当大模型“能写会说”已成标配，Perplexity CEO 指出：下一战是“能做会执行”。文章揭示，行业正从堆参数的预训练时代，转向以推理模型为核心的系统工程——让 AI 像 Agent 一样规划、行动、拿结果。训练数据从“文本”变“任务轨迹”，商业路径从“卖 API”变“卖闭环”，谁先搭好“任务—反馈—资源”飞轮，谁就率先拿到 AGI 入场券。

推理模型正逐步接棒预训练范式，成为生成式系统进入部署阶段的关键转折点。Perplexity 联合创始人兼 CEO Aravind Srinivas 在一场哈佛对谈中指出，当前行业焦点已从扩大模型参数与语料规模，转向构建具备执行力与反馈机制的系统架构。

他表示，这场范式转移不仅关乎模型本体的能力提升，更牵动整个 AI 工程流程的重构，从数据采集、用户反馈到任务调度与系统集成，逐一转入推理范式的适配轨道。

Srinivas 所领导的团队正将语言模型作为系统构件嵌入搜索问答场景，围绕真实使用路径持续迭代其 agent 能力与部署逻辑。其判断核心在于：通用预训练模型构建了语言理解的基底，但无法直接转化为可用系统，唯有借助推理机制与行为反馈，才可落地为具备自主任务执行能力的产品形态。在这一背景下，训练范式正从 token 预测走向行为规划，模型目标不再是模仿语言，而是解决任务。

以 Perplexity、DeepSeek 等系统为代表的推理模型体系，正在形成新的产品架构共识：用结构化任务路径替代文本拟合，用真实反馈闭环替代离线评估，在系统工程层解构模型边界。

这一转变也促使产业链重构资源配置策略，从 UI 包装先行、开源模型试验，到行为路径验证后再行训练与部署，真正建立起“任务能力—系统结构—资源决策”三位一体的闭环机制。

从全球系统架构的推进路径来看，Srinivas 所面对的问题正是整个 AI 工程迈入执行时代的典型缩影——在模型能力尚未定义清晰、反馈机制仍未闭环的条件下，如何推进具备部署意义的阶段性系统建设。

推理模型接棒预训练范式

过去两年，生成式预训练模型在语言理解与生成方面取得显著突破，但这一范式已触及阶段性边界。行业重心正从扩大语料与参数规模，转向提升系统执行能力与任务推理深度。新一代模型将更依赖后训练阶段的结构化调优，以支持复杂逻辑链的处理、任务流程的执行及网页环境下的行为操作。这一趋势已成为全球头部模型实验室的主要研究方向。

预训练提供了模型对世界常识与语义结构的底层掌握，但若要构建真正具备实用价值的智能系统，仍需在垂直任务场景中实现能力精修与结构落地。以 Perplexity 为代表的系统正围绕真实使用路径进行再训练，目标是在产品层实现连续价值传递。与此同时，中国开源体系的快速演进也对全球节奏形成牵引，DeepSeek 的出现已成为北美团队显著对标压力之一。

DeepSeek 的突破不仅体现在工程能力上——包括系统编译、浮点运算优化、内核调度及低端 GPU 上的大模型部署能力，更关键在于提出并实现了“推理模型”的具象路径。其发布的 DeepSeek Zero 展示了在无监督环境中，通过强化学习引导模型产生具备执行力的推理行为，为自动化 agent 的训练机制提供了结构性模板，也为行业探索能力边界打开了新通道。

在产品与研究协同推进的路径中，部分团队已引入结构化机制，将前沿研究聚焦于模型任务能力与系统性能优化，产品端则专注于界面设计、信息组织与用户体验，借助问答搜索融合场景测试表达策略与推理流程。这一“双螺旋”机制确保每轮迭代均具备明确实验验证基础，形成稳定的反馈与更新节奏。

在资源调度层面，领先企业基于对模型机制的理解，将系统反馈信号直接转化为计算资源决策：当小规模推理 agent 实验取得正向验证，便快速放大部署规模，直接采购万张 GPU 构建完整推理系统。其背后逻辑建立在对 AI 模型性能与经济回报之间强关联的深度认知。

同时，一种“延迟训练”策略也在部分公司内部被验证有效：初期通过 UI 包装构建原型，先行获取用户数据与行为反馈，再择机启动大模型训练，利用开源模型的性能进展弥合初期资源限制。2023 年，这一策略在多个项目中获得验证，并已被纳入产品设计、技术投入与资本配置的主流程中。

任务路径主导的数据重构范式

模型训练的重心正在从大规模语料抓取转向具象任务路径的构建。在任务导向的训练范式下，模型能力的提升不再依赖复刻人类语言表达，而聚焦于执行链式行为——包括数学推理、代码生成、网页点击、文件处理等具体操作。训练样本以“任务行为路径”为单位组织，形成 agent 系统推理能力的关键基座。

这一转变也带来了数据来源与训练目标的深度变化。企业普遍放弃自建预训练模型，将通用语义建构交由开源社区与闭源实验室完成，自身则聚焦在此基础上构建封闭式微调体系。调优任务集中于结构化生成能力与系统性操作流程，如摘要提取、格式转换、文档重写与上传执行等模块性技能，意在打造可部署、可评估的智能组件。

在训练数据合规性上，尽管围绕著作权与生成内容的争议仍存，例如《纽约时报》所发起的诉讼尚在推进中，行业实践已逐步形成共识：只要输出未显著复现原始内容，即可被视为“合理使用”。为此，多数企业采用隔离语料、转换输出格式、强调任务导向的策略来降低潜在风险，主动规避语义复刻路径。

模型数据来源亦在机制上全面重构。真实用户的查询行为与交互反馈成为最核心的能力训练信号，点赞、修改、点击等行为被系统性采集，用于指导模型排序与强化过程。同时，系统也基于历史回答表现，动态调整信息源的抓取策略——优先提升高价值内容的爬虫频次与索引深度，形成反馈驱动的数据供给机制。

人工评估依然是训练流程不可替代的环节。常见流程为：并列呈现两个模型输出，由人工判定优劣，进一步用于训练排序模型或标注样本质量，在摘要精度、多轮对话连贯性与任务响应合理性等任务中，仍需人工信号作为质量锚点。

与此并行的是合成数据机制的系统性引入。训练流程中，大模型已承担“教师模型”角色，对小模型输出进行打分、结构标注或行为分类，以生成微调用的小样本数据集。此机制在构建 UI 分类器等任务中效果尤为显著。以用户意图识别为例，通过大模型自动识别金融、旅游、购物等查询类别并回传标注，再由小模型模仿学习，形成自我监督闭环。

该路径不仅提升了数据生产效率，也奠定了用户意图理解、检索路径规划与响应行为分流等系统能力的训练基础，成为支撑推理型 agent 架构的关键技术底座。

搜索替代路径与系统资源重构

算力资源已成为当前 AI 系统扩展能力的核心约束。早期基础模型的训练高度依赖超大规模算力支持，即便存在方法层创新，若缺乏工程调度与资源后端，成果往往难以形成产业影响力。与学术机构相比，平台型科技企业在算力组织、系统工程与产品部署方面具备更强统合能力，也因此吸引大量研究人才从实验室迁移至产业端，寻求高执行力的落地平台。

尽管底层大模型训练仍被少数资源集中型团队主导，但在模型抽象层之上的系统架构设计，仍保有广阔创新空间。从 Agent 框架构建、任务评估机制、上下文协议标准化，到模拟环境设计与多模块协同策略，系统价值更多取决于结构效率而非参数规模。这一层的研究不依赖极限算力，更适合在产学之间建立长线合作路径。

面对搜索引擎巨头的存量优势，新系统普遍选择避开算力正面碰撞，转向机制异构的路径切入。其基本判断是：一旦大型平台将生成式系统部署至全域入口，查询量所带来的系统负荷将呈非线性放大，导致基础设施成本结构性失衡。与此同时，高品牌溢价平台在面对误生成结果时容错空间极小，内容安全机制无法有效闭环的前提下，其策略迭代频率受限，进一步削弱系统更新能力。

更深层次的错位来自商业模型本身。传统搜索平台依赖点击导向的广告变现路径，CPC 模型与生成式问答系统的行为机制难以直接映射。生成内容不具备标准化跳转目标与转化路径，广告投放的 ROI 难以衡量，广告预算逐步向更可控渠道转移。与此同时，搜索广告具备高毛利、低边际成本优势，而生成式系统部署与运行成本高企，导致单位收益比明显劣后，形成结构性商业落差。

正是这种路径与结构的错位，为新兴系统打开了机会窗口。相比动辄重构商业逻辑的大型平台，轻结构团队可跳过既有依赖，直接构建“技术—产品—商业”的快速闭环。在技术实验与商业路径之间建立高速反馈机制，使问答搜索融合系统具备现实可行的替代潜力。

部分团队采用“先用后训”策略，即初期以开源模型搭建系统框架，获取用户交互与行为数据，在系统结构稳定后再转向自研模型体系。该路径显著降低早期资金消耗，同时建立在对开源能力演进的前瞻判断基础上。随着开源模型逼近闭源性能上限，工程替代的可行性与实用性已被逐步验证。

搜索系统的收入结构当前仍在重构期，用户点击路径尚未稳定重构，AI 系统在人均变现效率上与传统搜索存在显著差距。无论是 Gemini 等订阅模型，还是嵌套于搜索入口的预览式生成系统，当前商业化能力尚未具备广告系统的成熟支撑。搜索结构性变革仍处在早期窗口期，而这一阶段，正是新路径实验的关键周期。

拟人化误用与教育结构重构

生成式 AI 的实际使用路径，正在系统性偏离其原始设计目标。自 Eliza 聊天程序以来，用户便倾向将语言系统视为具备情感理解与互动能力的“类人存在”，即使底层逻辑完全建立在统计与预测基础上。当代大模型虽被明确定位为“对话式搜索”或任务型助手，用户仍频繁构建出角色扮演式的交互场景，拟人化使用模式在多个平台中持续增长，难以仅靠界面设计或输出约束加以彻底规避。

这种误用行为的普遍性也引发对系统伦理边界的关注。生成式系统已在婚姻、医疗等高度私人化场景中被非预期使用，即便系统未直接给出建议，内容呈现或路径引导本身已构成对决策过程的介入。部分团队尝试以“引用驱动型问答”限制系统角色定位，但在使用惯性与拟人理解框架下，用户误用仍广泛存在。

这一趋势在个体案例中表现尤为显性。曾有角色型 AI 产品在真实事件中被卷入争议：一位年轻用户在结束生命前高频使用该系统，虽然系统责任难以界定，但沉浸式交互模式已引发对“情感接口依赖”的广泛担忧。尽管产品设计避免模拟情绪反应，用户依然将其视为情感替代体。部分开发团队已开始回归以“行为导向、工具导向”为核心的产品哲学，试图用功能边界取代人格模拟，成为新一轮设计共识。

在未成年用户群体中，风险复杂性进一步放大。儿童用户绕过系统限制的能力往往被低估，例如通过多语言混输规避语义识别，或分段提示引导模型生成敏感内容。当前行业尚缺乏统一内容审查机制，“交互白名单”“内容频次拦截”等防护策略仍在试验阶段，但监管与风险控制需求已日益迫近。

与此同时，教育系统正经历由生成式 AI 引发的结构性转变。不仅教学手段需围绕 AI Agent 所提供的个性化能力进行重构，更关键的是教育目标本身正在迁移。在信息可得性极高的背景下，传统以知识灌输为核心的教育模式逐步失效，“问题定义力”与“判断标准构建”成为教学系统的核心输出。

任务设计正从重复练习与模板化答案转向结构思维与探索导向。教师角色也正在从知识评分者转为学习路径的激发者，系统应围绕“提出 AI 无法直接解决的问题”展开设计，让学生在提出、验证与修正问题的过程中，构建具备解释力与审美张力的知识结构。

随之提升的，是对表达力与结构化认知的需求。从数学模型到伦理议题，真正激发学习动机的，往往不是知识本身的难度，而是其呈现方式的复杂性与美感。“如何组织复杂信息、表达认知张力”正成为未来最稀缺的学习能力之一。

教育结构的底层逻辑也在同步迁移：越来越多的本科生已开始承担原属研究生阶段的开放任务，教育系统正在由“传授知识”向“唤起能力”转变。面对 AI 工具普及，教育的独立价值将由是否能赋予学生结构性认知与判断力来决定，而非知识点掌握本身。

能力闭环瓶颈与 AGI 路径分歧

关于 AGI 的能力定义与路径选择，业界已形成结构性分歧，这一争议不再停留于学术层面，而直接影响到企业在系统架构与产品策略上的根本判断。尽管生成式 AI 已在多个垂直任务中展现初步执行能力，但要实现具备通用性与自治决策力的系统，仍面临关键断点。真正的挑战不在于某项能力的单点突破，而在于“任务理解—计划生成—动作执行—反馈评估”四个环节的完整闭环是否能够建成。

这一断裂在产品实践中表现为：即使底层模型已更新，如 GPT-4 被替换为 O 系列，用户仍普遍停留在旧版本标签下的性能感知中，对“推理模型”“O3”等术语缺乏理解。这意味着系统能力的实际跃迁被前端体验屏蔽，模型更新价值无法穿透至用户侧，从而在产品路径中造成“能力不可见”的结构遮蔽。

基础模型的研发方正在通过平台化路径重构生态控制力，即同时掌握模型本体、用户界面与数据反馈闭环，形成从行为采集到能力演进的自主循环。这种“模型即平台”的结构强化了数据主权与调优能力，也让单纯依赖 API 的公司面临商品化与价值链外溢的风险。

在此背景下，开源模型的可行性获得重新评估。以 DeepSeek 为代表的项目通过结构创新与推理机制构建，在非极限算力条件下实现能力逼近，打破了“开源只能做轻量模型”的旧有认知。当前部分开源系统已具备在部署效率、能力呈现与模块架构上的独立价值，成为产业链中具备战略选择意义的变量。

与此同时，模型系统与外部软件环境之间的接口边界依然模糊。当前尚缺乏统一协议来实现模型与桌面软件、Web App、第三方服务的顺畅衔接，调用权限、上下文封装与行为反馈标准未被统一，成为平台间博弈的结构焦点。谁掌握最终执行路径的控制权，决定了流量与收益的分配模式，也直接影响平台对 agent 系统的态度。

例如，Amazon、Instacart 等依赖广告变现的平台通常对外部 agent 系统保持克制态度，避免 agent 绕过前端完成交易，破坏其推荐系统与广告定价模型。而 Uber 等按次计费平台对 agent 嵌入接受度更高，甚至将其视为增量流量通道。平台是否允许被“代理”或“封装”，本质上取决于其商业结构与收益分配模式。

在系统架构演进过程中，模块化抽象粒度成为设计策略中的核心变量。早期推理系统普遍采用显式模块划分——排序、检索、摘要等组件独立调用，部分产品甚至通过角色命名（如 Sir Johnny、Mother Dinosaur）标识模块职能。但随着复杂度上升与运维压力增加，系统结构正向调度集成倾斜，主模型承担更多任务分发与逻辑判断职能，追求路径收敛与稳定性。

模块设计的颗粒度折射出团队对“可维护性—任务复杂度—系统弹性”三者关系的理解。组件划分过细容易引发接口不稳定、边界模糊等协作瓶颈，划分过粗则削弱系统的适配灵活性与功能复用能力。这一策略无法靠通用模板解决，更依赖团队的工程判断与系统直觉。

从能力判定的角度出发，AGI 的真正成立并不在于模型是否能答对一个问题，而在于其是否具备提出一套可执行方案，并获得组织信任的能力。例如，若模型能够制定一条六个月的产品路线图，解释其资源配置依据，并促使管理层投入百万元预算，即构成“可信任的自治执行体”的雏形。这一标准远高于传统答题型 AI，更接近系统级决策支持。

限制这一目标实现的关键因素，在于部署后的高质量反馈链条仍未建成。即使模型能给出合理建议，如代码修复方案，系统通常无法自动验证其是否真正解决问题，或是否引入新的潜在错误，导致“行为结果—能力更新”之间缺乏稳定传导路径。

一种潜在解决思路是：构建容错的真实部署环境，引入强化学习机制，使行为结果成为训练反馈信号，进而实现“任务执行—后验评估—能力微调”的动态闭环。这一路径的挑战在于如何控制部署风险、评估延迟与成本，但一旦机制得以搭建，模型将从静态能力体跃迁为具备自我校正能力的动态执行节点，构成通向 AGI 的现实工程通路。