Related articles
文 | 正见 TrueView，作者 | 欢佬，编辑 | 咏鹅
当唐杰、杨植麟、林俊旸、姚顺雨这四个名字，罕见地同时出现在一张圆桌上时，哪怕不听内容，这个画面本身就已经是中国 AGI 历史的关键一帧。
1 月 10 日 AGI-Next 前沿峰会活动现场 图源：微博 AI
四人中一个是刚登陆港股的智谱创始人，一个是率领 Kimi 狂奔的 90 后少壮派，一个是阿里通义背后的开源操盘手，一个是刚从 OpenAI 归国加盟腾讯的首席科学家。继六小虎之后，大家又为中国大模型新贵们起了一个新的 Title，媒体称他们为 「基模四杰」。
但在这场 2026 年开年会议上，空气中弥漫的不是商业互吹的虚情，而是一种 「后 DeepSeek 时代」 的冷静清醒。
Q：「三到五年后全球最领先的 AI 公司是中国公司的概率有多大？」
A：「20%」。
从这几位中国 AI 领域的顶尖从业者的对话中，可以清晰感受到中美在算力上存在的鸿沟，而这仅仅是表象。更深层的差距在于资源分配的逻辑与研发的文化。
在美国，充沛的算力被允许用于探索无人区，甚至进行浪费式的试错，OpenAI 们可以押注一个长期可能没有确定回报的技术路线。而在中国，绝大多数团队的算力资源首先需要确保现有业务的存活与交付。
这种捉襟见肘的状态，迫使中国的 AI 研发走上了一条迥异的道路，我们必须极度务实，「在螺丝壳里做道场」 的工程艺术练到极致，追求在确定性路径上的快速跟进与极致优化，并磨炼出在严苛资源限制下进行算法与基础设施联合优化的生存技能。
此外，圆桌清晰地揭示了行业正在发生的结构性分化。
智谱 AI 创始人兼首席科学家唐杰断言，以对话 （Chat） 为核心形态的竞争，随着 DeepSeek 的出现已基本告一段落。未来的战场将沿着两条岔路展开，在面向普通消费者 （To C） 的一端，模型本身智商分数的边际提升已难以被用户感知，竞争的关键转向了对用户上下文 （Context） 的理解与个性化服务能力，即所谓的 「情商」。而在面向企业 （To B） 的生产力场景，情况则截然不同。
正如前 OpenAI 研究员、现任腾讯 CEO 办公室首席科学家姚顺雨所指出的，企业愿意为能将任务准确率从 60% 提升到 90% 的模型支付数倍的溢价，代码 （Coding） 能力因直接兑换为生产效率，已成为价值制高点，这也解释了为何智谱等公司选择将重注押注于此。
面对这样的格局，中国 AI 的进化路线在 2026 年呈现出高度务实的技术图景。「2026 年范式的改变一定会发生，我们也在努力，希望这个变化发生在我们身上。」
Scaling Law 并未被抛弃，但单纯的数据和算力堆砌，边际效益正在锐减，真正的进步来自架构、优化器和数据层面的系统性创新，目的是为了让模型拥有更好的 「Taste」。如月之暗面杨植麟所研究的 MUON 优化器、kimi Linear 架构等创新，来追求更高的 Token 效率与更优的长上下文性能。
在备受关注的智能体 （Agent） 领域，一个共识是解决长尾复杂任务的根本能力，仍深植于模型层本身。「解决它需要回到模型层，烧卡训练。」 因此模型公司正在不可避免地变成产品公司，千问、智谱、kimi，都在将模型能力直接封装为可用的 Agent 服务。
当模型本身就是解决问题的最佳路径时，中间层就失去了存在价值。这意味着缺乏训练能力的纯应用层 「套壳」 创业将面临天花板，真正的机会在于巨头无暇顾及的垂直细分与行业纵深，那些巨头看不上的细分场景、行业特有的复杂流程、需要深厚领域知识才能解决的问题。
而对于 「自主学习」 这一前沿愿景，几人普遍持审慎态度，认为其更多是渐变而非突变，且必须优先解决安全性与可控性的根本矛盾。
记忆系统是另一个共识方向。唐杰认为，人的记忆系统有短期记忆、工作记忆、长期记忆甚至社会记忆多个层次，而大模型在这方面还有很大提升空间。
最终，圆桌回归到那个最初的数字，20%。这 20% 的胜率是建立在一种深刻的战略清醒之上，它意味着放弃不切实际的弯道超车幻想，转而寻求在硬件限制下的极致工程实现、在特定市场中的垂直场景深耕，以及如唐杰所言的 「笨笨的坚持」——「永远不要想着环境是最好的，我们恰恰是幸运的。」「如果我们笨笨地坚持，也许走到最后的就是我们。」
中国 AI 创业者的发展之路大抵如此。
大模型赛道的下一程，将不再是追求宏大的 「登月时刻」，而是一场考验耐力、专注与务实创造力的漫长跋涉。
牌局已然明朗，胜率或许不高，但真正的参与者明白，只要留在牌桌上，就有将一手普通牌打到极致的可能。
以下为编辑整理后的 AGI-Next 圆桌对话内容，因速记原文超万字，整理内容进行了较大幅度删改：
图源：微博 AI
01 模型分化
To C 与 To B、垂直整合与分层发展的路径差异
李广密：硅谷企业呈现明显分化，比如 Anthropic 聚焦 Coding，Google Gemini 深耕全模态，OpenAI 侧重 To C。中国模型在开源领域表现突出，各位如何看待模型分化的趋势？
姚顺雨：我有两个大的感受。其一，To C 与 To B 的分化愈发清晰。To C 场景中，ChatGPT、豆包等产品的用户体验提升已不明显，多数用户仅将其作为搜索引擎加强版，对高阶智能需求有限；而 To B 领域，智能水平直接挂钩生产力与商业价值，用户愿为顶尖模型支付溢价，年薪 20 万美元的从业者，更倾向选择 200 美元/月、能精准完成八九个任务的强模型，而非 50 美元/月、仅能完成五六个任务的弱模型，强弱势模型的差距会持续拉大。
其二，垂直整合与分层发展的分化。To C 领域，模型与产品需强耦合迭代，垂直整合模式依然有效；但 To B 领域，模型公司应专注提升模型能力，应用公司则聚焦利用强模型赋能生产力环节，两者各司其职更高效。
腾讯作为 To C 基因浓厚的企业，会重点通过补充上下文与环境信息，让模型更好满足用户个性化需求，比如结合微信聊天记录优化 「今日吃什么」 这类问题的回答；To B 方面，将先服务内部场景，借助 10 万员工的真实场景数据，突破标注商的数据局限。
林俊旸：分化是自然发生的，公司并无绝对的 To B 或 To C 基因，核心是服务真实人类需求。Anthropic 的成功并非只因 Coding 能力强，而是通过高频对接企业客户发现了真实需求。
美国 API 消耗量中 Coding 占绝对主导，但中国目前尚未出现这一现象。千问更相信 AGI 应顺其自然发展，To C 产品可能进一步分化到医疗、法律等垂直领域，To B 则需依托模型能力与客户需求的精准匹配创造价值。
杨强：工业界与学术界的分化也值得关注。当前工业界在大模型领域领跑，学术界多跟风实践，但当大模型进入稳态后，学术界需承接工业界尚未解决的核心问题，比如智能上限的界定、资源在训练与推理中的分配平衡、记忆与推理的协同阈值等。
像哥德尔不完备定理揭示的模型幻觉问题，就需要数学界、算法界与工业界联合探索 「资源投入与幻觉降低的平衡点」，这类理论突破将孕育新的计算模式。
唐杰：Chat 范式的竞争自 DeepSeek 出现后已基本结束，后 DeepSeek 时代，智谱押注了 Coding 与推理的结合，GLM-4.5 就是这一方向的成果。2023 年多家大模型集中上线但用户有限，核心原因是未真正解决问题。如今分化的关键是企业需依托自身资源禀赋，在通用能力之外打造独特优势，而非盲目跟风。
02 新范式探索，自主学习的渐变式演进与衡量标准革新
李广密：预训练、强化学习的收益已逐渐见顶，硅谷聚焦自主学习这一新范式。OpenAI 推动了 Transformer 和 RL（强化学习） 两大范式，姚顺雨曾任职 OpenAI，如何看待下一代范式的走向？
姚顺雨：自主学习是硅谷的共识，但存在两大关键认知。其一，自主学习不是单一方法论，而是依附于具体数据与任务，聊天个性化、代码适配企业环境、科学领域探索等，每种场景的挑战与方法均不同；其二，自主学习已在发生，只是呈渐变式发展，比如 ChatGPT 通过用户数据优化聊天风格，Claude 自行编写 95% 的项目代码。
2025 年已出现明确信号，Cursor 每几小时就用最新用户数据迭代，新模型也在引入真实环境数据训练，只是受限于预训练能力，效果尚未超越 OpenAI。
当前最大挑战是想象力，我们需先明确自主学习的落地形态，比如是能赚钱的交易系统，还是解决人类未解的科学问题，才能针对性突破。全球范围内，OpenAI 仍最有可能诞生新范式，尽管其创新基因因商业化有所削弱。
林俊旸：RL 范式仍处于早期，算力投入未充分释放潜力，Infra 层面仍有诸多问题待解。下一代范式的核心方向，一是自主进化，需探索测试时扩展 （Test-time scaling） 的可能性，比如通过输出更多 Token 提升能力，O 系列模型已初步验证这一思路；二是 AI 的主动性，未来模型应能通过环境触发自主思考，而非依赖人类指令，但需同步解决安全风险，避免 AI 做出危害行为。
自主学习可能先在用户理解与个性化场景落地，但目前缺乏明确的衡量指标，技术层面的核心挑战是如何设计有效的评估体系。记忆技术的突破也是线性发展的过程，当前模型仅能机械记忆过往信息，要达到类似人类的理解与共情，仍需约一年时间，未来算法与 Infra 的深度结合将释放更大潜力。
杨强：联邦学习的协作理念可支撑自主学习的落地。通用大模型与本地领域小模型的去中心化协作，既能保护数据隐私，又能充分发挥通用模型的能力，这种模式在医疗、金融等对隐私敏感的场景中极具价值。开源模式将加速这一进程，知识、代码与模型的开源共享，能降低协作门槛，推动跨机构的技术创新。
唐杰：2026 年大概率会迎来范式革新，持续学习、记忆、多模态均有突破可能。核心驱动因素有二：一是学术界与工业界的差距缩小，如今高校已具备一定算力，开始涉足模型架构、持续学习等前沿研究，创新种子已萌芽；二是效率瓶颈倒逼变革，当前大模型投入巨大但收益递减，100TB 数据的 Scaling 成本高达 10 亿-20 亿，但收益有限，需建立 「智能效率 （Intelligence Efficiency）」 标准，衡量投入与智力收益的 ROI，通过创新范式实现 「以更少投入获得同等智能提升」。
03 Agent 战略
2026 年能否实现 「自动化一周工作」 的突破？
李广密：市场预期 2026 年 Agent 能自动化人类 1-2 周的工作量，而非仅作为工具。硅谷企业多采用 「模型+Agent」 端到端模式，各位如何看待 Agent 的发展前景与生态格局？
姚顺雨：To B 领域的生产力 Agent 正处于上升曲线，其价值与模型智能高度协同，模型越强，解决的任务越多，商业收益越高。
当前两大瓶颈需突破：一是环境部署，即使模型不再迭代，将现有模型落地到各类企业，也能带来 10-100 倍的收益，对 GDP 产生 5%-10% 的影响，但目前实际影响尚不足 1%；二是用户教育，人与人的差距本质是工具使用能力的差距，中国应加强 AI 工具使用培训，让更多人掌握 Kimi、智谱等国产模型的应用方法。To C 领域的 Agent 则需平衡模型智能与产品指标，两者并非完全正相关，需找到精准的价值切入点。
林俊旸：Agent 的未来形态是 「托管式」，需具备自主进化与任务决策能力，这要求模型与产品一体化，「模型即产品」 是核心逻辑。当前 Agent 的交互环境局限于电脑，未来需与具身智能结合，实现与真实物理世界的交互，比如指挥机器人完成制药实验，才能真正承担长时间、复杂任务。
通用 Agent 的核心机会在长尾问题，头部需求易被模型公司通过算力+数据快速解决，但创业者若能在 「套壳」 体验或垂直场景适配方面超越模型公司，仍有突围可能。
RL（强化学习） 技术的成熟让问题修复更高效，即使是少量未标注数据，通过合理设计奖励函数也能快速优化模型，这为 Agent 的迭代提供了便利。
杨强：Agent 的发展可分为四个阶段，当前仍处于初级阶段，目标与规划均由人类定义，本质是高级 Prompt 工具。未来，大模型将通过观察人类工作过程，自主定义目标与规划，成为内生性系统。这一过程中，通用大模型与本地小模型的协作将发挥重要作用，既能保障数据隐私，又能提升 Agent 对特定场景的适配能力。
唐杰：Agent 的核心价值取决于三个因素：一是解决问题的价值密度，早期很多 Agent 因功能简单被 Prompt 替代，只有真正解决高价值问题才能存活；二是成本控制，若调用 API 即可解决问题，Agent 的必要性将大打折扣，需平衡开发成本与应用价值；三是迭代速度，需在半年时间窗内快速满足用户需求并持续迭代。智谱当前在 Coding 领域的 Agent 调用量表现良好，未来将持续聚焦高价值场景，推动 Agent 从工具向 「自动化任务执行者」 升级。
04 中国 AGI 的全球竞争力
3-5 年成为全球领先者的概率与关键条件
李广密：未来 3-5 年，中国 AI 企业成为全球领先者的概率有多大？需要突破哪些关键条件？
姚顺雨：概率较高，我持乐观态度。中国在技术复现、工程落地、产业配套等方面优势显著，制造业、电动车等领域的发展已证明，中国企业能在已知赛道快速追赶并实现局部超越。
关键需突破三大条件：一是算力瓶颈，解决光刻机、软件生态等核心环节的产能问题，依托电力与基础设施优势构建算力保障；二是 To B 市场培育，提升国内企业的支付意愿，同时支持企业出海参与国际竞争；三是创新文化培育，当前中国人才更倾向于做确定性的事情，缺乏突破新范式的冒险精神，需通过经济环境、商业氛围的优化，鼓励更多人投身前沿探索，这是中国能否从跟跑转向领跑的核心。
林俊旸：概率约 20%，这已是较为乐观的判断。中美差距主要体现在：一是算力投入结构，美国企业将大量算力用于下一代研究，而中国企业的算力多被交付需求占据；二是冒险文化积淀，美国人在电动车等新兴领域的冒险精神，是中国当前缺乏的，但 00 后团队的冒险意识已在提升；三是软硬结合的协同，2021 年阿里芯片团队与大模型团队因沟通壁垒错失协同机会，未来需推动模型与芯片的联合研发。
无需恐惧算力差距，核心是坚守为人类社会创造价值的初心，即使模型不是最强，只要能解决实际问题，就具备竞争力。
杨强：参考互联网发展路径，中国 AI 企业有望实现弯道超车。AI 是技术底座，中国在产品落地与场景创新方面具备优势，To C 领域将呈现百花齐放的态势，微信等产品的成功已证明中国企业的场景运营能力；To B 领域虽受支付意愿、企业文化等因素限制，但 Palantir 的 「本体迁移学习」 模式提供了借鉴，通过工程化方法将通用解决方案适配具体企业场景，中国 AI 原生企业有望发展出类似的 To B 解决方案，快速缩小差距。
唐杰：中美企业界 AI Lab 仍存在差距，但中国的机会在年轻一代与环境优化。90 后、00 后创业者敢于冒险，俊旸、姚顺雨等均在聚焦前沿探索；国家层面进一步优化营商环境，减少大企业与小企业的竞争壁垒，让创新者有更多时间与资源投入研发；个人层面，需坚持长期主义，在环境逐步改善的过程中持续深耕。
环境肯定不会是最好的，永远不要想着环境是最好的，我们恰恰是幸运的，经历了环境从原来没那么好，到慢慢变得更好的时代，我们是经历者，也许就是财富、收获最多的人。如果我们笨笨地坚持，也许走到最后的就是我们。
李广密：期待未来能有更多资源投入中国 AGI 行业，让年轻研究员有充足算力支撑探索，培育出中国自己的顶尖 AI 人才，推动行业实现从跟跑到领跑的跨越。感谢各位嘉宾的分享！
