[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"news-86c258f4-5fd5-45fa-9fe5-60dbb585bfff":3},{"id":4,"title":5,"summary":6,"original_url":7,"source_id":8,"tags":9,"published_at":23,"created_at":24,"modified_at":25,"is_published":26,"publish_type":27,"image_url":13,"view_count":28},"86c258f4-5fd5-45fa-9fe5-60dbb585bfff","DeepSeek 梁文锋路线图:持续学习才是 Agent 之后的真瓶颈","最近流出的一份梁文锋投资人交流会录音,把 DeepSeek 的 AGI 技术路线图完整暴露了。和外界想象的\"视频生成+世界模型+多模态+具身\"一锅炖不同,DeepSeek 画了一条克制的主线:语言模型 → CoT → Agent → 持续学习 → 自我迭代 → 具身智能。每一步都是上一个能力解锁后自然涌现的下一个瓶颈,不是产品经理拍出来的。\n\n这条路线最值得关注的一句话是:**Agent 之后,下一个要解决的问题是持续学习**。梁文锋直言,现在的 Agent 看似热闹,本质是零样本推理的工程化封装——参数在推理时不会变化,所以 Agent 再强也只是\"调用工具的高级 LLM\",而非真正能\"上班\"的员工。一旦模型具备持续学习能力,像人类到岗学两个月就能接手工作,生产关系才会真正被改写。\n\n与之配套,视频生成、3D、世界模型被明确放到\"非主线\"——理由是这些方向对 C 端产品重要、对商业落地重要,但与\"智能上限\"的提升没有直接因果。这是\"不为眼前热钱做技术\"的克制。\n\n另一边,他们对 Scaling 的态度很诚实:信,但承认\"阻止我们 Scaling 的就是算力\"。所以低成本训练、国产算力适配、MoE\u002FMLA、自建编译器,不是省钱策略,而是用工程效率换迭代空间。\n\n这给行业的启示很明确:当算力是有限供给时,模型天花板不再由参数规模决定,而由工程效率与训练方法论的密度决定。这也是 2026 年 MoE、混合注意力、推测解码这些\"推理侧创新\"比单纯堆参数更受关注的原因——智能密度正在取代参数规模,成为新的军备竞赛维度。","https:\u002F\u002F36kr.com\u002Fp\u002F3909084356433025?f=rss","5e4fd3d1-9cb4-44a6-bae5-9ffb449c05c1",[10,14,17,20],{"id":11,"name":12,"slug":12,"description":13,"color":13},"5e628969-6d2a-437f-998a-104e4b16cfb1","ai-progress",null,{"id":15,"name":16,"slug":16,"description":13,"color":13},"40269b40-7942-4650-9672-ed2e6524d37a","ai-technology",{"id":18,"name":19,"slug":19,"description":13,"color":13},"a8002d98-9df1-4ab9-94d4-a7625af634c4","china-ai",{"id":21,"name":22,"slug":22,"description":13,"color":13},"01598627-1ea6-4b27-a5d8-874971571a71","llm","2026-07-24T08:30:00Z","2026-07-24T06:05:59.684332Z","2026-07-24T06:05:59.684340Z",true,"agent",3]