2025年，科技行业持续加速变革。随着年终临近，知乎科技邀请AI领域的亲历者分享他们的「AI中场时刻」——记录高光、迷茫与转折，为同行提供参考。
知友谢天宝在博士期间参与多个前沿项目，本文梳理了他科研路上的关键节点、从OSWorld到Qwen的实践经历，以及对2026年AI研究方向的思考。
注：本文内容顺序略有调整，原文可通过“阅读原文”链接查看。
@Timothyxxx
HKU PhD, Qwen, incoming OpenAI
我眼中2026研究者的下一步
回顾近年AI发展，若以关键词概括每年核心进展：
- 2022年：CoT、ReACT等离散Prompt技术兴起；
- 2023年：ChatGPT、Alpaca推动Instruction Following普及；
- 2024年：OpenAI o1与DeepSeek R1引领Test Time Scaling突破。
整体路线图延续OpenAI提出的五级智能体框架。截至2025年底，行业处于Level 3智能体阶段，预计2026年将解决鲁棒性与实用性问题，迈向“创新者阶段”。已有初步迹象显示AI具备自我演化能力，如Absolute Zero、Agent0等零样本系列工作正在探索中。当前重点在于强化RL基础设施建设，并通过数据迭代推动模型进化。
网传的OpenAI路线图
如果用一个词总结2025年，我认为是工程巩固。这一年，AI研究者和工业界进入中场休整期，聚焦基础设施完善与基础范式的夯实。社区正在进行广泛的知识再教育与交叉融合。
对我个人而言，也是沉淀之年。年初曾感到AI研究陷入瓶颈，但年末已重燃信心。以下是我在2026年看好的几个关键方向。
更扎实的基础、更工业化的工程，重视“考古”
近年来，论文中巧妙构思减少，取而代之的是更加成熟、工业级的框架（如Verl、Sglang）。开源社区正逐步复现Google、OpenAI等公司的内部实现，这些过去因基础薄弱被忽视的技术如今成为重点。
深度学习、机器学习及计算机科学的基本原理，在大规模系统中重新焕发生命力。回看ICML、NeurIPS等会议中的经典工作，许多思想仍具启发价值。深入“考古”，有助于构建更稳健的研究体系。
推进AI Researcher：赋予模型自我改进能力
目标是让AI具备主动优化自身的能力。当前工业界提升模型性能的流程已趋于模式化：执行指令→分析指标→调整数据与参数→重新训练→收敛验证。
若能建立有效机制，使模型自主识别所需数据、获取计算资源，甚至拥有操作GPU集群权限，合成代码并运行下一版本，同时通过上下文传递记忆并扩大训练规模，则有望将算法工程师从重复劳动中解放，转向更具创造性的问题。
测试时训练（Test Time Training，TTT）
Nested Transformer近期引发关注，TTT概念也逐渐扩展至持续学习、在线学习与知识编辑等领域。传统互联网语料已接近耗尽，人工标注的SFT与RL数据呈线性增长，而C端应用爆发导致推理算力占比大幅提升。
未来若能找到合适的人类监督窗口，使模型在推理过程中稳定地学习并更新自身，30亿用户的行为数据将成为动态训练源，逐步消除长尾与OOD问题。这种训练与推理融合的新范式，或将催生新一代Transformer、Megatron、SGLang、vLLM架构。TTT仅是起点，潜力巨大。
我的2025：在Qwen的一年
2024年9月，我从新加坡飞抵北京，初冬的灰蒙天空让我想起哈尔滨。与惠哥在亚运村吃完烤串后，未曾想到一个月内会重返阿里朝阳科技园，加入Qwen团队开启博士生涯下半场，一待就是一年多。
这一年专注工程实践，节奏紧凑，若不刻意回顾，几乎难以察觉积累的成果。借此机会做一次总结，也希望多年后仍能记得这段时光。
LLM Physics：语言模型的能量理论
2024年末或2025年初，公司人少，我和晓川搭伙处理数据与基建任务，期间结识包容哥。他热情投入研究，聊起Math领域时提及Allen Zhu提出的LLM Physics理论。
推荐阅读：https://physics.allen-zhu.com/
其核心观点是：解决简单问题（如1+1）只需消耗少量能量（对应单个token），复杂任务（如微积分）则需更多演算与能量，因此需要更长的CoT。强化学习是一种更优范式，可让模型学会控制能量释放过程。
这一视角令我豁然开朗。长期从事NLP的研究者习惯于压缩输入表示以降低模型负担，却难以解释为何输出越长性能越好。LLM Physics提示我们，应让模型学会判断表达所需的“能量成本”，这是泛化能力的关键所在。该理论目前已更新至Part 4，值得持续关注。
多模态Agent泛化难题：数据质量与思维链结构至关重要
自2024年暑期起，我们启动AgentNet项目，构建标注工具收集人类操作电脑轨迹，用于训练多模态Agent。至年底已积累数千条数据，开始清洗与训练。
原始数据为“动作-观测-动作-观测”序列，观测包含截图且存在错位。初期使用Claude、GPT-4o逆向补全思维链，在阿里访客中心反复检查pipeline效果，虽加入多种技巧提升图文prompt质量，但SFT训练Qwen2VL后在OSWorld上无性能提升，跨App迁移能力几乎为零。
经过多轮迭代，最终发现问题关键在于两点：
- 思维链质量必须高：不仅描述下一步动作，还需包含现状总结、任务进展、反思与规划，且需混合不同长度进行训练；
- In-domain数据极为重要：围绕Ubuntu及相关App构造高质量数据（避免过拟合），显著提升表现。
反思发现，此前缺乏系统方法论，解决问题时知识储备不足，实验设计混乱，导致关键因素排查滞后。若早些研读test time scaling与分布一致性相关文献，或可在RL infra建成前达成目标。Agent数据建设仍任重道远，需持续提升质量与数量。
在阿里巴巴园区的半夜线上面试，与OpenAI的一次邂逅
年初收到OpenAI联系，一度犹豫是否参与面试，因仍有未完成的学术设想且手头项目繁重。拖延至5月才完成后续多轮面试。
每场面试均在北京时间凌晨一点多进行，靠红牛与椰汁提神，进入会议室前手心出汗。感谢身边人的支持，幸运遇到赏识我的manager，也感激推荐人涛哥与顺雨哥。这次经历让我得以窥见彼岸一角，结识志同道合者，共同推动CUA发展。
令人心动的Offer
回望选择，不乏物质回报更高的机会，也曾动摇人生方向。身处浪潮之巅，每月想法都在变化。所幸始终保有好奇心，支撑我前行。
OSWorld维修大工程：在博弈中理解生态链
五六月间两件事引发关注：一是o3版本operator刷新OSWorld SOTA，但注明实际准确率估测达50%，因标注错误仅测出40+；二是某HUD公司邮件联系我寻求“合作”，主营竟是基于OSWorld的测评服务，并已完成融资。
据估计，硅谷至少有五家公司直接或间接依托OSWorld创业，涵盖题目售卖、容器服务乃至评测平台，累计融资数亿美元。
HUD主要通过云并行压缩评测时间，但OSWorld本身支持并曾提供协助
尽管未从中获益，但我感叹硅谷生态之健全——任何环节皆可独立成公司，算法团队无需操心周边，均可调用API解决。
该公司指出OSWorld近半任务存在标注问题，计划推出OSWorld Verified。经与导师涛哥讨论，我们决定自主修复，防止项目失去学术属性及公众信任。
随后投入大量精力收集、整理、逐一修正问题，感谢MoonShot AI、OpenAI、Human Data、ByteDance Seed TARS、Anthropic、Simular、HKU Data Intelligence Lab、Qwen等团队支持。
最终发布OSWorld-Verified，修复初始化、评测逻辑、漏判、反爬虫等百余项问题，优化文档说明，支持云平台并行评估，单次评测压缩至1小时内。两周后，对方也发布其版本，双版本共存供社区选用。
此次经历深刻体会到：agent类任务标注成本极高，即便每个任务平均验证两三遍耗时数小时，仍难避免遗漏。随着模型能力提升，新问题将持续涌现，可持续维护机制亟待建立。
工业级RL框架难点不在训练本身
智能体强化学习是2025年工业界重点，可分为三部分：任务数据集、训练infra、环境infra。
实践中常先评估rollout pass@N（N=4,8,16）作为性能上界预估，结合entropy指标判断是否需实施RL，或应回到CPT/SFT阶段补充知识。尤其在agent等数据不足场景，此前置评估尤为重要，已被Zhewei（confidence-based reward）与Yilun Du（采样阶段激发CoT）的工作证实。
业界共识还包括：CPT后SFT不宜过厚，仅用于冷启动格式学习，应限制token容量，避免信息过载。这倒逼厂商在eval基础上构建题目，只要预训练足够强，适度拟合仍可保持泛化。
对于CUA，任务与环境scaling相对明确，基于OSWorld延伸即可（后期亦意识到工程优化空间仍大）。真正挑战在于训练infra搭建，仅RL训推上涨就耗费大量时间。
本人年初跟随Verl热潮跑通GSM8K，但未深入。晓川早期尝试编写未果即赴CMU深造，后续由白姐主导推进。期间经历训推不一致（被戏称“阴阳调和”）、token in/out细节把控等问题。若非熟悉QwenVL结构及具备RL与并行系统基础，极难定位问题。掌握端到端流程需经历“不懂→理清→融会贯通”的过程，这也是2025年社区教育的核心目标。
多任务合版本：顺分布的重要性
杭州出差期间偶遇白姐、惠哥与Junyang老师，讨论如何整合多个强化学习方向能力。
结论是分别训练专项模型，再利用rollout数据类似RFT方式混合训练初始模型。我原以为应做online或多任务offline RL，但实际组网困难。
后阅读Thinking Machines的On-Policy Distillation博客，类比国际象棋教学：新手背大师棋谱无效，因其不在同一策略空间；正确做法是老师根据新手走法逐步行批注（token log prob），引导渐进学习。
这与RFT、RL及合版本理念相通。我的认知由此深化：蒸馏不仅是复制，更要考虑“学生”接受度，信号需逐步注入。CPT、SFT、RL各阶段不再割裂，而是统一连贯的学习路径。
GUI方向的质疑与UDA的未来
年底，部分年初热衷CUA的公司转向CLI侧coding agent，质疑声增多：“是否必须做GUI？”
我的观点是：未来属于Universal Digital Agent（UDA）——能混合使用coding、GUI、search等工具的模型，具备判断工具组合、顺序与优先级的能力（如苏哥的ToolOchestra探索方向）。
GUI本质是虚拟世界中的人形机器人接口，服务于人类交互需求。只要电子设备存在，GUI就不会消失，它是AI触及现实世界的必要环节，也是多数场景的“最后一公里”解决方案。长期来看，无法期待API覆盖一切，正如不能指望地铁通到每家门口来取代步行与共享单车。
然而，CUA仍需杀手级应用验证价值。目前ChatGPT Agent与UITARS2最接近理想状态，但仍不足。研究上可逐个击破，但UDA应成为行业共识。
正当热议killer app之际，豆包手机横空出世。我购入测试，却发现微信、支付宝、淘宝、银行App陆续受限，连快手抖音也无法进入，迅速丧失兴趣。
普通用户耐心更有限。这反映出：消费类App入口争夺激烈，技术领先未必能突破合规壁垒。相比之下，Computer Use作为生产力工具，在B端更具实用性，封禁动机较弱。
对学术界而言，AGI Agent的长期等价物仍是通用Agent。尽管当前可用App有限，但在少数场景已体验到极大便利。若全面打通，用户体验将飞跃。谁掌控流量入口，尚无定论。
结语
曾经，神明高不可攀；如今，一切有迹可循。2024至2025年曾经历存在主义危机，但年末已重拾信念：有太多值得探索的方向，有太多好奇心待满足。我对2026年的新篇章充满期待。