<p>2025 年確認，人工智能的未來不僅在於模型的原始規模，還在於整合、效率和可及性。由 Tim Hwang 主持的 “專家混合” 年終回顧匯聚了關鍵聲音——Chris Hay、Gabe Goodhart、Kaoutar El Maghraoui、Aaron Baughman 和 Abraham Daniels——共同剖析過去一年的定義性趨勢，並預測 2026 年的發展軌跡。核心敍事是智能體的成熟以及對基礎硬件和軟件生態系統的壓力。Tim Hwang 與 “專家混合” 年終特別節目中的資深小組成員討論了人工智能領域的重大時刻，包括人工智能智能體的成熟、開源的崛起以及硬件供應的結構性限制。</p>
<p>Chris Hay 立即為他之前的預測辯護，認為 2025 年將是 “超級智能體之年”，儘管 Hwang 開玩笑地聲稱智能體是 “沒有吠叫的狗”。Hay 認為，基礎技術——先進的推理和擴展的工具使用——確實到來了，儘管是整合到現有模型中，如 ChatGPT Deep Research 和 Claude Code。他強調，今天的智能體不是單一的專業功能，而是一個協調者。Hay 指出，當前的模型能夠 “思考更長時間並能夠規劃”，使它們能夠將多個工具串聯在一起，以實現複雜目標，例如從單個提示生成整個演示文稿。這一轉變超越了簡單的一次性任務，朝着自主工作流發展，重新定義了商業空間中功能性人工智能智能體的真正含義。</p>
<p>Gabe Goodhart 專注於開源模型的突破性年份，引用了 Kimi K2 Thinking 等進展，這些進展使開源性能與專有系統的差距更近。這種快速收斂將主要摩擦點從模型質量轉移到了周邊基礎設施和用户體驗。開源社區在單個組件方面表現出色，但在統一打包方面卻面臨挑戰。將不同的工具和模型整合成一個連貫的用户產品仍然複雜。Goodhart 建議，要在所有領域真正佔據主導地位，開源必須克服的下一個主要障礙是實現與封閉系統中相同水平的用户體驗和滿意度。</p>
<p>人工智能的物質現實是一個主要主題，特別是關於高端人工智能加速器的稀缺性。Kaoutar El Maghraoui 強調，2025 年鞏固了人工智能硬件的稀缺性，成為一種 “結構性限制”，而非暫時瓶頸。這種前所未有的需求，主要是由大規模前沿模型訓練驅動，迫使行業將重點分為兩類：規模化（如 NVIDIA H200/B200、AWS Trainium 的大型集羣）與擴展（在本地或邊緣運行的高效小型模型）。El Maghraoui 預測，2026 年將以 “前沿與高效模型類別之間的緊張關係” 為定義，指出通過 4 位量化和專用神經處理單元（NPU）等技術在本地運行具有 10 億到 50 億參數的模型的可行性日益增加。這一效率驅動是至關重要的，因為 “行業確實必須提升效率”，而不是僅僅依賴於持續增加的計算能力，這仍然受到供應限制。這一轉變正在推動新的混合架構，結合變換器和狀態空間模型（SSM）等元素，以優化性能和能耗。</p>
<p>這種對效率的推動與多模態系統中模塊化的重要性日益上升相吻合，這是 IBM Granite 模型的一個關鍵領域。Aaron Baughman 強調需要能夠解釋和處理多樣數據（語言、視覺和行動）的模型，以實現複雜的自主數字工作者。Abraham Daniels 詳細介紹了構建利用適配器和外部協調層的模塊化能力的重點。這使企業能夠通過組合專業組件來定製人工智能解決方案，避免單一、全能模型的開銷。Daniels 認為，這種架構允許開發人員 “根據需要調用每個能力”，從而減少佔用空間並提高特定企業用例（如複雜文檔處理和增強檢索生成（RAG）管道）的實際性能。</p>
<p>小組成員一致認為，這些趨勢的融合為人工智能的 “前門” 激烈競爭奠定了基礎。無論是通過瀏覽器集成（Perplexity、增強版 ChatGPT）、移動操作系統（Apple、Google/Android）還是企業平台，成功整合推理、工具和模型的實體——無論這些模型是開源還是封閉——將佔領市場。這場對控制平面的爭奪在多個數字表面上顯而易見，包括瀏覽器擴展和嵌入式移動應用程序。最終的成功將取決於誰能提供最無縫的用户體驗，掩蓋如今成為常態的多智能體混合架構系統的潛在複雜性。</p>

超微電腦

<p>2025 年突顯了人工智能的演變，強調效率和整合而非單純的模型規模。在 Tim Hwang 主導的 “專家混合” 評審中，關鍵討論集中在人工智能代理的成熟以及硬件供應的挑戰。與會者指出開源模型的崛起，像 Kimi K2 Thinking 這樣的進展正在縮小與專有系統之間的差距。高端人工智能加速器的稀缺被認為是一種結構性限制，推動了高效模型的開發。未來將會在各個平台之間展開人工智能整合的競爭，用户體驗將成為一個關鍵因素</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 年確認，人工智能的未來不僅在於模型的原始規模，還在於整合、效率和可及性。由 Tim Hwang 主持的 “專家混合” 年終回顧匯聚了關鍵聲音——Chris Hay、Gabe Goodhart、Kaoutar El Maghraoui、Aaron Baughman 和 Abraham Daniels——共同剖析過去一年的定義性趨勢，並預測 2026 年的發展軌跡。核心敍事是智能體的成熟以及對基礎硬件和軟件生態系統的壓力。Tim Hwang 與 “專家混合” 年終特別節目中的資深小組成員討論了人工智能領域的重大時刻，包括人工智能智能體的成熟、開源的崛起以及硬件供應的結構性限制。</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 立即為他之前的預測辯護，認為 2025 年將是 “超級智能體之年”，儘管 Hwang 開玩笑地聲稱智能體是 “沒有吠叫的狗”。Hay 認為，基礎技術——先進的推理和擴展的工具使用——確實到來了，儘管是整合到現有模型中，如 ChatGPT Deep Research 和 Claude Code。他強調，今天的智能體不是單一的專業功能，而是一個協調者。Hay 指出，當前的模型能夠 “思考更長時間並能夠規劃”，使它們能夠將多個工具串聯在一起，以實現複雜目標，例如從單個提示生成整個演示文稿。這一轉變超越了簡單的一次性任務，朝着自主工作流發展，重新定義了商業空間中功能性人工智能智能體的真正含義。</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 專注於開源模型的突破性年份，引用了 Kimi K2 Thinking 等進展，這些進展使開源性能與專有系統的差距更近。這種快速收斂將主要摩擦點從模型質量轉移到了周邊基礎設施和用户體驗。開源社區在單個組件方面表現出色，但在統一打包方面卻面臨挑戰。將不同的工具和模型整合成一個連貫的用户產品仍然複雜。Goodhart 建議，要在所有領域真正佔據主導地位，開源必須克服的下一個主要障礙是實現與封閉系統中相同水平的用户體驗和滿意度。</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>人工智能的物質現實是一個主要主題，特別是關於高端人工智能加速器的稀缺性。Kaoutar El Maghraoui 強調，2025 年鞏固了人工智能硬件的稀缺性，成為一種 “結構性限制”，而非暫時瓶頸。這種前所未有的需求，主要是由大規模前沿模型訓練驅動，迫使行業將重點分為兩類：規模化（如 NVIDIA H200/B200、AWS Trainium 的大型集羣）與擴展（在本地或邊緣運行的高效小型模型）。El Maghraoui 預測，2026 年將以 “前沿與高效模型類別之間的緊張關係” 為定義，指出通過 4 位量化和專用神經處理單元（NPU）等技術在本地運行具有 10 億到 50 億參數的模型的可行性日益增加。這一效率驅動是至關重要的，因為 “行業確實必須提升效率”，而不是僅僅依賴於持續增加的計算能力，這仍然受到供應限制。這一轉變正在推動新的混合架構，結合變換器和狀態空間模型（SSM）等元素，以優化性能和能耗。</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>這種對效率的推動與多模態系統中模塊化的重要性日益上升相吻合，這是 IBM Granite 模型的一個關鍵領域。Aaron Baughman 強調需要能夠解釋和處理多樣數據（語言、視覺和行動）的模型，以實現複雜的自主數字工作者。Abraham Daniels 詳細介紹了構建利用適配器和外部協調層的模塊化能力的重點。這使企業能夠通過組合專業組件來定製人工智能解決方案，避免單一、全能模型的開銷。Daniels 認為，這種架構允許開發人員 “根據需要調用每個能力”，從而減少佔用空間並提高特定企業用例（如複雜文檔處理和增強檢索生成（RAG）管道）的實際性能。</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>小組成員一致認為，這些趨勢的融合為人工智能的 “前門” 激烈競爭奠定了基礎。無論是通過瀏覽器集成（Perplexity、增強版 ChatGPT）、移動操作系統（Apple、Google/Android）還是企業平台，成功整合推理、工具和模型的實體——無論這些模型是開源還是封閉——將佔領市場。這場對控制平面的爭奪在多個數字表面上顯而易見，包括瀏覽器擴展和嵌入式移動應用程序。最終的成功將取決於誰能提供最無縫的用户體驗，掩蓋如今成為常態的多智能體混合架構系統的潛在複雜性。</p>
</div>

The Super Agent Emerges as Open Source Forces Hardware Efficiency

- 2025 年人工智能的發展聚焦於集成、效率和可接入性。  
- 專家討論了 AI 代理的成熟、開源模型的突破及硬件資源的稀缺。  
- 未來快節奏的趨勢將影響產業格局，影響開放與封閉系統的競爭。

隨着開源推動硬件效率的提升，超級代理應運而生