2024年，人工智能领域经历了波澜壮阔的一年，既有突破性的进展，也伴随着挑战与反思。这一年，AI技术的每一次革新都牵动着业界的神经，从预训练模型的争议到视频生成模型的惊艳亮相，再到AI编程与语音交互的飞速发展，每一项技术都在重新定义人与机器的互动方式。
年初，当人们还在期待OpenAI的Sora能否如约而至时，业界对视频生成类大模型的热情已被彻底点燃。Sora凭借文字生成高清视频的能力，让“一键生成万千世界”成为可能，DiT架构的创新更是为视频生成模型提供了前所未有的时空建模能力。随后，国内多家企业如字节跳动、快手、智谱等纷纷推出自己的文生视频模型，虽然商业化之路依旧坎坷，但技术的进步已不容忽视。
然而，预训练模型的“黄金定律”——Scaling Law，却在今年遭遇了前所未有的挑战。随着高质量文本数据的日益枯竭，GPT系列模型的改进速度明显放缓，业界对LLM能否通向AGI的质疑声此起彼伏。但危机往往孕育着转机，OpenAI研究员提出了通过增加推理计算资源来提升模型表现的新思路，o1系列模型的推出标志着深度推理能力成为大模型发展的新方向。DeepSeek、Kimi、阿里、昆仑万维等企业纷纷跟进，推出了一系列具备深度推理能力的大模型，这些模型在自我反思、学习能力上有了显著提升。
在编程领域，AI的崛起同样令人瞩目。随着AI编程工具从Copilot向Agent转型，Cursor、Canvas、Jules等智能编程助手的出现，让开发者的工作效率得到了前所未有的提升。ReAct框架的突破更是让AI编程助手实现了从“辅助”到“自主”的转变，让软件开发变得更加简单、高效。尽管AI编程还不能完全取代程序员的工作，但它已经打开了人与机器协作的新篇章。
语音AI的发展同样令人振奋。GPT-4o、科大讯飞的星火模型、字节跳动的豆包等新一代端到端语音大模型的出现，让“懂场合”、“通人性”的虚拟助手成为现实。这些模型不仅能实时感知上下文，还能灵活选择声音的节奏、语气，甚至能被打断和停顿。虽然实时语音AI的成本仍然高昂，但“算力分层”等策略的应用正在逐步降低这一门槛。随着技术的不断进步，语音AI有望成为智能硬件的第二春。
AI Agent的崛起则是今年AI领域的又一亮点。从智谱的AutoGLM到Anthropic的Claude Computer Use，再到谷歌的Project Mariner等，这些AI Agent不仅具备跨APP的能力，还能通过简单的语音指令完成复杂任务。它们正在逐渐将科幻里的“万能助手”变成现实，引领着人机交互的新潮流。同时，AI Agent在游戏行业的突破更是让人眼前一亮，网易伏羲和腾讯的AI队友已经不再是传统意义上的“NPC”，而是能够听懂语音指令、实时调整策略、甚至和玩家情感互动的智能伙伴。
