<p>2025 年确认，人工智能的未来不仅在于模型的原始规模，还在于整合、效率和可及性。由 Tim Hwang 主持的 “专家混合” 年终回顾汇聚了关键声音——Chris Hay、Gabe Goodhart、Kaoutar El Maghraoui、Aaron Baughman 和 Abraham Daniels——共同剖析过去一年的定义性趋势，并预测 2026 年的发展轨迹。核心叙事是智能体的成熟以及对基础硬件和软件生态系统的压力。Tim Hwang 与 “专家混合” 年终特别节目中的资深小组成员讨论了人工智能领域的重大时刻，包括人工智能智能体的成熟、开源的崛起以及硬件供应的结构性限制。</p>
<p>Chris Hay 立即为他之前的预测辩护，认为 2025 年将是 “超级智能体之年”，尽管 Hwang 开玩笑地声称智能体是 “没有吠叫的狗”。Hay 认为，基础技术——先进的推理和扩展的工具使用——确实到来了，尽管是整合到现有模型中，如 ChatGPT Deep Research 和 Claude Code。他强调，今天的智能体不是单一的专业功能，而是一个协调者。Hay 指出，当前的模型能够 “思考更长时间并能够规划”，使它们能够将多个工具串联在一起，以实现复杂目标，例如从单个提示生成整个演示文稿。这一转变超越了简单的一次性任务，朝着自主工作流发展，重新定义了商业空间中功能性人工智能智能体的真正含义。</p>
<p>Gabe Goodhart 专注于开源模型的突破性年份，引用了 Kimi K2 Thinking 等进展，这些进展使开源性能与专有系统的差距更近。这种快速收敛将主要摩擦点从模型质量转移到了周边基础设施和用户体验。开源社区在单个组件方面表现出色，但在统一打包方面却面临挑战。将不同的工具和模型整合成一个连贯的用户产品仍然复杂。Goodhart 建议，要在所有领域真正占据主导地位，开源必须克服的下一个主要障碍是实现与封闭系统中相同水平的用户体验和满意度。</p>
<p>人工智能的物质现实是一个主要主题，特别是关于高端人工智能加速器的稀缺性。Kaoutar El Maghraoui 强调，2025 年巩固了人工智能硬件的稀缺性，成为一种 “结构性限制”，而非暂时瓶颈。这种前所未有的需求，主要是由大规模前沿模型训练驱动，迫使行业将重点分为两类：规模化（如 NVIDIA H200/B200、AWS Trainium 的大型集群）与扩展（在本地或边缘运行的高效小型模型）。El Maghraoui 预测，2026 年将以 “前沿与高效模型类别之间的紧张关系” 为定义，指出通过 4 位量化和专用神经处理单元（NPU）等技术在本地运行具有 10 亿到 50 亿参数的模型的可行性日益增加。这一效率驱动是至关重要的，因为 “行业确实必须提升效率”，而不是仅仅依赖于持续增加的计算能力，这仍然受到供应限制。这一转变正在推动新的混合架构，结合变换器和状态空间模型（SSM）等元素，以优化性能和能耗。</p>
<p>这种对效率的推动与多模态系统中模块化的重要性日益上升相吻合，这是 IBM Granite 模型的一个关键领域。Aaron Baughman 强调需要能够解释和处理多样数据（语言、视觉和行动）的模型，以实现复杂的自主数字工作者。Abraham Daniels 详细介绍了构建利用适配器和外部协调层的模块化能力的重点。这使企业能够通过组合专业组件来定制人工智能解决方案，避免单一、全能模型的开销。Daniels 认为，这种架构允许开发人员 “根据需要调用每个能力”，从而减少占用空间并提高特定企业用例（如复杂文档处理和增强检索生成（RAG）管道）的实际性能。</p>
<p>小组成员一致认为，这些趋势的融合为人工智能的 “前门” 激烈竞争奠定了基础。无论是通过浏览器集成（Perplexity、增强版 ChatGPT）、移动操作系统（Apple、Google/Android）还是企业平台，成功整合推理、工具和模型的实体——无论这些模型是开源还是封闭——将占领市场。这场对控制平面的争夺在多个数字表面上显而易见，包括浏览器扩展和嵌入式移动应用程序。最终的成功将取决于谁能提供最无缝的用户体验，掩盖如今成为常态的多智能体混合架构系统的潜在复杂性。</p>

超微电脑

<p>2025 年突显了人工智能的演变，强调效率和整合而非单纯的模型规模。在 Tim Hwang 主导的 “专家混合” 评审中，关键讨论集中在人工智能代理的成熟以及硬件供应的挑战。与会者指出开源模型的崛起，像 Kimi K2 Thinking 这样的进展正在缩小与专有系统之间的差距。高端人工智能加速器的稀缺被认为是一种结构性限制，推动了高效模型的开发。未来将会在各个平台之间展开人工智能整合的竞争，用户体验将成为一个关键因素</p>

<p>The year 2025 confirmed that the future of artificial intelligence lies not just in raw model size, but in integration, efficiency, and accessibility. The “Mixture of Experts” year-end review, hosted by Tim Hwang, brought together key voices—Chris Hay, Gabe Goodhart, Kaoutar El Maghraoui, Aaron Baughman, and Abraham Daniels—to dissect the defining trends of the past year and forecast the trajectory toward 2026. The central narrative was the maturation of agents and the resulting pressure on the underlying hardware and software ecosystems. Tim Hwang spoke with veteran panelists at the “Mixture of Experts” year-end episode about the biggest moments in AI, including the maturation of AI agents, the rise of open source, and the structural constraints of hardware supply.</p>
<div class="lb-trans"><p>2025 年确认，人工智能的未来不仅在于模型的原始规模，还在于整合、效率和可及性。由 Tim Hwang 主持的 “专家混合” 年终回顾汇聚了关键声音——Chris Hay、Gabe Goodhart、Kaoutar El Maghraoui、Aaron Baughman 和 Abraham Daniels——共同剖析过去一年的定义性趋势，并预测 2026 年的发展轨迹。核心叙事是智能体的成熟以及对基础硬件和软件生态系统的压力。Tim Hwang 与 “专家混合” 年终特别节目中的资深小组成员讨论了人工智能领域的重大时刻，包括人工智能智能体的成熟、开源的崛起以及硬件供应的结构性限制。</p>
</div><p>Chris Hay immediately defended his prior prediction that 2025 would be the “Year of the Super Agent,” despite Hwang’s playful assertion that agents were “the dog that didn’t bark.” Hay argued that the foundational technology—advanced reasoning and expanded tool usage—did indeed arrive, albeit integrated into existing models like ChatGPT Deep Research and Claude Code. He emphasized that the agent of today is not a single, specialized function, but an orchestrator. Hay noted that current models are able to “think much longer and they’re able to plan,” allowing them to chain together multiple tools to achieve complex goals, such as generating an entire presentation from a single prompt. This shift moves beyond simple one-off tasks toward autonomous workflows, redefining what a functional AI agent truly is in the commercial space.</p>
<div class="lb-trans"><p>Chris Hay 立即为他之前的预测辩护，认为 2025 年将是 “超级智能体之年”，尽管 Hwang 开玩笑地声称智能体是 “没有吠叫的狗”。Hay 认为，基础技术——先进的推理和扩展的工具使用——确实到来了，尽管是整合到现有模型中，如 ChatGPT Deep Research 和 Claude Code。他强调，今天的智能体不是单一的专业功能，而是一个协调者。Hay 指出，当前的模型能够 “思考更长时间并能够规划”，使它们能够将多个工具串联在一起，以实现复杂目标，例如从单个提示生成整个演示文稿。这一转变超越了简单的一次性任务，朝着自主工作流发展，重新定义了商业空间中功能性人工智能智能体的真正含义。</p>
</div><p>Gabe Goodhart focused on the breakthrough year for open source models, citing advancements like Kimi K2 Thinking, which have brought open performance parity closer to proprietary systems. This rapid convergence has shifted the primary friction point away from model quality and toward the surrounding infrastructure and user experience. The open source community excels at individual components but struggles with unified packaging. Integrating disparate tools and models into a coherent user-facing product remains complex. Goodhart suggested that achieving the same level of user experience and delight found in closed systems is the next major hurdle for open source to overcome before it can truly dominate across all domains.</p>
<div class="lb-trans"><p>Gabe Goodhart 专注于开源模型的突破性年份，引用了 Kimi K2 Thinking 等进展，这些进展使开源性能与专有系统的差距更近。这种快速收敛将主要摩擦点从模型质量转移到了周边基础设施和用户体验。开源社区在单个组件方面表现出色，但在统一打包方面却面临挑战。将不同的工具和模型整合成一个连贯的用户产品仍然复杂。Goodhart 建议，要在所有领域真正占据主导地位，开源必须克服的下一个主要障碍是实现与封闭系统中相同水平的用户体验和满意度。</p>
</div><p>The material reality of AI was a major theme, particularly concerning the scarcity of high-end AI accelerators. Kaoutar El Maghraoui highlighted that 2025 cemented the AI hardware scarcity as a “structural constraint,” not a temporary bottleneck. This unprecedented demand, largely driven by massive frontier model training, has forced the industry to bifurcate its focus: scale-up (massive clusters like NVIDIA H200/B200, AWS Trainium) versus scale-out (efficient, smaller models running locally or at the edge). El Maghraoui predicted that 2026 will be defined by the tension between “frontier versus efficient model classes,” noting the increasing feasibility of running models with 1 to 5 billion parameters locally through techniques like 4-bit quantization and specialized neural processing units (NPUs). This efficiency drive is essential because “the industry really must scale efficiency instead,” rather than relying solely on continually increasing compute capacity that remains supply-constrained. This shift is driving new hybrid architectures, combining elements like Transformers and State Space Models (SSMs) to optimize for both performance and energy consumption.</p>
<div class="lb-trans"><p>人工智能的物质现实是一个主要主题，特别是关于高端人工智能加速器的稀缺性。Kaoutar El Maghraoui 强调，2025 年巩固了人工智能硬件的稀缺性，成为一种 “结构性限制”，而非暂时瓶颈。这种前所未有的需求，主要是由大规模前沿模型训练驱动，迫使行业将重点分为两类：规模化（如 NVIDIA H200/B200、AWS Trainium 的大型集群）与扩展（在本地或边缘运行的高效小型模型）。El Maghraoui 预测，2026 年将以 “前沿与高效模型类别之间的紧张关系” 为定义，指出通过 4 位量化和专用神经处理单元（NPU）等技术在本地运行具有 10 亿到 50 亿参数的模型的可行性日益增加。这一效率驱动是至关重要的，因为 “行业确实必须提升效率”，而不是仅仅依赖于持续增加的计算能力，这仍然受到供应限制。这一转变正在推动新的混合架构，结合变换器和状态空间模型（SSM）等元素，以优化性能和能耗。</p>
</div><p>This push for efficiency dovetails with the rising importance of modularity in multimodal systems, a key area for IBM’s Granite models. Aaron Baughman stressed the need for models that can interpret and act upon diverse data—language, vision, and action—to enable complex, autonomous digital workers. Abraham Daniels detailed the focus on building modular capabilities that leverage adapters and external orchestration layers. This allows enterprises to tailor AI solutions by combining specialized components, avoiding the overhead of monolithic, omni-capable models. This architecture, Daniels argued, allows developers to “call each capability as needed,” thereby reducing footprint and increasing practical performance for specific enterprise use cases, such as complex document processing and Retrieval-Augmented Generation (RAG) pipelines.</p>
<div class="lb-trans"><p>这种对效率的推动与多模态系统中模块化的重要性日益上升相吻合，这是 IBM Granite 模型的一个关键领域。Aaron Baughman 强调需要能够解释和处理多样数据（语言、视觉和行动）的模型，以实现复杂的自主数字工作者。Abraham Daniels 详细介绍了构建利用适配器和外部协调层的模块化能力的重点。这使企业能够通过组合专业组件来定制人工智能解决方案，避免单一、全能模型的开销。Daniels 认为，这种架构允许开发人员 “根据需要调用每个能力”，从而减少占用空间并提高特定企业用例（如复杂文档处理和增强检索生成（RAG）管道）的实际性能。</p>
</div><p>The panelists agreed that the convergence of these trends sets the stage for a fierce battle over the “front door” of AI. Whether it is through browser integration (Perplexity, enhanced ChatGPT), mobile operating systems (Apple, Google/Android), or enterprise platforms, the entity that successfully integrates the reasoning, the tools, and the models—regardless of whether those models are open or closed—will capture the market. This fight for the control plane is evident across multiple digital surfaces, including browser extensions and embedded mobile applications. The ultimate success will hinge on who can provide the most seamless user experience, masking the underlying complexity of the multi-agent, hybrid-architecture systems now becoming the norm.</p>
<div class="lb-trans"><p>小组成员一致认为，这些趋势的融合为人工智能的 “前门” 激烈竞争奠定了基础。无论是通过浏览器集成（Perplexity、增强版 ChatGPT）、移动操作系统（Apple、Google/Android）还是企业平台，成功整合推理、工具和模型的实体——无论这些模型是开源还是封闭——将占领市场。这场对控制平面的争夺在多个数字表面上显而易见，包括浏览器扩展和嵌入式移动应用程序。最终的成功将取决于谁能提供最无缝的用户体验，掩盖如今成为常态的多智能体混合架构系统的潜在复杂性。</p>
</div>

The Super Agent Emerges as Open Source Forces Hardware Efficiency

- 2025 年人工智能的发展聚焦于集成、效率和可接入性。  
- 专家讨论了 AI 代理的成熟、开源模型的突破及硬件资源的稀缺。  
- 未来快节奏的趋势将影响产业格局，影响开放与封闭系统的竞争。

随着开源推动硬件效率的提升，超级代理应运而生