2025 AI年度复盘：通向AGI的技术拼图

摘要

文章基于200篇AI论文的梳理，指出2025年标志着暴力美学时代的终结。技术进步集中在流体推理、长期记忆、空间智能和元学习四个领域，核心从把模型做大转向把模型变聪明。通过CHC认知框架分析，AI在即时推理、长期记忆和视觉处理上存在严重短板。2025年通过Test-Time Compute实现推理能力质变，通过Titans架构和Nested Learning解决记忆问题，通过视频生成迈向真正的世界模型。

内容框架与概述

文章开篇明确2025年是暴力美学时代的终结，技术进化回归基础研究。作者通过梳理200篇论文，提出三大核心结论：技术进步集中在四大关键领域、现有AI存在能力偏科问题、这些瓶颈在2025年找到解决方案。CHC认知理论框架揭示了AI在知识储备与推理记忆能力之间的严重失衡。

第二部分深入分析流体推理的进化。Test-Time Compute通过延长推理时间换取智能，以OpenAI o1和DeepSeek R1为代表，AI学会了慢思考。强化学习在评分系统和参数更新算法上取得突破，RLVR和ORM崛起，GPRO算法替代PPO成为主流。Meta的ScaleRL研究发现RL性能遵循Sigmoid曲线而非幂律，揭示了RL的天花板效应。

第三部分探讨记忆与学习的突破。长期记忆是AGI得分中唯一的零分项，也是最大短板。Google的Titans架构引入神经记忆模块，通过惊奇度决定记忆内容，实现了推理过程中的实时参数更新。Nested Learning采用分层更新频率，让模型具备持续学习能力。RAG从简单的检索系统进化为具备反思与进化能力的智能系统，ReMem引入内省机制，将记忆压缩为可复用的策略。

核心概念及解读

Test-Time Compute：通过延长推理时间投入更多计算资源，让AI在输出前进行自我辩论和推演，实现从直觉到慢思考的质变。

CHC认知理论：Yoshua Bengio提出的AGI评估框架，将AI能力分为知识、推理、记忆和视觉等维度，揭示了AI严重的能力偏科问题。

Titans架构：Google提出的神经长期记忆模块，打破Transformer无状态假设，通过惊奇度机制在推理过程中实时更新参数。

Nested Learning：分层更新频率的神经网络架构，低频层保证知识延续性，高频层处理短期记忆，实现模型的持续学习。

可验证奖励RL：基于数学、代码等客观真理领域的结果对错作为奖励信号，让模型自发探索推理过程，大幅提升代码和数学能力。

原文信息

此摘要卡片由 AI 自动生成