未来三年 AI 怎么看:模型、数据、Agent 与下一轮范式

过去几年看 AI，很多人的习惯是盯排行榜。谁的模型分数高了，谁的发布会更炸，谁就像暂时赢下了比赛。可当最前面的几家都已经进入同一个水平区间之后，问题开始变了。以后判断 AI，不能只问“谁最强”，更要问“它在哪个任务上更强”“这项能力能不能变成产品”“用户愿不愿意长期使用和付费”。

把整份材料压缩下来，最值得留下的并不是某个短期排名，而是四条主线：基础模型从一家领先走向交替领先，产品竞争从大而全走向局部突破，数据和工作流变成越来越重要的护城河，同时下一轮技术范式开始把注意力从“训练得更大”推向“能不能在使用中继续学习”。

一张图先看懂：这波 AI 变化应该盯住什么

模型榜单还重要，但已经没有过去那么重要

现在最前面的几家模型公司，通用能力越来越接近。一次更新可能让 A 暂时超过 B，下一轮又可能反过来。人才在流动，研究方法在互相借鉴，算力和数据也都在快速堆上去。于是，长期维持断层式领先会越来越难。

这并不意味着差距消失了。恰恰相反，差距开始从“总分”转移到具体任务。有人把多模态做得更深，有人把编程和企业知识工作做得更扎实，也有人把个人助理和消费者入口做得更强。用户最后感受到的，不是模型在测试集上多了几分，而是“这件事到底谁做得最好”。

以后看模型，更像看一组“分科成绩”，而不是只看一张总分榜。

模型竞争正在从“总分”转向“分科成绩”

这对企业和创业者的启发很直接。没有必要一开始就追求一个什么都能做的 AI。更有效的路径，是先找到一个足够尖锐、足够高频、用户足够愿意付费的任务，把这一件事做深。

编程就是最典型的例子。它没有先解决所有白领工作，而是先把代码生成、修改、调试、理解这些高频环节做得越来越顺。用户第一次感受到明显的效率差，就会出现所谓的 Magic Moment。之后再从单点向更多任务扩展，成本和阻力都会小很多。

先做深一个场景，再考虑横向扩展

越往下做，越会发现模型只是其中一层

很多人做 AI 产品时，第一反应是换一个更强的模型。模型升级当然有用，但如果场景没选好、数据很乱、工具没接通、工作流没有重新设计，最后的体验往往只会小幅变好。

真正拉开产品差距的，经常是数据。模型可以看成一个巨大的压缩器，它见过什么、怎么见过、这些数据有没有被筛选和标注，都会影响输出。通用模型可以提供一个很高的起点，但企业自己的业务细节、客户习惯、流程记录、专业判断，如果没有被整理成可用的数据，模型很难凭空学会。

很多 AI 产品最后拉开差距的，是数据

所以，企业里的 AI 数据建设不能只理解成“建一个知识库”。更重要的是形成闭环：真实业务产生数据，数据经过清洗、标注和结构化，再进入模型或工作流；系统上线后，用户的修改、反馈和结果又重新回到数据里。这个闭环转起来之后，产品才会一点点拥有别人不容易复制的东西。

同样的逻辑也适用于端到端优化。一个 AI 编程产品，不只是模型会不会写代码，还包括需求怎么理解、代码怎么落到项目里、怎么调用工具、怎么调试、怎么验收。一个 AI PPT 产品，也不只是生成几页文字，而是素材、结构、视觉、图表、修改、导出整条链路都要顺。

AI 产品不是一个聊天框，而是一整条工作链

底层也在形成两种不同的生态路线

从更底层看，AI 正在形成两种很不一样的路线。一种更强调垂直整合，从芯片、模型一直做到产品和分发；另一种更像开放平台，由通用算力服务多家模型公司，再让不同应用继续向外扩散。

前一种路径的优势是协同，很多环节可以一起设计，成本、体验和分发都能联动。后一种路径的优势是开放，一套基础设施可以承接大量不同模型和应用，创新速度更容易被整个生态放大。未来很可能不是哪一边彻底吃掉另一边，而是两边持续加码、互相逼着对方进步。

底层生态也在分成两种不同路径

下一轮更值得盯住的，不只是更大模型，而是 Online Learning

今天的大模型有一个容易被忽略的限制：训练完成以后，它基本是“冻结”的。你和它交互很多次，这些交互并不会自动变成模型新的能力。它可以通过记忆功能保存一些信息，也可以在很长的上下文里临时利用历史，但这和持续学习还不是一回事。

这也是为什么 Online Learning 或 Continual Learning 会被反复提到。它指向的是另一种 AI：不只是上线前训练一次，而是在真实使用中继续积累经验，学会哪些做法有效，哪些做法会失败，然后把这些经验带进下一次任务。

如果这条路线出现明显突破，Agent 的角色会从“等你提问的工具”向“能长期积累经验的工作伙伴”移动。

下一代重要变量之一：Online Learning

可要做到边用边学，记忆系统就绕不过去。人的大脑并不会因为每天学到新东西就彻底重构，但记忆会不断积累。AI 也需要类似的机制：更长的 Context 帮它装下更多历史，Memory 保存用户偏好和任务习惯，In-context Learning 把过往经验直接带进当前任务，多模型并行采样可以让系统尝试不同路径，再选择更好的结果。

这些东西如果最后能和推理、训练、更新连在一起，才可能出现更接近“训推一体”的系统。那时，模型的价值不只来自上线那一天有多聪明，也来自用了半年之后，它有没有更懂业务、更懂用户、更懂怎么完成任务。

如果 AI 要边用边学，记忆系统就绕不过去

AI 离 AGI 的距离，可能更多卡在“工作现场”

今天的 AI 在知识问答、写代码、做 PPT、分析表格和文案生成上，已经能覆盖大量日常任务。可一旦把问题推进到完整工作，就会遇到另一层复杂度。

一个医生会看资料，并不等于会完整处理一次诊疗。一个销售知道销售方法，也不等于能熟练操作 CRM、判断客户状态、跟同事协作、处理异常情况。现实工作里充满跨系统、跨步骤、长尾例外、模糊信息和责任边界。模型掌握了大量“知识”，但它见过的人类工作现场仍然不够多。

这意味着，AI 渗透不会像按下一个开关那样，一夜之间把所有岗位重做一遍。更可能的情况是一个任务一个任务突破，一个流程一个流程重构。Coding 会跑得快一些，PPT、Excel、网站、营销、研究分析也会逐渐跟上，但不同领域的速度不会一样。

AI 已经很强，但真实工作世界比知识问答复杂得多

所以接下来找机会，要看“最陡峭的地方”

不管是做产品还是看投资，最值得盯的都不是所有带 AI 标签的东西，而是模型能力刚刚越过某个门槛、用户需求又恰好足够强的交叉点。过去编程已经展示了这种路径：能力一旦达到可用水平，需求会迅速从尝鲜变成高频使用。

往后看，知识工作者仍然是非常重要的落地人群。Coding 之后，PPT、Excel、网站生成、营销内容、研究分析和更主动的 Agent 都值得继续观察。判断一个场景有没有机会，可以问三个问题：模型能力是不是刚刚突破，任务是不是高频且有明确成本，用户是不是已经愿意为结果付费。

从投资框架看，也可以简单拆成三个圈：第一圈是最领先的模型公司，第二圈是支撑它们持续进化的算力和基础设施，第三圈是模型能力外溢后新长出来的应用。真正高弹性的机会，往往出现在第三圈刚刚形成、但用户需求已经开始爆发的时候。

从落地和投资两个方向看接下来的机会

最后，把这波变化记成一句话就够了

未来几年，AI 的主线不会只是“模型变得更聪明”。更大的变化会发生在模型能力开始进入真实工作之后：谁能把一个具体任务做深，谁能沉淀高质量数据，谁能把模型、工具和工作流串成闭环，谁又能让系统在长期使用中积累经验，谁就更容易把技术红利变成可持续的产品价值。

AI 机会 = 模型能力突破 × 垂直场景 × 独有数据 × 端到端工作流 × 用户付费意愿。

因此，与其每天追着排行榜跑，不如把注意力放到那些已经开始改变工作方式的具体场景里。技术的变化很快，但商业价值最后仍然要落到同一件事上：有没有把一件原本麻烦、昂贵、耗时的工作，变得明显更好。