陈天桥团队这次发布的新一代搜索智能体模型，说白了就是在探索“发现式智能”这条路。现在大家都在拼命扩大模型参数，觉得参数越多性能越好，但这条路已经走到了瓶颈。MiroMind团队搞出的MiroThinker 1.5，用比较小的参数量（比如30B这个版本），在很多测试里干翻了参数大几十倍的大模型。他们公布的数据特别亮眼，在那个关键的中文浏览理解评测集（BrowseComp-ZH）里，它的表现把对手甩开了一大截。而且它还特别省钱，推理一次的成本只有对比那个主流万亿参数模型的大约二十分之一，速度还更快。 这就不是简单的技术升级了，背后是团队对智能到底是咋来的这个问题有了新的想法。去年陈天桥提过“发现式智能”，这就成了这次工作的基石。他说真智能不该是个死记硬背的资料库，而是像科学家一样能主动去发现。遇到不懂的问题，它就像科学家一样去假设、查资料、验证、自我修正，最后找到答案。 这就是所谓的“交互式缩放”（Interactive Scaling）。跟那种光靠堆参数的老路子不一样，“交互式缩放”特别看重模型跟外面世界的交流。它在训练和推理的时候就像个严谨的研究者一样：碰到复杂问题，它不会瞎猜一个大概率正确的答案（这就是常说的“幻觉”），而是启动一套研究流程，调用搜索、计算这些工具去查证、比对、迭代推理，直到有足够的证据支持为止。团队把这个过程叫“科学家模式”超越了“做题家模式”。“做题家模式”就是把人类所有知识都塞到模型里去压缩存储，碰到边界问题就容易乱猜；而“科学家模式”是教模型学会主动探索和验证。 MiroMind团队觉得随着工具生态越来越好、协议越来越标准，这种靠交互的路子潜力还大得很，这就为打破单纯靠变大参数带来的效益递减提供了新机会。这次发布的意义不光是展示了一个高效能的模型，更重要的是给AI的主流玩法补了一刀。现在大家光比谁的参数大不行了，“更巧”、“更会思考”的路也得走走。这样行业关注的焦点才能从纯拼算力转到算法创新、人机互动效率上去。 特别是在科研辅助、金融分析这些要求高可信度的领域，这种能主动查证、减少“幻觉”的智能体特别好用。MiroThinker 1.5的出现说明通往高智能的路不止一条。大家追求的是让机器真正理解世界并能动态互动的愿景。虽然这项技术还得在复杂场景里多练练身手，但它代表的高效能、强交互、重验证的思路给AI创新注入了新的活力。 未来怎么把这种技术跟具体产业结合起来赋能各行各业才是关键。咱们得看看它到底能在多大程度上解决实际问题。