数智新工具|林俊旸离职后首发长文，点明AI大模型未来核心赛道

本周四晚，阿里千问大模型前技术负责人林俊旸发布了一篇长文，文章没有并未谈及个人职业去向，却在AI圈引发了不小的震动。

这篇题为《从“推理式思维”到“智能体式思维”》的文章，堪称一份清晰的AI行业技术路线图，直指行业过去两年的发展误区，也点明了未来的核心转型方向：从训练模型转向训练智能体。

想得久，不等于干得好

林俊旸在文中深度复盘了千问团队研发过程中走过的弯路，坦诚剖析了行业普遍存在的认知误区。2025年初，千问团队曾立下宏大研发愿景：打造一款“全能型”大模型，将深度思考模式与高效指令模式合二为一。

这一思路好比要求一名员工，既能像资深研究者一样深度钻研复杂难题，又能像一线执行者一样快速、低成本完成重复性工作。理想状态看似完美，落地却屡屡碰壁。林俊旸明确指出，这种简单粗暴的模式融合，在实际应用中完全行不通，核心原因在于两种模式的底层数据分布与行为目标存在本质冲突。

“思考型”模型依托海量逻辑推演数据，为攻克复杂数学、科研类问题，愿意消耗巨额算力，核心追求是结果准确率；而“指令型”模型主要服务于企业批量订单处理、信息提取等场景，核心诉求是快速响应、低成本运行。强行将两种模式塞进同一款模型，最终只会陷入“两头不讨好”的困境：做深度思考时优柔寡断；做指令执行时又显得笨重冗余。

林俊旸更是直言：“推理链更长，绝不等于模型更聪明。”很多时候，模型写了一大堆推理过程，可能只是在乱花算力，掩盖它其实没想明白的事实。行业真正需要的不是二元对立的开关，而是“平滑的推理光谱”，让模型能根据任务场景自适应调节推理强度。

从“做题家”到“实干者”

跳出单纯追求深度推理的误区，AI行业下一步的核心方向是什么？林俊旸给出的答案是：智能体式思维。

通俗来讲，传统推理式思维下的AI，如同被困在封闭空间里的“做题家”，接收任务后只在内部闭环推演，全程不接触真实应用场景；而智能体式思维，则是把AI彻底放入真实应用环境中，不再局限于“想”，更聚焦于“做”。

林俊旸用了一个生动的比喻：成熟的智能体就像一位“装修工长”。他不仅要懂装修知识（模型能力），更要学会制定完整执行计划、按需调用各类工具（如搜索、代码解释器）、实时感知环境反馈，并根据反馈动态调整方案。

这一转变，直接将行业核心矛盾从“模型能否长时间思考”，转向“模型能否以支撑有效行动的方式思考”。这也对AI底层基础设施提出了前所未有的高要求。以往训练大模型，核心依靠GPU算力跑通数据；如今训练智能体，需要搭建一整套完整的系统化支撑体系——林俊旸将其称为“Harness Engineering”（系统编排工程）。

这绝非简单的工具堆砌，而是涵盖了工具服务器、浏览器、执行沙箱、API接口层等全链条体系。林俊旸着重强调，“环境设计”将成为智能体时代的核心资产。比如让AI学习代码编写，就需要搭建可实时运行、报错、调试的标准化测试环境。环境越贴近真实场景、稳定性越强，智能体的学习效率和落地能力就越高。

云厂商抢占生态高地，创业者迎来新赛道

从“拼模型”到“拼基建”的重心转移，正在彻底改写AI行业的商业格局。

对于头部云厂商而言，这一趋势无疑是重大利好。智能体式思维所需的海量算力、服务器资源、API接口以及复杂的训练环境，恰好是云厂商的核心优势。未来，比拼的将是谁能构建更完善的“Agent生态”和“工具调用能力”。云厂商凭借现成资源储备，能快速搭建智能体所需的底层支撑体系，占据行业竞争主动权。

而对于资金、算力资源有限的AI创业公司，林俊旸也指明了清晰的生存路径：聚焦中间件与Agent编排层。

当前通用大模型已经逐步走向“水电煤”式的基础设施，单纯堆参数做基座模型的红利期彻底结束。未来的AI系统不再是单一模型单打独斗，而是多智能体协同作战。这就催生了“系统编排工程”的黄金机遇——创业公司可以专注于开发那些负责规划任务、分发指令、协调多个智能体工作的“中间件”。

此外，林俊旸还特别提到了一个潜在的黄金赛道：防作弊与评估体系。

随着智能体大规模调用外部工具，“奖励作弊”问题随之显现。例如，一个具备搜索功能的模型可能在训练中直接搜索答案来“作弊”，而非真正学会解题。因此，构建鲁棒性强的评估器、设计无法被作弊的训练环境，将成为创业公司的全新突破口。

从“推理”到“智能体”，不仅是技术的迭代，更是商业逻辑的重构。大模型的下半场，不再是实验室里的独角戏，而是一场关于基建、生态与交付能力的综合大考。模型是种子，但只有肥沃的土壤和精心的耕作，才能长出改变世界的参天大树。

大众新闻·齐鲁壹点 魏银科