站在十字路口的大模型，既需仰望星空的大胆设想，也离不开脚踏实地的智慧。7月26日，一场聚焦大模型技术路线、数据瓶颈与商业落地的圆桌对话，引发业界高度关注。 在商汤承办的2025WAIC大模型论坛上，商汤科技联合创始人林达华、阶跃星辰首席科学家张祥雨，上海人工智能实验室青年领军科学家、书生大模型负责人陈恺，北京智谱华章科技股份有限公司总裁王绍兰，范式集团联合创始人、首席科学家陈雨强及英伟达全球开发者生态副总裁Neil Trevett，围绕大模型发展至关键十字路口的现状，他们从技术路线抉择、数据瓶颈突破与商业落地路径三大维度，展开了一场关乎AI未来命运的深度思辨。 “我们所知的预训练将终结。” 林达华在讨论伊始，就援引了OpenAI前首席科学家Ilya Sutskever在NeurIPS 2024上的论断，直指行业范式迁移——从“预训练+监督微调”走向“强化学习驱动推理”。 “强化学习让模型第一次拥有了‘带反思的思维链’，解决了仅靠压缩语料无法完成的因果推理难题。”阶跃星辰首席科学家张祥雨表示，预训练本质是行为克隆（Behavior Cloning），其固有缺陷无法通过扩大数据或模型解决。 上海AI实验室陈恺则揭示了强化学习发展的前置条件：“强化学习大放异彩的背后，恰恰印证了预训练的重要性。RL极度依赖高质量的‘冷启动模型’作为探索基础。”他更警示当前RL面临两大瓶颈：确定性奖励局限（仅适用于数学编程等封闭问题）与基础设施挑战（探索学习需消耗海量算力）。 封面新闻记者在会上注意到，Transformer架构革新也面临“暗流涌动”。当讨论深入到模型架构时，张祥雨抛出“传统Transformer已到瓶颈”的判断。他认为，在即将到来的“智能体时代”，模型需具备“无限上下文”能力，而Transformer的串行生成机制难以胜任。 “互联网数据枯竭是量的问题，但更致命的是质的问题。”王绍兰认为，基座模型相当于通识教育毕业生，行业落地则需“公司入职培训”——通过行业数据预训练结合RL对齐，使模型掌握专属知识。 “数据短缺将成为一个关键难题，尤其是对于那些无法获取、成本高昂、不道德、危险或涉及隐私的数据。”Neil Trevett在圆桌中首次系统阐释了英伟达的破局思路：“填补这一缺口的方法之一，就是利用物理仿真来生成模拟场景，用于训练大语言模型。” “英伟达在机器人和自动驾驶领域长期深耕，通过Cosmos世界基础模型，能够生成极为逼真的场景，从而获得可用于训练的真实世界数据。”Neil Trevett表示，这些数据通常精确且已标注，非常适合训练，尤其擅长生成那些罕见或极端案例——例如车祸，或机器人遭遇异常状况——这些场景在现实世界中几乎无法采集或难以复现。 “但是，我们不能完全依赖这类合成数据。合成数据不可避免地会存在缺陷、误差和偏差，因此我们必须建立反馈闭环：通过真实世界的基准测试与验证来持续校准训练过程，也许需要人工介入。”Neil Trevett直言，目前，许多相关技术正在开发中。“未来，我们将看到一种强大的混合流程：结合自监督学习，以最大限度减少所需数据量；引入主动学习，让训练系统自主识别最有价值的场景进行训练；仅在绝对必要时，通过人工验证与纠偏，确保训练过程始终紧贴现实，从而避免模型崩溃。” Neil Trevett也提醒到，合成数据不能包打天下，“必须建立真实世界的反馈闭环，用人在回路持续校准，避免模型崩溃”。他预测，行业将走向“自监督+主动学习+人类验证”的混合管线，从而把数据需求压到最低。 智谱华章总裁王绍兰用“大学生和师傅”的比喻形容产业分工：基座模型如同大学毕业的通才，公司用行业知识库做“二轮预训练”，再用强化学习配“师傅带教”，才能解决真实业务问题。“行业数据既是模型精调的燃料，也是垂类公司最深的护城河。”他呼吁各行业成立数据联盟，把非敏感行业语料共享出来，形成正向循环。 陈雨强则从金融反欺诈案例指出，高敏感场景甚至需要“独立训练”基座模型，公司当务之急是建立统一的开源/闭源模型调度平台，以最快速度吸收前沿能力，同时保护私有数据。 面对“开源是否会削弱商业模型竞争力”的尖锐提问，陈恺直言，开源不会做出最顶尖模型，但能逼迫所有玩家把资源投入到真正差异化的环节，“若闭源模型无法超越开源，就失去存在意义。” 站在产业视角，Neil Trevett直言：开源力量“不可否认”，但每家公司需自行权衡开源带来的成本节省与商业优势流失，“未来不会是非黑即白，而是开放权重、部分闭源和混合架构的长期共存”。他提出混合架构设想——部分组件开源推动生态，核心模块闭源保护商业。 人工智能已不再是单一公司或单一技术的竞赛，而是全人类共同构建AGI生态的伟大协作。随着WAIC 2025的议程推进，这些前沿思考将在实验室、机房与千行百业中加速落地，推动通用人工智能从“下一代”走向“这一代”。
