当大模型“能写会说”已成标配，Perplexity CEO 指出：下一战是“能做会执行”。文章揭示，行业正从堆参数的预训练时代，转向以推理模型为核心的系统工程——让 AI 像 Agent 一样规划、行动、拿结果。训练数据从“文本”变“任务轨迹”，商业路径从“卖 API”变“卖闭环”，谁先搭好“任务—反馈—资源”飞轮，谁就率先拿到 AGI 入场券。
推理模型正逐步接棒预训练范式，成为生成式系统进入部署阶段的关键转折点。Perplexity 联合创始人兼 CEO Aravind Srinivas 在一场哈佛对谈中指出，当前行业焦点已从扩大模型参数与语料规模，转向构建具备执行力与反馈机制的系统架构。
他表示，这场范式转移不仅关乎模型本体的能力提升，更牵动整个 AI 工程流程的重构，从数据采集、用户反馈到任务调度与系统集成，逐一转入推理范式的适配轨道。
Srinivas 所领导的团队正将语言模型作为系统构件嵌入搜索问答场景，围绕真实使用路径持续迭代其 agent 能力与部署逻辑。其判断核心在于：通用预训练模型构建了语言理解的基底，但无法直接转化为可用系统，唯有借助推理机制与行为反馈，才可落地为具备自主任务执行能力的产品形态。在这一背景下，训练范式正从 token 预测走向行为规划，模型目标不再是模仿语言，而是解决任务。
以 Perplexity、DeepSeek 等系统为代表的推理模型体系，正在形成新的产品架构共识：用结构化任务路径替代文本拟合，用真实反馈闭环替代离线评估，在系统工程层解构模型边界。
这一转变也促使产业链重构资源配置策略，从 UI 包装先行、开源模型试验，到行为路径验证后再行训练与部署，真正建立起“任务能力—系统结构—资源决策”三位一体的闭环机制。
从全球系统架构的推进路径来看，Srinivas 所面对的问题正是整个 AI 工程迈入执行时代的典型缩影——在模型能力尚未定义清晰、反馈机制仍未闭环的条件下，如何推进具备部署意义的阶段性系统建设。
推理模型接棒预训练范式过去两年，生成式预训练模型在语言理解与生成方面取得显著突破，但这一范式已触及阶段性边界。行业重心正从扩大语料与参数规模，转向提升系统执行能力与任务推理深度。新一代模型将更依赖后训练阶段的结构化调优，以支持复杂逻辑链的处理、任务流程的执行及网页环境下的行为操作。这一趋势已成为全球头部模型实验室的主要研究方向。
预训练提供了模型对世界常识与语义结构的底层掌握，但若要构建真正具备实用价值的智能系统，仍需在垂直任务场景中实现能力精修与结构落地。以 Perplexity 为代表的系统正围绕真实使用路径进行再训练，目标是在产品层实现连续价值传递。与此同时，中国开源体系的快速演进也对全球节奏形成牵引，DeepSeek 的出现已成为北美团队显著对标压力之一。
DeepSeek 的突破不仅体现在工程能力上——包括系统编译、浮点运算优化、内核调度及低端 GPU 上的大模型部署能力，更关键在于提出并实现了“推理模型”的具象路径。其发布的 DeepSeek Zero 展示了在无监督环境中，通过强化学习引导模型产生具备执行力的推理行为，为自动化 agent 的训练机制提供了结构性模板，也为行业探索能力边界打开了新通道。
在产品与研究协同推进的路径中，部分团队已引入结构化机制，将前沿研究聚焦于模型任务能力与系统性能优化，产品端则专注于界面设计、信息组织与用户体验，借助问答搜索融合场景测试表达策略与推理流程。这一“双螺旋”机制确保每轮迭代均具备明确实验验证基础，形成稳定的反馈与更新节奏。
在资源调度层面，领先企业基于对模型机制的理解，将系统反馈信号直接转化为计算资源决策：当小规模推理 agent 实验取得正向验证，便快速放大部署规模，直接采购万张 GPU 构建完整推理系统。其背后逻辑建立在对 AI 模型性能与经济回报之间强关联的深度认知。
同时，一种“延迟训练”策略也在部分公司内部被验证有效：初期通过 UI 包装构建原型，先行获取用户数据与行为反馈，再择机启动大模型训练，利用开源模型的性能进展弥合初期资源限制。2023 年，这一策略在多个项目中获得验证，并已被纳入产品设计、技术投入与资本配置的主流程中。
任务路径主导的数据重构范式模型训练的重心正在从大规模语料抓取转向具象任务路径的构建。在任务导向的训练范式下，模型能力的提升不再依赖复刻人类语言表达，而聚焦于执行链式行为——包括数学推理、代码生成、网页点击、文件处理等具体操作。训练样本以“任务行为路径”为单位组织，形成 agent 系统推理能力的关键基座。
这一转变也带来了数据来源与训练目标的深度变化。企业普遍放弃自建预训练模型，将通用语义建构交由开源社区与闭源实验室完成，自身则聚焦在此基础上构建封闭式微调体系。调优任务集中于结构化生成能力与系统性操作流程，如摘要提取、格式转换、文档重写与上传执行等模块性技能，意在打造可部署、可评估的智能组件。
在训练数据合规性上，尽管围绕著作权与生成内容的争议仍存，例如《纽约时报》所发起的诉讼尚在推进中，行业实践已逐步形成共识：只要输出未显著复现原始内容，即可被视为“合理使用”。为此，多数企业采用隔离语料、转换输出格式、强调任务导向的策略来降低潜在风险，主动规避语义复刻路径。
模型数据来源亦在机制上全面重构。真实用户的查询行为与交互反馈成为最核心的能力训练信号，点赞、修改、点击等行为被系统性采集，用于指导模型排序与强化过程。同时，系统也基于历史回答表现，动态调整信息源的抓取策略——优先提升高价值内容的爬虫频次与索引深度，形成反馈驱动的数据供给机制。
人工评估依然是训练流程不可替代的环节。常见流程为：并列呈现两个模型输出，由人工判定优劣，进一步用于训练排序模型或标注样本质量，在摘要精度、多轮对话连贯性与任务响应合理性等任务中，仍需人工信号作为质量锚点。
与此并行的是合成数据机制的系统性引入。训练流程中，大模型已承担“教师模型”角色，对小模型输出进行打分、结构标注或行为分类，以生成微调用的小样本数据集。此机制在构建 UI 分类器等任务中效果尤为显著。以用户意图识别为例，通过大模型自动识别金融、旅游、购物等查询类别并回传标注，再由小模型模仿学习，形成自我监督闭环。
该路径不仅提升了数据生产效率，也奠定了用户意图理解、检索路径规划与响应行为分流等系统能力的训练基础，成为支撑推理型 agent 架构的关键技术底座。
搜索替代路径与系统资源重构算力资源已成为当前 AI 系统扩展能力的核心约束。早期基础模型的训练高度依赖超大规模算力支持，即便存在方法层创新，若缺乏工程调度与资源后端，成果往往难以形成产业影响力。与学术机构相比，平台型科技企业在算力组织、系统工程与产品部署方面具备更强统合能力，也因此吸引大量研究人才从实验室迁移至产业端，寻求高执行力的落地平台。
尽管底层大模型训练仍被少数资源集中型团队主导，但在模型抽象层之上的系统架构设计，仍保有广阔创新空间。从 Agent 框架构建、任务评估机制、上下文协议标准化，到模拟环境设计与多模块协同策略，系统价值更多取决于结构效率而非参数规模。这一层的研究不依赖极限算力，更适合在产学之间建立长线合作路径。
面对搜索引擎巨头的存量优势，新系统普遍选择避开算力正面碰撞，转向机制异构的路径切入。其基本判断是：一旦大型平台将生成式系统部署至全域入口，查询量所带来的系统负荷将呈非线性放大，导致基础设施成本结构性失衡。与此同时，高品牌溢价平台在面对误生成结果时容错空间极小，内容安全机制无法有效闭环的前提下，其策略迭代频率受限，进一步削弱系统更新能力。
更深层次的错位来自商业模型本身。传统搜索平台依赖点击导向的广告变现路径，CPC 模型与生成式问答系统的行为机制难以直接映射。生成内容不具备标准化跳转目标与转化路径，广告投放的 ROI 难以衡量，广告预算逐步向更可控渠道转移。与此同时，搜索广告具备高毛利、低边际成本优势，而生成式系统部署与运行成本高企，导致单位收益比明显劣后，形成结构性商业落差。
正是这种路径与结构的错位，为新兴系统打开了机会窗口。相比动辄重构商业逻辑的大型平台，轻结构团队可跳过既有依赖，直接构建“技术—产品—商业”的快速闭环。在技术实验与商业路径之间建立高速反馈机制，使问答搜索融合系统具备现实可行的替代潜力。
部分团队采用“先用后训”策略，即初期以开源模型搭建系统框架，获取用户交互与行为数据，在系统结构稳定后再转向自研模型体系。该路径显著降低早期资金消耗，同时建立在对开源能力演进的前瞻判断基础上。随着开源模型逼近闭源性能上限，工程替代的可行性与实用性已被逐步验证。
搜索系统的收入结构当前仍在重构期，用户点击路径尚未稳定重构，AI 系统在人均变现效率上与传统搜索存在显著差距。无论是 Gemini 等订阅模型，还是嵌套于搜索入口的预览式生成系统，当前商业化能力尚未具备广告系统的成熟支撑。搜索结构性变革仍处在早期窗口期，而这一阶段，正是新路径实验的关键周期。
拟人化误用与教育结构重构生成式 AI 的实际使用路径，正在系统性偏离其原始设计目标。自 Eliza 聊天程序以来，用户便倾向将语言系统视为具备情感理解与互动能力的“类人存在”，即使底层逻辑完全建立在统计与预测基础上。当代大模型虽被明确定位为“对话式搜索”或任务型助手，用户仍频繁构建出角色扮演式的交互场景，拟人化使用模式在多个平台中持续增长，难以仅靠界面设计或输出约束加以彻底规避。
这种误用行为的普遍性也引发对系统伦理边界的关注。生成式系统已在婚姻、医疗等高度私人化场景中被非预期使用，即便系统未直接给出建议，内容呈现或路径引导本身已构成对决策过程的介入。部分团队尝试以“引用驱动型问答”限制系统角色定位，但在使用惯性与拟人理解框架下，用户误用仍广泛存在。
这一趋势在个体案例中表现尤为显性。曾有角色型 AI 产品在真实事件中被卷入争议：一位年轻用户在结束生命前高频使用该系统，虽然系统责任难以界定，但沉浸式交互模式已引发对“情感接口依赖”的广泛担忧。尽管产品设计避免模拟情绪反应，用户依然将其视为情感替代体。部分开发团队已开始回归以“行为导向、工具导向”为核心的产品哲学，试图用功能边界取代人格模拟，成为新一轮设计共识。
在未成年用户群体中，风险复杂性进一步放大。儿童用户绕过系统限制的能力往往被低估，例如通过多语言混输规避语义识别，或分段提示引导模型生成敏感内容。当前行业尚缺乏统一内容审查机制，“交互白名单”“内容频次拦截”等防护策略仍在试验阶段，但监管与风险控制需求已日益迫近。
与此同时，教育系统正经历由生成式 AI 引发的结构性转变。不仅教学手段需围绕 AI Agent 所提供的个性化能力进行重构，更关键的是教育目标本身正在迁移。在信息可得性极高的背景下，传统以知识灌输为核心的教育模式逐步失效，“问题定义力”与“判断标准构建”成为教学系统的核心输出。
任务设计正从重复练习与模板化答案转向结构思维与探索导向。教师角色也正在从知识评分者转为学习路径的激发者，系统应围绕“提出 AI 无法直接解决的问题”展开设计，让学生在提出、验证与修正问题的过程中，构建具备解释力与审美张力的知识结构。
随之提升的，是对表达力与结构化认知的需求。从数学模型到伦理议题，真正激发学习动机的，往往不是知识本身的难度，而是其呈现方式的复杂性与美感。“如何组织复杂信息、表达认知张力”正成为未来最稀缺的学习能力之一。
教育结构的底层逻辑也在同步迁移：越来越多的本科生已开始承担原属研究生阶段的开放任务，教育系统正在由“传授知识”向“唤起能力”转变。面对 AI 工具普及，教育的独立价值将由是否能赋予学生结构性认知与判断力来决定，而非知识点掌握本身。
能力闭环瓶颈与 AGI 路径分歧关于 AGI 的能力定义与路径选择，业界已形成结构性分歧，这一争议不再停留于学术层面，而直接影响到企业在系统架构与产品策略上的根本判断。尽管生成式 AI 已在多个垂直任务中展现初步执行能力，但要实现具备通用性与自治决策力的系统，仍面临关键断点。真正的挑战不在于某项能力的单点突破，而在于“任务理解—计划生成—动作执行—反馈评估”四个环节的完整闭环是否能够建成。
这一断裂在产品实践中表现为：即使底层模型已更新，如 GPT-4 被替换为 O 系列，用户仍普遍停留在旧版本标签下的性能感知中，对“推理模型”“O3”等术语缺乏理解。这意味着系统能力的实际跃迁被前端体验屏蔽，模型更新价值无法穿透至用户侧，从而在产品路径中造成“能力不可见”的结构遮蔽。
基础模型的研发方正在通过平台化路径重构生态控制力，即同时掌握模型本体、用户界面与数据反馈闭环，形成从行为采集到能力演进的自主循环。这种“模型即平台”的结构强化了数据主权与调优能力，也让单纯依赖 API 的公司面临商品化与价值链外溢的风险。
在此背景下，开源模型的可行性获得重新评估。以 DeepSeek 为代表的项目通过结构创新与推理机制构建，在非极限算力条件下实现能力逼近，打破了“开源只能做轻量模型”的旧有认知。当前部分开源系统已具备在部署效率、能力呈现与模块架构上的独立价值，成为产业链中具备战略选择意义的变量。
与此同时，模型系统与外部软件环境之间的接口边界依然模糊。当前尚缺乏统一协议来实现模型与桌面软件、Web App、第三方服务的顺畅衔接，调用权限、上下文封装与行为反馈标准未被统一，成为平台间博弈的结构焦点。谁掌握最终执行路径的控制权，决定了流量与收益的分配模式，也直接影响平台对 agent 系统的态度。
例如，Amazon、Instacart 等依赖广告变现的平台通常对外部 agent 系统保持克制态度，避免 agent 绕过前端完成交易，破坏其推荐系统与广告定价模型。而 Uber 等按次计费平台对 agent 嵌入接受度更高，甚至将其视为增量流量通道。平台是否允许被“代理”或“封装”，本质上取决于其商业结构与收益分配模式。
在系统架构演进过程中，模块化抽象粒度成为设计策略中的核心变量。早期推理系统普遍采用显式模块划分——排序、检索、摘要等组件独立调用，部分产品甚至通过角色命名（如 Sir Johnny、Mother Dinosaur）标识模块职能。但随着复杂度上升与运维压力增加，系统结构正向调度集成倾斜，主模型承担更多任务分发与逻辑判断职能，追求路径收敛与稳定性。
模块设计的颗粒度折射出团队对“可维护性—任务复杂度—系统弹性”三者关系的理解。组件划分过细容易引发接口不稳定、边界模糊等协作瓶颈，划分过粗则削弱系统的适配灵活性与功能复用能力。这一策略无法靠通用模板解决，更依赖团队的工程判断与系统直觉。
从能力判定的角度出发，AGI 的真正成立并不在于模型是否能答对一个问题，而在于其是否具备提出一套可执行方案，并获得组织信任的能力。例如，若模型能够制定一条六个月的产品路线图，解释其资源配置依据，并促使管理层投入百万元预算，即构成“可信任的自治执行体”的雏形。这一标准远高于传统答题型 AI，更接近系统级决策支持。
限制这一目标实现的关键因素，在于部署后的高质量反馈链条仍未建成。即使模型能给出合理建议，如代码修复方案，系统通常无法自动验证其是否真正解决问题，或是否引入新的潜在错误，导致“行为结果—能力更新”之间缺乏稳定传导路径。
一种潜在解决思路是：构建容错的真实部署环境，引入强化学习机制，使行为结果成为训练反馈信号，进而实现“任务执行—后验评估—能力微调”的动态闭环。这一路径的挑战在于如何控制部署风险、评估延迟与成本，但一旦机制得以搭建，模型将从静态能力体跃迁为具备自我校正能力的动态执行节点，构成通向 AGI 的现实工程通路。
本文由人人都是产品经理作者【江天 Tim】，微信公众号：【有新Newin】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Perplexity 联合创始人兼 CEO Aravind Srinivas 演讲截图
拉伯配资提示：文章来自网络，不代表本站观点。
