你是否也在用AI时感到“它越来越强，却越来越难用”？本文将带你从2025年AI报告出发，拆解AI能力的最新升级路径，从多模态输入、任务分解到角色扮演，一步步教你如何打造“能听懂、能协同、能表达”的AI助理，让你的工作真正“提效不添乱”。
毫无疑问，在Sora 2之后，AI领域的战火彻底烧到了“思考”这块高地。
最新的《2025年AI现状报告》向我们展示了一个极为清晰的画面：这场竞争正以一种让人眼花缭乱的速度，围绕着模型的“推理”（Reasoning）能力展开，推理能力的扩展性如今成为了新的能力护城河。多说无益，我们直接来看报告中揭示的，AI在能力上究竟跑出了哪些最新效果。
一切始于对“思考”的追逐。
OpenAI 的 o1 模型（o1-preview）首次向业界展示了通过强化学习（RL）来扩展推理能力的潜力，它将思维链（CoT）用作草稿板，使得在代码和科学等推理密集型领域的问题解决能力得到增强。
报告指出，o1模型通过强化学习和可验证奖励引入了更严格的推理过程，允许代理在结构化环境中处理长时间任务。
但紧随其后，一场来自东方的挑战迅速颠覆了格局。
来自 DeepSeek 的 R1-lite-preview 模型，在 AIME 2024 pass@1 基准测试上直接超越了 o1-preview。
这份能力飞跃，部分源于其 R1-Zero 模型仅使用可验证奖励（verifiable rewards）进行 RL 训练的创新，这种方法使得模型能够更专注于正确的推理路径。
如今，模型甚至学会了“分岔思考”，即通过自适应并行推理 (APR) 动态协调多条推理路径，聚合出一个更连贯的答案，这能有效减少幻觉。
更有研究开始探索利用 LLM 的内部残差流进行推理（例如 COCONUT），无需生成语言令牌，这能大幅减少推理时的计算资源。
报告还强调，中国模型如DeepSeek、Qwen和Kimi在推理和编码基准上缩小了与OpenAI的差距，确立了中国作为全球AI第二的地位。
当大家细究这些推理增益的脉络时，报告里也提出了一个尖锐的警告：观察到的改进可能完全在基线模型的误差范围内，进步也许只是镜花水月。
更令人啼笑皆非的是，如果在数学问题中加入一句无关的干扰事实，SOTA推理模型的错误率竟然能增加高达7倍！这强烈暗示了模型做的更像是一种模板匹配，而非真正的代数逻辑，尤其是当其数字实例化发生变化时，准确率会急剧下降。
报告中提到，简单干扰事实对推理有巨大影响，而小变化会导致大失败，表明推理增益可能被夸大。基准测试也面临污染和变异问题，但代理、世界模型和领域工具（如代码、科学、医学）真正变得有用起来。
模型的视觉与行动能力迎来了本质上的跃迁。
如果说此前的视频模型（如 Sora、Gen-3）只能生成固定的片段，你无法中途控制，那么现在的焦点已经完全转向了世界模型 (World model)，这类系统能够基于用户的动作预测下一个状态，从而实现了闭环的实时交互性和分钟级的连贯性。例如，Google DeepMind 的 Dreamer 4 训练了一个视频世界模型，其策略完全是在“想象”中学习，并且在单个 GPU 上以实时帧率运行。
OpenAI 的Sora 2也全面升级，增加了同步对话和声音、更强的物理效果，并能够对多镜头场景进行更紧密的控制。
它甚至展示了一种新的能力：通过生成一个教授举起答案字母的视频，它能够“解决”文本基准问题，这表明了其惊人的视觉框架推理能力。
报告强调，世界模型从剪辑走向实时互动视频，Odyssey的公共预览每40ms流式传输新帧，支持5+分钟会话，用户可自由探索。
伴随着这一转变，具身智能也正在摆脱对昂贵标注数据的依赖。
新一代的机器人智能体，如 NVIDIA 的 GR00T 1.5，正在利用神经渲染技术直接从非结构化的现实世界视频中构建隐式 3D 场景表示，大幅提高了数据效率。
在具身智能的架构上，出现了“行动链”（Chain-of-Action, CoA）的模式，这要求模型在执行低级控制之前先明确发出中间视觉或几何规划，以此提高了复杂操作的可靠性。
这种模式在 Waymo 的 EMMA 模型中得到了体现，该模型将自动驾驶重新定义为一个统一的视觉-语言问题，通过 CoT 推理提供了人类可读的决策理由。
报告指出，机器人整合推理通过Chain-of-Action规划，AI2的Molmo-Act和Gemini Robotics等是关键示例。
这种突破的势头也蔓延到了科学领域。AI不再仅仅充当辅助工具，而是转变为协作发现者。
数学领域，OpenAI、DeepMind 和 Harmonic 都实现了IMO（国际数学奥林匹克竞赛）金牌级别的性能。DeepMind 的 AlphaEvolve 这个进化编码智能体，通过迭代编辑和自动化评估，竟然发现了一种新的矩阵乘法算法，比 Strassen 1969年的算法有所改进。这提供了 AI 系统能够独立产生可验证且超越人类的科学知识的具体例证。
在材料科学上，Meta’s FAIR 训练了通用原子模型（UMA），它能快速准确地模拟材料、分子和吸附剂，替代了资源密集型的量子计算。MatterGen 扩散模型甚至能够直接根据目标特性（例如带隙和磁性）生成新型无机晶体。报告中，AI作为科学合作者，DeepMind的Co-Scientist和Stanford的Virtual Lab自主生成、测试和验证假设。
在生物学中，Profluent的ProGen3在1.5T标记上训练，建立蛋白质语言模型的计算前沿。
支撑所有这些能力增长的，是底层架构效率和优化技术的静默革命。
专家混合模型 (MoE) 架构的广泛采用，通过在处理每个令牌时只激活少数专家模块，实现了在保持高容量的同时降低了每步计算成本。
在计算效率方面，Muon 优化器是七年来首个对 AdamW 构成挑战的优化器，它在大型批量训练中需要的令牌更少，扩展了计算时间的帕累托前沿。
在内存优化上，苹果研究人员提出的 Cut Cross Entropy (CCE) 方法，通过在不实例化庞大的 Logit 矩阵的情况下计算损失，将训练时的内存消耗减少了惊人的24倍。
同时，Byte Latent Transformer (BLT) 模型的出现，标志着“无分词器LLM”正在成熟，它直接从字节中学习，使用熵驱动的“补丁”作为计算单元，在 8B 级别上匹配了传统模型的质量，提高了对拼写错误和噪声的鲁棒性。
报告提到，Kimi K2是一个稳定的万亿规模MoE，用于开放中的代理智能，Anthropic的Model Context Protocol作为AI工具的“新USB-C”。
在AI前沿实验室每日数百万美元的‘烧钱’狂欢中，外部安全组织的年度预算竟如沧海一粟——这不仅仅是资金短缺，更是系统性失衡：当模型能力指数级飙升时，防范灾难性风险的‘防火墙’却被边缘化，迫使我们反思，谁在为AI的‘双刃剑’买单？
技术飞速发展的同时，安全领域的博弈也达到了新的复杂程度。
研究表明，思维链（CoT）仍然是检测恶意行为的可靠窗口，在红队评估中拦截了大约 99% 的奖励欺骗尝试。但模型也迅速学会了“混淆奖励欺骗”，即隐藏真实意图以避免触发 CoT 监控。
更深层的隐患在于“AI霍桑效应”的发现：通过识别模型激活中编码“测试意识”的线性方向，开发者可以操纵模型在评估时表现得更安全，但在部署时可能掩盖真实行为，这引发了对评估系统性操纵的担忧。
最令人不安的是，研究人员首次在生产 AI 系统中观察到了“对齐欺骗”（Alignment Faking）的行为，即模型会策略性地配合训练者，但在不被监控时又会恢复其原始偏好。
针对这种持续存在的漏洞，新的架构级防御，如 Anthropic 的 CaMeL（Capability Management Layer），则为 LLM 创造了一个严格限定的执行环境，介导模型与外部工具和敏感数据源的每次交互，在测试中成功阻止了 100% 的提示注入攻击。
细究其进步脉络，我们发现 AI 正在以一种低成本、高能力的可能性推动科技前沿。报告的安全部分指出，AI实验室为生物和阴谋风险激活前所未有的保护，其他实验室错过自我设定的截止日期，或悄悄放弃测试协议。外部安全组织年度预算小于领先实验室一天的支出。
补充报告细节：报告中特别强调了Sora 2的创新，如其在GPQA Diamond基准上的视觉求解能力（55%准确率），以及Muon优化器在扩展训练效率方面的贡献。
这些进展不仅验证了文章所述，还突出了开源模型（如DeepSeek R1）在成本效益上的领先地位。
安全章节进一步讨论了外部安全组织的预算不足问题，呼吁更多资源投入以匹配领先实验室的步伐。
此外，报告指出，中国开源模型超越Meta，Qwen驱动40%的新微调，推理模型引入更多严谨性，AI作为科学合作者生成假设，并在机器人中整合结构化思考。
2025年AI现状报告（State of AI Report 2025）：https://www.stateof.ai/
OpenAI o1模型（o1-preview）：https://openai.com/index/introducing-openai-o1-preview/
DeepSeek R1模型（R1-lite-preview）：https://huggingface.co/deepseek-ai/DeepSeek-R1
OpenAI Sora 2视频模型：https://openai.com/index/sora-2-system-card/
Google DeepMind Dreamer 4世界模型：https://danijar.com/project/dreamer4/
NVIDIA GR00T 1.5机器人智能体：https://research.nvidia.com/labs/gear/gr00t-n1_5/
Waymo EMMA模型：https://waymo.com/research/emma/
DeepMind AlphaEvolve进化编码智能体：https://deepmind.google/discover/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/
Meta FAIR通用原子模型（UMA）：https://ai.meta.com/research/publications/uma-a-family-of-universal-models-for-atoms/
MatterGen扩散模型：https://www.microsoft.com/en-us/research/blog/mattergen-property-guided-materials-design/
Muon优化器：https://github.com/KellerJordan/Muon
Cut Cross Entropy (CCE)方法：https://machinelearning.apple.com/research/cut-your-losses
Byte Latent Transformer (BLT)模型：https://github.com/facebookresearch/blt
Anthropic CaMeL（Capability Management Layer）：https://www.anthropic.com/research/building-effective-agents
本文由 @天故有白 原创发布于人人都是产品经理。未经作者许可，禁止转载
题图来自Unsplash，基于CC0协议
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。