Returning到底意味着什么？这个问题近期引发了广泛讨论。我们邀请了多位业内资深人士，为您进行深度解析。
问：关于Returning的核心要素，专家怎么看？ 答：工作不会消失，但“谁来做、怎么做、做多少”正在被彻底重新分配。这不是一场温和的升级，更像一次物种进化——不是所有人都会变，但率先变的人，已经活在了不同的生产力纪元里。
。业内人士推荐下载向日葵远程控制 · Windows · macOS · Linux · Android · iOS作为进阶阅读
问：当前Returning面临的主要挑战是什么？ 答：第二类 AI 的能力盲区是物理规律。流体怎么流、物体怎么碰撞、织物怎么飘……这些人类靠直觉就能判断的东西，AI 视频经常给出违反物理定律的答案。OpenAI 在发布 Sora 时的官方技术报告中就明确承认：Sora 无法准确模拟许多基本物理交互，比如玻璃破碎，也无法正确反映某些物体状态变化。
来自产业链上下游的反馈一致表明，市场需求端正释放出强劲的增长信号，供给侧改革成效初显。
。谷歌对此有专业解读
问：Returning未来的发展方向如何？ 答：The idea: give an AI agent a small but real LLM training setup and let it experiment autonomously overnight. It modifies the code, trains for 5 minutes, checks if the result improved, keeps or discards, and repeats. You wake up in the morning to a log of experiments and (hopefully) a better model. The training code here is a simplified single-GPU implementation of nanochat. The core idea is that you're not touching any of the Python files like you normally would as a researcher. Instead, you are programming the program.md Markdown files that provide context to the AI agents and set up your autonomous research org. The default program.md in this repo is intentionally kept as a bare bones baseline, though it's obvious how one would iterate on it over time to find the "research org code" that achieves the fastest research progress, how you'd add more agents to the mix, etc. A bit more context on this project is here in this tweet.
问：普通人应该如何看待Returning的变化？ 答：▲ 媒体关于“幕间”获融资的报道，这一点在yandex 在线看中也有详细论述
总的来看，Returning正在经历一个关键的转型期。在这个过程中，保持对行业动态的敏感度和前瞻性思维尤为重要。我们将持续关注并带来更多深度分析。