梁圣的那份纪要里，我觉得藏着AI发展路径的重要线索，我自己也尝试梳理了一下。

一开始是基础模型，chatgpt横空出世的时候，人们发现硅基其实是可以模拟出一个阶段性智能的。这可能是人类历史中，类比蒸汽机的跨时代发明。模型公司的持股方和gpu是这一阶段最耀眼的明星。

然后是思维链CoT阶段，解决的是“模型能否真正推理”，模型不再一次性给出答案，而是通过强化学习和测试时计算投入更多Token换取更高质量的结果，产业重心也由训练扩展至推理。deepseek出现后，大模型输出结果的幻觉型，系统的下降。逐步的从技术奇观走向了生产力工具。

Agent阶段进一步解决“模型能否进入真实工作流并完成任务”，大模型开始调用软件、数据和工具，从聊天机器人变成数字员工。

思维链CoT阶段和Agent阶段，带来了爆发式的推理（基础设施）需求，从而使得存储、光通信等瓶颈环节迎来了超级爆发。

梁圣认为，下一个阶段是持续学习。

现在打发展有一个核心问题：它可以完成一项复杂任务，却很难把完成任务的经验自然沉淀下来。

现在的AI，每次执行任务，往往都需要重新提供业务背景、历史记录、规则、目标和例外情况。上下文一旦缺失，能力便会明显下降。它完成了一百次任务，也未必比第一次真正“成长”了多少。

Agent已经可以调用浏览器、代码、数据库和企业软件，也可以把一个复杂目标拆成多个步骤。现在的Agent仍然更像一个能力很强、却不断失忆的外包人员。

只有能够让大模型通过真实的业务流经验，从而持续获得能力增强。这才是Scaling的下一个核心方向，暴力堆卡堆数据的范式，效率可能已经很低了。

那么问题来了，在持续学习领域，什么样的行业和公司，有真正的投资机会呢？

我理解，是那些拥有“数据—反馈—更新—再部署”闭环的公司。听起来有点虚，但换句话说，其实都是一些老登股。

有具体的产业场景，能够在产业场景中，不断的通过数据和反馈机制，实现大模型能力在具体场景下的不断优化。

这些公司的业绩会进入一个持续提升的阶段，因为企业能够通过硅基智能不断的提效。

ps：硅基智能的学习循环，对于存储来说，到底是什么影响，还是值得继续思考。