这项由浙江大学和阿里巴巴通义实验室联合完成的研究发表于202❤️5年1月，完整论文可通过arXiv:2501.09751访问🥳。研究团队由浙江大学的习泽坤、方纪展、方润楠、陈华钧、张宁宇🔥以及阿里巴巴通义实验室的尹文彪、吴佳龙、姜勇、谢鹏军、黄飞等😉学者组成。 当我们面对一个复杂话题需要写一篇深入文章时🤔，通常不会匆忙下笔，而是会先思考、收集资料、反思已知信息，然😆后再动笔。但现有的AI写作系统就像急性子的学生，拿到题目就马👏上开始写，结果往往内容浅薄、重复啰嗦。阿里巴巴的研究团队意识😉到这个问题后，开发了一个名为OmniThink的创新框架，让⭐机器学会像人类一样慢慢思考、逐步深入地写作。 现在的A😁I写作系统主要依赖检索增强生成技术，就像是给学生提供了一堆参🔥考书，让他们快速查找相关内容然后拼凑成文章。虽然这种方法能生😍成文章，但有个致命缺陷：搜索到的信息往往缺乏深度和新颖性，还😉经常重复。研究团队发现，即使是最先进的STORM和Co-ST😎ORM系统，也容易产生内容重复的问题。比如在一篇关于Alph😁aFold的文章中，"AlphaFold由DeepMind开😆发"这个基本信息竟然在文中重复出现了多次。 人类写作者😊之所以能避免这种问题，是因为我们会不断反思已经收集的信息，重🤔新整理思路，调整写作方向。这个过程被称为反思性实践，是认知科⭐学中的重要概念。基于这个洞察，研究团队设计了OmniThin😅k框架，让AI也学会这种慢思考的写作方式。 OmniT🤩hink的工作原理就像一个勤奋的研究者逐步深化对某个话题的理🔥解。整个过程分为三个阶段：信息获取、大纲构建和文章生成。在信😴息获取阶段，系统会建立两个核心组件：信息树和概念池。信息树就🔥像一个知识地图，从主题开始向外扩展各种相关子话题，每个分支都🔥包含具体的信息内容。概念池则像是研究者的思考笔记，记录着对话🥳题理解的各种深层洞察。 这个过程最精妙的地方在于扩展和🤩反思的循环。系统会先分析当前信息树的所有叶子节点，判断哪些需😊要进一步扩展。当需要扩展时，系统会利用概念池中的认知来确定深🙄入的方向和搜索关键词，然后获取新信息并添加到信息树中。接着，🌟系统会对新获取的信息进行反思，提取核心洞察并更新概念池。这样🌟一轮又一轮的扩展和反思，就像学者在研究过程中不断深化理解一样😎。 与传统方法相比，OmniThink有三个显著特点。🤯首先是动态检索能力，系统不是一次性搜索固定数量的网页，而是根😀据话题难度和深度需求来动态调整信息收集。其次是结构化记忆，通😀过信息树和概念池的双重架构，系统能够有组织地管理知识。最重要💯的是反思性思考能力，系统会持续评估和重新组织已获取的信息。 😊 展开全文 研究团队在WildSeek数据集上进行🤯了全面评估。这个数据集包含24个不同领域的100个话题，每个😉话题都有具体的用户意图。实验使用了多种评估指标，包括相关性、👍广度、深度和新颖性等传统指标，还特别设计了知识密度这个新指标🤗来衡量文章中有用信息的比例。 实验结果令人印象深刻。在😀GPT-4o模型上，OmniThink在所有评估维度都超越了😴现有最强的基线方法Co-STORM。相关性得分从4.37提升😂到4.77，广度从4.66提升到4.71，深度从4.65提升🤯到4.66，新颖性更是从3.89大幅提升到4.31。知识密度😎指标显示，OmniThink生成的文章信息密度达到22.31😀，明显高于其他方法的19-20分水平。 更有说服力的是😁人类评估结果。研究团队邀请了15位高学历志愿者对20篇文章进😁行人工评估，其中53%的评估者拥有研究生学历。结果显示，Om😎niThink在广度维度上领先Co-STORM达46%对22😅%，其他维度也都有显著优势。虽然自动评估显示新颖性有11%的😴提升，但人类评估中这个优势较小，这提示自动评估与人类判断之间👏还存在一定差距。 研究团队还进行了详细的消融实验来分析😍各个组件的作用。当移除信息树的层次结构时，系统性能显著下降，😡说明结构化组织信息的重要性。当禁用反思机制时，系统在新颖性和🙌信息多样性方面表现明显变差。这些实验证实了扩展和反思机制对于🚀提升写作质量的关键作用。 从知识边界的角度分析，研究团🤔队将现有方法的局限性归纳为两类边界问题。信息边界限制是指检索⭐到的信息量和质量有限，认知边界限制是指模型无法像人类那样有效🚀组织和利用信息。通过主成分分析可视化不同方法的信息检索范围，🚀OmniThink明显覆盖了最大的信息空间。认知边界实验中，👍即使给传统RAG方法提供同样多的网页信息，它仍然无法有效利用😅，反而可能因为信息过载而性能下降。 研究还发现了扩展和🤩反思机制的不同作用。反思主要影响新颖性，因为它让模型能够重新😁审视已有知识，整合信息产生更多样化的观点。扩展主要影响知识密⭐度、广度和深度，因为它为模型的信息检索设定了更精确的方向。当😘研究团队增加扩展和反思的深度时，发现知识密度和信息多样性的增😊长速度会逐渐放缓，这表明还存在其他需要识别和定义的知识边界。🙄 OmniThink的创新意义在于首次将人类的慢思考过😆程系统化地应用到机器写作中。传统方法就像让学生在考试时间有限🥳的情况下快速作答，而OmniThink更像是给予充足时间让学😂生深思熟虑后再下笔。这种范式转变不仅提高了文章质量，还为长文😆本生成研究指出了新方向。 该框架的实用价值也很显著。O😘mniThink是模型无关的，可以与现有的任何大语言模型结合😴使用。无论是GPT系列、文心一言还是通义千问，都能从这种慢思⭐考机制中受益。这意味着该技术有很强的推广潜力，可以广泛应用于❤️学术写作、新闻报道、技术文档等各种长文本生成场景。 当🙌然，这项研究也有一些局限性。目前的工作主要局限于文本搜索和生😴成，还没有考虑多模态信息的利用。此外，系统还没有考虑个性化的😉写作风格，生成的文本往往偏向学术化，可能不太符合普通用户的阅😂读习惯。处理时间方面，由于需要多轮扩展和反思，OmniThi🙌nk比传统方法需要更多时间，不过研究团队认为这种时间成本是值😘得的，因为它换来了显著的质量提升。 展望未来，这项研究😴为长文本生成开辟了新的研究方向。研究团队计划探索更高级的机器🥳写作方法，将更深层的推理与人机交互结合。同时，如何将多模态信👍息整合到慢思考框架中，如何实现个性化的写作风格，都是值得进一😊步探索的问题。 说到底，OmniThink的成功在于它🥳真正理解了写作的本质：写作不是简单的信息拼凑，而是一个需要深🤗度思考、反复琢磨的创作过程。正如古人所说"文章千古事，得失寸😊心知"，好文章需要时间和心力的投入。这项研究让我们看到了AI😴写作的新可能：不再是快餐式的内容生产，而是像人类作家一样的深👍度创作。随着这类技术的成熟，我们或许真的能够拥有既高效又深刻🙌的AI写作助手，为人类的知识创作和传播贡献更大力量。 😊Q&A Q1：OmniThink与现有AI写作工具ST🚀ORM、Co-STORM相比有什么不同？ A：Omni🤔Think最大的不同在于引入了"慢思考"机制。传统工具像ST😢ORM和Co-STORM主要通过角色扮演对话来收集信息，但缺😊乏深度反思能力，容易产生重复内容。OmniThink则通过信😅息树和概念池两个组件，让AI能够像人类一样不断扩展知识、反思👏信息，逐步深化对话题的理解，从而生成更有深度和新颖性的文章。😂 Q2：OmniThink生成一篇文章需要多长时间？ 🙌 A：由于需要多轮扩展和反思，OmniThink确实比传🔥统方法耗时更长。根据研究团队的测试，平均需要322秒，相比C😅o-STORM的289秒略有增加。不过研究团队认为这种时间成😅本是值得的，因为它能显著提升文章的知识密度和质量，就像厨师花😆更多时间精心烹饪能做出更美味的菜肴一样。 Q3：普通用😉户能使用OmniThink吗？有什么使用要求？ A：O😴mniThink是一个开源的研究框架，技术人员可以通过Git🎉Hub获取代码并与各种大语言模型结合使用。对于普通用户来说，😁目前还需要一定的技术基础来部署。不过由于该框架是模型无关的，😘未来很可能会被集成到各种商业AI写作工具中，让普通用户也能享😍受到慢思考写作的优势。返回搜狐，查看更多

北京市:市辖区:(东城区、西城区、朝阳区、丰台区、石景山区、海淀区、门头沟区、房山区、通州区、顺义区、昌平区、大兴区、怀柔区、平谷区、密云区、延庆区)

天津市:市辖区:(和平区、河东区、河西区、南开区、河北区、红桥区、东丽区、西青区、津南区、北辰区、武清区、宝坻区、滨海新区、宁河区、静海区、蓟州区)

河北省:石家庄市:(长安区、桥西区、新华区、井陉矿区、裕华区、藁城区、鹿泉区、栾城区、井陉县、正定县、行唐县、灵寿县、高邑县、深泽县、赞皇县、无极县、平山县、元氏县、赵县、石家庄高新技术产业开发区、石家庄循环化工园区、辛集市、晋州市、新乐市)

唐山市:(路南区、路北区、古冶区、开平区、丰南区、丰润区、曹妃甸区、滦南县、乐亭县、迁西县、玉田县、河北唐山芦台经济开发区、唐山市汉沽管理区、唐山高新技术产业开发区、河北唐山海港经济开发区、遵化市、迁安市、滦州市)

秦皇岛市:(海港区、山海关区、北戴河区、抚宁区、青龙满族自治县、昌黎县、卢龙县、秦皇岛市经济技术开发区、北戴河新区)

邯郸市:(邯山区、丛台区、复兴区、峰峰矿区、肥乡区、永年区、临漳县、成安县、大名县、涉县、磁县、邱县、鸡泽县、广平县、馆陶县、魏县、曲周县、邯郸经济技术开发区、邯郸冀南新区、武安市)

邢台市:(襄都区、信都区、任泽区、南和区、临城县、内丘县、柏乡县、隆尧县、宁晋县、巨鹿县、新河县、广宗县、平乡县、威县、清河县、临西县、河北邢台经济开发区、南宫市、沙河市)

保定市:(竞秀区、莲池区、满城区、清苑区、徐水区、涞水县、阜平县、定兴县、唐县、高阳县、容城县、涞源县、望都县、安新县、易县、曲阳县、蠡县、顺平县、博野县、雄县、保定高新技术产业开发区、保定白沟新城、涿州市、定州市、安国市、高碑店市)

张家口市:(桥东区、桥西区、宣化区、下花园区、万全区、崇礼区、张北县、康保县、沽源县、尚义县、蔚县、阳原县、怀安县、怀来县、涿鹿县、赤城县、张家口经济开发区、张家口市察北管理区、张家口市塞北管理区)

承德市:(双桥区、双滦区、鹰手营子矿区、承德县、兴隆县、滦平县、隆化县、丰宁满族自治县、宽城满族自治县、围场满族蒙古族自治县、承德高新技术产业开发区、平泉市)

沧州市:(新华区、运河区、沧县、青县、东光县、海兴县、盐山县、肃宁县、南皮县、吴桥县、献县、孟村回族自治县、河北沧州经济开发区、沧州高新技术产业开发区、沧州渤海新区、泊头市、任丘市、黄骅市、河间市)

第一财经 不同硬件、不同大脑，不同机器人厂商进入不同场🌟景，在多方变量的加持下，机器人的规模化落地似乎遥遥无期。 😎 9月17日，第一财经记者在采访第三方部署方、机器人本体厂🤗商和场景落地方时发现，一个行业新角色正在出现。一个类似于安卓🤗操作系统的中间算法层正在承担屏蔽硬件差异、兼容不同大脑架构的🔥功能，为机器人在真实场景中的规模化落地提供可能。 如今😁，这一产业角色已经吸引了谷歌、智元、富临精工（300432.❤️SZ）、格力博（301260.SZ）、东土科技（300353😴.SZ）、巨星新材料等企业押注。但在硬件厂商坚持自家体系、大🤗模型企业追逐通用智能的格局下，行业的“安卓时刻”何时到来，仍😂有待市场与现实工况的双重检验。 机器人涌入场景，跨本体🎉训练遇阻 当机器人厂商涌向场景方，新的问题正在出现。 🥳 “这个月至少有两家机器人公司正在和我们谈合作。”Kel🤩vin是长三角一家物流上市公司的技术负责人，他告诉记者，为了😢和人形机器人厂商进行合作，自己不得不拨出一个八人左右的团队和😢不同机器人企业进行对接。“我们需要开放不同的数据接口，提供一😁个专门的实验场景，还需要根据各家机器人的要求不断调整流程和测😊试参数”。 在大量的人力和物力投入之外，Kelvin坦❤️言自己算不过来ROI（Return on Investmen💯t，投资回报率）。“机器的工作效率不稳定，且运维需要大量后续😁的费用。”他向第一财经记者透露，物流企业马上就会备战“双11🤩”时间，在此期间是否继续让机器人上岗，他还在犹豫。 更😂大的问题是，由于不同厂商的机器人算法不兼容、硬件各自封闭，导🌟致一个场景的成功经验难以迁移到另一个场景。“有的时候我们的流😁水线哪怕是多一个弯折，机器人都需要重新走一轮POC（Proo⭐f of Concept，概念验证）。” “厂商觉得我🙌们不够开放，我们觉得机器人厂商要得太多。”Kelvin说，这🎉是产业上下游之间对接存在的普遍问题。第一财经记者了解到，一些👍“中间人”的角色正在产业链中诞生。前上汽自动驾驶域控制器算法😘负责人，安努智能工程算法总监杨曾告诉记者，团队正在研发的一套⭐中间件算法平台，希望像手机里的操作系统一样，把不同厂商的机器🔥人纳入统一的兼容框架。 就像手机的操作系统让不同软件在💯同一套规则下运转一样，中间件希望能够通过屏蔽底层硬件差异，使😉一套算法能够迁移到不同厂商的机器人上。“如果每遇到一个新的硬🙄件，就要重新训练，机器人在实际场景部署的速度就会非常慢。”重🌟庆大学助理教授，人工智能及多模态实验室具身智能负责人，安努智🤗能首席科学家胡喆告诉第一财经记者，想要提高机器人的通用化，跨😅本体是必须跨过的门槛。 在不改动模型本身的前提下，兼容🤩不同机器人的大脑，成为中间件的挑战。“虽然主流的模型是VLA🤔模型（Vision-Language-Action Mode😢l，视觉-语言-动作模型），但其中的架构仍然不同，有端到端，🥳也有分层式。”胡喆说，中间件在机器人大脑和机器人作业的实际场💯景中充当一个“翻译官”的角色。在他的设想里，输出的指令会先被😆中间件被转化为统一的目标和约束，再交由各家机器人自身的规划控😊制器执行。 “这样我们就不必为每一个新厂商重新训练模型🤔，只需要向每一个机器人的规划控制器下达指令，就能让中间件跑通🤗整个流程。”胡喆说。 展开全文 物理规律难仿真，🎉机器人“干中学” “我们曾经试过，在实验室里跑通了所有😴算法，结果到实际场景中发现完全不是一回事儿。”钛维云创的创始🤯人张磊告诉记者，当自己试图让机器人处理布料这样的柔性物体时，🚀由于布料材质、厚薄、摩擦力不同，实验室的环境并不能完全满足操😆作需要。 张磊透露，像布料、不规则包裹等物体，POC周😜期“很长，且难以给出确切的时间”，“因为我们需要提前磨合算法🙄、下线采集数据、再拿到实验室反复训练，才能勉强适配场景”。 🎉 工厂中的物料、工艺成千上万，换一条生产线、换一个工位，😅都可能带来完全不同的情况。 “离线的强化学习不可能把所🙄有真实场景一网打尽。”胡喆告诉第一财经记者，机器人不仅需要根😎据场景反复调试算法，还往往要重新采集数据回到实验室做离线训练😂，这让整个周期被拉长，时间和人力都被大量消耗。 边做边🚀改，或许才是机器人进行学习的关键。 胡喆透露，他正在尝😴试利用实时的在线学习算法，允许机器人在实际作业过程中一边操作😜一边采集数据，并实时更新模型。这种方式只需在现场额外增加几秒👏钟运行和100个数据量，“我们会根据模型出来的结果选择数据，😉让机器人在不断学习的过程中遗忘无用的数据，保持数据的精简，也😀不会对算力提出过多的要求”。 机器人“干中学”的另一边🙄，团队也在尝试利用仿真等手段降低机器人的学习成本。“现在大部🎉分机器人仿真环境离现实工况还有很大差距，因为仿真环境中缺乏物🔥理定律的支撑。”美国肯塔基大学空气动力实验室仿真负责人、安努❤️智能联席科学家付博直言，大部分仿真平台依赖数据驱动，却缺乏物😴理定律的支撑。 “如果只是换个环境光影、物体形状等表层🔥变量，那在这种仿真里能跑通的算法，一旦放到现实中，往往会失效😀。”付博说。 让虚拟环境逼近真实世界，并不是一件容易的🔥事。“摩擦力、空气流动等连续变化的环境很难被拆成可以极端的小👏单元。”付博解释，以机器人搬箱子举例，这个场景涉及了力学、刚😡体运动学与工程力学等基本的物理规律。付博说，加入这些规律的仿🤔真能够模拟不同重量箱子堆叠时的微小形变，计算箱内散落零件导致😡的重心偏移，并让机器人理解物体变化对抓取稳定性的影响，以及机🤩器人发力点与物体形变的关联。 他坦言，将这些物理定律的😢融入仿真环境是一个“正在进行的过程”，需逐步攻克计算量庞大的🙄技术难题。付博认为，只有当机器人在仿真环境中充分理解并内化这🤩些物理规律，才能在真实场景中更好地应对突发情况，实现泛化能力🎉的提升。“模型永远无法完全替代实验，但我们希望通过极致的物理😀仿真，让真实实验只需做一次就能验证可行性。” 谷歌提前⭐布局，中间件或成规模化关键 从机器人本体和大脑厂商到最😉终的应用企业，中间还需要大量复杂的部署工作——包括接口打通、😂场景适配、算法迁移等环节。对整个产业链而言，这是一块颇具吸引🤩力的“肥肉”，盯上的远不止安努智能一家企业。 今年6月🤗，银河通用和博世中国成立合资公司博银合创。根据双方披露内容，😀合资公司将聚焦复杂装配、智能质检等高精度制造场景，并且构建标😂准化、模块化、可复制的训练与部署体系，支撑机器人产品的快速迭🤔代与规模化部署。 今年年初，富临精工宣布公司与智元机器⭐人等相关方签署了《人形机器人应用项目投资合作协议》，各方共同😂投资设立合资公司实施人形机器人项目。当前，富临精工、智元、巨😢星新材料均为安努智能股东。就在9月，专注于北美市场的产业股东🤩格力博、聚焦机器人操作系统的东土科技也宣布增资安努智能。 👏 在海外，Google（谷歌）的母公司Alphabet孵化😎的Intrinsic也在扮演类似的角色。Intrinsic试🤩图通过通用算法和工具链降低机器人系统的集成成本，让不同厂商的😆机器人在同一套兼容框架下运行。 通过一个类似操作系统的😂中间件来对接不同机器人厂商和场景，这是安努智能董事长文宏杰提😍出的解题思路。虽然路径各异，但上述三家兼具机器人和产业方背景🙄的第三方部署商，它们的共同点都是试图在碎片化的产业格局中，寻👏找一套能跨越厂商和场景的兼容方式。 不过，机器人产业是👏否会像手机产业那样，最终走向由统一“操作系统”支撑的格局，仍😢充满疑问。一位由数码3C行业转至机器人产业的工程师告诉第一财😆经记者。与手机产业面临的问题不同，机器人领域的情况更为复杂，😅硬件厂商坚持各自的体系，而大模型企业则瞄准通用智能，“屁股决😊定脑袋，大家想的未必是同一个目标”。 多方角力之下，第😊三方部署商设想的中间件是否能够建立起产业上下游的桥梁，还需要😴进一步观察。“模型如果停留在实验室、本体如果只会跳几支舞，那😜最终只是一个故事。”文宏杰认为，在当下的机器人产业，关键不是😆讲模型和本体的“故事”，而是扎进具体场景，通过部署获取真机数🥳据和工程化经验，将商业化的流程拉通、沉淀。 在他看来，🔥这些工程化的经验和数据才能汇聚成类似“操作系统”的底座，真正🔥支撑机器人跨厂商、跨场景的落地。“如果中间件能够像安卓这样的🚀操作系统一样稳定通用、开放兼容，任何厂商都能接入，机器人产业😜的规模化会越来越近。” (本文来自第一财经)返回搜狐，😊查看更多