挑战 next token prediction，Diffusion LLM 够格吗？

主要观点总结

本文介绍了机器之心PRO的会员通讯中关于AI和Robotics的两个重要话题：一是关于Diffusion LLM模型及其与自回归模型的比较和优势，二是关于AI推理成本的下降及其对行业和全球供应链的影响。通讯中还包含了对其他AI和Robotics赛道要事的解读。

关键观点总结

关键观点1: Diffusion LLM模型成为关注焦点

DeepMind在Google I/O 2025开发者大会上展示了多项AI模型、工具、服务、应用成果，其中Gemini Diffusion开始引起社区热议。Diffusion LLM模型采用扩散架构进行文本生成，具有并行高效的机制，在文本生成和性能表现上优于自回归模型。该模型还具有潜在的优势，如细粒度控制和高稳健性。

关键观点2: 自回归建模方式并非大模型的底层逻辑

虽然自回归模型是目前主流的大语言模型建模方式之一，但李崇轩团队认为大模型的优良性质源于极大似然估计本身，而非自回归建模方式。扩散模型也可被视为一种无损数据压缩器，具有并行生成的机制可同时生成所有token，对文本生成的效率有很大帮助。

关键观点3: AI推理成本下降对行业的影响

AI推理成本的下降表明AI模型训练成本与推理成本的差距在扩大，这将重塑行业竞争格局。企业需要在算力投入和商业化回报之间取得平衡，同时关注开源模型的崛起对全球供应链的影响。此外，人机协作时代也带来了劳动力结构转型和技能重塑的挑战。