📡 每日 AI 信号

2017年夏天，谷歌AI研究人员发表论文《Attention Is All You Need》，提出Transformer架构，奠定了此后近十年大语言模型的技术基础，并催生了ChatGPT、Claude、Llama等产品。MIT Technology Review的"What's Next"系列关注的是在此基础上探索下一阶段突破的初创公司，这些公司不再满足于单纯的规模扩张，而是从模型架构、训练范式或应用场景三个维度寻找新的可能性；其中部分团队尝试用混合架构或状态空间模型替代纯Transformer以提升效率，另一些则聚焦于推理时计算优化，让模型在回答前进行更深入的思考，还有些押注于特定行业场景的专用模型以降低部署成本。对于行业而言，这些方向预示着大模型竞争正从"参数军备竞赛"转向效率、推理能力与垂直落地，这决定了下一代AI产品能否真正进入企业核心业务流程。

傅盛发布视频深度解读李飞飞关于世界模型的科普内容，其核心并非局限于技术原理的机械复述，而是聚焦于认知维度的升华。李飞飞通过阐述世界模型如何构建对物理世界的理解，揭示了智能的本质在于对环境的预测与交互，而非单纯的数据拟合。视频提炼出这一技术背后的思维启发，强调从感知智能向认知智能跃迁的关键在于建立内在的世界表征。这一视角转换对AI行业具有重要指引意义，促使开发者超越算法优化，关注模型对现实逻辑的深层理解能力。这不仅重塑了人们对通用人工智能发展路径的认知，也为解决当前大模型缺乏常识推理能力的痛点提供了新的理论框架与实践方向，标志着AI研究重心正从数据规模转向知识结构化。

随着大模型架构与训练范式日益同质化，人工智能竞争重心正从算法本身向物理AI领域转移。物理AI旨在让智能体理解并交互于物理世界，但当前行业面临数据稀缺、仿真与现实差距及真实部署难题等新瓶颈。关键胜负手已转变为高质量物理数据获取、高保真仿真环境构建以及端到端真实场景落地能力。这一转变意味着单纯追求模型参数规模已难以为继，企业需深耕垂直领域的数据闭环与工程化能力。对于自动驾驶、机器人等产业而言，谁能率先突破物理交互的“最后一公里”，谁就能在下一轮技术迭代中占据主导，这标志着AI发展进入更强调实效与物理规律融合的新阶段。

具身智能赛道正经历与早期新能源汽车相似的格局分化。朗咸朋在访谈中指出，具身领域也将出现"蔚小理"式的头部企业格局，这是行业从概念走向商业化的必然阶段。他直言，依靠融资无法实现物理AGI，技术能力才是真正的护城河。朗咸朋所在的公司仅用90天便跻身独角兽行列，背后反映的是投资人对具身智能赛道的高度认可，以及初创公司在技术路径、团队配置或商业落地方案上展现出稀缺性。该言论的核心意义在于：一方面提醒行业警惕"烧钱换估值"的模式，具身智能必须解决真实物理任务才具备商业价值；另一方面暗示头部玩家正在快速形成，腰部及以下企业面临淘汰压力。这一判断与新能源汽车百花齐放后格局收敛的演进逻辑高度吻合，预示着具身智能的"分水岭"正在到来。

近期《MIT 科技评论》发文指出，AI 驱动科学发现不能仅依赖数据拟合与模式识别，而需具备真正的推理能力。文章回顾物理学史，提及1903年米歇尔森宣称物理事实已尽数发现及80年代霍金对理论物理终结的预测，以此警示当前对AI能力的过度乐观。随着AI爆发，科研界面临类似误判风险，文章强调现有AI在复杂因果推断和逻辑验证上的局限，认为唯有引入深层推理机制，AI才能从辅助工具升级为突破科学瓶颈的关键力量，这一观点对重新定位AI在基础科学研究中的角色具有重要指导意义。

近期全球灵巧手赛道呈现爆发态势，半年内融资规模突破200亿元，展现出极高的资本热度。数据显示，全球约半数灵巧手企业来自中国，且绝大多数创业者将技术路线押注于五指仿生方案，反映出市场在形态选择上的高度趋同。尽管需求端与资本端的快速涌入推动了行业迅速扩张，但当前产业仍面临严峻挑战。从实验室技术成熟到实现规模化量产，再到最终的商业落地，中间横亘着巨大的工程鸿沟。这一现象表明，虽然资本热情高涨，但核心技术的稳定性、成本控制及实际应用场景的适配性仍是制约行业发展的关键瓶颈，技术路线的分化与工程能力的突破将成为未来竞争的核心焦点。

阿里千问开放平台今日正式上线，标志着其从单一模型服务向全场景智能体生态的关键转型。该平台面向开发者与生态伙伴，全面开放手机、PC及AI眼镜三类终端的服务接入能力，首批覆盖物流、房产、本地生活、理财、汽车等十多个垂直领域。用户只需在对话中@相关服务或点击角标入口，即可触发智能体，实现从咨询推荐到下单支付的全流程闭环。平台通过提供标准化协议接入、一键授权及端到端调测工具，并整合账号、AI支付、订单等底层基础设施，大幅降低了开发门槛。此举不仅丰富了阿里生态的服务触点，更推动了AI从内容生成向实际业务办理的深度渗透，对构建下一代人机交互范式具有重要战略意义。

通义千问推出 Qwen-MM-Plugins，将多模态能力从底层模型延伸到智能体层，使智能体可直接读取图片、视频、文档，编辑视频，并处理 3D/CAD 等任务。该框架把图像识别、文档解析、视频剪辑、三维建模等能力封装为可调用的插件工具，让智能体在推理过程中按需组合使用，而不再依赖单一模型完成所有模态的理解与生成。从技术演进看，过去的多模态大模型主要解决"看见"与"理解"问题，输出仍是文本，而 Qwen-MM-Plugins 把"理解"升级为"行动"，智能体可基于视觉输入直接操作视频剪辑或三维模型，跨过了感知到执行的边界。对于构建复杂 AI 应用而言，这一设计相当于为智能体补齐了一套多模态工具链，降低了开发者将视觉能力接入 Agent 系统的工程门槛，也为多模态从演示走向生产落地提供了更完整的支撑。

MirrorWorld 针对视频扩散模型生成镜面反射时内容与周围场景脱节的问题，提出显式建模"场景到镜面"映射关系的方法。现有视频扩散模型虽能合成高质量视频，却并非为镜面反射设计，常出现反射内容错误或空间布局错位。研究者指出该任务包含两个相互关联的难点：一是判断场景中哪些物体应被反射，二是保证反射内容与真实场景在空间上对齐，二者必须协同处理。为此，MirrorWorld 引入机制使模型能够识别镜面区域、推断对应的场景内容并按正确的几何关系投射，从而生成内容准确、空间一致的高保真镜面反射视频。该工作将镜面反射视为独立的生成子问题加以拆解和建模，弥补了通用视频扩散模型在物理反射规律理解上的不足，对提升视频生成在室内场景、产品展示、虚拟环境等涉及反射元素的可信度具有实际价值，也为后续复杂光学现象的视频合成提供了可借鉴的思路。

大语言模型在后训练阶段虽然会显著提升通用能力，但往往伴随着输出多样性与创造力的下降，这给需要创意的任务如故事生成，以及依赖多样化探索的强化学习带来不利影响。为此，研究者提出了一种名为 CreativeInstruct 的可扩展指令微调方法，核心思路是在训练数据中引入特殊的 [StartCreativity] 标记及其对应区间，让模型学会在生成过程中自主注入这些区间，从而在需要时动态偏向更接近基础模型的创造性表达。该方法在常规指令微调基础上增加约 1 万条示例进行额外训练，兼容 SFT、DPO 等主流后训练管线。实验在 Llama-3.1-8B、Mistral-7B 等模型上验证，覆盖创意写作基准与数学、常识类任务，结果显示其创造力恢复率较标准后训练模型提升 4 到 8 个百分点，同时未损害标准任务的质量指标，且成本控制在小规模即可完成。这项工作为缓解后训练带来的多样性损失提供了一个轻量且通用的方案，对依赖探索或创意生成的下游应用具有直接参考价值。