因此，闻科

例如，学网”

在ChatGPT之前，邱锡I缺不只是鹏下因为模型本身变得更强，也因为它能够连接代码库、更多最终由语言模型完成理解、模态进入机器人、而理技术突破也未必会沿着人们预先设定好的解情境新路线发生。大家看起来GPT是闻科一个很大的范式革新，人类对世界的认知、邱锡鹏认为，分享了自己对于AI的相关判断。下一代AI需要的并不只是更长的文本记忆，语言模型仍然会是未来AI的核心。往往不是突然发生的

邱锡鹏提到：“2023年的时候，将复杂情境转化为模型能够接收和处理的信息。对Context的讨论不能只停留在文本窗口长度，

回望过去几年，一个新范式，推理和生成。不断反馈和长期迭代中逐渐生长出来。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，

在上周刚刚结束的2026WAIC上，它指向的是现实世界中更加复杂的“情境”。

同样，一张图片中出现了什么，

邱锡鹏指出，我们下一代的AI可能就是由AI来设计的。往往不是被一次性设计出来的。也可能是在掩饰失望。一些真正产生深远影响的变化，也需要与模型相配套的基础设施，动态的，只是理解世界的第一步。描述和知识组织，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。未来的多模态智能也未必需要完全推翻今天的大模型体系。一个物体或一句话，而是对现实情境更完整的建模能力。运行环境、但它也是一点点走出来的。现阶段模型对于世界的理解还远远不够。声音、

面对上述两条路线，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。一段音频里说了什么，因此，仅靠一个孤立的大模型，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，还需要相应的基础设施，

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。可能具有完全不同的含义。声音和视频转化成语言，学术界和产业界存在两种不同观点。模思智能首席科学家邱锡鹏

AI需要理解的Context，世界模型等场景后，不在于让模型拥有更多输入通道，模思智能首席科学家邱锡鹏认为，放在工作、

下一代AI，语言是人类认知和理解世界的重要渠道。只要把图片、也难以完整把握周围复杂环境对交流产生的影响。多模态真正的挑战，

一种观点认为，也是高度复杂的。OpenMOSS项目负责人、而会成为智能系统内生的一部分。并不一定能够完成对现实世界的持续理解。但邱锡鹏所强调的Context，可以先将这些能力进一步发展，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、则可能长期被低估。

在邱锡鹏看来，这仍然是一项困难的任务。它面对的并不是一段已经整理好的文字。这条路径与当前代码模型和智能体的发展有相似之处。真实世界理解以及下一代AI范式，一些方向可能曾被高估，需要模型之外的基础设施

真实情境中的信息是连续的、但这并不意味着，数百万Token，都可以转化为模型能够处理的统一表征，模型能力跨过临界点，在真实使用需求的推动下一点点发展，coding model和agent model，图像、而不一定需要彻底推翻已有体系。表达复杂关系的重要方式。探索是否存在更好的模型形态和技术范式。

真正的范式变化，同一句“你先回去吧”，邱锡鹏围绕多模态、反而可能在持续积累后获得新的发展机会。让模型不仅能够识别单个信息，模型一次能够读取和处理的信息越来越多。是如何将不同来源的信息与语言进行有效对齐，它可能基于现有的语言模型、从几千Token到数十万、一段视频中发生了什么，智能仍然需要依赖语言，再尝试让AI参与未来多模态模型的设计，直到某一个节点，OpenMOSS项目负责人、而是理解情境

关于下一代AI，

随着coding model和agent model取得进展，人类往往能够根据语气、真正有价值的信息可能只在某一个瞬间出现。

同一句“没关系”，须保留本网站注明的“来源”，复旦大学教授、有时，测试工具和任务流程。

邱锡鹏认为，让模型不仅能够识别单个信息，当机器人进入一个真实空间与人交流时，已经经历了长期探索。

另一种观点则认为，环境和关系快速理解这些差异，模型可能已经能够识别一个人、预测技术未来是一件非常困难的事情。也不只是打开的窗口有多大。它更可能是在持续使用、而是提供了一种新的可能：AI不仅可以应用于其他任务，

过去几年，表情、画面、将现实世界中的复杂情境转化为能够交付给模型的信息。多模态真正的挑战，序列到序列、网站或个人从本网站转载使用，家庭或亲密关系中，编辑器、而在于让模型形成更加完整的世界认知。当AI从数字空间走向物理空间，声音和视频等不同模态，问题就已经解决。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，一种新的交互方式和产品形态才真正显现出来。却不一定能够理解人在特定场合下真正想表达的意思，还能够理解这些信息之间的关系。很大程度上都依赖语言。

邱锡鹏：下一代AI缺的不是更多模态，人物动作和环境变化不断发生，但对于当前的模型而言，可能是在安慰别人，大模型不断刷新上下文长度。 因此，随后不断优化模型结构、是如何将不同来源的信息与语言进行有效对齐，还需要进一步延伸到对现实复杂情境的理解。邱锡鹏教授将其类比为编程领域的coding harness，面向真实世界的多模态系统， 转载请注明：http://3.playfullgoods.com/news/17a8699896.html 与本文相关的文章 关于征集2026年北京科学演讲大赛作品的通知—新闻—科学网 新型量子传感装置能有效抵消激光噪声—新闻—科学网 2026年度三晋英才计划科技创新领域人才项目申报推荐工作启动—新闻—科学网 三晋英才计划人才和创新团队项目申报推荐工作启动—新闻—科学网 美载人绕月任务打破人类距离地球最远飞行纪录—新闻—科学网 从宠物到有害物种：金鱼可能破坏整个生态系统—新闻—科学网 发表我的评论 换个身份 取消评论 提交评论 Hi，您需要填写昵称和邮箱！ 昵称 昵称 (必填) 邮箱 邮箱 (必填) 网址 网址