邱锡鹏:AI的下一个分水岭不是多模态,而是“读懂空气”
复旦教授邱锡鹏在2026年WAIC上提出,当多模态感知成为AI标配,真正的竞争焦点已转向理解复杂情境。本文区分了“长上下文记忆”与“情境建模”的本质差异,并指出语言是AI构建世界模型的核心框架。这一判断意味着,AI的商业价值将从执行指令转向主动管理预期。
邱锡鹏:AI的下一个分水岭不是多模态,而是“读懂空气”

当“看见”和“听见”成为标配,什么才是AI的护城河?
多模态军备竞赛的终点

过去两年,AI领域的叙事几乎被“多模态”垄断。从能看懂图片的大语言模型,到能听懂指令的视频生成工具,业界普遍将“感知更多信号”视为通往更强智能的明确路径。这条逻辑线足够直觉:人类靠多种感官理解世界,AI自然也该如此。

但这条路径正在迅速收窄。当主流模型都具备了视觉和听觉能力,多模态本身已不再是差异化优势,而更像一张入场券。技术竞争有个冷酷规律:一项能力一旦被普遍化,它的边际价值就会骤降。今天没有任何一家头部AI实验室会因“我们的模型也能看图”而获得市场溢价,这已经成为默认配置。
正是在这个节点上,复旦大学教授邱锡鹏在2026年世界人工智能大会上提出了一个值得认真对待的判断:下一代AI缺失的关键,不是更多模态,而是理解情境。这个观点并非否定多模态的价值,而是重新划定了竞争的地形图——感知层的军备竞赛已近尾声,真正的制高点在上游。

“读懂空气”的本质:为何语言仍是AI理解世界的基石?
情境不等于长上下文
将“理解情境”等同于“能处理很长的上下文”,是对邱锡鹏观点最常见的误读。长上下文窗口解决的是信息存储问题——模型可以记住两百页的会议记录或一整部小说,但这只是硬盘容量的扩大。邱锡鹏在2026年WAIC上明确区分了这两个概念:他所强调的Context,并不只是上下文有多长,也不只是打开的窗口有多大,它指向的是现实世界中更加复杂的“情境”。

两者的根本差异在于,记忆不要求理解。一个模型可以一字不差地复述对话历史,却仍可能抓不住说话者的真实意图;可以读完所有技术文档,却无法判断当前系统故障的优先级。长上下文提供的是原材料,情境理解则要求对这些原材料进行结构化——识别哪些信息相关、它们之间是什么关系、什么可以被忽略。这更接近人类的“场景意识”:走进一间会议室,你不需要记住所有人的每句话,但你能感觉到气氛紧张、知道谁在主导讨论、判断什么时候该发言。
因此,下一代AI需要的并不只是更长的文本记忆,而是对现实情境更完整的建模能力。这个区分直接决定了技术投入的方向:继续堆上下文窗口,边际收益已经递减;而让模型从大量信息中构建出可推理的关系图谱,才是尚未攻克的难题。
语言作为世界模型的索引
为什么情境建模必须依赖语言?邱锡鹏给出了一个认知层面的理由:语言是人类认知和理解世界的重要渠道。这不是在贬低视觉或听觉,而是指出语言承担着一个独特功能——它是人类压缩、组织和推理世界知识的符号系统。

当你看到一只猫趴在沙发上,视觉提供了形状、颜色和空间关系,但“猫”“沙发”“趴”这些概念以及它们之间的语义关系,是由语言来锚定的。语言让我们能够将具体的感知经验抽象为可操作的符号,从而进行推理:猫为什么选择那个位置?它是在休息还是在观察什么?这种从感知到理解的跃迁,本质上是将非语言信息对齐到一个语言框架中。对AI而言,这个过程同样关键。多模态模型表面上是让文本、图像、声音共存,但真正让它们产生协同效应的,是语言作为“索引层”在背后建立跨模态的对应关系。
这解释了为什么纯多模态感知无法自动产生情境理解。一个模型可以同时接收视频流和音频流,但如果缺乏语言框架来进行关系建模,它只是拥有两套并行的数据,而非一个整合的世界模型。语言在这里扮演的角色不是唯一的输入通道,而是认知结构的骨架。
当然,语言中心论有其边界。人类大量的默会知识——比如骑自行车时的平衡感、识别熟人面孔的瞬间直觉——确实难以被语言充分描述。AI要真正理解物理世界的情境,未来可能需要融合更多具身经验,而不仅仅依赖符号系统。但在当前阶段,语言仍然是最有效的认知对齐路径。它不完美,却是我们已有的最强大的意义压缩工具。

从“回答问题”到“主动感知”:AI价值范式的根本转移
被动响应与主动服务的鸿沟
当前的AI助手,无论功能多强大,本质上仍是一个高度精密的“问答机”。它的价值建立在一个清晰的交易模型上:你给出明确指令,它返回最优解。这个模型的核心衡量标准是准确率和响应速度。然而,邱锡鹏所指的“情境理解”,试图瓦解的正是这个交易模型本身。它指向的是一种不再等待指令,而是主动介入认知流程的AI。

区别不在于能力大小,而在于价值产生的时机。现有助手在你发起搜索时提供答案,在你设定日程时发出提醒。但一个具备情境感知能力的AI,会在你即将进入一个复杂议题前,主动梳理出各方观点的冲突焦点;会在你与同事的邮件往来中,察觉到某个被反复推迟的关键决策,并提醒你时机正在流失。它不是在回应“是什么”,而是在管理“接下来可能发生什么”。这种能力将AI的价值从信息处理效率,提升为认知负荷的降低和风险的预判。
商业价值从执行指令到管理预期

这种能力跃迁一旦发生,商业价值的衡量标尺也将彻底改变。过去,我们为AI的工具属性付费——更快的计算、更准的翻译、更全面的检索。而当AI开始理解情境,其商业逻辑将从“替人省时间”转向“替人做判断”。它的价值不再锚定在某个具体任务的完成度上,而在于它能在多大程度上管理用户的预期。
这类似于从雇佣一位出租车司机到聘请一位私人管家的转变。你对出租车司机的期望是准确抵达目的地,评价标准是路线效率和驾驶安全。但你对管家的期望,是他在你意识到需求之前就安排好一切。你不会问他“今天有什么会议”,而是会期待他在你走进办公室时,已经根据昨晚的邮件和今早的新闻,重新调整了日程优先级。这种服务的衡量标准不再是单次指令的执行精度,而是长期协作中建立的信任与默契。邱锡鹏提到,GPT这样的范式革新也是“一点点走出来的”,这意味着当前技术正处在从“指令执行”向“预期管理”缓慢爬坡的阶段。
当然,这个跃迁并非没有代价。一个能主动管理预期的AI,必然要求对用户数据的深度、持续性访问。它能“读懂空气”的前提,是它一直在“呼吸空气”。这引发了尖锐的隐私和伦理问题。AI的“善解人意”与“越界监视”之间,存在一条模糊的边界。如果它预测到你最近的搜索模式暗示了职业变动,并主动推荐了新工作,这是服务还是操纵?技术可行性不等于社会可接受性。在AI从工具升级为伙伴的过程中,信任的建立将是一个比技术更难跨越的门槛。