主题
字号
PART VI · 2026 产业地图
CHAPTER 34 ≈ 45 MIN READ

六年，与之后——回望、前沿与写给你的话

这是全书的最后一章。前面五卷加这一卷的前五章，我们从课本里那个原版 Transformer 出发，一路走到了 2026 年的产业地图。现在该收尾了——但收尾不是重复，而是站到最高处回望来路、眺望前方，然后把这本书交还到你手里。

这一章分三步走：先看清 AI 增长的三条曲线眼下各自走到了哪、这决定了第 5 章那个"能力还能不能继续涨"的悬念的答案倾向；再巡视一遍下一次范式跃迁的候选者；最后，回望这六年，说几句写给你——一个正在入门的大二学生——的话。

6.1 三条曲线，一个转折

第二卷末尾我们留下过"预训练撞墙了吗"的悬念，第四卷又见证了 RL 和 test-time 两条新曲线的崛起。现在把三条曲线放在一起做个体检，会看到一个清晰的转折。

**第一条，预训练 scaling（把模型做大、喂更多数据）。**2026 年的共识不是"能力见顶"，而是"这条特定路径见顶"。多份综述的措辞高度一致：撞上的不是能力的硬天花板，而是"更大模型 + 更多互联网文本"这个具体方法的极限——数据墙（第二卷）是真实的上限，架构与训练方法的创新从"可选"变成了"必需"。

**第二条，RL scaling（后训练强化学习的算力）。**这是第四卷推理革命的引擎，2026 年它还在涨——但一份大规模系统研究揭示了一个关键性质：RL 的算力-性能曲线是 S 形的（有渐近上限），不像预训练的幂律那样在可观测范围内看不到头。用一个直观的比方：预训练像越吹越大的气球（幂律，一直在长），RL 更像逼近饱和的 S 曲线（会趋平）。而且天花板的高度由训练配方决定——这解释了第四卷那场 GRPO 军备赛为什么如此激烈：大家争的不只是效率，是谁的配方能把渐近线抬得更高。

第三条，test-time scaling（答题时想得更久）。o1 以来最实打实的新维度，2026 年的问题已经从"能不能 scale"转向"边际何时递减"。一个耐人寻味的信号来自评测端：衡量能力的基准正在被前沿模型快速饱和——第四卷讲过的 METR 时间跨度曲线（模型能独立完成的任务时长），2024 年后每约三个月翻一倍，到 2026 年初前沿已达十几个小时，但基准本身开始"测不准"了（能撑起十六小时以上任务的测试题太少）。标尺快不够用了——这既是能力仍在猛涨的证据，也是一个微妙的警示：我们正在失去衡量下一段增长的工具。

三条曲线合起来的图景是：老引擎（预训练）在减速，新引擎（RL、test-time）在加速但也能看到各自的天花板。所以第 5 章那个悬念——"能力还能不能继续涨"——2026 年最诚实的答案是：能，但不再是靠同一台引擎；增长的接力棒正在从"规模"传向"方法"。而下一棒会交到谁手里，就是下一节的问题。

6.2 下一次跃迁的候选

如果说过去六年的主线是"scaling 现有架构"，那么 2026 年前沿的共识是：下一波增长更可能来自定向的算法突破，而非继续放大现有系统。几个候选方向值得你认识，因为它们很可能就是你未来几年会亲历的故事：

持续学习（continual learning）——解决当前系统最反直觉的一个缺陷：模型部署后学不进新东西。它的权重是"冻"住的，你这次对话教它的，下次它就忘了；想让它学新知识就得重训，而重训又会冲掉旧知识（这个叫"灾难性遗忘"的顽疾困扰了领域几十年）。第四卷讲的"小版本迭代"本质是人类工程师在替模型学习。而持续学习要让模型自己在部署中积累经验。多位前沿研究者乐观地认为它可能在近几年内被"以令人满意的方式解决"——如果成真，这是通往"能力随使用而增长"的关键一步。

世界模型（world models）——大语言模型预测"下一个词"，世界模型预测"下一帧"，在内部建立对物理与数字世界如何运作的表征。2025–26 年这个方向从论文走进了产品：有系统能从一张图或一段文字实时生成可交互、可导航的三维世界。深度学习先驱中有人（Yann LeCun 是最坚定的代表）押注这才是通往真正智能的路，甚至为此离开大厂另起炉灶——他们认为纯语言模型永远碰不到"理解物理世界"这层，而这层才是最难的。

具身智能（机器人）——把大模型装进机器人身体，让它不只在文本里推理，还能在真实世界里行动。2026 年"视觉-语言-动作"模型密集涌现，但真实短板也很清楚：物理世界的多样性和不确定性远超文本，当前的机器人更像在"模仿训练数据里的模式"，还缺乏对动作后果的真正预见。

agent 作为新范式——这不是遥远的未来，而是正在发生的现在。第四卷末尾那条"从解题者到干活者"的曲线，正在把 AI 从"聊天机器人"重新定义为"数字同事"。但这里有个冷静的数据：分析机构一边预测大量企业应用会嵌入 agent，一边预测相当比例的 agent 项目会因成本和回报不清而被砍掉——从原型到可靠生产的鸿沟，仍然很大。

这些方向哪个会成、哪个是炒作？诚实的判断是：世界模型已有商用、持续学习进展强势但未落地、agent 生产化真实但有回报缺口、具身智能必要但仍早期。没有人能确定下一次"GPT-3 时刻"或"R1 时刻"会从哪个方向来——但几乎可以确定，它不会再是"把 Transformer 做得更大"这么简单。

6.3 AGI：一场关于定义的争吵

绕不开的话题：这一切在通向 AGI（通用人工智能）吗？多久？

2026 年，最有分量的几个声音给出的答案差异巨大。一端是最乐观的——有 CEO 认为强大到能取代大部分软件开发者、做诺奖级科研的 AI 会在一两年内出现。另一端是最怀疑的——有图灵奖级的学者坚持现有架构原则上到不了人类级智能，必须换范式，乐观估计也要五到十年。中间是谨慎乐观派——认为人类级 AGI"还差得远"，十年内达成的概率大概一半，且明确需要"一两个突破"（持续学习、记忆、few-shot 学习、更强推理这些当前的缺口）。

面对这种分歧，最有用的不是选边站，而是看穿争论的实质。有一个精辟的观察值得你记住：当一个人说"AGI 快到了"、另一个人说"AGI 不可能"，他们往往不是在争同一件事——他们在争「该把哪件事叫做 AGI」。 "通用智能"是个没有公认定义的词，把标准定在"能替代程序员"还是"能像人一样理解物理世界"，会得出完全相反的时间表。所以当你听到 AGI 的时间预测时，第一个该问的不是"几年"，而是"你说的 AGI 是什么"。这是这个领域最重要的一条"防忽悠"心法。

至于能力增长本身——那条每约三个月翻一倍的任务时长曲线，是目前最硬的客观标尺。它没有告诉我们"AGI 何时到来"，但它确实告诉我们：AI 能独立完成的工作，正在以肉眼可见、可测量的速度变长。这个趋势会平滑地延续、还是会撞上某道墙，是未来几年最值得盯住的一个数字。

6.4 回望六年：从续写机到数字同事

现在把镜头拉到最远，回望整本书的起点。2020 年，GPT-3 是一台只会"接下一个词"的续写机器（第一卷开篇那个反问你问题的场景）。2026 年，同一条技术路线上的模型能独立完成一个工作日长度的编程任务。这六年的主线，可以浓缩成五级台阶——这也是全书六卷的骨架：

每一级台阶，你现在都知道它背后的技术是什么、为什么会发生、代价和边界在哪。这正是这本书想给你的东西：不是记住一堆模型名字和榜单排名（那些下个月就变了），而是拥有一套能看懂任何一次新发布、任何一场新争论的框架——账本与账单、基模与版本、三条 scaling 曲线、约束如何塑造创新。这些框架会比书里任何一个具体数字都活得更久。

6.5 写给你的话：如何跟一个跑得比书快的领域

最后，作为一个大二学生，你合上这本书之后，怎么继续跟这个跑得飞快的领域？几条诚实的建议：

别追榜单，追曲线。谁家模型今天排第一，下个月就换人，记这些没意义。真正耐久的是能力曲线（METR 的任务时长、SWE-bench 的通过率）和范式转折（哪条 scaling 曲线在涨、哪条在饱和）。看懂趋势，比记住名次有用一百倍。

**读一手，别只读转述。**技术报告和 model card 比发布博客诚实（第一卷教过怎么读发布）；arXiv、各实验室的技术报告、Epoch AI 的算力数据、METR 的能力数据，都是一手源。二手聚合站常常互相抄、错了一起错——这本书的每一卷都是先派人核实一手源再动笔的，你也该养成这个习惯。

关于就业，说句实在的。你是 CS 学生，绕不开"AI 会不会取代程序员"。2026 年的现实是：它取代的是任务，不是职业；最受冲击的是入门级的重复性编码——研究显示编程是 AI 覆盖率最高的职业之一，年轻程序员的入门岗招聘确实在收缩。但价值没有消失，它在迁移：向"能定义问题、做架构设计、审查和整合 AI 产出"的能力迁移。换句话说，会用 AI 写代码的人不会被取代，被取代的是"只会写 AI 也能写的那种代码"的人。你现在读这本书、去理解 AI 到底怎么运作——这本身就是在往价值迁移的那一端站。

**保持怀疑，也保持惊奇。**这个领域同时充满了真实的突破和过度的炒作，泡沫的质疑和真金白银的进展并存。最好的姿态是两者都不放弃——像工程师一样怀疑每一个惊人的数字（去查它的口径和来源），也像 2020 年第一次见到 GPT-3 的人一样，对"机器开始会思考"这件事保有惊奇。

六卷到此结束。你从一个"听师兄聊天似懂非懂"的起点出发，现在应该能坐到那张饭桌上，不只是听懂，而是有自己的判断——知道哪些是扎实的、哪些是吹的、下一个值得关注的转折可能在哪。这套判断力，就是这本书能给你的全部，也是它想给你的全部。

这六年发生了什么，我们讲完了。接下来的六年会发生什么——那是你的故事了。

本章要点