马斯克今天宣布收购cursor，openai发布codex新版向开发者倾斜，加上之前的anthropic focus企业用户大科技，GLM变相涨价限制普通用户倾向开发者。。。 这些种种行为说明通过代码生成能力不断提升而实现模型领先甚至agi已经成为了更广泛的市场玩家的共识 这是目前最优训练路径的选择。 相比自然语言，代码具备三个关键优势： 一是强可验证性，能否运行、是否通过测试，都提供了极高质量的反馈信号； 二是天然结构化，语法、逻辑、模块化组合，本质上是对人类思维过程的压缩表达； 三是任务复杂度高，天然包含多步推理、状态管理和调试迭代。这使得模型可以在“写代码—运行—报错—修复”的闭环中持续自我强化，这一点极其接近真正的智能系统。 因此，行业并不是在押注“写代码”这个应用本身，而是在利用代码这个环境，训练模型的推理能力、问题分解能力以及迭代能力。代码只是载体，目标是让模型具备工程师级别的解决问题能力。这也是为什么在传统 scaling law 边际递减的背景下，代码成为新的增长引擎：它提供了更密集、更可靠、更可自动化的训练信号，同时也具备清晰的商业化路径。 但代码并不是终点。它的局限同样明显：完全规则化、缺乏物理约束、偏符号系统。这意味着，仅靠代码路径，很难解决现实世界中的不确定性、噪声和复杂环境问题。 于是杨立坤的第二条路径也收获了不少市场关注：把模型放入“有反馈的现实系统”中。核心不是机器人本身，而是构建一个类似代码环境的闭环——决策、执行、反馈、修正。 这条路径同样具备闭环能力，但在可规模化上受限于物理世界，无法像代码那样高速扩张。但它的价值在于，它更接近真实世界，也更接近AGI所需要的“行动能力”。如果说代码路径训练的是“如何思考”，那么现实闭环路径训练的是“如何行动”。 最终的形态，很可能是两条路径的融合：代码能力提供“思考”，现实闭环提供“行动”，共同构成真正的 agent 系统。这也是当前从“模型”向“系统”的转变核心。AGI的路径很可能会是：先在代码中学会思考，再在现实中学会行动。