清華“學霸們”同臺熱議 唐杰、姚順雨、楊植麟“摸脈”大模型發展

2026年，大模型發展的未來路徑已經顯露出明顯分化。

硅谷頭部公司不再試圖覆蓋所有方向，而是分別押注Agent（智能體）等能力。中國市場同樣如此，一邊是開源模型在全球舞臺上快速崛起，一邊則是不同團隊圍繞To C（面向消費者端）、To B（面向企業端）、Agent等路徑展開差異化探索。

與此同時，有關大模型下一代范式的討論正在升溫。在預訓練與強化學習逐漸成為共識之后，自主學習、自主進化以及更高自主性的Agent，被視為可能打開新一輪技術躍遷的方向。但這些設想仍面臨諸多未解問題：智能提升效率如何衡量？長期推理與現實世界反饋如何閉環？安全與控制邊界又該如何設定？

1月10日下午，在由清華大學基礎模型北京市重點實驗室發起的AGI-Next前沿峰會上，智譜創始人唐杰，騰訊“CEO/總裁辦公室”首席AI（人工智能）科學家姚順雨，月之暗面（Kimi）創始人、CEO（首席執行官）楊植麟，Qwen技術負責人林俊旸以及加拿大皇家學院院士、香港科技大學榮休教授楊強等來自產業與學術界的多位核心參與者給出了各自的判斷。

《每日經濟新聞》記者注意到，有意思的是，唐杰是清華大學教授，姚順雨和楊植麟都畢業于清華大學。

當分化成為常態，當Agent開始承載真實經濟價值，中國的大模型公司是否有機會在未來三到五年內，從快速跟隨者轉變為全球范式的定義者？

圓桌對話現場，左上為線上參會的姚順雨 圖片來源：主辦方

分化進行時：替代搜索之后，下一個目標是編碼

在這場圍繞大模型未來的討論中，分化成為最先被拋出的關鍵詞。

圓桌對話主持人、拾象科技CEO李廣密提到，過去一年，無論是硅谷還是中國，大模型公司在技術路徑、產品形態和目標市場上出現了清晰分流。

姚順雨的判斷是，大模型的分化正在沿著兩條主線展開。

一條是面向消費端與面向企業端的分化。在他看來，過去一年普通用戶對 ChatGPT 升級迭代的感受已經不再強烈?！敖裉煊肅hatGPT，和去年相比，（使用）感受差別不是太大。但是相反，Coding（編碼）夸張一點來講，已經在改寫整個計算機行業做事的方式，人已經不再寫代碼，而是用英語和電腦去交流。”

姚順雨認為，這種差異直接導致了兩種市場對模型能力的需求出現根本不同。

消費端（C端）大部分用戶在大部分時間并不需要特別強的智能。模型在技術層面的提升往往難以被日常感知，更多時候，它被當作搜索引擎的加強版來使用，甚至很多用戶并不清楚如何真正激發模型的智能。

而在企業端（B端）場景中，情況則恰恰相反。智能水平與生產力幾乎線性相關，“對于B端來說，很明顯的一點是智能水平越高，代表生產力水平越高，價值含量也越大，這些東西都是相關的?！币樣暾J為，在這一市場中，強模型與次強模型之間的差距會被不斷放大。從價格的角度看，即便最強模型的訂閱費用顯著更高，許多用戶依然愿意為之支付溢價，因為在復雜任務中，智能提升帶來的效率提升更明顯。

另一條分化路徑，則出現在垂直整合與模型應用分層之間。

姚順雨表示，過去垂直整合常被認為是最優解，模型和應用緊密耦合，端到端優化。但現實正在變得更復雜。在面向消費端的場景中，這種路徑依然成立，ChatGPT、豆包等產品，都是模型與產品強耦合緊密迭代的結果。而在面向企業端的場景中，趨勢卻恰恰相反，模型能力不斷增強，與此同時，同樣有優秀的應用層產品在不同的生產力環節釋放價值。

不過，林俊旸從另一角度補充了這種自然走向分化的合理性。他認為，無論是面向企業端還是消費端，最終服務的都是真實問題，分化很大程度上源于其所接觸的用戶與場景本身。很多機會是在頻繁和客戶交流中自然顯現出來的，“大家的分化是自然的分化，我更愿意相信AGI（通用人工智能），做AGI該做的事情，順其自然?！?/p>

唐杰的觀察則更為現實：單純做一個“Chat產品”并不真正解決問題。他表示，自己對于模型競爭的第一個判斷是替代搜索，而這場戰役隨著DeepSeek的出現而結束。其后，真正的問題變成了AI要做的下一件事情是什么？“我們團隊爭論了很多個晚上，最后，我們把所有的精力放在了Coding上?！?/p>

從學術界的角度，楊強則把分化理解為工業界與學術界之間關系的變化?！耙恢币詠?，學術界是觀望者，工業界在領頭往前跑，搞得很多學術界的人也在做工業界的事，這是一個好事?！睏顝娬J為，隨著眾多性能穩定的大模型出現，一個新的階段正在到來，學術界應該跟上，去解決工業界沒來得及解決的一些問題，例如智能上限、資源分配、推理與記憶平衡的基礎性問題。

技術發展的下一步：AI將會自主學習

如果說分化回答的是各家往哪走，那么第二個核心問題則指向技術的下一步。

在李廣密看來，過去三年，預訓練充分發展、強化學習成為共識，行業正等待新的學習范式出現。

姚順雨從自主學習角度展開。他認為，自主學習并不是單一方法論，而是數據或者任務。聊天中的個性化、對不同企業代碼的熟悉、像博士一樣探索未知科學領域，都是不同形態的自主學習，其技術挑戰或方法論并不相同。

姚順雨認為，自主學習能力已經是正在發生的事。ChatGPT 不斷利用用戶數據調整聊天風格；Claude用自身生成的代碼自我完善，這些都可以被視為自主學習形態?！斑@些自主學習的例子可能還局限在每一個特定的場景下，沒有讓人感覺到非常大的威力。這個事情已經在發生了，可能效率等受限制，它更像是一個漸變，不是突變?！?/p>

在他看來，真正的問題不在于技術，而在想象力，如果有人宣布某個新的模型或系統實現了自我學習，人們應當通過什么樣的任務、什么樣的效果呈現，來確認這一點？“它可以賺很多錢、真的解決了人類之前沒法解決的科學問題還是別的？我覺得可能需要先想象它長什么樣。”

林俊旸認同自主學習可能是下一個范式，但仍在早期階段，強化學習本身仍有很多潛力尚未被充分釋放。圍繞自主學習，他認為，AI一定需要自主進化，但并不一定意味著參數更新。關鍵問題在于模型是否能在長期任務中保持能力不退化，同時具備更強的主動性。

但這也引出了新的風險維度。“我非常擔心安全的問題，不是擔心它今天說一些不該說的話，最擔心的是它做一些不該做的事情?！绷挚D認為，在使模型具備主動行動能力的同時，也要為其注入正確的方向。

楊強提出了另一種可能路徑：隨著模型能力持續增強，通用大模型與本地專用小模型的協作變得越來越可能，尤其在醫療、金融等領域。

唐杰對2026年會出現范式革新很有信心。

唐杰認為，一方面，學術界正在獲得算力與實驗條件，工業界與學術界之間的差距正在縮小，“可能還有10倍差，但它已經孵化出種子，學術界有這個創新的基因。”

另一方面，大模型領域已經進入高投入、低效率的階段。繼續堅持高參數訓練雖然仍有收益，但收益已經很小。在這種背景下，唐杰認為，智能效率即如何用更少投入換取更大智能增量，正是范式創新最可能發生的地方。

不過楊植麟認為，下一階段，Scaling（擴展）仍然是重點。但新的變化是，Scaling不僅僅意味著堆算力，而是在架構、優化器、數據層面做技術改進，接下來的重點是讓模型擁有更好的“Taste”（品味）。在他看來，智能與電力、貨幣等可等價交換的資源完全不同，“在智能的維度，有非常多Taste的空間，空間是指數增加的，而不是模型趨同?！?/p>

Agent、長期任務與中國團隊的可能性

隨著模型推理能力增強，Agent已經不再只是聊天工具，開始具備在后臺持續工作、完成復雜任務流的能力。

姚順雨認為，Agent在面向企業端場景中的增長曲線仍未減緩，其核心邏輯并未改變：模型的智能水平越高，解決的任務越多，在To B下帶來的收益就會越大。即便模型能力停止提升，僅僅將現有模型部署到各個企業中，也足以帶來數量級的生產力提升。

林俊旸則更傾向于模型即產品的判斷。在他看來，未來的Agent應該能夠在任務中自主學習、自主進化、自主決策。從這個角度看，對模型能力上限的提升，本身就是在做產品。

從更長期的視角，林俊旸認為，Agent未來需要能夠與物理世界交互，比如參與實驗、制造和科學探索，才可能釋放出真正的工作能力?！敖酉聛?~5年，這個事情會更加有意思一些，這可能又要跟具身智能結合在一起?！绷挚D表示，長尾問題才是AI的魅力所在，當模型能夠解決全世界都找不到答案的問題時，用戶才會真正感知到AI的能力。

唐杰則認為，Agent本身有沒有為人類解決有價值的事情、做這件事情成本有多高以及做應用的速度有多快，決定了Agent未來的走勢?！按竽Ｐ偷浆F在更多的是在拼速度、拼時間，也許我們代碼正確了，我們就會在這方面走得更遠一點，但也許失敗以后半年就沒了?！?/p>

在討論的最后，話題回到一個更宏觀的問題：未來三到五年，中國團隊成為全球最領先 AI公司的概率有多大？

姚順雨的態度偏樂觀。他認為，中國在工程復現、規?；涞厣系哪芰σ呀浂啻伪或炞C，真正的關鍵變量集中在算力瓶頸以及To B市場成熟度上。