作者：王捷
6月末在中國大連舉行的夏季達沃斯期間，來自全球的人工智慧（包括機器人）行業領袖齊聚一堂，討論人工智慧行業的當前發展，和接下來的重要趨勢。其中，中國初代AI投資人，深圳數經院AI經濟研究中心聯席主任王捷提出，AI行業走過了**「生成內容」、「推理能力」、「行動能力」三個階段後，即將走向「真實世界AI」**階段。全行業各個環節也需要做好相應準備，以迎接這個階段的到來。
以下是《人工智慧來到「真實世界AI」階段》全文，騰訊科技首發。
We are at AI’s reality moment.
在過去幾年，AI已經學會生成、推理和行動。下一個階段，不只是AI能否在螢幕上給出更漂亮的答案，而是AI能否從真實世界的回饋中學習，並在真實世界中交付可接受、可持續的工作結果。今天，我們正處在AI發展的「真實世界時刻」。
過去幾年，AI行業的主敘事被benchmark組織起來。每一次模型發布，都伴隨著一組分數：語言理解、專業考試、數學推理、程式碼生成、軟體工程、網頁操作、多模態問答、智能體任務。分數上升，行業興奮；分數飽和，新的benchmark被創造出來。benchmark成為AI發展長路上一個又一個里程碑的旗幟。
但是，一個越來越清楚的事實正在出現：AI正在持續駛離benchmark世界。許多曾經被認為足夠困難、足以代表智能的測試，被模型一次次逼近、追平、超過。研究者繼續定義新任務、新排行榜、新評測集，模型又繼續追趕並拔下新的旗幟。這當然是科學進步的一部分，卻也說明單純的benchmark已經越來越難以承載AI發展的全部意義。
benchmark世界本質上是一個「理論世界」：問題被預先定義，答案有明確邊界，評估標準可以被形式化，失敗代價通常只是一行分數。它適合證明模型擁有某種能力，卻並不等同於證明模型能夠在真實工作流中交付我們期待的結果。一個模型在題庫裡答對，並不意味著它能夠在企業的採購流程、醫院的診療协同、工廠的排產系統、法律文件的風險審查、城市治理的應急響應中穩定完成任務。
因此，當我們說AI正在離開benchmark世界，並不是說benchmark不再重要。恰恰相反，benchmark仍然是技術進步的必要儀表盤。但儀表盤不是道路，分數不是結果，演示不是交付。AI駛離benchmark世界，正在去向哪個世界？答案是：真實世界。整個行業正在進入「真實世界AI」階段。
**這一輪AI的發展，已經經歷了三個清晰的舊階段。**第一是「生成內容」階段，典型形態是chatbot。AI第一次以自然語言為界面，能夠寫作、總結、翻譯、對話、解釋，成為人類認知勞動的通用文本工具。第二是「推理能力」階段，典型形態是reasoner, 即以GPT o1, DeepSeek R1為代表的推理模型。AI開始表現出更強的分解、搜索、規劃、證明和自我檢查能力，可以處理更長鏈條、更高複雜度的問題。**第三是「行動能力」階段，典型形態是agent。**AI不再只是回答問題，而是調用工具、瀏覽網頁、寫程式碼、操作軟體、執行多步驟任務。
這三個階段非常重要。生成給了AI語言，推理給了AI思考，智能體給了AI初步的手。會生成、會推理、會行動之後，下一件事不是在演示中完成更多動作，而是在真實環境中承擔結果。真實世界將給AI未來長期行動的環境。
為什麼說以上三個屬於舊階段？因為它們大多停留在「理論世界」或「準真實世界」。模型面對的是被抽象出來的問題，而不是完整的經濟—社會系統；它優化的是可計算的回饋，而不是多主體、多約束、長週期的真實結果；它展示的是能力可能性，而不是被用戶、組織、制度和市場共同接受的工作成果。
我們提出**「真實世界AI」**, Real-World AI, 以反映AI即將進入的新階段。真實世界AI的定義是：能夠從真實世界回饋中學習，完成真實世界任務，並產生真實結果的AI。這裡的「真實世界」包括兩層含義：第一，訓練的回饋來自真實環境中的結果、用戶、制度、成本和風險，而不是只來自標準答案；第二，任務來自真實工作流，而不是只來自題庫、沙盒或演示。它不是一個籠統的標籤，而是AI從能力展示走向生產交付、從理論智能走向工作智能的階段性名稱。
真實世界AI的核心，不是把AI接入更多按鈕，而是讓AI進入閉環：理解真實任務，接收真實回饋，執行真實行動，修正自身策略，最終交付可接受的真實結果。它要求模型能力突破目前主要集中在程式碼、軟體工程、數學、網路安全等「計算機學術」領域，走向更寬廣的人類工作場景：行銷、銷售、供應鏈、製造、金融、法律、醫療、教育、科研、公共治理，以及物理世界中的機器人和自動化系統。
以下是真實世界與理論世界的關鍵對比：
在這個意義上，真實世界AI不是某一個模型、某一個產品或某一種算法路線，而是整個行業的新方向。它將把後訓練、強化學習、工具使用、記憶系統、工作流集成、組織回饋、人類監督、安全機制和經濟價值衡量連接在一起。真實世界將成為AI的新訓練場。
真實世界AI將輸出real-world intelligence. Real-world intelligence,是AI在接受真實世界回饋後訓練形成的模型能力，也是真實約束下把目標轉化為結果的能力。它衡量的不是模型在靜態題目上的瞬時表現，而是AI系統在真實任務中的持續可用性、可靠性和價值創造能力。如果說benchmark intelligence 的核心是「能否在給定題目上得到正確答案」，那麼real-world intelligence 的核心就是「能否在真實任務中完成被接受的結果」。
這個躍遷具有技術必然性，也具有經濟必然性。技術上，大語言模型讓AI獲得語言能力，推理模型讓AI獲得更強的思考能力，智能體讓AI獲得初步行動能力。考察人的行為，在擁有語言、思考和行動能力之後，人一定會進入與真實世界互動的階段。智能不是停留在頭腦中的能力，而是在環境中完成目標的能力。因此，AI的下一步也非常清楚：進入真實世界。
經濟上，AI革命的最大價值不可能永遠停留在問答、寫作和程式碼片段中。真正的生產力釋放，來自真實任務被解鎖：一個客服流程被端到端自動完成，一份法律盡調被穩定交付，一條供應鏈被動態優化，一個研究假設被快速驗證，一個機器人在倉庫或家庭中可靠協作。只有當AI進入真實工作流，企業才會把它計入組織能力，社會才會把它計入生產力，人類才會真正感受到這一輪技術革命的規模。
這也是為什麼**「真實世界AI」比單純討論AGI更具操作性**。AGI詢問AI是否接近人類智能，真實世界AI詢問AI是否能完成真實任務；AGI容易把討論帶向無限能力，真實世界AI把討論拉回回饋、結果、成本和價值。它不是降低AI的目標，而是把AI的目標放到它最終必須面對的地方：現實。
就路線圖而言，OpenAI在2024年提出的五階段路線圖總體上抓住了從chatbot到reasoner再到agent的演進方向，但它沒有完整描述從理論世界到真實世界的躍遷。以及其中後兩個階段，innovator和organizer，更偏agent可能具備的能力特徵，而不是與chatbot、reasoner、agent並列的技術形態；標準並不一致。更重要的是，這一路線圖提出時行業尚未真正進入agent階段，對agent之後的判斷自然帶有不確定性。
在行業從理論世界邁向真實世界的節點上，我們需要一個更能指導長期工作的路線圖。我們提出如下五階段框架：第一，Foundation AI, 基礎模型階段，AI獲得通用表徵和知識壓縮能力；**第二，Generative AI, 生成式AI階段，**AI獲得自然語言和多模態生成能力；第三，Reasoning AI, 推理型AI階段，AI獲得更強的搜索、規劃、證明和反思能力；第四，Agentic AI, 智能體AI階段，AI獲得調用工具、操作軟體、執行步驟的行動能力；第五，Real-World AI, 真實世界AI階段，AI進入真實工作流，從真實回饋中學習，並交付被人類、組織和制度接受的真實結果。
這個路線圖把「真實世界AI」放在agent之後。Agent解決「AI能否行動」的問題，Real-World AI解決「AI行動之後是否產生可接受後果」的問題**。Agent是接口，真實世界是閉環；Agent是手，真實世界AI是組織起來的工作能力；Agent讓AI進入流程，真實世界AI讓AI被流程接納、被組織信任、被經濟計量。**
再往後，行業可能進入一個更大的階段：AI成為經濟和社會的操作層，也就是我們之前多次提及的「數字層」。那時，AI不只是完成一個個任務，而是參與決策支持、組織協調、資源配置、科學發現、城市運行和物理世界操作。但這個未來能否到來，取決於今天能否跨過真實世界AI這一關。沒有真實回饋，就沒有真實智能；沒有真實結果，就沒有真實生產力。
過去，我們已經擁有大量描述這一輪AI發展的術語：AGI、ASI、Generative AI、Agentic AI、Embodied AI、Physical AI等 (World Model/世界模型不是描述AI發展特徵，是描述一種模型路線)。總體上，這些術語大多從算法、能力或載體角度出發，可以稱為「算法視角下的描述」。它們非常重要，但也容易把行業討論帶入「模型是否足夠聰明」「智能是否無窮大」「何時超過人類」的抽象爭論。
好的名字應該具備一種方向感：它不僅描述技術是什麼，也提醒我們最終要去哪裡，以及當下處在什麼位置。「真實世界AI」具備這種方向感。它不否定AGI、Physical AI或Embodied AI，而是改變提問方式：不再只問AI在技術上是什麼，而是問AI在經濟和社會中能做什麼；不再只問AI是否接近人類智能，而是問AI是否能夠穩定完成真實任務、創造真實價值、承擔真實後果。
「真實世界AI」也把數字世界和物理世界統一起來。在數字世界，真實世界AI意味著AI進入企業軟體、知識工作、交易流程、研發流程、治理流程；在物理世界，真實世界AI意味著機器人、自動駕駛、智能製造、家庭服務和城市基礎設施從真實環境中學習。無論載體是瀏覽器、API、辦公軟體、機械臂、車輛還是人形機器人，核心問題都是同一個：AI能否在真實環境中形成閉環，完成任務，並被現實接受。
因此，我們向全行業介紹**「真實世界AI / Real-World AI」這一表述**。它能將研究者、創業者、投資人、企業用戶和政策制定者拉到同一張地圖上：從benchmark intelligence走向real-world intelligence；從能力展示期走向任務解鎖期；從模型競賽走向生產力競賽；從「AI看起來會做」走向「AI真的能做」。
真實世界AI不是終點，而是入口。它提醒我們：未來幾年最重要的AI工作，不只是創造更大的模型、更長的上下文、更漂亮的演示，而是把現實變成訓練循環，把回饋變成能力，把任務變成價值，把AI變成人類社會真正可用的生產力量。
為了讓這個階段真正到來，行業需要形成新的共識。模型訓練需要把真實工作流回饋作為後訓練的核心資源，而不只是追逐現有榜單；AI應用需要把產品從助手形態推進到任務交付形態，而不只是把AI聊天窗口嵌入軟體；企業用戶要把AI評估從「好不好用」推進到「能否穩定完成關鍵任務」；投資者要從模型參數和演示效果之外，重新衡量任務解鎖速度、回饋閉環深度和單位成本產出；政策制定者則需要建立數據、責任、安全和審計框架，讓真實世界的採用能夠在信任中擴張。
這就是「真實世界AI」作為術語的意義。它把一個分散的行業焦點凝結為共同方向：讓AI離開演示舞台，進入生產現場；離開題庫，進入組織；離開一次性回答，進入持續回饋；離開抽象智能，進入真實價值。We are at AI’s reality moment. AI的下一個前沿不是另一個benchmark, 下一個前沿是真實世界。
真實世界將成為 AI 新的訓練場。
Reality is becoming the next training loop for AI。
102萬 熱度
12.62萬 熱度
18.67萬 熱度
48.96萬 熱度
103.27萬 熱度
人工智能來到「真實世界AI」階段
作者：王捷
6月末在中國大連舉行的夏季達沃斯期間，來自全球的人工智慧（包括機器人）行業領袖齊聚一堂，討論人工智慧行業的當前發展，和接下來的重要趨勢。其中，中國初代AI投資人，深圳數經院AI經濟研究中心聯席主任王捷提出，AI行業走過了**「生成內容」、「推理能力」、「行動能力」三個階段後，即將走向「真實世界AI」**階段。全行業各個環節也需要做好相應準備，以迎接這個階段的到來。
以下是《人工智慧來到「真實世界AI」階段》全文，騰訊科技首發。
We are at AI’s reality moment.
在過去幾年，AI已經學會生成、推理和行動。下一個階段，不只是AI能否在螢幕上給出更漂亮的答案，而是AI能否從真實世界的回饋中學習，並在真實世界中交付可接受、可持續的工作結果。今天，我們正處在AI發展的「真實世界時刻」。
觀察：AI正在持續駛離benchmark世界
過去幾年，AI行業的主敘事被benchmark組織起來。每一次模型發布，都伴隨著一組分數：語言理解、專業考試、數學推理、程式碼生成、軟體工程、網頁操作、多模態問答、智能體任務。分數上升，行業興奮；分數飽和，新的benchmark被創造出來。benchmark成為AI發展長路上一個又一個里程碑的旗幟。
但是，一個越來越清楚的事實正在出現：AI正在持續駛離benchmark世界。許多曾經被認為足夠困難、足以代表智能的測試，被模型一次次逼近、追平、超過。研究者繼續定義新任務、新排行榜、新評測集，模型又繼續追趕並拔下新的旗幟。這當然是科學進步的一部分，卻也說明單純的benchmark已經越來越難以承載AI發展的全部意義。
benchmark世界本質上是一個「理論世界」：問題被預先定義，答案有明確邊界，評估標準可以被形式化，失敗代價通常只是一行分數。它適合證明模型擁有某種能力，卻並不等同於證明模型能夠在真實工作流中交付我們期待的結果。一個模型在題庫裡答對，並不意味著它能夠在企業的採購流程、醫院的診療协同、工廠的排產系統、法律文件的風險審查、城市治理的應急響應中穩定完成任務。
因此，當我們說AI正在離開benchmark世界，並不是說benchmark不再重要。恰恰相反，benchmark仍然是技術進步的必要儀表盤。但儀表盤不是道路，分數不是結果，演示不是交付。AI駛離benchmark世界，正在去向哪個世界？答案是：真實世界。整個行業正在進入「真實世界AI」階段。
從「理論世界」到「真實世界」的躍遷
「理論世界」的三個舊階段
**這一輪AI的發展，已經經歷了三個清晰的舊階段。**第一是「生成內容」階段，典型形態是chatbot。AI第一次以自然語言為界面，能夠寫作、總結、翻譯、對話、解釋，成為人類認知勞動的通用文本工具。第二是「推理能力」階段，典型形態是reasoner, 即以GPT o1, DeepSeek R1為代表的推理模型。AI開始表現出更強的分解、搜索、規劃、證明和自我檢查能力，可以處理更長鏈條、更高複雜度的問題。**第三是「行動能力」階段，典型形態是agent。**AI不再只是回答問題，而是調用工具、瀏覽網頁、寫程式碼、操作軟體、執行多步驟任務。
這三個階段非常重要。生成給了AI語言，推理給了AI思考，智能體給了AI初步的手。會生成、會推理、會行動之後，下一件事不是在演示中完成更多動作，而是在真實環境中承擔結果。真實世界將給AI未來長期行動的環境。
為什麼說以上三個屬於舊階段？因為它們大多停留在「理論世界」或「準真實世界」。模型面對的是被抽象出來的問題，而不是完整的經濟—社會系統；它優化的是可計算的回饋，而不是多主體、多約束、長週期的真實結果；它展示的是能力可能性，而不是被用戶、組織、制度和市場共同接受的工作成果。
「真實世界」新階段
我們提出**「真實世界AI」**, Real-World AI, 以反映AI即將進入的新階段。真實世界AI的定義是：能夠從真實世界回饋中學習，完成真實世界任務，並產生真實結果的AI。這裡的「真實世界」包括兩層含義：第一，訓練的回饋來自真實環境中的結果、用戶、制度、成本和風險，而不是只來自標準答案；第二，任務來自真實工作流，而不是只來自題庫、沙盒或演示。它不是一個籠統的標籤，而是AI從能力展示走向生產交付、從理論智能走向工作智能的階段性名稱。
真實世界AI的核心，不是把AI接入更多按鈕，而是讓AI進入閉環：理解真實任務，接收真實回饋，執行真實行動，修正自身策略，最終交付可接受的真實結果。它要求模型能力突破目前主要集中在程式碼、軟體工程、數學、網路安全等「計算機學術」領域，走向更寬廣的人類工作場景：行銷、銷售、供應鏈、製造、金融、法律、醫療、教育、科研、公共治理，以及物理世界中的機器人和自動化系統。
以下是真實世界與理論世界的關鍵對比：
在這個意義上，真實世界AI不是某一個模型、某一個產品或某一種算法路線，而是整個行業的新方向。它將把後訓練、強化學習、工具使用、記憶系統、工作流集成、組織回饋、人類監督、安全機制和經濟價值衡量連接在一起。真實世界將成為AI的新訓練場。
真實世界AI將輸出real-world intelligence. Real-world intelligence,是AI在接受真實世界回饋後訓練形成的模型能力，也是真實約束下把目標轉化為結果的能力。它衡量的不是模型在靜態題目上的瞬時表現，而是AI系統在真實任務中的持續可用性、可靠性和價值創造能力。如果說benchmark intelligence 的核心是「能否在給定題目上得到正確答案」，那麼real-world intelligence 的核心就是「能否在真實任務中完成被接受的結果」。
為什麼必然從「理論世界」到「真實世界」？
這個躍遷具有技術必然性，也具有經濟必然性。技術上，大語言模型讓AI獲得語言能力，推理模型讓AI獲得更強的思考能力，智能體讓AI獲得初步行動能力。考察人的行為，在擁有語言、思考和行動能力之後，人一定會進入與真實世界互動的階段。智能不是停留在頭腦中的能力，而是在環境中完成目標的能力。因此，AI的下一步也非常清楚：進入真實世界。
經濟上，AI革命的最大價值不可能永遠停留在問答、寫作和程式碼片段中。真正的生產力釋放，來自真實任務被解鎖：一個客服流程被端到端自動完成，一份法律盡調被穩定交付，一條供應鏈被動態優化，一個研究假設被快速驗證，一個機器人在倉庫或家庭中可靠協作。只有當AI進入真實工作流，企業才會把它計入組織能力，社會才會把它計入生產力，人類才會真正感受到這一輪技術革命的規模。
這也是為什麼**「真實世界AI」比單純討論AGI更具操作性**。AGI詢問AI是否接近人類智能，真實世界AI詢問AI是否能完成真實任務；AGI容易把討論帶向無限能力，真實世界AI把討論拉回回饋、結果、成本和價值。它不是降低AI的目標，而是把AI的目標放到它最終必須面對的地方：現實。
路線圖與術語
路線圖
就路線圖而言，OpenAI在2024年提出的五階段路線圖總體上抓住了從chatbot到reasoner再到agent的演進方向，但它沒有完整描述從理論世界到真實世界的躍遷。以及其中後兩個階段，innovator和organizer，更偏agent可能具備的能力特徵，而不是與chatbot、reasoner、agent並列的技術形態；標準並不一致。更重要的是，這一路線圖提出時行業尚未真正進入agent階段，對agent之後的判斷自然帶有不確定性。
在行業從理論世界邁向真實世界的節點上，我們需要一個更能指導長期工作的路線圖。我們提出如下五階段框架：第一，Foundation AI, 基礎模型階段，AI獲得通用表徵和知識壓縮能力；**第二，Generative AI, 生成式AI階段，**AI獲得自然語言和多模態生成能力；第三，Reasoning AI, 推理型AI階段，AI獲得更強的搜索、規劃、證明和反思能力；第四，Agentic AI, 智能體AI階段，AI獲得調用工具、操作軟體、執行步驟的行動能力；第五，Real-World AI, 真實世界AI階段，AI進入真實工作流，從真實回饋中學習，並交付被人類、組織和制度接受的真實結果。
這個路線圖把「真實世界AI」放在agent之後。Agent解決「AI能否行動」的問題，Real-World AI解決「AI行動之後是否產生可接受後果」的問題**。Agent是接口，真實世界是閉環；Agent是手，真實世界AI是組織起來的工作能力；Agent讓AI進入流程，真實世界AI讓AI被流程接納、被組織信任、被經濟計量。**
再往後，行業可能進入一個更大的階段：AI成為經濟和社會的操作層，也就是我們之前多次提及的「數字層」。那時，AI不只是完成一個個任務，而是參與決策支持、組織協調、資源配置、科學發現、城市運行和物理世界操作。但這個未來能否到來，取決於今天能否跨過真實世界AI這一關。沒有真實回饋，就沒有真實智能；沒有真實結果，就沒有真實生產力。
術語
過去，我們已經擁有大量描述這一輪AI發展的術語：AGI、ASI、Generative AI、Agentic AI、Embodied AI、Physical AI等 (World Model/世界模型不是描述AI發展特徵，是描述一種模型路線)。總體上，這些術語大多從算法、能力或載體角度出發，可以稱為「算法視角下的描述」。它們非常重要，但也容易把行業討論帶入「模型是否足夠聰明」「智能是否無窮大」「何時超過人類」的抽象爭論。
好的名字應該具備一種方向感：它不僅描述技術是什麼，也提醒我們最終要去哪裡，以及當下處在什麼位置。「真實世界AI」具備這種方向感。它不否定AGI、Physical AI或Embodied AI，而是改變提問方式：不再只問AI在技術上是什麼，而是問AI在經濟和社會中能做什麼；不再只問AI是否接近人類智能，而是問AI是否能夠穩定完成真實任務、創造真實價值、承擔真實後果。
「真實世界AI」也把數字世界和物理世界統一起來。在數字世界，真實世界AI意味著AI進入企業軟體、知識工作、交易流程、研發流程、治理流程；在物理世界，真實世界AI意味著機器人、自動駕駛、智能製造、家庭服務和城市基礎設施從真實環境中學習。無論載體是瀏覽器、API、辦公軟體、機械臂、車輛還是人形機器人，核心問題都是同一個：AI能否在真實環境中形成閉環，完成任務，並被現實接受。
因此，我們向全行業介紹**「真實世界AI / Real-World AI」這一表述**。它能將研究者、創業者、投資人、企業用戶和政策制定者拉到同一張地圖上：從benchmark intelligence走向real-world intelligence；從能力展示期走向任務解鎖期；從模型競賽走向生產力競賽；從「AI看起來會做」走向「AI真的能做」。
真實世界AI不是終點，而是入口。它提醒我們：未來幾年最重要的AI工作，不只是創造更大的模型、更長的上下文、更漂亮的演示，而是把現實變成訓練循環，把回饋變成能力，把任務變成價值，把AI變成人類社會真正可用的生產力量。
為了讓這個階段真正到來，行業需要形成新的共識。模型訓練需要把真實工作流回饋作為後訓練的核心資源，而不只是追逐現有榜單；AI應用需要把產品從助手形態推進到任務交付形態，而不只是把AI聊天窗口嵌入軟體；企業用戶要把AI評估從「好不好用」推進到「能否穩定完成關鍵任務」；投資者要從模型參數和演示效果之外，重新衡量任務解鎖速度、回饋閉環深度和單位成本產出；政策制定者則需要建立數據、責任、安全和審計框架，讓真實世界的採用能夠在信任中擴張。
這就是「真實世界AI」作為術語的意義。它把一個分散的行業焦點凝結為共同方向：讓AI離開演示舞台，進入生產現場；離開題庫，進入組織；離開一次性回答，進入持續回饋；離開抽象智能，進入真實價值。We are at AI’s reality moment. AI的下一個前沿不是另一個benchmark, 下一個前沿是真實世界。
真實世界將成為 AI 新的訓練場。
Reality is becoming the next training loop for AI。