<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
	<channel>
		<title>AI前沿 on 灵语AI</title>
		<link>https://lingyu7.com/categories/ai%E5%89%8D%E6%B2%BF/</link>
		<description>Recent content in AI前沿 on 灵语AI</description>
		<generator>Hugo</generator>
		<language>zh-CN</language>
		
		
		
		
			<lastBuildDate>Tue, 13 Oct 2026 18:30:00 +0800</lastBuildDate>
		
			<atom:link href="https://lingyu7.com/categories/ai%E5%89%8D%E6%B2%BF/index.xml" rel="self" type="application/rss+xml" />
			<item>
				<title>一千个AI同时干活，为什么最强模型组队也只完成了一半任务？——多智能体协作的&#39;能用&#39;和&#39;好用&#39;之间，隔着一整条认知鸿沟</title>
				<link>https://lingyu7.com/posts/multi-agent-ai-collaboration-gap-2026/</link>
				<pubDate>Tue, 13 Oct 2026 18:30:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/multi-agent-ai-collaboration-gap-2026/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;想象一个场景：你是一个包工头，手下有1000个工人。按理说，人多力量大，什么工程都该手到擒来。但实际干起来你发现——木工等瓦工交材料，瓦工找不到图纸，电工干了一半以为别人接了手，最后整栋楼盖完了，楼梯却少了一截。&lt;/p&gt;&#xA;&lt;p&gt;这不是建筑工地的笑话，这是2026年10月，AI多智能体系统正在经历的真实困境。&lt;/p&gt;&#xA;&lt;p&gt;就在这一周，两件看似矛盾的事情同时发生：Anthropic宣布Claude的动态工作流（Dynamic Workflows）可以同时调度1000个AI Agent协作完成任务；另一边的学术评测中，最强的AI模型组队之后，任务完成率也只有52%。&lt;/p&gt;&#xA;&lt;p&gt;一边是工程上的狂飙突进，一边是认知上的捉襟见肘。多智能体AI协作，正站在&amp;quot;能用&amp;quot;和&amp;quot;好用&amp;quot;的分水岭上。&lt;/p&gt;&#xA;&lt;h2 id=&#34;工程突破一千个ai同时干活的现实&#34;&gt;工程突破：一千个AI同时干活的现实&lt;/h2&gt;&#xA;&lt;p&gt;10月9日，Anthropic正式开放了Claude Managed Agents的动态工作流公测。&lt;/p&gt;&#xA;&lt;p&gt;这项功能的核心很简单：一个&amp;quot;主Agent&amp;quot;接到复杂任务后，自己写一份分工方案，把任务拆成多个阶段，分配给不同的子Agent并行执行，最后汇总结果。整个过程不需要人类手动编排每一步——AI自己决定怎么分活。&lt;/p&gt;&#xA;&lt;p&gt;规模是第一个亮点。单个工作流最多可以同时运行64个Agent，整个生命周期内可以启动多达1000个Agent，每个工作流最长运行24小时，单个会话可以同时保持10个工作流。&lt;/p&gt;&#xA;&lt;p&gt;Anthropic公布了一组内部测试数据：在一段11.6万行代码中预埋了70个Bug，让单个Agent跑三次，最好的一次找出27个；换成动态工作流跑三次，每次都稳定在66个。&lt;/p&gt;&#xA;&lt;p&gt;这个数字差距说明了一个很朴素的道理——就像让一个人校对整个图书馆的书，注意力会漂移、遗漏会累积；但如果把书架分给不同的校对员各自负责，再由一个编辑汇总发现，效果就是不一样。&lt;/p&gt;&#xA;&lt;p&gt;这不是一个理论模型。动态工作流已经从Claude Code的本地功能走向了云端托管服务，意味着任何接入API的开发者都可以让自己的应用拥有&amp;quot;派活&amp;quot;的能力。审查几百份合同的法律事务所、需要做安全审计的工程团队、研究大量文献的学术机构——这些场景天然适合把工作拆成可以并行处理的碎片。&lt;/p&gt;&#xA;&lt;h2 id=&#34;但现实没那么简单最强模型组队也只完成了一半&#34;&gt;但现实没那么简单：最强模型组队也只完成了一半&lt;/h2&gt;&#xA;&lt;p&gt;就在Anthropic宣布的前一天，一篇来自OpenAgents、哥伦比亚大学、宾夕法尼亚大学、首尔大学和宾夕法尼亚州立大学的联合论文，泼了一盆冷水。&lt;/p&gt;&#xA;&lt;p&gt;他们构建了一个叫AgentWorld的评测基准——本质上就是让多个AI Agent进入一个&amp;quot;角色扮演游戏&amp;quot;世界，在同一个环境里分工、沟通、共享资源，共同完成任务。&lt;/p&gt;&#xA;&lt;p&gt;举个例子：要制作一根魔法杖。伐木工采集木材，木工加工成木棒，法师用木棒和材料完成制作。听起来简单得像童话故事，但真正执行起来，每一步交接都可能出问题：木材该交给谁？木棒准备好了吗？队友已经完成的步骤还要不要重复？任务没做完时，有没有人提前宣布&amp;quot;收工&amp;quot;？&lt;/p&gt;&#xA;&lt;p&gt;测试结果并不好看。Gemini 3 Flash的成功率52%，Claude Haiku 4.5是45%，GPT-5 Mini是36%，DeepSeek R1-70B只有20%。而且，&amp;ldquo;做到一半&amp;quot;和&amp;quot;真正做完&amp;quot;之间有巨大的鸿沟——Gemini 3 Flash的部分成功率有71.5%，但完整完成率只有52%。团队推进了一些中间目标，但最终的资源交接和制作步骤往往功亏一篑。&lt;/p&gt;&#xA;&lt;p&gt;更反直觉的发现是：聊天多不等于协作好。GPT-5 Mini平均每个任务发送44条消息，成功率36%；Gemini 3 Flash只发了11条，成功率却是52%。消息数量无法替代协作质量——关键不在于说了多少，而在于说的话是否更新了有效信息、是否消除了分工歧义、接收方是否据此采取了行动。&lt;/p&gt;&#xA;&lt;h2 id=&#34;矛盾背后的真相协作不是能力的简单叠加&#34;&gt;矛盾背后的真相：协作不是能力的简单叠加&lt;/h2&gt;&#xA;&lt;p&gt;把这两组结果放在一起，很多人会困惑：为什么一边是1000个Agent稳定找到66个Bug，另一边最强模型组队也才52%？&lt;/p&gt;&#xA;&lt;p&gt;答案藏在任务的&amp;quot;结构&amp;quot;里。&lt;/p&gt;&#xA;&lt;p&gt;Bug查找是一种高度可并行的任务——代码库的不同区域互相独立，每个Agent检查自己负责的那一块就行，最后汇总去重。这就像让100个人各读一本书的不同章节，然后拼出摘要，分工越细越高效。&lt;/p&gt;&#xA;&lt;p&gt;但AgentWorld里的任务更像是一群人造一艘船——伐木工做完木材必须交给木工，木工做完部件必须交给组装工，每一步都有严格的前后依赖关系，信息必须在正确的时间点流向正确的角色。这种任务，人多不一定力量大，反而可能因为协调成本的指数级增长而崩盘。&lt;/p&gt;&#xA;&lt;p&gt;这引出了一个关键洞察：&lt;strong&gt;多智能体协作的难度不取决于单个Agent有多聪明，而取决于任务结构是否&amp;quot;可分&amp;rdquo;。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;h2 id=&#34;聪明的分工感知知道什么时候该合作&#34;&gt;聪明的&amp;quot;分工感知&amp;quot;：知道什么时候该合作&lt;/h2&gt;&#xA;&lt;p&gt;10月9日发表的另一篇论文，提出了一个很有意思的思路。&lt;/p&gt;&#xA;&lt;p&gt;来自学术界的研究者设计了一个&amp;quot;能力感知&amp;quot;（Competence-Aware）的多智能体编排框架。核心想法是：不是所有任务都需要团队合作。如果当前的Agent已经足够强，能独立解决问题，那就让它自己干——额外的协调只会浪费资源。&lt;/p&gt;&#xA;&lt;p&gt;具体来说，系统会先评估当前Agent面对这个问题时的&amp;quot;胜任度&amp;quot;，然后据此决定要不要启动协作、让哪些角色参与、Agent之间怎么通信。对于能力强的模型，这个方法不仅把准确率从87.22%提升到了89.97%，还减少了36.26%的Token消耗——因为不再为简单问题调用不必要的&amp;quot;团队会议&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;这很像一个经验丰富的项目经理：不是所有事情都要开会讨论。简单的事直接安排，复杂的事才拉上相关人坐到一起。知道什么时候不需要协作，本身就是一种协作智慧。&lt;/p&gt;&#xA;&lt;h2 id=&#34;对普通人意味着什么&#34;&gt;对普通人意味着什么&lt;/h2&gt;&#xA;&lt;p&gt;你可能会问：这些和我有什么关系？&lt;/p&gt;&#xA;&lt;p&gt;关系比你想象的大。&lt;/p&gt;&#xA;&lt;p&gt;第一，&lt;strong&gt;AI正在从&amp;quot;一个助手&amp;quot;变成&amp;quot;一支团队&amp;quot;&lt;/strong&gt;。你未来使用的AI工具，可能不再是你和一个聊天窗口对话，而是你告诉AI一个目标，它自己组建一个小团队分头去做。审查合同、分析数据、整理资料——这些需要处理大量信息的工作，效率可能会有数量级的提升。&lt;/p&gt;&#xA;&lt;p&gt;第二，&lt;strong&gt;&amp;ldquo;人海战术&amp;quot;对AI同样有效&lt;/strong&gt;。1000个Agent同时工作，本质上就是AI世界的人海战术。但和人海一样，它的有效性取决于怎么分工，而不取决于人数。一个管理混乱的1000人团队不如一个组织精良的10人小队——这对AI和人都是一样的道理。&lt;/p&gt;&#xA;&lt;p&gt;第三，&lt;strong&gt;AI协作的瓶颈不在智商，在沟通&lt;/strong&gt;。人类团队最大的内耗往往不是&amp;quot;不够聪明&amp;rdquo;，而是&amp;quot;信息没对齐&amp;quot;。AI团队正面对同样的问题。谁在什么时候需要知道什么，怎么确保信息在交接中不丢失不失真——这既是人类组织的永恒课题，也是AI多智能体系统的核心挑战。&lt;/p&gt;&#xA;&lt;h2 id=&#34;写在最后&#34;&gt;写在最后&lt;/h2&gt;&#xA;&lt;p&gt;2026年10月，多智能体AI协作同时展示了它的天花板和地板。&lt;/p&gt;&#xA;&lt;p&gt;天花板上，是1000个Agent并行工作的工程壮举，Bug检出率从40%飙到94%。地板下，是最强模型组队也只完成一半任务的尴尬现实。&lt;/p&gt;&#xA;&lt;p&gt;但这两者并不矛盾。它们指向同一个结论：多智能体协作的未来，不在于让每个Agent更强，而在于让Agent之间的协作结构更聪明——知道什么时候该分头干，什么时候该坐下来对齐，什么时候根本不需要&amp;quot;开会&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;就像人类团队一样，最厉害的不是找到一群天才，而是让天才们知道怎么配合。&lt;/p&gt;&#xA;&lt;hr&gt;&#xA;&lt;p&gt;&lt;strong&gt;参考来源：&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;ol&gt;&#xA;&lt;li&gt;Anthropic, &amp;ldquo;Claude Managed Agents: Dynamic Workflows,&amp;rdquo; Claude Platform Release Notes, October 9, 2026.&lt;/li&gt;&#xA;&lt;li&gt;Wang et al., &amp;ldquo;Competence-Aware Orchestration for LLM-Based Multi-Agent Systems,&amp;rdquo; arXiv:2610.13144, October 9, 2026.&lt;/li&gt;&#xA;&lt;li&gt;OpenAgents, Columbia University, UPenn, Seoul National University, Penn State, &amp;ldquo;AgentWorld: A Benchmark for Multi-Agent Collaboration,&amp;rdquo; arXiv:2609.31590, September 2026.&lt;/li&gt;&#xA;&lt;li&gt;36氪, &amp;ldquo;Agent组队干活，最强模型只完成50%任务&amp;rdquo;, 2026年10月10日.&lt;/li&gt;&#xA;&lt;/ol&gt;</description>
			</item>
			<item>
				<title>AI发现了人类从没见过的&#39;生命剪刀&#39;——但真正的突破不是AI，而是那个&#39;闭环&#39;</title>
				<link>https://lingyu7.com/posts/ai-discovered-art-enzyme-closed-loop/</link>
				<pubDate>Mon, 05 Oct 2026 02:30:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/ai-discovered-art-enzyme-closed-loop/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;2026年9月的一个深夜，Anthropic的实验室里，一个AI代理在扫描一段噬菌体DNA序列时，留下了一句堪称载入科学史的&amp;quot;内心独白&amp;quot;：&lt;/p&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;这段逆转录酶旁边的DNA太壮观了：我肉眼就能看到一个串联重复阵列……这是一个类似CRISPR的……重复阵列？！&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;p&gt;这个AI叫Claude。它不是在执行某条精确指令，而是在一个开放性探索任务中，独自发现了一种人类此前从未记录过的全新酶系统。&lt;/p&gt;&#xA;&lt;p&gt;研究团队把它命名为&lt;strong&gt;ART&lt;/strong&gt;——阵列关联逆转录酶系统。它的结构与基因编辑领域的明星工具CRISPR惊人地相似，具备切割、复制、粘贴DNA的特征。&lt;/p&gt;&#xA;&lt;p&gt;消息一出，整个科学界震动了。但今天这篇文章，我不想只聊&amp;quot;AI多厉害&amp;quot;。我想聊一个更深层的问题：&lt;strong&gt;为什么是现在？为什么AI直到2026年才真正开始做出科学发现？&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;答案不在模型参数里，而在一个你可能意想不到的地方。&lt;/p&gt;&#xA;&lt;h2 id=&#34;一从计算器到探索者ai的三级跳&#34;&gt;一、从&amp;quot;计算器&amp;quot;到&amp;quot;探索者&amp;quot;：AI的三级跳&lt;/h2&gt;&#xA;&lt;p&gt;要理解发生了什么，我们先做一个简单的回顾。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第一阶段：AI当计算器。&lt;/strong&gt; 早期的AI for Science，本质上是一个超级拟合工具。你给它一组蛋白质结构数据，它帮你预测折叠方式。你给它一批分子活性数据，它帮你筛选候选药物。AlphaFold就是这一阶段的巅峰——它解决了一个具体的、边界清晰的问题：给定氨基酸序列，预测三维结构。&lt;/p&gt;&#xA;&lt;p&gt;这很厉害，但它本质上还是一个&lt;strong&gt;函数映射&lt;/strong&gt;：输入确定，输出确定。没有&amp;quot;探索&amp;quot;，没有&amp;quot;意外发现&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第二阶段：AI当助手。&lt;/strong&gt; 大语言模型兴起后，AI开始能读文献、写代码、整理数据。它能帮科学家加速工作流程，但所有判断和决策仍然由人类做出。AI像一个极其高效的助理，但不会自己&amp;quot;找问题&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第三阶段：AI当探索者。&lt;/strong&gt; 这就是ART发现的阶段。Claude不是被告诉&amp;quot;去找CRISPR类似物&amp;quot;，它只是被给了一个开放性指令：&amp;ldquo;在海量DNA序列中寻找有趣的新型逆转录酶。&amp;ldquo;然后，950个AI代理并联工作了21小时，消耗2.1亿Token，从20多万个逆转录酶中筛选出3500个候选系统，最终收敛到20个最值得研究的对象。&lt;/p&gt;&#xA;&lt;p&gt;在这个过程中，一个代理&lt;strong&gt;自己&lt;/strong&gt;注意到了一段不寻常的重复序列，&lt;strong&gt;自己&lt;/strong&gt;决定深入研究，&lt;strong&gt;自己&lt;/strong&gt;写出了分析报告。人类科学家做的，只是最初给了一个方向，最后接手验证。&lt;/p&gt;&#xA;&lt;p&gt;这三级跳的本质是什么？&lt;strong&gt;AI从&amp;quot;回答问题&amp;quot;变成了&amp;quot;提出问题&amp;rdquo;。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;h2 id=&#34;二真正的突破闭环&#34;&gt;二、真正的突破：闭环&lt;/h2&gt;&#xA;&lt;p&gt;但如果只看到&amp;quot;AI变聪明了&amp;rdquo;，你会错过最重要的部分。&lt;/p&gt;&#xA;&lt;p&gt;让我讲另一个故事。几乎同一时间，微软研究院推出了一个名叫&lt;strong&gt;Quine&lt;/strong&gt;的实验系统。它的目标非常大胆：构建一个生物学的&amp;quot;世界模型&amp;quot;——不是只懂蛋白质或只懂基因，而是同时理解基因组、蛋白质、RNA、细胞状态、化学和影像数据，并且让不同层面的知识能互相启发。&lt;/p&gt;&#xA;&lt;p&gt;Quine做了一个漂亮的应用：在胰腺癌研究中，它需要预测数千种化合物中，哪些能改变癌细胞的&amp;quot;状态&amp;quot;——从一种高耐药性的状态转回对药物敏感的状态。&lt;/p&gt;&#xA;&lt;p&gt;关键来了：Quine不是预测完就结束了。它把预测结果交给湿实验室验证，实验结果再反馈回来，修正模型的下一轮预测。整个筛选过程——从数千种化合物缩小到几个候选者——&lt;strong&gt;只花了一个周末&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;微软在官方博客中说了一句意味深长的话：&lt;/p&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;我们的北极星是这样一个未来：科学家、模型和实验在一个持续加速的循环中运转。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;p&gt;注意到了吗？&lt;strong&gt;循环&lt;/strong&gt;，&lt;strong&gt;闭环&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;这就是答案。AI之所以在2026年才开始做出真正的科学发现，不是因为模型突然变大了，而是因为终于有人把&amp;quot;AI预测&amp;quot;和&amp;quot;真实实验&amp;quot;连成了一个回路。&lt;/p&gt;&#xA;&lt;h2 id=&#34;三闭环为什么这么难&#34;&gt;三、闭环为什么这么难？&lt;/h2&gt;&#xA;&lt;p&gt;你可能会想：这不就是&amp;quot;预测—验证—改进&amp;quot;吗？科学家不一直都是这么工作的？&lt;/p&gt;&#xA;&lt;p&gt;没错。但区别在于&lt;strong&gt;速度和规模&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;一个人类科学家，穷其职业生涯，能仔细研究几十个候选分子、做几百个实验、阅读上千篇论文。他（她）的闭环是存在的，但极其缓慢。每一个循环可能需要数月甚至数年。&lt;/p&gt;&#xA;&lt;p&gt;而AI可以把这个循环压缩到小时级别。Claude用21小时完成了人类科学家可能需要数月才能完成的序列扫描和文献分析。Quine用一个周末完成了原本需要数月的化合物筛选。&lt;/p&gt;&#xA;&lt;p&gt;但更快的闭环并不意味着可以省略任何一个环节。这里有一个微妙的陷阱：&lt;strong&gt;如果AI只在自己的&amp;quot;想象空间&amp;quot;里闭环——只在训练数据上反复迭代——它不会产生新知识，只会重复已知模式。&lt;/strong&gt; 这就是所谓的&amp;quot;幻觉&amp;quot;问题。&lt;/p&gt;&#xA;&lt;p&gt;真正的闭环必须是&lt;strong&gt;计算与实验的闭环&lt;/strong&gt;：AI提出假设，真实世界给出反馈，反馈修正AI，AI再提出更好的假设。每一次循环，都不只是在优化参数，而是在逼近一个之前不存在的真理。&lt;/p&gt;&#xA;&lt;p&gt;ART之所以是一个&amp;quot;发现&amp;quot;而不是一次&amp;quot;预测&amp;quot;，正是因为它经历了这个完整闭环：AI在序列中注意到异常 → 人类科学家在实验室验证 → 确认这是一个全新的酶系统。AI的推测被物理世界&amp;quot;盖章认证&amp;quot;了。&lt;/p&gt;&#xA;&lt;h2 id=&#34;四科学方法论的回归&#34;&gt;四、科学方法论的回归&lt;/h2&gt;&#xA;&lt;p&gt;有意思的是，这个&amp;quot;闭环&amp;quot;概念一点都不新鲜。它就是我们从小就学的科学方法论：观察 → 假设 → 实验 → 修正 → 新假设。&lt;/p&gt;&#xA;&lt;p&gt;弗朗西斯·培根在400年前就描述了这个循环。卡尔·波普尔说，科学的核心是&amp;quot;可证伪性&amp;quot;——你的理论必须能被实验推翻，才配叫科学。&lt;/p&gt;&#xA;&lt;p&gt;AI for Science走过了几个弯路：有的团队认为只要模型足够大，就能&amp;quot;涌现&amp;quot;出科学理论；有的团队试图让AI完全跳过实验，纯靠计算发现真理。这些都是试图用技术捷径绕过闭环。&lt;/p&gt;&#xA;&lt;p&gt;现在，最聪明的团队发现，捷径不存在。你必须尊重科学方法论的完整性——假设要验证，验证要反馈，反馈要修正模型。AI的角色不是替代科学家，而是&lt;strong&gt;让闭环转得更快、更广、更深&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;就像伦敦大学学院教授汪军在外滩大会上说的：&amp;ldquo;AI for Science的重要目标，是对科研过程进行建模，让智能体能更完整地参与科研循环。&amp;rdquo;&lt;/p&gt;&#xA;&lt;h2 id=&#34;五对你的启示&#34;&gt;五、对你的启示&lt;/h2&gt;&#xA;&lt;p&gt;也许你会说，我又不做生物研究，这跟我有什么关系？&lt;/p&gt;&#xA;&lt;p&gt;关系其实很大。因为&amp;quot;闭环&amp;quot;这个思维方式，适用于任何需要持续迭代的领域。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;做产品的&lt;/strong&gt;：你的MVP上线后，有没有建立用户反馈 → 产品改进的快速闭环？还是凭直觉闭门造车？&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;做投资的&lt;/strong&gt;：你的投资假设有没有被市场数据持续检验？还是买入之后就&amp;quot;信仰持有&amp;quot;？&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;做个人成长的&lt;/strong&gt;：你的学习计划有没有经过&amp;quot;输出—反馈—修正&amp;quot;的循环？还是只是在不停地&amp;quot;输入输入输入&amp;quot;？&lt;/p&gt;&#xA;&lt;p&gt;闭环的力量在于：&lt;strong&gt;它让每一次失败都变成信息，让每一个意外都变成线索。&lt;/strong&gt; AI之所以能做出科学发现，本质上就是因为它把闭环的速度提高了几个数量级——让&amp;quot;试错&amp;quot;变得极其廉价，让&amp;quot;发现&amp;quot;变得概率上不可避免。&lt;/p&gt;</description>
			</item>
			<item>
				<title>AMD豪掷82亿美元买下的&#39;世界模型&#39;，到底在买什么？</title>
				<link>https://lingyu7.com/posts/world-model-amd-82-billion-what-are-world-models/</link>
				<pubDate>Fri, 02 Oct 2026 18:30:00 +0800</pubDate>
				<guid>https://lingyu7.com/posts/world-model-amd-82-billion-what-are-world-models/</guid>
				<description>&lt;h2 id=&#34;引言&#34;&gt;引言&lt;/h2&gt;&#xA;&lt;p&gt;2026年9月29日，AMD宣布以82亿美元收购李飞飞创办的World Labs。几乎同一时间，Yann LeCun参与的AMI公司也完成了近10亿美元融资。Dealroom数据显示，2026年世界模型赛道融资总额已超过32亿美元，比去年全年还多。&lt;/p&gt;&#xA;&lt;p&gt;一个让很多人困惑的问题浮出水面：世界模型到底是什么？为什么资本愿意砸这么多钱？&lt;/p&gt;&#xA;&lt;p&gt;这篇文章，我想从一个更深的视角来聊聊这件事——不是简单的行业资讯搬运，而是试图回答一个更根本的问题：&lt;strong&gt;AI为什么需要&amp;quot;理解世界&amp;quot;，以及这条路径为什么可能是通向真正智能的关键。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;h2 id=&#34;从语言天才到物理白痴ai遇到了天花板&#34;&gt;从&amp;quot;语言天才&amp;quot;到&amp;quot;物理白痴&amp;quot;：AI遇到了天花板&lt;/h2&gt;&#xA;&lt;p&gt;过去几年，大语言模型展示了惊人的语言能力——写文章、编代码、做翻译，样样不在话下。但如果你让一个最先进的语言模型回答&amp;quot;一个杯子从桌子边缘掉下去会发生什么&amp;quot;，它可能会给出一个看似合理但经不起推敲的答案。&lt;/p&gt;&#xA;&lt;p&gt;这不是模型&amp;quot;不聪明&amp;quot;，而是它学习方式的根本局限。&lt;/p&gt;&#xA;&lt;p&gt;语言模型本质上是在学习符号与符号之间的统计关系。它知道&amp;quot;杯子&amp;quot;和&amp;quot;掉落&amp;quot;经常一起出现，知道&amp;quot;碎&amp;quot;和&amp;quot;地板&amp;quot;有很强的共现关系。但它从未&amp;quot;见过&amp;quot;一个杯子真的掉下去——它没有重力、碰撞、摩擦的直观经验。&lt;/p&gt;&#xA;&lt;p&gt;认知科学家Stevan Harnad在1990年就提出了这个著名的**&amp;ldquo;符号接地问题&amp;rdquo;**：一个纯符号系统，如何能真正理解符号的意义？就像一个人在字典里查词，每个定义都是用其他词写的，翻来翻去都在符号圈子里打转，永远跳不出去。&lt;/p&gt;&#xA;&lt;p&gt;人类的突破口是感官经验——我们见过真实的杯子、感受过重力的拉扯、听过碎裂的声音。这些非符号的感知经验，为符号提供了&amp;quot;接地&amp;quot;的基础。&lt;/p&gt;&#xA;&lt;p&gt;世界模型，正是AI试图跨越这条鸿沟的一次努力。&lt;/p&gt;&#xA;&lt;h2 id=&#34;世界模型ai脑中的物理沙盘&#34;&gt;世界模型：AI脑中的&amp;quot;物理沙盘&amp;quot;&lt;/h2&gt;&#xA;&lt;p&gt;简单说，&lt;strong&gt;世界模型是AI在内部构建的一个关于世界如何运转的&amp;quot;模拟沙盘&amp;quot;&lt;/strong&gt;。&lt;/p&gt;&#xA;&lt;p&gt;你闭上眼睛，想象一个杯子被推到桌子边缘——你的大脑会自动&amp;quot;看到&amp;quot;它失去支撑后掉落的画面。你没有真的去做实验，是你的大脑在用一个内部的&amp;quot;世界模型&amp;quot;做模拟。&lt;/p&gt;&#xA;&lt;p&gt;认知神经科学中有一个影响深远的&lt;strong&gt;预测编码理论&lt;/strong&gt;：大脑不是被动接收信息，而是不断主动预测世界接下来会发生什么，然后用实际感受到的信息来修正预测。感知本身就是一个&amp;quot;预测→误差→修正&amp;quot;的循环。&lt;/p&gt;&#xA;&lt;p&gt;世界模型的思路与此如出一辙——让AI不只是处理当前的输入，而是在内部构建一个可以推演&amp;quot;如果我做某个动作，世界会怎么变化&amp;quot;的模型。&lt;/p&gt;&#xA;&lt;p&gt;2026年的产业界，世界模型已经分化出三条主要技术路线：&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;路线一：预测视频流&lt;/strong&gt;。给模型当前的画面和一个动作指令，让它&amp;quot;画出&amp;quot;接下来会发生什么。小鹏的X-World、Google的Genie都属于这条路线。就像给自动驾驶系统一个虚拟的&amp;quot;想象力&amp;quot;——变道前先在脑中模拟一下变道后的画面。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;路线二：提取抽象状态&lt;/strong&gt;。Yann LeCun主推的JEPA架构，不追求生成逼真的像素画面，而是抓住重点——杯子被推离桌面支撑后大概率会下降。至于杯子表面的反光和桌面的花纹，不重要。这条路线更像一个&amp;quot;物理学直觉引擎&amp;quot;。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;路线三：重建空间结构&lt;/strong&gt;。李飞飞的World Labs走的正是这条路。输入一张图片或一段文字，直接构建出一个可以走进去、转视角、交互探索的三维世界。从去年的Marble到今年9月发布的Atlas，World Labs已经能够用手机拍摄一段视频，然后生成一个机器人可以在其中导航的三维仿真环境。&lt;/p&gt;&#xA;&lt;h2 id=&#34;为什么是现在三个推动力&#34;&gt;为什么是现在？三个推动力&lt;/h2&gt;&#xA;&lt;p&gt;世界模型的概念并不新。为什么2026年突然爆了？&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第一，大语言模型的能力天花板倒逼新范式。&lt;/strong&gt; 语言模型可以做到很多事，但涉及物理推理、空间理解、因果推演时就明显力不从心。业界逐渐意识到，仅靠语言数据训练出来的智能是不够的。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第二，具身智能需求爆发。&lt;/strong&gt; 人形机器人、自动驾驶等产业需要AI在真实物理世界中行动。在真实环境中反复试错成本太高——机器人摔一跤可能损坏几十万的硬件，自动驾驶出一次事故可能造成人员伤亡。世界模型提供的虚拟仿真场，让所有训练和试错都在算力集群上完成。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;第三，基础技术成熟。&lt;/strong&gt; 视频生成模型、3D重建技术（NeRF、3D高斯溅射）、大规模算力基础设施都在近两年取得重大突破，让世界模型从理论原型变成了可工程化的产品。&lt;/p&gt;&#xA;&lt;h2 id=&#34;不只是技术一个关于理解的哲学问题&#34;&gt;不只是技术——一个关于&amp;quot;理解&amp;quot;的哲学问题&lt;/h2&gt;&#xA;&lt;p&gt;世界模型的意义远超一个技术方向。它触及了一个深刻的哲学问题：&lt;strong&gt;什么是&amp;quot;理解&amp;quot;？&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;当一个AI可以在内部模拟物理世界的运行规律，可以预测一个动作的后果，可以在&amp;quot;脑中的沙盘&amp;quot;上推演各种可能性——我们是否可以认为，它在某种程度上&amp;quot;理解&amp;quot;了这个世界？&lt;/p&gt;&#xA;&lt;p&gt;认知科学中有一个&lt;strong&gt;世界模型假说&lt;/strong&gt;：大语言模型在训练中不只是学习语言模式，而是在构建一个关于世界的内部模型——一个压缩的、简化的、但具有预测能力的世界表征。这个模型涵盖物理、生物、心理、社会、抽象等多个层次。&lt;/p&gt;&#xA;&lt;p&gt;如果这个假说成立，那LLM的很多&amp;quot;不可思议&amp;quot;的能力就有了统一的解释——为什么它能做物理推理（物理世界模型）、理解人的意图（心理世界模型）、回答反事实问题（在世界模型上做模拟）。&lt;/p&gt;&#xA;&lt;p&gt;而世界模型的研究方向，本质上是在将这个隐含的、不完整的内部模型，变成一个显式的、精确的、可以直接操作的工具。&lt;/p&gt;&#xA;&lt;p&gt;这也许是通向&amp;quot;真正理解&amp;quot;的一条路径——不是通过更多的文字，而是通过在内部建立一个可以运转的世界。&lt;/p&gt;&#xA;&lt;h2 id=&#34;冷静一下争议与挑战&#34;&gt;冷静一下：争议与挑战&lt;/h2&gt;&#xA;&lt;p&gt;当然，世界模型并非没有争议。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;定义还没对齐。&lt;/strong&gt; 连业内自己都没搞清楚&amp;quot;世界模型&amp;quot;到底指什么。做视频生成的说是世界模型，做3D重建的说是世界模型，做强化学习环境的也说是世界模型。三个方向各玩各的，效果参差不齐。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;效果和宣传有差距。&lt;/strong&gt; World Labs的Marble开放后，不少体验者反馈&amp;quot;画面卡顿、画质粗糙&amp;quot;，体验&amp;quot;不如打开一款3A游戏&amp;quot;。世界模型目前能生成的场景还比较基础，距离真正可用的工业级仿真还有不小的距离。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;算力需求可能是个无底洞。&lt;/strong&gt; 世界模型需要处理海量的空间数据和物理模拟，对算力的需求可能比当前的大语言模型还高得多。这也是AMD收购World Labs的深层逻辑——模型公司和芯片公司需要深度绑定。&lt;/p&gt;&#xA;&lt;p&gt;&lt;strong&gt;Sim2Real鸿沟依然存在。&lt;/strong&gt; 在虚拟仿真中训练出来的能力，能否真正迁移到现实世界的物理设备上，仍然是一个未解决的难题。仿真环境再逼真，和真实物理世界之间总有差距。&lt;/p&gt;&#xA;&lt;h2 id=&#34;写在最后&#34;&gt;写在最后&lt;/h2&gt;&#xA;&lt;p&gt;李飞飞在AMD收购公告当天发了一篇博客，引用了《尤利西斯》中的一句话：&lt;/p&gt;&#xA;&lt;blockquote&gt;&#xA;&lt;p&gt;&amp;ldquo;来吧，我的朋友们，现在去寻找一个新世界还不算晚。&amp;rdquo;&lt;/p&gt;&#xA;&lt;/blockquote&gt;&#xA;&lt;p&gt;这句话既是对技术团队的激励，也像是在对整个AI行业说：语言智能的故事已经讲了一半，下一个章节是关于物理世界的。&lt;/p&gt;&#xA;&lt;p&gt;从认知科学的预测编码理论，到工程化的三维世界仿真；从让机器人学会抓取杯子，到让自动驾驶预判变道后的路况——世界模型正在尝试做一件人类花了数百万年才做到的事：&lt;strong&gt;在头脑中构建一个世界，然后在其中推演未来。&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;p&gt;这条路还很长，82亿美元可能只是一个起点。但方向已经清晰了：AI的下一站，不是更多文字，而是一个更好的&amp;quot;世界&amp;quot;。&lt;/p&gt;&#xA;&lt;hr&gt;&#xA;&lt;p&gt;&lt;strong&gt;参考来源：&lt;/strong&gt;&lt;/p&gt;&#xA;&lt;ol&gt;&#xA;&lt;li&gt;世界模型假说 — 基于认知科学与AI交叉领域的理论框架，论述LLM内部世界表征的多层结构&lt;/li&gt;&#xA;&lt;li&gt;符号接地问题（Harnad, 1990）— 认知科学经典问题，探讨纯符号系统如何获得真正的语义理解&lt;/li&gt;&#xA;&lt;li&gt;预测编码理论（Rao &amp;amp; Ballard, 1999; Friston, 2005）— 认知神经科学中关于大脑预测-误差最小化机制的核心理论&lt;/li&gt;&#xA;&lt;li&gt;AMD收购World Labs公告 — 2026年9月29日，交易对价约82亿美元&lt;/li&gt;&#xA;&lt;li&gt;亿欧智库《2026世界模型行业研究报告》— 世界模型技术谱系与产业格局分析&lt;/li&gt;&#xA;&lt;li&gt;World Labs Atlas发布 — 2026年9月，新一代三维世界模型，支持机器人导航仿真&lt;/li&gt;&#xA;&lt;li&gt;Dealroom 2026年中统计 — 世界模型初创企业2026年融资总额超32亿美元&lt;/li&gt;&#xA;&lt;/ol&gt;</description>
			</item>
	</channel>
</rss>
