AI架构地震：扩散模型挑战自回归霸权，速度快10倍？

一场风暴正在酝酿

在人工智能的世界里，一个“王朝”已经统治了数年。以GPT系列为代表的自回归（Autoregressive, AR）模型，如同一个严谨的线性思想家，通过“逐字预测”的方式构建出流畅的文本，奠定了当前大语言模型的基础。然而，这位思想家有一个致命弱点：它只能向前看，一旦落笔，便无法回头修改，这导致了逻辑谬误、前后矛盾等一系列“原罪”。现在，一个颠覆性的挑战者正从阴影中走出，它不按常理出牌，它的思考方式更像一位艺术家——它就是**扩散语言模型（Diffusion Language Model, DLLM）**。

这场架构之战的号角，在2026年2月初的AAAI顶会上被正式吹响。

风暴眼：一场关键报告引发的行业追问

2026年2月8日，华为诺亚方舟实验室的研究员王云鹤在AAAI会议上分享了团队在扩散语言模型上的最新进展。这场报告并非一次简单的成果展示，而是一次深刻的行业自省和未来路线的公开探讨。王云鹤和他的团队直面了扩散模型当前面临的九大核心挑战，从底层的注意力机制、词表设计，到训练范式、推理效率，再到更高阶的思维链构建和多模态统一架构的可能性。

报告的核心问题振聋发聩：**扩散模型能否突破自回归模型的局限，成为通往下一代通用智能的关键路径？**这个问题不再是学术圈的喃喃自语，而是伴随着蚂蚁集团、字节跳动、谷歌等巨头以及Inception Labs等初创公司的纷纷入局，变成了整个AI领域无法回避的战略抉择。

两种思维的对决：线性叙事 vs. 整体雕琢

要理解这场变革的深刻性，必须回到两种模型最底层的“思维模式”差异上。

• 自回归模型（AR）：像一个循规蹈矩的作家，从第一个字开始，依次写下第二个、第三个……每一步都依赖于之前的所有内容。这种“因果链条”保证了文本的局部流畅性，但也带来了无法并行、难以纠错的“线性枷锁”。正如Yann LeCun等AI巨擘所批评的，这种模式限制了模型的真正推理和规划能力。

• 扩散语言模型（DLLM）：则像一位雕塑家。它从一整块“充满噪声”的混沌材料开始，通过一步步“去噪”和“精炼”，逐渐让清晰的、完整的作品浮现出来。它不是逐字生成，而是并行地、全局地优化整个文本。这种“完形填空”式的生成方式，赋予了它天然的几大优势：

• 并行加速：理论上可以同时预测所有词元，极大地提升了推理速度。
• 双向理解：能同时看到上下文，更好地把握全局逻辑。
• 迭代纠错：在生成过程中，可以对置信度低的部分进行“再遮盖、再生成”，如同作家反复修改草稿，这是自回归模型无法企及的。

这场对决，本质上是“顺序思维”与“整体思维”的较量。而后者，似乎更接近人类创作与思考的本质。

破局之路：从理论到工程的突围战

尽管前景诱人，但正如王云鹤在报告中指出的，扩散模型的崛起之路布满荆棘。幸运的是，一场全球范围内的“突围战”已经打响，研究者们正用一系列天才的创新来逐一攻克难关。

• 推理效率的瓶颈：扩散模型的随机掩码使其无法利用自回归模型高效的KV Cache机制。为此，上海交通大学团队提出了**dLLM-Cache，通过复用相邻去噪步骤中变化不大的特征，实现了高达9倍的无损加速。英伟达与港大联合提出的Fast-dLLM**框架，则通过分块缓存和置信度并行解码，实现了惊人的27.6倍加速。

• 训练范式的革新：从零开始训练扩散模型成本高昂且不稳定。蚂蚁集团与中国人民大学联合推出的LLaDA 2.0项目给出了巧妙的解决方案：将成熟的自回归模型“平滑地”转化为扩散模型。他们通过一套精巧的“热身-稳定-衰减”持续预训练策略，让模型在继承AR模型知识的同时，学会了扩散模型的双向去噪能力。这一思路极大地降低了门槛，并成功将扩散模型推向了千亿参数规模。

• 商业化的黎明：理论的突破迅速转化为商业价值。硅谷初创公司Inception Labs推出的商业级扩散模型Mercury，宣称在代码生成等任务上，比传统模型速度快5-10倍，成本低5-10倍。其编程模型Mercury Coder在测评中甚至超越了GPT-4o Mini，这标志着扩散模型已具备在真实世界应用中与顶级自回归模型一较高下的实力。

下一个战场：多模态与智能体

如果说在纯文本领域，扩散模型尚在追赶，那么在多模态和智能体的未来战场上，它可能拥有“主场优势”。

扩散模型的统一生成框架，使其能更自然地融合不同模态的数据。传统的AR模型处理图文时，往往需要独立的编码器和解码器，而扩散模型可以将图像、文本甚至动作指令都视为可以“去噪”的信号。字节跳动的MMaDA模型已经在一个统一的扩散架构下，实现了文本、多模态理解和文生图三大能力。蚂蚁与人大推出的LLaDA-V也证明了扩散模型在视觉指令遵循上的强大潜力。

在更复杂的智能体（Agent）任务中，扩散模型的“规划-修改”能力显得尤为重要。智能体执行任务需要一个全局的计划，并根据环境反馈不断修正。扩散模型先生成整体方案（草稿），再局部优化的特性，与Agent的运作模式不谋而合。这正是王云鹤团队认为“diffusion搞到代码和agent场景很有意思”的原因所在。

风险与未解之谜

通往未来的道路并非坦途。扩散模型依然面临挑战：如何保证生成内容的逻辑一致性和事实准确性？如何在大规模并行生成中避免“局部不连贯”的“并行生成诅咒”？以及，当模型具备强大的修改和“填空”能力时，如何防范其被用于制造更逼真的虚假信息？

此外，自回归模型自身也在进化，其庞大的生态系统和技术积累仍是巨大的护城河。未来的AI架构，可能不是一场零和游戏，而是两种范式的融合，例如采用“块级自回归+块内扩散”的混合模式，取长补短。

终章：等待下一声惊雷

从实验室的理论探索，到千亿参数模型的成功训练，再到商业产品的惊艳亮相，扩散语言模型在短短一两年内走完了自回归模型数年的路。它以一种全新的、更灵活、更高效的“思考”方式，冲击着既有的AI范式。

这场由AAAI会议上的深刻追问所点燃的架构之战，远未结束。它不仅关乎代码、效率和参数，更关乎我们如何定义和构建“智能”。我们正在从教会机器“线性说话”，迈向教会它“整体思考”。无论最终谁将主导未来，这场竞争本身正在将人工智能推向一个更强大、也更接近人类心智的全新高度。下一个关键突破，或许就在不远的将来。