AGI前沿

就在今天，AI 圈又传出几个值得细读的消息。今天的智能体有一个尴尬事实：它本事不小，但记性很差。你昨天教它的偏好、上周踩过的坑，下次打开对话框基本清零。从「会干活」到「越用越顺手」，中间隔着一层记忆架构。 为什么现在的Agent总是「一对话就失忆」？ 失忆的根源在于架构：模型本身的参数在推理时是冻结的，上下文窗口又有限，超出长度的历史就被挤出记忆。RAG检索能补一部分，但它只是「查资料」，不是「记住你」。Manus给Agent发邮箱电话钱包那类尝试，解决的是身份，不是记忆。要让Agent真正记得，需要三层结构：可写入的长期知识库、按重要性打分的经验提取机制、以及在任务开始时自动调取相关记忆的检索策略。缺一层，记忆就会变成垃圾场。把镜头拉远，Agent记忆 背后其实是需求和供给的双向奔赴。 长期记忆该怎么存、怎么取，才不会越用越乱？ 记忆存什么、怎么取，是个技术活：存全量聊天记录会爆库且充满噪声，存太少又等于没记；检索时若把三年前的旧偏好硬塞进今天的上下文，模型反而被误导。好的记忆系统要像人脑一样，会遗忘、会概括、会随时间衰减权重。这恰好呼应碳基大脑的经验：记忆不是录像回放，而是每次回忆时的重构。Agent记忆架构的真正突破，可能来自借鉴神经科学而非数据库工程。一个更直白的信号是：愿意为 Agent记忆 付钱的人正在变多。 当Agent有了终身记忆，人和它的关系会变吗？ 当Agent真有了终身记忆，它对你的了解会超过大多数朋友：你的口味、你忌讳的表达方式、你团队的暗语。这是效率的飞跃，也是信任与隐私的硬仗——它记得越多，换服务商、导出记忆、删除记忆的权利就越重要。记忆还会改变人机关系：一个随你三年不断成长的数字同事，和一个每次重启都重新认识你的工具，已经不是同一类存在。智能体竞赛的下半场，记忆将是比单次能力更黏人的护城河。值得注意的是，这类变化往往比想象中来得更快。 能力决定Agent能不能干活，记忆决定它值不值得长期留下。谁先解决终身学习，谁就握住了智能体时代的用户黏性。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

过去一周，AI 行业的信息密度再次刷新认知。两年前，文本模型、图像模型、语音模型还是各过各的孤岛。今天，从Gemini到Genie 4，一个明显的趋势是把越来越多的模态，缝进同一个Transformer里一起训练。 为什么统一架构比「拼装多模型」更有前景？ 拼装路线的问题在于接口损耗：文本模型不懂像素，视觉模型不懂动作，中间靠人工设计的对齐层转译，信息在转译中不断丢失。统一架构则让文本、图像、语音、动作共用同一套注意力与表征，知识在模态间自由迁移。这正是GPT-6.1 Terra把视觉推理与电脑操作绑在一起、Genie 4把画面与对话绑在一起的底层逻辑：模态之间不是并列功能，而是相互解释。从产业视角看，这件事正在改写普通人的选择逻辑。 把机器人控制也塞进同一架构，难点在哪？ 把机器人控制塞进同一架构，难点有三：动作是连续的实时信号，和离散的token节奏不同步；物理世界反馈延迟大、试错昂贵；身体的形状千差万别，模型难以泛化。宇树等团队用世界模型做机器人训练，本质上是在给统一架构造一个廉价的数字身体。一旦文本智能能借仿真身体做实验，它获得的就不再是书本知识，而是因果经验——这是纯文本模型永远缺的那块拼图。把镜头拉远，多模态统一 背后其实是需求和供给的双向奔赴。 统一模态会带来哪些单模态时代没有的能力？ 统一模态会带来单模态时代没有的涌现能力：比如模型能一边看手术画面一边用语音讲解、一边操控机械臂；能读一份PDF图纸，直接在仿真世界里把它造出来再试车。模态打通之后，智能的颗粒度会从「处理信息」升级为「完成任务」。当然，统一也带来新的成本与风险：一个架构出问题，所有模态一起塌方；安全对齐要覆盖的面也成倍扩大。但方向已经清楚，分歧只在时间表。一个更直白的信号是：愿意为 多模态统一 付钱的人正在变多。 多模态统一不是把几个功能粘在一起，而是让智能第一次拥有跨感官的常识。当文本、画面与动作共用一个大脑，AGI才真正有了身体。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

把信息拆开揉碎，你会看到一条清晰的主线。过去几个月，一个安静但重要的讨论在业界蔓延：再把算力翻一倍，模型能力是否还能像过去那样线性兑现。Scaling Law这条被信奉多年的增长曲线，似乎正在逼近它的膝盖点。 为什么说scaling law的边际回报在递减？ 所谓scaling law，是指模型性能随参数量、数据量、算力呈平滑可预测的幂律提升。但当模型参数踏入万亿级、语料逼近用尽，继续堆规模换来的增益开始肉眼可见地变缓，账单却指数膨胀。Anthropic招股书里5180亿美元的算力承诺，正是这条曲线的代价侧写。更麻烦的是数据侧：高质量人类语料被认为在数年内就会被耗尽，这是OpenAI转向合成数据的根本动因。规模红利的两条腿——参数与语料——同时开始遇到天花板。对普通人和小团队来说，这里藏着可操作的机会。 除了堆参数与算力，逼近AGI还有哪些杠杆？ 业界正在把希望押到几条新杠杆上：其一是推理时计算，让模型「想得更久」而非「长得更大」；其二是世界模型与具身智能，让模型从环境交互中获取新经验；其三是算法架构本身的重写，挑战Transformer一家独大的局面。这三条路本质上都在回答同一个问题：当「更大」不再划算，智能还能从哪里长出来。答案大概率不是单一方向，而是三者与算力的再组合。从产业视角看，这件事正在改写普通人的选择逻辑。 拐点叙事是泡沫预警，还是技术换轨的信号？ 拐点叙事要分两面看：它既可能是AI泡沫要破的预警，提醒市场不要为无上限算力债务买单；也可能只是技术范式换轨的正常信号，就像当年摩尔定律放缓不代表芯片业终结。历史上每次增长曲线变缓，都是工程红利让位给理论突破的时刻。对旁观者的启示是：别再只盯模型排行榜，下一个十年的竞争位，属于那些率先掌握新杠杆的团队。把镜头拉远，Scaling Law 背后其实是需求和供给的双向奔赴。 Scaling law不是失效，而是在提醒行业：单纯堆规模的时代正在过去。下一段AGI征程，属于算法、数据与身体的再组合。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

不追热点、只看门道，是理解 AI 的正确姿势。本周另一条少被细读的消息是：OpenAI停止了在实时互联网上抓取数据来训练模型。几乎同一时间，白宫在推动一套自愿的超级智能安全协议。两件事放在一起看，信号意味深长。 为什么头部模型公司开始告别「实时网喂养」？ University 365在盘点10月28日要闻时，把「OpenAI shipped GPT-6.1 Terra and stopped training on the live internet」并列为同日两大事件。停止实时网抓取，表面是合规与版权压力的结果，深层原因则是公开互联网的信息质量在劣化、AI生成内容在污染语料，继续抓下去等于饮鸩止渴。当全网一半文本都是机器写的，再用它训练下一代模型，就成了吃自己尾巴的递归，能力会被系统性拉低。头部公司比谁都清楚这一点，主动收手是给自己留干净的下一代。换个角度想，这正是 实时网训练 从概念走向日常的证明。 不抓全网之后，下一代模型的知识从哪里来？ 不抓全网之后，知识来源必然转向三条路：授权高质量语料、程序合成数据、以及由强模型自我蒸馏生成的训练样本。这意味着数据战的形态变了——过去比谁爬得多，往后比谁造得出高纯度的合成语料。合成数据的瓶颈也很现实：它容易把模型训练得「只会说自己人话」，丧失对真实世界长尾的感知。如何在合成与真实之间配比，会成为下一阶段各家最核心的工艺机密。对普通人和小团队来说，这里藏着可操作的机会。 自愿安全协议，能管住真的超级智能吗？ 白宫推动的自愿超级智能安全协议，配合Anthropic招股书里的风险披露，勾勒出一种新治理形态：在强制立法落地之前，先让头部公司自愿承诺、并通过资本市场披露把承诺变成硬约束。它靠的不是警察，而是投资者与客户的选票。自愿协议的软肋也很清楚：它管得住愿意挂牌的上市公司，管不住地下实验室与主权项目。当能力逼近超级智能，靠道德自觉能不能兜住，是这个时代最大的未知数之一。从产业视角看，这件事正在改写普通人的选择逻辑。 停止实时网训练与自愿安全协议，是同一件事的两面：数据底座在换血，治理方式在换轨。AGI竞赛的下半场，比的不只是算力，更是干净的数据与可信的承诺。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com

当新技术扎堆出现，真正重要的往往是底层逻辑。10月26日美国时间，OpenAI宣布其内部模型在数学、计算科学与物理学领域产出了三项此前未知的结果。这不是拿奥赛题刷题，而是在人类尚未走完的路上，自己迈出了新的一步。 这三项结果分别挑战了哪些人类长期未解的难题？ 据日本科技博客整理，三项成果分别指向：论证「指数时间假说（ETH）为假」、在全维度上证明局所平滑化猜想、以及给出量子色动力学（QCD）的存在性证明。ETH是计算复杂性理论的一块基石，若其为假，整个P与NP之外的难度谱系都要重画。局所平滑化猜想与QCD存在性证明，则分别坐在分析学与理论物理的深水区，都是人类数学家悬置多年的硬骨头。模型不是在已知题库里拿高分，而是在未知海域标出了新的岛。值得注意的是，这类变化往往比想象中来得更快。 「模型自己提出并证明新定理」意味着什么？ 从「解题」到「立理」，中间隔着一条认知的鸿沟：解题是在给定公理内推出结论，立理是连「该证明什么、为什么值得证明」都要自己判断。模型一旦能自主提出有价值的猜想并走完证明链，它在科研链条上的位置就从工具升格为合作者。当然，这些结果仍需同行复算与严格审查才能算数。历史上AI也有过「给出漂亮证明后被人工找出漏洞」的前科，ETH为假这种颠覆性结论尤其需要谨慎。但方向本身比对错更重要：机器开始向人类知识的边界外伸手了。换个角度想，这正是 AI定理证明 从概念走向日常的证明。 当AI开始产出原创知识，科研分工该如何重排？ 一旦这类能力稳定下来，科研分工将被重排：人负责提出问题、品味与价值判断，机器负责在浩渺的可能性空间里穷举候选路径、快速证伪与迭代。数学、理论物理这类「思考密度极高、物料消耗极低」的领域，会最先被改造。这也逼近了AGI讨论里最敏感的一问：如果系统能独立产出新的可靠知识，它距离「理解」还有多远？答案或许是，我们对理解的定义，会先于机器能力被改写。对普通人和小团队来说，这里藏着可操作的机会。 从解已知题到证未知理，OpenAI这三项成果是AI科研能力的一道分水岭。它们是否成立有待同行检验，但「机器开始产出新知识」这件事本身已经不可逆。 去论坛讨论 前往 silicon-agi.com 论坛 参与讨论 💬 更多交流内容，请点击本站论坛交流区：silicon-agi.com