階躍星辰李璟：2025年將是Agent落地元年 推理能力和多模態是研究重點

《科創板日報》3月12日訊（記者 陳美）近日，“陸家嘴金融沙龍”第二期在上海浦東陸家嘴圓滿舉行。本期沙龍圍繞“資本市場大時代：AI+千行百業”這一主題，展開深度研討與交流。參會嘉賓、國內知名AI大模型公司上海階躍星辰副總裁李璟發表了關於AI大模型發展的演講，探討了Agent在當前科技趨勢下的重要性與應用前景。

“從今年1月份已經感受到大模型行業的熱潮。”李璟談到，對於AGI的發展過程，有三個階段的理解。一是模擬設計階段，這一階段模型主要對語料進行表徵模仿訓練，包括視頻、聲音、語言、圖像、4D時空等。

二是模型解決問題階段，在這一階段中，目前以強化學習範式爲核心的模型登上舞臺，最近大火的DeepSeek-R1，更早時間的AlphaGo系列學術成果，背後都是強化學習。“在這一階段中，強邏輯推理時代將帶來很多Agent的誕生。”

三是歸納階段，模型可以達到人一樣的智能。蘋果砸到牛頓頭上砸出萬有引力定律，模型也應該能自主探索科學規律；在歸納階段，AI可以主導一系列模型創新。

“就發展方向來看，近期強化學習以及新的RAG範式模型成爲熱議焦點。”李璟表示，作爲科技從業者，更關注深度求索背後的DeepSeek-R1 Zero，這是一種純強化確定框架模型範式。

在視覺推理能力的前沿探索方面，人形機器人對視覺推理能力有極高需求。但當前視覺模型仍處於類似強化學習之前的GPT範式中，未能很好地解決“理解與生成統一”的問題。“對於人類而言能輕易完成的任務，如統計照片中的人數、描述特定位置人員穿着等，現有模型存在一定難度。一旦模型探索出視覺推理能力，這將極大推動人形機器人等產業的應用。”

除了偏推理範式的模型，多模態感知也十分關鍵。李璟認爲，人類是多模態動物，具備語言、視覺、聽覺、嗅覺等多種感知方式，能天然進行多模輸入交互。“以當前最強的圖片理解模型爲例，在模擬人形機器人場景中，要求機械手在維持桌面整潔的同時取出書籍。多模態模型能夠給出良好反饋，展現出一定的推理能力，儘管多模態模型仍處於早期階段，但已彰顯多模交互在理解上的強大感知能力。”

在視頻理解方面，這是一項頗具挑戰的任務。對於無字幕和配音的視頻，多模態理解模型能夠發揮作用。在終端場景中，語音交互也是重要的交互入口。

“過去的三段式語音模型，即先語音轉文字，再經大模型處理得到文字回覆，最後轉換成語音，存在諸多弊端”，李璟解釋稱，爲解決這些問題，業界推出了生成、理解一體化方案，輸入輸出均爲語音。

基於行業的變化，2025年將是令人興奮的Agent落地元年。在李璟看來，Agent的實現主要依賴兩大能力：一是多模態交互能力。過去一年，聲音和視覺等多模態交互取得了顯著進展。二是慢思考的推理能力。以強化學習爲代表的強推理模型的出現，推動了這一技術的良好發展。“基於這兩種能力，我們堅信今年將是Agent落地的關鍵一年。”

在Agent的實際應用方面，李璟表示，看好兩個領域：一是終端領域，在與一些手機廠商的合作中，看到了下一代終端的潛力。二是金融行業。除手機終端外，金融業也是Agent的天然落地場所。金融行業需要深度思考和準確信息，這是單一大模型範式難以解決的。