10月16日，第五届 AI Cloud 100 China 榜单发布暨 CEO 大会在上海静安圆满举行。900余位来自AI产业、科研与投资领域的嘉宾齐聚一堂，围绕前沿技术、产业应用及全球市场展开深入交流。
主论坛聚焦“下一次AI突破”议题，探讨持续学习、世界模型、行业模型与自动化研究等方向。靖亚资本创始合伙人何沛与四位一线探索者——无涯智远创始人张牧涵、心洲科技Mindverse创始人陈锴杰、Abaka AI联合创始人赵云飞，以及普林斯顿大学AI Lab研究员张伊凡，共同探讨了AI发展的下一站。
01 / 从“记住资料”到真正学会：持续学习的突破
针对当前长上下文和记忆系统的局限性，张牧涵指出，仅靠上下文推理无法解决模型的持续学习问题。上下文窗口虽在扩大，但受限于计算存储成本及数据需求，其本质类似人类的短期工作记忆，无法实现经验的长期固化。
人类具备将短期记忆转化为长期记忆的能力，而AI模型的下一步突破在于参数层的持续进化。无涯智远致力于让模型在实际工作中通过修改自身参数来持续学习，而非出厂即定格。尽管传统反向传播训练成本高且难以迁移，但团队正寻求低成本、快速内化新知识的技术路径，以实现知识向新基模参数的有效增量转化。
02 / 数据公司的护城河：预判模型需求
Abaka AI联合创始人赵云飞将数据公司比作AI生态中的“切墩者”，负责为训练模型的“厨师”准备高质量数据。随着AI向图片、视频、世界模型及机器人任务延伸，数据采集与标注的需求并未下降，反而更加多元化。例如，机器人执行叠衣服等物理任务，需要积累对物理世界的跨任务理解，成功与失败的经验数据均极具价值。
数据公司的核心护城河在于“Know-how”，即提前预判未来三至六个月大模型公司的数据需求。通过组建昂贵的AI研究团队并与顶尖院校合作，数据公司能够迅速响应客户对时间的敏感需求，实现从被动接收订单到主动预备数据的转变。赵云飞看好世界模型的发展，认为其对于实现Physical AI（物理人工智能）至关重要。
03 / 应用转向自训模型：成本与体验的双重驱动
心洲科技创始人陈锴杰分享了从个人Agent转向企业服务并自建模型的历程。初期发现通用模型在特定场景（如精准订票、优惠查找）中表现不足，仅靠工程优化无法满足独特体验需求，因此自2023年底开始自行训练模型以强化应用能力。
随着内部后训练能力的成熟，心洲科技将其商业化开放给垂直领域企业。陈锴杰指出，应用公司纷纷转向自训模型主要源于两点：一是调用前沿闭源模型API成本高昂且毛利低，如法律AI公司Harvey在采用开源模型结合后训练后才实现毛利转正；二是自建模型可将数据沉淀为自有资产，提升性能并降低成本，从而构建竞争壁垒。
04 / 自动化研究：效率提升与新范式
普林斯顿大学研究员张伊凡探讨了Auto Research（自动化AI研究）的前景。虽然代码编写和实验运行已部分被Coding Agent覆盖，但AI研究涉及GPU任务启动、环境适配及随机性控制，确保实验的可复现性与可验证性是主要挑战。
自动化研究有助于降低大型科研团队的沟通与管理成本，提升精简团队的效率。在具体任务上，如编写GPU内核，AI已能达到甚至超越人类水平；但在定义好算法、好任务等开放性主观问题上，AI仍显不足。未来，通过Scaling Research（研究扩展），即利用研究进步降低预训练成本、提高训练效率，有望成为继算力和数据之后的第三个突破方向。
05 / 真正的个人Agent：伴随成长的个性化智能
展望未来，陈锴杰与张牧涵均认为“持续学习”将是打破现有格局的关键变量。当前的API调用缺乏粘性，若模型能在使用中沉淀用户经验，将形成极高的切换成本。这种“伴随成长”的模型如同为企业或个人专属训练的助手，其价值远超通用智力。
张牧涵强调，主动性与个性化深度绑定。Agent需深入了解用户过往情境与偏好，才能从被动响应转向主动服务。这种基于持续学习建立的深度理解，将使AI真正融入用户的日常工作与生活，引发商业竞争格局的根本性变化。