出品 | 《態度》

作者 | 袁寧

編輯 | 丁廣勝

剛剛，中國大模型核心玩家在第八屆北京智源大會同臺。

6月12日，在“重構世界——中國大模型巔峰對話”圓桌上，智源研究院院長王仲遠，與清華大學計算機系教授、生數科技創始人朱軍，小米集團 MiMo 負責人羅福莉，清華大學計算機系教授、面壁智能聯合創始人兼首席科學家劉知遠，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等嘉賓同臺，圍繞超級模型能力演進、AI 自進化、智能體、多模態與世界模型等前沿議題展開討論。

這場對話的核心問題非常直接：超級模型能力還能不能繼續漲、智能體是不是下一代入口、AI 能不能自我進化、世界模型如何走向物理世界，以及年輕人該如何面對這場變化。

幾位嘉賓的觀點也相當密集：

羅福莉認為，當前頂尖模型仍然是 scaling 路線上的“中間產物”，參數、數據、合成數據與強化學習等維度都還沒有走到盡頭；同時，語言模型會先于世界模型跑通更多路徑。

朱軍判斷，視頻模型和世界模型仍遠未到達 scaling 邊界，未來物理世界智能的關鍵，在于構建可演化、可交互、可在線學習的環境。

劉知遠提出，代碼大模型的啟示不只是寫代碼能力變強，而是它率先跑通了數字世界中的數據飛輪；“AI 制造 AI”將是智能革命進入高級階段的重要標志。

安波則強調，智能體仍處于早期階段，未來真正的價值會落到垂直行業；而無論是模型自進化還是數據閉環，都不能脫離真實世界反饋。

以下為對話實錄，在AI的輔助下，經不改變原意的編輯：

王仲遠：今年智源大會圓桌對話的主題是“重構世界”。之所以選擇這個主題，是因為我們正站在一個新的歷史臨界點上：人工智能已經不再只是改造行業的工具，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；世界模型、具身智能與機器人，則讓智能從數字世界進一步延伸到物理世界。未來最重要的競爭，可能是誰能夠率先掌握創造智能、駕馭智能，并讓智能作用于現實世界的能力。

因此，“重構世界”不再只是一句口號，而是我們必須共同面對的時代命題。當智能成為生產力、創造力，人類的規則、邊界和想象力都將被重新定義。

在正式開始之前，請各位嘉賓先簡單介紹一下自己，并談談近期最關注的技術問題。

羅福莉：大家好，我是羅福莉，目前負責小米 MiMo 團隊。今天 AI 的發展非常絢爛，很難用一個簡單的詞來概括。就我自己而言，近期比較關注的方向，主要是大模型能力繼續向前演進，以及模型能力在實際系統中的進一步釋放。

朱軍：大家好，我是清華大學朱軍，同時也參與生數科技的工作。我們關注的方向包括視頻模型、世界模型，以及智能如何進一步延伸到物理世界。特別是模型如何理解事件、預測未來，并在物理世界中進行行動，這是我近期非常關注的問題。

劉知遠：大家好，我是清華大學劉知遠，同時也是面壁智能聯合創始人和首席科學家。最近我們比較關注的仍然是大模型的智能應用。隨著大模型的智能密度越來越高、能力越來越強，它能夠支撐越來越多的終端應用和復雜任務，這是我們持續關注的問題。

安波：大家好，我來自南洋理工大學，也在人工智能交叉研究院工作，并參與一些工業界合作。我們最近比較關注的是，在資源受限、成本受限的情況下，如何通過更好的算法和系統設計，讓模型具備更強的推理能力和應用能力。

王仲遠：現在最新模型的能力仍在快速提升。就在兩天前，有公司正式發布了新的高性能模型，在編程能力和智能體能力方面都有大幅躍升。發布案例中提到，一個5000萬行代碼的代碼庫遷移，如果由人類團隊完成需要一個月，而模型一天就能完成。我想請各位談談，如何看待這類最新模型以及 AI Coding 的進展？它依然只是量變勢能的累積，還是已經到了某種正向臨界點？各位也都有在訓練或研究模型，您們是否認為模型能力正在加速提升？

羅福莉：在我看來，當前這些模型仍然是科學 scaling 路徑上的一個中間產物。所謂科學 scaling，至少包含幾個維度：首先是模型參數規模的繼續擴大。我們猜測，目前一些最強模型的參數規模，可能已經達到上一代最大模型的數倍；其次是在預訓練、強化學習等階段，算力投入也有非常大的提升，至少是數量級以上的投入；第三是數據層面的變化。

從 ChatGPT 時代開始，模型訓練數據已經從自然互聯網文本數據，進入到由人和 AI 共同產生的合成數據階段。現在合成數據又走到了一個新的量級。過去我們能夠獲得的文本數據規模有限，而現在 AI 合成數據、交互數據、代碼數據等都在把數據規模推向新臺階。

所以，今天看到的強模型，是在參數規模、數據規模、AI 合成數據，以及強化學習與工具使用結合等多個維度自然外延之后產生的結果。

王仲遠：所以福莉你認為，它依然還是一個中間模型？

羅福莉：是的。我認為按照這條路徑，至少目前看，剛才提到的幾個維度都還沒有停止。因此它還不是終點，而是在這條持續擴展路線上的階段性產物。

王仲遠：小米最近在模型方面做得非常好，也受到很多關注。從你們看到的趨勢來看，模型價值和能力的增長，依然是快速的線性增長，還是某種指數型增長？

羅福莉：我很難精確預估增長曲線。因為我們通常看到，模型能力是以“涌現”的方式出現的。無論在不同實驗路徑還是實際應用中，很多能力都不是平滑增長，而是在某個階段突然表現出來。因此，很難用一個非常刻板的曲線去量化它。

王仲遠：朱老師，您怎么看？特別是您關注視頻模型和世界模型，這些模型的 scaling 邊界到了嗎？還是說通過更多數據、更大模型，依然可以持續提升能力？

朱軍：我自己沒有直接訓練語言模型，所以對剛才提到的語言模型能力，更多是間接觀察。但我看到身邊很多老師和學生在使用這些模型后，確實感受到能力有很大的提升。有人甚至會感嘆，過去覺得自己還可以當老師，現在模型在某些方面已經很像老師了。結合我們自己做視頻模型和世界模型的經驗，我認為 scaling 和數據的作用仍然非常明顯。過去兩年多，視頻模型進展非常快。一開始，大家可能看到的更多是一些有趣的演示，但到今天，在部分專業內容生成場景中，視頻模型已經能夠達到比較接近工業設計和專業制作的標準。

這背后其實也是一條類似的路線：把模型空間做得更細，把數據質量和規模做上去，再通過大規模訓練帶來整體提升。

至于物理世界和世界模型，我認為也仍然有很大空間。只不過物理世界中的任務和場景可能并不總是需要非常精細、完全精準的模擬。在很多場景下，直觀、可用、可行動的模型就已經能夠帶來很大價值。

王仲遠：也就是說，視頻模型和世界模型也還遠沒有到邊界？

朱軍：是的，視頻模型和世界模型仍然在持續擴展過程中，而且潛力還非常大。最近大家關注的一些新模型，雖然仍有一些缺陷或爭議，但從架構實驗和能力表現上看，確實比之前有明顯提升。如果未來能夠擴展到更豐富的試驗平臺，并且更好地利用物理世界數據，我相信這條路線仍然非常重要。今天大家討論的物理數據獲取、數據高效利用，以及如何引入更好的學習機制，其實都還只是剛開始，后面還有很大的探索空間。

王仲遠：劉老師，您怎么看 AI Coding 和最新模型能力提升？

劉知遠：我認為，這類進展首先體現了可持續 scaling 的力量。它背后的邏輯，是找到了一條可持續的數據飛輪。例如，圍繞代碼生成，模型可以在全球范圍內收集大量反饋，收集用戶在實際使用代碼生成過程中的數據。這些數據又能夠反過來提升模型，形成一個持續發展的強化收益閉環。這對我們是非常重要的啟示。

第二，代碼本身是數字世界中非常重要的生產力工具。代碼大模型能力的升級，會對所有需要代碼的行業產生影響，比如工業軟件、科學發現等領域。這里面也蘊含著非常重要的創新機會。比如，過去一些被國外公司壟斷的工業軟件，是否有可能通過代碼大模型重寫一遍，形成我們自己的國產化生態？這是值得認真思考的方向。

第三，我認為更有啟示意義的是，代碼大模型之所以能夠快速迭代，是因為代碼任務完全發生在數字世界中，數據容易形成閉環。Cursor 這類產品的成功，就是找到了代碼這樣一個重要的垂直方向，并形成了高質量的數據閉環。

進一步設想，人類專業知識其實也分布在很多特殊領域。任何一個專業領域，只要能夠快速形成類似的數據閉環，都有可能加速 AI 在該行業中的應用。因此，代碼大模型的突破啟示我們：應該創新地尋找更多領域中的數據閉環可能性。

王仲遠：所以您認為，未來仍然會有很多新領域的機會。只要能夠實現 AI 的數據閉環，就可能創造新的價值？

劉知遠：是的，關鍵是找到合適的領域和數據閉環。

王仲遠：安老師，您怎么看模型能力演進和數據閉環？

安波：我覺得前面幾位老師講得都很充分。我的看法是，現在模型能力提升很大程度上來自真實使用數據的積累。無論是代碼模型還是智能體產品，當用戶使用得越多，系統越能獲得反饋，模型也就越有機會進一步提升。但這里面有一點很重要：不能完全在一個封閉環境中自我循環。如果模型能力還比較弱，完全封閉地做自我生成、自我訓練，可能很難真正融合到真實問題中。還是需要外部世界的反饋，包括用戶反饋、客戶反饋、真實任務反饋等。

所以，我認為數據閉環很重要，但這個閉環不能只是模型內部的封閉循環，而要和真實世界發生連接。

王仲遠：今年上半年，智能體非常熱門。很多產品都讓普通用戶嘗試到了智能體的能力。我開場時的一些內容，其實也借助了智能體來寫作和整理。對于一個理工背景的人來說，這確實是一種不一樣的體驗，也提高了知識工作的效率。我想請各位談談，對智能體技術和方向的看法。現在產品中最值得關注的問題和技術是什么？

安波：我認為智能體還處在起步階段，未來還有很長的路要走。現在很多智能體產品，仍然偏通用能力展示。但我認為未來更大的潛力，可能是真正落到工業界和垂直領域，解決大家特別在乎的問題。比如醫療領域，如果有一天智能體能夠幫助攻克艾滋病、癌癥等重大疾病，那將是非常重要的突破。當然，這條路還很長。

從智能體技術來看，中間有很多環節，包括工具調用、任務分解、流程編排等。現在比較核心的部分，還是如何讓智能體在復雜任務求解過程中動態編排、動態運行，并能夠根據反饋不斷調整。同時，也需要很多基礎架構來支撐產品持續向前發展。

目前來看，工程相關的問題非常重要，比如多智能體協作、工作流編排、復雜任務拆解，以及成本和穩定性等問題，都還需要進一步突破。

王仲遠：隨著模型和智能體的發展，AI 自進化也成為一個非常熱門的話題。最近也有機構發布內容，提出要構建自我改進的 AI 系統。類似自我改進、自動研發下一代模型、自動寫代碼、自動優化模型、自動生成數據、自動完成實驗等技術，讓 AI 開始逐步進入“AI 構建 AI”的階段。我想聽聽各位如何看待 AI 的自進化。福莉，你剛才也提到模型自進化，你觀察到什么趨勢？

羅福莉：坦率地說，上一代模型，尤其是去年大多數頂尖模型，我們認為它的能力上限更多是在“執行”。當指令非常清晰時，它能非常好地完成任務。但到今天，我們發現模型已經開始從執行能力外延到解決更抽象的問題。

以一個完整的科研流程為例，它包括提出假設、設計實驗、真正執行實驗、設計合理的觀測指標、驗證實驗結果的合理性，最后還需要與同行交流，充分共享研究，再進一步獲取新的假設或想法。這是一個完整的研究循環。

現在我們已經能看到，大模型正在從“執行”這一層，逐步外延到能夠設計合理的驗證指標，驗證自己執行結果的準確性，并且能夠規劃實驗流程。

目前模型和頂尖研究員之間的差距，我認為主要還在于提出假設，或者說提出值得驗證、值得實驗的問題。這背后涉及研究品味、研究判斷，以及根據早期結果及時停止沒有意義的研究的能力。

但這個差距正在被更強的模型，以及更好的實驗系統慢慢逼近。所以我覺得，身處這個時代，看到這個過程發生，是非常令人興奮的。

王仲遠：劉老師，您怎么看 AI 自進化？您們連續兩年在大會上也都有關于智能體的觀察。

劉知遠：這件事我最近一年非常關注。我想從科技發展的角度談。我們即將迎來的智能革命，可以和歷史上的工業革命進行對比。工業革命的核心，是機器替代人的重復體力勞動。而工業革命進一步發展的標志，是機器能夠制造機器，也就是說連機器制造本身都不再完全需要人的參與。

那么智能革命的核心，就是用 AI 替代人的機械性、重復性的腦力勞動。從這個角度來看，用 AI 制造 AI 是一定會發生的事情，也是人工智能發展到高級階段的標志。

工業革命用了幾百年時間，才走到用機器制造機器。而從大模型出現到今天，時間其實并不長。因此，這一輪智能革命的速度非常值得關注。

當然，AI 制造 AI 本身還需要很多研究課題。隨著 AI 技術不斷提升，我們也需要進一步明確其中有哪些關鍵問題，并對這些問題進行探索和突破。

王仲遠：剛才您提到一個很好的類比：AI 開始處理人類大腦中重復性的思考能力。我們說“AI for AI”，看起來是確定會發生的事情。那么有沒有可能進一步發展到 AI 自己決定制造什么樣的 AI？也就是說，AI 是否可能在更高層面上驅動 AI？

劉知遠：我理解，所有科技系統最外層的目標和方向，仍然應該由人來驅動。當我們把“AI 制造 AI”做好之后，如何決定制造什么樣的 AI、如何讓 AI 服務社會，這些最核心的目標仍然應當由人來決定。

人作為社會主體，其主體性和主觀能動性，仍然是整個技術發展的核心驅動力。AI 與 AI 之間可以形成制造和優化關系，但最外層的價值判斷和方向選擇，我認為仍然應由人來驅動。

王仲遠：安老師，您是否相信 AI 自進化？

安波：這個問題和前面講的數據閉環有相似之處。我個人認為，在 AI 能力還比較弱的時候，完全封閉的自進化很難成立。如果 AI 只是在一個封閉環境里自我生成、自我訓練、自我強化，可能會出現問題。真正有效的路徑，還是需要外部反饋。比如 Cursor 等產品，背后也用了大量來自員工、客戶和真實用戶的數據反饋。

所以，完全封閉地搞數據和自進化，我認為不一定能夠真正融合到真實問題中。AI 自進化可以發生，但它不能脫離真實世界的反饋。

王仲遠：我們看到，大模型和 AI Coding 的進步很快。但現實的物理世界是多模態、全模態的，除了文字之外，還有聲音、時間、空間等維度。朱老師剛才也提到了世界模型。像視頻生成類模型，現在也經常被用“世界模型”來表達。我想請朱老師談談，對多模態、視頻模型和世界模型的看法。它是不是實現更廣泛智能的另一條重要路徑？

朱軍：從信息流的角度來看，AI 研發和智能提升一定需要額外的信息進入系統。一種情況是，系統內部的知識還沒有學完。比如語言、圖像、視頻等數據，互聯網上已經有很多，但我們還沒有完全用好。在這種情況下，通過繼續利用這些數據，仍然可以看到很大進步。

但如果放到物理世界中，情況會復雜得多。物理世界本身是開放的，不是一個固定數據集。很多場景還沒有被充分數字化，我們也沒有把數據完全準備好。因此，要進入物理世界，就必須花很多功夫采集數據、構建環境。

從長遠來看，我認為物理世界中的智能發展，會涉及在線學習、制度演化、環境演化等問題。這會比純數字世界更加復雜，也更有想象力。

在很多開放場景中，我們并沒有一個清晰、單一的優化目標。過去傳統人工智能的做法，是定義清晰邊界，把問題明確化，再用專有數據訓練。今天更有效的方式，可能是先構建一個通用基模型，讓它學到60% 的能力。大家不要一開始期望太高，但如果第一步能做到60%，很快就可能到70%、80%，然后再通過真實物理世界中的實驗和交互繼續提升。

我們在2020年做方向規劃時，就提出過“物理智能化”的想法。當時我們設想，要構建一個可演化、可進化、可發育的環境，讓智能體進入其中學習。這個學習過程也不應該是完全封閉的，它還可以走出來，與真實世界交互，再讓模擬環境不斷更新。

今天大家討論的世界模型，在某種程度上就是在實現這樣的想法。未來它不一定是一條完全通用的路線，更可能是在不同場景下形成不同的模型和系統。關鍵是要把模擬、交互、學習和真實世界反饋結合起來。

王仲遠：今天這場圓桌的主題是“重構世界”。剛才我們討論中也看到很多可能性：在數字世界中，因為 AI 基礎能力不斷提升，AI Coding 等技術正在重構數字世界；AI 自進化可能進一步重構數字世界；而另一條路徑，是 AI 破繭而出進入物理世界，或者我們從物理世界出發，重新思考模型如何建設，如何收集更多數據。請各位談談，您們怎么看重構世界最有可能的路徑？自己更相信哪一條更快、更能夠改變世界？

羅福莉：我目前看到的，是語言模型和世界模型大概率會繼續往前走。現階段語言模型走得更快一些，因為我們能夠更好地從數字世界中還原智能誕生的環境。在這樣的環境中，可以構造比較好的系統來驅動模型發揮更高上限，并通過獎勵機制激勵模型自我提升。這條路徑在數字世界中已經正在發生，也是一條主要路徑。

但在世界模型上，我認為目前仍處在較早期探索階段。我比較關注的是，世界模型是否能夠首先創造一個非常高效的世界模擬器。效率是其中非常關鍵的問題。

如果未來能夠有一個高效的生成器，從視頻角度重構整個世界，那么我們就可以在這個生成器基礎上，再疊加一套能夠觸達現實生活中更復雜任務的腳手架系統。語言模型和世界模型，未來有可能在這個層面上互通。

但目前看，語言模型會先行，路徑也探索得更清楚。世界模型則還需要解決基礎架構、高效模型、真實世界獎勵系統，以及如何在這套系統中進行強化學習等問題。

朱軍：我同意剛才的判斷。語言模型整體上對其他方向有很多啟發，因為它是最早、也最成熟的一類基礎模型。如果看視頻模型和世界模型，我認為二者關系非常緊密。世界模型的目標大致包括幾個方面：理解當前狀態，預測和想象未來，以及基于這些理解去行動。

從建模角度看，我們需要數據和架構。而今天與世界最相關、最容易獲得、規模最大的數據，很大程度上就是視頻數據。視頻記錄了大量關于世界的信息。例如電影，過去是演員先在物理世界中表演，然后被記錄下來；現在視頻生成模型則有希望改變這種記錄和生成方式。

視頻模型已經在復雜理解和內容生成方面展現出能力。繼續往前走，它可以給世界模型提供更多基礎能力。

當然，視頻模型和語言模型的效率還不能直接類比。視頻生成看起來計算量很大，因為要把像素渲染出來；但對于機器智能來說，如果目標不是給人看，而是完成任務，模型未必需要把所有像素都渲染出來。它可能只需要在內部模型中進行思考和推演，最終輸出可用結果即可。

所以這里仍然有很多空間。現在最優先的事情，還是把模型質量推上去。當質量達到較高水平后，再通過各種手段把模型做小，或者做成特定場景的模型和系統，進一步部署到實際應用中。

王仲遠：最后一個問題想聊聊年輕人。一方面，我們看到越來越多優秀年輕人加入 AI 企業和科研前沿，很多青年科學家已經開始承擔重要任務。智源研究院近期也引進了多位青年科學家，讓年輕人挑大梁，給他們展示和成長的平臺。另一方面，很多年輕人也很焦慮。AI 發展太快，要學的東西太多，世界變化也太快。許多傳統技能和職業都在發生變化。請各位嘉賓給青年人一些建議。

羅福莉：我自己的建議很簡單：保持探索欲和好奇心。在當下這個階段，AI 進展實在太快了。我們每個人都需要不斷思考，人和 AI 各自應該發揮什么樣的優勢。在這其中，我認為最穩定不變的特質，就是探索欲和好奇心。

所以我給年輕人的建議是：保持好奇心，更極致地使用 AI 和最新的大模型。在這個過程中，需要大量試錯。通過試錯，培養自己獨特的判斷力、審美能力，以及做研究和做事情的品味。這可能是這個時代年輕人比較好的成長路徑。

朱軍：這個問題我在培養學生時也經常思考。現在技術飛速發展，對所有從業者都是一樣的挑戰。很多學生會問：技術進步這么快，我該怎么競爭？該怎么學習？我覺得在大潮變革中，還是要找好自己的位置。

我們在書院培養學生時，希望打造 AI 時代的成長環境，讓學生從第一天開始就積極擁抱 AI，面向未來去突破。對所有年輕人來說，也是一樣的。

如果大家感到焦慮，也不用過分焦慮，因為你身邊的人可能比你更焦慮。關鍵是積極擁抱它、使用它、學習它。其實每個人都在學習，包括我們老師也在不斷更新自己的知識，才能繼續給學生講課。

劉知遠：我帶研究生已有十多年，如果總結給青年同學的建議，我覺得有三點。第一，敢為人先。未來我們要面對很多全新的問題，這些事情還沒有發生，也沒有現成答案。真正大的創新往往不是共識性的。如果全世界都在做一件事，它未必還是真正的創新。真正要做出全新的東西，往往需要反共識，需要在別人還沒有看到、還沒有做起來的時候，就敢于去做。

第二，能夠堅持。當你做出不同選擇時，一定會遭遇質疑、否定和不支持。能不能堅持下來，非常關鍵。

第三，持續自我否定。當你已經做出一定成績后，能不能不躺在過去的成績上，能不能準確認識未來趨勢，并及時否定自己、調整自己、做新的嘗試，也非常重要。

對青年同學而言，我希望這三點能夠有所幫助。

安波：這個問題很復雜，也和更宏觀的人生選擇有關。如果從比較現實的角度看，很多人學習是為了畢業、找工作、進入好的賽道、獲得認可和成績。從這個角度來說，前面幾位老師講得很好：要做重要的事情，而不是只做最火的事情。

我看到一些博士畢業生，有的人很好找工作，有的人卻找不到工作。關鍵不只是學歷，而是你做的問題是否重要，是否在正確的方向上。

所以我認為，選對方向、做重要的問題特別重要。現在學歷本身沒有以前那么重要。你是本科畢業、高中畢業，還是博士畢業，并不是最關鍵的；關鍵是你會什么，能不能在一線真正做出東西。

另外，在今天這個時代，大家都需要共同學習。世界變化太快，你不能只依靠過去的知識體系。要不斷和前沿的人交流，不斷學習新的東西。最重要的是找到正確方向，并真正具備解決問題的能力。

王仲遠：非常感謝各位嘉賓。剛才大家也都談到，整個世界變化太快，所以青年人也不必過度焦慮。因為在座的各位嘉賓，也同樣深感這種變化。也許若干年之后，當我們回望今天，真正值得關注的并不一定是某一次技術發布，或者某一個模型發布，而是在智源大會這樣的平臺上，我們能夠在這個時間點共同討論人工智能最底層、最根本的問題，以及人類如何與 AI 一起重構未來。

希望今天這場“重構世界”的巔峰對話，能夠成為智能未來的一個新的起點。謝謝大家。