在AI领域集体追问“扩展什么”的背景下，复旦大学邱锡鹏教授提出了“Context Scaling”新范式，旨在通过让AI深度理解复杂、模糊的情境信息，而非简单堆叠参数或数据，捕获人类智能中的“暗知识”，为实现真正的情境智能和通用人工智能（AGI）奠定基础。
2024年底，当OpenAI联合创始人Ilya Sutskever掷地有声地预言“我们所知的预训练时代即将终结”时，整个AI界为之震动，并迅速陷入一场关于“Scaling What”（究竟该扩展什么）的集体追问。面对大模型参数和数据规模化收益递减的现实，研究者们纷纷探索新的增长点：从推理时扩展（Test-Time Scaling）到强化学习的突破，从强化学习Self-play到Agent化路径，每一次尝试都指向可能的下一个跃迁。正是在这场前沿技术探讨中，来自复旦大学/上海创智学院的邱锡鹏教授，一位在自然语言处理及大语言模型领域深耕的学者，并曾主持开发了MOSS、FudanNLP等知名项目的领军人物12，提出了一种耐人寻味且更具深远意义的新路径——Context Scaling。
不同于传统关注“更大”的扩展路线，Context Scaling的核心在于追求“更深”：它聚焦于如何让人工智能真正理解并适应复杂、多变、模糊的情境。邱锡鹏教授将大模型的演进分为“AGI三幕”，并强调情境智能（Contextual Intelligence）将是迈向通用人工智能（AGI）的关键第三幕。
情境智能：超越上下文窗口的深度理解
在邱锡鹏教授的“AGI三幕”理论中，第一幕是模型规模化的胜利，通过海量数据和参数堆叠，实现了通用任务上的跃升。然而，随着数据量达到瓶颈和参数规模收益递减，单纯的加法已难以为继。第二幕则转向后训练优化，通过推理增强、知识具象化等手段，提升大模型解决复杂问题的决策能力。当这两幕发展到一定阶段，如何定义和理解“情境”（Context）便成为继续提升模型能力的核心挑战。当前大模型对任务或情境描述的局限性，导致它们难以处理那些模糊不清、无法用明确规则定义的复杂交互。
而这正是Context Scaling所要解决的问题，它旨在实现“情境智能”：让AI能够理解并适应足够丰富、真实、复杂、多变的情境信息，从而在模糊不清的世界中作出合情合理的判断。
邱锡鹏教授指出，这里的“Context”远非当前大模型简单的“上下文窗口”概念，它是一种多维、动态、跨模态的信息结构，可能包含时间、空间、参与者状态、目标意图，甚至是未明说的文化规则与人际默契。最关键的，是Context Scaling对**“暗知识”（Tacit Knowledge）**的捕获能力。所谓“暗知识”，指的是人类习得但难以清晰表述的隐性能力，例如：
- 社交智能：解读眼神、停顿、语调的变化。
- 文化适应：在不同文化背景中得体行事，理解未说出口的社会规则。
- 情境判断：区分同一句话语在不同情境下的不同含义（如“不要”可能表示拒绝，也可能是玩笑或反向请求）。
- 动态适应：在变化的环境中持续调整策略和理解。
正是这些难以言述的隐性知识，构成了人类智能的底色。若AI能通过深度情境理解捕获这些结构模糊、路径多变的信息，将实现真正意义上的智能突破。同时，这也是对AI安全发展的核心考量。当前大模型若仅遵循狭义目标（如“回形针悖论”），可能做出威胁人类社会的行为。Context Scaling通过让AI理解复杂的社会情境和隐含价值观，使其在没有明确禁令的情况下，也能基于对情境的深度理解，做出符合人类价值观的判断。
实现情境智能的三大技术支柱
邱锡鹏教授进一步阐述，Context Scaling之所以能成为一个独立的技术路径，源于其独特的三项能力支柱：
- 强交互性（Strong Interactivity）：情境智能的本质在于“从交互中学习”。这不仅包括与环境的强化学习式交互，更要求AI能够进行深层次的多模态人机协作，如语言澄清、任务讨论、甚至情绪共鸣。它要求AI理解用户的情绪状态、文化背景和未说出口的期望，从而从持续互动中汲取信息，具备面对复杂情境的应变能力。
- 具身性（Embodiment）：AI要能交互并理解所处世界，智能体必须具备“主体性”，即感知、行动、记忆与学习的能力。这并不意味着必须拥有现实物理世界的身体，虚拟环境中的持续任务代理或AR场景中的决策代理，都是这一理念的试验场。
- 拟人化（Anthropomorphizing）：这是Context Scaling独有的特征——AI需要具备类人的情感共鸣和反馈能力。这并非简单的情感模拟，而是对人类偏好和行为模式的深度理解，包括理解和回应人类情绪、掌握复杂人际交往规则、懂得何时保持距离或表达关心，以及具备文化敏感性。
为了实现上述三点，Context Scaling要求模型具备持续学习的能力。不同于传统的持续学习，情境智能的持续学习更强调在模型参数相对固定的情况下，通过Context的积累和更新，实现能力的持续提升。这更像是人类的成长与发展，在先天基因确定的情况下，通过后天学习和不断适应新环境，根据具体情境调整行为策略。
挑战与前瞻：通往AGI的新范式
尽管前景广阔，Context Scaling的实现仍面临几大技术挑战：
- 模型结构的突破：现有Transformer架构在长上下文处理上的效率受限，要支持多模态、交互式、动态变化的情境输入，模型架构本身可能需要根本性重构。
- 学习范式的转变：需要从传统监督学习转向交互式、持续式的弱监督、多反馈学习，以及在新情境中快速适应的元学习能力。Context Scaling所需的训练目标与损失函数正在重塑AI学习的本质。
- 复杂情境的定义与构建：复杂情境难以靠人工构建，也无法通过真实世界逐一采集。大规模情境数据的生成，可能需要借助AI自身合成场景、任务、交互脚本的能力。
邱锡鹏教授强调，Context Scaling并非替代其他Scaling路线，而是对其构成补充与整合。例如，它能为推理时扩展（Test-Time Scaling）提供更丰富、高质量的上下文信息基础。与Agent路径相比，Context Scaling更多是对任务定义层的重新设想，强调智能体理解复杂情境的核心能力，这种能力可以通过各种Agent架构来实现，但其本身超越了具体的工具使用和任务执行。它也为强化学习提供了新的环境定义，不再是简单的状态-动作-奖励循环，而是包含丰富情境信息的复杂交互空间。
“在大模型时代，如果研究只是在已有路径上做微调，那将失去方向感。”邱锡鹏教授指出，“研究者需要去定义那些‘大家都意识到但没人清晰表达’的问题。” 在这场关于“Scaling What”的集体探索中，Context Scaling将推理增强、多模态融合、强化学习等看似分散的技术路径统一在“情境理解”这一核心目标之下。智能的本质，或许正是在面对复杂世界时那份模糊中的准确、不确定中的判断、冲突中的协调。从这个意义上讲，Context Scaling不仅是大模型发展的下一幕，更可能是通向通用人工智能（AGI）的关键一步。