📰 研报摘要
查看全文 ➔本文深入探讨了 AI 从 1.0 到 2.0 的演进范式，重点分析了 Transformer 架构如何通过弱归纳偏置和并行计算突破 RNN 瓶颈，成为通用底座。模型演进被划分为能力奠基（Scaling Law）、人机对齐（RLHF）和推理系统（思维链/强化学习）三个阶段，重心正从预训练参数扩张转向后训练与推理时计算。报告详细分析了 GPT 系列的四个发展阶段以及 Scaling Law 从预训练规律向全链条资源优化框架的演进。此外，文中提出了架构、任务、模态的“三重收敛”趋势，认为通用底座将成为连接代码、工具与工作流的统一入口，产业价值将向掌握模型、数据与算力的主体集中，但指出在复杂多模态及真实物理闭环场景的迁移仍存在挑战。