张宏江：未来是自主的

关于近期人工智能技术 的 发展 ，我想和大家分享几个看法。这些看法是我在今年六月的一次演讲中提出的，最近两个多月，技术又发生了不少变化，但当时的观点基本都适用。 首先，支撑大语言模型发展的 “规模定律 （ scaling law ） ”是否可持续 ？ 其次， 大模型如何推动整个 AI生态的规模化发展 ？ 再次，人工智能的 核心技术方向 是什么？ AI智能体和智能体经济 会走向何方？ 未来的可能性 在哪里？ 可持续的规模定律 今天的大型 AI模型的本质在于由规模提升而涌现出来的能力，这是模型在达到一定规模、一定性能参数临界点时，突然具备的能力，也可以说是拐点。我们在GPT-3上观察到了这种现象，后来的ChatGPT以及过去两年快速发展的其他模型也都体现了这一点。 一般来说，参数越多，性能就越好 ——这一 “规模定律” 目前仍然成立。 尽管业内普遍感觉预训练模型 （ pretraining model ） 的规模定律在逐渐放缓，但它依然非常重要： 随着训练时间和模型规模的增加，模型的准确率在提高，只是提高的速度没有以前那么快了。 与此同时的好消息是，在 OpenAI的o1模型发布后，我们看到了一个重要的拐点，那就是规模定律可以被拓展到推理模型 （ reasoning model ） 。这意味着在推理阶段，模型所获得的时间越多，它的表现就越好，结果就越准确。我们 称这种现象为 “推理规模定律 （ reasoning scaling ） ”，或“测试时规模定律 （ test-time scaling ） ”。这是 过去六个月中推动模型性能提升的重要力量，同时也是拉动算力需求迅速上升的重要因素。 这将我们引向一种新的提升模型性能的路径。我们以前主要依赖转换器 （ transformer ） 来做预训练，现在则进入了强化学习 （ reinforcement learning ） 阶段。我敢大胆预测，未来不仅仅是预训练和推理阶段存在规模定律，我们将看到更多新的规模定律持续驱动模型性能的提升，同时也会对算力提出更高的要求。也就是说，尽管预训练的规模定律有所减缓，但后训练 （ post-training ） 阶段、强化学习阶段的规模定律则开始显现。 另一个好消息是所谓的 “大语言模型通缩 （ LLMflation ） ”：模型的使用价 格（即单位token的价格）在过去三年中以非常快的速度下降。我们看到基本上每年token的价格下降约10倍，三年总计下降约1000倍。从主流模型的发布可以看到，每一代模型发布时，token价格下降了，但性能却更好了。 所以我要强调的是：规模定律依然有效， token价格在持续下降，我们因此可以把它看作一种新的“摩尔定律 （ Moore’s Law ） ”—— 模型能力持续提升的同时，使用成本在不断降低。

A I产业规模化升级 我讲的第二点是 AI正在大规模产业化。这不仅是模型本身的规模提升，更是整个产业生态体系的规模扩展。 大家看到 OpenAI、Anthropic这些初创公司提供的是“模型即服务 （ Model-as-a-Service ） ”，同时大型平台和云计算公司在持续提供“平台即模型 （ Platform-as-a-Service ） ”。我们应该意识到，AI模型不仅是模型，它将会成为一个平台，平台将会进一步构建自身的生态体系：平台的上层会出现越来越多的应用程序，而在下层则是云计算，再往下一层是计算的硬件，其中最关键的是GPU。 为什么在过去两年里， GPU在AI领域中处于绝对主导地位 ？因为 大家最终认识到，不论是模型训练还是模型使用，虽然 token价格下降了，但用户越来越多、应用场景越来越丰富，这都将消耗越来越多的算力。 因此，我们看到 AI基础设施建设正以前所未有的速度快速扩张。 比如 OpenAI宣布的Stargate项目，计划投入约1000亿美元和上千名工人在德克萨斯建设数据中心，未来可能将投资规模进一步上涨至5000亿美元，预计部署10万个——甚至扩展至50万个——GPU。 另外， 马斯克 的 Colossus项目，在前四个月就已经部署了10万个GPU，计划最终包括20万个GPU。我算了一下，10万个GPU的运行功耗大约是150兆瓦；如果扩展到100万个GPU，则将消耗约1.5吉瓦。这意味着什么？整个北京市的耗电量约为13吉瓦。 也就是说，仅仅一个拥有100万个GPU的数据中心，就会消耗北京市总用电量的八分之一。 由此可见AI基础设施的投建规模之大。 正 是这种对 GPU的大量需求使得 英伟达 股价持续上涨。除了 OpenAI和 马斯克 之外， Google、Microsoft、Amazon等公司也都在加大投资，仅2025年他们在AI相关的资本开支上就预计投入超过3000亿美元。这将直接导致美国出现电力紧张的问题。如果这种速度持续下去，美国的电网明年就将不堪重负。 这也解释了为什么过去一年里大家又开始关注核能 ——尤其是小型核电站技术——相关的股票也涨势强劲。 整个AI数据中心产业链，在过去一年经历了大规模的建设潮，并且还将持续下去。这不仅仅是GPU、数据中心，还包括能源。这就是我们所说的AI产业规模化。 核心技术方向 我想更深入地谈谈技术方向的问题。 技术发展路径的第一阶段主要还是 “预训练 （ pretraining ） ”，这是核心。一个公司如果没有能力构建强大的基础模型，它就无法开发出优秀的推理模型，更不可能构建出高质量的智能体。 接下去的整个路线图非常清晰： 预训练 →微调 （ fine tuning ） →强化学习→智能体 （ agent ） →具体应用场景 （ specific domain ） 。这是为什么我们看到 OpenAI在发布GPT-4之后，又发布了o1， 并在 整合了 GPT-4.5和o3后推出GPT-5。这样，他们的预训练模型和推理模型已经趋于统一，其他大模型开发者也都会走这条路径。 当 AI模型既具备预训练能力，又拥有强化学习能力后，就会走向“测试时推理模型 （ test-time reasoning model ） ”。 也就是说，AI模型不再只是“快思维”（快速提取知识），它现在也具备“慢思维”（理性推理）的能力。 “慢思维”能力的增强是AI解决更复杂问题的关键。换句话说，如今的AI模型已经不再是静态的，不再只是一个知识库，也不再是静态的网络。以前我们说，如果今天没有给模型训练新知识，那模型就没有长进。但现在，模型自身具备了持续学习的能力，它可以根据我们提供的数据，从网络中不断学习。我们已经开始看到计算机科学和AI奠基人 图灵 所设想的那种能够从经验中学习的机器。 过去在预训练时，训练模型的主要方式是人类提供数据给它学习，例如 AlphaGo就是从人类下棋的经验数据中学习的。目前训练基础模型——尤其是训练推理模型——的主流方法已经变为强化学习。在强化学习阶段，我们并不直接提供数据，而是提供规则和目标，并教模型如何从数据中学习。这不仅是“授人以鱼”，而是“授人以渔”。 接下来，我们不仅要教模型怎么钓鱼，还将赋予它 “饥饿感”，让它自己明白鱼是好吃的，然后让它自己感到饿，这样模型就会主动去找鱼吃。所谓“饥饿感”，就是要为模型设置更高层次的目标函数，让它不仅满足于完成单一任务，而是持续自我优化、避免“饿死”。只有目标驱动、持续迭代，模型才能真正突破。 也就是说，模型要自己学会如何钓鱼，而不再需要人类去教；它将不仅会使用数据，还知道去哪里获取数据，甚至如何自己构建数据集。这就是我们目前所处的阶段，我们正在迈入一个全新的 AI智能体时代。 人们经常谈论强化学习、预训练和推理之间的关系。 过去我们谈论了很多预训练（比如 GPT），但现在我们进入了后训练、强化学习和推理阶段。强化学习曾经只是整个模型训练中的一小部分。但从OpenAI的o3模型开始，强化学习变成了很重要的一部分，并且在未来会进一步扩大比重。可以说，强化学习和推理在过去就像蛋糕上的樱桃，在未来则将成为模型性能的主要驱动因素，也将成为计算资源消耗的主要部分。 今天我们已经拥有能够长时间思考的模型，就像围棋大师一样，它迈出一步的时间更长，解决一个复杂问题甚至需要非常聪明的人花很长时间。你可能会问，时间更长就一定更好吗？我的观点是，当一个推理模型花更多时间思考时，它实际上是在问自己更多的问题，它在思考中提出更多假设，搜索更多路径，甚至在这个过程中构建自己的工具。 未来我们将看到一个模型就像科学家一样，可以花上数天、数月时间思考一个特定问题并找到解决方案。

AI智能体与智能体经济 现在大家都在谈论 “智能体 （ agent ） ”。如果我们借用 OpenAI创始人 Sam Altman关于人工智能五个阶段的划分，我们现在正处于第二和第三阶段之间，但很快将进入第三阶段，也就是所谓的智能体阶段。在这个阶段，AI系统能够采取行动，能够自我学习。 从这个角度看，人类与工具的关系正在发生变化。以前我们把计算机、 AI视为人的工具。现在我们已经把AI看作助手或副驾驶 （ copilot ） 。而在不久的将来，人类与工具将会进入一个新的共生阶段： 人和机器网络的共生 。那时会有更多的自主 AI智能体，并将受人类控制——但愿我们成为控制者，否则就可能变成它的奴隶，或者被它们同化。 举例而言， OpenAI的一个前沿项目Deep Research，它是在推理模型基础上构建的智能体。你给它一个任务，它会首先分析这个任务，然后意识到需要一些数据，它会自己去搜索。接着它意识到需要一些分析工具，它会去寻找这些工具。它可能还意识到有些工具根本不存在，于是它自己编程开发这个工具，然后再使用这些工具完成任务。所以你可以看到，它既可以使用现有工具，也可以自己构建工具来完成任务。 今天我们已经开始有智能体能够执行任务，并在复杂的工作流中工作。未来，每一个任务、每一个工作流程都有可能由智能体来完成。这些智能体将组成一个系统，形成企业决策的完整闭环，运行整个操作流程。这一天很快就会到来。 我们正在进入一个阶段，叫 “智能体群 （ agent swarm ） ”时代，也就是数量庞大的智能体之间彼此交互、执行任务、交换数据、交换信息，甚至交换任务 。而人类与这些智能体群的交互，将构成我们所谓的“智能体经济 （ agent economy ） ”。 设想一下，现在的大模型是由海量的神经元构成的。未来，这些智能体会像今天神经网络中的单个神经元一样，而未来的社会和经济系统将由大量的智能体构成，就像今天的神经网络。那将是我们的未来。 我想说，未来是自主的 （ autonomous ） ：自主的智能体、智能体群和智能体经济。 如果仅看模型的智商测试结果，今天不少大语言模型的 IQ测试分数已经高于人类平均水平。这意味着什么？我们还记得当年AlphaGo战胜人类围棋大师的那一刻，尤其是它的下棋方式是前所未见的，那时我们才突然意识到AlphaGo已经具备了所谓的“上帝视角 （ God’s angle ） ”：人类下了两千年围棋，其实只是站在一座小山上看风景，而AlphaGo看到的是整个地貌。 我们在大语言模型中看到的就是这种潜力。当我们谈到奇点是否到来，其实就是说两条曲线是否交汇：一条是人类的适应能力或学习能力，这条曲线几乎是平的；另一条是技术或机器的学习能力，这条曲线增长得非常快。当这两条曲线交汇时，就意味着机器已经比人类更聪明了。人类能做的一切，最终都可以由机器完成，而且机器学习得更快。这就可能意味着，虽然新技术总是会创造新工作岗位、淘汰旧工作岗位，但这些新工作可能不一定是给人类的，而是给智能体的。这就是令人担忧的部分。 因此，未来组织的核心资产将会完全不同。 GPU，也就是算力，会成为核心资产。模型，也就是智能，也会成为资产。未来我们不断训练模型，而不是不断培训员工。今天我们要扩展业务，会去招聘新员工，建立新组织，建设新办公室。未来，我们只需要获取更多的算力，改进模型，获得更多的数据。这是一种巨大的结构性变革，前所未见，只在科幻小说中出现过。 随着智能体变得越来越强大，我们会看到智能体会替代企业或机构中许多流程和决策点 。 这将会提高生产率，但也会带来一些大的结构性变化。未来企业的规模，如果以人员数量来衡量，会出现一些小规模的大企业，就像 “单人独角兽” （ one person unicorn ） 。这些企业的销售额和利润可能非常大，但员工人数却很少。 可以想象，当智能体能够自动编程，甚至自动生成工具时，这个趋势是显而易见的。小公司会大量涌现，而大公司则裁员更多。所以，未来是人和一群智能体的合作。智能体会变得越来越主动，越来越自动化。我们不能指望未来机器永远只是人的助手。 最后讲一个我从网上看到的笑话。一家公司有三位 C-level的高管。CFO关心钱：“如果我们花了很多钱培养员工，他们却离职了怎么办？”CEO说：“那如果我们不培养他们，他们却留下来呢？”然后CTO说：“机器人从来不会离职。”这也许就是我们即将面对的场景，它要求我们必须制定应对计划和采取行动，去面对可能的结构性转型及其风险。 —— · END · —— 作者 张宏江 ｜ 投稿 tougao99999 作者：美国国家工程院外籍院士、北京智源人工智能研究院创始理事长。 曾任 微软亚洲研究院副院长、微软亚洲工程院院长。 本文是作者基于今年6月的一次演讲 整理而成，原载“罗汉堂观点”公 众号。 欢迎 点 看 【秦朔 朋 友 圈 】