林俊旸离职后首次发声！复盘千问的弯路，指出AI的新路
在离职风波后，前阿里千问技术负责人林俊旸首次通过长文发声，以“我们没有全做对”的坦诚态度，对过去的技术路径进行了深度复盘。他明确指出，AI大模型的发展正经历从“推理型思考”向“智能体思考”的关键跃迁，这不仅是技术路线的修正，更是对整个行业未来竞争格局的重新定义。
反思：推理时代的“弯路”与困境
林俊旸首先回顾了2025年上半年行业普遍陷入的“推理模型浪潮”。当时，OpenAI的o1模型证明了“思考”可以作为一种专门训练并向用户开放的一等公民能力，引发全行业效仿。大家的目标一度聚焦于如何让模型“花更多算力思考”，即通过更长的思维链（Chain of Thought, CoT）和更强的强化学习来提升解题能力。
然而，站在当下回看，林俊旸认为这种模式走入了误区，阿里千问在实践中也走过弯路。他坦言，这种生硬的合并“思考”与“指令”模式的尝试，最终导致了“两边不讨好”的尴尬局面：
- 思考变得啰嗦低效： 模型为了思考而思考，输出变得冗长、犹豫不决，在很多本应直接给出答案的场景下空耗算力，是算力分配低效的信号。
- 指令变得不可靠： 在需要快速、准确响应的企业级任务（如数据提取、文本改写、运营QA）中，带有“思考”惯性的模型反而不如纯粹的指令模型干脆可靠，且成本更高。
- 商业落地受阻： 对于大量客户而言，他们需要的是高吞吐、低成本、可控的指令行为，过度复杂的推理模式在这些场景下不仅不加分，反而增加了部署顾虑和成本。
这种拼接式的“混合思维模式”虽然在技术上试图兼顾，但在实际应用中却造成了体验的降级。真正的症结在于，单纯的“想得更久”并不代表能“做得更好”。
转向：进入“智能体思考”时代
基于上述反思，林俊旸给出了未来的答案：智能体思考（Agentic Thinking）。这一范式的核心转变在于：
- 重新定义“思考”： 思考不再是为了生成完美的内部独白，而是为了行动而思考。它是在与环境的交互中动态规划，并根据真实世界的反馈持续更新计划的过程。
- 核心问题的迁移： 竞争的核心问题已经从“模型能不能想得足够久？”，转变为“模型能不能以一种维持有效行动的方式来思考？”。衡量标准不再是能否通过基准测试，而是能否在长周期的任务执行中持续取得进展。
这是一种从“孤立的智力游戏”到“解决真实问题”的根本性跨越，也与Manus、OpenClaw等智能体产品引发的行业新浪潮相呼应。
核心：环境、系统与编排工程的崛起
一旦接受了“为行动而思考”的定义，训练的重心就发生了颠覆性的变化。林俊旸指出，未来的竞争力不再仅仅取决于模型参数或训练数据，而是来自于一个更复杂的系统工程。
-
环境设计（Environment Design）成为第一要素
进入智能体时代，我们应该痴迷于“环境质量”而非仅仅是“数据多样性”。高质量的环境意味着：- 真实性与稳定性： 能够模拟真实世界规则，提供高质量、稳定的反馈（如代码执行沙箱、浏览器环境）。
- 防作弊机制： 严格防止模型利用环境漏洞或隐藏信息来“假装”变强，确保训练出的能力是真实有效的。
- 可扩展性： 能够大规模地生成可供训练的轨迹（rollout）。
-
编排工程（Harness Engineering）成为核心竞争力
智能体不再是单一模型，而是一个嵌入在复杂框架中的系统。这催生了“编排工程”的兴起：- 工具调用即动态规划： 调用工具不再是简单的
function call，而是一个复杂的动态规划问题，涉及工具的选择、顺序安排和错误恢复。 - 多智能体协作： 核心智能将来自于多个智能体的组织方式。一个负责规划的编排者，可以调度多个垂直领域的专家智能体或子智能体，协同完成复杂任务，同时避免信息污染。
- 训练与推理的紧密耦合： RL不再仅仅是SFT的附加模块，它需要与环境深度交互，对GPU利用率、吞吐量、时延提出了全新的挑战，训练流水线本身就是系统。
- 工具调用即动态规划： 调用工具不再是简单的
展望：新范式下的演进方向
面对这场范式转移，林俊旸描绘了理想的技术演进路径，这不仅关乎阿里千问，也关乎整个AI行业的未来：
- 模型层面： 追求真正的“混合模式”，而非生硬拼接。模型应能根据上下文自主决定何时需要深度推理，何时直接应答，实现思维预算（Thinking Budget）的动态分配。
- 评估层面： 评估的重点应从静态的“解题能力”转向动态的“任务执行能力”，关注模型在真实、开放环境中解决问题的稳健性和效率。
- 行业竞争层面： 优势将属于那些能提供更好环境、更强编排框架、以及实现“模型-环境-反馈”高效闭环的玩家。从“卖模型”转向“提供智能体解决方案”将成为新的商业壁垒。
林俊旸的这次发声，不仅是对个人职业生涯的阶段总结，更是对AI行业过去一年发展路径的一次精准“纠偏”。他从阿里千问的实战经验出发，撕开了行业狂热追捧“长思考”的表象，指出了通往真正通用人工智能（AGI）的更务实、也更具挑战性的道路——让AI走出孤立的思考，学会在真实的世界中行动与创造。