作者 | 唐小引

出品 | CSDN（ID：CSDNnews）

兩天前，Anthropic 正式發布了 Claude Fable 5。

在 Anthropic 分享的一個案例里，有一個數字很難被忽視：五千萬行代碼的代碼庫，人類工程師團隊做整體遷移，需要一個月；AI agent，一天。

這個數字，被帶進了 2026 智源大會開幕式的壓軸環節——一場以「重構世界」為題的大模型圓桌對話。

坐在臺上的有五個人。主持人是智源研究院院長王仲遠，另外四位嘉賓分別是：小米集團 MiMo 大模型團隊負責人羅福莉，清華大學計算機系教授、生數科技創始人朱軍，清華大學計算機系教授、面壁智能聯合創始人兼首席科學家劉知遠，以及南洋理工大學校長講席教授、人工智能交叉研究院院長安波。

學術與產業，基礎研究與工程落地，語言模型與世界模型，國內與海外——這五個人坐在一起，已經是一張完整的橫截面。

從「通往」，到「重構」

智源大會的開幕圓桌，已經做了三屆。

2024 年的題目是「通往 AGI 之路」，2025 年是「智源具身會客廳」，2026 年變成了「重構世界」。

題目的語氣在變。不再討論往哪里走，開始討論能改變什么。

王仲遠在開場解釋這個變化時說：「人工智能不再只是改造某個行業的工具，而是正在成為重構世界的底層力量。AI Coding、自主智能體、模型自進化，正在打開‘AI 創造 AI’的可能性；世界模型、具身智能和機器人，則讓智能從數字世界延伸到物理世界。」

五位學者在關注什么？

朱軍來自清華計算機系，也是生數科技的創始人。他的研究方向是「通用世界模型」，核心問題是：以視頻為原生的模型架構，如何打破 AI 對世界的「理解、預測，以及在世界中進行行動」的邊界。這是一個比語言模型更慢、更重、也更難的方向——因為物理世界不像文字，沒有天然的序列，也沒有唾手可得的大規模標注數據。

羅福莉是這場圓桌最年輕的嘉賓。她負責小米 MiMo 大模型團隊，這支團隊在多個公開評測榜單上保持了不低的排名。她在自我介紹時沒有鋪陳職位和成績，只說了一件自己最近「最關注」的事：self-improvement，尤其是在開放研究語境里的模型自進化路徑。

劉知遠同樣來自清華計算機系，面壁智能的聯合創始人兼首席科學家。他近期專注于大模型的「智能密度定律」——如何在更小的模型里訓出更高密度的智能，讓模型能夠賦能各類智能終端。他在圓桌上提供的是研究者與創業者的雙重視角，說話的方式清晰有條理，經常在回答里先說「我總結成三點」，然后真的是三點。

安波在南洋理工大學任校長講席教授，同時在工業界兼職，關注的是更偏實用的問題：在底座不變的情況下，怎么通過更好的方法獲得更強的推理能力。他是這場圓桌上幾次說出「這件事我不建議大家這么理解」的人——說話直接，有時候會打斷一個討論熱點，重新標定它的邊界。

王仲遠的主持風格，是帶著判斷去問問題。他不只是轉述觀點，有時會直接追問：「所以你認為它依然是一個中間模型，是嗎？」「有沒有可能是 AI improve AI，而不是 AI create AI？」他把自己的角色定義為在場者，但他的問題，往往把對話往更深的地方拉了一把。

重點速覽

• 關于 Claude Fable 5：「這是一個非常科學地做 scaling 的中間產物……這條路徑，至少在三個維度上，都還沒有停止。」——羅福莉

• 談代碼閉環的啟示：「Anthropic 在代碼大模型上的成功，甚至它現在的估值高于 OpenAI，這件事對我們是一個啟示：應該創新地去尋找更多不同的數據閉環的可能性。」——劉知遠

• 關于「AI 制造 AI」：「用 AI 替代人的機械性、重復性腦力勞動，再到用 AI 制造 AI，一定會發生，這是人工智能發展到高級階段的標志。」——劉知遠

• 關于自演化的邊界：「如果說'完全靠 AI 自己閉門造車'地搞數據飛輪，我是不建議這么理解的。」——安波

• 關于世界模型路徑：「語言模型會先一步，把這條路探索得更清楚；而世界模型這邊，還需要更高效的基礎架構。」——羅福莉

• 關于視頻與世界模型：「今天最大量、最方便、也最直接記錄世界的數據，其實就是視頻……未來真正有價值的世界模型，一定是一個通用世界模型。」——朱軍

• 給年輕人：「敢為人先，堅持，以及持續自我否定。」——劉知遠

• 同樣是給年輕人：「學位本身已經沒那么重要了。在這個年代，如果你本科畢業，甚至高中畢業，就能進入一線 Frontier Lab 做前沿研究，你在那兒干三年，可能比你讀一個博士學到的還更多。這個時代已經變了，學位只是一張紙，它的重要性在下降。真正重要的是：你會什么，你能做什么。」—— 安波

「它是一個中間產物，但這條路還沒有停」

兩天前的那個發布，自然是圓桌的第一個話題。

王仲遠把 Anthropic 的那個案例擺在臺上，他問道：「它依然只是量變勢能的累積，還是已經到了質變的臨界點？」

羅福莉是第一個回答的人。

羅福莉：在我來看，Claude Fable 5 目前的結果，是一個非常科學地去做 scaling 的中間產物。這個「科學做 scaling」包含幾個方面。一是預訓練參數量級——我們猜測它應該是目前最強開源模型的幾倍。二是 test-time scaling 和強化學習部分，應該也有非常大的投入。三是數據的 scaling。因為我們從 chat 邁向 agent 的時代，模型的訓練數據也從自然互聯網文本數據，邁向人和 agent 共同產生的合成數據。原來能獲得的文本數據，大概在 40 到 80T 這樣的范圍；現在又邁上了一個新的臺階。

所以 Fable 5，是大模型在預訓練參數規模、數據，以及合成數據與強化學習推理結合這三個維度上，做出的一個非常自然的外延擴展。是一個中間階段的模型產物。

王仲遠：所以你認為它依然是一個中間模型，是嗎？

羅福莉：當然。我認為這條路徑，至少在我剛剛提到的三個維度上，都還沒有停止。

王仲遠接著問了一個更直接的問題：當下模型的能力是在線性增長，還是已經進入指數級增長？

羅福莉：我很難去預估這個增長曲線。因為我們通常看到模型能力是一個涌現的過程。不管在哪一種 scaling 路徑上，都有這樣的現象。所以很難用一條非常刻板的曲線去量化它。

朱軍接過了這個話題。他的角度不是來自語言模型，而是來自他更熟悉的視頻模型訓練。

朱軍：我周圍很多老師和學生都說，這一代的效果比以往又有一次大的升級。甚至說，之前覺得自己是導師，現在感覺模型是導師——會出現這種感慨。

結合我做視頻模型的經驗，現在依然能夠看到，隨著模型 size 和數據規模在 scale up，性能提升還是非常顯著的。而且它們本質上都在走同一條路：把空間做得更細致，把數據質量和規模提上去，再結合大規模訓練，整體能力就會上升。

他補充了一個讓他印象深刻的細節：「之前大家說用 agent 方式去解決問題，會消耗很多 token；但現在新版本在做同樣任務時，token 消耗量變小了。我覺得這是一個非常、非常正確的事情。如果模型能用更高層級的智能來幫我們調工具、思考問題，那大模型未來能釋放出來的空間還會更大。」

而緊接著，劉知遠的回答，又多了一層視角。

劉知遠：我說三點思考。

第一點，我理解它背后的邏輯，是我們已經找到了一條可持續的數據飛輪閉環。不管是 2024 年還是 2025 年，強化學習的成功，包括這次 Claude Code 等等的表現，都是因為它可以從全球范圍內收集反饋，收集大家使用代碼生成時產生的各種數據。這構成了可持續發展的強勁動力。

第二，代碼本身是數字世界里非常重要的生產力工具。代碼大模型持續提升能力之后，會對所有需要代碼的行業產生顛覆式影響。比如那些被「卡脖子」的工業軟件，有沒有可能通過開源大模型重寫一遍，形成全新的國產化生態？我覺得這非常值得思考和探索。

第三點，也是我覺得更有啟示意義的：代碼大模型之所以能快速形成閉環，是因為這些數據完全發生在數字世界，很容易把這個閉環做起來。Anthropic 之所以成功，是因為它找到了「代碼」這樣一個非常重要的垂直方向。那這個世界上還有非常多垂直領域的人類專業知識，如果任何一個領域都能快速形成這樣的數據閉環，就一定可以加速 AI 在各個行業的快速應用。

王仲遠：所以您認為，還是有新領域的機會。

劉知遠：一定有。新的領域機會，以及新的 AI 數據閉環，都有可能創造出新的價值。

「AI 制造 AI，一定會發生」

從 Claude Fable 5 的話題，話頭轉到了「自進化」。

就在圓桌召開前不久，Anthropic 發布了一篇長文 “When AI builds itself”，提出了 recursive self-improvement（遞歸式自我改進）的設想：AI 系統全自動地設計并研發下一代 AI——從自動寫代碼，到自動優化模型、生成數據、完成實驗。

王仲遠把這個問題拋給了羅福莉：「你觀察到了哪些趨勢？」

羅福莉：坦誠來講，上一代頂尖模型——尤其是在去年——能力上限更多還在「做非常好的執行」上。當我們的指令非常清晰的時候，它執行得非常完美。

但到了今天，我們發現頂尖模型已經從「執行」，外延到了「解決一些抽象型問題」。我用一個完整的科研流程來舉例：從提出假設，到設計實驗，再到真正動手做實驗、做驗證、設計合理的觀測指標，再去判斷實驗的合理性，最后跟同行做密切交流。這是一條非常完整的研究路徑。

現在我已經能看到，大模型已經從「執行」這一層能力，慢慢外延到：能夠設計合理的驗證指標，去驗證自己執行結果的準確性；能夠去 plan 整個實驗流程。

可能現在唯一、我們還認為模型和頂尖研究員有明顯差距的地方，是提出假設——也就是提出真正值得實驗的問題。這某種程度上是一種研究 taste，一種研究判斷。以及在后續過程中，怎么根據比較早期的結果，及時停止一些沒有意義的研究。這可能是現在頂尖模型和頂尖研究員之間，最顯著的差距。但這個差距現在正在被更強的模型，加上一套更好的 recursive self-improvement agent 系統，慢慢地向邊界外延。所以我自己也很興奮，能夠身處這樣一個時代，看到這樣一個過程正在發生。

劉知遠的回答，拉開了更大的歷史框架。

劉知遠：可以從兩個角度來說。

第一個角度，從整個科技發展的歷史來看，我覺得現在這個節點非常關鍵。我們可以把即將到來的智能革命，類比歷史上的工業革命。工業革命的核心，是用機器替代人的重復體力勞動；它發展的極致，是「用機器制造機器」——連機器制造本身都不再需要人的體力深度參與。

所謂智能革命，就是用 AI 替代人的機械性、重復性的腦力勞動。從這個角度來看，用 AI 制造 AI，一定會發生，這是人工智能發展到高級階段的標志。工業革命花了幾百年，才達到「用機器制造機器」的階段；但今天，從大模型出現到「AI 制造 AI」的討論真正成型，也不過六七年時間。這個速度本身，就值得我們特別關注。

王仲遠追了一個問題：「有沒有可能是 AI improve AI，或者 AI create data for AI？這種趨勢現在已經看到了嗎？」

劉知遠：當然有。我理解，Anthropic 現在所謂的 recursive，本質上最外層還是人——是由人來驅動 AI 去制造 AI。當我們把「AI 制造 AI」這件事做起來之后，下一個問題就是：能不能進一步自動化「制造 AI 的過程」本身？這才是 recursive 最核心的思想。

所以 recursive 的最外層，我理解仍然是由人來驅動：到底要制造什么樣的 AI，如何讓它服務社會。人作為社會主體，這種主觀能動性、目標設定權，仍然是整個「AI 制造 AI」過程的核心驅動力。人和 AI 之間，依然是一種相互作用、相互塑造的關系。

在這個問題上，安波的態度更謹慎。

安波：我覺得真正完全「空機起飛」地做數據飛輪，是很難的。還是需要外部反饋。像 Claude Code、Codex 等等，之所以做得起來，很大程度上還是因為用了大量用戶、員工、真實開發過程中的反饋數據。

如果說「完全靠 AI 自己閉門造車」地搞數據飛輪，我是不建議這么理解的，尤其是在 AI 還比較弱的時候。「自演化」這個詞，如果大家理解得不夠清楚，就容易產生錯誤印象：好像 AI 能自己憑空長出來一樣。實際上不是這樣的。

「今天最直接記錄世界的數據，就是視頻」

王仲遠把話題引向了朱軍的方向。他說，一方面語言模型和 AI Coding 的進步非常快；但另一方面，物理世界是非常多模態的，除了文字，還有圖像、聲音、時間、空間。多模態與世界模型，是不是另一條通向更廣泛智能的路徑？

朱軍：我有一個特別深的感受想分享。我們做 recursive，或者說做演化的時候，本質上一定需要有「額外的信息」不斷被注入進來。從信息熵的角度來看，系統不可能憑空增長出能力，除非這個系統里原本就有很多東西還沒有學完。

文本、視頻這樣的數據，本身非常龐大——互聯網、視頻平臺、影視內容，里面有非常多信息，可能我們過去并沒有用好、沒有用全。在這種情況下，你在這個體系內不斷提升，依然可以看到很大的進步。

但如果我們把這個問題放到物理世界里，情況就不一樣了。物理世界本身是開放的，不是一個固定數據集的概念。

他談到了世界模型的三個必要條件：「它至少要具備三件事情：第一，能夠理解狀態；第二，能夠預測和想象；第三，能夠管理行動。」

朱軍：今天最大量、最方便、也最直接記錄世界的數據，其實就是視頻。電影、監控、真實采集數據，它們本質上都是先發生在物理世界，再被記錄下來。所以視頻里其實包含了大量 physical world 的信息。這恰恰也是視頻模型一直在嘗試做的事情。過去我們已經看到，視頻模型在復雜內容理解和內容生成上做得越來越好。再往前走一步，就是把 action 更深地引入進去。

他提了一個效率的問題：如果視頻模型面向的不是「渲染給人看」，而是面向機器內部的思考和動作輸出，token 消耗會有非常大的優化空間。「所以現在最高優先級，還是先把'智能上限'推上去。等到這個智能足夠高了之后，我們可以用很多方式把它做小、做專、部署到具體場景里。整體來看，世界模型的復雜度會更高，也相對更早期，但未來非常可期。」

他還提到了一個 2020 年就埋下的判斷：「大概在 2020 年的時候，我們在做方向規劃時，就提出過一個想法：構建一個可演化、可進化、可發育的環境，讓智能體能夠進入里面學習。當然這個學習過程也不是完全封閉的，它可以走出去，和真實世界交互，再把交互獲得的反饋回灌到底座環境中。我想今天大家在說'世界模型'，某種程度上其實就是在實現這種想法。」

朱軍：未來真正有價值的世界模型，一定是一個通用世界模型。就像語言模型最終走向通用基座一樣，未來更值得關注的，是那種更通用、可泛化、可演進的世界模型，而不只是某一個狹窄場景下的系統。

「語言模型會先一步，把這條路探索得更清楚」

「重構世界」有幾條不同的路徑：數字世界里 AI Coding 的爆發，AI 在數字世界完成自進化之后「破繭而出」，或者直接從物理世界出發重新構建基礎模型。王仲遠問：大家更相信哪一條？

羅福莉：我目前確實看到，語言模型和世界模型是在并駕齊驅地往前走。當然現階段，語言模型走得更快一些。因為我們能夠更好地從數據里還原智能誕生的環境，所以可以基于這樣的環境，去驅動模型和 agent 系統不斷探索、自我提升。

但另一方面，在世界模型上，我更關注的是：世界模型能不能先成為一個非常高效的世界模擬器。「效率」在這里是非常關鍵的。我們現在還沒有看到一個真正 long-term efficient 的視頻生成模型誕生。

如果未來有了這樣一個高效的生成器，可以從視頻角度去重構整個世界，那么在這個基礎上，我們就可以疊加一套更復雜的、能觸達現實生活任務的系統，再把這兩者結合起來，形成一個新的范式。

所以在大的層面上，語言模型和世界模型未來是會互通的。但目前來看，語言模型會先一步，把這條路探索得更清楚；而世界模型這邊，還需要更高效的基礎架構、更貼近真實世界的系統，以及之后疊加強化學習，這些才會慢慢成熟起來。

朱軍：我基本認同。語言模型確實給其他大模型提供了很多啟發。因為它最早，也最成熟，是第一類真正驗證 scaling law 的模型。

接下來是視頻模型，再到今天大家討論的世界模型。后兩者之間關系非常緊密。從視頻模型的發展路徑來看，我們已經看到它在復雜內容理解和內容生成上做得越來越好。再往前走一步，其實就是把 action 更深地引入進去。整體來看，這條路線現在已經越來越成為共識。大家也都在不斷優化架構、提升效率。

「敢為人先，堅持，以及持續自我否定」

最后一個問題，王仲遠把話題轉向了面向年輕人的方向。

一方面，越來越多優秀的年輕人站上了 AI 最前沿的舞臺。就在智源大會前兩天，智源研究院官宣，22 歲的北京大學青年學者、逆矩陣創始人、ACL 最佳論文得主陳博遠，擔任智源行為世界模型創新中心負責人，直接向王仲遠匯報。但另一方面，也有很多年輕人很焦慮——AI 發展太快，要學的東西太多，傳統技能、傳統職業都在發生劇烈變化。

羅福莉：我自己認為，現在整體進步速度實在太快，我們自己都還在摸索：人和大模型之間，到底應該各自發揮什么樣的優勢。

但我發現，有一項特質是非常恒定、不變的，那就是人的探索欲和好奇心。所以如果讓我給一個建議，我覺得唯一重要的建議就是：保持探索欲和好奇心，然后更極致地去使用最新的 AI。

在這個過程中，你一定要大量試錯。也要在試錯中，慢慢培養自己的獨特判斷力，以及某種意義上的審美、taste，或者說做研究的 taste。我覺得這可能是這個時代里，年輕人最好的成長路徑之一。

朱軍：技術進步真的是飛速的、日新月異的。對所有從業者來說都一樣，不只是學生焦慮，我們也一樣在不斷學習。

我們現在做本科培養，也在努力打造一種「AI-native」的成長環境。希望學生從第一天開始就擁抱 AI，讓 AI 成為自己的陪伴者、協作者，面向未來去突破。但說實話，哪怕同樣一句話，不同學生的感受也完全不同。有的人如魚得水，有的人效率一旦變高，反而更焦慮、擔心跟不上。

他說了一句讓人記住的話：「對那些感到焦慮的人，我反而想說：你也不用太焦慮，因為你身邊的人可能比你更焦慮。關鍵不是你會不會焦慮，而是你愿不愿意真正進入這個變化里。」

劉知遠：我總結成三個點。

第一個，敢為人先。包括 AGI、包括未來整個智能革命，這些事情都是「未發生之事」。創新，往往就意味著反共識。所有人都已經在做的事情，未必是真創新；真正的創新，往往是需要你在別人還沒看到、還沒做的時候，就先去做。所以第一件事，是你要敢于做出和別人不一樣的選擇。就像陳博遠，22 歲、ACL 最佳論文得主，直接去承擔這么重要的角色，本質上就是敢為人先。

第二個，是堅持。因為你做了不一樣的選擇，就一定會遭遇很多非議、很多否定、很多不支持。你能不能堅持下來？

第三個，是當你做出了一些成績以后，你能不能不成為既得利益者。不要躺在已經成功的路徑上，不愿意相信世界會變。你能不能持續準確地判斷未來趨勢，并敢于做自我否定、做新的探索和嘗試？這反而是后面更難的事。

安波：這個問題其實和一個更宏觀的問題相關：人活著的意義是什么？

今天我們說的一切，多多少少都帶一點功利色彩。從這個角度來看，你要做重要的事情，做那些真正有人在乎的問題，不要做 nobody cares 的問題。

他說了一個直接的判斷：「學位本身已經沒那么重要了。在這個年代，如果你本科畢業，甚至高中畢業，就能進入一線 Frontier Lab 做前沿研究，你在那兒干三年，可能比你讀一個博士學到的還更多。真正重要的是：你會什么，你能做什么。」

還有一點他覺得特別重要：「在這個時代，每個人都需要找到一個志同道合的小 group，哪怕是 virtual 的都可以。世界變化太快了，如果你一個概念兩三天還沒有 get 到，你得找人聊、找人碰撞。」

對話快結束時，王仲遠說了一句話：「也許若干年之后，當我們回望今天，真正值得被關注的問題，并不一定是某一個技術發布，或者某一個模型發布，而是在我們智源大會這樣一個平臺上，有這樣一場圓桌，大家在這個時間點一起暢談——人工智能最底層、最根本的一些問題，以及人類如何與 AI 共同重構未來。」

AGI——「四五十年，一下子變成了四五年」

開幕式結束，趕不上吃午飯，一起特別采訪了王仲遠，對一些上午沒有聊透的話題做了展開。

一個是 AGI 的定義。有人問，他能不能給一個大家容易理解的版本？

他沒有直接回答，先說了一件自己的經歷。

王仲遠：我自己做了將近二十年自然語言處理研究。在我過去的經歷里，我一直覺得 AGI 很可能是下一代人才需要認真考慮的問題，也許還要四五十年。但在 2022 年底、2023 年初，當 ChatGPT 和大模型真正進入質變階段的時候，對我的沖擊是非常大的。我一下子意識到，這個時間可能從四五十年，一下子縮短到了四五年。

這也是他后來從產業界回到學術界的原因之一——不只是為了推動技術，也是想在智源這樣的非營利機構里，承擔更多對 AI 安全的研究和關注。

他的判斷有一個分層：「某種形式的 AGI，在數字世界里、能解決廣泛問題的那種——很多專家認為今年或明年就會出現，我對這件事是認同的。但更廣泛意義上的 AGI，比如它能不能真正拿起一瓶水，能不能在你朝它揮手時領會你的意圖——這樣的 AGI，還需要更長時間。當然，這個'更長時間'，也可能因為今天 AI 的加速演進，再次被縮短。」

Scaling ——「從預測下一個詞，到預測下一個物理狀態」

我問了他一個在圓桌上沒有來得及深談的問題：他在演講里提到，從最早的 Next-Token Prediction（預測下一個詞元），到 Next Physical State Prediction（下一個物理狀態預測）——這不只是技術路線的切換，更是對 Scaling Law 的重新定義。他說已經找到了多模態 scaling 的新范式，依據是什么？

這個問題他在圓桌上也問過羅福莉。她當時比較謹慎，沒有直接給出「指數性增長」的判斷，但也沒有否認。

王仲遠：去年還是前年，媒體上有一個很熱門的話題，就是 scaling law 是否失效。當時之所以會有這種說法，是因為大家認為大語言模型的預訓練數據已經快用完了，能力提升似乎遇到了瓶頸。但另一方面，我們也看到了：即使是在大語言模型上，通過后訓練、推理時 scaling，模型性能依然在持續提升。今天再加上 agent 系統，以及遞歸自進化這類技術，又有可能進一步推動以語言為核心的基座模型繼續 scaling。

他說，智源研究院做的是「高校做不了、企業不愿意做」的科研。早年的「悟道」系列是中國最早的大模型，開創了中國大模型的時代。當語言模型的技術路線確定之后，他們把規模競爭交給企業，自己轉向了多模態的新范式探索。

王仲遠：我們堅持用 next token prediction 這樣的范式去探索多模態 scaling。為什么我們會認為找到了路徑？有幾個原因。Emu3.5 相比前代，訓練數據提升了大約 50 倍，模型參數提升了大約 4 倍，整體性能也實現了非常顯著的提升。它采用自回歸架構，可以完全復用現有基礎設施，也能復用大語言模型與強化學習后訓練的那套方法——這意味著，它可以復現語言模型的 scaling 路徑。

他還說了一個細節：Emu3.5 現在只有 300 多億參數，且只用了不到 1% 的公開視頻數據。「這意味著它未來仍然有很大的潛力。更大的參數、更大的數據，就有可能帶來更強性能。」

再往后——進入物理世界之后，就必須處理時間、空間、物理規律、物理常識。「所以，world basis 現在是我們正在做的一件很重要的事：物理世界基座模型的 scaling 范式到底應該是什么樣。等我們把這條路線探出來以后，也會向全世界分享，再交給企業、產業界去做 scale up。」

這也回應了圓桌上朱軍說的那句話：「整體來看，世界模型的復雜度會更高，也相對更早期，但未來非常可期。」兩人的判斷在不同場合，指向了同一件事。

「這已經不是抽象推演，而是實實在在的分析結果」

另一個沒有在圓桌上展開的話題，是 AI 安全。

今年大會上，智源研究院發布了一款「風險發現智能體」。

王仲遠：它能夠繞過現有的篩查機制，去發現有害蛋白基因、合成有害蛋白。這已經不是一種抽象推演，而是實實在在的分析結果。而且這些分析，我們是通過 11 款大語言模型和 3 個智能體系統共同復現出來的。

他說，這說明一件事：AI 安全已經不再只是一種長遠擔憂，而是進入了現實風險階段。「它需要技術界、產業界、政策界，以及各個領域的專家共同努力，攜手應對。」

當被問到怎么看「世界模型」這個詞被泛化、濫用的問題，以及李飛飛最近說了同樣的擔憂時。王仲遠說，他們非常認同這個判斷。「今天的世界模型，還處在非常早期的發展階段。最終不管大家今天怎么分類，未來很可能還是會歸一到某一種更統一的、更大尺度的框架之下，去解決這一類終極命題。」

采訪快結束時，有人問起具身智能走進家庭還有多遠。王仲遠說，還很遠。demo 和真正進入千家萬戶之間，「中間差得非常遠」。

但他說了一句話：「我們經常開玩笑說，今天研究具身智能，很大一個原因是希望 20 年后我們老了，機器人能夠照顧我們的生活起居。這其實是很多研究員參與具身智能研究的一個很樸素、也很真實的目標。」

研究這件事的人，有時候不只是在研究技術。

開發者“神裝”補給站｜CSDN 6 月寵粉專屬福利

不論你是想跑通最新的本地 LLM，還是想實測一套 Agent 自動化工作流，算力與補給，我們都為你備齊了！

立領三重進階大禮：

200 小時云端算力券免費領

瑞幸咖啡/肯德基早餐/下午茶任選其一

掃碼即刻領取，今日額度有限，手慢無！