鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

2025年AI十大事件:DeepSeek开源炸场,谷歌绝地反击,独角兽扎堆IPO

编程导航
编程导航
2025-12-31 23:51
阅读 265
编程导航
2025-12-31 23:51
阅读 265

智东西(公众号:zhidxcom)
编译 |  王欣逸
编辑 |  程茜

智东西12月31日消息,昨晚,外媒The Information做了2025年度AI十大关键事件总结,细数了DeepSeek开源引爆整个大模型产业、谷歌强势回归、Meta优势不再及小扎狂挖人等产业发展的重要节点。

今年开年,DeepSeek携开源模型炸场,一举惊动全球。随着DeepSeek的应用实践,强化学习引起了行业内关注。

今年,OpenAI在AI聊天机器人市场的领先优势已大幅缩小,与此同时,谷歌强势回归,正带着Gemini 3.0迎头赶上;Meta则处于失宠的境地,花式挖人、巨额投资均未见成效。

今年,AI应用开始实现真实营收,有超过25家AI应用创企实现了至少1亿美元(约合人民币6.99亿元)的年化收入。

芯片厂商、云厂商与AI公司们形成了利益共同体,“循环融资交易”(circular funding deals)可能是AI热潮中延续性最强的趋势之一。此外,国外的OpenAI、Anthropic以及国内的智谱、MiniMax等AI独角兽都将目光瞄准了IPO。

The Information提到,在即将到来的2026年,以下事件值得重点关注:AI应用能否实现盈利,谷歌能否维持复苏态势以及机器人和持续学习能力瓶颈能否突破,此外,Meta也正准备在明年发布新的文本、图像和视频模型。

值得一提的是,前特斯拉AI总监、OpenAI联合创始人安德烈·卡帕西(Andrej Karpathy)对大模型的态度,尤其是在编程能力上,从表示怀疑发生了180度急转,卡帕西称:“如果能将过去一年左右出现的工具有效整合,我的工作效率可能提升十倍。”

站在一年的末尾回望这一年,以下关于2025年AI的十大关键事件令人难忘:

一、DeepSeek突袭,Meta巨额投资AI,谷歌找回节奏

1、一月的DeepSeek时刻

2025年刚刚拉开帷幕,DeepSeek抛出重磅开源炸弹,宣布开源DeepSeek-R1模型,并声称其性能足以比肩甚至超越OpenAI、Anthropic和Meta的顶尖AI模型,同时训练成本却低得多。一时间,硅谷惊呼四起,认为AI开发者、风投机构、英伟达乃至云服务提供商都将面临巨大冲击,惊呼中国已在AI竞赛中超越美国。

无论DeepSeek后续发展如何,这一事件已然动摇了许多开发者对美国AI技术的绝对信心,而国内开源模型持续受到欢迎和关注,也真切地证明了其在AI领域有着不容小觑的竞争实力。

2、强化学习的兴起

强化学习(RL,Reinforcement Learning)正随着DeepSeek的应用实践,在AI行业的其他领域迅速流行开来。该技术的核心在于,通过奖励模型达成特定目标、惩罚其他行为的方式来训练模型。此后,包括编程、制作Excel表格乃至提供医疗建议在内的多种任务中,各大主流AI实验室纷纷开始借助RL技术提升模型表现。

这一趋势还推动了RL环境(RL environments)的兴起,即为AI模型创建可模拟真实应用的副本环境,供其练习与学习。例如,Anthropic的负责人就曾提到,公司计划在未来一年中投入高达100亿美元(约合人民币698.72亿元),用于开发和构建此类RL环境。

3、AI应用开始实现真实营收

过去一年,业内始终存在一个核心疑问:除了AI模型企业、云服务提供商和英伟达之外,是否还有其他企业能够真正从AI中获利?今年,答案似乎逐渐明朗。

据The Information报道,目前有超过25家AI应用创企实现了至少1亿美元(约合人民币6.99亿元)的年化收入,这绝不是小数目,2026年的问题将会是,这些公司中是否有能实现盈利的。

4、Meta的失宠

对Meta而言,2025年是艰难的一年。四月,Meta发布的Llama 4模型在开发者社区中反响平平;随后在六月,Meta创始人兼首席执行官马克·扎克伯格(Mark Zuckerberg)开启挖人大战,向AI数据标注创企Scale AI投资143亿美元(约合人民币999.17亿元),以聘请其首席执行官汪滔(Alexandr Wang)及其核心团队,以重整公司的AI业务布局。然而这笔巨额投资至今未见明显成效。

自此之后,Meta新组建的AI团队仅推出了一款令人失望的AI视频应用Vibes,随之而来的则是内部数次重组与人才持续流失。有报道称,Meta正准备在明年发布新的文本、图像和视频模型。

5、谷歌的强势回归

自2022年被OpenAI推出的ChatGPT突袭而一度措手不及,并在此后多年被贴上“AI落后者”标签的谷歌,终于在2025年找回了自己的节奏。今年,公司接连推出一系列备受市场好评的模型,并于11月压轴发布了广受赞誉的Gemini 3.0。这一模型在代码生成领域取得突破性进展,成为首批突破预训练缩放瓶颈的例证之一。Gemini 3.0触动了OpenAI,在这一模型发布后,OpenAI首席执行官萨姆·阿尔特曼(Sam Altman)迅速宣布公司进入“红色警戒”状态。

尽管目前Gemini聊天机器人在用户规模上仍显著落后于ChatGPT,但它正在迎头赶上。2026年,谷歌能否延续这一复苏态势,将会是行业关注的重点。

二、OpenAI、Anthropic瞄准上市,机器人、AI持续学习能力存疑

6、AI资金进入循环

如果一家AI实验室未能从微软、英伟达或亚马逊这类巨头获得资金,用于支付向其采购芯片与算力的费用,那么它的经营模式恐怕需要重新审视了。“循环融资交易”可能是AI热潮中延续性最强的趋势之一,其源头甚至能追溯至2019年微软对OpenAI的首轮融资。对于OpenAI、Anthropic这类创企而言,这已成为一种高效的融资手段,能直接支撑它们最大的开支项:计算资源。

7、特朗普成为AI产业的盟友

自今年年初上任以来,美国总统唐纳德·约翰·特朗普(Donald John Trump)推行了一系列被视为对AI产业利好的政策举措,例如,签署行政命令限制各州对AI的监管权限,加速数据中心建设的审批流程等。考虑到众多科技公司此前投入大量时间与资金进行政治铺垫,此类政策倾斜并不令人意外。不过,Anthropic等公司对特朗普政府采取了相对谨慎的态度。

8、AI机器人发展不及预期

去年,风险投资家们向机器人初创公司注资数十亿美元,这些公司当时宣称大模型将帮助他们开发出真正实用的机器人。然而这一愿景至今未能实现,甚至许多机器人仍在犯基础性错误。此外,AI机器人似乎仍需要人类远程操控,如近期特斯拉Optimus机器人在摔倒前做出“摘头显”动作,挪威人形机器人公司1X Technologies推出的家务机器人Neo也需要远程操作员人工辅助。

9、AI持续学习能力存疑

尽管AI实验室已创造数百亿美元的收入,但顶尖研究人员对现有技术能否通向通用人工智能(AGI)的疑虑却日益加深。OpenAI联合创始人、前首席科学家伊利亚·苏茨克弗(Ilya Sutskever)称,要实现真正的AGI,AI必须像人类一样,能够从现实经验中持续、即时地学习,也就是持续学习的能力。

这类AI目前尚未成为现实,但几乎可以断言,每个AI实验室都已在此方向上展开布局。倘若持续学习技术最终取得突破,其影响将辐射至整个AI产业,由于这类方法对数据和算力的需求可能远低于当前模型,长期以来依赖算力扩张的行业生态或将面临重构,这对英伟达等算力巨头而言,恐怕不是一个好消息。

10、各大AI创企纷纷准备上市

2025年,OpenAI、Anthropic与xAI等AI创企仍以令人瞩目的高估值持续融资。近期,OpenAI和Anthropic相继释放信号,正积极筹备在未来几年内推动上市;与此同时,今年12月,智谱和MiniMax先后通过港交所聆讯并递交招股书。它们的上市意愿背后存在清晰的商业逻辑:作为资本密集型的行业代表,它们希望借助当前市场对AI板块的乐观情绪,打通可持续的融资渠道。如果它们上市成功,可能为个人投资者提供从AI浪潮中受益的机会,当然,也须同时承担泡沫可能破裂所带来的风险。

三、AI大牛卡帕西评价模型编程能力,称工作效率能提升10倍

此外,以下是其他正在发生的事情,对于大模型的能力,卡帕西的态度在今年发生了180度大转弯。

去年10月,卡帕西曾公开批评当前的大模型,尤其指出它们在代码生成这类被高度宣传的场景中实用性有限。他在一次播客访谈中提到,AI编程工具只能在他需要自动补全单行代码或编写模板代码时才有效。

不过,情况似乎已悄然改变。上周,卡帕西在社交平台X上发表了截然不同的看法:“‘软件工程’这个职业正在被重构,程序员编写的代码片段正变得越来越少且处于辅助地位。”他进一步感慨:“我有种强烈的预感,如果能将过去一年左右出现的工具有效整合,我的工作效率可能提升十倍;而如果没有这一工作,简直像是一种能力缺失。”

虽然不清楚卡帕西具体所指的编程工具或模型是哪一款,不过,他曾发文对Anthropic的AI编程工具Claude Code赞不绝口。卡帕西特别提到,Anthropic于11月推出的旗舰模型Opus 4.5及近期其他新模型,在代码生成能力上取得了巨大进步。

结语:从2025到2026:迎接AI行业的持续变革

今天是2025年的最后一天,这一年,技术狂飙从未停歇,我们目睹了DeepSeek突袭硅谷、Gemini 3的反击;也见证了Meta略带沮丧的一年、AI机器人能力不及预期的问题。2025年,全球AI竞赛打得火热。

2026年的帷幕即将拉开,关于AI技术本质、AGI等终极问题的讨论仍在持续进行中,以OpenAI、Anthropic为代表的AI公司背后的高估值和狂欢,能否平稳上市扶摇而上,抑或难逃泡沫破裂的结局,这些有待2026年乃至更久之后验证。

来源:The Information

原文链接: 2025年AI十大事件:DeepSeek开源炸场,谷歌绝地反击,独角兽扎堆IPO
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥 热门文章
1
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
480
2
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
430
3
我的第一个出海产品!7 天 2 万
370
4
又一个国产版 Codex 神器,也来卷办公了!
370
5
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
340
6
DeepSeek 重磅开源的超级 Agent,到底是个啥?
330
7
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
280
8
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
280
9
人工智能前沿部署工程师(FDE) · 概 览 与 方 法 论
270
10
QuireKit 编辑器的 AI-Native 是如何设计的?谈谈我对真正 AI-Native 的理解
250
11
告别“金鱼记忆”:我开发了一款能当“第二大脑”的浏览器 AI 助手
250
12
ARTS 1101: 最长回文串与子序列匹配、一次 URL 请求的来回之旅与如何验证 AI 的交付
230
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
朱雀AI检测助手朱雀AI检测助手