从十大AI技术趋势，窥见“未来”

在2025年伊始，智源研究院提出十个人工智能技术及应用趋势，以剖析科技演进轨迹，洞察未来发展方向，预测关键驱动力，指引人类社会迈向更加智能、美好与互联的未来。

#### 趋势一

科学的未来：

AI4S驱动科学研究范式变革

大模型引领下的AI4S（AI for Science），已成为推动科学研究范式变革的关键力量。2024年，科研人员使用AI的比例快速增加，AI对科学研究方法和流程的变革效应也开始显现。

提升科学研究效率，推动科学研究从聚焦优化特定任务向更复杂、更动态、更交叉的问题发展，大模型赋能下的AI4S都较以往展现出截然不同的效果。2025年，多模态大模型将进一步融入科学研究，赋能多维数据的复杂结构挖掘，辅助科研问题的综合理解与全局分析，为生物医学、气象、材料发现、生命模拟、能源等基础与应用科学的研究开辟新方向。

#### 趋势二

“具身智能元年”：

具身大小脑和本体的协同进化

2025年的具身智能，将继续从本体扩展到具身脑的叙事主线，我们可以从三方面有更多期待。在行业格局上，近百家的具身初创或将迎来洗牌，厂商数量开始收敛；在技术路线上，端到端模型继续迭代，小脑大模型的尝试或有突破；在商业变现上，我们也必将看到更多的工业场景下的具身智能应用，部分人形机器人迎来量产。

#### 趋势三

“下一个Token预测”：

统一的多模态大模型实现更高效AI

人工智能的本质在于对人的思维的信息过程的模拟，人类对于信息的交互和处理，总是呈现多模态、跨模态的输入输出状态。当前的语言大模型、拼接式的多模态大模型，在对人类思维过程的模拟，存在天然的局限性。从训练之初就打通多模态数据，实现端到端输入和输出的原生多模态技术路线，给出了多模态发展的新可能。基于此，训练阶段即对齐视觉、音频、3D等模态的数据，实现多模态的统一，构建原生多模态大模型成为多模态大模型进化的重要方向。

#### 趋势四

Scaling Law扩展：RL + LLMs

模型泛化从预训练向后训练、推理迁移

基于Scaling Law推动基础模型性能提升的训练模式“性价比”持续下降，后训练与特定场景的Scaling law不断被探索。强化学习作为发现后训练、推理阶段的Scaling Law的关键技术，也将会得到更多的应用和创新使用。

#### 趋势五

世界模型加速发布

有望成为多模态大模型的下一阶段

更注重“因果”推理的世界模型赋予AI更高级别的认知和更符合逻辑的推理与决策能力，这种能力不仅能推动AI在自动驾驶、机器人控制及智能制造等前沿领域的深度应用，更有望突破传统的任务边界，探索人机交互的新可能。

#### 趋势六

合成数据将成为大模型迭代

与应用落地的重要催化剂

高质量数据将成为大模型进一步Scaling up的发展阻碍。合成数据已经成为基础模型厂商补充数据的首选。合成数据可以降低人工治理和标注的成本，缓解对真实数据的依赖，不再涉及数据隐私问题；提升数据的多样性，有助于提高模型处理长文本和复杂问题的能力。此外，合成数据可以缓解通用数据被大厂垄断，专有数据存在获取成本等问题，促进大模型的应用落地。

#### 趋势七

推理优化迭代加速

成为AI Native应用落地的必要条件

大模型硬件载体从云端向手机、PC等端侧硬件渗透。在这些资源受限（AI算力、内存等）的设备上，大模型的落地应用会面临较大的推理侧的开销限制，对部署资源、用户体验、经济成本等均带来巨大挑战。算法加速和硬件优化技术持续迭代，双轮驱动加速AI Native应用落地。

#### 趋势八

重塑产品应用形态

Agentic AI成为产品落地的重要模式

2025年，更通用、更自主的智能体将重塑产品应用形态，进一步深入工作与生活场景，成为大模型产品落地的重要应用形态。从Chatbot、Copilot到AI Agent、Agentic AI，2023年以来行业对于AI应用形态的理解越发深入。2023年底，AI Agent应用编排框架收敛，Agentic AI概念被提出。从更强调产品概念的Agent，到更强调应用智能程度的Agentic AI，我们在2025年将看到更多智能化程度更高、对业务流程理解更深的多智能体系统在应用侧的落地。

#### 趋势九

AI应用热度渐起

Super App花落谁家犹未可知

近一年时间，生成式模型在图像、视频侧的处理能力得到大幅提升，叠加推理优化带来的降本，Agent/RAG框架、应用编排工具等技术的持续发展，为AI超级应用的落地积基树本。大模型应用从功能点升级，渗透到AI原生的应用构建及AI OS的生态重塑。虽然Super APP花落谁家尚未尘埃落定，但从用户规模、交互频次、停留时长等维度来看，AI应用热度持续攀升，已到应用爆发的黎明前夕。

#### 趋势十

模型能力提升与风险预防并重

AI安全治理体系持续完善

作为复杂系统，大模型的Scaling带来了涌现，但复杂系统特有的涌现结果不可预测、循环反馈等特有属性也对传统工程的安全防护机制带来了挑战。基础模型在自主决策上的持续进步带来了潜在的失控风险，如何引入新的技术监管方法，如何在人工监管上平衡行业发展和风险管控？这对参与AI的各方来说，都是一个值得持续探讨的议题。

科技的曙光将照耀人类前行的路途

这些技术将在激烈的竞争与协作中相互促进，共同谱写人与智能系统共生共荣的磅礴篇章。而我们作为亲历者，将见证科技为人类文明注入澎湃动能，推动人类能力的边界向更高更远处延伸。站在科技的肩膀上，身可高百尺，手可摘星辰。