围绕“Transformer能否支撑下一代智能体（Agent）”的讨论，近期在学界和产业界持续升温。
在2025腾讯ConTech大会暨腾讯科技Hi Tech Day播出内容的圆桌环节中，阶跃星辰首席科学家张祥雨表示，现有Transformer架构可能不足以支撑下一代智能体的发展方向。
这一判断与近期国际学界、产业研究圈多位代表人物的观点形成呼应：一方面，过去数年由Transformer驱动的模型能力快速提升；另一方面，当技术进入“深水区”，面向真实世界的推理、规划与行动能力仍存在明显短板。
问题：从“会生成”到“会行动”，智能体面临结构性能力缺口 所谓下一代智能体，不仅要求模型能在对话或文本生成上表现良好，更强调在开放环境中进行长期任务分解、跨工具调用、状态记忆、反馈纠错以及与物理世界或业务系统的交互协同。
现实应用中，智能体需要处理复杂约束、时间延迟和不完备信息，并对行为后果承担可解释、可评估的责任。
当前主流大模型在“语言流畅度”上进步显著，但在稳定的因果推断、可验证的物理常识、跨场景迁移、持续学习等方面，仍容易出现“看似合理但不可靠”的情况。
由此带来的核心疑问是：以“预测下一个符号”为主要训练目标的架构，能否自然演化出面向真实世界行动的系统能力。
原因：规模化红利趋缓与目标函数局限叠加，推理与泛化遭遇瓶颈 回顾技术演进，2017年提出的Transformer以自注意力机制替代循环结构，使并行计算成为可能，显著提升训练效率，并与GPU计算生态形成相互促进。
此后从BERT到GPT系列，再到近年来涌现的多类大模型，多以Transformer为底座，通过更大参数规模、更高质量数据和更强算力投入实现能力跃迁，形成业界常称的“尺度定律”经验路径。
然而，多位专家近期强调，规模化并非无限延伸。
其一，边际收益递减逐渐显现：模型越大，获得同等幅度能力提升所需的数据与算力成本大幅上升，工程难度与能耗压力同步增加。
其二，训练目标与数据分布存在天然约束：以大规模语料为主的学习更擅长捕捉统计相关性，对因果关系、物理规律和可验证推演的学习并不充分。
其三，评测导向可能带来“迎合”问题：模型在标准化测试或高频任务上表现突出，但遇到分布外问题、长链条推理或现实交互时，稳定性下降。
专家的通俗比喻是：模型像“反复刷题的高分选手”，擅长从记忆与模式中快速提取答案，却未必掌握可迁移的深层规律。
影响：产业进入“从算力竞赛到研究竞赛”的转折期 这一讨论对产业链带来多重影响。
首先，对企业研发路径提出再平衡要求。
过去以扩大训练规模为主的路线仍将持续，但行业需要更明确地投入基础研究与架构创新，以应对智能体时代对可靠性、可控性和持续学习的更高门槛。
其次，对算力与数据投入结构产生影响。
算力仍是关键基础设施，但更高效的训练方法、更可控的推理机制、更贴近真实环境的数据构建（如可验证的模拟、交互式数据）将成为竞争重点。
再次，对应用落地的风险治理提出新课题。
智能体走向业务系统与生产场景后，一旦出现错误决策或不当行动，影响可能从“生成错误内容”扩展到“触发错误操作”，需要更严格的安全边界、审计机制与责任链条。
对策：以底层创新为牵引，推动“可推理、可验证、可控”的系统能力建设 业内普遍认为，下一阶段技术突破可能来自多路线并进而非单一路径。
具体而言： 一是强化因果与物理推理能力的建模方式。
通过引入更强的结构化归纳偏置、可计算的世界模型、与物理或规则系统结合的训练框架，提升模型对“为什么”与“如果……会怎样”的推演能力。
二是推动训练目标从单一生成导向走向多目标协同。
在保持语言能力的同时，引入可验证任务、规划与控制目标、工具使用与反馈学习等机制，使模型能力更贴近智能体任务形态。
三是构建可信评测与真实环境闭环。
智能体能力不仅要“答得好”，还要“做得对”。
需要围绕长期任务成功率、错误可恢复性、对抗鲁棒性、合规性与可解释性等维度建立评测体系，并在应用中形成数据—反馈—迭代的闭环。
四是完善工程与治理配套。
包括权限隔离、关键操作二次确认、行为日志与回溯、红线规则、行业标准与安全审查等，确保技术进步与风险控制同步推进。
前景：架构创新窗口期或已开启，竞争焦点转向“通用能力的实用化” 多位专家的共识指向一个趋势：行业可能正在从单纯依赖规模扩张的阶段，迈向更加重视底层机制创新的阶段。
Transformer作为过去数年最成功的通用架构，仍将是重要基础，但其是否需要与新型结构、记忆与规划模块、可验证推理机制等结合，已成为研究前沿与产业研发的共同关切。
未来五年，围绕智能体所需的长期规划、环境交互、因果推断与安全可控能力，或将出现新的方法体系与工程范式；谁能率先在可靠性与成本之间取得平衡，谁就更可能在下一轮竞争中占据主动。
人工智能技术的发展历程表明，每一次重大突破都伴随着范式转换的阵痛。
当前对Transformer架构的质疑，既是对技术局限性的理性认识，也是推动下一代技术革命的重要契机。
在这个关键节点上，保持开放的研究心态，加强基础理论创新，或许是通往真正智能的必由之路。
技术的进步从来不是一帆风顺的，正是在不断的质疑与突破中，人类才能不断接近人工智能的终极目标。