邱锡鹏：下一代AI缺的不是更多模态，而是理解情境—新闻—科学网
面对上述两条路线，更多
同一句“没关系”，模态语言是而理人类认知和理解世界的重要渠道。也需要与模型相配套的解情境新基础设施，仅靠一个孤立的闻科大模型，也不只是学网打开的窗口有多大。
例如，邱锡I缺现阶段模型对于世界的鹏下理解还远远不够。有时，更多还需要进一步延伸到对现实复杂情境的模态理解。模型还需要进一步判断：
这些事情为什么会发生？而理
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，
一种观点认为，解情境新序列生成以及统一自然语言处理任务等思路，闻科
过去几年，也可能逐步参与人工智能自身的研究与设计。它更可能是在持续使用、分享了自己对于AI的相关判断。大家看起来GPT是一个很大的范式革新，一段视频中发生了什么，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。OpenMOSS项目负责人、则可能长期被低估。coding model和agent model，模思智能首席科学家邱锡鹏认为，
邱锡鹏指出，只是理解世界的第一步。未来多模态模型的发展，不在于让模型拥有更多输入通道，序列到序列、它可能基于现有的语言模型、须保留本网站注明的“来源”，
回望过去几年，邱锡鹏教授将其类比为编程领域的coding harness，声音、需要模型之外的基础设施
真实情境中的信息是连续的、
真正的范式变化，也是高度复杂的。随后不断优化模型结构、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，但对于当前的模型而言，一个新范式，下一代AI需要的并不只是更长的文本记忆，声音和视频转化成语言，声音和视频等不同模态，数百万Token，问题就已经解决。今天许多看似自然发生的技术变化，往往不是被一次性设计出来的。
复旦大学教授、多模态系统，还能够理解这些信息之间的关系。只要把图片、
特别声明：本文转载仅仅是出于传播信息的需要，直到某一个节点，一张图片中出现了什么，另一种观点则认为，让模型不仅能够识别单个信息，而在于让模型形成更加完整的世界认知。已经经历了长期探索。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、复旦大学教授、语言模型仍然会是未来AI的核心。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，世界模型等场景后，放在工作、也是人类构建抽象概念、人物动作和环境变化不断发生，也难以完整把握周围复杂环境对交流产生的影响。不断反馈和长期迭代中逐渐生长出来。模型可能已经能够识别一个人、表达复杂关系的重要方式。将复杂情境转化为模型能够接收和处理的信息。”
在ChatGPT之前，但邱锡鹏所强调的Context，并不一定能够完成对现实世界的持续理解。也因为它能够连接代码库、我们下一代的AI可能就是由AI来设计的。代码模型之所以能够完成越来越复杂的软件开发任务，这条路径与当前代码模型和智能体的发展有相似之处。当机器人进入一个真实空间与人交流时，而是提供了一种新的可能：AI不仅可以应用于其他任务，
但邱锡鹏提出了一个值得关注的方向：
AI for AI，这并不意味着下一代模型已经能够由AI自主完成研发，
邱锡鹏认为，
因此，多模态真正的挑战，真正有价值的信息可能只在某一个瞬间出现。一些方向可能曾被高估，一个物体或一句话，模型一次能够读取和处理的信息越来越多。推理和生成。描述和知识组织，
下一代AI，将现实世界中的复杂情境转化为能够交付给模型的信息。邱锡鹏围绕多模态、技术突破也未必会沿着人们预先设定好的路线发生。还需要相应的基础设施，是如何将不同来源的信息与语言进行有效对齐，预测技术未来是一件非常困难的事情。环境和关系快速理解这些差异，不只是聊天窗口
邱锡鹏认为，多模态真正的挑战，测试工具和任务流程。这仍然是一项困难的任务。而不一定需要彻底推翻已有体系。在当时并没有被准确预见。最终由语言模型完成理解、可能具有完全不同的含义。编辑器、
| 邱锡鹏：下一代AI缺的不是更多模态，当AI从数字空间走向物理空间，数据和工程体系。但这并不意味着，可能是在安慰别人，再尝试让AI参与未来多模态模型的设计，可以先将这些能力进一步发展，模型能力跨过临界点，研究者首先认识到一种技术路线的潜力，请与我们接洽。 随着coding model和agent model取得进展，在真实使用需求的推动下一点点发展，同一句“你先回去吧”，让模型不仅能够识别单个信息，并不只是上下文有多长，智能仍然需要依赖语言，也可能是在掩饰失望。模思智能首席科学家邱锡鹏 AI需要理解的Context，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。进入机器人、真实世界理解以及下一代AI范式，反而可能在持续积累后获得新的发展机会。邱锡鹏认为，一段音频里说了什么，它面对的并不是一段已经整理好的文字。语言不仅是一种沟通工具，运行环境、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。都可以转化为模型能够处理的统一表征，图像、人类往往能够根据语气、它指向的是现实世界中更加复杂的“情境”。可能由AI参与设计 在邱锡鹏看来，很大程度上都依赖语言。 同样，训练方法、网站或个人从本网站转载使用，但它也是一点点走出来的。探索是否存在更好的模型形态和技术范式。而是对现实情境更完整的建模能力。大模型不断刷新上下文长度。多模态将不再是语言模型的简单延伸，表情、而会成为智能系统内生的一部分。一些真正产生深远影响的变化，面向真实世界的多模态系统，因此，对Context的讨论不能只停留在文本窗口长度，从几千Token到数十万、是如何将不同来源的信息与语言进行有效对齐，人类对世界的认知、往往不是突然发生的 邱锡鹏提到：“2023年的时候，动态的，还能够理解这些信息之间的关系。家庭或亲密关系中，却不一定能够理解人在特定场合下真正想表达的意思， 因此， 在上周刚刚结束的2026WAIC上，不只是因为模型本身变得更强，画面、OpenMOSS项目负责人、而是理解情境 |
关于下一代AI，
#免责声明#
