這一年，AI領(lǐng)域經(jīng)歷了翻天覆地的變化，從大模型的分化發(fā)展到視頻生成技術(shù)的突破，再到AI編程和智能助手的興起，每一項(xiàng)進(jìn)步都在推動(dòng)著我們向更智能的未來邁進(jìn)。在這篇文章中，我們將回顧2024年AI行業(yè)的五大核心問題，這些問題不僅定義了今年的技術(shù)趨勢(shì)，也為2025年的發(fā)展方向提供了線索。
2024這一年中，我們見證了AI行業(yè)諸多令人興奮，卻又有些坎坷的進(jìn)步。
從跳票一年終亮相的Sora，到o3掀開推理側(cè)大發(fā)展的序幕，以及DeepSeek V3帶來的驚喜與爭(zhēng)議，這一切的繁榮，似乎讓人覺得AGI似乎就在不遠(yuǎn)的前方。
然而，另一方面，大模型商業(yè)化、落地的困境，卻仍舊沒有得到解決，眾人期待中的SuperApp，也還是沒有出現(xiàn)。
與此同時(shí)，近乎耗盡的訓(xùn)練數(shù)據(jù)，以及Scaling Law 即將“撞墻”的傳聞，也不由讓人對(duì)AI的遠(yuǎn)大前景產(chǎn)生了一絲隱憂。
今天，在2024行將結(jié)束之際，就讓我們一一盤點(diǎn)今年AI行業(yè)的幾大主要進(jìn)展及趨勢(shì)，并通過5個(gè)核心問題，探尋2025年大模型走向何方？
一、要不要做預(yù)訓(xùn)練，Scaling Law是否還有效？
當(dāng)有人質(zhì)疑本次的AI革命，是否會(huì)重蹈前兩次革命失敗的覆轍時(shí)，Scaling Law總能讓人拾起信心。
因?yàn)樗尞?dāng)前的AI，找到了一種基于“數(shù)據(jù)-規(guī)模-能力”的正向循環(huán)系統(tǒng)。這也是AI實(shí)現(xiàn)持續(xù)進(jìn)化的根本所在。
然而，這個(gè)讓奇跡不斷涌現(xiàn)的“黃金定律”，今年似乎不再那么靈了。
今年11月，The Information的一份獨(dú)家爆料聲稱，GPT系列模型改進(jìn)緩慢，下一代旗艦?zāi)Ｐ蚈rion并不像前代實(shí)現(xiàn)巨大的飛躍。
這篇文章直擊OpenAI痛點(diǎn)，提出Scaling Law逐漸放緩，原因之一是高質(zhì)量文本數(shù)據(jù)越來越少。
此文一出，AI圈立刻炸了鍋，眾人對(duì)LLM能否通向AGI的質(zhì)疑聲此起彼伏。
然而，沒過多久，OpenAI研究員Adam稱，Scaling剛剛找到了另一套「齒輪」！o1系列模型scaling的兩個(gè)重要維度訓(xùn)練時(shí)間和測(cè)試（推理）時(shí)間。
一時(shí)間，Scaling的定義似乎悄然發(fā)生了改變，在這個(gè)新的維度，模型性能不再僅僅受限于預(yù)訓(xùn)練階段，現(xiàn)在可以通過增加推理計(jì)算資源來提升模型表現(xiàn)。
于是，以o1為代表的，一批試著以“深度推理”改變Scaling范式的大模型紛紛涌現(xiàn)了出來。
例如，DeepSeek （深度求索）推出了 R1-Lite ；Kimi（月之暗面）推出了主打數(shù)學(xué)能力的推理能力強(qiáng)化模型 k0-math；阿里先后推出 Marco-o1、QwQ 兩款推理模型；昆侖萬維推出了 Skywork o1 。
在具備深度推理能力后，大模型的自我反思、學(xué)習(xí)能力提升明顯。
在OpenAI和智譜給出的“通往AGI五階段”的定義中，二者均將多模態(tài)和大語言模型能力歸在L1階段，也就是最為基礎(chǔ)的能力配備。而o1的出現(xiàn)，則標(biāo)志著大模型能力突破到了L2階段。
國產(chǎn)選手里，確實(shí)有不少深度推理類大模型，在推理鏈上做了不少功夫，例如R1-Lite這類大模型，在處理復(fù)雜問題時(shí)，思路展示得特別詳細(xì)清晰。
差距最明顯的地方，說白了就是”深度”和”連貫性”。
拿數(shù)學(xué)題來說，DeepSeek-R1-Lite、K0-math這類模型，面對(duì)長(zhǎng)鏈路推理時(shí)，模型思維鏈有時(shí)會(huì)失敗，會(huì)承認(rèn)超出能力范圍，但也會(huì)陷入死循環(huán)狀態(tài)。相較之下，o1卻能一口氣推導(dǎo)出8-10個(gè)步驟，而且每步都嚴(yán)絲合縫。
12天春晚發(fā)布的o3，進(jìn)化幅度更是夸張。從 0% 到o1的 5%，整整花了五年的時(shí)間；從o1的 5% 到o3的 87.5%，只花了半年。
GPT 5遲遲不能出現(xiàn)的情況下，大模型在推理側(cè)瘋狂生長(zhǎng)。
二、Sora不如預(yù)期，現(xiàn)實(shí)還能存在多久？
如果要為2024年的大模型，找一個(gè)最耀眼的類別，那這樣的桂冠，或許非視頻生成類大模型莫屬。
在2024年2月初，OpenAI推出的文生視頻模型Sora，以驚艷的表現(xiàn)震撼了全球科技圈。憑借通過文字生成高清、流暢視頻的能力，AI讓人們看到了“一鍵生成萬千世界”的可能。
當(dāng)時(shí)業(yè)內(nèi)甚至有人認(rèn)為，其對(duì)現(xiàn)實(shí)物理規(guī)律的模擬能力，是打造“世界模型”，并讓人類最終通往AGI的途徑之一。
“Sora類”模型突破的背后，則是DiT（Diffusion Transformer）架構(gòu)的創(chuàng)新。
DiT架構(gòu)賦予Sora等視頻生成模型前所未有的時(shí)間空間建模能力，通過將擴(kuò)散模型的去噪機(jī)制與Transformer的動(dòng)態(tài)特性結(jié)合，提升了視頻生成的連貫性和靈活性，使其能夠高效生成長(zhǎng)時(shí)序、高分辨率且視覺一致的視頻內(nèi)容。
從字節(jié)跳動(dòng)的“即夢(mèng)”到快手的“可靈”，再到智譜的“清影”，以及后來MinMax的海螺AI，都代表了國產(chǎn)文生視頻技術(shù)在這一年迅速發(fā)展。
在眾人對(duì)Sora望眼欲穿的日子里，可靈憑借2分鐘、1080P、每秒30幀的高規(guī)格視頻生成能力，滿足了人們對(duì)文生視頻AI最大的渴望。
然而，興奮之余，務(wù)實(shí)的人們卻發(fā)現(xiàn)，大模型商業(yè)化的困境，卻沒有隨著文生視頻類AI的“奇跡”迎刃而解。
雖然在2024年，《山海奇鏡》等AI短劇的出現(xiàn)，似乎為這一賽道增添了幾分光彩。
然而，這種由少數(shù)專業(yè)團(tuán)隊(duì)支撐起來的“奇觀”，影響仍局限在業(yè)內(nèi)的小范圍。
高昂的生成成本、不穩(wěn)定的輸出質(zhì)量，以及有限的應(yīng)用場(chǎng)景，共同構(gòu)成了阻礙文生視頻AI大規(guī)模商業(yè)化的重重屏障。
據(jù)業(yè)內(nèi)調(diào)研顯示，目前5秒左右的高質(zhì)量AI視頻生成成本約為1-3元，但由于AI生成的不穩(wěn)定性，創(chuàng)作者往需要反復(fù)生成，才能得到滿意的結(jié)果。例如《白骨精前傳》的AI短劇作者Danny，就花了五六千塊。
這一成本，仍然令普通的C端用戶望而卻步。
同時(shí)，一種AI版的“恐怖谷”效應(yīng)，也成了除了直接的技術(shù)外，阻礙AI視頻被大眾接受的“工藝”問題。
好在2024年，尚顯稚嫩的視頻AI，仍在蹣跚學(xué)步，但12月份Sora的正式發(fā)布，以及可靈1.6和Google Veo 2給這一片惆悵的灰色中，增加了一抹新的色彩。
在12月的“12 Days of OpenAI”活動(dòng)期間，OpenAI終于宣布推出“鴿”了10個(gè)月之久的Sora模型，相比于早期版本，Sora Turbo的生成效率大幅提升。
Sora在模型端的表現(xiàn)并不令人驚喜，甚至比國產(chǎn)的沒有表現(xiàn)更好。但其對(duì)視頻的可編輯性，對(duì)Sora類工具走向?qū)嶋H應(yīng)用的產(chǎn)品化，邁出了重要一步。這樣的收尾，總算是給不太圓滿的視頻AI，在年末畫上了一個(gè)振奮人心的句號(hào)。
三、AI coding興起，程序員會(huì)失業(yè)嗎？
回望2024年AI編程領(lǐng)域的變化，一個(gè)最矚目的問題是：AI真的會(huì)取代程序員嗎？
2024年，隨著 AI編程領(lǐng)域開始從Copilot向Agent轉(zhuǎn)型，對(duì)專業(yè)開發(fā)者而言，AI將逐步承擔(dān)代碼測(cè)試、審查和遷移等重復(fù)性工作，提高開發(fā)效率。
而在眾多涌現(xiàn)的AI編程工具中，Cursor則像一匹黑馬，憑借AI驅(qū)動(dòng)的智能代碼助手和用戶友好的工具界面迅速躥紅，甚至引發(fā)了行業(yè)內(nèi)對(duì)AI代理未來可能性的討論。
這個(gè)4名本科生打造的編程“神器”Cursor，年化收入已經(jīng)達(dá)到了6500萬美元。
要說Cursor為什么這么火，其實(shí)答案很簡(jiǎn)單：它抓住了開發(fā)者真正需要的東西，同時(shí)又做得特別聰明、特別到位。
和傳統(tǒng)的代碼編輯器比起來，它直接就把AI變成了開發(fā)過程的核心助手。你不用再花時(shí)間到處找插件、改配置，從代碼補(bǔ)全到自動(dòng)生成邏輯，全都內(nèi)置搞定。
同樣地，OpenAI的Canvas也是今年的重頭戲之一。Canvas基于GPT-4o，為用戶提供了一個(gè)專門的協(xié)作平臺(tái)。其最大的亮點(diǎn)是透明化了代碼修改的過程，程序員不僅能看到改動(dòng)的細(xì)節(jié)，還能通過自然語言指令快速優(yōu)化代碼結(jié)構(gòu)。
而谷歌的Jules則瞄準(zhǔn)了更深層次的編程應(yīng)用。這款工具不僅結(jié)合了Google的Gemini 2.0模型和深度代碼分析能力，自動(dòng)生成解決方案，甚至可以與GitHub等平臺(tái)無縫集成，完成從需求分析到代碼實(shí)現(xiàn)的全流程。
要說今年的AI編程，為何取得了如此大的進(jìn)展，那恐怕要?dú)w功于ReAct(Reasoning and Acting)框架的突破。
這是讓AI編程助手實(shí)現(xiàn)從”輔助”到”自主”轉(zhuǎn)變的關(guān)鍵技術(shù)。它通過將推理(Reasoning)和行動(dòng)(Acting)緊密結(jié)合，建立了一套”思考-行動(dòng)-反饋”的循環(huán)機(jī)制，讓AI首次具備了真正的問題解決能力，而不是簡(jiǎn)單的模式匹配和代碼生成。
在這樣的突破下，有人調(diào)侃，有了AI，將來寫代碼就像聊天一樣簡(jiǎn)單，用自然語言說出需求，AI就能給你一套解決方案。AI似乎正在把軟件開發(fā)這個(gè)高大上的領(lǐng)域，變得像做PPT一樣簡(jiǎn)單。
這樣的進(jìn)步，讓人產(chǎn)生了一種“將來程序員都要失業(yè)了”的錯(cuò)覺，確實(shí)，AI現(xiàn)在幫我們搞定了很多從前費(fèi)時(shí)費(fèi)力的活兒，但在專業(yè)的業(yè)內(nèi)大佬看來，AI Coding 雖然功能強(qiáng)大，但偶爾生成的邏輯會(huì)讓人覺得“AI還在學(xué)走路”。
就連谷歌CEO劈柴也承認(rèn)：”所有AI代碼都必須經(jīng)過工程師的“人工”審核和驗(yàn)收”。盡管如此，今年的AI Coding，確實(shí)打開了想象的空間，讓軟件開放從“純?nèi)四X的作品”開始逐漸變成“人與機(jī)器協(xié)作的產(chǎn)物”。
四、真Siri來臨，能開啟智能硬件第二春？
2024年的語音AI發(fā)展，用一種革命性的方式，重新定義了人機(jī)交互范式。
回想《Her》里那個(gè)溫暖有感情的虛擬助手Samantha，不少人曾以為這是遙不可及的幻想。
但今年，OpenAI的GPT-4o、科大訊飛的星火模型、字節(jié)跳動(dòng)的豆包，還有智譜清言等，都在用各自的技術(shù)證明，這種科幻的想象，現(xiàn)在真的照進(jìn)了現(xiàn)實(shí)。
與傳統(tǒng)的TTS（文本到語音轉(zhuǎn)換）技術(shù)相比，像GPT-4o這樣的新一代端到端語音大模型的最大亮點(diǎn)，就在于它能“懂場(chǎng)合”、“通人性”。
簡(jiǎn)單來說，傳統(tǒng)的TTS技術(shù)多半是以靜態(tài)規(guī)則為主，比如為特定句子設(shè)計(jì)語調(diào)模板，但GPT-4o這樣端到端語音模型，不僅能通話中實(shí)時(shí)做到感知上下文，且能靈活選擇聲音的節(jié)奏、語氣，甚至能被打斷和停頓。
有了這種更“人性”的特點(diǎn)后，各個(gè)AI企業(yè)各顯高招，從總體上看，實(shí)時(shí)語音AI的賽道，在2024年，大致呈現(xiàn)出了“多語言”、“個(gè)性化”的特點(diǎn)。
例如科大訊飛的星火大模型4.0 Turbo，不僅支持74種語言和方言，還引入了“超擬人”特性，通過個(gè)性化定制功能，讓用戶可以和AI助手形成更貼近現(xiàn)實(shí)的交流方式。
雖然在2024年，語音AI已經(jīng)讓人覺得“科幻照進(jìn)現(xiàn)實(shí)”，但這個(gè)“現(xiàn)實(shí)”還有點(diǎn)“昂貴”。
從行業(yè)角度看，這波實(shí)時(shí)語音AI的競(jìng)爭(zhēng)，比拼的其實(shí)是”算力經(jīng)濟(jì)學(xué)”。
為了應(yīng)對(duì)實(shí)時(shí)語音的高昂成本，聰明的公司開始搞”算力分層”。簡(jiǎn)單對(duì)話用輕量級(jí)模型，復(fù)雜問題才上重型火力。
這也是為什么，在視頻通話這種場(chǎng)景下，如果涉及到多模態(tài)交互，尤其是需要結(jié)合視覺線索或復(fù)雜上下文理解的時(shí)候（例如長(zhǎng)文章或代碼），語音AI的表現(xiàn)也常常不如文本模式下的大語言模型回復(fù)的深度和質(zhì)量會(huì)明顯遜色。
總體來說，當(dāng)前的語音AI，雖然給了行業(yè)驚鴻一瞥的驚喜，但要真正成為一個(gè)得力的智能助手，它需要的不只是更流利的語音，而是多項(xiàng)功能的整合。
五、AI Agent，噱頭還是即將落地？
2024年的AI Agent，不再僅僅是大模型的附屬品，而是開始以獨(dú)立角色，重新定義智能交互的邊界。
像智譜的AutoGLM、Anthropic的Claude Computer Use，榮耀的手機(jī)AI助手，以及谷歌剛剛在年末發(fā)布的瀏覽器Agent助手Project Mariner等，正在逐漸將科幻里的“萬能助手”變成現(xiàn)實(shí)。
從總體上看，今年的AI Agent，大致呈現(xiàn)出了兩個(gè)方面的特征：
一是跨APP的Agent能力更強(qiáng)
以前一直有句話叫App墻，不同APP直接難以逾越。
現(xiàn)在這種“執(zhí)行層”的變革，讓AI擺脫了傳統(tǒng)APP間的界限，使未來一種統(tǒng)領(lǐng)“千百APP”的超級(jí)應(yīng)用成為了可能；
以谷歌的Project Mariner為例，這款瀏覽器Agent可以理解和操作網(wǎng)頁上的所有元素，包括文本、代碼、圖片和表單。它不只是單純?yōu)g覽，而是能夠完成從信息搜索到購買、表單填寫等一系列操作。
而Anthropic的Claude Computer Use，則專注于電腦端操作，能用鼠標(biāo)和鍵盤模擬用戶行為，完成文件編輯和多程序協(xié)作。二者都展示了Agent在處理復(fù)雜的多模態(tài)任務(wù)時(shí)，進(jìn)行多種工具調(diào)用的適配能力。
二就是CUI時(shí)代漸漸來臨
一句話點(diǎn)200杯咖啡，一句話發(fā)2萬的紅包。
像智譜的AutoGLM，以及榮耀的手機(jī)AI助手，可以通過簡(jiǎn)單的語音指令完成手機(jī)端和跨APP的復(fù)雜任務(wù)，比如訂咖啡、對(duì)比航班價(jià)格甚至建群發(fā)紅包。
如今，正從GUI（圖形用戶界面）向CUI（對(duì)話式用戶界面）時(shí)代轉(zhuǎn)變。
蘋果在對(duì)GUI的巨大貢獻(xiàn)，引發(fā)了一場(chǎng)交互革命，如今AI公司正在引發(fā)新的交互顛覆性創(chuàng)新。
此外，2024年的AI Agent技術(shù)，帶來的另一個(gè)驚喜，是AI在游戲行業(yè)的突破。
尤其是網(wǎng)易伏羲在《永劫無間》手游和騰訊的《暗區(qū)突圍》的AI隊(duì)友，在結(jié)合了多模態(tài)技術(shù)后，已經(jīng)不僅僅是傳統(tǒng)意義上的“NPC”，而是一個(gè)能聽懂語音指令、實(shí)時(shí)調(diào)整策略、甚至和玩家情感互動(dòng)的“智能隊(duì)友”。
這些突破性的應(yīng)用，讓AI不再只是游戲中的“工具”，而是玩家的真正伙伴。
從趨勢(shì)來看，AI Agent正在向多模態(tài)能力和更深層次的智能化發(fā)展。
結(jié)合視覺、語音、文本等多模態(tài)信息，它們能夠更全面地理解用戶需求，并從一個(gè)“對(duì)話工具”成長(zhǎng)為“得力助手”，逐漸正帶領(lǐng)我們進(jìn)入一個(gè)更加無縫和高效的智能時(shí)代。六、結(jié)語
在這個(gè)充滿變數(shù)與驚喜的2024年，AI就像一個(gè)正在成長(zhǎng)的孩子有時(shí)笨拙，有時(shí)驚艷，但始終充滿無限可能。
盡管道路上有數(shù)據(jù)枯竭的憂慮，有商業(yè)化的陣痛，有技術(shù)的不完美。大模型支撐著AI原生應(yīng)用高速發(fā)展，2025年被譽(yù)為AI發(fā)展元年，未來會(huì)越來越精彩。
作者｜林書 編輯丨楊曉鶴
本文由人人都是產(chǎn)品經(jīng)理作者【AI鯨選社】，微信公眾號(hào)：【AI鯨選社】，原創(chuàng)/授權(quán) 發(fā)布于人人都是產(chǎn)品經(jīng)理，未經(jīng)許可，禁止轉(zhuǎn)載。
題圖來自Unsplash，基于 CC0 協(xié)議。
