1. 未來不僅僅是預訓練和推理階段存在規模定律，我們將看到更多新的規模定律持續驅動模型性能的提升。

2. 可持續的規模定律也會對算力提出更高的要求，模型發展的上限必然與算力成正比。在完全開放的市場里，泡沫和過度投資在所難免，但AI的發展還遠遠沒到“泡沫頂點”。

3. 人類與工具的關系正在改變，我們正在進入“智能體群(agent swarm)”時代，也就是數量龐大的智能體之間彼此交互、執行任務、交換數據、交換信息，甚至交換任務。而人類與這些智能體群的交互，將構成所謂的“智能體經濟(agent economy)”。

4. 雖然新技術總是會創造新工作崗位、淘汰舊工作崗位，但這些新工作可能不一定是給人類的，而是給智能體的，這是令人擔憂的部分。

本文系盤古智

庫學術委員、北京智源人工智能研究院創始理事長張宏江

在“ 2025羅漢堂-北大國發院數字經濟年會”“AI智變時代：技術、經濟、產業與組織的未來”論壇上的發言內容整理

文章來源于

“羅漢堂觀點

本文大約5700字，讀完約14分鐘。

大家早上好。感謝邀請我來分享關于近期人工智能技術發展的想法。我的演講將涵蓋幾個主要方面。首先，我將討論支撐大語言模型發展的“規模定律(scaling law)”是否可持續。然后，我會談談大模型如何推動整個AI生態的規模化發展，特別是在算力和電力基礎設施的投資建設方面。最后，我還將講一下核心的技術方向，特別是AI智能體和智能體經濟，并花幾分鐘想象一下未來的可能性。

1

可持續的規模定律

對于大語言模型或AI基礎模型，我們必須了解推動它們進步的一個關鍵驅動力就是“規模定律”。今天的大型AI模型的本質在于由規模提升而涌現出來的能力，這是模型在達到一定規模、一定性能參數臨界點時，突然具備的能力，也可以說是拐點。我們在GPT-3上觀察到了這種現象，后來的ChatGPT以及過去兩年快速發展的其他模型也都體現了這一點。一般來說，參數越多，性能就越好——這一點目前仍然成立。

盡管業內普遍感覺預訓練模型(pretraining model)的規模定律在逐漸放緩，但它依然非常重要：隨著訓練時間和模型規模的增加，模型的準確率在提高，只是提高的速度沒有以前那么快了。與此同時的好消息是，在OpenAI的o1模型發布后，我們看到了一個重要的拐點，那就是規模定律可以被拓展到推理模型(reasoning model)。這意味著在推理階段，模型所獲得的時間越多，它的表現就越好，結果就越準確。我們稱這種現象為“推理規模定律(reasoning scaling)”，或“測試時規模定律(test-time scaling)”。這是過去六個月中推動模型性能提升的重要力量，同時也是拉動算力需求迅速上升的重要因素。

這將我們引向一種新的提升模型性能的路徑。我們以前主要依賴轉換器(transformer)來做預訓練，現在則進入了強化學習(reinforcement learning)階段。我敢大膽預測，未來不僅僅是預訓練和推理階段存在規模定律，我們將看到更多新的規模定律持續驅動模型性能的提升，同時也會對算力提出更高的要求。也就是說，盡管預訓練的規模定律有所減緩，但后訓練(post-training)階段、強化學習階段的規模定律則開始顯現，進一步提升模型性能，并持續增加對算力的需求。

另一個好消息是所謂的“大語言模型通縮(LLMflation)”：模型的使用價格（即單位token的價格）在過去三年中以非常快的速度下降。我們看到基本上每年token的價格下降約10倍，三年總計下降約1000倍。與此同時，從主流模型的發布可以看到，每一代模型發布時，token價格下降了，但性能卻更好了。所以我要強調的是：規模定律依然有效，token價格在持續下降，我們因此可以把它看作一種新的“摩爾定律(Moore’s Law)”——模型能力持續提升的同時，使用成本在不斷降低。

2

AI產業規模化升級

我講的第二點是AI正在大規模的產業化。這不僅是模型本身的規模提升，更是整個產業生態體系的規模擴展。大家看到OpenAI、Anthropic這些初創公司提供的是“模型即服務(Model-as-a-Service)”，同時大型平臺和云計算公司在持續提供“平臺即模型(Platform-as-a-Service)”。我們應該意識到，AI模型不僅是模型，它將會成為一個平臺，平臺將會進一步構建自身的生態體系：平臺的上層會出現越來越多的應用程序，而在下層則是云計算，再往下一層是計算的硬件，其中最關鍵的是GPU。這也是為什么在過去兩年里，GPU在AI領域中處于絕對主導地位。大家最終認識到，從規模定律的角度來看，不論是模型訓練還是模型使用，雖然token價格下降了，但用戶越來越多、應用場景越來越豐富，這都將消耗越來越多的算力。

因此，我們看到AI基礎設施建設正以前所未有的速度快速擴張。比如OpenAI宣布的Stargate項目，計劃投入約1000億美元和上千名工人在德克薩斯建設數據中心，未來可能將投資規模進一步上漲至5000億美元，預計部署10萬個——甚至擴展至50萬個——GPU。另外，Elon Musk的Colossus項目，在前四個月就已經部署了10萬個GPU，計劃最終包括20萬個GPU。我算了一下，10萬個GPU的運行功耗大約是150兆瓦；如果擴展到100萬個GPU，則將消耗約1.5吉瓦。這意味著什么？整個北京市的耗電量約為13吉瓦。也就是說，僅僅一個擁有100萬個GPU的數據中心，就會消耗北京市總用電量的八分之一。由此可見AI基礎設施的投建規模之大。

正是這種對GPU的大量需求使得NVIDIA股價持續上漲。除了OpenAI和Musk之外，Google、Microsoft、Amazon等公司也都在加大投資，僅2025年他們在AI相關的資本開支上就預計投入超過3000億美元。這將直接導致美國出現電力緊張的問題。如果這種速度持續下去，美國的電網明年就將不堪重負。這也解釋了為什么過去一年里大家又開始關注核能——尤其是小型核電站技術——相關的股票也漲勢強勁。整個AI數據中心產業鏈，在過去一年經歷了大規模的建設潮，并且還將持續下去。這不僅僅是GPU、數據中心，還包括能源。這就是我們所說的AI產業規模化。

3

核心技術方向

我想更深入地談談技術方向的問題。技術發展路徑的第一階段主要還是“預訓練(pretraining)”，這是核心。一個公司如果沒有能力構建強大的基礎模型，它就無法開發出優秀的推理模型，更不可能構建出高質量的智能體。接下去的整個路線圖非常清晰：預訓練 → 微調(fine tuning) → 強化學習 → 智能體 (agent) → 具體應用場景 (specific domain)。這是為什么我們看到OpenAI在發布GPT-4之后，又發布了o1，將來會在整合了GPT-4.5和o3后推出GPT-5。這樣，他們的預訓練模型和推理模型已經趨于統一，其他大模型開發者也都會走這條路徑。

當AI模型既具備預訓練能力，又擁有強化學習能力后，就會走向“測試時推理模型(test-time reasoning model)”。也就是說，AI模型不再只是“快思維”（快速提取知識），它現在也具備“慢思維”（理性推理）的能力。“慢思維”能力的增強是AI解決更復雜問題的關鍵。換句話說，如今的AI模型已經不再是靜態的，不再只是一個知識庫，也不再是靜態的網絡。以前我們說，如果今天沒有給模型訓練新知識，那模型就沒有長進。但現在，模型自身具備了持續學習的能力，它可以根據我們提供的數據，從網絡中不斷學習。我們已經開始看到計算機科學和AI奠基人Alan Turing所設想的那種能夠從經驗中學習的機器。

過去在預訓練時，訓練模型的主要方式是人類提供數據給它學習，例如AlphaGo 就是從人類下棋的經驗數據中學習的。目前訓練基礎模型——尤其是訓練推理模型——的主流方法已經變為強化學習。在強化學習階段，我們并不直接提供數據，而是提供規則和目標，并教模型如何從數據中學習。這不僅是“授人以魚”，而是“授人以漁”。

接下來，我們不僅要教模型怎么釣魚，還將賦予它“饑餓感”，讓它自己明白魚是好吃的，然后讓它自己感到餓，這樣模型就會主動去找魚吃。（所謂“饑餓感”，就是要為模型設置更高層次的目標函數，讓它不僅滿足于完成單一任務，而是持續自我優化、避免“餓死”。只有目標驅動、持續迭代，模型才能真正突破。）也就是說，模型要自己學會如何釣魚，而不再需要人類去教；它將不僅會使用數據，還知道去哪里獲取數據，甚至如何自己構建數據集。這就是我們目前所處的階段，我們正在邁入一個全新的AI智能體時代。

人們經常談論強化學習、預訓練和推理之間的關系。過去我們談論了很多預訓練（比如GPT），但現在我們進入了后訓練、強化學習和推理階段。強化學習曾經只是整個模型訓練中的一小部分。但從OpenAI的o3模型開始，強化學習變成了很重要的一部分，并且在未來會進一步擴大比重。可以說，強化學習和推理在過去就像蛋糕上的櫻桃，在未來則將成為模型性能的主要驅動因素，也將成為計算資源消耗的主要部分。

今天我們已經擁有能夠長時間思考的模型，就像圍棋大師一樣，它邁出一步的時間更長，解決一個復雜問題甚至需要非常聰明的人花很長時間。你可能會問，時間更長就一定更好嗎？我的觀點是，當一個推理模型花更多時間思考時，它實際上是在問自己更多的問題，它在思考中提出更多假設，搜索更多路徑，甚至在這個過程中構建自己的工具。未來我們將看到一個模型就像科學家一樣，可以花上數天、數月時間思考一個特定問題并找到解決方案。

4

AI智能體與智能體經濟

現在大家都在談論“智能體(agent)”。如果我們借用Sam Altman關于人工智能五個階段的劃分，我們現在正處于第二和第三階段之間，但很快將進入第三階段，也就是所謂的智能體階段。在這個階段，AI系統能夠采取行動，能夠自我學習。

從這個角度看，人類與工具的關系正在發生變化。以前我們把計算機、AI 視為人的工具。現在我們已經把 AI 看作助手或副駕駛(copilot)。而在不久的將來，人類與工具將會進入一個新的共生階段：人和機器網絡的共生。那時會有更多的自主AI智能體，并將受人類控制——但愿我們成為控制者，否則就可能變成它的奴隸，或者被它們同化。

舉例而言，OpenAI 的一個前沿項目Deep Research，它是在推理模型基礎上構建的智能體。你給它一個任務，它會首先分析這個任務，然后意識到需要一些數據，它會自己去搜索。接著它意識到需要一些分析工具，它會去尋找這些工具。它可能還意識到有些工具根本不存在，于是它自己編程開發這個工具，然后再使用這些工具完成任務。所以你可以看到，它既可以使用現有工具，也可以自己構建工具來完成任務。

今天我們已經開始有智能體能夠執行任務，并在復雜的工作流中工作。未來，每一個任務、每一個工作流程都有可能由智能體來完成。這些智能體將組成一個系統，形成企業決策的完整閉環，運行整個操作流程。這一天很快就會到來。我們正在進入一個階段，叫“智能體群(agent swarm)”時代，也就是數量龐大的智能體之間彼此交互、執行任務、交換數據、交換信息，甚至交換任務。而人類與這些智能體群的交互，將構成我們所謂的“智能體經濟(agent economy)”。設想一下，現在的大模型是由海量的神經元構成的。未來，這些智能體會像今天神經網絡中的單個神經元一樣，而未來的社會和經濟系統將由大量的智能體構成，就像今天的神經網絡。那將是我們的未來。

圖片來源：AI’s Trillion-Dollar Opportunity: Sequoia AI Ascent 2025 Keynote

圖片來源：AI’s Trillion-Dollar Opportunity: Sequoia AI Ascent 2025 Keynote

圖片來源：AI’s Trillion-Dollar Opportunity: Sequoia AI Ascent 2025 Keynote

我想說，未來是自主的(autonomous)：自主的智能體、智能體群和智能體經濟。如果僅看模型的智商測試結果，今天不少大語言模型的水平已經落在人類IQ 分布曲線的右側，也就是說，它們的IQ測試分數已經高于人類平均水平。這意味著什么？我們還記得當年AlphaGo戰勝人類圍棋大師的那一刻，尤其是它的下棋方式是前所未見的，那時我們才突然意識到AlphaGo已經具備了所謂的“上帝視角(God’s angle)”：人類下了兩千年圍棋，其實只是站在一座小山上看風景，而 AlphaGo 看到的是整個地貌。

我們在大語言模型中看到的就是這種潛力。當我們談到奇點是否到來，其實就是說兩條曲線是否交匯：一條是人類的適應能力或學習能力，這條曲線幾乎是平的；另一條是技術或機器的學習能力，這條曲線增長得非常快。當這兩條曲線交匯時，就意味著機器已經比人類更聰明了。人類能做的一切，最終都可以由機器完成，而且機器學習得更快。這就可能意味著，雖然新技術總是會創造新工作崗位、淘汰舊工作崗位，但這些新工作可能不一定是給人類的，而是給智能體的。這就是令人擔憂的部分。

因此，未來組織的核心資產將會完全不同。GPU，也就是算力，會成為核心資產。模型，也就是智能，也會成為資產。未來我們不斷訓練模型，而不是不斷培訓員工。今天我們要擴展業務，會去招聘新員工，建立新組織，建設新辦公室。未來，我們只需要獲取更多的算力，改進模型，獲得更多的數據。這是一種巨大的結構性變革，前所未見，只在科幻小說中出現過。

最后講一個我從網上看到的笑話。一家公司有三位C-level的高管。CFO關心錢：“如果我們花了很多錢培養員工，他們卻離職了怎么辦？” CEO說：“那如果我們不培養他們，他們卻留下來呢？”然后CTO說：“機器人從來不會離職。” 這也許就是我們即將面對的場景，它要求我們必須制定應對計劃和采取行動，去面對可能的結構性轉型及其風險。

謝謝大家！

在論壇的圓桌討論環節，張宏江博士進一步指出：

1.過去一年中，中國大模型的研發進步值得肯定。但此前追趕階段的優勢在于“別人把路也給你指出來了”，而當距離縮短后，就需要自己選路線、比拼創新能力尤其重要，競爭仍會十分激烈。此外，大模型的能力上限高度依賴算力。集中化的算力經濟是未來的關鍵，有100個1000張卡的算力中心，不等于有一個10萬張卡的算力中心，尤其是在訓練方面，能夠管理和運營大規模算力的能力是非常重要的。雖然DeepSeek是一個了不起的突破，但如果我們只是抱著“多快好省”的思維，就會誤判形勢，最終在算力上也一定要趕上。模型發展的上限必然與算力成正比，這是不可回避的物理約束。在完全開放的市場里，泡沫和過度投資在所難免，但AI的發展還遠遠沒到“泡沫頂點”，眼下大模型仍有大量待解問題，也需要大量的專利和投入。

2. 在經濟層面，人與智能體的交互合作是非常重要的。隨著智能體變得越來越強大，我們會看到智能體會替代企業或機構中許多流程和決策點，這將會提高生產率，但也會帶來一些大的結構性變化。未來企業的規模，如果以人員的數量來衡量的話，會出現一些小規模的大企業，就像“單人獨角獸”(one person unicorn)。這些企業的銷售額和利潤可能非常大，但員工人數卻很少。可以想象，當智能體能夠自動編程，甚至自動生成工具時，這個趨勢是顯而易見的。小公司會大量涌現，而大公司則裁員更多。所以，未來是人和一群智能體的合作。智能體會變得越來越主動，越來越自動化。我們不能指望未來機器永遠只是人的助手。■

文章來源于“羅漢堂觀點”微信公眾號????

責任編輯：劉菁波