2024 大模型年度五问：等不来GPT 5怎么过？

大模型悄然分化发展

2024年的日历渐渐翻至最后一页，这一年中，我们见证了AI行业诸多令人兴奋，却又有些坎坷的进步。

从跳票一年终亮相的Sora，到o3掀开推理侧大发展的序幕，以及DeepSeek V3带来的惊喜与争议，这一切的繁荣，似乎让人觉得AGI似乎就在不远的前方。

然而，另一方面，大模型商业化、落地的困境，却仍旧没有得到解决，众人期待中的SuperApp，也还是没有出现。

与此同时，近乎耗尽的训练数据，以及Scaling Law 即将“撞墙”的传闻，也不由让人对AI的远大前景产生了一丝隐忧。

今天，在2024行将结束之际，就让我们一一盘点今年AI行业的几大主要进展及趋势，并通过5个核心问题，探寻2025年大模型走向何方？

一、要不要做预训练，Scaling Law是否还有效？

当有人质疑本次的AI革命，是否会重蹈前两次革命失败的覆辙时，Scaling Law总能让人拾起信心。

因为它让当前的AI，找到了一种基于“数据-规模-能力”的正向循环系统。这也是AI实现持续进化的根本所在。

然而，这个让奇迹不断涌现的“黄金定律”，今年似乎不再那么灵了。

今年11月，The Information的一份独家爆料声称，GPT系列模型改进缓慢，下一代旗舰模型Orion并不像前代实现巨大的飞跃。

这篇文章直击OpenAI痛点，提出Scaling Law逐渐放缓，原因之一是高质量文本数据越来越少。

此文一出，AI圈立刻炸了锅，众人对LLM能否通向AGI的质疑声此起彼伏。

然而，没过多久，OpenAI研究员Adam称，Scaling刚刚找到了另一套「齿轮」！o1系列模型scaling的两个重要维度——训练时间和测试（推理）时间。

一时间，Scaling的定义似乎悄然发生了改变，在这个新的维度，模型性能不再仅仅受限于预训练阶段，现在可以通过增加推理计算资源来提升模型表现。

于是，以o1为代表的，一批试着以“深度推理”改变Scaling范式的大模型纷纷涌现了出来。

例如，DeepSeek （深度求索）推出了 R1-Lite ；Kimi（月之暗面）推出了主打数学能力的推理能力强化模型 k0-math；阿里先后推出 Marco-o1、QwQ 两款推理模型；昆仑万维推出了 Skywork o1 。

在具备深度推理能力后，大模型的自我反思、学习能力提升明显。

在OpenAI和智谱给出的“通往AGI五阶段”的定义中，二者均将多模态和大语言模型能力归在L1阶段，也就是最为基础的能力配备。而o1的出现，则标志着大模型能力突破到了L2阶段。

国产选手里，确实有不少深度推理类大模型，在推理链上做了不少功夫，例如R1-Lite这类大模型，在处理复杂问题时，思路展示得特别详细清晰。

差距最明显的地方，说白了就是"深度"和"连贯性"。

拿数学题来说，DeepSeek-R1-Lite、K0-math这类模型，面对长链路推理时，模型思维链有时会失败，会承认超出能力范围，但也会陷入死循环状态。相较之下，o1却能一口气推导出8-10个步骤，而且每步都严丝合缝。

12天春晚发布的o3，进化幅度更是夸张。从 0% 到o1的 5%，整整花了五年的时间；从o1的 5% 到o3的 87.5%，只花了半年。

GPT 5迟迟不能出现的情况下，大模型在推理侧疯狂生长。

二、Sora不如预期，现实还能存在多久？

如果要为2024年的大模型，找一个最耀眼的类别，那这样的桂冠，或许非视频生成类大模型莫属。

在2024年2月初，OpenAI推出的文生视频模型Sora，以惊艳的表现震撼了全球科技圈。凭借通过文字生成高清、流畅视频的能力，AI让人们看到了“一键生成万千世界”的可能。

当时业内甚至有人认为，其对现实物理规律的模拟能力，是打造“世界模型”，并让人类最终通往AGI的途径之一。

“Sora类”模型突破的背后，则是DiT（Diffusion Transformer）架构的创新。

DiT架构赋予Sora等视频生成模型前所未有的时间—空间建模能力，通过将扩散模型的去噪机制与Transformer的动态特性结合，提升了视频生成的连贯性和灵活性，使其能够高效生成长时序、高分辨率且视觉一致的视频内容。

从字节跳动的“即梦”到快手的“可灵”，再到智谱的“清影”，以及后来MinMax的海螺AI，都代表了国产文生视频技术在这一年迅速发展。

在众人对Sora望眼欲穿的日子里，可灵凭借2分钟、1080P、每秒30帧的高规格视频生成能力，满足了人们对文生视频AI最大的渴望。

然而，兴奋之余，务实的人们却发现，大模型商业化的困境，却没有随着文生视频类AI的“奇迹”迎刃而解。

虽然在2024年，《山海奇镜》等AI短剧的出现，似乎为这一赛道增添了几分光彩。

然而，这种由少数专业团队支撑起来的“奇观”，影响仍局限在业内的小范围。

高昂的生成成本、不稳定的输出质量，以及有限的应用场景，共同构成了阻碍文生视频AI大规模商业化的重重屏障。

据业内调研显示，目前5秒左右的高质量AI视频生成成本约为1-3元，但由于AI生成的不稳定性，创作者往需要反复生成，才能得到满意的结果。例如《白骨精前传》的AI短剧作者Danny，就花了五六千块。

这一成本，仍然令普通的C端用户望而却步。

同时，一种AI版的“恐怖谷”效应，也成了除了直接的技术外，阻碍AI视频被大众接受的“工艺”问题。

好在2024年，尚显稚嫩的视频AI，仍在蹒跚学步，但12月份Sora的正式发布，以及可灵1.6和Google Veo 2给这一片惆怅的灰色中，增加了一抹新的色彩。

在12月的“12 Days of OpenAI”活动期间，OpenAI终于宣布推出“鸽”了10个月之久的Sora模型，相比于早期版本，Sora Turbo的生成效率大幅提升。

Sora在模型端的表现并不令人惊喜，甚至比国产的没有表现更好。但其对视频的可编辑性，对Sora类工具走向实际应用的产品化，迈出了重要一步。

这样的收尾，总算是给不太圆满的视频AI，在年末画上了一个振奋人心的句号。

三、AI coding兴起，程序员会失业吗？

回望2024年AI编程领域的变化，一个最瞩目的问题是：AI真的会取代程序员吗？

2024年，随着 AI编程领域开始从Copilot向Agent转型，对专业开发者而言，AI将逐步承担代码测试、审查和迁移等重复性工作，提高开发效率。

而在众多涌现的AI编程工具中，Cursor则像一匹黑马，凭借AI驱动的智能代码助手和用户友好的工具界面迅速蹿红，甚至引发了行业内对AI代理未来可能性的讨论。

这个4名本科生打造的编程“神器”Cursor，年化收入已经达到了6500万美元。

要说Cursor为什么这么火，其实答案很简单：它抓住了开发者真正需要的东西，同时又做得特别聪明、特别到位。

和传统的代码编辑器比起来，它直接就把AI变成了开发过程的核心助手。你不用再花时间到处找插件、改配置，从代码补全到自动生成逻辑，全都内置搞定。

同样地，OpenAI的Canvas也是今年的重头戏之一。Canvas基于GPT-4o，为用户提供了一个专门的协作平台。其最大的亮点是透明化了代码修改的过程，程序员不仅能看到改动的细节，还能通过自然语言指令快速优化代码结构。

而谷歌的Jules则瞄准了更深层次的编程应用。这款工具不仅结合了Google的Gemini 2.0模型和深度代码分析能力，自动生成解决方案，甚至可以与GitHub等平台无缝集成，完成从需求分析到代码实现的全流程。

要说今年的AI编程，为何取得了如此大的进展，那恐怕要归功于ReAct(Reasoning and Acting)框架的突破。

这是让AI编程助手实现从"辅助"到"自主"转变的关键技术。它通过将推理(Reasoning)和行动(Acting)紧密结合，建立了一套"思考-行动-反馈"的循环机制，让AI首次具备了真正的问题解决能力，而不是简单的模式匹配和代码生成。

在这样的突破下，有人调侃，有了AI，将来写代码就像聊天一样简单，用自然语言说出需求，AI就能给你一套解决方案。AI似乎正在把软件开发这个高大上的领域，变得像做PPT一样简单。

这样的进步，让人产生了一种“将来程序员都要失业了”的错觉，确实，AI现在帮我们搞定了很多从前费时费力的活儿，但在专业的业内大佬看来，AI Coding 虽然功能强大，但偶尔生成的逻辑会让人觉得“AI还在学走路”。

就连谷歌CEO劈柴也承认：”所有AI代码都必须经过工程师的“人工”审核和验收”。

尽管如此，今年的AI Coding，确实打开了想象的空间，让软件开放从“纯人脑的作品”开始逐渐变成“人与机器协作的产物”。

四、真Siri来临，能开启智能硬件第二春？

2024年的语音AI发展，用一种革命性的方式，重新定义了人机交互范式。

回想《Her》里那个温暖有感情的虚拟助手Samantha，不少人曾以为这是遥不可及的幻想。

但今年，OpenAI的GPT-4o、科大讯飞的星火模型、字节跳动的豆包，还有智谱清言等，都在用各自的技术证明，这种科幻的想象，现在真的照进了现实。

与传统的TTS（文本到语音转换）技术相比，像GPT-4o这样的新一代端到端语音大模型的最大亮点，就在于它能“懂场合”、“通人性”。

简单来说，传统的TTS技术多半是以静态规则为主，比如为特定句子设计语调模板，但GPT-4o这样端到端语音模型，不仅能通话中实时做到感知上下文，且能灵活选择声音的节奏、语气，甚至能被打断和停顿。

有了这种更“人性”的特点后，各个AI企业各显高招，从总体上看，实时语音AI的赛道，在2024年，大致呈现出了“多语言”、“个性化”的特点。

例如科大讯飞的星火大模型4.0 Turbo，不仅支持74种语言和方言，还引入了“超拟人”特性，通过个性化定制功能，让用户可以和AI助手形成更贴近现实的交流方式。

虽然在2024年，语音AI已经让人觉得“科幻照进现实”，但这个“现实”还有点“昂贵”。

从行业角度看，这波实时语音AI的竞争，比拼的其实是"算力经济学"。

为了应对实时语音的高昂成本，聪明的公司开始搞"算力分层"。简单对话用轻量级模型，复杂问题才上重型火力。

这也是为什么，在视频通话这种场景下，如果涉及到多模态交互，尤其是需要结合视觉线索或复杂上下文理解的时候（例如长文章或代码），语音AI的表现也常常不如文本模式下的大语言模型——回复的深度和质量会明显逊色。

总体来说，当前的语音AI，虽然给了行业惊鸿一瞥的惊喜，但要真正成为一个得力的智能助手，它需要的不只是更流利的语音，而是多项功能的整合。

五、AI Agent，噱头还是即将落地？

2024年的AI Agent，不再仅仅是大模型的附属品，而是开始以独立角色，重新定义智能交互的边界。

像智谱的AutoGLM、Anthropic的Claude Computer Use，荣耀的手机AI助手，以及谷歌刚刚在年末发布的浏览器Agent助手Project Mariner等，正在逐渐将科幻里的“万能助手”变成现实。

从总体上看，今年的AI Agent，大致呈现出了两个方面的特征：

一是跨APP的Agent能力更强

以前一直有句话叫App墙，不同APP直接难以逾越。

现在这种“执行层”的变革，让AI摆脱了传统APP间的界限，使未来一种统领“千百APP”的超级应用成为了可能；

以谷歌的Project Mariner为例，这款浏览器Agent可以理解和操作网页上的所有元素，包括文本、代码、图片和表单。它不只是单纯浏览，而是能够完成从信息搜索到购买、表单填写等一系列操作。

而Anthropic的Claude Computer Use，则专注于电脑端操作，能用鼠标和键盘模拟用户行为，完成文件编辑和多程序协作。二者都展示了Agent在处理复杂的多模态任务时，进行多种工具调用的适配能力。

二就是CUI时代渐渐来临

一句话点200杯咖啡，一句话发2万的红包。

像智谱的AutoGLM，以及荣耀的手机AI助手，可以通过简单的语音指令完成手机端和跨APP的复杂任务，比如订咖啡、对比航班价格甚至建群发红包。

如今，正从GUI（图形用户界面）向CUI（对话式用户界面）时代转变。

苹果在对GUI的巨大贡献，引发了一场交互革命，如今AI公司正在引发新的交互颠覆性创新。

此外，2024年的AI Agent技术，带来的另一个惊喜，是AI在游戏行业的突破。

尤其是网易伏羲在《永劫无间》手游和腾讯的《暗区突围》的AI队友，在结合了多模态技术后，已经不仅仅是传统意义上的“NPC”，而是一个能听懂语音指令、实时调整策略、甚至和玩家情感互动的“智能队友”。

这些突破性的应用，让AI不再只是游戏中的“工具”，而是玩家的真正伙伴。

从趋势来看，AI Agent正在向多模态能力和更深层次的智能化发展。

结合视觉、语音、文本等多模态信息，它们能够更全面地理解用户需求，并从一个“对话工具”成长为“得力助手”，逐渐正带领我们进入一个更加无缝和高效的智能时代。

六、结语

在这个充满变数与惊喜的2024年，AI就像一个正在成长的孩子——有时笨拙，有时惊艳，但始终充满无限可能。

尽管道路上有数据枯竭的忧虑，有商业化的阵痛，有技术的不完美。大模型支撑着AI原生应用高速发展，2025年被誉为AI发展元年，未来会越来越精彩。

本文来自微信公众号“AI鲸选社”，作者：林书，编辑：杨晓鹤，36氪经授权发布。