近期值得关注的 11 个 AI 技术方向System 1 决策模型Jev、Laya值得快速验证核心快速分类、路由、打分、候选选择、置信度判断。与通用 LLM 相比这类模型更专注于给定选项中直接作出判断。适合智能体任务分流、科研方案筛选、代码风险预分类和低成本推理。资料Jev 与 Laya 对比Agentic AI自主执行型智能体产业热点核心规划、调用工具、执行、观察结果、纠错。从对话机器人发展到能操作终端、修改代码、运行测试、检索资料和交付任务的系统。关键突破正在从“会回答”转向“能可靠完成任务”。Springer Nature Link代表生态Hermes Agent、OpenHands、Claude Code、Codex 等。Test-Time Compute推理时计算扩展核心把更多计算资源用在思考、搜索、验证和纠错上。不一定重新训练一个更大的模型而是在回答之前生成候选、分解问题、执行检查、比较方案。特别适合复杂编码、数学证明和科研决策。World Models世界模型核心学习环境状态、动作及其后果之间的关系。让 AI 不只识别当前图像还尝试预测下一时刻会发生什么。应用包括机器人、自动驾驶、游戏智能体、物理仿真和数字孪生。Springer Nature LinkMamba / SSM状态空间模型核心高效处理序列、长上下文和连续状态。适合探索长序列建模、时序数据、代码分析、点云序列和边缘设备推理。它与 Transformer 并非简单的替代关系实际效果取决于任务、训练数据与具体架构。原生多模态模型核心联合处理文本、图像、音频、视频及空间信息。研究重点从简单地拼接多个模型走向统一理解、实时交互和跨模态生成。对数字人、语音助手、工业视觉和机器人都有价值。Diffusion / Flow Matching生成式建模核心生成图像、视频、三维内容探索新的序列生成方式。值得关注视频时序一致性、实时数字人、3D 资产生成以及扩散模型与世界模型、机器人规划的结合。小模型专用化蒸馏、量化、稀疏化核心让较小模型以更低成本完成专业任务。包括教师模型蒸馏、LoRA 微调、量化推理、MoE 稀疏激活和任务专用模型。对本地 GPU、多节点 AI 系统和端侧设备尤其重要。多智能体协作、长期记忆与经验学习核心分工协作、记忆经验、复用技能、持续改进。研究重点包括多 Agent 协同、共享记忆、工具与技能发现、任务复盘和基于反馈的策略更新。需要注意积累记忆并不等于模型参数真正实现了自我进化。Physical AI / Embodied AI具身智能核心感知、推理、运动规划、执行和环境反馈闭环。结合视觉语言动作模型VLA、强化学习、机器人控制和世界模型。相比纯软件 Agent它还必须面对物理安全、实时控制与真实环境泛化问题。第 11 名REA — Reverse Engineer Anything特色工程工具通过 CLI 和 MCP 让 Agent 调用程序分析、反编译、调用关系追踪等工具从已有应用中提取实现证据再辅助开发兼容功能。