2025 都有哪些 AI 趋势，大神卡帕西的年终总结，正在火爆硅谷。6 大论断，硬核又颇有启发：
新范式、新应用、新模型…… 回首望去，过去一年大模型带来的变革让人兴奋。然而卡帕西大胆预言：一切不过是刚刚开始……为什么卡帕西认为大模型潜力只挖掘了 10%？一方面展现出强大的推理能力，另一方面也暴露出潜在的理解缺陷，既让人兴奋又让人谨慎，具体包括：在年初之前，全世界的大模型都基本遵循以下训练范式：而到了 2025 年，RLVR 开始加入其中。模型通过在可自动验证的奖励环境中进行强化学习训练，会自发地形成推理策略，比如将问题分解为中间计算、循环计算等，具体可参考 DeepSeek R1。
而这些策略如果用旧范式其实极难实现，因为大模型的最佳推理轨迹和恢复过程并不清晰。另外，与 SFT 和 RLHF 不同，RLVR 由于涉及客观奖励函数的训练，优化时间较长。但事实也证明，RLVR 能够带来较高的“能力 / 成本”比，它消耗了原先用于预训练的计算资源。因此，RLVR 成为这一年大模型能力增长的重要驱动因素，且在大模型规模相当的前提下，强化学习的运行时间大幅度延长。随之而来的，还有一个全新的调控手段和相关的 Scaling Law，可以通过生成更长的推理轨迹和增加思考时间，来控制能力作为测试时间计算量的函数。2024 年末的 o1 模型是首个 RLVR 模型的展示，但 2025 年初 o3 的发布才是明显的拐点。2025 年，整个行业第一次开始直观地理解大模型智能的形态 —— 不是在动物进化，而是在召唤幽灵。
由于大模型技术栈的方方面面（神经架构、训练数据、训练算法，尤其是优化压力）都有所不同，所以会导致智能实体之间差异很大，如果单纯用看待动物的视角来理解它们其实是不对的。从监督层面来讲，人类的神经网络是为了生存而优化，而大模型的神经网络则是为了模仿人类、获得奖励而优化的。随着可验证领域采用 RLVR，大模型的性能会快速爆发，并且整体呈现出锯齿状性能特征，也就是常说的锯齿智能。简单来说，这样的大模型既是通才，也是认知能力有限的小学生，随时可能被越狱攻击，从而导致数据泄漏。
而这也能说明为什么卡帕西自己对基准测试普遍信任不足，核心问题就在于，基准测试几乎在构建之初就是可验证的环境，因此它们极易受到 RLVR 以及合成数据的影响。研发大模型的团队也会不可避免地围绕基准测试构建环境，并形成锯齿状的模型表现，换言之，就是在测试集上进行训练。这也就能解释，为什么现在的大模型可以在所有基准测试中取得压倒性胜利，但仍然未能实现 AGI。值得关注的是，Cursor 的出现揭示了大模型应用的一个新层面，也就是今年人们常说的“Cursor for X”。
它不仅仅是一个模型接口，而是围绕模型调用构建的应用层，能够：2025 年，人们已经花了大量时间集中讨论一个问题：新的 AI 应用层到底会有多“厚”？这一层的价值是会被创建底层模型的大模型实验室完全榨干，还是会给垂直领域的大模型应用开发者留下生存空间？在这一点上，卡帕西预测，大模型实验室未来会趋向于培养出一个“能力全面的大学毕业生”。而大模型应用开发者则会负责组织、微调，并让一整支这样的“学生团队”真正动起来，成为特定行业里可以被部署、可以交付成果的专业人才，这将通过引入私有数据、传感器、执行器以及反馈闭环来实现。Claude Code（CC）是首个令人信服的大模型智能体范例。它利用一种循环的方式将工具使用和推理结合，以解决复杂问题。能够在个人电脑上运行，并将用户的私有环境、数据和上下文加以利用。与之相反的是 OpenAI，它们过多地将精力集中在由 ChatGPT 编排的云部署容器上，而不是端侧部署。虽然云端运行的智能体集群通常被视作 AGI 的终极形态，但当前大模型能力参差不齐，且整体发展处于较为缓慢的过渡阶段。
在这种现实情况下，CC 直接让智能体在本地电脑上运行，直接适配开发者工作流程，会更贴合实际需求。可以说，CC 才是正确地把握了这一优先级，并将其包装成一种美观简约的命令行界面形式，彻底改变了人们对 AI 的传统认知。它让 AI 不再是类似谷歌的访问网站，而是像栖息在个人电脑里的小精灵，创造了一种与 AI 互动的全新且独特的模式。2025 年也是 AI 跨越能力门槛的一年，只需要通过自然语言就能构建出各种程序。有意思的是，氛围编程和前面提及的锯齿智能都是由卡帕西命名的，但彼时的他还并未料到，这两个词会成为 2025 年 AI 发展的最佳注解。
言归正传，在氛围编程的帮助下，编程不再局限于专业人士，任何人现在都能参与其中，而受过训练的专业人士也能通过它编写出更多的有意思的软件。例如在卡帕西自己的 nanochat 项目中，他就用氛围编程的方式，在 Rust 语言中，编写了定制的高效 BPE 分词器，而不是采用现有的库或学习更多的 Rust 知识。总的来说，他认为，氛围编程将重塑软件行业，并改变现有的工作内容。要说今年最令人惊讶、最具范式转移意义的模型之一，就绕不开谷歌的 Gemini Nano Banana。
在卡帕西看来，大模型是继计算机时代后的下一个主要的计算范式，在很多层面上彼此之间存在相似性，尤其是用户界面和用户体验（UIUX）方面。因为人们喜欢以视觉和空间的方式获取信息，所以大模型也应该提供类似格式，对文本进行美化和视觉排版。而 Nano Banana 就展现了这一趋势，它并非只关注图像生成这一单一功能，它还将文本生成、图像生成和世界知识全部融合在一起，为未来大模型 GUI 发展提供了参考。参考链接：本文来自微信公众号：量子位（ID：QbitAI），作者：鹭羽
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，蓝鸢梦想所有文章均包含本声明。
