文章以「ChatGPT 三週年」之際的內部「紅色警報」為切入點，描述在競品壓力下（如 Gemini 3 的表現帶來威脅），OpenAI 加速推出 GPT 5.2；同時，大模型之間的性能差距與路線差異縮小，使產業一方面出現「發展觸頂」的質疑，另一方面仍對 AGI 抱持信心，呈現更明顯的分歧與爭論。(36kr.com)
一、信仰：仍看好關鍵路線可持續演進
-
Scaling Law 仍是主流可行路徑，但面臨數據稀缺等挑戰：文中指出在底層架構與訓練方法尚未出現顛覆式突破的背景下，Scaling Law 依然具備工程與產業上的可預測性與可評估性；同時，資料成為更迫切的瓶頸，業界正探索以合成數據、推理過程數據、強化學習數據、多模態與具身數據等方式，建立可規模化的「擴數據」體系，並期待走向「New Scaling Law」，以規模擴張與品質提升並進。(36kr.com)
-
多模態可能帶來「非線性」智能躍升：文章以 Gemini、Sora 等為例，認為多模態能力已能更完整理解與生成內容，並可能透過更接近真實世界的結構性約束（空間、時間、物理關係等），推動世界模型與「感知—決策—行動」閉環的形成，成為智能再躍升的重要因素。(36kr.com)
-
底層架構、學習範式與 Agent 等研究多點開花：文中強調以小團隊、多方向並行的「賽馬式」研發仍是前沿機構常見組織方式；並列舉多個具技術個性、走非共識路線的實驗室與團隊，聚焦安全、可靠性、多模態協作、空間智能與可持續解決複雜任務的超級 Agent 等方向。(36kr.com)
-
物理 AI：仿真數據的重要性上升：文章指出機器人真實世界數據昂貴且稀缺，仿真生成的邊際成本更低且可大規模並行；在早中期研發與可控任務範圍內，仿真數據可能成為主流，並由生成式 AI 協助縮小 Sim-to-Real 落差。(36kr.com)
-
AI for Science（AI4S）可能從「模型突破」走向「科研系統工程化」：文中認為 AI4S 的核心障礙不只在預測準確度，更在驗證昂貴、緩慢且難以複製；並提到 DeepMind 計畫於 2026 年在英國建立 AI 自動化科研實驗室，嘗試把 AI 納入「假設—實驗—回流」閉環，同時也指出美國在國家層面推動 AI4S 平台化，以整合科研數據、超算與模型資源。(36kr.com)
二、突圍：從「更強模型」走向「新平台、新終端與可驗證價值」
-
「模應一體」推動 AI 原生網路效應，智聯網雛形出現：文章指出當前大模型使用規模擴大，但未自然形成傳統網路效應；可能的破局在於模型與應用一體化（穩定身份、長期記憶、持續參與協作），以及以 Agent 作為基本節點的網路，進而形成交易型、知識型、工作流型、社交型等多種網路效應形態。(36kr.com)
-
邁入個人化軟體時代（AI Coding 重塑開發與交付）：文中以「Software 3.0」等觀點描述，AI 編碼能力逼近通用生產力後，軟體將更即時、情境化與高度個人化；並引用多方說法與企業內部數據，說明 AI 生成/輔助程式碼的比例與使用頻率持續上升。(36kr.com)
-
產業落地轉向「性價比與 ROI 驗證」：文章回顧 AI 應用從 PoC 與零散試點，走向核心流程與一線系統；同時，企業與投資人的關注重心轉為可衡量的業務價值。文中引用麥肯錫調研指出「使用比例提升但規模化部署仍有限」，並提到企業級使用量增長仍需更多證據支撐其經濟效益，且價值可能更多出現在效率提升、流程再造、智能體協同與供應鏈智能化等更深水區。(36kr.com)
-
AI 眼鏡可能逼近「千萬台」終端臨界點：文章以「單品牌 1000 萬台」作為從小眾到大眾消費品的關鍵門檻，並提到 Meta Ray-Ban 等產品帶動，以及 Google XR 生態等推進，將促使運算平台可能在 PC、手機之後出現新一輪硬體形態遷移。(36kr.com)
-
AI 安全與負責任成為必選項：文中指出公眾信任度下降與監管框架逐步成形，將使安全評估、對齊與持續監控從「最佳實務」走向「准入門檻」；並以全球調研呈現「使用普及但信任不足」的落差，提出「安全算力」與「AI 治理委員會」等作為後續制度化重點。(36kr.com)