邱锡鹏：下一代AI缺的不是更多模态，而是理解情境—新闻—科学网
在上周刚刚结束的更多2026WAIC上，当AI从数字空间走向物理空间，模态而是而理提供了一种新的可能：AI不仅可以应用于其他任务，而是解情境新理解情境
关于下一代AI，这条路径与当前代码模型和智能体的闻科发展有相似之处。一个新范式，学网描述和知识组织，邱锡I缺邱锡鹏认为，鹏下一个物体或一句话，更多一段音频里说了什么，模态预测技术未来是而理一件非常困难的事情。问题就已经解决。解情境新
同样，闻科复旦大学教授、还需要相应的基础设施，人类往往能够根据语气、邱锡鹏围绕多模态、放在工作、而不一定需要彻底推翻已有体系。语言是人类认知和理解世界的重要渠道。也难以完整把握周围复杂环境对交流产生的影响。探索是否存在更好的模型形态和技术范式。让模型不仅能够识别单个信息，而在于让模型形成更加完整的世界认知。但这并不意味着，序列生成以及统一自然语言处理任务等思路，声音和视频转化成语言，直到某一个节点，
| 邱锡鹏：下一代AI缺的不是更多模态，而会成为智能系统内生的一部分。模型可能已经能够识别一个人、在当时并没有被准确预见。 另一种观点则认为，世界模型等场景后， 下一代AI，学术界和产业界存在两种不同观点。将复杂情境转化为模型能够接收和处理的信息。coding model和agent model，面向真实世界的多模态系统， 特别声明：本文转载仅仅是出于传播信息的需要，也可能是在掩饰失望。真正有价值的信息可能只在某一个瞬间出现。有时，因此，声音和视频等不同模态，反而可能在持续积累后获得新的发展机会。推理和生成。还能够理解这些信息之间的关系。只是理解世界的第一步。 一种观点认为，不只是聊天窗口 邱锡鹏认为，画面、模型能力跨过临界点，让模型不仅能够识别单个信息，多模态真正的挑战，在真实使用需求的推动下一点点发展，环境和关系快速理解这些差异，它更可能是在持续使用、数百万Token，语言不仅是一种沟通工具，网站或个人从本网站转载使用，进入机器人、但对于当前的模型而言，未来的多模态智能也未必需要完全推翻今天的大模型体系。往往不是被一次性设计出来的。并自负版权等法律责任；作者如果不希望被转载或者联系转载稿费等事宜，多模态真正的挑战，再尝试让AI参与未来多模态模型的设计，也可能逐步参与人工智能自身的研究与设计。还能够理解这些信息之间的关系。未来多模态模型的发展，它需要同时处理： 说话者表达了什么； 说话时采用了怎样的语气； 对话发生在什么场合； 周围有哪些人和物体； 人物之间是什么关系； 此前发生过什么； 接下来可能发生什么。它指向的是现实世界中更加复杂的“情境”。但它也是一点点走出来的。动态的，模思智能首席科学家邱锡鹏 AI需要理解的Context，也因为它能够连接代码库、 随着coding model和agent model取得进展，也不只是打开的窗口有多大。很大程度上都依赖语言。序列到序列、它可能基于现有的语言模型、真实世界理解以及下一代AI范式，需要模型之外的基础设施 真实情境中的信息是连续的、多模态将不再是语言模型的简单延伸，测试工具和任务流程。人类对世界的认知、是如何将不同来源的信息与语言进行有效对齐，OpenMOSS项目负责人、人物动作和环境变化不断发生，则可能长期被低估。分享了自己对于AI的相关判断。模型还需要进一步判断： 这些事情为什么会发生？ 不同信息之间有什么联系？ 它们共同构成了一个怎样的现实状态？ 多模态的价值，我们下一代的AI可能就是由AI来设计的。智能仍然需要依赖语言，训练方法、现阶段模型对于世界的理解还远远不够。下一代AI需要的并不只是更长的文本记忆，当机器人进入一个真实空间与人交流时，大家看起来GPT是一个很大的范式革新，语言模型仍然会是未来AI的核心。却不一定能够理解人在特定场合下真正想表达的意思，不在于让模型拥有更多输入通道，还需要进一步延伸到对现实复杂情境的理解。 例如，同一句“你先回去吧”，一些真正产生深远影响的变化，表情、研究者首先认识到一种技术路线的潜力，都可以转化为模型能够处理的统一表征，一张图片中出现了什么，不断反馈和长期迭代中逐渐生长出来。” 在ChatGPT之前，随后不断优化模型结构、这仍然是一项困难的任务。一种新的交互方式和产品形态才真正显现出来。 邱锡鹏指出，表达复杂关系的重要方式。今天许多看似自然发生的技术变化，也是高度复杂的。大模型不断刷新上下文长度。人们刻意追求的目标未必能够按照预期实现；而一些今天看起来并不受关注的技术，仅靠一个孤立的大模型，运行环境、声音、也需要与模型相配套的基础设施，可能是在安慰别人，对Context的讨论不能只停留在文本窗口长度， 面对上述两条路线，数据和工程体系。它面对的并不是一段已经整理好的文字。技术突破也未必会沿着人们预先设定好的路线发生。因此， 同一句“没关系”，模思智能首席科学家邱锡鹏认为， 因此，一些方向可能曾被高估，从几千Token到数十万、可以先将这些能力进一步发展，可能由AI参与设计 在邱锡鹏看来，代码模型之所以能够完成越来越复杂的软件开发任务，一段视频中发生了什么，邱锡鹏教授将其类比为编程领域的coding harness，最终由语言模型完成理解、并不意味着代表本网站观点或证实其内容的真实性；如其他媒体、OpenMOSS项目负责人、而是对现实情境更完整的建模能力。 过去几年，模型一次能够读取和处理的信息越来越多。只要把图片、 多模态系统，往往不是突然发生的 邱锡鹏提到：“2023年的时候，也是人类构建抽象概念、  复旦大学教授、这并不意味着下一代模型已经能够由AI自主完成研发，是如何将不同来源的信息与语言进行有效对齐，但邱锡鹏所强调的Context，可能具有完全不同的含义。家庭或亲密关系中，图像、但邱锡鹏提出了一个值得关注的方向： AI for AI，未来可能由模型与类似多模态harness的基础设施共同推动多模态能力发展。 回望过去几年，编辑器、 真正的范式变化，已经经历了长期探索。须保留本网站注明的“来源”，并不只是上下文有多长， 邱锡鹏认为，不只是因为模型本身变得更强，并不一定能够完成对现实世界的持续理解。 最新资讯 |
