AI模型分类体系深度研究报告：从LLM到LAM的八类架构全景与演进逻辑

研究日期: 2026年6月24日
研究类型: 技术分析报告（tech-analysis）
深度级别: 标准型（12,000-15,000字）
输出格式: Markdown

一、执行摘要

人工智能领域正经历从单一模型范式向多维度、多模态、多层次模型生态系统的深刻演进。本报告以用户提供的八大模型分类（LLM、多模态模型、VLM、LAM、SLM、MoE、扩散模型、领域/科学基础模型）为核心锚点，结合公开技术趋势与本地研究数据（参考用户AI研究wiki：DeepSeek V4、Figure AI Helix-02架构、AgentTeams多智能体架构等），系统性地解析了每一类模型的技术本质、架构差异、能力边界与商业落地路径。

核心发现如下：

大语言模型（LLM）：已从"通用对话工具"蜕变为AI系统的中枢神经，百万级上下文窗口、MoE架构优化与开源策略正在重塑产业格局；但数据枯竭与推理成本的双重压力预示其并非终局形态
多模态模型与VLM：视觉-语言融合已成为AI感知世界的默认接口，但"看见"与"理解"之间仍存在深度的语义鸿沟；VLM作为视觉专精分支，正在从感知向推理跃迁
大型动作模型（LAM）：代表AI从"数字智能"向"物理智能"的关键跨越。Figure AI的Helix-02架构（7B VLM顶层+千万级参数本地底层，1000Hz控制频率）揭示了LAM的核心设计哲学——物理世界要求的是毫秒级确定性，而非云端大模型的宏大批判，但"便宜不过人工、好不过专用机械臂"的商业困境是当前最大掣肘
小型语言模型（SLM）：终端AI的"毛细血管革命"。端侧推理正在从"边缘补充"变成"第一性设计"，与LAM的融合预示着"感知-理解-行动"全链路本地化时代的到来
混合专家模型（MoE）：不是单纯的效率优化手段，而是AI架构向"类脑模块化"演进的先声。稀疏激活机制使万亿参数模型在消费级成本下运行成为可能，同时为领域/科学基础模型的垂直深耕提供了架构基础
扩散模型：从图像生成的"明星"演变为科学计算、药物发现、材料设计等领域的"隐形基础设施"。其反向去噪过程本质上是物理系统的时间演化模拟器
领域/科学基础模型：从"通用AI的追随者"变为"垂直科学革命的发动机"。AlphaFold之后的第二波浪潮正在走向物理仿真、气候预测、分子设计等高价值、高壁垒场景
关键交叉趋势：八类模型并非孤岛，而是以"多模态融合+端云协同+领域深耕"的三轴坐标系持续交汇。AgentTeams与HiClaw等平台的出现，标志着AI模型从单体能力向"模型编排生态"的范式跃迁

本报告首先逐类解析技术架构与能力边界，然后从三元支撑（算力-数据-算法）、商业落地、生态演化三个维度进行综合分析，最终给出可执行的战略建议。

二、研究背景与方法论

2.1 研究动机

用户提供的八大模型分类覆盖了当前AI模型体系的核心谱系，但其描述仍属概述性质。本报告旨在将每一类模型从"概念定义"下沉到"技术实现细节和商业约束条件"，使其成为可资决策的结构性知识资产。

2.2 研究方法论

本研究基于三重交叉验证框架：

技术架构验证：每类模型的核心架构、训练范式、推理机制、关键瓶颈
本地数据验证：引用用户AI研究wiki中的实体数据（Figure AI、DeepSeek V4、AgentTeams等）作为实证锚点
产业趋势验证：结合2025-2026年公开发布的技术路线图与商业化信号

三、核心发现：八大模型纵览

3.1 大语言模型（LLM）：中枢神经系统的进化

技术本质

LLM（Large Language Model）是基于海量文本语料、通过自回归方式训练而成的概率分布模型。其技术核心是将人类语言编码为高维向量空间中的统计关系，通过注意力机制（Attention）捕捉长距离语义依赖。

关键架构演进

Transformer -> 规模化 -> 涌现

Transformer架构（2017）提供了基础计算范式，但真正让LLM具备实用价值的是三项叠加突破：

规模突破：参数量从GPT-2的15亿跃升至GPT-4的估算1.8万亿，参数跨越特定阈值后涌现出链式推理、多步骤规划等高层能力
数据工程突破：高质量语料筛选、基于人类反馈的强化学习（RLHF/RLAIF/DPO）使模型从"预测下一个token"转向"对齐人类意图"
工程优化突破：KV Cache、PagedAttention（vLLM）、FlashAttention等推理优化技术使LLM从实验室走向千万级用户的服务承载

DeepSeek V4的范式意义

参考用户AI研究wiki中的"DeepSeek V4"实体记录（来源wx-8bxxqs2r8fx5-1tl等），其"百万级上下文普惠时代"的 positioning 揭示了LLM演进的两个关键方向：

长上下文竞赛：上下文窗口从4K → 128K → 1M+的军备竞赛，使LLM从"对话工具"进化为"文档分析师、代码库理解者、知识图谱查询器"。但长上下文的注意力稀释（attention dilution）和KV Cache内存爆炸仍是未完全解决的工程难题
开源战略：DeepSeek系列作为国产开源LLM的代表，获得8.1k GitHub Stars（DeepSeek Coder），其"性能逼近国际顶尖+成本大幅降低"的双杀组合，正在改变全球LLM生态的供需格局——基础设施层趋向开源免费，价值捕获向应用层迁移

当前瓶颈与前沿方向

数据枯竭：高质量互联网文本预计在2026-2028年耗尽，模型缩放定律面临"学习材料"短缺的硬约束
推理成本：虽然单位token成本持续下降，但推理规模随用户和应用复杂度指数级增长，总成本压力不降反升
幻觉问题：概率生成本质导致的事实性错误在民生场景（医疗、法律、教育）中存在致命风险
前沿方向：
合成数据与自举训练（Self-Bootstrapping）
测试时计算（Test-Time Compute）：如o1/o3系列通过增加推理时间而非参数量来提升深度推理能力
混合架构：MoE + Dense的混合设计（参考下节MoE分析）

3.2 多模态模型：统一感知的野心与语义鸿沟的现实

技术本质

多模态模型（Multimodal Model）旨在打破单一模态的壁垒，通过共享表示空间实现文本、图像、音频、视频等不同模态信息的统一处理与推理。

其核心技术路径主要有三条：

编码器融合路径：各模态有独立编码器，在高层语义空间融合（如早期CLIP的双塔架构）
解码器统一路径：将所有模态转换为目标模态的token序列，用单一Transformer架构处理（如GPT-4o、Gemini的原生多模态设计）
视觉-语言预训练路径：先在大规模图文对上进行对齐预训练，再在下游任务上微调

"看见"与"理解"之间的鸿沟

多模态模型的真正难点不在于"接收多种输入"，而在于跨模态推理的语义一致性：

模型可以"看见"一张医学影像并生成描述，但未必"理解"病灶与病理的因果关系
模型可以"听见"一段对话并转写文本，但未必"理解"语调、停顿、重音所承载的情感与语义
视频理解尤其困难：时间维度的连续性、事件因果关系、视觉注意力的动态分配构成巨大的计算与表示挑战

与VLM的关系

多模态模型和VLM常被混用，但二者存在层次关系：

多模态模型是更宽泛的概念，涵盖任意两种及以上模态的融合（文-图、文-音、文-图-音、图-视频等）
VLM（Vision-Language Model）是多模态模型的一个核心子集，专精于视觉-语言这一对最成熟、需求量最大的模态组合

当前领先的多模态系统（GPT-4o、Gemini 2.5、Claude 3.5 Sonnet等）在VLM能力上已趋成熟，但跨模态的深层推理与物理世界交互仍是开放 frontier。

3.3 视觉大模型（VLM）：从"看图说话"到"空间推理"

技术本质

VLM专注于视觉-语言任务的建模，核心能力覆盖：图像识别、目标检测、图像描述、视觉问答（VQA）、文档理解、图表分析等。

架构演进路线

第一阶段（2017-2021）：双编码器架构。图像编码器（ResNet/ViT）和文本编码器（BERT/GPT）分别训练，通过对比学习（Contrastive Learning）对齐语义空间。代表作：CLIP、ALIGN
第二阶段（2022-2024）：生成式统一架构。将图像视为一种"外语"，用自回归（如Parti、CM3Leon）或扩散（如DALL-E 2/3）方式统一生成文本和图像。代表作：Flamingo、BLIP-2、LLaVA
第三阶段（2025-）：原生多模态基座。从预训练阶段就融合视觉token，不再区分"语言模型"和"视觉插件"。代表作：GPT-4o、Gemini 2.5 Pro

Figure AI的VLM实践启示

参考用户AI研究wiki中的Figure AI实体记录，其Helix-02架构顶层采用了一个7B参数的VLM，用于场景理解和任务决策，运行在每秒7-9次的频率。

这一设计深刻揭示了VLM在具身智能中的角色定位：

高层语义理解：识别场景、判断任务目标、规划动作序列——这是VLM擅长的"抽象推理"层
低层实时控制：由千万级参数的专用控制器处理，以1000Hz频率运行物理操控
关键约束：VLM必须跑在本地芯片（低延迟要求），不能依赖云端大模型——这直接限制了模型规模和"见过的世面"

Figure AI暴露的问题——"只认识训练时见过的东西"、"遇到困难反复较劲"、"幻觉动作"——恰恰揭示了当前VLM在闭环物理环境中的根本局限：视觉理解≠物理理解。

商业化聚焦

VLM的当前最大商业化出口是：
- 文档自动化：发票、合同、报表的OCR+结构化抽取（替代传统RPA）
- 工业质检：缺陷检测、工艺合规审查（与LAM的物理交互形成闭环）
- 智能座舱：车内场景理解、手势控制、行车安全预警
- 医疗影像辅助：放射科影像初筛（但受监管严格限制）

3.4 大型动作模型（LAM）：AI物理化的关键一跃

技术本质

LAM（Large Action Model / Large Action Model）代表AI从"理解和生成"走向"感知和操控"。如果说LLM是"大脑"，LAM就是"小脑+运动皮层"——负责将高层意图转化为具体的物理动作序列。

与具身智能的关系

LAM与"具身智能"（Embodied AI）常被交替使用，但有所区别：

具身智能是更广泛的概念：强调智能必须根植于物理身体与环境的交互
LAM更聚焦于"动作建模"本身：学习如何将语言/视觉指令映射为可执行的动作token（action tokens）序列

Figure AI Helix-02：LAM架构的解剖

用户AI研究wiki中的Figure AI记录提供了当前最具体的LAM落地案例。其Helix-02架构的分层设计极具代表性：

顶层（7B VLM）：理解场景、判断任务、生成策略。频率7-9次/秒
底层（千万级参数控制器）：操控关节、抓握、平衡。频率1000Hz
完全本地运行：任何云端通信的延迟在物理操控中都是不可接受的

设计哲学提炼：

这是"分层确定性"（Layered Determinism）的经典实现——高层策略允许概率性和不确定性（VLM的生成特性），低层执行必须承诺确定性和实时性（控制器的硬实时特性）。

LAM的商业困境：傅盛分析的启示

用户记录的傅盛分析击中了LAM当前的核心矛盾：

环境差距：演示环境（光照恒定、温度适宜、传送带匀速）与真实仓库（40度高温、粉尘、异形件）之间是鸿沟
经济差距：人形机器人"便宜不过人工、好不过专用机械臂"——在大多数已定义的工业场景中，专用自动化设备在精度和成本上全面碾压通用人形
维护成本：谐波减速器寿命7000-10000小时、电池循环寿命500-1000次、年维护费用占原价10%-20%
核心判断：5-10年内难在真实快递分拣中心看到人形机器人

但换一个角度看，这些约束恰恰定义了LAM的真正商业化路径：
- 短期（1-3年）：非工业场景——家庭服务、酒店配送、科研实验、危险环境巡检（核电站、太空）
- 中期（3-10年）：特定工业场景——需要"介于人工和专用设备之间"灵活性的环节，如柔性制造、按需装配
- 长期（10年+）：当单位成本曲线穿越人工和专用设备的交叉点后，人形机器人将从"贵但灵活"变为"便宜且灵活"

SLM与LAM的融合逻辑

LAM面临的核心约束之一是"必须跑在本地"。这直接催生了对小型化、专用化模型（SLM）的需求——不是把70B参数的大模型塞进机器人，而是把70B模型蒸馏、压缩、结构化为能跑在边缘芯片上的专用动作模型。LAM的命运与SLM的技术成熟度深度绑定。

3.5 小型语言模型（SLM）：终端AI的毛细血管革命

技术本质

SLM（Small Language Model）不是简单的"大模型缩小版"，而是通过知识蒸馏（Knowledge Distillation）、剪枝（Pruning）、量化（Quantization）、架构重设计（如MobileLLM、Phi系列）等手段，在保持可接受性能的前提下，将模型规模压缩至可在终端设备（智能手机、IoT设备、嵌入式芯片）上高效运行的形态。

为什么SLM不只是LLM的附属品？

虽然SLM常被视为"LLM算不到的边缘补充"，但其战略价值远超这一角色：

隐私主权：用户数据不出本地。在医疗、法律、个人知识管理（如用户13,000篇Obsidian笔记）等场景中，本地推理是唯一可接受的架构
延迟确定性：物理世界交互（自动驾驶、机器人控制）无法接受云端往返的数百毫秒延迟。SLM提供毫秒级响应
离线可用性：网络中断不影响核心功能。这在灾难响应、军事、航空等场景中是刚性需求
成本结构：边缘推理消除了按token付费的云端成本，从"可变成本"转为"固定成本"

技术前沿：从粗暴压缩到架构重设计

SLM领域的最新进展表明，单纯的"压缩大模型"正在被"原生小模型设计"替代：

数据质量 > 数据规模：微软Phi系列证明，用教科书级高质量数据训练的小模型可以匹敌用海量低质数据训练的大模型
结构优化：MobileLLM等架构专门为边缘推理设计注意力机制和层间连接，而非简单缩放Transformer
混合精度：4-bit/2-bit量化与LoRA等微调技术的结合，使端侧推理的内存占用大幅压缩
MoE for Edge：边缘MoE架构（如Apple的ANE引擎适配）允许大容量知识库与低激活成本 coexist

SLM × LAM：具身智能的"终端大脑"

Figure AI的Helix-02架构已经展示了SLM/LAM融合的早期形态——7B参数的顶层决策模型本地运行，本质上是"边缘化的大型模型"。随着SLM技术成熟，我们可以预期：

2026-2027：10B级模型在手机端流畅运行（如Apple Intelligence、Google Gemini Nano）
2027-2028：1-3B级专用模型在机器人边缘控制器上以可接受精度完成90%的常规任务
2028-2030：MoE架构使边缘设备可以在多个专家之间切换，覆盖更广泛能力域

3.6 混合专家模型（MoE）：类脑模块化的先声

技术本质

MoE（Mixture of Experts）是一种稀疏激活的神经网络架构。在MoE层中，输入被路由到一个或多个"专家"子网络（通常也是前馈网络），而非全部参数。这意味着：

容量巨大：总参数量可达万亿级，存储海量知识
激活稀疏：每次推理只激活部分参数（如8个专家中的2个），计算成本与稠密模型相近甚至更低
专业化分工：不同专家在不同领域/任务上形成特化，类似于大脑皮层的功能分区

MoE的两大架构流派

Switch Transformer流派（Google）：

采用Top-1路由（每个token只路由到1个专家）
极端稀疏化，最大化计算效率
专家数量巨大（可达数千个）

GShard/Megablocks流派：

采用Top-k路由（每个token路由到k个专家，k通常为2-4）
在容量和稳定性之间取平衡
更适合超大集群分布式训练

MoE对八类模型的结构性影响

MoE不是独立的模型类别，而是可以嵌入任何基础架构的"元架构"设计模式。其对八类模型生态的影响是深远的：

LLM + MoE：GPT-4、Mixtral 8x7B/8x22B、DeepSeek-MoE等证明MoE可以在保持推理效率的同时大幅扩展知识容量。这是突破数据和计算双重约束的必由之路
多模态模型 + MoE：为不同模态设置独立专家组（视觉专家、文本专家、音频专家），通过路由机制实现模态间的高效协作
VLM + MoE：视觉理解专家与语言推理专家的分化，使VLM在处理混杂输入时可以"调用"最合适的专家组合
领域/科学基础模型 + MoE：这是MoE最具战略价值的应用。科学模型可以按学科设置专家（有机化学专家、天体物理专家、蛋白质折叠专家），在保持跨领域通用能力的同时实现深度专业化
SLM + MoE：边缘MoE通过条件激活（只在需要时唤醒特定专家）来平衡容量和功耗，是端侧智能的先进形态

MoE的隐性瓶颈

负载均衡：路由机制容易"马太效应"——某些专家过载，其他专家闲置。不平衡导致容量浪费和训练不稳定
通信开销：分布式训练中专家分布在不同GPU上，all-to-all通信成本随专家数量扩大
可解释性黑洞：为什么路由选择了这个专家？决策路径的可解释性比稠密模型更差
微调复杂性：LoRA等低秩适配技术在MoE上的效果不如稠密模型稳定

3.7 扩散模型：从艺术生成到科学计算基础设施

技术本质

扩散模型（Diffusion Model）的核心思想极具物理学美感：先学习如何添加噪声，再学习如何去除噪声。具体而言：

前向过程（Forward Process）：从一张清晰图片开始，通过T步逐步加入高斯噪声，直到图片变成纯粹的噪声
反向过程（Reverse Process）：训练一个神经网络学习逆向去噪——给定带噪图片和时间步t，预测更干净的版本
采样生成：从纯噪声出发，执行T步反向去噪，生成全新的图片

从图像生成到物理模拟的跃迁

扩散模型的真正革命性不在于"生成好看图片"，而在于其数学结构与自然过程的深层同构：

郎之万动力学：扩散模型的采样过程本质上是在模拟郎之万方程——描述粒子在势能场中受随机力作用的随机微分方程
薛定谔桥：从先验分布到数据分布的最优传输问题，与量子力学中的薛定谔桥问题等价
这一点意味着：扩散模型不仅是图像生成器，而是物理系统的通用模拟器

因此，扩散模型正在从消费级应用（Midjourney、DALL-E、Stable Diffusion）向科学基础设施演进：

分子设计与药物发现：以原子坐标为"图像"，训练扩散模型生成满足特定化学性质的新分子结构
蛋白质结构生成：超越AlphaFold的"预测已知"，走向"设计未知"——生成自然界不存在的、具有特定功能的蛋白质
材料科学：设计满足特定力学、电学、热学性质的新材料
气候模拟：将扩散模型与物理约束结合，进行高分辨率天气和气候预测

与LLM的交叉：统一生成范式的探索

扩散模型和自回归LLM本质上是两种不同的生成范式：

自回归（LLM）：从左到右逐个token生成，适合序列数据，天然适合语言
扩散（Diffusion）：并行去噪，适合连续高维数据，天然适合图像/音频/分子

但二者的统一正在发生：
- 连续token化：将文本token视为连续变量，用扩散而非自回归生成
- 离散扩散（D3PM等）：将扩散框架适配到离散token空间
- 多模态统一：如Stable Diffusion 3、Sora等尝试将视频生成统一在某种"时空token"的扩散框架下

3.8 领域/科学基础模型：从追随者到发动机

技术本质

领域/科学基础模型（Domain/Scientific Foundation Model）不是追求AGI的通用语言能力，而是针对特定学科领域（医疗、法律、金融、气象、分子生物学、高能物理等）进行预训练和优化，在专业任务上达到或超越人类专家水平。

其训练数据不再是互联网文本，而是：
- 专业文献：数百万篇学术论文、专利、临床记录
- 结构化知识库：基因序列、蛋白质结构、化学反应路径、法律判例
- 实验/仿真数据：气候模拟输出、粒子对撞数据、药物筛选结果
- 多模态科学数据：显微镜图像与基因表达谱的关联、卫星遥感与地表物候的映射

第一波浪潮：AlphaFold的范式证明

AlphaFold（2020/2021）是领域基础模型的"开山之作"：
- 不是通用LLM：它不理解语言，不生成对话
- 是在蛋白质结构的"语言"上进行预训练：氨基酸序列是"句子"，3D折叠结构是"语义"
- 改变了整个结构生物学：将蛋白质结构预测的精度从"粗略近似"提升到"实验级精度"

AlphaFold证明了一个核心命题：在特定科学领域，深度模型可以学习该领域的"隐式定律"，并产生世界级的科学发现。

第二波浪潮：从结构预测到设计创造

当前领域基础模型正从"预测已知"走向"创造未知"：

分子设计：基于靶点结构生成候选药物分子（绕过传统"筛选"范式，直接进入"生成"范式）
材料基因组学：从元素组成和晶体结构预测材料性质，反向设计满足特定性质的新材料
气象大模型：GraphCast、盘古气象等大模型将天气预报从"物理方程模拟"转向"数据驱动学习"，在特定指标上超越传统数值方法
物理仿真：用神经网络替代传统有限元/有限差分方法，实现数个数量级的加速（如DeepMind的物理仿真模型）

领域模型与通用模型的关系：互补而非替代

通用模型提供"世界常识"和"跨领域联想能力"
领域模型提供"专业知识深度"和"科学可信度"

未来的最优架构很可能是：通用LLM作为"编排层"和"接口层"，调用各种领域模型的专业能力。

四、深度分析：八类模型的交叉演化与生态位

4.1 三轴坐标系模型

八类模型不是静态分类，而是在三维空间中持续移动的动态生态位：

X轴：模态统一度
- 左端：单模态专精（如早期BERT、ResNet）
- 右端：全模态融合（如GPT-4o、Gemini 2.5、未来的AGI系统）

Y轴：物理交互度
- 下端：纯数字信息处理（LLM、VLM的离线分析）
- 上端：闭环物理操控（LAM、具身智能、自动驾驶）

Z轴：领域通用度
- 前端：通用世界知识（LLM的常识推理）
- 后端：特定领域深度（科学基础模型的专业知识）

当前每一类模型都在这三轴上移动：
- LLM：向右（多模态）、向前（增加领域工具调用能力）
- VLM：向右（视频、3D）、向上（机器人视觉闭环）
- LAM：向下（学习利用数字世界工具）、向后（特定任务的专业化）
- SLM：向三维中心汇聚（小而全，而非大而窄）

4.2 AgentTeams/HiClaw：模型编排层的新范式

参考用户AI研究wiki中的"AgentTeams (HiClaw)"实体（来源tools-2026-06-ai-native-agent-teams），阿里云推出的这一平台揭示了八类模型之间的"关系层"正在从"单体能力竞争"转向"协作编排竞争"。

HiClaw的设计哲学——用Kubernetes类比来理解AI Agent编排——意味着：
- 模型即服务（Model-as-a-Service）：每种模型被视为一个可替换的Runtime
- 编排即产品（Orchestration-as-a-Product）：真正的价值不在于单个模型，而在于如何让多模型、多工具、多Agent像一个真正的组织一样协同
- 可复制、可治理、可演进：Agent团队可跨业务复用，通信/工具/模型权限全为策略，运行时可替换但编排不变

这对八类模型的生态影响是结构性的：
- LLM从"产品"变成"基础设施"：模型本身趋向同质化，价值向编排层和Agent框架层迁移
- 领域模型从"独立应用"变成"API能力"：科学基础模型通过MCP/Function Call被Agent编排调用
- LAM从"硬件附属"变成"可独立调度的Worker"：人形机器人的动作能力通过一个标准接口被Agent编排系统调用，如HiClaw中的Worker CRD
- 扩散模型从"创作工具"变成"仿真引擎"：在Agent工作流中作为"世界模拟器"被动态调用

4.3 涌现与八类模型的临界点

引用本日上午关于"涌现"的深度研究结论，八类模型的演化正在逼近一个系统性涌现的临界点：

当以下要素同时饱和时，AI系统将从"工具集合"涌现为"自主智能体生态"：
- LLM提供高层推理与规划（涌现意图理解）
- 多模态/VLM提供世界感知（涌现场景理解）
- LAM/SLM提供物理交互（涌现动作执行）
- MoE提供专业知识路由（涌现专家协调）
- 扩散模型/科学模型提供世界模拟与预测（涌现因果推理）
- 编排层（如HiClaw）提供系统整合（涌现组织协调）

这不再是"更强的单一模型"，而是更强的模型生态系统——单个组件的能力边界不再决定系统上限，组件之间的连接密度和协同效率才是关键。

五、三元支撑分析：算力-数据-算法

5.1 能量层（算力）

依赖的能量形态：GPU/TPU/NPU集群电力、边缘推理芯片能效

趋势：
- 训练算力需求每3-4个月翻倍，推理算力需求随用户增长指数级扩大
- NVIDIA Blackwell世代、Google TPU v6、国产昇腾910C等新一代芯片提供更高能效比
- 但全球数据中心电力消耗已占全球用电1-2%，且增速远超可再生能源增长

关键瓶颈：电力。AI的竞争正在从"谁有更多的GPU"变成"谁有更多的电"。

5.2 物质层（供应链）

依赖的物理网络：
- 先进制程芯片制造（台积电、三星的3nm/2nm工艺）
- HBM内存（SK海力士、三星、美光垄断）
- 光刻设备（ASML EUV唯一供应商）
- 边缘芯片（高通、苹果、联发科的NPU，地平线的征程系列）

关键瓶颈：
- 供应链地理集中：90%先进芯片产能集中在台湾
- 摩尔定律趋近物理极限：每代工艺提升的性价比在递减
- 边缘芯片生态碎片化：不同厂商的NPU架构不兼容，SLM部署成本被推高

5.3 信息层（数据与算法）

依赖的信息基础设施：
- 互联网公共语料（正在枯竭）
- 专业科学数据（高价值、高壁垒、难于获取）
- 物理世界交互数据（机器人操作记录、自动驾驶行驶数据——稀缺且昂贵）
- 合成数据引擎（Self-Instruct、Agent合成数据——质量参差不齐）

关键瓶颈：
- 高质量文本数据预计2026-2028年耗尽
- 物理世界数据（LAM所需）的采集成本极高——Figure AI的200小时直播分拣本质上是在"收集数据"
- 科学数据的开放共享与商业保密之间的张力

六、趋势研判与风险评估

6.1 短期（1-2年）趋势

LLM价格战深化：开源模型（Llama、DeepSeek、Qwen）与闭源API（GPT-4o、Claude）之间的成本差距持续拉大，应用层 value capture 加速
多模态成为默认配置：新发布的任何基础模型默认具备文本+图像+音频理解能力，单模态定义走向消失
SLM-LAM融合实验：第一批"端侧具身智能"原型出现（如Apple Intelligence + 家庭机器人概念验证）
MoE成为万亿级模型的默认架构：如Mixtral路线被证明后，主流基座模型全面MoE化

6.2 中期（3-5年）趋势

模型编排层商业化：HiClaw类平台从开源走向企业级SaaS，"AI团队"成为可购买的服务
科学基础模型的"AlphaFold时刻"扩散：不止蛋白质，材料、气候、药物设计等多领域出现"科学级"基础模型
LAM走出实验室：特定场景（酒店配送、养老辅助、危险环境作业）实现小批量商业部署
扩散模型成为隐形的科学基础设施：不再以"生成图片"为卖点，而是作为"分子设计"、"材料模拟"、"气候预测"的底层能力嵌入科研流程

6.3 长期（5-10年）趋势

统一生成架构成熟：扩散与自回归的界限模糊，出现能统一生成文本、图像、视频、动作、分子结构的通用生成框架
模型生态涌现：不再是"用户选择模型"，而是"系统根据任务自动路由、编排、调用最合适的模型组合"
物理智能的"GPT时刻"：某个人形机器人在某类任务上展现出跨环境、跨任务的通用物理智能，触发行业拐点

6.4 核心风险

数据枯竭导致的性能停滞：如果合成数据无法弥补真实数据缺口，模型能力的线性提升可能中断
物理智能的安全风险：LAM在真实世界中的错误（如错误抓握导致工伤、错误驾驶导致事故）后果是即时的、不可逆的
算力军备与能源危机：如果AI算力增长持续超越清洁能源供应增速，可能引发区域性电力危机或环保反噬
模型编排层的垄断风险：当"模型即服务"同质化后，掌握编排层的平台将获得超额的生态租金

七、战略建议

7.1 对AI研究者的建议

从单模态/单任务研究转向跨模态/跨架构研究：未来的突破将来自于不同模型类别之间的"连接创新"而非单一类别的"规模创新"
关注SLM与LAM的交叉点：这是当前竞争最不充分、但未来需求最刚性的方向
将科学数据视为战略资产：在通用语料枯竭的时代，高质量科学数据的获取与治理能力将成为领域基础模型的核心壁垒

7.2 对技术决策者的建议

采用"模型即基础设施"思维：基础模型选型应以"可替换性"为第一原则，真正的投入应集中在编排层、数据层和领域适配层
MoE优先策略：对于需要大规模知识覆盖的场景，MoE架构在几乎所有维度（训练效率、推理成本、扩展性）上优于稠密架构
边缘-云端协同架构：不是"全边缘"或"全云端"，而是根据延迟要求、隐私要求和成本约束动态分配计算负载

7.3 对投资者的建议

从"模型公司"转向"编排平台"和"领域模型"：基础模型层趋向公共品化，价值捕获向上下游迁移
物理世界数据是稀缺资源：投资拥有物理世界数据采集能力的公司（机器人公司、自动驾驶公司、IoT平台）
科学AI是下一个十年最大的Alpha：在通用AI泡沫化竞争加剧的同时，科学基础模型领域还存在大量的"低竞争-高壁垒-高价值"洼地

八、结论

AI模型体系正从"分类明确的物种进化"走向"生态模糊的协同演化"。八大模型类别——LLM、多模态、VLM、LAM、SLM、MoE、扩散模型、领域/科学基础模型——各自独立的技术史正在交汇为一幅统一的图景：

模态的边界在溶解：文本、图像、音频、动作、物理场之间的壁垒被多模态架构打破
规模的边界在重定义：MoE使"大容量"和"低成本"不再是零和博弈
物理与数字的边界在打通：LAM将AI从信息世界推向物理世界，SLM使这一推进成为可能
通用与专业的边界在重构：通用模型成为编排层，领域模型成为可插拔的专业能力
中心化与边缘的边界在动态化：云端推理、边缘推理、端侧推理根据实时约束动态协同

最终，真正重要的不是"哪类模型最强"，而是如何让八类模型在一个编排框架中像真正的组织一样协作——这正是用户AI研究wiki中记录的HiClaw/AgentTeams所试图回答的问题。

参考文献

本地知识库来源：

[1] 用户AI研究wiki实体：DeepSeek V4（来源wx-8bxxqs2r8fx5-1tl, wx-k0vuf7ebswu763kv, wx-r7lv1io3-q3rf8dc）
[2] 用户AI研究wiki实体：Figure AI（来源industry-batch-d-trends-hardware）
[3] 用户AI研究wiki实体：AgentTeams / HiClaw（来源tools-2026-06-ai-native-agent-teams）
[4] 用户AI研究wiki概念页：具身智能（embodied-ai）、世界模型路线（world-model-four-routes）

公开领域技术来源：

[5] Vaswani et al. "Attention Is All You Need." NeurIPS 2017. Transformer架构奠基
[6] Brown et al. "Language Models are Few-Shot Learners." NeurIPS 2020. GPT-3与涌现能力
[7] Radford et al. "Learning Transferable Visual Models From Natural Language Supervision." 2021. CLIP
[8] Rombach et al. "High-Resolution Image Synthesis with Latent Diffusion Models." CVPR 2022. Stable Diffusion
[9] Fedus et al. "Switch Transformers: Scaling to Trillion Parameter Models." JMLR 2022. MoE架构
[10] Jumper et al. "Highly Accurate Protein Structure Prediction with AlphaFold." Nature 2021. 科学基础模型范式证明
[11] Kaplan et al. "Scaling Laws for Neural Language Models." arXiv 2020. 缩放定律
[12] DeepSeek. "DeepSeek-V2: A Strong, Economical, and Efficient Mixture-of-Experts Language Model." 2024. MoE+国产实践
[13] Microsoft Research. "Textbooks Are All You Need." 2023. 高质量数据对SLM的价值
[14] OpenAI. "GPT-4 Technical Report." 2023. 多模态LLM工程
[15] Yao et al. "ReAct: Synergizing Reasoning and Acting in Language Models." ICLR 2023. LLM与动作编排

报告元数据

研究框架: researcher-yhf 范式结构化报告
本地数据源: /home/fangxia/文档/我的AI研究wiki/
报告生成日期: 2026-06-24
输入素材: 用户提供的八大模型分类定义（LLM/多模态/VLM/LAM/SLM/MoE/扩散模型/领域科学基础模型）
交叉验证实体: DeepSeek V4、Figure AI Helix-02、AgentTeams/HiClaw、embodied-ai/world-model-four-routes
理论置信度: 技术架构分析（高）| 商业预测（中-高）| 时间节点预测（中，需持续跟踪）

报告完成。本研究将用户提供的八类模型分类从概念层推进到架构细节、商业约束与交叉演化逻辑，并基于本地AI研究wiki中的实证数据（Figure AI、DeepSeek、AgentTeams等）进行了可验证的深度分析。