“養(yǎng)蝦”熱潮下，專家?guī)湍悴鸾釧gent如何重寫軟件邏輯 | 奇點智能技術大會首日精彩回顧

作者 | 屠敏、鄭麗媛

出品 | CSDN（ID：CSDNnews）

2026 年，關于人工智能的討論，已經(jīng)明顯進入了一個新的階段：

• 從全民“養(yǎng)蝦”式的工具熱潮，到圍繞 skills 與真實任務執(zhí)行的再定義；

• 從“能不能做”的能力驗證，走向“如何規(guī)模化落地”的系統(tǒng)工程；

• 從單點模型能力比拼，轉向以 Agent 為核心的系統(tǒng)性重構。

軟件形態(tài)、交互方式乃至整個互聯(lián)網(wǎng)產(chǎn)業(yè)的運行邏輯，都在被重新定義。在這樣的背景下，由 CSDN 與奇點智能研究院聯(lián)合舉辦的「2026 奇點智能技術大會」于 4 月 17 日正式開啟，圍繞技術拐點與產(chǎn)業(yè)路徑展開集中討論，也試圖為行業(yè)從業(yè)者提供更深層次的理解與思考路徑。

今天上午的主會場，奇點智能研究院院長、CSDN 高級副總裁李建忠，榮耀終端 AI 首席科學家、首席人工智能官（CAIO）黃非，螞蟻集團副總裁、國家級創(chuàng)新領軍人才周俊，上海人工智能實驗室青年領軍科學家、大模型中心負責人陳愷等重磅嘉賓，圍繞大模型演進、推理能力躍遷以及 Agent 產(chǎn)業(yè)生態(tài)等方向，分享了各自的最新觀察與實踐進展。

座無虛席的會場內，討論氛圍持續(xù)高漲。

接下來我們精彩呈現(xiàn)這場大會首日的核心亮點，還原這半天最值得關注的技術觀點與關鍵行業(yè)信號。

白皮書 × 評測體系 × 開發(fā)者社區(qū)，一場關于 AI 軟件研發(fā)的三重奏

本次大會上，奇點智能研究院院長、CSDN 高級副總裁李建忠重磅發(fā)布《AI 原生軟件研發(fā)成熟度模型AISMM白皮書》。該白皮書由奇點智能研究院專家團隊，基于豐富的行業(yè)客戶咨詢案例、并融合業(yè)界最佳實踐，在 AI 軟件研發(fā)領域的重要階段性成果。

從內容來看，這份白皮書不僅是對 AI 介入軟件研發(fā)全過程的系統(tǒng)性梳理，更試圖為行業(yè)提供一條清晰的演進路徑。報告圍繞研發(fā)流程、組織架構、基礎設施與工具鏈等多個層面，系統(tǒng)提出變革要求與落地路徑。在李建忠看來，盡管當前 AI 軟件研發(fā)呈現(xiàn)出快速繁榮的態(tài)勢，但在企業(yè)實際落地過程中，仍普遍面臨組織協(xié)同、流程重構與工程范式切換等挑戰(zhàn)，因此白皮書的重點之一，正是回答“如何真正走向 AI 原生研發(fā)”這一核心問題。

整份白皮書共分為五大章節(jié)，涵蓋 AI 重塑軟件全新范式的變局、AISMM 全景解讀、AI 原生軟件工程的核心變革剖析、企業(yè)現(xiàn)狀與行業(yè)格局評估，以及技術趨勢與價值主張的展望。在大會現(xiàn)場，李建忠還基于白皮書內容，分享了對 2026 年 AI 產(chǎn)業(yè)變革的十二大前沿趨勢判斷，覆蓋計算、開發(fā)與應用三大范式：

趨勢 1：推理算力的池化、異構與彈性調度

趨勢 2：云計算服務模式的深度重構：從 IaaS/PaaS/SaaS 到 Token Factory/MaaS/AaaS

趨勢 3：端云協(xié)同的 AI 計算架構走向成熟

趨勢 4：Token 經(jīng)濟學從應用技巧升維為基礎設施工學

趨勢 5：自主軟件工程的邊界持續(xù)拓展

趨勢 6：Harness的成熟和進化：手工配置到 AI 輔助與自動優(yōu)化

趨勢 7：開發(fā)工具和基礎設施從人類中心走向 Agent 原生

趨勢 8：即時軟件快速增長，柔性軟件走向工程化成熟

趨勢 9：Agent 成為用戶交互第一入口，傳統(tǒng)軟件下游化

趨勢 10：生成式用戶界面（GenUI）為用戶提供更個性化體驗

趨勢 11：Agent 將互聯(lián)網(wǎng)從信息網(wǎng)絡重構為行動網(wǎng)絡

趨勢 12：自然語言交互 + Agent 網(wǎng)絡為多元設備提供人機界面

李建忠表示，未來白皮書將持續(xù)迭代，進一步吸納國內同行的實踐案例，打造開放性的研究成果，助力中國技術人在 AI 與軟件研發(fā)范式變革中持續(xù)貢獻力量。

在白皮書發(fā)布之后，大會進一步將視角從“方法論框架”延展至“行業(yè)評價體系”。奇點智能研究院開源技術委員會主任、華東師范大學數(shù)據(jù)科學與工程學院教授王偉在現(xiàn)場發(fā)布了《AI 大模型技術體系綜合開源影響力榜單》，并對其評測體系進行了系統(tǒng)解讀。

王偉指出，奇點智能研究院延續(xù)去年工作，對 AI 大模型評測榜單進行了持續(xù)更新與迭代。該評測體系突破了單一性能維度的局限，從數(shù)據(jù)、模型、測評與系統(tǒng)四個維度構建綜合評價標準，覆蓋 53 個核心指標，數(shù)據(jù)來源于 17 個平臺的 13,541 個鏈接。相關評測方法論及部分數(shù)據(jù)集已在 GitHub（https://GitHub.com/brucecui0120/OSIR-LMTS ） 和 GitCode（https://GitCode.com/brucec/OSIR-LMTS ）開源，并采用同行協(xié)同迭代的方式持續(xù)優(yōu)化。

此次發(fā)布的評測榜單包含三大分榜單及一個綜合榜單。從結果來看，據(jù)大模型技術體系開源影響力模型分榜單顯示，國際企業(yè)在模型性能方面整體表現(xiàn)突出，但中國在模型開源整體實力上已超越美國。數(shù)據(jù)分榜單顯示，北京智源人工智能研究院、艾倫人工智能研究院等中立非營利機構在開源數(shù)據(jù)集建設方面較為活躍，而企業(yè)則更多將數(shù)據(jù)作為核心競爭力加以保護。系統(tǒng)分榜單更聚焦各機構在軟件體系、工具鏈及硬件支撐等基礎設施層面的開放程度。綜合榜單則對各維度進行加權匯總，阿里、智源、Meta、上海人工智能實驗室等機構位居前列。

在方法體系與行業(yè)評測逐步完善的基礎上，大會也將關注點延伸至開發(fā)者生態(tài)建設。王偉在現(xiàn)場宣布，「Al DSpace」AI 開發(fā)者空間站正式成立。該社區(qū)由多位技術專家以個人名義聯(lián)合發(fā)起，定位為面向海內外技術專家的硬核 AI 開發(fā)者社區(qū)，旨在連接產(chǎn)業(yè)與學術、專家與初學者，推動更高密度的技術交流與實踐協(xié)作。

從目標來看，該社區(qū)主要圍繞三個方向展開建設：

• 其一，堅持社區(qū)驅動理念，不僅匯聚行業(yè)頂級技術專家，更廣泛吸納在校生、初入職場者等新生力量參與社區(qū)建設。同時發(fā)揮連接器作用，搭建技術專家與入門從業(yè)者之間的溝通橋梁，采用“專家領銜、志愿者驅動”的參與機制，打造人人可貢獻的開放生態(tài)。

• 其二，打造一站式內容與資源平臺，整合硬核干貨精選、線上線下立體化活動，以及本次大會發(fā)布的白皮書等獨家資源，為開發(fā)者提供全方位支撐。

• 其三，實現(xiàn)全棧技術與產(chǎn)業(yè)版圖的覆蓋，涵蓋 AI 全鏈路、產(chǎn)業(yè)實踐、底層基礎設施、重點場景、模型工程、前沿應用、運維落地及行業(yè)洞察等多個領域。

李建忠：Agent 重塑軟件與互聯(lián)網(wǎng)產(chǎn)業(yè)新范式

AI 奇點已至。在主旨演講環(huán)節(jié)，奇點智能研究院院長、CSDN 高級副總裁李建忠圍繞 Agent 對軟件與互聯(lián)網(wǎng)產(chǎn)業(yè)的重構，分享了他對當前行業(yè)演進路徑的系統(tǒng)性觀察。

在他看來，AI 的 Scaling Law 正在經(jīng)歷一輪持續(xù)進化：從早期的 Pre-training Scaling，到后來的 Post-training Scaling，再到 Test-time Scaling，行業(yè)的重心已經(jīng)發(fā)生明顯轉移：所謂 Agent Scaling，核心是在構建一個多步驟、自主運行的跨系統(tǒng)閉環(huán)，其最終衡量標準是任務完成度。直觀的講法是：Agent 開始真正“干活”了。

談及今年的行業(yè)熱點，李建忠表示：“今年‘龍蝦’熱潮，并不是空穴來風，它實際是 Agent Scaling 的具象化，讓更多人第一次對 Agent 有了真實的‘觸感’?！?/p>

從這一趨勢來看，他進一步指出，Agent 正通過“雙輪顛覆效應”重塑軟件產(chǎn)業(yè)：既改變軟件應用形態(tài)（Do What），也顛覆軟件開發(fā)方式（How Do）。

在軟件應用形態(tài)層面，這種變化已經(jīng)逐漸顯現(xiàn)。首先，交互發(fā)生替代，Agent 成為用戶第一交互界面；其次，傳統(tǒng)軟件被進一步“下游化”，逐漸演變?yōu)榭烧{用的工具；更深層的變化在于重構設計，即行業(yè)開始“為 Agent 去設計軟件，而不是為人類設計軟件”。李建忠特別提到，相比 GUI，CLI（命令行界面）對 Agent 更為友好。圍繞 Agent 的執(zhí)行鏈路，行業(yè)需要重新構建一整套能力體系，包括可調用的工具與 API、面向特定任務沉淀的 Skills，以及支持運行的云端環(huán)境（沙箱）。

在這一過程中，軟件形態(tài)逐漸形成從“傳統(tǒng)軟件—柔性軟件—即時軟件”的軟件光譜。其中，即時軟件成為一個尤為值得關注的方向。這類軟件通常由 Agent 自動生成、或者由大眾用戶使用“自然語言編程”來“黑盒創(chuàng)造”出來，其特點是即時生成、即用即拋，以低成本適配個性化需求，雖不符合傳統(tǒng)軟件工程規(guī)范，卻具備大規(guī)模、個性化、低成本的顛覆式創(chuàng)新特征，如同當年的 Web 軟件、抖音，從邊緣地帶逐步滲透主流。相比之下，柔性軟件則位于中間地帶，在穩(wěn)定性與靈活性之間取得平衡，更適用于在穩(wěn)定系統(tǒng)之上的企業(yè)級應用。

在軟件開發(fā)的工程范式上，李建忠指出，行業(yè)已經(jīng)從 Prompt Engineering、Context Engineering，演進到當前駕馭工程（Harness Engineering）。與前兩者相比，這一階段更關注如何構建讓 Agent 可靠、安全、協(xié)作執(zhí)行任務完整閉環(huán)系統(tǒng)。他將其拆解為三個層次：第一是“知道”，即上下文、記憶與 Skills 的構建；第二是“行動”，包括工具調用、基礎設施、沙箱環(huán)境以及任務編排與協(xié)同能力；第三是“反饋閉環(huán)”，評估任務、調試修正、追蹤和可觀測的能力。

談到 Agent 對互聯(lián)網(wǎng)的重構，李建忠給出了一個更底層的判斷，互聯(lián)網(wǎng)的核心是連接邏輯（改變生產(chǎn)關系），而 AI 是計算邏輯（改變生產(chǎn)力）。如今 Token 變成了 AI 最核心的衡量指標。不過，這種重構并非均勻發(fā)生，李建忠表示，當前 AI 對互聯(lián)網(wǎng)的顛覆呈現(xiàn)“差異化速度”——對內啡肽賽道（生產(chǎn)力、搜索、信息）顛覆迅猛，對多巴胺賽道（電商、娛樂、社交）則相對緩慢，因現(xiàn)階段 AI 更擅長“節(jié)省時間”而非“消耗時間”。Agent 正推動互聯(lián)網(wǎng)從“信息網(wǎng)絡”迭代為“行動網(wǎng)絡”，未來絕大部分互聯(lián)網(wǎng)服務要被重構為 Agent 可調用的接口，隨著生態(tài)開放，這一范式轉移將逐步落地。

黃非：《跨越周期：人工智能的演進和未來》

當大模型能力不斷刷新榜單，為何企業(yè)落地仍差“最后一口氣”？榮耀終端 AI 首席科學家、首席人工智能官（CAIO）黃非在本次大會上給出答案：單靠模型無法創(chuàng)造穩(wěn)定的商業(yè)化閉環(huán)，真正的跨越在于從“模型決定一切”走向“模型與系統(tǒng)協(xié)同”，并最終邁向以人為中心的增強人類智能（AHI）。

當前 AI 行業(yè)發(fā)展迅猛，大模型在參數(shù)規(guī)模與榜單性能上持續(xù)突破，但黃非指出，企業(yè)級 AI 項目中超過 60% 仍停留在 PoC 階段，許多場景下推理成本已占整個 AI 系統(tǒng)成本的 70% 以上：“模型準確率雖可達 60%-80%，但 B 端和 C 端場景需要 90% 甚至 95%——最后 5-10% 的差距，需要付出極大代價。”

回顧 AI 發(fā)展史，黃非將其劃分為三個階段：規(guī)則驅動（符號主義，依賴專家規(guī)則，缺乏泛化）、數(shù)據(jù)驅動（統(tǒng)計機器學習，依賴特定任務數(shù)據(jù)）、模型驅動（當前大模型時代，Transformer架構+大規(guī)模預訓練，具備跨任務遷移的通用能力）。

Scaling Law 驅動下模型能力指數(shù)級提升，卻也帶來了幻覺、推理不穩(wěn)定、與現(xiàn)實需求存在距離三大瓶頸——針對大模型的固有痛點，黃非提出了“模型與系統(tǒng)協(xié)同”的解決方案：“模型解決認知問題，系統(tǒng)解決行動問題?！?/p>

他表示，大模型本質上是概率模型，幻覺難以從算法層面根除，且長鏈推理會增加算力消耗與出錯概率，單純依賴模型的邊際收益會逐漸遞減?；诖?，Harness 工程成為 2025-2026 年智能體領域的關鍵范式。它不是讓模型更聰明，而是為其構建“外骨骼”與“圍欄”。

目前，主流 Harness 體系遵循 CAR 邏輯：

• 控制層：通過結構化文件設定操作規(guī)程，確保AI在定義軌道內運行

• 代理層：多智能體協(xié)同編排任務，防止復雜任務中的幻覺

• 運行時：通過輕量級容器實現(xiàn)權限隔離，提供文件系統(tǒng)、瀏覽器、Shell 等工具接口

以 OpenClaw 架構為例，其核心特點就是開放性、可組合性、可進化性，通過 RAG、Agent、Workflow、Tool Use、Memory、Skill 等能力件共同構成系統(tǒng)層，讓 AI 真正從“回答問題”走向“完成任務”。

緊接著，黃非提到當前訓練邊際收益開始下降，成本重心逐漸向推理端轉移，而推理優(yōu)化的新方向包括模型壓縮、量化、大小模型協(xié)同，以及邊緣計算與端側推理——將云端推理能力向邊緣和端側下放。

他解釋道，云端集中式架構面臨延遲高、成本高、隱私風險三大痛點，而端側作為“詞元避風港”，以近乎零成本的本地小模型承接高頻任務，為此，他提出了“云-邊-端協(xié)同”分布式智能新范式：

• 云：負責大模型訓練、更新與重度復雜推理

• 邊：負責區(qū)域任務調度與脫敏數(shù)據(jù)處理

• 端：負責實時響應與個性化意圖理解

在此背景下，智能手機、可穿戴設備正成為分布式智能的關鍵入口，具備低延遲、高隱私、強個性化等核心優(yōu)勢。面向未來，黃非也提出了榮耀的遠景：增強人類智能（AHI）——AI 不是替代人類，而將成為持續(xù)存在的人類“認知擴展層”。他介紹，榮耀未來三年將以“增強人類智能”為戰(zhàn)略，在隱私安全為底座的前提下，通過端側能力賦能個人，讓終端設備成為真正懂用戶的數(shù)字分身。

在演講最后，黃非指出 AI 對企業(yè)的價值將經(jīng)歷三個階段：降本提效、增收擴產(chǎn)、組織重塑。未來，AI 大模型也將從現(xiàn)有 OS 的工具應用，轉變?yōu)椴僮飨到y(tǒng)核心，進一步升級成為 產(chǎn)業(yè)發(fā)展和社會進化的操作系統(tǒng)。他總結道，通過 模型，Harness 與端云協(xié)同架構，以意圖理解和任務完成為核心，拆解復雜場景、平衡成本與精度，同時堅持以人為中心的 AHI 發(fā)展路徑，才能推動 AI 真正普及，實現(xiàn)技術與商業(yè)價值的雙重突破，為千行百業(yè)賦能，為人類在技術的快速發(fā)展中尋找長期的價值。

周俊：《從語言到推理：百靈大模型的 AGI 探索》

近來大模型領域一個最突出的特征，就是“范式變化太快了”。

在螞蟻集團副總裁周俊看來，“很多時候，哪怕身在其中，我們也很難判斷當前的范式到底是不是對的?！彼毖?，無論是國外頂尖大模型公司，還是國內廠商，在很多關鍵問題上并沒有形成一致判斷，大量“非共識”并存。這恰恰構成了 AGI 時代比較有趣的地方，把很多非共識慢慢做成了共識。而在這過程中，Scaling Law 是引領大模型演進至語言智能時代的關鍵。

基于這樣的觀察，周俊將大模型的演進路徑概括為三個階段：

• 一是語言智能階段。周俊認為，這一階段其實遠未結束。模型在文本生成、情感表達等偏“感性”的能力上，依然有明顯提升空間?！拔臒o第一，武無第二”，人類的表達本身就難以標準化，要讓模型寫出真正沒有“AI 味”的內容，本質上仍是一個長期挑戰(zhàn)。

• 二是以 GPT 為代表的推理智能階段。模型不再只是“會說”，而是開始具備復雜推理能力，從“快思考”走向“慢思考”。不過，周俊也提出一個現(xiàn)實問題：這種依賴長思維鏈、消耗大量 Token 的方式，是否具備長期的經(jīng)濟性，仍然值得討論。更關鍵的是，推理本身并不是終點，至少在真實世界里面，用戶真正需要的不僅僅是一個會分析的模型。

• 三是智能體的智能。在周俊看來，盡管“Agent”這個詞已經(jīng)被廣泛使用，但真正的內涵其實很簡單：模型不僅要能推理，還要會調用工具、與環(huán)境交互，并在反饋中不斷修正自身，最終完成任務閉環(huán)。從這個角度看，AGI 的關鍵不只是更強的語言能力，而是打通“理解—推理—行動”的一體化能力。

其中，Token 的變化提供了一個直觀的側面指標。周俊指出，從 Chatbot 到推理模型，再到 Agent，Token 消耗呈數(shù)倍增長，如同人類解題時的思維推演，更多的 Token 消耗意味著更全面的思維鏈。但當前 Agent 發(fā)展仍面臨記憶泛化、復雜環(huán)境搭建、自主學習等未解決的難題。“如果繼續(xù)沿著這個方向走，范式不斷消耗更多 Token，那么智能計算的密度一定是在持續(xù)提升的。隨著這種密度的累積，模型能力有可能逐步向更高等級（L4、L5）逼近?！?/p>

在這一判斷之下，螞蟻集團內部也形成了一條相對清晰的工程化路徑。周俊介紹，其“百靈”體系正是圍繞“語言—推理—智能體”三階段演進，構建的一套持續(xù)迭代的模型能力框架，核心由三類模型組成。

其中，LING 模型作為語言智能底座，通過混合線性注意力機制與 MoE 架構，在多輪實驗中實現(xiàn)了算力與參數(shù)效率的平衡，重點解決高效 Token 處理問題。

在此基礎上，RING 推理模型完成關鍵躍遷。其團隊在這一階段引入了大量面向 Reasoning 和 Agent 的強化學習訓練，并結合自研方法與開源的 OpenClaw 智能體框架，通過 RLHF 等機制，使模型不僅具備推理能力，也能更好地對齊人類意圖，為后續(xù)走向 Agent 和真實任務執(zhí)行打下基礎。

周俊表示，如果模型要真正進入現(xiàn)實世界，還需要原生的多模態(tài)能力。因此螞蟻集團也推出了 MING 多模態(tài)模型，基于 MoE 架構實現(xiàn)音、視、圖、文的統(tǒng)一理解與生成，推動模型從“語言世界”走向“真實世界”。

談及未來，周俊認為，大模型的核心發(fā)展方向是更復雜的 Agent 與群體智能，以及更高的智能密度，模型智能的關鍵不僅僅是更強的能力，而是能不能以更少的 Token、更低的成本和更高的吞吐，把模型真正釋放出來。“下一階段不是簡單做一個更大的模型，而是讓模型一方面更強，另一方面更高效?！彼f，本質上，是讓 AI 從一個“會回答問題的工具”，演化為一個能夠完成復雜任務的智能體。

陳愷：《萬億參數(shù)科學多模態(tài)大模型：Intern-S1-Pro 技術解析》

在通用大模型能力日益趨同的今天，AI 的下一個戰(zhàn)場在哪里？上海人工智能實驗室青年領軍科學家，大模型中心負責人陳愷認為是：用 AI 變革科學發(fā)現(xiàn)范式。其最新發(fā)布的科學多模態(tài)大模型 Intern-S1-Pro，以萬億參數(shù)規(guī)模在多項科學任務上超越 GPT-5.2 和 Gemini-3-Pro，走出了一條“通專融合”的獨特路線。

回顧 AI 發(fā)展史，專業(yè)模型（如 AlphaGo、AlphaFold）在特定任務上早已達到人類頂尖水平，但泛化能力不足；而通用大模型雖泛化性強，在專業(yè)任務上與人類專家仍有差距。而上海人工智能實驗室的目標是：“未來 AGI 應當能夠在多個領域達到至少人類專家水平。”

陳愷表示，當前通用模型多聚焦于編碼領域，而上海人工智能實驗室把目光投向了 AI 賦能科學發(fā)現(xiàn)的全新賽道。他介紹，這一方向已成為全球共識：2025 年 11 月美國啟動的“創(chuàng)世紀”國家級計劃，聯(lián)合了頂尖科技公司與科研機構，致力于通過 AI 變革科學發(fā)現(xiàn)范式。

早在 2022 年底，上海人工智能實驗室就開始布局大模型，此后推出了語言模型 InternLM、多模態(tài)模型 InternVL、推理模型 InternThinker 等核心成果，并最終打造出了全球領先的科學多模態(tài)大模型 Intern-S1 與 Intern-S1-Pro。

其中，Intern-S1 是 2025 年 7 月發(fā)布的科學多模態(tài) MoE 模型，擁有 128 個專家，總參數(shù)量 241B。在通用能力上，它超越了當時的通用多模態(tài)模型；在科學能力上，更超越了頂尖的專業(yè)模型——在化學、生命科學、地球科學等 9 項科學評測中，8 項優(yōu)于 Grok-4。

今年年初發(fā)布的 Intern-S1-Pro 更是重磅升級，將參數(shù)規(guī)模擴展至 1T，采用更稀疏的 MoE 架構：擁有 512 個專家，推理時僅激活 8 個（約 22B 參數(shù)）。在專業(yè)任務相關的科學評測基準上，它超越了 GPT-5.2 和 Gemini-3-Pro，在通用能力上也具備強競爭力。

陳愷透露，Intern-S 系列模型的核心突破在于架構、數(shù)據(jù)、基礎設施與算法的幾重優(yōu)化：

• 架構層面，團隊提出了“科學模態(tài)詞元化”方案，通過動態(tài) AI 智能體將 DNA 序列、蛋白質序列、時間序列等異構科學數(shù)據(jù)統(tǒng)一編碼，實現(xiàn)極致壓縮。同時引入傅里葉位置編碼（FoPE），解決了傳統(tǒng) RoPE 在長周期擴展中的性能退化問題。在 MoE 路由上，通過參數(shù)擴增初始化、專家分組和梯度估計算法，保證了萬億參數(shù)級別的負載均衡與訓練穩(wěn)定。

• 數(shù)據(jù)層面，使用了 5.5T 高質量預訓練 Token，其中近一半為科學數(shù)據(jù)，涵蓋網(wǎng)頁文獻、實驗過程數(shù)據(jù)、跨學科知識。團隊還構建了頁面級文檔解析流水線和科學圖文對生成管線，利用 InternVL3.5 與 CapRL 技術生成細致精確的圖像描述，大幅提升模型的科學理解能力。

• 基礎設施方面，團隊自研的 XTuner 訓練引擎解決了萬億參數(shù) MoE 的并行化、負載不均衡、訓練推理不一致等挑戰(zhàn)，實現(xiàn)了高訓練吞吐量與穩(wěn)定的混合精度強化學習。

• 算法方面，針對不同任務類型（生成難度×驗證難度），統(tǒng)一采用強化學習+混合獎勵機制（MoR）；CompassVerifier 作為面向 RLVR 的魯棒統(tǒng)一驗證器，不管是用于評測還是作為獎勵模型，都能保持準確且更優(yōu)的性能；InternBootCamp 內置 1000+ 驗證環(huán)境，覆蓋算法、邏輯、密碼、自然科學等任務——混合訓練的任務越多，模型性能越好，甚至能讓此前無法解決的難題“涌現(xiàn)”出解法；POLAR 則提出全新獎勵模型范式，不建模絕對偏好，而是判斷兩個回復是否來自同一模型，無需人工標注即可規(guī)模化擴展。

演講最后，陳愷表示目前 AI 領域的核心發(fā)展方向已逐漸轉向智能體和長程推理能力的提升。無論是 AI for Science 的落地，還是其他技術創(chuàng)新與未來應用，均離不開 AGI 的驅動。未來，上海人工智能實驗室將持續(xù)深耕AI與科學的融合，助力 AGI 落地，推動科研范式變革。

圓桌對話《跨越奇點：推理拐點下的 Agent 產(chǎn)業(yè)新生態(tài)》

作為上午場的壓軸環(huán)節(jié)，奇點智能研究院院長、CSDN 高級副總裁李建忠，榮耀終端 AI 首席科學家、首席人工智能官（CAIO）黃非，上海人工智能實驗室青年領軍科學家、大模型中心負責人陳愷，新浪微博首席科學家及 AI 研發(fā)部負責人張俊林，在奇點智能研究院開源技術委員會主任，華東師范大學數(shù)據(jù)科學與工程學院教授王偉的主持下，展開圓桌對話。

討論圍繞“AI 對軟件形態(tài)的重塑”這一核心主題展開，并進一步延伸至技術變革對開發(fā)者群體的現(xiàn)實影響，包括程序員能力結構的變化、職場工程師的轉型路徑，以及在校學生應如何面對新一輪技術范式切換等與從業(yè)者切身相關的話題。

王偉：AI 正在改變軟件形態(tài)，比如即時軟件，具備即時生成、用完即棄的特點，也有一些處于中間的柔性軟件。站在一線從業(yè)者角度，你怎么看這些變化？對我們的工作方式和學習路徑，會帶來什么影響？

張俊林：當前 AI Coding 已相當成熟，更值得關注的是其能力提升速度正呈指數(shù)級躍遷。半年前我們內部評估還認為，復雜后端工程難以完全依賴 AI coding 實現(xiàn)。但如今，尤其以 Claude 為代表的模型，在持續(xù)高頻迭代下，已能夠勝任復雜后端乃至前端開發(fā)（且在前端表現(xiàn)尤為突出），整體具備了實際生產(chǎn)可用性。

這一變化對個人和企業(yè)而言，意味著生產(chǎn)方式的重構。對個人來說，“程序員何時會被 AI 取代”正從抽象擔憂變?yōu)楝F(xiàn)實問題，而且時間點可能比預期更早。既然大勢所趨，我們不可能螳臂當車，逆著這個趨勢去行動。所以我們需要進一步評估 AI 的發(fā)展速度，思考如何最大化地利用工具，展現(xiàn)出自己的能力，讓自己在職場上更有競爭力。

從企業(yè)視角看，AI Coding 與 AI Agent 的能力提升，核心仍圍繞“降本增效”。對內是降低成本、提升人效，對外是推動功能創(chuàng)新、擴大用戶與收入。當前來看，AI 在直接創(chuàng)造 To C 新功能上的表現(xiàn)仍低于預期，但其作為生產(chǎn)力工具的價值已十分明確。在此背景下，企業(yè)自然會傾向于通過減少人力、提升單人效率，實現(xiàn)總體成本下降而產(chǎn)出不減甚至提升。我相信這個會對我們所有從業(yè)者未來的職業(yè)發(fā)展形成巨大的沖擊。至于如何應對，其實我也沒有很好的答案，仍需要每個人結合自身情況認真思考。

陳愷：AI Coding 已成為明確的大趨勢，幾乎所有企業(yè)都在推進相關實踐，未來軟件形態(tài)很可能走向分層發(fā)展。一方面，AI 顯著降低了開發(fā)門檻，未來可能會出現(xiàn)個性化軟件和“即時軟件”。在我們團隊內部，大家遇到一些小規(guī)?；騻€性化需求時，第一反應都從“去 GitHub 找現(xiàn)成工具”，轉變?yōu)椤澳芊裰苯佑?AI 自己寫一個”。這種變化大幅降低了長尾需求的滿足成本，使過去傳統(tǒng)軟件工程或“不會編程”難以覆蓋的場景，開始具備可行性。

但這并不意味著如 SaaS 這類軟件會消失。雖然其發(fā)展肯定會越難越難，但行業(yè)中還是會有大量共性需求，以及對穩(wěn)定性和魯棒性要求極高的場景，仍然依賴標準化軟件來支撐。不過，這類軟件的商業(yè)模式可能發(fā)生變化：過去用戶為軟件付費，很大程度上是為高昂的研發(fā)成本買單；而在 AI 參與研發(fā)之后，一體化開發(fā)模式下，工程師的角色正從“解決工程問題”轉向“表達需求、驅動 Code Agent、以及完善測試”。在這種模式中，付費的核心可能轉變?yōu)闇p少需求梳理成本、降低 token 消耗，以及提升整體交付效率。

因此，標準化軟件的成本會下降，但需求依然存在。畢竟，即便借助 AI coding，將需求轉化為可用軟件本身仍有一定門檻，這一門檻雖在持續(xù)降低，但不會在短期內消失。整體來看，軟件生態(tài)將逐步演化為分層結構。

黃非：回想一年半甚至更久以前，我和阿里李永彬老師（現(xiàn)通義靈碼技術負責人）帶領團隊研發(fā)通義靈碼時，就形成了一個基礎認知：代碼是大模型最早也是最適合落地的應用場景之一。這一判斷主要基于三點：第一，代碼運行具備低成本的模擬與驗證環(huán)境；第二，GitHub 等平臺提供了大量高質量開源代碼作為學習素材；第三，在執(zhí)行過程中，無論是編譯報錯還是運行結果反饋，都能提供豐富的信號用于模型優(yōu)化。由于這些因素，使得大模型在代碼能力上發(fā)展得非?？臁，F(xiàn)在的發(fā)展也驗證了我們當時的判斷。

回到當下與未來，盡管大模型已經(jīng)能夠高精度生成很多代碼，但大家對“高精度”的定義并不一樣。按照我個人的理解，在長尾需求場景中，更接近即用即拋式開發(fā)。但在高頻、關鍵、核心業(yè)務場景中，大模型代碼是否能夠達到足夠的安全性、低成本與可靠性，仍有待進一步觀察與驗證。即便在硅谷，很多開發(fā)者在實際使用 AI coding 時，也仍然認為模型生成的代碼存在大量問題，甚至仍然是“屎山代碼”的來源之一。

因此，未來在關鍵系統(tǒng)中，仍然需要經(jīng)驗豐富的架構師與產(chǎn)品負責人，與 AI 協(xié)作完成更好的代碼。從開發(fā)者職業(yè)發(fā)展的角度來看，我認為軟件開發(fā)門檻將持續(xù)降低，人人都可能成為開發(fā)者。但開發(fā)者的核心價值將不再體現(xiàn)在“寫代碼”，而更多體現(xiàn)在“問題定義能力”上，即識別問題、判斷需求，并決定用何種技術路徑解決。在這一過程中，每個人都在某種意義上轉變?yōu)楫a(chǎn)品經(jīng)理。如果僅停留在單點技能或單一能力層面，在未來的職業(yè)發(fā)展中將面臨更大挑戰(zhàn)。

李建忠：很多軟件從業(yè)者從一開始就根深蒂固地認為代碼是永存的，但在人類文明史上，代碼存在的時間其實并不算長，硬件時代的計算機本就沒有軟件。從歷史角度看，今天的軟件形態(tài)，和十年前我們熟悉的軟件早已截然不同。軟件只要能驅動硬件、具備計算邏輯即可，其依托的代碼形式與工程范式，必然會發(fā)生巨大改變，這兩年 AI 編碼的發(fā)展，已經(jīng)展現(xiàn)出這種變革潛力。我們若用傳統(tǒng)觀念和軟件工程理論體系看待新時代的軟件，就好比軟件時代的人看待巴貝奇差分機，疑惑“為什么沒有軟件代碼去操控機器”，可它依舊能完成運算，這便是歷史維度的對比。

回到當下，傳統(tǒng)軟件乃至整個 SaaS 領域的市值確實都在下滑，這是軟件行業(yè)的根本性變革。在我看來，軟件行業(yè)正經(jīng)歷一場板塊式運動，傳統(tǒng)軟件會被即時軟件、個性化智能體等新型形態(tài)大量替代與蠶食。當然也不可否認當下大型傳統(tǒng)軟件在 AI 發(fā)展中，仍存在不少軟件工程與質量問題，甚至和一線工程師的水平存在差距。但這種狀況會快速改變，尤其是今年智能體與駕馭工程技術的飛速發(fā)展。只要能實現(xiàn)閉環(huán)驗證、邏輯可收斂的內容，大模型都能使其完善，無論是代碼規(guī)范、設計質感，還是不符合設計原則等問題，只要能被量化，都能通過自動化工具檢測評估。只是如今我們的工程與工具鏈都是為人類工程師設計的，尚未全面轉向智能體體系。一旦架構評審、代碼質量檢測、性能測試，乃至漏洞檢測工具等全部實現(xiàn)智能化，即便傳統(tǒng)開發(fā)模式存在不足，也能快速優(yōu)化完善。

最后對于大家關注的工程師職業(yè)發(fā)展問題，對此，我并不悲觀。從人類歷史發(fā)展來看，每個時代更迭都會伴隨短期陣痛，比如當下硅谷的裁員潮，但人類總能渡過這個階段，實現(xiàn)技術升維。過去我們編寫代碼，未來或許會轉向定義技能，技能將成為未來定義軟件的核心方式。這里有個核心前提，未來軟件的需求只會增多不會減少，這符合杰文斯定律——生產(chǎn)力大幅提升后，需求往往會隨之暴漲。就像從馬車到汽車的變革，馬車夫雖失業(yè)，卻催生了數(shù)量更龐大的司機群體，因為人類的交通需求實現(xiàn)了井噴。歷史上大量軟件需求因開發(fā)成本過高未能被滿足，如今通過技能定義的方式降低門檻，會推動職業(yè)升維，釋放更多需求。盡管產(chǎn)業(yè)切換會帶來短期陣痛，但長期來看，我依舊保持樂觀。

王偉：當前 AI 領域概念迭代極快，從提示工程（prompt engineering）到上下文工程（context engineering），再到如今的駕馭工程（Harness Engineering）——即對 AI 智能體的協(xié)同與管理。請問各位，職場人員與在校學生應如何應對？是投入相關的 AI 學習，還是去構建這種系統(tǒng)化的對大模型的駕馭能力？

張俊林：如果不是專業(yè)從事 AI 研發(fā)的人員，我建議不必急于投入駕馭工程。

回顧大模型發(fā)展三階段：2023 年初至 2024 年 9 月，拼通用知識，ChatGPT 遙遙領先；2024 年 9 月開始，重心轉向邏輯推理，由 OpenAI 的 O1 引領，DeepSeek 因開源推理范式而爆火；2025 年 9 月又進入第三階段——AI 智能體轉型，Claude 憑借編碼（coding）智能體能力顯著領先。

為什么對駕馭工程要“懶”一點？因為大模型正將 AI 智能體能力從應用層吸收到模型層。過去做 AI 智能體，維護大量上下文、各種外部檢索增強生成（RAG）以及自行搭建系統(tǒng)來構建 AI 智能體能力；而現(xiàn)在做 AI 智能體變得簡單了，因為大模型的基本Agent能力變強了。

目前，所有其他大模型在 AI 智能體能力上都在追趕 Claude。而順著這個周期再往后推，其實很容易推出駕馭工程的趨勢。駕馭工程本質上是：大模型作為大腦，雖然能力較強，但仍有很多薄弱環(huán)節(jié)。例如，上下文一長大模型就會混亂，大模型自身無法解決這個問題，只能通過外部介入。

但根據(jù)大模型發(fā)展歷史，有一個明顯趨勢：未來駕馭工程會越來越薄，很多能力很可能會被大模型“吃掉”，大模型公司一定會把能吸收到模型內部的能力都吸收進去。就像一年前我們需要學習提示技巧，現(xiàn)在已不再需要；同樣，一年之后駕馭工程也可能不再需要專門投入精力去學習。

陳愷：我認同工程會變化，且模型會吸收能力。云廠商和工具廠商也在推動駕馭工程自動化，從半自動走向全自動。但我認為駕馭工程仍然值得學習——不是學概念本身，而是從第一性原理理解它要解決的本質問題。

提示工程、上下文工程、駕馭工程并非三個獨立的新事物。例如，對于搭建AI智能體的人來說，上下文工程本身就是駕馭工程的一部分：如何設計上下文、工具調用的間接性披露、工程約束等。因此，駕馭工程只是現(xiàn)階段總結的概念，未來肯定會有新概念。但只要它要解決的問題還在，并且我能判斷這個問題解決到什么程度，那么我所學的、所積累的東西就是有效的。

未來，模型必然會逐步吸收共性最佳實踐，包括當前編寫的技能（skills）和框架。但如果我們能夠深入理解Harness背后的本質問題，就能判斷自己搭建的框架中哪些部分可被模型替代，哪些需要強化或弱化。所以，我們需要從第一性原理出發(fā)，找到這些概念演進背后的關鍵問題，并進行學習。

黃非：我的觀點是“知其然也要知其所以然”，這是學習的根本道理。大模型降低了知識獲取和學習的門檻，但容易讓人變懶，缺乏思考和學習能力。不斷涌現(xiàn)的新名詞反映了產(chǎn)業(yè)界和學術界的拼搏精神，但過程中大家可能迷失了最本質的東西。

我非常同意“第一性原理”的觀點。圍繞第一性原理出發(fā)判斷，不僅能理解過去的發(fā)展、當前的技術熱點，還能更清晰地把握未來的技術趨勢?；氐教崾竟こ?、上下文工程或駕馭工程，它們核心要解決的問題就是模型的能力問題——如何通過輸入或上下文，讓模型產(chǎn)生期望的輸出，不管是意圖理解，規(guī)劃執(zhí)行，推理能力，工具調用，還是幻覺降低。如果模型自身搞不定，就通過調整上下文、檢索增強生成（RAG）或工程框架，使模型產(chǎn)生期望的輸出，這是最根本的目標。

以此為指導，我們需要理解在模型未來發(fā)展過程中，哪些問題本質上是難以改變的。有些問題模型可以解決，但或許有更輕量級、更低成本的方式。是在模型內部完成，還是在模型外部完成，才能更加低成本、可控、可干預？這其中存在很多不確定性和工程發(fā)揮空間。

最后回到從業(yè)者的問題，一方面要盡量了解事物本質，判斷學習方向；另一方面要了解技術發(fā)展，除了表面技術，還要了解底層邏輯，這樣學習才能更加深入。

李建忠：根本上要學習一些解構性的、底層的核心內容，包括第一性原理、領域范式變化的結構性原因和技術邏輯，這樣才能在未來駕馭AI。因此，我們需要對 AI 的技術曲線有“位置感”：我們從哪里來、現(xiàn)在在哪、未來向何處去。

目前來看，智能體（Agentic）遠未達到上限。去年我與 Transformer 八子之一、OpenAI 資深研究員 Lukas 對話時，他曾比喻：推理模型和智能體相較于強化學習和 Transformer，就像當年 Transformer 相較于卷積神經(jīng)網(wǎng)絡（CNN）和循環(huán)神經(jīng)網(wǎng)絡（RNN）。在 RNN 時代，大家發(fā)現(xiàn) RNN 很難。所以，智能體和強化學習這塊還有巨大的上升空間。

我們現(xiàn)在的智能體協(xié)作才七八個，才十幾個智能體，運行時長也才幾個小時、最多幾天。未來 AI智能體的運行時長很快就會達到月級、年級，甚至持續(xù)運行數(shù)年。從這些上限來看，我們當前討論的工程范式，未來還有很大的范式轉換可能性。因此，我們學習的重點，未必是具體的技術內容，更重要的是學習“學習的方法”、研究“研究的方法”，掌握底層邏輯，才能適應技術的快速迭代。

明日精彩繼續(xù)

除了精彩的主題演講外，大會下午同步開啟四大平行分會場，圍繞“大語言模型技術演進”、“多模態(tài)與世界模型”、“AI 原生軟件研發(fā)”、“智能體系統(tǒng)與工程”等前沿方向展開深入交流。來自新浪微博、微軟亞洲研究院、月之暗面、階躍星辰、騰訊、NVIDIA、Google Cloud、SGLang 社區(qū)、螞蟻集團、昆侖萬維、快手、阿里巴巴、百度、硅心科技等企業(yè)和社區(qū)的技術專家，從底層算子優(yōu)化到上層 Agent 架構重構，進行了多維度的分享與交流，現(xiàn)場討論密集而深入。

會場外展區(qū)同樣持續(xù)升溫，不少觀眾在各個展位之間穿梭交流，技術展示與實際應用體驗同步展開，氣氛相當活躍。在此也特別感謝中能拾貝、Omni-AI 開源社區(qū)、樂奇 Rokid、人民郵電出版社異步社區(qū)、清華大學出版社等合作伙伴對本次大會的大力支持。

值得關注的是，大會明日還將繼續(xù)帶來多場主題分享與深度討論，敬請期待。