o3作为分水岭的意义在于，在达到o3水平之前，核心问题是模型运行得好不好。之后的核心问题就是如何让o3级别模型发挥作用。 （并不是说模型不需要开发）
说到它的有效性，如果你只从技术本身的角度来看待人工智能的挑战，你看到的只是如何写提示词。这与人工智能大规模提供通用智能的基本特征不相符。
必须扩展到更大的空间，理顺应用渠道。显然，“胡萝卜跑”事件并非来自技术和产品，但它确实影响了产品化的进程，每一个落地场景都可能面临小微“胡萝卜跑”式的困境。
那么这条申请路径中最关键的是什么？
首先是AI与人类的关系
这是塑造未来各种应用的基础和出发点。 2024年12月29日的AI碰撞局上，北京大学国家发展研究院侯宏老师提出了一个思考框架：
可能很难理解，但本质是讲在知识创造的过程中如何定义人类与AI的关系（更多相关文章可以参考侯老师的公众号：）。
关注知识的创造和流通才是它的起源问题。
因为在知识创造的过程中，人和机器的角色边界最终会成为应用边界的决定因素之一。
人机视角是横向分割。如果再加上数据采集范围的垂直视角，基本上就是AI应用的潜在格局。
人与机器的边界决定了应用的形式和深度，决定了如何向个人和企业提供智能，比如是否提供。
数据可用性边界决定了角色的功能边界及其提供的内容，例如教育、法律或其他。
二、数据可用性
如上所述，数据的可用性决定了应用程序的功能边界。
这里有两个关键：
一是兴趣多元化。否则就不会有连续的数据。没有连续的数据，就不可能做得越来越好。最终，只会有唾手可得的成果。例如，如果你向法院提供解决方案，那么显然数据无法持续流动。这不是一个技术问题，而是一个生产关系重组的问题。需要复杂的思考才能找到一条真正可能的路径。
一是数据本身的成本，指的是长期保证数据高精度的成本。这可能相当于一个强大的AI，其外围设备全是谎言，也不会发挥作用。
对于产品来说，这两个都是战略问题，与后天努力关系不大。它们先验地确定了产品最终扩张的边际成本。
如果我们把人工智能应用分为两类，一类是创造新效率，一类是创造新体验，前者是如上所述的生死攸关的问题。
三、数据路径的通用性问题
我们知道，大型AI模型的核心特征是能力的通用性。
我们假设大型人工智能模型扮演大脑的角色。那么这个大脑显然可以同时收获玉米和桃子。然而，如果它实际上只使用一种类型的触手，例如章鱼般的爪子，那么它就无法收获玉米。只能采摘桃子。
这时，并不是模型能力不足，而是感知反馈通路不够通用，两者不匹配。
这是与以往应用的核心区别。
只要数据路径没有问题，AI可以提供任何功能，关键不再是功能。
四、AI应用必须是系统化应用
没有什么AI应用小而美的说法，因为数据的边界就是应用的边界。小范围内没有障碍物。它要么被大型模型本身吸收，要么被同类应用吸收，只有很短的窗口期。
每一种可能性都类似于搜索和微信，最后NO.1几乎占据了全部。
一旦数据路径的多功能性变得至关重要，就会导致应用程序向系统化方向发展，因为来源很多，需要展示的能力需要动态变化。前者是从类似于过去的硬件抽象层（HAL）衍生出来的，后者是从技能库衍生出来的，这样中间就有了()等函数。
五、适应性
自动驾驶与过去最大的区别在于它的适应性。
几乎所有未来的应用程序都需要自适应能力。
当积累了足够多的全场景数据后，就会出现两种演化模型。一种类似于这种端到端模型。此时模型和应用并没有分离，数据将有助于更好的模型。
但还有另一种情况，更大的数据量和更长的分析时间可以带来更好的解决方案（利用o3的能力）。
显然，这个时候系统的内核就会分为两部分，一部分负责快思维，另一部分负责慢思维。
对于系统类应用来说，其大部分功能都是独立完成的。这时候一部分是实时处理各种反应，一部分是迭代总结自己的行为进行改进。这两项任务显然需要分开完成。因此，对于系统类应用，需要双系统分离。
概括
也许写起来有点夸张和武断，但这是一个必然的语境，与方法很相似，往往不会根据人们的意愿而改变。我应该还是有点资格说这个的，看：这是之前做出的上下文判断，大体上是准确的。
以上论文可以让你了解实际实现中的想法和问题。
1.该系统绝对不是当前系统的增强，而是对现有系统的重新定义，因此与现有系统的关系极有可能是错误的。
2.双系统的例子不好，因为例子不需要双系统。
