2025年AI技术的四大革新与挑战

编者按：2025年终策划《定力与重构》，回望与展望：洞察本质，向变革寻求确定。

在2025年，我深入研读了约两百篇人工智能领域的论文，这一年可以被称为「暴力美学」时代的终结。单纯依靠堆砌参数摘取低垂果实的日子已经过去，技术进化回归到了基础研究。

这篇文章，我想通过梳理这一年的技术脉络，明确三个结论：

第一，技术进步主要集中在流体推理（Fluid Reasoning）、长期记忆（Long-term Memory）、空间智能（Spatial Intelligence）以及元学习（Meta-learning） 这四个领域。原因在于单纯的参数规模遇到了边际效应递减，为了突破AGI的瓶颈，业界转向寻找新的增长点。

第二，现在的技术瓶颈主要在模型要“不仅要博学，更要懂思考和能记住”。通过Yoshua Bengio提出的AGI框架，我们发现之前的AI存在严重的「能力偏科」：在一般知识上得分极高，但在即时推理、长期记忆和视觉处理上几乎是空白。这种不平衡构成了通往AGI的最大阻碍。

第三，这些瓶颈在25年其实都找了一些新的解决方向。其中最重要的是三个方面：推理能力、记忆能力和空间智能。

● 推理能力：通过Test-Time Compute引发的革命，AI学会了慢思考，推理能力实现了质变。

● 记忆能力：Titans架构和Nested Learning的出现，打破了Transformer的无状态假设，让模型具备了内化的“海马体”。

● 空间智能：视频生成开始掌握物理规律，迈向真正的世界模型。

接下来，我将根据这一年间的论文阅读，带领大家详细看看这些关键拼图是如何被一块块补齐的。

01 流体推理的进化，Test Time Compute的诞生与发展

在2024年，AI明显的短板是即时推理 (R)能力。而在2025年，Test-Time Compute通过拉长推理时间来换取智能。Test-Time Compute的核心理念是：智能不仅是参数的函数，也是时间的函数。以OpenAI o1和DeepSeek R1为代表，AI学会了「慢思考」。

这就是2025年最重要的范式革新，让AI从背书的鹦鹉转向思考的机器。

02 记忆与学习, 治愈模型的健忘症

如果说Test Time Compute是前半年最重要的模型变革，那后半年最重要的模型变革，就是记忆能力的提升。

模型，获得活着的记忆

Titans是一个深度的神经长期记忆模块，能够在测试时实时更新自身的参数。这与传统的Transformer层完全不同。Titans在一开始就是个空容器，将历史信息学习进神经记忆中。

03 走出“柏拉图洞穴”，迎来空间智能 (Gv) 与世界模型

在Sora 2、Veo 3等生成视频的爆发之下，视觉处理得到了有效提升。虽然主要是李飞飞在宣扬空间智能的概念，但实际在这一路上有三个主流派系和玩家各有研究进展。

04 重要的是学习

从深度学习肇始，核心问题就只有一个，即什么是学习。到2024年为止，大模型已经具有了很多学习能力。然而，强化学习之父 Richard Sutton 依然批评当前的大语言模型（LLM）只是“被冻结的过去知识”，缺乏在与环境交互中实时学习的能力。

05 读写速度、注意力和Scaling Law的基础

在2025年，也有一些其他重要改变有效的补齐了过去模型并不擅长的领域。对抗“Scaling Law的消失”、感谢蒸馏、注意力机制的变化等。