“大模型就像一个人不停地学习，一直学到博士，也只是知识积累，还没有转化为实际生产力；而Agent则是模型能力扩展的里程碑，标志着大模型真正进入了人类真实世界。”
值得注意的是，agent 的实现路径也在发生变化：过去更多依赖应用层编排，而现在 agent 行为和数据正逐步被纳入模型训练过程本身，以增强通用性。但真正的难点并没有消失，不同 agent 环境之间的泛化和迁移依然极其困难。现实可行的解法仍然相当“朴素”：更多环境数据，以及针对不同环境的强化学习。模型记忆是必需能力唐杰认为：模型要在真实环境中行动，记忆能力是必需的。他用人类记忆结构做了一个很有启发性的类比：
短期记忆，对应Context中期记忆，对应RAG长期记忆，对应模型参数人类历史，对应公共知识库多模态和具身智能：前景广阔，道阻且长
至于多模态和具身智能，唐杰的态度相对冷静而克制。多模态无疑前景广阔，但在当前阶段，它并不能显著抬升 AGI 的智能上界，而这个上界本身仍然未知。更现实的路径，可能是文本、多模态理解、多模态生成分别推进，同时保持一定程度的交叉探索。具身智能的问题则更加尖锐：如果理解了 Agent 的难点，就能理解具身为何如此困难。少样本激活通用具身能力几乎不现实，而无论是采集真实数据还是合成数据，成本都极高。同时，机器人本体的不稳定性和高故障率，也在客观上限制了具身智能的发展。但一旦数据规模真正上去，通用能力自然会形成门槛。唐杰判断，到 2026 年，这一领域会出现明显进展。领域大模型是个「伪命题」最后，在领域大模型与应用的问题上，唐杰给出了一个相当直白的判断：领域大模型是个“伪命题”。他直言：都AGI了，哪还有什么domain-specific agi……唐杰认为，在 AGI 尚未实现之前，领域模型会长期存在，其背后更多是应用企业的战略选择——不愿意在 AI 企业面前完全失去主导权，希望通过领域 know-how 构建护城河，把 AI 驯化为工具。但从更长期来看，AI 的本质更像海啸，而不是插件。领域中的数据、流程和 agent 行为，最终都会被吸纳进更通用的主模型之中。相应地，大模型应用也必须回到创造真实价值这一原点：要么把原本需要人参与的软件彻底 AI 化，要么直接打造对齐某个工种的 AI 系统，替代人类完成工作。如果一个 AI 产品无法真正帮助人、创造价值，那它注定没有生命力。
