大脑早就写好了答案：为什么 AI 一定是「通用大模型 + 垂域小模型 + 调度 Agent」

一份关于神经科学事实核查、产业架构收敛与商业 / 哲学后果的深度分析。观察者视角 · 2026 年 9 月。

〇、一句话结论

"直觉靠小脑、思考靠大脑"这个说法只对了一半，而且错掉的那一半恰恰是最有价值的部分。 大脑真正的分工不是"直觉 vs 思考"，而是"预测 vs 判断"——小脑负责在毫秒级预测"下一刻会发生什么"，皮层负责在秒级判断"我该做什么"，基底节负责在两者之间做门控与选择。

你设想的那套架构——云端通用大模型负责深思与决策、垂域小模型负责高频执行、具备调度与自我进化能力的 Agent 负责路由——不只是"代表未来"，它已经在 2026 年被三个互不相干的行业（通用 Agent、智能驾驶、具身智能）同时选中了。这不是英雄所见略同，这是物理约束下的唯一解。

而最新的证据来自本月：TypeSafe AI 于 2026 年 9 月 15 日走出隐身模式，发布了一个不生成文本、只输出"带概率的类型化决策"的模型 Jev，延迟 70–500 毫秒，输入定价 0.042 美元/百万 token、输出免费，种子轮 4000 万美元、估值约 2 亿美元7·8。它的创始人 Diogo Almeida 是前 OpenAI 研究员、RLHF 与 InstructGPT 的共同作者之一。他们给这类模型的命名非常直白：System One Model。

你凭直觉猜到的东西，正在被人用 2 亿美元的估值写成招股书。

一、先纠正一个流传很广的说法：直觉不在小脑

1.1 这个说法对了一半，而错的部分更有趣

"小脑管直觉、大脑管思考"是科普界流传最广的简化之一。它的问题不在于错，而在于它把三个系统压缩成了两个，而真正被抹掉的那个（基底节）恰恰是 AI 架构里最关键的那一层——路由。

准确的说法是：

直觉不是一个器官的产物。它是基底节把大量经验压缩成"可直接执行的块"（chunking），皮层来不及或不值得介入时，系统直接输出那个块的结果。基底节损伤的帕金森患者能"想明白"怎么走路，却无法自动起步——这证明自动化的那套回路是独立的硬件，不是"思考变快了"6。

所以，"老司机遇险一脚刹车"这件事里：小脑在预测车身姿态与轮胎抓地，基底节在调用那个练了十年的"紧急制动程序块"，皮层要到事后才知道发生了什么。直觉是三者合谋，小脑只负责其中的"预演"。

1.2 小脑真正的角色：它不是直觉中枢，是预测器

近两年神经科学对小脑的理解发生了明显转向，从"运动协调器官"改为"通用预测器"。三条关键证据：

• *2025 年 Discovery Medicine 的综述提出：小脑的前向模型可以用卡尔曼滤波统一解释，而且这套机制不只服务运动，还扩展到认知、情绪与社会推理——小脑在做的核心计算是序列（sequencing）与预测（prediction）*1。

• Tsay 与 Ivry（arXiv, 2025）给出三条硬约束：预测性（做预期计算，不是反应计算）、短时程（预测只覆盖很短的时间窗）、连续性（变换的是空间、时间这类连续量而非离散符号）2。这篇论文最有价值的地方是它明确了边界条件：哪些计算不该依赖小脑。

• *2025 年 NeuroImage 在 151 名健康人身上发现，小脑特定区域的白质微结构（FA 值）与长时记忆、抽象推理、语言相关执行功能显著相关，与反应时负相关——作者解释为：小脑通过更新内部模型、校正预测与结果的偏差*来提升认知表现3。

• *2025 年 Journal of Neuroscience 在猴子身上记录到：小脑皮层浦肯野细胞编码时间预测信号，而齿状核单个神经元的放电可以被约 16 个浦肯野细胞的线性组合解释 84%——这意味着小脑的输出是一种极高维特征展开后的线性读出*4。

最后这一条，是整个报告里最重要的一个技术隐喻。

1.3 小脑不是"小模型"，它是"极宽的浅层网络"

大众认知里"小脑 = 小"，其实是个误会。按神经元数量算，小脑拥有全脑一半以上的神经元（常见估计在 500–700 亿量级，而整个大脑皮层约 160 亿），它体积小只是因为颗粒细胞极其微小。它的结构是：颗粒细胞把输入做极高维、极稀疏的展开，然后浦肯野细胞做近乎线性的读出。

翻译成工程语言就是：随机特征展开 + 线性读出——一个又宽又浅、参数效率极高、单次前向传播极快的结构。

这就是为什么"垂域小模型"不该被理解为"缩小版的大模型"。生物学的答案恰恰相反：快系统不是被压缩的慢系统，它是一个结构完全不同、靠宽度而非深度取胜的东西。 cerebellum 的均一"晶体结构"也是工程上最宝贵的性质：可标准化、可复制、可替换、可独立验证——你可以量产的模块，长这样。

1.4 更锋利的修正：分工不是"直觉 vs 思考"，是"预测 vs 判断"

把上面的证据收拢，我建议把那个流行说法改写为：大脑皮层负责"判断该做什么"，小脑负责"预测会发生什么"，基底节负责"决定这一次调用谁"。

这个改写之所以重要，是因为它直接给出了工程上的三条设计原则：

1. 预测层的输出必须是连续量、短时程、可在线修正的——不是让小模型去"回答"，而是让它去"预报下一帧"。

1. 判断层的价值不在于它多快，而在于它能处理"从未见过"的东西——通用性的全部意义是兜住长尾。

1. 选择层（路由）是独立的、可被训练的——它吃的是"不确定性"，吐的是"调用谁"。

二、把大脑翻译成工程：一张对照表

2.1 被忽略的第三条：不只有"快慢"，还有"上下"

大部分关于"双系统"的讨论只讲了快慢，但生物系统里真正让它成为一个系统而非两个系统的，是两条纵向通路：

• 上行通路（快 → 慢）：当预测误差超过阈值（爬行纤维放电），请求慢系统介入。工程上叫 escalation / 置信度级联 / recovery branch。没有这条路，快系统会安静地在自己不擅长的场景里犯错。

• 下行通路（慢 → 快）：慢系统的结论最终要固化进快系统（睡眠巩固、离线重放）。工程上叫蒸馏、部署后训练、技能库沉淀。没有这条路，你永远在为同一个问题付两次钱。

判断一个系统是不是"真双系统"，就看这两条通路是否闭合。 只把大模型和小模型并排放着、各自干各自的，那是两个产品，不是一个系统。这句话可以直接拿去做尽调。

三、产业已经在投票：三个领域同时收敛到同一架构

这不是理论推演。2026 年，三个原本各走各路的行业，几乎同时收敛到"大模型 + 小模型 + 路由"这一形态。

3.1 通用 Agent：从"一个全能模型"到"三级路由 + 置信度级联"

• GPT-5 本身就不是单一模型。 其 System Card 披露的是一个由路由模块驱动的多模型系统：gpt-5-main（高吞吐快响应）、gpt-5-thinking（深度推理）、以及一个实时路由模块，依据对话类型、复杂度、工具需求与用户意图实时决定调用谁，并用真实信号（用户切换行为、偏好率、正确性度量）持续训练9。"模型"与"产品"的分离已经完成：用户感知到的是体验，底层是动态路由的模型组合。

• NVIDIA 的研究观点被产业界广泛转述：典型 Agent 中 60–80% 的调用是 routine 步骤，小模型完全能胜任10。在界定清晰的后台流程里，80–90% 的步骤留在本地是常态。

• 2026 年生产环境的默认形态是三层推理：端侧（1B–14B 量化模型，零延迟、零边际成本、数据不出域）→ 私有云（14B–70B）→ 前沿云（最贵、最强）——路由层按任务复杂度、数据敏感度、置信度三维决策11。

• TypeSafe AI 的 Jev（2026 年 9 月 15 日）是这条路线最激进的表达：它不生成文本，只返回类型化的概率决策（Choice / Score / Noul 三种原语），并行输出而非逐 token 采样，因此延迟 70–500 ms，输入 $0.042/百万 token、输出免费（因为它没有 token 可计价）7·8。

需要泼的冷水：TypeSafe 自述的"快 40–200 倍""成本 445 倍优势"是自家基准、且参照系是其他模型的输出平均值，未经独立验证8。更关键的是，他们宣称 Jev"不可能幻觉"——这个保证只在结构层面成立（输出不可能越出预定义类型），但一个类型正确、实质错误的决策仍然是错的。这一点他们自己在文档里也承认了7。把它当成"决策正确性保证"来采购，会是 2026 年最贵的误解之一。

3.2 智能驾驶：VLA 做大脑、端到端做小脑、世界模型做"沙盘"

智驾是这套架构最成熟、也最有说服力的落地场，因为它的物理约束最硬（毫秒级、不可重试、出错即事故）。

2026 年的行业格局（据行业研究报告与公开报道）12：

• 地平线："快思考 + 慢思考"双轨架构，以强化学习为中枢——一边用世界模型+仿真训练赋能端到端直觉模型（毫秒级响应），一边用推理增强赋能 VLM 认知模型（长时序复杂场景），最终把 VLM 能力蒸馏、量化到车端。

• 千里科技：VLA 做慢系统高阶决策、E2E 做快系统行动映射；32B 参数大模型做多模态预训练 → 蒸馏为 7B 轻量模型部署车端，再用强化学习对齐人类驾驶风格与安全约束。这条链路几乎就是"下行通路"的教科书实现。

• 小鹏：物理世界基座模型同时包含第二代 VLA 与世界模型。刘先明在 CVPR 2026 的表述很精准：VLA 学的是"如何行动"，世界模型学的是"行动之后世界会如何变化"——这不是路线之争，是同一系统的两个半脑。

• 理想：路线几经切换（规则 → 端到端 → 端到端+VLM 双系统 → VLA → MindVLA-01），2026 年全面转向 MindVLA-01 统一基座：原生多模态 MoE-Transformer + 3D 空间理解 + 预测式隐世界模型 + 统一动作生成 + 大规模闭环强化学习。

• Momenta：R7 强化学习世界模型量产首发，基于超 120 亿公里真实里程；三段式"预训练 → 仿真 → 强化学习"。

• 华为 WEWA 2.0：多智能体博弈 + 云端在线强化学习。

一个特别值得注意的工程细节：安全冗余正在被重新制度化——L3/L4 推动"传统算法兜底 + 端到端主系统"成为刚需（英伟达快慢双系统、地平线 Lite Safety Checker、博世安全门控 PDMS 奖励）12。这在生物学上等价于：小脑和脑干反射不依赖皮层，皮层挂了人还能呼吸。 任何声称"纯端到端无需兜底"的方案，都还没通过这一关。

3.3 具身智能：双系统已是默认答案，竞争转向"接口"与"通用小脑"

• 主流 VLA（GR00T、Helix、π0 系列）全部采用不对称双系统：System 2（5–10 Hz 的视觉语言模型，负责理解与重规划）→ System 1（50–100 Hz 的扩散/流匹配专家，负责出动作）。动作分块（action chunking）是让这套设计成立的工程关键：一次前向预测 8–50 个未来动作，模型跑 5–10 Hz、机器人执行 50–100 Hz，把推理频率与控制频率解耦16。

• τ0-VLA（上海创智学院 + 智元，WAIC 2026）：把"测试时计算"和世界模型推演首次引入具身上层决策。高层慢系统内含候选任务生成、世界模型推演、价值评估、反思四个模块，构成子任务级束搜索——行动前先花算力"想"。结果：全屋清洁、烹饪、制作奶茶等长程任务平均成功率从 27.5% 提升到 45.0%13。预训练用了 4 万余小时真实物理交互数据（含 2 万+ 小时真机数据）。

• EMS（arXiv, 2026 年 8 月）指出了当前双系统的真问题：快模块被紧耦合在慢模块的中间表示上，必须端到端联合训练，导致无法模块化替换。他们用强化学习训练的切换策略在两个完全解耦的系统间动态选择，在 LIBERO 上把有效动作频率提到 93.4 Hz，同时保持大基线模型的成功率14。

• AstraBrain-WBC 0.5（银河通用，CVPR 2026）：被称为"全球首个人形机器人通用小脑 GPT 基座大模型"。80.4M 参数、20 亿帧人类动作数据、因果 Transformer、双阶段训练（300 个 PPO 专家 → DAgger 蒸馏为单一模型），端到端推理延迟低于 1.5 毫秒，并首次在运动控制领域验证了 Scaling Law（数据从 200 万帧到 20 亿帧，成功率 83.26% → 92.58%）15。

• CT-VAM（arXiv 2606.09572）：受小脑—丘脑通路启发的视觉-动作模型，主张语言只用于指定任务意图、不应在高频底层执行中被反复处理——这正是对"小脑不做离散符号运算"这一生物学约束的工程呼应。

一个清晰的产业信号：机器人领域已经开始用"大脑/小脑"来命名产品线。当生物学隐喻变成产品命名，说明架构共识已经形成。

四、为什么这不是潮流而是物理：四条硬约束

约束一：时延与带宽的物理

闭环控制的频率（50–100 Hz）与前沿模型推理的频率（1–10 Hz，深度思考模式下甚至 0.01 Hz）相差一到四个数量级。云端往返时延在物理上无法进入控制回路。这不是优化问题，是可行性问题。 只要系统要接触物理世界，快层就必须本地存在。

约束二：成本必须与难度对齐

token 经济学的裂缝已经很明显：一个 Agent 请求会触发 5–50 次模型调用，其中 70–85% 是分类、抽取、格式化这类 routine 步骤10·11。前沿模型的价格是快模型的 10–100 倍。用前沿模型做"从 PDF 里抽一个日期"是在烧钱买确定性。 混合架构在产业实践中普遍报告 70–90% 的成本下降，且质量损失在 2% 量级11·13。

约束三：可验证性——只有被限制的模块才能被认证

这是最被低估的一条。大模型不可穷举验证，小模型在限域内可以。 当系统要进入医疗、金融、驾驶、工业控制这类受监管领域，你需要一个"可以被证明行为有界"的层。Jev 的核心卖点不是快，是类型安全——一种结构性保证7。同理，智驾的安全门控、机器人的运动学约束层，都是这个逻辑。

推论：未来的合规架构，一定是"不可验证的强能力层 + 可验证的弱能力层"，而不是"一个努力变得可信的强能力层"。

约束四：进化速度——经验落在哪一层，决定系统的迭代周期

2026 年清华与衔远科技联合发布的综述给出了一个非常有力的框架17：Agent 系统由基座模型 / 可变状态化 Harness / 用户侧 / 环境侧四部分构成，而 Harness（技能、记忆、工具配置、验证规则）才是经验进化的核心载体——因为它比模型权重更新更快、更易治理和回滚。

同一框架把经验落地分为快路径（写入 Harness：技能、记忆、工具，分钟级、可回滚）与慢路径（训练内化进权重，周月级、迁移性好）。

这与大脑的双通路完全同构：快路径 = 小脑的在线突触修正，慢路径 = 皮层的睡眠巩固。

工程推论非常直接：一个自进化系统的竞争力，不取决于它能不能改自己，而取决于经验落在哪里、多久能落、错了能不能回滚。RSEA 的发现值得每个做 Agent 的人记住：未经门控的上下文进化方差极高且可能崩塌，必须靠 held-out 集做提交门控18。

五、五个可能反直觉的判断

判断一："垂域小模型"应该是另一种物种，不是缩小版的大模型

Jev 的意义不在参数量，在于它放弃了生成。它不写文本，只返回带概率的类型化决策，因此输出免费、延迟 70–500 ms。这不是"小 GPT"，这是一个决策原语。

我的判断：未来两年会出现一批"不能聊天"的模型。它们不可用于对话、不写诗、不写代码，但在自己的窄域里可以被形式化验证。产业会为它们单独定价、单独认证、单独监管。把小模型当成"便宜的大模型"来做的团队，会在 2027 年被这批原生决策模型打穿成本结构。

判断二：护城河正在从模型权重转移到"路由日志 + 升级/蒸馏闭环"

模型权重会商品化（开源、蒸馏、价格战）。但"哪一类问题应该升级、升给谁、升级后的结论怎么蒸馏回来、多久蒸馏一次"这套策略，是吃真实流量长出来的。它写在配置文件里，却长在业务数据上。

NVIDIA 的判断是对的：小模型是 Agentic AI 的未来10。但我要补一句更关键的：路由层才是那个"未来"的所有权人。 谁掌握路由日志，谁就掌握了：

1. 全局的能力地图（哪里强、哪里弱、成本花在哪）；

1. 最好的微调数据集（升级样本天然是 hardest cases）；

1. 定价权（可以决定把多少流量导向自家的高毛利层）。

判断三：世界模型不是第三条路线，它是路由器内部的沙盘

VLA 派与世界模型派的争论（"理解"优先 vs "预测"优先）是个伪二选一12。世界模型的真正位置是：给上层决策提供一个可低成本试错的推演空间，让慢系统能在行动前比较若干候选——τ0-VLA 的"先想再做"就是这么干的，长程任务成功率直接提升 17.5 个百分点13。

换句话说：世界模型是路由器的"想象模块"，是 System 2 与 System 1 之间的共同语言。 谁把世界模型做成独立产品线，谁就输了；谁把它做成决策层的内置推演器，谁就赢了。

判断四：计价单位正在从 token 迁移到 decision

Jev 输出免费这件事，表面是定价技巧，实质是计量单位的变革：当你不再生成 token，"token"就不再是合适的计价物，取而代之的是"一次置信的决策"。TypeSafe 网站上的对比直接用了"每 1000 个 workflow 39 美分"这种口径7。

商业后果：一旦决策可被单独计价，企业就能精确计算"一个决策的边际成本"。当这个数字趋近于零，被自动化的就不再只是任务，而是判断本身。这会重塑一整批以"专业判断"收费的行业（初级法律、初级审计、保险核保、信贷初审、客服分诊）。

判断五：最大的风险不在能力，在"直觉层的不可审计"

这是我最担心、也最少被讨论的一点。

当系统的绝大多数决策由快层做出，而这些决策不可解释（小模型不产出理由，Jev 的概率不解释原因——这一点已被评论者明确指出7），我们会面临一个结构性困境：

系统越高效，就越难以解释它为何高效。

TypeSafe 自己的顾问也承认：概率能显示模型有多自信，但不能解释它为什么这么决定——在需要向监管方或审计方解释自动化决策的受监管行业，这个区别是致命的7·19。

这个问题在生物界有对应物：你可以问一个人为什么踩刹车，但他答不上来，因为做出决定的是基底节和小脑。人类靠"责任归属在皮层"这个社会契约解决了它；AI 系统里，皮层不是人。

六、还没解决的问题（诚实清单）

七、商业、社会、哲学：三条尾巴

7.1 商业：当"判断"的边际成本趋近于零

过去两百年，专业阶层的护城河建立在"判断力稀缺"上。这套架构正在把判断力拆成两部分：可标准化的判断（被压缩进快层，成本趋零）与长尾判断（留在慢层，昂贵且稀缺）。

中间层会被抽空。这已经在智驾行业预演过一次：当端到端+VLA 把"常规驾驶"压缩进车端模型，驾驶技能的稀缺性就消失了，价值全部转移到数据闭环与规模上——Momenta 的 120 亿公里就是一个用规模换能力的例子12。

同样的故事会在法律、会计、影像阅片、软件工程里重演。判断标准很简单：你所在的领域，有多少比例的判断能被枚举成"Choice / Score"这类原语？ 那个比例，就是你的护城河的下跌幅度。

7.2 社会：谁为直觉层的错误负责

这里有一个真正棘手的社会设计问题：我们建立了一整套围绕"人类决策"的责任制度（过错、注意义务、可预见性），而这套制度默认决策者可以给出理由。

快层给不出理由。它给概率。

三种可能的演化路径：

1. 强制可解释层：要求高风险决策必须过慢系统，理由必须可陈述（代价是慢、贵）；

1. 结构性兜底：不要求快层可解释，但要求快层的行为有界（类型安全、安全门控、传统算法兜底）——这是智驾已经在走的路12；

1. 责任上移：把责任压给部署者而非模型（"你选了这套路由策略"）。

我倾向于认为 2 + 3 会胜出，因为 1 在经济上不可持续。这意味着未来最具价值的法律与工程交叉岗位，是"路由策略的合规审计"。

7.3 哲学：意识可能是系统里最不重要的一层

这套架构逼我们面对一个不太舒服的结论。

笛卡尔把"我思"确立为人的本质，此后四百年我们都默认思考是智能的高级形态，其余都是低级辅助。但神经科学给出的图景恰恰相反：意识只是系统里最慢、最耗能、带宽最低、且只在系统搞不定时才被唤醒的那一层。有估计认为非意识处理的信息量比意识处理高出几个数量级（这类"11M bits/s vs 40 bits/s"的数字在科普中被广泛引用，但原始出处薄弱，当作量级直觉而非精确事实看待更稳妥）。

我们之所以觉得思考重要，可能只是因为它是唯一被广播到"我们"这个叙事里的那部分。

如果这个判断成立，那么今天 AI 领域最热闹的那部分——让模型更会"想"、更能"说清楚它怎么想"——可能只是在打磨系统里最薄的一层。真正的智能革命发生在那些沉默的、高频的、不可言说的层里：它不解释，它只是每次都对。

而这带来一个文明层面的风险：我们把"可解释性"当作 AI 对齐的核心抓手，但如果智能的主体本来就不可解释，我们可能是在为一个注定无法达成的标准，延迟一个本来可以安全落地的系统。 更可能的答案是：对齐的落点不是"让 AI 说清它怎么想"，而是"让 AI 的行为有界、可回滚、可兜底"——像小脑那样，而不是像哲学家那样。

八、给三类人的可执行建议

给创始人/产品负责人

• 不要问"用哪个模型"，要问"我的系统里哪一层负责升级、哪一层负责蒸馏"。画不出这两条纵向通路的架构图，就不是双系统。

• 尽早把路由日志当成一级资产来建设（记录：谁处理、为什么升级、置信度、结果反馈）。这是未来唯一不可复制的东西。

• 给每个快层模块设计"类型边界"而非"性能目标"。能被形式化约束的模块，才能进受监管市场。

给投资人

• 尽调问题从"模型多强"改为三个：升级率是多少？蒸馏周期是多久？路由日志有多大？

• 警惕两类公司：宣称"一个模型解决所有问题"的；以及宣称"我们的小模型又快又便宜又不会错"却拿不出第三方校准数据的。

• 关注"决策即服务"这条新赛道——定价单位从 token 变成 decision 的那一天，会出现新的定价权中心。

给从业者/研究者

• 值得深耕的三个方向：切换策略（何时升级）、校准（概率是否可信）、接口解耦（能否热替换快层）。这三个是当下最薄弱、也最缺人的地方。

• 别再卷"让小模型更像大模型"。去做"大模型做不到的事"：类型化、可验证、在线自适应、毫秒级。

• 读一读小脑的局部学习规则（无反向传播、延迟误差信号驱动）5。在线自适应——部署后单次试验内修正——是目前机器人与智驾公认的痛点，而生物界早就有了答案。

九、结语

回到最初那个问题："直觉靠小脑，思考靠大脑"，是真的吗？

答案是：它是一个好的起点，但是一个坏的终点。

好的起点，是因为它抓住了智能最根本的分层——快与慢、预测与判断、执行与规划。坏的终点，是因为它漏掉了中间那个真正让系统成为系统的东西：选择谁上场的那一层。

而你设想的那个架构——大模型负责深思、垂域小模型负责执行、Agent 负责调度与进化——恰恰补全了这一层。它不是"代表未来的方案之一"，它是在时延、成本、可验证性、进化速度四条硬约束同时作用下，复杂系统唯一能长成的形状。大脑用了五亿年收敛到它，工程界用了五年。

最后留一句可能有用的提醒：神经系统里最强大的那部分，从不说话。 未来最强大的那部分 AI，大概也不会。

参考与出处

1. Kakei S., Tanaka H., Mitoma H., Manto M. The Cerebellum as a Predictor: Recent Insights Into Cognitive Control and Extension of Kalman Filter Theory to Cognition. Discovery Medicine, 2025, 37(196): 791-800 ↗

1. Tsay J., Ivry R. Cerebellar Contributions to Action and Cognition: Prediction, Timescale, and Continuity. arXiv:2509.09818, 2025 ↗

1. Urbini N. et al. The cognitive cerebellum: linking microstructure to cognitive functions in a healthy population. NeuroImage, 2025, 317: 121356 ↗

1. Okada K., Kameda M., Tanaka M. Comparison of Signals from Cerebellar Purkinje Cells and Deep Nuclei during Temporal Prediction in Primates. Journal of Neuroscience, 2025, 45(49) ↗

1. Robot Learning Part 5: Six Architectural Principles from Motor Neuroscience（小脑局部学习规则、准备—执行分离） ↗

1. 直觉决策的神经回路（基底节、眶额皮层、前岛叶、体标记假说） ↗

1. SiliconANGLE. TypeSafe AI exits stealth with $40M to build AI for use by software. 2026-09-16 ↗

1. AI Insiders. TypeSafe launches Jev, a model built to decide, not to talk. 2026-09-16 ↗

1. GPT-5 System Card 深度解读：统一路由架构 ↗

1. Superkind. Small Language Models on EU Soil: The On-Prem Agentic Architecture（引 NVIDIA Peter Belcak 观点：60–80% 的 Agent 调用可由小模型承担） ↗

1. Zylos Research. Local-First AI Agents: Hybrid Cloud-Edge Architectures. 2026-05-10（三层推理架构与置信度级联） ↗

1. 《2026 智驾大模型研究：技术博弈与范式融合进入关键期》（地平线、千里科技、小鹏、理想 MindVLA-01、Momenta R7、华为 WEWA 2.0、安全冗余） ↗

1. τ0-VLA 发布：双系统架构 + 世界模型推演，让机器人学会先想再做（2026 WAIC；长程任务成功率 27.5% → 45.0%） ↗

1. Sun Y. et al. Fast and Accurate: An Adaptive VLA Inference Framework through Environment-aware Model Selection. arXiv:2608.06434, 2026-08 ↗

1. AstraBrain-WBC 0.5：人形机器人通用小脑 GPT 基座大模型（CVPR 2026；80.4M 参数、20 亿帧、<1.5ms、Scaling Law 验证） ↗

1. Physical AI and Vision-Language-Action Models（VLA 架构、动作分块、System 1/System 2 双系统） ↗

1. 衔远科技 × 清华《Self-Improving Agents in the Era of Experience》综述：Harness 作为经验进化载体、快/慢双路径. 2026-06 ↗

1. RSI 综述：Agent 的递归自进化与 Self-Evolving Agents（RSEA held-out 门控、Voyager 技能库、AFlow、DGM 等） ↗

1. InfoWorld. TypeSafe AI's new models work with machines, not humans（关于概率可解释性与审计风险的评论） ↗