存储巨头，利润暴涨1814%创新高

2026.07.30

先说一个核心判断：AI能力正在分层，而且这个分层速度比大多数人想象的要快得多。过去几年，大家还在争论“大模型会不会取代人类”，现在已经没人讨论这个了——焦点已经转移到“哪一层AI能做什么，以及怎么做”。

具体来看，从L1到L4，每一层都在解决不同的问题，但关键是，它们之间的边界正在模糊。比如，L1的推理能力过去被认为只能做简单的逻辑判断，但现在，一些模型已经能处理复杂的多步推理，甚至开始涉及因果分析。这意味着一件事：传统的“能力分层”框架，可能很快就要被重新定义。

那么，当下最值得关注的是什么？是“工具使用”和“自我改进”这两项能力的跃升。过去，模型需要人类手把手教它调用API，现在，很多模型已经能自主规划流程、调用工具、甚至根据反馈自我修正。这背后是训练范式的改变——从“监督学习”到“强化学习+人类反馈”的混合模式，让模型学会了“试错”和“迭代”。

举个例子，在代码生成领域，一个L4级别的模型已经能自主完成一个完整函数的设计、测试、调试和优化，整个过程几乎不需要人工干预。它甚至能根据代码注释自动生成文档，并检查代码规范。这已经不是“辅助工具”了，这已经是一个“初级工程师”的水平。

不过，话说回来，能力分层带来的最大挑战不是技术本身，而是“如何让各方信任这些能力”。尤其是当模型开始自主决策时，可靠性、安全性、可解释性就成了必须跨越的门槛。比如，一个能自主调试代码的模型，如果在修改过程中引入了隐蔽漏洞，后续的修复成本可能远超人工调试。所以，行业共识是：能力越强，越需要“护栏”。

从市场数据来看，目前走得最靠前的几个团队，都集中在“推理能力”和“工具使用”的交叉点上。比如，DeepSeek的R1系列和OpenAI的o系列，都在尝试把链式推理直接嵌入到工具调用流程中。这意味着，未来的AI不再是“回答问题”的机器，而是“完成任务”的协作者。

最后，可以确定的是，接下来12到18个月，我们会看到更多“垂直领域”的突破。比如，在法律、医疗、金融这些对逻辑严谨性要求极高的行业，能完成“全流程闭环”的AI会率先落地。而通用领域的“全才型”AI，可能还需要更长时间。