AGI-Next｜AI技术范式转变，从聊天到做事

全球AI技术的竞争已经进入下半场！由此带来的是AI技术范式的转变，“从聊天到做事”，驱动范式转变的底层动力是“代码能力，智能体和多模态”技术的日渐成熟。未来AI的竞争，不仅是在算力，数据，模型规模，更核心的是在新架构的革新，自主学习，以及克服语言模型根本性缺陷。本文通过对 AGI NEXT 文稿的再理解，感受前沿技术带来震撼的同时，也理清未来AI技术发展的脉络。

1）AI技术范式的转变-从聊天到做事 2）驱动范式转变的三驾马车-“代码能力，智能体和多模态” 3）未来AI技术竞争的出路在哪里？

微信关注“AI老马啊” —【获取资源】&【进群交流】

1，AI技术范式转变-从聊天到做事

1.1，聊天范式定义和主要解决的问题

聊天技术范式下是以自然语言交互为核心，聚焦于实现人机间流畅、准确的对话响应，本质是基于海量数据和模型拟合，完成信息的理解、生成与传递的技术范式。

举例：

• • 聊天范式：用户问 “天气如何”，AI 返回当地实时天气及预报文本，仅完成信息传递；
• • 做事范式：用户说 “帮我规划下周出差的出行方案”，AI 自动查询出差地天气、预订交通住宿、同步行程至日历，联动第三方工具完成闭环任务。

主要解决的问题：

核心解决 “信息交互与应答” 需求，包括：问答解惑、情感陪伴、内容生成、知识科普、简单对话式助手等场景。本质是在封闭或半封闭信息域内，高效匹配用户的语言表达意图，并返回符合预期的文本结果。

• • 从任务的覆盖度维度，80% 的问题已经被很好的解决，而 20% 的问题需要全新的方法。
• • 从任务的难度维度，聊天型任务准确率从 95% 到 98%，已经很难做了，而且意义不大。

唐杰教授认为：也许在DeepSeek这种范式下，把这种Chat时代基本上差不多算是解决了，也就是说我们做的再好，也许在Chat的问题上可能做到最后跟DeepSeek差不多，或许我们在上面再个性化一点，变成有情感的Chat，或者再复杂一点。但是总的来讲，这个范式可能基本上到这快到头了，剩下更多的反而是工程和技术上的问题。

下面的内容，也许你会找到自己的答案。

1.2，做事，主要解决的问题是什么？

“做事”的技术范式下，是以 “任务闭环落地” 为核心，打破纯文本交互边界，充分利用工具、环境、数据资源，能自主规划、执行、反馈并优化真实世界的任务。

主要解决的问题：

针对聊天范式无法覆盖的复杂场景，解决任务拆解、工具调用、动态调整、结果验证等问题，本质是让 AI 作为 “执行者”，在开放动态的真实环境中，将用户需求转化为实际行动，并自主执行得到结果，而非仅提供文本建议。

所以，唐杰教授认为：从前沿技术研究的角度，聊天已经被解决，光靠堆数据，堆算力已经到了天花板。要在战略层面进行取舍，从聊得更好到做的更多进行转变。

2，驱动范式转变的三驾马车

2.1，代码能力

训练 AI 写代码本质上就是学习逻辑和推理能力的过程。代码作为结构化语言，能倒逼模型建立步骤化思维、因果判断能力，是从 “文本生成” 跨越到 “任务执行” 的核心基础。

AI 写代码的缺陷：

从理论上的代码生成，如片段式函数、基础语法实现，到实际上的工程化代码交付，中间仍存在巨大鸿沟，包括代码可读性、兼容性、鲁棒性不足，无法适配复杂项目架构，缺乏工程化思维。

举例：

用 AI 生成《植物大战僵尸》简易版代码，虽能实现核心玩法框架，但运行中频繁出现 bug，如僵尸路径错乱、植物攻击判定失效、界面卡顿崩溃等，无法达到可交付的产品级标准。

目标：

让 AI 具备完整软件工程能力，不仅能独立撰写符合规范的代码，还能自主调试排障、优化性能、适配项目需求，实现从 “代码生成” 到 “工程交付” 的闭环。

AI 的代码能力还在自我迭代进化的路上～

2.2，智能体

做事和聊天的本质区别：

聊天范式仅提供信息输出，需用户自行转化为操作；而智能体可基于收集到，用户需求、环境数据、工具反馈等信息，自主拆解任务、调用资源、执行操作并反馈结果，实现 “需求输入 - 任务落地” 的全闭环。

举例：

Kimi 智能体模型，可联动文档、浏览器、本地文件等工具，完成 “提取文档关键信息 + 补充网络最新数据 + 生成分析报告” 的连贯任务，体现了智能体的核心特质。

目前智能体仍面临场景适配难题，异常情况处理能力薄弱，比如任务执行中弹出的权限申请弹窗、验证码验证、页面加载异常等非预期场景，均会导致智能体识别中断，无法持续推进任务。

应对方式：

• • 采用 “先搭骨架，再填血肉” 的迭代策略，先构建通用任务规划框架，如任务拆解、工具调用逻辑、异常兜底机制等。
• • 再针对具体场景优化细节，逐个解决弹窗识别、权限适配等具象问题。

目标：

打造能自主履职的 “数字员工”，具备任务规划、资源调度、动态调整的能力，替代人工完成重复性、流程化或复杂协同类任务。

2.3，多模态

感官统合：

多模态赋予 AI 视觉、听觉等人类基础感知能力。打破纯文本交互的局限，让 AI 能理解真实世界的图像、音频、视频等多元信息，为落地真实场景奠定基础。唐杰教授称之为—“感官统合”，2025 年被行业定义为 “多模态适应年”，技术聚焦于解决跨模态对齐、融合后的能力稳定性问题，逐步实现从 “能感知” 到 “精准感知 + 协同推理” 的突破。

核心问题：模型降智

多模态融合过程中普遍存在 “降智” 现象，即单一模态，文本或者图像任务中模型表现优异，但融合多模态信息后，易出现理解偏差、推理能力下降，如结合图像和文本生成描述时，出现内容不匹配、逻辑断裂等问题。

可行的解决方向：

强化跨模态细粒度对齐，优化多模态数据集质量，采用“先分后合”融合策略，引入对齐验证与迭代闭环等方式。

小结： 代码能力是 AI 做事的 “逻辑基石”，智能体是 AI 做事的 “执行载体”，多模态是 AI 做事的 “感知入口”，三者共同构成从聊天范式向做事范式转变的核心驱动力，缺一不可。

3，AI技术竞争的差距

中国 AI 行业看似呈现百花齐放的态势，商业化落地速度快、应用场景丰富，整体保持飞速进步，但从核心技术壁垒、长期竞争力来看，与美国的差距非但没有缩小，反而持续扩大。

两个原因：

原因1：开源的榜单并不能反映全貌

• • 当前行业内的主流开源榜单，如模型跑分、通用能力测评，仅是通用能力的体现，真实场景下表现一般。
• • 开源榜单仅能覆盖开源模型的部分维度，头部企业的闭源模型几乎不参与公开榜单测评，其真实的模型效率、推理精度、多任务协同能力、安全可控性等核心指标，外界无法精准感知。

导致国内行业陷入 “以开源榜单为标杆” 的认知误区，误将开源领域的局部优势等同于整体实力，忽视了闭源赛道的核心差距。所谓的 “假想敌”并非真实技术战场的全貌。

原因2：算力规模和战略分配的差距

• • 从底层算力储备来看，中国与美国的算力差距客观存在，整体处于 10-100 倍的区间。
• • 差距不仅体现在算力总量，更体现在算力分配与战略用途上。美国头部 AI 企业和科研机构，将多余的算力重点投入到下一代前沿技术研究，如 AGI 底层架构、高效训练框架、新型模态融合技术等，聚焦于开辟全新技术赛道、突破现有范式瓶颈；
• • 中国的算力资源，大部分用于商业化产品交付、现有业务需求满足，如垂直场景模型微调、应用落地优化，核心精力仍停留在对现有技术的追赶，而非前沿领域的探索。

一方在主动开辟技术 “无人区”，构建下一代 AI 的核心壁垒；另一方仍在现有赛道内被动追赶，难以形成颠覆性竞争力。

杨植麟提到，“全球诞生领先 AI 公司的概率中，中国仅占 20%，头部话语权仍由美国企业主导。“

所以，在现有聊天范式下，单纯依靠堆数据、堆算力、扩大模型规模的路径已走到尽头，无法突破核心差距！那未来出路在哪里？

4，未来出路 AGI Next

4.1，革新引擎

Transformer 架构核心缺陷：

自注意力机制的计算复杂度与输入序列长度呈平方级 O (N²) 增长，不仅导致长文本处理时算力消耗激增、推理速度下降，还从本质上限制了输入序列的长度上限，无法适配真实场景中大规模上下文的需求。

比如，处理百万级 token 的长文档时，传统 Transformer 模型会因算力过载无法高效运算，即便精简序列也会丢失关键信息；

革新引擎—线性注意力：

线性注意力机制，通过重构注意力计算逻辑，如基于稀疏注意力、滑动窗口注意力、核函数近似等，在保证模型性能不显著下降的前提下，线性注意力机制可将复杂度降至 O (N)，在保留长上下文语义的同时，大幅提升运算效率，适配大篇幅内容处理与复杂任务拆解场景，为 AI 高效处理复杂真实任务提供架构支撑。

4.2，自主学习

自主学习定义：

区别于传统大模型依赖人类投喂的静态标注数据进行离线训练，自主学习强调 AI 像人类一样，通过与动态环境、工具、用户进行实时交互，在 “尝试执行任务 — 获取反馈— 修正策略 — 再次尝试” 的循环中持续迭代优化，形成 “互动 - 反馈 - 学习” 的闭环自适应能力。

从被动喂养到主动觅食：

传统模型如同等待人类投喂食物（静态数据）的幼崽，能力边界受限于投喂内容；自主学习模型则像具备独立觅食能力的个体，可主动探索环境、获取资源、修正行为，能力提升不依赖人工干预，能快速适配真实世界的动态变化。

目标：

打破静态数据依赖，解决真实场景中数据稀缺、环境多变、任务复杂等问题，让 AI 在落地过程中持续进化，逐步具备自主应对未知问题的能力。

4.3，根本性缺陷-“共现频率”

当前所有主流大模型的核心原理均基于 “共现频率”，即通过学习文本中词汇、短语的共现概率来拟合语义和逻辑，这种近似原理存在三大根本性缺陷：

• • 指称缺失，语言符号无法精准对应到真实世界的实体或场景，易出现 “空泛表述”“指代混乱”；
• • 真值缺失，无法判断输出内容的真实性、准确性，易产生幻觉；
• • 因果缺失，仅能捕捉相关性而非因果关系，无法进行严谨逻辑推理和决策。

未来可行出路：

• • 时空一致的多模态语言：将文本与视觉、听觉、空间等多模态信息深度融合，让语言符号与真实世界的时空实体、场景强绑定，解决指称缺失问题，让模型 “懂语境、知实体”。
• • 可控的在线学习：在自主学习框架下，加入动态约束机制（如伦理边界、事实校验、安全规则），防止模型在交互学习中吸收错误信息、偏离伦理轨道，实现 “边学边控、安全进化”。
• • 可验证的推理：构建基于因果逻辑的推理框架，突破相关性拟合局限，让模型能基于事实和规则进行可追溯、可验证的逻辑推理，解决真值与因果缺失问题，提升决策可靠性。

总结：

AI 竞争的下半场，已从 “聊天范式的性能比拼” 转向 “做事范式的核心能力竞争”，本质是新架构（如线性注意力）、新范式（如自主学习）、AI 底层理论（突破共现频率局限）的深层竞争，而非单纯的算力、数据堆砌。

最后引用张钹院士，令人深思的问题作为结尾。

“人类本身存在认知偏差、伦理瑕疵、信息误差等不完美特质，而当前大模型的对齐目标多为人类反馈，即对齐人类的不完美，这从根源上限制了模型的上限，也会继承人类的缺陷？！”。

回答： AI 发展最难的事情并非通过技术手段约束机器行为，而是建立完善的治理体系，约束、规范创造和使用 AI 的人 —— 只有明确人类在 AI 研发、应用中的责任边界、伦理准则、行为规范，才能让 AI 在安全可控的前提下，真正服务于真实世界。

那你的回答那？欢迎在评论区给出你的回答。