--- title: "- 报告总结了研究与应用AI峰会2026的核心议题：递归自我改进、Token成本效率、世界模型和物理AI。深度Mind展示了超越自回归Transformer的路" topic_id: 55522558855228214 created_at: 2026-06-15T20:47:31.168+0800 source: zsxq type: topic cssclasses: zsxq-vault --- # - 报告总结了研究与应用AI峰会2026的核心议题：递归自我改进、Token成本效率、世界模型和物理AI。深度Mind展示了超越自回归Transformer的路 - 序号：066 - 星球链接：[打开网页](https://wx.zsxq.com/group/15522451881222/topic/55522558855228214) - 附件：图片 0，音频 0，文档 0 - 音频文件：_无音频_ ## 图片 _无图片_ ## 正文 - 报告总结了研究与应用AI峰会2026的核心议题：递归自我改进、Token成本效率、世界模型和物理AI。深度Mind展示了超越自回归Transformer的路径，通过世界模型、扩散模型和开源推动。强效Token效率成为关键：Revolut通过路由平台节省8倍成本，ElevenLabs在固定硬件上实现70倍吞吐量提升。世界模型商业化仍处早期，但被视为打破机器人遥操作瓶颈的数据生成引擎。 Citi发布的研报《》聚焦2026年研究与应用AI峰会（RAAIS）的关键技术趋势。报告认为，当前AI行业正从单纯追求模型规模转向四大前沿方向。深度Mind的演讲强调了超越顺序自回归Transformer的蓝图，而Revolut和ElevenLabs的实践案例证明：通过模型路由、量化感知训练和推测解码等方法，可在不牺牲质量的前提下实现数倍成本节省或吞吐量提升。世界模型虽处于“GPT-2时刻”早期，但被视为解决机器人数据瓶颈的关键引擎。 Revolut的ML工程主管介绍了集中式路由网关平台，核心原则是“前沿模型通常不是正确选择”。通过模型“按需匹配”，可在无质量损失下将成本降低8倍。 ElevenLabs研究工程师展示了固定硬件上70倍的吞吐量提升：连续批处理贡献15倍，FP8量化+量化感知训练（QAT）、多令牌预测推测解码、KV缓存量化和蒸馏等方法叠加，同时路由器代理可自动将请求从大型模型路由到小型模型，性能甚至优于仅用大模型。 深度Mind将科学发现视为强化学习问题，从“发现”到“开放式发现”再到“加速开放式发现”，元学习加速了该过程。基础设施包括DiscoGen（支持4亿+生成研究任务）、MLGym-Bench和Rainbow Teaming。 Odyssey的PROWL项目将主题延伸：RL代理不仅改进决策策略，还改进世界模型本身（核心理念：“智能体永远不会比其所学习的环境模型更好”）。 商业化仍处早期，但被视为打破机器人遥操作瓶颈的数据生成引擎。Odyssey认为世界模型正处于“GPT-2时刻”，并展示Odyssey-2 Max（在PAI-Bench物理评分93）、Starchild-1（实时像素/音频联合生成）和Agora-1（多智能体模型，支持约17种功能）等产品。 深度Mind强调开源的重要性，以及物理AI（机器人、扩散模型）的实时医疗科学应用。RAAIS整体基调显示：前沿模型成本上升与风险关注，将继续推动对Token效率的聚焦。 本报告不涉及个股估值或评级，而是对AI行业技术趋势的定性分析。Citi作为研究报告发布方，并未直接提出投资建议，但隐含了对的积极判断。对于关注AI产业链的投资者，需重点关注具备Token效率优化能力（如量化、推测解码、路由框架）的软件/硬件公司，以及布局世界模型和物理AI的初创企业。 ：世界模型仍处于非常早期阶段（GPT-2时刻），商业化路径不确定，可能无法按预期突破遥操作瓶颈。 ：Token效率提升虽能降低成本，但前沿模型训练/推理成本持续上升，可能挤压中小企业利润空间。 ：开源模型加速创新但可能削弱商业公司的竞争壁垒，闭源模型面临监管和风险暴露压力。 ：报告引用的Revolut和ElevenLabs案例为个体企业实践，其效率提升效果在行业范围内未必有普适性。 ：递归自我改进能力可能引发AI安全担忧，全球监管政策变化可能影响技术应用进度。 ## 总体总结 主题正文 1. - 报告总结了研究与应用AI峰会2026的核心议题：递归自我改进、Token成本效率、世界模型和物理AI。 2. 深度Mind的演讲强调了超越顺序自回归Transformer的蓝图，而Revolut和ElevenLabs的实践案例证明：通过模型路由、量化感知训练和推测解码等方法，可在不牺牲质量的前提下实现数倍成本节省或吞吐量提升。 3. ElevenLabs研究工程师展示了固定硬件上70倍的吞吐量提升：连续批处理贡献15倍，FP8量化+量化感知训练（QAT）、多令牌预测推测解码、KV缓存量化和蒸馏等方法叠加，同时路由器代理可自动将请求从大型模型路由到小型模型，性能甚至优于仅用大模型。 4. Odyssey的PROWL项目将主题延伸：RL代理不仅改进决策策略，还改进世界模型本身（核心理念：“智能体永远不会比其所学习的环境模型更好”）。 5. Odyssey认为世界模型正处于“GPT-2时刻”，并展示Odyssey-2 Max（在PAI-Bench物理评分93）、Starchild-1（实时像素/音频联合生成）和Agora-1（多智能体模型，支持约17种功能）等产品。 6. RAAIS整体基调显示：前沿模型成本上升与风险关注，将继续推动对Token效率的聚焦。 7. Citi作为研究报告发布方，并未直接提出投资建议，但隐含了对的积极判断。 8. 对于关注AI产业链的投资者，需重点关注具备Token效率优化能力（如量化、推测解码、路由框架）的软件/硬件公司，以及布局世界模型和物理AI的初创企业。