文丨饶富英 胡世鑫
编辑丨叶锦言
出品丨深网·腾讯新闻小满工作室
过去两年，中国大模型行业快速变化。开放模型生态正改写全球开发者的选择，DeepSeek等国产模型凭借开源、低成本和高性能扩大影响力。
产业侧也在扩张：中国人工智能核心产业规模预计突破1.2万亿元，AI企业数量超6000家，日均Token调用量较2024年初增长超千倍。
当行业讨论参数规模、榜单排名和API价格的同时，另一些问题也被提出：最新模型和当前AI的真实进展究竟意味着什么？AI自进化发展到哪个阶段了？语言模型与世界模型谁会率先重构世界？
6月12日上午，北京智源大会“重构世界——中国大模型巅峰对话”圆桌论坛围绕这些问题展开。智源研究院院长王仲远作为主持人，与小米MiMo大模型负责人罗福莉、面壁智能联合创始人兼首席科学家刘知远、生数科技创始人朱军、南洋理工大学教授安波同台对话。
对话从Anthropic最新发布的Claude Fable 5切入，讨论迅速延展至大模型 Scaling（即大模型的规模化扩展）的边界、AI 自进化的数据飞轮、数字世界与物理世界的能力迁移，以及通用世界模型的未来方向。
多位嘉宾的观点指向，大模型仍未抵达真正的“质变时刻”，但它已显著改变技术演进和产业竞争的方式。“重构世界”也不再只是一个抽象命题，而成为AI行业必须正面回答的现实问题。
以下为圆桌实录，经过编辑和整理：
模型能力：质变还没来
王仲远：前两天，Anthropic发布最新模型Claude Fable 5，它的编程能力和安全能力都有大幅跃升，想听听各位怎么看这款最新的模型以及当前AI的进展？
罗福莉： Claude Fable 5是非常科学、自然地沿着Scaling路径推进的中间产物。它在多个维度上都体现出了明确的Scaling特征。
首先，从预训练参数看，它很可能已经达到当前最强开源模型的数倍。其次，在test-time scaling，或者说强化学习层面，它也有非常大的算力投入。随着我们从Chat时代迈向Agent时代，模型可利用的训练数据也在发生变化。它正从天然的互联网文本数据，进一步扩展到由人与Agent共同生成的合成数据。原来我们能获得的文本数据规模，按token计可能在40T到80T的范围内，现在这一上限又迈上了新台阶。
Fable 5的能力提升，来自数据、Agent合成数据，以及test-time scaling与强化学习结合这三个维度的自然外延扩张。
王仲远：从你看到的趋势来看，当下这种模型依然是快速的线性增长，还是指数型增长？
罗福莉：我很难去预估增长曲线，因为我们通常看到模型能力是一个“涌现”的过程，所以很难用非常刻板的曲线去量化它。
刘知远：对于模型发展我有三点思考。
第一，这是一次可持续的Scaling。关键逻辑在于，我们是否真正找到一条可以持续运转的数据飞轮闭环。无论是2024年、2025年强化学习方向的进展，还是这次Anthropic的表现，都说明如果能在全球范围内持续收集用户反馈，并把这些数据重新投入到模型迭代中，就能够构成持续发展的强劲动力。
第二，从产业角度看，代码本身就是数字世界中极其重要的生产力工具。代码大模型能力的持续提升，一定会对所有依赖代码的行业带来颠覆性影响。当数据飞轮逐渐成熟，模型能力会向更多行业外溢，这里面存在大量值得探索的创新空间。
第三，代码大模型之所以能快速形成闭环，是因为它所依赖的数据完全发生在数字世界中，因此很容易建立反馈机制。任何一个领域，只要能够快速形成类似的数据闭环，AI在其中的落地和应用就有可能被加速。Anthropic的成功对我们是一个启示：我们需要继续寻找更多不同类型的数据闭环。
安波：不同模型对推理结果影响很大。代码能力确实重要，但并非所有问题都能靠代码解决。
自进化：不是封闭，但要开放
王仲远：当下基座模型、智能体技术快速发展，AI自进化成为热门趋势。想请各位分享一下，观察到哪些AI自进化的行业趋势？
罗福莉：上一代模型的极限是“高质量执行”。现在，顶尖模型已开始延伸到能设计验证指标、规划实验流程——它正在具备部分研究型能力。
但当前模型与顶级研究员的差距仍清晰存在：一是能否提出真正有价值的假设；二是在研究过程中，能否判断哪些方向没有意义并及时叫停。这背后是研究判断力。不过，更强的模型和更完善的self-improvement系统，正在逼近这些边界。
刘知远： 现在这个时间节点非常关键。我们即将迎来的智能革命，可以类比工业革命。
工业革命的核心是用机器替代重复性体力劳动，最终实现“用机器制造机器”。沿着这个类比，智能革命的核心就是用AI替代机械、重复的脑力劳动——“用AI制造AI”几乎一定会发生，这是AI发展到高级阶段的重要标志。
工业革命花了几百年才走到那一步，而从大模型出现到讨论“用AI制造AI”，才过去六七年。但无论怎么递归，最外层仍应由人驱动。要制造什么样的AI、如何服务社会，最终由人决定。人的主体性，是“AI制造AI”最核心的驱动力。
安波：我觉得，在AI能力还比较弱的时候，自进化路径怎么跑通，是一个很重要的问题。现在很多系统实际上仍处在相对封闭的环境中。像Claude Code或Codex这类系统之所以有效，一个重要原因在于，它们并不是完全封闭地运转，而是引入了大量来自内部员工使用、AI写代码过程，以及外部真实反馈的数据。也就是说，单纯在封闭系统里做数据飞轮，这件事未必真正能work，尤其是在AI本身能力还不够强的时候。
刘老师后面提到的问题，可能会让人联想到最近关于AI是否已经出现某种“自我意识”的讨论。最近国际上一些实验室也在招募研究者，探讨“自我意识”相关问题。但在我看来，目前还没有到那个阶段。
朱军：自进化不能凭空发生。从信息熵角度看，必须有新输入注入系统。除非内部还有大量内容没学完——互联网数据总量巨大，但我们未必真正用好了。持续深挖依然能带来进步。
今天很多系统能优化，是因为有相对清晰的目标。但在复杂开放环境中，目标往往不清晰、甚至多维度。传统做法是划定边界、用专门数据解决专门问题。
但现在更有效的方式，是先构建一个通用基础模型。哪怕一开始只学到60%，只要第一步成立，后续提升往往很快。尤其在物理世界，如果有更多本体、更丰富的数据和更好的反馈机制，系统就可以持续进步。
我们2020年提出过“物理AGI”构想：构建可进化环境，让智能体进入学习。学习过程不是完全封闭的，它可以走出系统与真实世界交互，再把反馈带回。今天讨论的“世界模型”，正是在逐步实现这种设想。
世界模型：语言先行一步
王仲远：这场圆桌的主题是“重构世界”。刚才和几位嘉宾交流时，已经看到几种可能的路径。大家认为“重构世界”最有可能沿着哪条路径展开？个人更相信哪一种方向会更快到来，或者更有可能真正改变世界？
罗福莉：语言模型和世界模型都在发展，但现阶段语言模型走得更快。因为在数字世界里，我们更容易还原智能环境，也能设计更精准的reward体系来激励自进化。这是一条明确且正在持续Scaling的主路径。
世界模型仍处在更早期的探索阶段。我还没看到真正高效、能从视频角度高质量重构世界的模型。如果未来出现这样的高效生成器，再叠加Agent系统，就能继续Scaling。
底层逻辑上两者互通，但当前语言模型会先走一步。世界模型还需解决几个基础问题：更高效的基础架构、更贴近真实世界的物理系统，以及如何引入强化学习。
朱军：我认为，未来世界模型一定会是一个更通用的世界模型。它有点类似于 Transformer之于语言模型、GPT之于通用基座的意义。未来大家更应该关注的，不只是某一个垂直能力很强的模型，而是那种真正具有 Foundation 属性、具备泛化能力、同时能够持续演进的通用世界模型。
关于人才：读博不如去lab干三年
王仲远：现在越来越多优秀的年轻人站上AI最前沿的舞台，但另一方面，也有很多年轻人正因AI发展太快感到焦虑。想请各位嘉宾给今天的年轻人一些建议？
罗福莉：保持自己的探索欲和好奇心，并尽可能极致地使用当下最新的AI大模型。在这个过程中需要大量试错，并且逐步培养出自己的独特判断力，以及做研究的审美。
朱军：在这样的大变革里，最重要的还是先把自己的根基打牢。只有根基足够扎实，在时代快速变化的时候才会拥有真正稳定的竞争力。
有人因此感到焦虑，我觉得也不用焦虑，因为你身边的人可能比你焦虑的多。真正重要的，是在这个时代里积极地去拥抱它、使用它、学习它。保持学习很重要，包括今天我在这也在学，我给学生上课也在不断地更新自己的知识。
刘知远：三点建议。第一，敢为人先。创新往往反共识，要做别人还没看到、还没开始做的事。第二，能够坚持。做出不一样的选择，就一定会面对质疑，要能走下去。
第三，成功后不成为既得利益者。不能停留在原有经验上，要敢于自我否定，继续探索新方向。
安波： 做重要的事，做有人关心的问题。别把时间花在nobody cares的问题上。
有些博士一毕业就拿高薪，有些人却找不到工作——差别在于你做的问题是否真正重要。在今天，学位的重要性在下降。一个本科甚至高中毕业的人，如果能进入一线frontier lab干三年，可能比读博收获更大。真正重要的是你会什么、能做什么。
