AI未來五年發展路徑

AI的發展路徑：生成能力-推理能力-Agent能力-數字虛擬人-具身機器人-腦機接口。

（1）生成

現在生成都已經漸入佳境：
文本：文本報告生成、代碼生成，如Claude Code
語音：語音生成
圖片：圖片生成，如Nano banana
視頻：視頻生成，如seedance2.0

我很看好兩個方向：AI寫代碼（主要現在國產模型不爭氣不給力）、AI視覺（現在字節的視覺識別和視頻生成做的很牛）。

傳聞DeepSeek選擇了多模態。但愿它不是去做：Nano banana、Seedance，而是只做截圖識別：前端網站截圖進行Coding生成、股票K線截圖進行分析說明。

（2）推理

從2024年10月，OpenAI發布基于思維鏈CoT技術的深度思考，推理開始迅速發展。
2025年2月，國產開源DeepSeek-R1，也把推理普惠到整個中國社會。
不過，總的來說，推理能力的發展是最慢的。
這三年，推理能力并沒有得到大的提升，只是從：理論方法（思維鏈）成熟，到商業產品落地（GPT-o1），到推理速度提高（DeepSeek做了很多內存和GPU的優化）。

大家感覺好像推理能力在進步，其實是外掛工具起的作用（如 Lean 定理器），而不是推理能力起的作用。
但是AI行業已經投入了太多年、投入了太多錢，人們急切需要一些結果，否則就很難讓人繼續持續投入很多錢了。
所以現在大家都在聚焦發展Agent，本質就是把現在AI的能力再加上外掛的能力，趕快能做點啥就做點啥，盡快轉換為商業成果。
我個人覺得：雖然大模型的推理能力已經難以突破，但是Coding專有大模型能力提升，再加上Agent輔助基礎模型提高：意圖理解能力-方案規劃能力-多Agent任務分工協作能力，再加上Agent的記憶模塊和Skill模塊，可以使最終結果表現出來的推理能力再提升提升。

（3）Agent

Agent起源于：深度研究：
第一步：經過深度思考，生成深度研究的方案
第二步：連接各個外部系統，采集數據
第三步：AI生成代碼，對數據進行加工
第四步：生成研究報告：WORD/PDF/PPT分析報告、EXCEL數據統計、可視化圖表

2025年2月，商業閉源Agent Manus發布，引發大家的熱議。
2026年2月，免費開源Agent OpenClaw發布，引發大家的熱議。

Agent的核心有三個：
1、分解任務-編排任務-指派任務-整合任務，讓多Agent分工協作
2、用戶個性化記憶
3、調用高手寫的Skill/上下文提示工程，可以正確引導大模型產出期望的結果

但是，Agent也擴展了很多外部能力：
1、接入外部數據：在線聯網搜索、在線MCP/API調用、存取本地文件系統
2、控制本地瀏覽器：爬蟲、模擬點擊、登錄/取數、填寫表單數據
3、控制本地軟件：在提示工程中直接調用軟件功能CLI，無須再生成代碼調用API

不過我個人感覺：中國沒有太多深度研究的需求。

我倒是覺得：基礎大模型現在都能提供1M長上下文理解能力，如何利用這些多輪會話中的長上下文，來不斷清晰化需求的意圖目的、細化以及修正方案?，F在Agent走走走就走歪路了，就是不隨著多輪會話的信息，來修正自己的意圖和方案。
（4）數字虛擬人

視覺生成技術，讓數字人擁有了可視化的形象。比如生成羅永浩的形象。

語音技術，讓數字人擁有了開口說話、聽人說話的能力。比如用羅永浩的聲音來說話。
多輪會話技術，讓數字人可以與用戶連貫對話。

深度思考技術，可以讓數字人回答更復雜的問題。
Agent技術，可以讓數字人使用個性化記憶/個性化風格/個性化數據來交流。比如用羅永浩平時的知識、習慣用語、思考風格來交流。

現在數字虛擬人主要用于AI影視，以后可以用于AI游戲。
（5）具身機器人

具身機器人有兩個腦：
一個大腦，用于深度思考-規劃-決策選擇
一個小腦，用于控制機械手腳運動

現在，宇樹機器人自己的小腦控制機器人的手腳運動已經比去年有很大進步。
傳聞，宇樹機器人也采用了DeepSeek-Omni進行思考。

不過，如果把這些技術放到無人機無人狗身上，可能爆發的更快。

（6）腦機接口

腦機接口：
一半是人的生物電、腦電波信號，人體的各種傳感/感應器官；
一半是機器手腳運動、視覺采集、語音識別/語音合成。

這兩者還需要連通在一起，方便殘疾人、聾啞人。
腦機接口聚焦做好：人腦和機器的連通。
聾啞人，可以使用AI大腦的：視覺識別能力、語音識別能力/語音合成能力。
殘疾人，可以使用具身機器人的小腦：控制機械手腳運動。

這是真正的剛需，比老年人需要具身機器人還剛需。但是，要把人肉人腦和機器軀干機器腦連在一起協同在一起，顯然難度非常大。