大模型参数破万亿后，Scaling Law边际收益递减，“单点暴力”已难撬动通用智能。全球大模型玩家正开启一场能力交接——让AI认知进化、让多智能体协同，最终实现AI像电网一样即插即用。
AGI撞墙后的出路：认知推理、自主进化，多体协同
上海人工智能实验室领军科学家、上海创智学院副院长乔宇表示：通用人工智能正“从大模型到智能体再到大系统”进化，从单一模型系统优化，走向自主进化、多智能体协同、人机协作的系统级智能，“大系统智能”典型特征有：认知推理，深度思考；持续学习、自主进化；多体协同、物理智能等。
蚂蚁集团平台技术事业群副总裁周俊则向大家介绍了百灵大模型如何像“飞轮”一样不断自我进化。他说，一个好的AI系统需要三大要素：高质量的数据、科学的评测标准和高效的算法。这三者形成一个循环，使得AI系统能够不断自我优化。周俊还现场演示了百灵大模型的多模态能力——不仅能理解文字，还能处理图片、声音甚至视频，真正实现了“能看、能听、能说、能画”的全面能力。
强化学习：把“智能体编排”从博士课题变成产品经理的拖拽游戏
强化学习（RL）曾是AlphaGo的独门武器，如今成为“让大模型长出手脚”的核心技术；谁能把RL做成低门槛框架，谁就能把“智能体编排”从博士课题变成产品经理的拖拽游戏。
清华大学交叉信息院助理教授吴翼教授分享了他带领团队开发的AReaL，一个面向智能体的强化学习框架。吴翼曾任OpenAI研究员，他认为，通过强化学习，能让智能体的工作流编排得到极大简化，并能涌现出复杂多步推理能力。
真实世界应用试错成本极高，物理世界需“开真车”
在真实的严谨性应用场景，自动驾驶、机器人等实体AI面临“真实世界试错成本极高”的死结。全球产业界共识：先让AI在仿真里“撞够墙”，再进物理世界“开真车”。
同济大学交通学院特聘研究员熊溪介绍了如何让AI在虚拟世界中学习，并将所学知识应用到现实世界。他以自动驾驶为例说明：通过在虚拟环境中模拟多种交通场景，AI能够学习安全驾驶策略，从而避免在真实道路上产生潜在风险。这种方法不仅更加安全，而且效率更高、成本更低，也为其他复杂系统的智能化决策提供了借鉴。
蚂蚁金融大模型技术负责人胡浩源展示了AI在金融领域的实际应用。他指出，随着经济发展，老百姓对理财服务的需求越来越多，但专业的理财顾问却远远不够。为了解决这个问题，蚂蚁集团开发了金融大模型Finix和AI理财助手“蚂小财”，让普通人也能享受到专业级的理财服务。同时，技术上通过mlf（make llm fail）发现最难解决的复杂问题，自适应调度专业知识和专业工具来彻底解决。
在最后的圆桌讨论环节，智源研究院FLM团队负责人王业全、极佳视界首席科学家朱政、群核科技首席科学家唐睿就“AI如何链接物理世界”问题展开了讨论。
大模型进入“数据精耕期”，高质量语料缺口高达PB级，一些研究机构和科技企业提前布局数据技术。
中国信通院华东分院副院长、上海工创中心副总经理廖运发指出，随着全球AI产业规模快速增长与大模型广泛应用，高质量数据集是企业构建核心竞争力与人工智能应用壁垒的关键力量，并介绍了上海在大力推进数据要素产业及语料生产的政策措施及成果。企业构建高质量数据集是一项重要的战略工程，未来，可以通过三步走战略，依据数据治理成熟标准（如DCMM、DSMM），从人机料法环入手做好高质量数据集建设。
会上，蚂蚁集团和人民大学联合研发原生MoE架构扩散语言模型（dLLM) LLaDA-MoE，在约20T数据上完成了从零训练MoE架构的扩散语言模型，验证了工业级大规模训练的扩展性和稳定性；效果超过此前发布稠密扩散语言模型LLaDA1.0/1.5和Dream-7B，比肩等效自回归AR模型，并保有数倍的推理速度优势。模型将在近期完全开源，以推动全球AI社区在dLLM上的技术发展。
从“炼大模型”到“搭大系统”，外滩大会勾勒出的不仅是技术路线图，更是一场数字与物理世界“双向奔赴”的产业革命。当AI开始像电网、像路网、像城市一样运行，下一个超级平台，或许就不再是App，而是一座“智能体城市”。
]]>