AI发展的最大障碍已经不是模型了

数据可获取边界则决定了角色的功能边界，到底提供什么，比如是教育还是法律还是其它。

第二，数据的可获取性

如上所说，数据的可获取性决定应用的功能边界。

这里的关键有两个：

一个是利益的各相同性，否则就不可能有源源不断的数据，没有源源不断的数据也就不可能越做越好，最终就只有低垂的果实。比如你给法院提供方案，那显然数据没法源源不断，这不是各技术问题，而是个生产关系重构的问题。需要复杂思考才可能找到一条真正可能的通路。

一个是数据自身的成本，成本是指长期确保高精度数据所要付出的成本。这个搞不好相当于一个强大的AI周边全是说假话的，它就不可能好使。

对于产品而言，这两个都是个战略问题，和后天努力关系不大，它先天决定产品的最终扩张的时候的边际成本。

如果我们把AI应用归为两个类别，一个是创造新效能，一个是创造新体验，对于前者上面说的生死攸关。

第三，数据通路的通用性问题

我们知道AI大模型的核心特征是能力的通用性。

我们假设AI大模型扮演大脑的角色，那这个脑子显然既能收玉米也能摘桃子，可如果实际干活的时候如果触手只有一种，比如像章鱼一样的爪子，那它就不能收玉米，只能摘桃子。

这时候不是模型能力不行，而是感知反馈通路的通用性不够，两者错配。

这是和过去应用的核心差异。

只要数据通路没问题，AI可以提供任何功能，关键的不再是功能。

第四，AI应用一定是系统型应用

AI应用没有小而美一说，因为数据的边界是应用的边界，小范围根本没壁垒，要么被大模型本身吸收掉，要么被同类别的应用吸收掉，只有极短的窗口期。

每个可能都和搜索、微信差不多，最终NO1的几乎占据所有。

而一旦数据通路的通用性变关键，就会导致应用往系统化方向发展，因为源是多的，需要表现出来的能力是需要动态变化的。前者衍生类似过去的硬件抽象层（HAL），后者衍生出来技能商店，这样一来中间就比如有调度器（Scheduler）等作为kernel。

• 参见：https://arxiv.org/pdf/2403.16971

自动驾驶和过去最大的区别是它的自适应。

而所有未来的应用几乎都是需要具备自适应能力。

当累积足够的全场景数据后，会有两种进化模式一种则类似这种端到端的模型，这时候模型和应用是不分的，数据回来会贡献于更好的模型。

但还有一种情况则是更大量级的数据和更长的分析时间，可以得出更好的方案（利用o3的能力）。

显然的，这时候系统的内核则会划分成两个部分，一部分负责快思考，一部分负责慢思考。

对于系统型应用它绝大部分功能是自主完成的。这时候一部分是要实时处理各种响应，一部分则是要迭代并总结自己的行为进行改善。这两个活显然是要分开做的。所以系统型应用的kernel部分，需要双系统分立。

• 参见：https://arxiv.org/pdf/2410.08328

也许写的看起来有点夸张和独断，但这是一种必然性的脉络，这种脉络很像方法的方法，往往不以人的意愿而改变。我应该还是有点资格这么说，参见：，这是前面做的脉络判断，大致是准的。

• 补充说明：

上面的论文能看看思路，实际做有问题的。

1. 系统肯定不是在现在系统上的增强，而是现有系统之上的再定义，所以和现有系统的关系大概率不对。

2. 双系统的例子不好，它那例子不需要双系统。