智能上限的主线
不是世界模型，是学习

1.1 这份报告回答什么问题

摘录稿已经把梁文锋本人的判断抽干净了。本报告只追三个问题：

1. 他为什么把智能主线排成「语言模型 → CoT → Agent → 持续学习 → 渐变的自我迭代（他先称奇点、随即改口）→ 具身智能」？会上给出的理由是否自洽？
2. 2026 年 8 月能核验的最前沿研究，把这条阶梯的每一级推到了哪一档成熟度？
3. 哪些公开证据会支持、修正或打穿这条排序？对产业而言，价值更可能沉淀在哪一级？

本报告不重写整场交流会，不讨论开源定价与融资条款。那些属于摘录稿的范围。

1.2 与摘录稿的分工

1.3 投行方法（实际执行，不只写在封面上）

对标主题深度研报的六个模块，而不是卖方覆盖模板里的目标价页。

严格禁止：把「业界共识」写成无出处判断；把推断写成「梁文锋认为」；用交流会里的卡量交叉验证外部财报。

1.4 证据分级符号

后文每条关键判断尽量落到参考文献编号。编号与附录对照表一一对应，附录给出作者、年份、venue、URL/DOI、证据级、支撑哪条判断。核不到标题与 URL 的文献，正文不引用。

2.1 核心辩论

当前前沿实验室并不共用一张路线图。至少四条叙事在抢「智能上限」的定义权：

梁文锋把后三条里的视频生成、现阶段世界模型明确移出「智能主线」：商业上可以是好生意，但「跟智能的上限也没有太大的关系」（摘录稿 §8.1）。这不是审美偏好，是他对什么叫抬智能上限的操作定义。

2.2 本报告判断（不是他的原话）

本报告判断。 这条阶梯在依赖关系上成立：后面几级的已发表系统，几乎都站在语言模型（以及越来越常见的视觉—语言模型）肩膀上。最大的未解关口是他所说的「持续学习」——全球实验室都承认灾难性遗忘与「权重冻结的 LLM」之间的裂缝，但还没有一个被广泛复现、可规模化部署的解法。他把「奇点」改口为渐变，与 I. J. Good 1965 年的「智力爆炸」硬起飞叙事 [29] 在机制上决裂，与「用模型改进模型的局部环节」这类已出现的弱形式 [30] 更接近。具身被后置，是杠杆逻辑（让更强的智能去造机器人），不是否定物理世界有需求。

三句收口：

1. 依赖成立。 CoT 论文明确建立在足够大的语言模型上 [9]；ReAct 把思维链与行动交错 [14]；π₀ 等具身模型以预训练视觉—语言模型为骨干 [36]。后一步用前一步，不是修辞。
2. 瓶颈判断与公开证据同向，替代假说也成立。 「给全上下文已经超过人、仍替代不了员工」与 METR 的时间视野结果同向：前沿 agent 在短任务上接近满分，在数小时级任务上成功率骤降 [18]。但「缺的是权重可更新的持续学习」并不是唯一解释——缺的也可能是更长的可靠工具链，而不必改权重。
3. 排序是资源约束下的最轻松路线，不是唯一物理可能。 他给出的排序理由是「后面的技术可用前面的技术来开发」「先具身是苦活」（摘录稿 §6.3）。这在工程上自洽，不能推出「现在做机器人的实验室走错了」；只能推出：在算力紧、要以自身为第一用户的实验室里，这条路径的期望加班更少。

2.3 三条证伪条件（What would change our mind）

若下列任一事件以可复现方式出现，本报告对这条阶梯的权重必须下调：

这三条在 2026-08 均未被满足。F2 是最近的竞争假说；F1、F3 与公开论文方向相反。

2.4 成熟度仪表盘（截至 2026-08）

flowchart LR
  L1["1 语言模型
已工业部署"] --> L2["2 CoT / 推理时计算
已工业部署"]
  L2 --> L3["3 Agent
窄域工业部署"]
  L3 --> L4["4 持续学习
方法未通"]
  L4 --> L5["5 自我迭代
弱形式可复现"]
  L5 --> L6["6 具身智能
实验室可复现"]

3.1 会上给出的三条排序公理

摘录稿 §6.3、§12.1 里，他反复使用的不是一张产品路线图，是三条公理：

这三条足够推出他的排序，不需要额外的性格分析。

3.2 实验室中心的 AGI 定义

摘录稿写得很清楚：没有具身时，他对 AGI 的希望是「能帮我迭代下一版模型」；有具身后，希望它迭代下一版具身、做下一版机器人。持续学习的第一用户是他们自己：「我们做的模型，第一目标不是大家用得好用，而是我们自己用得好用。」（摘录稿 §12.1）

推断（本报告，非梁文锋原话）。 这是一个以研究生产率为产品的 AGI 定义。消费侧的「做家务、养老」被明确承认是正常人的需求，但被放在自我迭代之后。因此他的阶梯看起来「不像 C 端产品经理会画的图」，而像「一个要把下一张权重训练出来的实验室主任会画的图」。编码 agent 被放在当前垂直应用第一（摘录稿 §8.3），与这个定义同构：写代码、改内核、跑实验，是「帮我迭代下一版模型」最近的任务分布。

公开对照：Google DeepMind 的 AlphaEvolve 把「用编码 agent 改进算法与训练栈」做成了可部署系统，并报告将 Gemini 架构中一个矩阵乘内核加快 23%、训练时间降约 1% [30]。这不是梁文锋引用过的材料，但它表明：「第一用户是自己」在别的顶尖实验室也已经从口号变成内部工具。

3.3 员工类比：他把「完成任务」收成「持续学习」

他用来卡住 Agent 的，不是某一道奥数题，是岗位：

• 人：叫「小王」过来就知道小王是谁；大约两个月熟悉环境。
• 模型：每次必须被告知小王是谁、职务、怎么找、注意什么。「你不可能给他所有的上下文，也不现实。」（摘录稿 §6.2）

因此「持续学习」在他那里不是一项点名的算法，而是「像人一样较长时段学习、不必每次给极强训练」。他同时说「可能不是一项技术，它是一个问题」，「现在全世界都还没有找到好的方法」（摘录稿 §12.1）。文稿里「持续学习」与「学习去学习」混用，摘录稿不强行合并；本报告同样分列（见附录术语表）。

推断。 他把两个在文献里分开的问题焊在了一起：（a）任务级 agent 失败（工具链、记忆、可靠性）；（b）权重级持续学习失败（新任务冲掉旧任务）。焊点是员工类比。若（a）能被更长上下文、外部记忆、更好的 agent 脚手架单独解掉，他的「下一代 = 必须有持续学习」就会显得过严。这正是第二节 F2。

3.4 「最轻松的路线图」：算力约束下的研究策略，不是宇宙唯一解

他给出的排序还有一层组织理由：这条路「可以不用加班」；持续学习研究「不消耗卡，只需要很少的卡，他需要的是想法」，内部叫「摸奖」（摘录稿 §12.1）。Scaling 才烧卡，模型大小「按资源算出来」（摘录稿 §6.4）。

推断。 在算力相对美国更紧的约束下，把未解问题定义成「想法密集、卡不密集」，同时把已解问题（预训练、推理时计算）交给能买到的卡，是理性的研究组合——它解释了为什么视频生成这种「好生意」仍被移出主线：它既烧卡，又（在他看来）不抬智能上限。Sutton 2019 年的 The Bitter Lesson 说，最终赢的是能吃计算的通用方法 [31]。梁文锋同时相信 Scaling（吃计算）和持续学习这个尚未被规模化的问题（吃想法）。二者不矛盾：Scaling 还没撞墙，墙以外的那一级被他命名为持续学习。

3.5 改口「奇点 → 渐变」：这是有理论含量的判断

I. J. Good 1965 年的操作定义是：超智能机器能够设计更好的机器，于是「毫无疑问会有一次智力爆炸」，人的智力被甩在后面；「第一台超智能机器是人类需要做的最后一项发明」[29]。梁文锋先借用「奇点」这个习惯叫法，立即修正：不是突变，是较长渐变；AGI「没有临界点，但是非线性」，因为「AI 可以加速 AI 的研究」（摘录稿 §6.3、§13.1）。

对齐与决裂可以写成一行：

推断。 这次改口使他更接近 Silver 与 Sutton 2025 年「经验时代」的渐进口径——用智能体与环境交互产生的数据持续改进，而不是一次冻结权重后的相变 [28]——而不是更接近 Good 的爆炸。公开文献里已经出现弱形式的「用模型改进模型」：R1 的推理能力被蒸馏回 V3 [2][3]；AlphaEvolve 优化 Gemini 自己的训练栈 [30]。这些是渐变的证据，不是爆炸的证据。

3.6 DeepSeek 已发表轨迹与阶梯是否同构

只看公开论文，不看交流会产能数字：

同构的部分：V3 → R1 就是「语言模型 → CoT」的一次公开演示，而且 R1 的训练明确从 V3-Base 出发 [3]。尚未同构的部分：Agent 与持续学习还停在会上的时间锚，没有同等重量的论文。本报告不把「今年做 Agent」写成已经发表的事实。

3.7 主线外不做：视频、世界模型、多模态的位置

摘录稿 §8.1：3D / 视频生成「跟智能主线没有太大关系」，Sora 之后大小公司都做、小公司后来砍掉；世界模型「现在跟智能的上限也没有太大的关系」，且词义「没那么清楚」。多模态对 C 端重要，对智能上限「是一个组件……跟搜索一样」；V4 起仍做原生多模态（摘录稿 §6.4）。

推断。 他用的判别标准是：这件事是否提高「在完整上下文里解决问题」的上限，而不是「是否让产品更好看 / 是否更像一个世界」。OpenAI 把 Sora 写成「通向通用物理世界模拟器的有希望路径」[34]；LeCun 把世界模型写成自主智能的中枢 [32][33]。梁文锋等于宣布：在他的操作定义下，这两条叙事目前是组件或旁路。后文第五节把这场路线之争摊开，不在这里判胜负。

4.1 第一级 · 语言模型

他怎么界定。 更前一步；CoT 用到它（摘录稿 §6.3）。相信 Scaling，尚未看到上限；卡住的是算力不是意愿（摘录稿 §6.4）。

为何在这一级。 依赖公理：没有能预测下一个 token 的基础模型，后面的思维链与工具循环无处安放。

2026 年最前沿做到哪。

• 架构底座仍是 Transformer [4]。
• 训练损失对模型规模、数据量、计算量呈幂律，Kaplan 等 2020 给出早期规模律 [5]；Hoffmann 等 2022（Chinchilla）发现参数与 token 应近似等比例放大，此前许多模型训练不足 [6]。
• GPT-4 技术报告用小两个到四个数量级的实验预测大模型损失与部分能力 [7]。
• Llama 3 Herd 报告给出开放权重侧的规模化配方 [8]。
• DeepSeek-V3 用 MLA + DeepSeekMoE，671B / 37B 激活，14.8T token，并强调训练稳定、成本可控 [2]。

成熟度：已工业部署。 争议不在「语言模型是否成立」，在「规模律是否已到墙」。梁文锋的判断是墙对硅谷和对他不是同一距离（摘录稿 §6.4）。这是视角声明，不是可证伪的已测墙。

吻合。 V3 论文本身就是「先把语言模型做成、再在其上做后训练」的实例 [2]。R1 从 V3-Base 出发 [3]，依赖关系被自家论文写死。

张力。 LeCun 认为自回归 LLM 不是通向自主智能的充分路径，真正缺的是世界模型 [32][33]。若 F1 成立，第一级仍会作为组件留下，但不再是主线的第一块承重墙。

未解。 数据质量与标注成本（他称数据几乎等于模型一半，摘录稿 §12.2）；推理成本随规模上升（他自己也说美国训得起极大激活参数「也用不起来……确实有点贵」——此为他的判断，不作外部核验）。

关键出处。 [2][4][5][6][7][8]。

4.2 第二级 · CoT / 思维链 / 推理时计算

他怎么界定。 「自己思考，提高智能上限」；在奥数、写程序上「已经超过最顶尖的人类」；到上限仍到不了 AGI。时间锚：「去年」（摘录稿 §6.3）。

为何在这一级。 依赖：思维链从足够大的语言模型里涌现 [9]。杠杆：同一套权重，用更多测试时计算换更高正确率，不必先把预训练再放大一个数量级 [11][13]。

2026 年最前沿做到哪。

• Wei 等 2022：少样本思维链提示显著提高算术、常识、符号推理；PaLM 540B 在 GSM8K 上用八个思维链示例即达当时 SOTA [9]。该文把能力描述为约 100B 参数量级才显著出现的尺度现象。
• Kojima 等 2022：仅加 “Let’s think step by step” 即可激发零样本思维链 [10]。
• OpenAI o1（2024-09 起）：用大规模强化学习训练模型使用思维链；明确写出表现随训练时计算与测试时「思考时间」共同上升，约束与预训练规模律不同 [11]。系统卡把 o1 系列定义为「先想后答」的推理模型 [12]。
• Snell 等 2024：在固定权重上优化测试时计算，对某些任务可比扩大参数更有效 [13]。
• DeepSeek-R1：R1-Zero 证明纯 RL 可涌现长推理；R1 用冷启动解决可读性与语言混用，推理任务与 o1-1217 可比，并开源蒸馏小模型 [3]；2025 年 Nature 发表 [46]。

成熟度：已工业部署。 「去年」这个时间锚与 2024 年 o1、2025 年 R1 的公开时间线一致。

吻合。 他家的 R1 论文几乎是这条台阶的实验证明：先有 V3-Base，再有推理。他把 CoT 说成提高智能上限、但仍不是 AGI，也与 o1/R1 仍困在「一题一答、上下文有限」相符。

张力。

• 思维链是否忠实反映内部计算，仍是开放问题；o1 系统卡把这列为监测前提 [12]。
• 「超过最顶尖人类」被他限定在奥数与写程序。这与公开基准的强项分布一致，不能外推到含糊岗位。
• 测试时计算把「智能」部分地买成了延迟与费用。这不否定台阶，但改变单位智能的成本曲线 [11][13]。

未解。 过程奖励与结果奖励的稳定性；语言混用与可读性（R1-Zero 的已知缺陷 [3]）；把推理从竞赛题迁到含糊的真实任务。

关键出处。 [3][9][10][11][12][13][46]。

4.3 第三级 · Agent

他怎么界定。 能力范围更大、智能上限更高；要用到 CoT；走完仍替代不了员工。时间锚：「今年」。当前垂直应用「最重要的应该还是 Coding Agent」（摘录稿 §6.3、§8.3）。

为何在这一级。 依赖：ReAct 的原文命题就是把推理痕迹与行动交错，推理帮助更新计划，行动从环境取证 [14]。杠杆：可检验反馈（测试、编译器、网页状态）让模型把 CoT 用到环境上，而不是停在卷面上。

2026 年最前沿做到哪。

• 范式。 ReAct（Yao 等，ICLR 2023）在问答与决策基准上超过只推理或只行动 [14]。Anthropic 2024-12 工程文把 agent 定义为模型动态决定工具与流程、在环境反馈上循环；并单独指出编码与「电脑使用」是两个已落地领域 [16]。
• 软件工程尺。 SWE-bench：真实 GitHub issue → 补丁 → 隐藏测试 [15]。SWE-agent 用定制的 agent—计算机接口把全量测试集 SOTA 抬到当时的 12.5% 量级 [44]。OpenAI 2024-08 发布 SWE-bench Verified（500 题人工筛过）[19]。到 2026 年，OpenAI 公开停止用 Verified 报前沿，理由是污染使分数不再反映真实软件工程能力，并建议改报 SWE-bench Pro [20]。
• 时间视野。 METR 2025：用人类专家耗时定义任务长度，拟合模型 50% 成功率对应的时长。原论文报告约 7 个月翻倍；当时前沿（如 o3 / Claude 3.7 Sonnet，版本因文稿而异）落在约一小时量级，数小时级任务成功率低 [18]。官方页声明静态数字会过时，以 time-horizons 页为准 [18b]。
• 通用计算机。 OSWorld 在真实桌面应用上评测 [42]；GAIA 测「对人类简单、对当时 AI 很难」的工具链问答 [41]。二者仍显示长程、含糊、多应用任务与人类差距。
• 电脑使用。 Anthropic 将 computer use 作为 agent 的参考实现之一 [16][17]。

成熟度：窄域工业部署。 编码 agent 已是产品；通用岗位替代未被 METR 或 OSWorld 支持。

吻合。

• 「Agent 用到 CoT」被 ReAct 与 Anthropic 的编码 agent 实践同时写明 [14][16]。
• 「走完仍替代不了员工」与 METR「短任务近满分、长任务崩溃」同向 [18]。员工类比里的两个月，远长于已测的 50% 时间视野。
• 他把 Coding Agent 放在垂直第一，与 Anthropic「代码可被测试检验，因此 agent 特别有效」[16] 同向，也与他自己「第一用户是实验室」同向。

张力。

• 公开基准正在失效：SWE-bench Verified 的污染使「今年 Agent 做到哪」更难用单一分数回答 [20]。本报告因此不引用任何未注明日期与脚手架的 SWE-bench 百分比作为前沿水平。
• 替代假说 F2：时间视野继续按指数延长，可能在不解决持续学习的情况下，先覆盖一部分「小王」岗位。梁文锋把这一步的残差全部记在持续学习账上，可能过早。
• 记忆类系统（MemGPT 把上下文当虚拟内存分页 [23]；Voyager 在 Minecraft 里积累技能库 [45]）说明：一部分「学习」可以被脚手架冒充。 他若坚持「下一代必须改学习问题本身」，需要把这些冒充排除在外——会上他没有做这套概念手术，只说持续学习是一个问题、会有很多技术。

未解。 高可靠性长程（80% 时间视野远短于 50% [18]）；含糊需求；跨班次记忆；评测污染。

关键出处。 [14][15][16][17][18][19][20][23][41][42][44][45]。

4.4 第四级 · 持续学习（本阶梯的承重裂缝）

他怎么界定。 像人一样较长时段学习，不必每次给极强训练；与「完成任务」是同一问题；Agent 之后能看到的下一个瓶颈；全世界还没找到好方法；内部有看起来有前途的想法，都还没做通；「持续学习先做出来，通用智能可能就很容易了」；否则靠人堆数据和人力「性价比也不高」（摘录稿 §12.1）。下一代模型的定义权在这一级（摘录稿 §6.4）。

为何在这一级。 可观察瓶颈：全上下文已经够用的任务分布被 CoT+Agent 吃掉之后，剩下的是跨天、跨任务、跨岗位的适应。依赖：先有能行动的 agent，才有「从自己的轨迹里学」的数据。这与 Silver & Sutton 2025 年「高质量人类数据逼近上限，下一步必须让智能体从自身经验里学」[28] 同向。

2026 年最前沿做到哪。 必须先把几件经常被混为一谈的事切开：

成熟度：问题已提出、方法未通。 这与他的原话同句。本报告把 2025 年 Titans / Nested Learning / SEAL 记为「有前途的实验室方向」，不记为「已解」。

吻合。 他可能是公开场合把这个问题说得最硬的实验室负责人之一：直接用它定义下一代，而不是把它写成论文里的 future work。文献支持「未通」这一负向事实 [21][22][24][27][28]。

张力。

• 术语混用。 「持续学习 / 学习去学习 / continuous learning」在会上未对齐。元学习（learn-to-learn）与在线适应（continual / online learning）在文献里不是同一题。本报告不替他对齐。
• 他与提问者提到的 Recursive Improvement 未画等号（摘录稿 §12.1）。本报告把递归自改进放到第五级，避免把第四、第五级焊死。
• Silver & Sutton 的「经验时代」更强调环境交互产生的数据 [28]，不一定先要求一个已完成的数字 agent。 若他们的纲领对，持续学习与具身 / 模拟环境的耦合会比梁文锋的排序更紧，第四级就不能干净地放在具身之前。这是对公理 2 的温和压力，尚未构成 F3。

未解。 在不灾难性遗忘的前提下，把新的岗位知识写进权重或等价记忆；在模型尺度上复现 SEAL / Hope 类结果；把「两个月上手」变成可测基准（目前没有被广泛采用的「员工两个月」基准）。

关键出处。 [21][22][23][24][25][26][27][28]。

4.5 第五级 · 自我迭代（他称为奇点，随即改口为渐变）

他怎么界定。 模型能做人类能做的所有事情，能自己开发下一版本；不是突变，是较长渐变；只是习惯称为奇点。没有具身时，第一用途是迭代下一版模型（摘录稿 §6.3）。AGI 无临界点、可非线性，因为 AI 可加速 AI 研究（摘录稿 §13.1）。

为何在这一级。 杠杆公理的顶点：持续学习一旦使模型能吸收自己的实验轨迹，研究本身成为可加速对象。依赖：需要 agent（能改代码、跑实验）+ 持续学习（实验不会在下一天被忘掉）。

2026 年最前沿做到哪。

• 理论原典。 Good 1965：超智能机器能设计更好的机器 → 智力爆炸 [29]。梁文锋保留「能设计下一版」，丢掉「爆炸」。
• 弱形式、已部署。 AlphaEvolve：Gemini 驱动的进化编码 agent，用自动评估器筛选程序；报告包括改进 Gemini 自身训练内核（矩阵乘子问题划分加快 23%，训练时间约 −1%）、FlashAttention 内核最高约 32.5% 加速，并在后续一年进入 TPU 设计、缓存策略、Spanner 等基础设施 [30]。这是「模型改进模型的训练栈」的存在性证明，对象是算法与内核，不是完整下一世代权重。
• 弱形式、训练配方。 R1 推理被蒸馏进 V3 后训练 [2][3]：用更强推理模型教下一个通用模型。人仍设计流水线。
• 弱形式、自编辑。 SEAL 让模型写出自己的微调指令 [27]。尺度远小于预训练。
• 纲领。 Silver & Sutton：人类高质量数据逼近上限，经验数据必须成为改进的主介质 [28]。

成熟度：弱形式实验室可复现；完整「自己开发下一版本」仍为概念。

吻合。 改口为渐变，与 AlphaEvolve「几天自动实验替代数周专家」[30] 这类局部加速相符，与一夜换代不符。第一用户是自己，与 AlphaEvolve 首先服务 Google 内部训练栈相符。

张力。 Good 的爆炸若在某一代突然成立，他的「无临界点」会被证伪。目前没有公开系统展示跨代的、无人值守的权重设计。Amodei《Machines of Loving Grace》把强大 AI 写成可管理的、偏渐进的社会过程 [47]，与改口同侧，但那是随笔不是实验。

未解。 从「优化一个内核」到「提出并完成下一代训练配方」；从有人设定适应度函数到自己提出问题（他另有一句「再下一步它自己问问题」，摘录稿 §8.1）。

关键出处。 [2][3][27][28][29][30][47]。

4.6 第六级 · 具身智能

他怎么界定。 走进现实世界：做家务、养老；放在自我迭代之后；「对一个正常人来讲，他的需求并不是电脑」。先做「很苦」；奇点之后「不用人来做」（摘录稿 §6.3）。

为何在这一级。 杠杆：让已经能迭代软件的系统去迭代机器人。依赖：具身论文几乎都从视觉—语言模型出发，而不是从零发明智能。

2026 年最前沿做到哪。

• 数据。 Open X-Embodiment / RT-X：跨本体机器人数据集与模型，证明混合不同机器人数据有泛化收益 [37]。
• VLA。 RT-2 把网络视觉—语言知识迁到机器人控制 [38]。π₀：Physical Intelligence 的流匹配视觉—语言—动作模型，骨干是预训练 VLM，再加动作专家；官方博客与 arXiv 同步 [36][36b]。NVIDIA Isaac GR00T：开放的跨本体 VLA 参考栈 [40]。Gemini Robotics：把 Gemini 级模型带进物理世界，后续 1.5 强调具身推理与动作迁移 [39]。
• 世界模型对照。 LeCun 2022：可配置的预测世界模型 + JEPA，作为自主智能蓝图 [32][33]。Sora：规模化视频生成「是通向通用物理世界模拟器的有希望路径」[34]；Sora 2 仍把世界模拟能力当作训练能理解物理世界的 AI 的关键里程碑 [35]。Genie：从无标注视频学可交互环境 [43]。

成熟度：实验室可复现；家务/养老级泛化未证明。 公开系统展示的是桌面操作、厨房短技能、受控实验室，不是「任意家庭、任意老人」。

吻合。 几乎所有 2024–2026 年的通用机器人基础模型都先借用语言/视觉—语言智能，再接到动作头上 [36][38][39]。这直接支持依赖公理，即使这些实验室的投资时点比他更早进入硬件。

张力（这是整条阶梯与外部世界摩擦最大的地方）。

• Physical Intelligence、Figure 类公司、Tesla Optimus 叙事、Gemini Robotics，都在不等「软件奇点」就收集真实机器人数据。他们的隐含判断是：物理数据的瓶颈不能靠以后的智能凭空补上，现在不采、以后也没有。这与「先具身是苦活」并不逻辑矛盾——苦活可以同时是必要的——但与「奇点之后就不用人来做」的期望冲突：若物理数据必须由人在今天采集，后人无法用纯软件智能回填。
• 世界模型派认为，没有内部模拟器，agent 在真实世界会贵到做不成 [32][34]。梁文锋把现阶段世界模型移出主线。若 F1 成立，第六级会前移，甚至插入 Agent 与持续学习之间。
• Moravec 悖论的经典表述是：对人类容易的感知运动，对机器很难。他的「苦活」与这一传统同向。他的新意是：把苦活推迟到自我迭代之后，让更强的智能承担数据与控制的成本。这是策略，不是对悖论的否定。

未解。 跨家庭泛化；安全与接触力控制；数据从实验室到真实住宅的分布偏移；世界模型是否必须成为具身的前置。

关键出处。 [32][33][34][35][36][36b][37][38][39][40][43]。

4.7 六级对照总表

5.1 对照系

没有一条路线被 2026-08 的公开结果「判决」。能写进研报的只有：投资时点不同，承重墙不同，证伪实验不同。

5.2 世界模型先行：LeCun 与 Sora 不是同一主张

LeCun 2022 立场论文要的是非像素级重建的联合嵌入预测架构，避免生成式视频那种对无关细节的浪费 [32][33]。OpenAI 的 Sora 说明走的是生成式、补丁级扩散 Transformer，并明确把规模化视频写成通向世界模拟器的路径 [34]。二者都叫世界模型，方法相反。

梁文锋说世界模型「含义没那么清楚」、很多东西都能叫这个名字（摘录稿 §8.1）。这句话被上述分裂直接证实。 因此「他拒绝世界模型」必须写成：「他拒绝把现阶段、定义不清的世界模型当作智能上限主线」，而不是「他拒绝一切内部模拟」。

Genie 把「从视频学可交互环境」做成另一条生成式世界模型 [43]。若这类系统开始稳定地为 agent 提供可验证的规划收益，F1 的观察窗口就会打开。目前公开材料仍把它们写成研究系统或产品预览，不是已替代 CoT+Agent 的智能上限。

5.3 Scaling 即一切

规模律文献 [5][6][7] 与 o1「训练时 + 测试时计算都升」[11] 支持「继续加计算仍有回报」。梁文锋同意 Scaling 未到墙（摘录稿 §6.4），但拒绝用 Scaling 代替持续学习来定义下一代。张力在于：若测试时计算 + 更长上下文 + 更好脚手架在 F2 意义上覆盖了员工任务，持续学习作为「下一代」定义就会被市场（不是被物理）降级为可选优化。

5.4 递归自改进硬起飞

Good 的爆炸 [29] 是第五级的理论对照，不是任何实验室的当前配方。AlphaEvolve [30] 证明局部自改进存在，也证明它今天仍嵌在人类设计的评估器与进化环里。本报告把硬起飞保留为尾部情景（Bull 的极端），不把它写成基本情景。

6.1 三种状态

6.2 可观察路标（公开、可核验）

1. 论文级： 是否出现与 R1 同重量的「持续学习 / 经验闭环」技术报告，含失败案例与遗忘曲线，而不是只有针在稻草堆里检索。
2. 产品级： 同一权重（或同一持续记忆）是否能在不重训的前提下，跨周完成同一代码库 / 同一岗位的新任务，并保持旧任务。
3. 评测级： METR 80% 时间视野；OSWorld 类桌面任务；以及——目前还没有的——「两个月入职」基准。
4. 评测诚信： 是否改用抗污染基准（OpenAI 已公开离开 SWE-bench Verified [20]）。
5. 自我迭代： 是否有第二家实验室发表「本系统改进了本系统的训练成本 / 算法」，并给出可复核的评估器。
6. 具身： 跨家庭、跨本体、非遥操作的成功率，而不是实验室厨房的剪辑。

6.3 METR 外推怎么用、怎么不用

METR 原论文写：若 2019–2025 趋势外推，约五年内系统可能自动完成许多当前需人类一个月的软件任务；并强调外部效度与趋势变化是主要不确定性 [18]。本报告引用这条外推作为文献中的外推，不把它改写成我们的预测。它直接服务于 F2：若月级软件任务在高可靠性下被解开，梁文锋员工类比里的「必须持续学习」压力会下降，但「必须持续学习才能叫下一代」仍可以作为一个研究定义存在——只是市场可能不再付钱给这个定义。

7.1 编码 agent：当前唯一既可检验又贴近自我迭代的窄域

Anthropic 把编码列为 agent 最有效的领域之一，理由是测试可自动打分 [16]。梁文锋把 Coding Agent 放在垂直第一（摘录稿 §8.3）。二者独立、同向。产业含义：

• 在持续学习未通之前，可检验闭环（代码、数学、部分科研）会继续吸收推理时计算与 agent 脚手架的预算。
• 评测污染 [20] 意味着买方不能再用单一公开榜当验收；价值转向私有、抗污染、带成本约束的内部基准。本仓库的《Agent 评测与基准测试》把「分数最高 ≈ 最贵」写进了 L3 的读法，与此一致。

7.2 持续学习一旦做通：研究效率飞轮，而不是先做 C 端超级应用

他的第一用户是自己。若第四级做通，首先加速的是下一张权重，不是广告与电商（后两者被他明确判为现阶段浪费时间，摘录稿 §8.1）。产业含义：

• 能把「岗位记忆」写进权重或等价记忆的实验室，会拉开与「每次会话从零解释小王是谁」的产品差距。
• 在那之前，外部记忆（MemGPT 类 [23]）与更长上下文会作为过渡性租金存在：它们冒充持续学习，也能收钱，但按他的定义不算下一代。

7.3 自我迭代的弱形式：训练栈软件，不是「AI 公司股票的奇点条款」

AlphaEvolve 类系统把价值放进编译器、内核、调度、芯片设计工具链 [30]。这是基础设施软件租金，不是一夜之间的需求侧奇点。与他的改口一致：渐变、可非线性，但不是爆炸条款。

7.4 具身后置对机器人 / 世界模型资产的含义

逻辑上有两种读法，必须并列，不能只写一种：

• 读法 A（支持后置）。 今天的 VLA 已经在用 VLM 骨干 [36][38][39]。软件智能每抬一级，同一本体的数据效率上升。过早把资本锁进单一本体，可能在下一版智能到来时贬值。
• 读法 B（反对后置）。 真实世界数据有时间上的不可逆：现在不采，以后没有 2026 年的家庭分布。世界模型若必须靠视频与交互环境预训练 [34][43]，则视频生成与仿真不是旁路，是第六级的前置资本开支。

本报告不在 A/B 之间选边。投资上这意味着：机器人与世界模型资产的估值，取决于你相信物理数据是否可被未来更强智能回填。 梁文锋的公开判断接近 A；LeCun / Sora / 具身派接近 B。这是第二节核心辩论的资产版本。

7.5 多模态与搜索：组件定价

他把多模态比作搜索：C 端重要，不是上限主线，但仍会做（摘录稿 §6.4）。产业含义：多模态能力会被打包进产品，但不应该被当成「下一代模型」的充分条件。按他的定义，下一代的充分条件是持续学习。

检索说明

• 未列入而计划里点过名、但本报告最终不用来支撑结论的材料：无法稳定解析全文的预印本镜像、二手自媒体对内部卡量的转述、交流会 ASR 中的产能数字。
• [28] 的 PDF 直链在撰写日未能从一处公开存储稳定取回，故以作者出版物目录的著录为准，不伪造页码引文。
• [32] 的 PDF 直链在撰写日遇到 OpenReview 反机器人页，故同时引用 forum 与 Meta 官方介绍 [33]，不引用未读到的页码。

本报告不替代录音，不替代原论文。若当事人随后发表书面技术路线，以书面为准。