造什么樣的AI如何去服務社會，我覺得人作為這個社會的主體，他的主體性、主觀能動性，是整個AI制造AI最核心的驅動，我覺得這個應該是人和AI之間的相互關系。

王仲遠：我想追問一下安老師，您相不相信AI能改進AI？

安波：肯定的。這個問題跟自演化有極大的相似性。我個人覺得，在AI能力還比較弱的時候，自演化這個套路要能夠行得通，一個很重要的前提是它不能完全在封閉的環境里。

比如說像Copilot或Codex，他們用了很多自己員工寫代碼、AI寫代碼的數據，或者從外部獲得很多反饋。

如果完全封閉地搞數據飛輪，我覺得很難行得通，尤其是在AI比較弱的時候。所以這個說法可能有時會讓人們理解不清楚，產生錯誤印象，不知道自演化到底意味著什么。

至于劉老師后面講到的，可能跟最近有人認為AI已經有了些自我意識有關，我知道美國和國際上很多前沿實驗室最近都在招研究心理學的人，研究AI自我意識等問題，但我覺得目前肯定還沒到那個階段。

▲南洋理工大學校長講席教授、人工智能交叉研究院院長安波

王仲遠：好的。一方面我們確實看到大語言模型和AI編程進步非常快。但整個物理世界還是多模態，乃至全模態的，除了文字還有圖像、聲音、時間、空間等。

剛才朱老師也提到世界模型。生數科技在做視頻生成類的模型，這也是一類現在經常被描述為“世界模型”的模型。所以也想聽聽朱老師對多模態世界模型的看法，它是不是實現更廣泛智能的另一條路徑？

朱軍：結合剛才幾位老師的觀點，我覺得有一個點特別重要：遞歸或演化的過程，從信息熵的角度看，一定需要有額外的輸入進去。

除非一種情況，系統本身的東西還沒學完，比如文本或視頻數據，互聯網上雖然有那么多，但可能之前沒有用好或用全，那么在這種情況下，在里面不斷提升，還是能看到很大的進步。

如果我們看物理世界，它本身是一個完全開環的系統，和固定的數據集不是一種概念。現在大家這個階段的做法是，由于很多場景還沒有數字化，大家花很多功夫去采集數據。

從長遠看，在世界模型這個方向上，在線學習、自主演化等問題會更加復雜，也更有想象力。有很多場景，剛才福莉總也說了，現在做AI基本都會有一個清晰的目標，讓系統自己去優化。但在復雜的開放場景里，很多時候并沒有清晰或單一的目標，優化的東西可能是多維度的。

一種解法是，針對特定問題、特定場景，把它細化、清晰化，然后去做。這在大模型出來之前，是機器學習、AI里基本的范式——定一個清晰的邊界，把問題明確化，用專有數據來做。

那今天更有效的方式可能還是用基礎模型的方式：先構建一個通用的基模，能夠學到60%左右，保守一點，剛開始能做到60%，但大家不要期望太高。如果第一步能做到，可能很快就爬到第二步，做到70%、80%，再往上scale up。

在物理世界里，我們有更多的本體和數據，可以幫助我們在這個基礎上繼續激活和提升模型能力，同時物理世界里的智能體也會在這個過程中不斷演化和發育。這是一個大的環境。

大概2020年的時候，我們在做一個方向的規劃，當時就說要構建一個可演化、可進化的發育環境，把“物理智能”這個概念畫出來了。在這樣一個環境中，智能體可以進去學習，學習過程也不是完全封閉的，還可以走出來和真實世界交互，交互過程中得到反饋，再回到底座環境上。

今天大家所說的世界模型，某種程度上就是在實現這種想法。當然，我覺得未來的世界模型一定是一個通用的世界模型，有點像transformer作為通用基座那樣。

四、世界模型效率仍有提升空間，長上下文成難點

王仲遠：我們講畫龍要點睛。今天這場圓桌的主題是“重構世界”，剛才討論中也看到了幾種重構世界的可能性。一種是在數字世界，因為AI基模能力不斷提升，AI coding有可能重構整個數字世界，然后AI自己自進化，重構完數字世界后破繭而出進入物理世界。

另一種是從物理世界重新思考基模怎么建設，收集更多數據。請教各位老師，怎么看待重構世界最有可能的路徑？哪一條可能更快或更能改變世界？

羅福莉：我目前看到，語言模型和世界模型確實在并駕齊驅地往前走。現階段語言模型走得更快一些，因為我們能更好地從數字世界還原出智能誕生的環境。

在這個環境里，我們用一套能夠驅動模型發揮更高上限的agent系統，疊加模型，讓它在環境里自由探索，設計更精準的獎勵體系來激勵自我提升。這條路徑在數字世界里，是當前正在發生、正在scaling的主要路徑。

而在世界模型上，我們還處于比較早期的探索。我自己關注世界模型，首先關注它能不能創造一個非常高效的世界模擬器，效率是非常關鍵的事情。我還沒有看到一個在長上下文場景實現高效率的視頻生成模型誕生。

如果有一個這樣高效的重構世界的生成器，我們可以在這個基礎上疊加一套能觸達現實復雜任務的腳手架式的agent系統，再去scaling整個范式。我覺得這是語言模型和世界模型在大的層面上會互通的一點。目前看起來，語言模型會先在這條路徑上探索得更清楚。

王仲遠：朱老師，您認同福莉的觀點嗎？

朱軍：我同意剛才講的，語言模型整體上給其他大模型很多啟發，因為它是最早也最成熟的一類驗證了可擴展性的模型。緊追語言模型之后的是視頻模型，再到今天大家都在討論的世界模型。

后兩者關系非常緊密，有幾個原因：從做世界模型的目標來看，它基本上要具備三個能力——看懂、理解狀態，預測和想象，以及規劃并執行行動，這三者缺一不可。

從做模型的角度，我們需要數據和架構。現在能做大模型的數據里，和世界模型最相關的就是視頻數據。它最容易、最方便，而且最大量地記錄著我們的世界。比如我們看的電影，過去是演員先演，它本身是個物理世界，然后再記錄下來。

現在采集數據也基本采用視頻方式。這里面有大量關于物理世界的信息。視頻模型正在嘗試做這件事，過去能看到它在復雜提示理解和內容生成上已經做得很好。再往前走，就是把動作更多地引入進來。

這條線現在越來越成為共識，大家在架構上也不斷優化。包括剛才提到效率，世界模型比語言模型或其他模型在推理效率上可能會有一些挑戰，但如果按每個token來看，說不定效率并不低。只是我們渲染給人看的時候，要把像素渲染出來，token很多。

但對機器來說，如果只關心它完成工作，它并不需要把像素渲染出來，只需要在內在模型里思考、規劃動作，然后端到端輸出動作就行了。這方面還有很多提升效率的空間。

現在最高優先級的事情，還是先把智能的上限推上去。當達到較高智能的時候，有很多手段可以把它做小，比如做成特定的策略模型等，都可以部署。整體來看，世界模型本身的可擴展性復雜性更高一些，也相對更早期，但未來非常可期。

五、給年輕人的建議：保持好奇心，比焦慮更重要

王仲遠：因為時間關系，我們問最后一個問題。我想聊聊年輕人。

一方面，我們看到越來越多優秀的年輕人站上了AI最前沿的舞臺。比如羅福莉本人就非常年輕，是優秀AI青年科學家的代表。近期如果大家關注新聞的話，也會注意到，智源研究院迎來了一位22歲的青年科學家陳博遠，擔任行為世界模型創新中心負責人。另一方面，也有很多年輕人感到焦慮。AI發展速度太快，要學習的東西太多，世界變化也太快。很多傳統技能和職業都在發生變化。

所以我想請幾位嘉賓給年輕人一些建議。同時，智源研究院一直倡導青年人挑大梁，也在努力為年輕人提供展示和成長的平臺。也歡迎各位給智源研究院一些建議。先從羅福莉開始。

羅福莉：這個建議需要很慎重。我自己的感受是，大模型和AGI的發展速度實在太快了，快到連我們這些從業者都會感到震撼。在這樣的時代里，人和大模型之間究竟應該發揮怎樣的優勢，其實大家都還在探索。

但我發現有一個特質始終沒有變化，那就是人的探索欲和好奇心。如果讓我給年輕人一個建議，那就是保持探索欲和好奇心。同時，盡可能深入地使用最新的大模型。

在這個過程中，你會經歷大量試錯。而正是在不斷試錯的過程中，你會逐漸形成自己的判斷力，以及某種程度上的審美和品味，無論是研究品味還是產品品味。我覺得這可能是當下年輕人成長過程中最重要的一件事。

王仲遠：謝謝羅福莉。朱老師。

朱軍：這個問題我其實思考得比較多。這兩年我一直參與清華大學無穹書院AI本科生培養工作，經常會面對類似的問題。現在這個時代，技術發展確實太快了，幾乎每天都在變化。不僅學生會有壓力，其實所有從業者都會有同樣的感受。就像剛才提到的Fable 5，兩天前剛剛發布，很多人甚至還沒有來得及充分體驗。

所以我非常理解學生們的焦慮：技術進步這么快，我該怎么競爭？怎么學習？但我覺得，在這樣的大變革時期，更重要的是找到自己的根基。只有把根基打牢，在時代變化的時候，你才有足夠的競爭力。在無穹書院，我們一直強調打造AI Native的成長環境，希望學生從第一天起就擁抱AI，讓AI成為學習和成長過程中的伙伴。

但即便如此，不同學生的感受也完全不同。有些學生如魚得水，成長得特別快；有些學生則會擔心，大家效率都提高了，自己還能不能跟上。其實回過頭來看，每個人都一樣。如果你感到焦慮，也不用太焦慮，因為你身邊的人可能比你更焦慮。最重要的是積極擁抱這個時代，積極使用AI。

包括今天坐在這里，我也在學習。我們給學生上課，也需要不斷更新自己的知識體系，才能跟上時代的發展。

王仲遠：謝謝朱老師。劉老師。

劉知遠：過去十年我帶了很多研究生。如果讓我總結的話，我想給年輕人三點建議。

第一，敢為人先。AGI也好，未來的智能革命也好，本質上都是尚未發生的事情。真正的大創新，往往來自于別人還沒有做的事情。如果全世界都在做同一件事，那往往已經不是創新了。創新一定意味著走一條沒人走過的路。所以年輕人需要有足夠的視野和認知，在別人還沒有看到的時候，敢于先去做。

舉個簡單的例子。如果所有人都選擇讀博士，你敢不敢做出不同的選擇？就像剛才提到的22歲本科生陳博遠。我覺得面向未來，敢于做出和別人不一樣的選擇，非常重要。

第二，堅持。因為一旦做出不一樣的選擇，你一定會面對質疑、否定和不理解。很多人不會支持你。在這種情況下，你能不能堅持下來，就變得非常關鍵。

第三，不要成為既得利益者。很多人在取得成績之后，會習慣于依賴過去成功的經驗，不愿意相信世界正在發生變化。我覺得真正重要的是，當你已經取得一些成績之后，依然能夠準確判斷未來趨勢，敢于否定自己，敢于嘗試新的方向。

如果讓我給青年同學建議，就是這三點：敢為人先、長期堅持、持續自我革新。

王仲遠：謝謝劉老師。安老師。

安波：這個問題其實很復雜。因為它最終會涉及一個更大的問題——人活著的意義是什么。今天我們討論的大部分內容，其實多少都帶有一些功利色彩。比如畢業之后找到高薪工作，在最熱門的賽道做出成績，獲得認可。如果從這個角度來看，我覺得前面幾位老師已經講得很好了。你要去做重要的事情。去做真正值得做的事情。不要把時間浪費在沒人關心的問題上。

我們看到有些博士畢業生一畢業就拿到千萬年薪，也有人找不到工作。差別往往就在于，你研究的問題是不是重要的問題。所以我覺得，選對賽道、做重要的事情，非常重要。

另外一點。在今天這個時代，學位本身已經沒有那么重要了。如果一個本科生，甚至高中生，能夠進入最前沿的研究機構，連續做三年前沿研究，我認為獲得的成長很可能超過讀一個博士。這個時代已經悄悄發生變化了。學位越來越只是一張紙。

真正重要的是，你會什么，你能創造什么。所以從現實角度來說，我建議年輕人選擇正確的方向，同時保持更大的野心。

還有一點。這個時代變化太快了，你需要找到一群志同道合的人，哪怕只是一個線上的小群體也可以。因為很多問題如果自己琢磨兩三天還沒有進展，就不能再一個人悶頭研究了。你需要交流，需要碰撞，需要一起學習。世界進步得太快，一個人很難跟上所有變化。

王仲遠：非常感謝安老師。其實剛才幾位嘉賓都提到了一點：這個世界變化得太快了。所以我覺得，年輕人也不必過度焦慮。因為在座的各位嘉賓，其實也都有同樣的感受。也許若干年后，當我們回望今天，真正值得被記住的未必是某個模型的發布，或者某項技術的突破。

更重要的，可能是在智源大會這樣的場合，我們能夠聚在一起，討論人工智能最底層、最根本的問題：討論人類如何與AI共同重構未來。希望今天這場“重構世界”巔峰對話，能夠成為通往智能未來的一個新起點。謝謝大家。