自大语言模型ChatGPT问世以来，全球人工智能领域掀起了一场以大模型为核心的技术竞赛。行业一度形成共识：参数规模、数据量和算力强度是衡量智能水平的关键指标。千亿参数成为标配，万卡集群成为入场门槛，不做大模型的企业被认为将失去竞争力。然而，随着时间推移，大模型的发展逐渐暴露出瓶颈：单次训练成本高达千万元，推理能耗惊人；数据规模扩大数百倍，性能提升却微乎其微；全行业尚未实现通用人工智能（AGI）的实质性突破。这些现实问题促使学界和业界开始反思：依赖大语言模型是否真的能通向超级智能？
当前的大语言模型本质上是“语言匹配器”，通过统计文本中的词语搭配规律生成回复。它擅长文字互动，却无法理解物理世界的运行逻辑。例如，一个能背诵百科全书的人工智能，可能无法判断物体下落的方向或力的传递方式。这种“知其然不知其所以然”的特性，限制了其在真实场景中的应用能力。正如有研究者指出，仅能生成通顺语句的AI与具备独立思考能力的AI之间，存在难以逾越的鸿沟。
面对大模型的局限性，全球研究者正探索多条替代路径。其中，“世界模型”概念备受关注。纽约大学教授、图灵奖得主杨立昆提出，应让AI在虚拟空间中构建动态模拟系统，理解物理规则并预测物理状态的变化。斯坦福大学教授李飞飞进一步提出“空间智能”理论，强调智能需包含对空间的感知、想象和推理能力。国内团队如仝人智能科技则从人类认知的具身特征出发，开发出训练成本低、可解释性强的数学架构，为这一路径提供了实践案例。
另一条突破方向聚焦于架构创新。自2017年Transformer架构成为主流后，其计算复杂度随模型规模指数级增长的问题日益突出。美国产业界推出的RWKV线性架构，将计算复杂度从二次方降至线性，显著降低了运行能耗。国内团队如中国科学院自动化研究所发布的“瞬悉1.0”类脑脉冲大模型，借鉴神经元工作机制，仅需主流模型2%的数据量即可达到同等性能，且可在国产GPU平台上运行。上海岩芯数智研发的Yan架构则以神经元选择激活为核心，成为国内首个通过备案的非Transformer通用大模型，支持在低功耗终端设备上运行。
端侧智能的崛起为AI应用开辟了新范式。传统大模型依赖云端数据中心，而端侧AI通过将“蒸馏”后的小模型部署到手机、电脑、汽车等终端设备，实现了感知、计算、决策的本地化。这种模式不仅降低了隐私泄露风险，还将响应延迟压缩至毫秒级。清华大学团队提出的“大模型密度定律”显示，模型能力密度每三个月翻一番，意味着未来顶尖AI技术可能率先落地于端侧。据预测，未来三年我国AI手机和AIPC市场渗透率将分别突破50%和80%，车载终端也将通过智能座舱与驾驶系统升级，推动智能终端进入“本地智能”时代。
在智能生成机制上，行业正尝试突破“训练依赖”的传统模式。一条路径是通过数学方法直接写入物理世界的底层逻辑，使机器无需数据训练即可理解常识；另一条路径则通过“现实—仿真—现实”的范式，让AI在虚拟环境中试错学习，再将技能迁移至真实世界。北京智源人工智能研究院提出的物理AI发展路径，即为AI构建了数字“训练场”，使其在反复探索中掌握行走、抓取等技能。
人工智能的发展路径远未固化。人类智能本身是多元的，既包含语言能力，也涵盖空间感知、逻辑推理和直觉判断。未来的人工智能生态，或将由无数运行在终端上的小型智能体共同构成，形成分散协同的智能网络。大模型或许只是人类探索智能本质过程中的一个阶段性成果，而非终极目标。随着技术迭代，一个更高效、更贴近真实智能规律的未来正在到来。
