近日，清華大學教授唐杰在社交媒體上分享了他對人工智能領域發展的最新思考，這些觀點引發了行業內外的廣泛關注。唐杰教授的分享涵蓋多個關鍵議題，為AI技術的研究方向和應用路徑提供了新的視角。
在基礎模型擴展方面，唐杰指出，預訓練技術已使大型模型掌握世界常識并具備初步推理能力。通過增加數據量、擴大參數規模和提升計算飽和度，仍是提升基礎模型性能的最有效途徑。這一觀點與當前行業主流技術路線高度契合，為模型優化提供了明確方向。
針對模型的實際應用能力，唐杰強調了長尾能力對齊和推理增強的必要性。他觀察到，現有通用基準測試可能導致模型過度擬合，而真實場景中需要模型快速適應多樣化需求。通過中期和后期訓練技術，可以顯著提升模型在特定場景下的表現，這為解決模型落地難題提供了新思路。
智能體（Agent）技術的發展被視為AI進入真實世界的關鍵標志。唐杰比喻道，沒有Agent能力的大模型就像只積累知識而不實踐的學者。當前模型已能將Agent數據直接融入訓練過程，但不同環境間的泛化遷移仍是主要挑戰。增加多樣化環境數據和強化學習訓練成為突破瓶頸的主要方法。
記憶機制的實現被認定為模型應用的核心能力。唐杰借鑒人類記憶的分層結構，提出大模型需要發展短期、中期、長期和歷史記憶能力。當前技術路徑包括上下文記憶、檢索增強生成和參數調整，但如何實現知識迭代和參數更新仍是待解難題。支持長上下文的模型架構可能成為解決方案。
在線學習和自我評估機制的建設被視為下一代模型的關鍵特征。唐杰批評了當前定時重新訓練的模式，指出其存在無法自我迭代和浪費交互數據等問題。他提出，構建自我評估體系是實現在線學習的前提，這可能成為新的技術擴展范式，涉及持續學習、實時學習和在線學習等方向。
在應用開發層面，唐杰強調AI應直接替代人類工作而非創造新應用。他預測，2025年將成為AI替代多種工種的爆發年，當前聊天機器人已部分取代搜索引擎并融入情感交互功能。這種應用導向的思維正在重塑AI產品的開發邏輯。
對于多模態和具身智能的發展，唐杰持謹慎樂觀態度。他認為多模態技術雖前景廣闊，但當前對提升通用AI能力上限的作用有限，建議文本、多模態生成等方向分開發展。具身智能面臨數據獲取和機器人硬件穩定性等挑戰，但數據規模擴大后可能形成技術壁壘，預計2026年將取得實質性進展。
關于領域專用模型，唐杰直言這是"偽命題"。他認為隨著通用AI的發展，領域知識終將融入主模型。當前領域模型的存在更多是企業構建技術護城河的策略，但最終將被AI浪潮席卷。AI應用應聚焦于替代或輔助人類工作，創造實際價值，而非開發無人使用的工具。
