AI大咖們冷水：中國公司領先AI的概率僅為20%

話說，上周末，清華舉辦了一個AI活動，名為“AGI-Next”，找來的嘉賓都有點意思。被稱為中國“開源四杰”的其中三家都參加了討論，分別是Kimi創始人、CEO楊植麟，阿里Qwen技術負責人林俊旸，加拿大皇家學院院士、香港科技大學榮休教授楊強也參與進來。同時，令人關注的是，剛剛加入騰訊的AI首席科學家、前OpenAI研究員姚順雨也參加了視頻連線。

簡單來說呢，中國最頂尖的AI大咖們都聚在一起了。八姐也聽了這場相當長的對話，感覺干貨還是滿滿的。

以下是我覺得的感興趣的干貨：

1，三五年后，中國公司在全球領先的概率只有20%

最令我感興趣的是，在談到全球的AI競爭時，林俊旸清醒地指出，即使樂觀估計，三五年后，中國公司在全球領先的概率也只有20%，這其中很多歷史積淀的原因。

這些原因中，除了光刻機的問題外，最為主要的原因一個是文化，一個是算力。

姚順雨指出，在中國大家還是更喜歡做更安全的事情，比如說今天預訓練這個事情已經被證明可以做出來了，其實這個事情也非常難做，有很多技術問題要解決，但大家都很有信心幾個月或者一段時間內就把這個問題搞清楚。中國的創業者們更喜歡做確定性的事情、不太愿意做創新性的事情。

同時，中國（AI公司）對于對于刷榜或者數字看得更重一些。但其實DeepSeek做得比較好，他們沒有那么關注榜單數字，可能會更注重：第一，什么是正確的事情；第二，什么是你自己能體驗出好或者不好的。再比如，Claude模型在編程或者軟件工程的榜單上排名也不是最高的，但大家都知道這個東西是最好用的。

林俊旸也指出，中國和美國的算力差距太大。比如，美國的算力整體比中國的大1-2個數量級。OpenAI（及其他美國公司）有大量的算力投入到下一代的研究當中去。而對于中國公司而言，算力是捉襟見肘的，光交付可能就已經占據了絕大部分的算力。創新是發生在有錢的人手里。

但他也認為，算力少的”窮人“也不是沒有機會，也可以去做算法基礎設施，去做軟硬結合。

2，另外一個有趣的點是，大模型已告別同質化競爭，走向了分化。

比如作為大廠代表，姚順雨指出，To C與To B 領域呈現截然不同的發展邏輯。To C端，用戶對模型極致智能感知有限，大模型更多充當搜索引擎的加強版，典型如 ChatGPT，其能力迭代并未給普通用戶帶來顯著體驗升級；而在To B端，模型智能水平與生產力提升強相關，企業愿意為高性能模型支付溢價。以 Coding場景為例，強模型的任務準確率遠超普通模型，能大幅降低企業人力成本，因此 To B市場中 “強者愈強” 的馬太效應將持續放大。

林俊旸補充，To C產品的分化還體現在用戶群體細分上，未來 AI 應用可能向醫療、法律等垂直領域傾斜，而企業的核心競爭力在于與客戶的深度交流，挖掘真實需求。

而唐杰則表示，智譜內部爭論了很多個晚上，最后把所有精力都押在了Coding上，"AI替代搜索這場仗，隨著DeepSeek的出現已經打完了。下一場是Coding。"

好啦，干貨滿滿，如果想了解更多，大家直接去看圓桌對話全文吧。

【圓桌對話】

主持人/李廣密：我是接下來Panel的主持人廣密。我剛才在臺下聽有幾個感受，第一是唐老師的號召力很強，清華的人才非常好，不僅是國內包括海外，清華人的比例非常高，感覺這一撥好像跟國內學校在AI這一撥拉開差距了。第二是我剛才聽幾個Talk的感受是不止follow、不止開源，不只是Coding，都在探索自己的產品形態。

2025年是中國開源模型大放異彩的一年，是開源四杰在全球大放異彩的一年，而且是Coding過去一年有10-20倍增長的一年，包括海外也在提Scaling到底走到哪一步了，有沒有新范式出來了，接下來這個Panel是到底接下來怎么走是特別有意思的。接下來邀請幾位嘉賓：楊強教授、唐杰老師、俊旸和順雨。

我們先從第一個比較有意思的話題聊起，硅谷幾家明顯做分化，可以從分化這個主題先聊起來，Anthropic其實是對中國模型有一個非常大的啟發，硅谷的競爭那么激烈，它沒有完全Follow，全都做，而且是專注到了企業，專注到了Coding，專注到了Agent。我也在想接下來中國的模型會分化成自己想要的哪些方向？我覺得分化這個主題蠻有意思的。順雨上線了，順雨開場給大家講一講。

姚順雨：大家好，我現在是不是一個巨大的臉在會場？不好意思，今天沒法親自來北京，但是很高興參加這個活動。最近忙著做模型、做產品、做AI，是一個很正常的狀態。回國的感覺還是挺好的，吃的好很多。

主持人/李廣密：順雨，你能展開聊聊你對模型分化這個主題的想法嗎？硅谷也都在分化，包括說Sora peck做了Coding，中國很多模型做了開源，過去Coding提的也很快，包括谷歌也沒有全都做，它現在把全模態這個做好，你的老東家重點做To c是橫跨中美的體感，可以講講你的體感，接下來不管是自己也好，各家也好，分化這個點，你是怎么思考的？

姚順雨：我覺得有兩個大的感受，一個感受是To C和To B發生了明顯的分化，另外一個感受是垂直整合這條路，以及模型和應用分層這條路，也開始出現了分化。

我先說第一點，我覺得很明顯的是當大家想到AI就是兩個，ChatGPT，另外一個Claude code，是做To c和To b的淀粉。非常有意思的一點是我們今天用ChatGPT和去年相比的話，感受差別不是太大。但是相反，Coding夸張一點來講，已經在重塑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。

我覺得很核心的一點，對于To C來說，大部分人大部分時候不需要用到這么強的智能，可能今天用ChatGPT和去年相比，寫成交代數和伽羅瓦理論的能力變強的，但是大部分人大部分時候感受不到。大部分人尤其是在中國更多像是搜索引擎的加強版，很多時候也不知道該怎么去用，把它的智能給激發出來。

但對于TO B來說，很明顯的一點是智能越高，代表生產力越高，值錢的也越來越多，這些東西都是相關的。

對于TO B來講，還有一個很明顯的點，大部分時候很多人就愿意用最強的模型，一個模型是200美元/月，第二強或者差一些的模型是50美元/月、20美元/月，我們今天發現很多美國的人愿意花溢價用最好的模型，，可能他的年薪是20萬美元，每天要做10個任務，像一個非常強的模型可能10個任務中，八九個做對了，差的是做對五六個，問題是你不知道這五六個是哪五六個的情況下，需要花額外精力去監控這個事情。

我覺得無論是人還是模型，在To B這個市場上發現了一個很有意思的現象，強的模型和稍微差點，或者弱的模型它的分化會越來越明顯。我覺得這是第一點觀察。

第二點觀察，垂直整合這條路和模型應用分層這條路的區別，我覺得一個比較好的例子，比如ChatGPT Agent，相比于用Claude或者Gemini加上Manus這樣的應用層產品，過去大家會認為當你有垂直整合能力肯定會做的更好，但起碼今天來看并不一定。首先模型層和應用層需要的能力還是挺不一樣的，尤其是對于To B或者生產力這樣的場景來說，可能更大的預訓練還是一個非常關鍵的事情，這個事情對于產品公司確實很難做，但是想要把這么一個特別好的模型用好，或者這樣的模型有它的溢出能力，也需要在應用側或者環境這一側做很多相應的事情。

我們會發現其實在To C的應用上垂直整合還是成立的，無論是ChatGPT還是豆包，模型和產品是非常強耦合去緊密迭代的，但是對于To B來說這個趨勢似乎是相反的，模型在變的越來越強、越來越好，但同樣會有很多應用層的東西應用好的模型在不同的生產力環節。

這是我的兩個觀察。

主持人/李廣密：因為順雨有一個新的身份，在中國的市場下順雨在接下來想的是什么，有哪些鮮明的特點或者關鍵詞嗎？現在能給大家分享嗎？

姚順雨：我覺得騰訊肯定還是To C基因更強的公司，我覺得我們會思考怎么樣能夠讓今天的大模型或者說AI的發展能夠給用戶提供更多價值，很核心的思考是我們發現很多時候我們的環境來講或者更強的模型，或者很強的模型，很多時候是額外的Context。

我最近經常舉一個例子，比如我想問我今天該去吃什么？其實你今天問ChatGPT和你去年問或者明天問都會差很多。這個事情想要變好，不是說你需要更大的模型、更強的預訓練、更強的強化學習、更強的Agent環境或者更強的搜索引擎，這個問題可能需要更多額外的輸入，或者我們叫Context，如果它知道我今天特別冷，我需要吃些暖和的，我在今天這樣的范圍活動，可能我老婆在另一個地方吃什么等各種各樣的事情。其實回答這樣的問題，更多的是額外的。比如我和老婆聊了很多時間天，我們可以把聊天記錄轉發給元寶，或者把額外的輸入用好，反而會給用戶帶來很多額外的價值。這是我們對To C上的思考。

在To B在中國確實是很難的事情，生產力的革命，包括我們今天很多中國的公司做Coding Agent需要打很多海外市場。我們會思考怎么把自己先服務好，像創業公司做Coding這個事情和大公司做Coding這個事情，一個區別是作為大公司本身就已經有各種各樣的應用場景、各種各樣需要生產力變的更好的地方，如果我們的模型能夠在這個地方做的更好，不僅這個模型會有自己獨特的優勢，不僅我們公司本身能得到很好的發展，很重要的一點是對于真實世界場景的數據捕捉會是一個很有意思的事情，比如說Cloud，這些創業公司，他們想要去做更多的Coding Agent的數據廠商去標注這個數據，他們需要利用各種各樣的軟件工程師去想我要去標什么樣的數據。這個事情是數據公司一共就這么幾家，一共有招了這么多人，最終你會受限，但如果你是一個10萬人的公司可能會有一些有意思的嘗試，怎么把真實世界的數據利用好，而不是僅僅依賴于標注商或者協議。

主持人/李廣密：多謝順雨。接下來Cue一下俊旸，你怎么看接下來千問未來的生態位或者分化的考慮，之前你講了多模態，阿里云在To B很強，接下來你也提了全模態可能更多的是To C的，這方面是怎么思考的？

林俊旸：接下來這一句，我也想注入我們自己對AGI的理解。我覺得今天To B也好，To C也好，我們在服務真實的問題，我們想的問題是怎么把人類世界變的更好。你就算做To C的產品也會分化，今天OpenAI更像一個平臺了，但是TO C最終要服務真實的這批用戶究竟是誰。今天可能有很多AI會更偏向medical和log，今天我覺得Coding真的很厲害，我就拜訪它，因為我知道他們跟客戶交流非常多，這個是我們還不夠好的一個點，雖然我們擁有巨大的優勢，也可能中國SaaS市場跟美國確實不太一樣，他們確實非常頻繁地跟客戶進行交流，很容易發現很大的機會。今天我跟美國的很多API廠商聊起來，他們沒有想Coding消耗量那么大，在中國真的沒有那么大，至少從我這邊來看，但是在美國，基本上全都是Coding，我覺得這個事情不是所有人都能Get到的。

今天做的一些相關的一些東西，我覺得也是他們自己在跟客戶看到這個機會，我覺得可能大家的分化是自然的分化，我更愿意相信AGI，做AGI該做的事情，順其自然，這是我們該做的事情。

主持人/李廣密：多謝俊旸。有請楊強老師談談分化的問題。

楊強：分化的問題其實我更想聊一下工業界和學術界的分化，這個可能是橫跨美國和中國的。一直以來，學術界是一個觀望者，工業界在領頭往前瘋跑，搞得很多學術界的人也在做工業界的事情，像唐杰老師，這是一個好事，就好像天體物理學剛剛開始的時候是以觀測為主，伽利略的望遠鏡，然后才出現牛頓。所以我覺得后面一個階段，當我們有了眾多的穩定大模型，進入一個穩態的時候，我們學術界應該跟上來。

學術界跟上來要解決什么問題呢？工業界可能還沒來得及解決的一些問題，這也是我一直在考慮的問題，就是說智能上界在哪里，比如說給你一定的資源，計算資源或者能源資源，你能做到多好？可以更細一點，比方說我們把這個資源怎么分配，哪些分配在訓練上、哪些分配在推理上？其實我很早就在做AI，90年代初就做過一個小實驗，如果我們有一定的投入在記憶上，那么這個記憶能夠幫助推理多少，這個幫助會不會變成一個反向的，就是說你記的太多了，反而記的噪音會干擾你的推理，有沒有一個平衡點，我覺得這些問題今天還是適用的。

我最近也在想另外一個問題，大家學計算機的都必定上計算機理論課，里面有一個重要的定理叫哥德爾不完備定理，大概意思是說一個大模型不能自證清白，必定有一些幻覺不可能消滅掉，可能你給更多的資源，它會消滅的更多，所以科學問題就來了，你多少資源能夠換取多少幻覺的降低或者錯誤率的降低，這是有一個平衡點的，這個平衡點特別像經濟學，經濟學的風險和收益的一種平衡，所以我們叫這叫無免費午餐定理。像這些東西，我覺得今天就特別適合數學界、算法界和學術界和工業界一起做研究，這孕育著一個巨大的突破。

剛才唐杰老師也提到持續學習，我覺得持續學習是一個特別好的問題，它里面有個時間的概念，你在持續地不斷地學的過程當中，但是你會發現，比方說你把不同的Agent給串聯起來，每一個Agent都不能做到百分之百的話，你在N個以后它的能力是按指數下降的，你怎么樣能夠保證它不下降，人類是用一個方法做這個事，第一天是學習，第二天會在第一天噪音的基礎上學習，這樣你的能力就類似大模型會下降。但是人類有一個方法就是睡覺、睡眠，我建議大家看一本書叫《我們為什么睡覺》，是MIT的兩個教授寫的，非常好玩，它說每天晚上睡覺是在清理噪音，使得第二天你可以把準確率持續地提升，不至于是兩個策略率的疊加。像這些理論的研究孕育著一種新的計算模式。我們今天可能比較關注Transformer computer，但是我覺得有必要做一些新的探索，這是工業界和學術界要拉齊。

主持人/李廣密：唐老師，我們從外部的感受上，智譜今天更像是走了anthropic這條路線，就是coding非常非常強，榜單上非常靠前，包括長程的Agent，您對分化這個主題怎么看？

唐杰：我倒覺得回到了最本質的問題，早期的時候還是基座模型，2023年那個時候我們第一個做出Chat的，當時第一個想法是趕緊把Chat扔在網上上線，當時國家有規定，八九月份一起上。當時我的第一感受是十來個大模型都上來了，而且每一家用戶都沒有那么多，當然今天分化的非常嚴重。

后來我經過一年的思考，我覺得其實這個已經不是真的解決問題，我的第一個預判是說它會替代搜索，我相信今天很多人在用這個模型替代搜索，到今天我相信大家很多人在開始用這個模型替代索索，但是并沒有替代谷歌，谷歌反而把自己的搜索革命了，谷歌自己做了搜索的改進。從這個角度上，我覺得這一仗從DeepSeek出來之后，已經沒有了，已經結束了。DeepSeek之后我們應該想的是下一仗是什么東西？我們團隊爭論了很久，下一仗肯定要讓AI做一件事情，做這件事情是什么可以討論一下，那個時候廣密還到我們那跟我們交流，廣密的知識特別淵博，他思考問題很深邃，和他的交流對我的啟發非常大，原來我沒有想到，那一次讓我啟發非常大。后來我們團隊爭論了很多晚上，爭論到最后，可以叫我們的運氣，另一方面我們也是把所有的精力放在了Coding上。

主持人/李廣密：我覺得有大家有了自己的best，不僅大家在追求恩通用能力，大家都有自己的資源稟賦把自己擅長的點做。

接下來第二個比較有意思的問題，今天這個時間點特別特殊，一個是預訓練過去走了3年，大家都說可能今天走到了七八成的收益，強化學習也都成為共識，做到了四五十的空間，后面的數據、環境空間很大，接下來一個新的范式，唐老師也談到了自主學習、自我學習，因為今天這個會的主題是接下來的展望Next，我覺得這是一個特別值得去聊的話題。

我們先從順雨開始，你從領先的OpenAI待過，對于下一個范式是怎么思考的？因為OpenAI是為人類推進了前兩個范式的一家公司，對第三個范式，從你的觀察來講，能給大家帶來一些分享嗎？

姚順雨：現在自主學習是一個非常熱門的詞，在硅谷大街小巷咖啡館里面，大家都在談論，形成了一個共識。根據我的觀察，每個人對這個東西的定義和看法都不一樣，我講兩點：

第一，這個事情不是方法論，而是數據或者任務。當我們在談論自主學習的時候，它到底在什么樣的場景下基于什么樣的獎勵函數去做，你在聊天的時候變的越來越個性化是一種自主學習，在寫代碼的時候越來越熟悉每個公司獨特的環境或者文檔是一種自主學習，你去探索新的科學，在這個過程中像一個博士一樣，從原來不了解有機化學是什么，到完成這個領域的專家，這也是一種自主學習。每一種自主學習的挑戰或者說方法論都不太一樣。啊啊

第二，我不知道這是不是非共識的，這個事情其實已經在發生了，很明顯的，ChatGPT在利用用戶的數據不斷彌合人聊天的風格是什么，使得能感覺到它的好，這是不是一種自我學習？

今天Claude已經寫了Claude code這個項目95%的代碼，它在幫助它自己變的更好，這是不是一種自我學習？我們當時2022年、2023年的時候，我去硅谷宣傳這個工作，我當時寫了第一頁是說ASI最重要的點是自主學習，今天的AI系統本質上都有兩部分，首先它是一個模型，其次它有個代碼庫，你怎么去用這個模型，是用來做推理，還是做Agent，有相應的代碼庫，我們今天看Claude code這個系統本質上有兩部分。

一部分是是部署環境的一大堆相應的代碼，kernel、GPU的環境是怎樣的。另一部分是怎么樣去使用它，有一大堆相應的代碼，無論是GPU的，或者說它的前端還是環境是什么樣的。我們做Switch方面大家意識不到，這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，可能效率或者受限制的限制，有各種各樣的問題，可能這個事情我個人的看法它更像是一個漸變，不是突變，這是我的看法。

主持人/李廣密：我再Follow順雨一個問題，有一些人對自主學習比較樂觀，2016年可以看到一些信號，你覺得自主學習看到信號，還有哪些實際的問題要突破？比如說Long Context也好，模型并行采樣也好，你感覺接下來還有哪些關鍵條件具備了，這些信號才會發生？

姚順雨：很多人說2026年看到信號，我覺得2025年就看到信號了，比如cursor他們做的每幾個小時都會用最新的用戶數據去進行學習，包括新的模型，也在使用這些真實環境下的數據去訓練，大家覺得這個東西可能還沒有特別石破天驚，是因為受限于他們沒有預訓練能力，他們模型效果確實還不如Claude 4.5 Opus，顯然這是一個信號。

最大的問題是想象力，我們很容易想象強化學習或者推理這個范式，如果實現大概是什么樣，我們可以想象O1，在數學題上本來是10分，現在變成了80分，通過這個強化學習有非常強的思維鏈做這個事情。如果2026年或者2027年我們有一個范式的發生，我宣布了一個新的模型或者新的系統實現了自我學習，我們應該用什么樣的任務，它應該是什么樣的效果，你會相信它實現了，它是一個賺錢的交易系統，它可以賺很多錢，它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到它長什么樣。

主持人/李廣密：順雨，OpenAI已經立了兩次范式科學，如果2027年有新的范式出來，全球范圍內的哪家公司繼續立的范式創新的概率最大？如果說一家公司。

姚順雨：可能OpenAI的概率還是更大，因為它商業化等各種各樣的變化，它創新的基因已經被削弱了，但我覺得它還是最有可能誕生新范式的地方。

主持人/李廣密：多謝順雨。俊旸對2026年新的范式還有什么要聚焦的？

林俊旸：如果從更實際一點來講的話，剛才講的這個范式在比較早期階段，RL這個事情，實際上我們還沒有做的那么充分，很多潛力沒有打出來。今天我們也看到很多問題在這里面發生，我覺得全球范圍內類似的問題還存在。

如果要說下一代范式的話，一個自主學習，之前跟一個朋友聊到說人類不能讓AI變的更厲害，比如說你跟AI不斷地交互，只會讓它上下文變的越來越長，AI變的越來越笨，這是很煩人的事情。

這件事情是不是真的能夠發生？這還是挺值得思考的，你能吐更多Token讓你變的更強，至少O系列一定程序上實現有沒有可能，就像我真的干30個小時真的能夠干出很難的任務，今天大家做超越的事情很難，有沒有可能通過Coding去實現。

從這個角度來說，AI肯定需要自主進化，但究竟你是不是要更新參數，我覺得見仁見智，大家都有不同的技術手段去實現這個事情。

第二點是AI有沒有可能實現更強的主動性，環境是我的輸入信號，我現在的AI必須得有人類幫助他才能啟動，但是有沒有可能自己能自主思考，去做一些事情。這引發了一個新的問題，就是安全的問題，我非常擔心安全的問題，不是擔心它今天講一些不該說的話，最擔心的是它做一些不該做的事情

比如說今天主動產生一些想法，往會場里面扔一顆炸彈，我們肯定不希望不安全的事情發生。就像培養小孩一樣，我們要給它注入一些正確的方向，但主動學習是一個挺重要的范式。

主持人/李廣密：俊旸提了主動性，自主學習看到信號，你感覺可能是在哪些任務上做什么樣的任務會先看到？是訓練模型，最強的模型可以提升自己，還是自動化的AI研究員？你有期待在哪些地方先看到嗎？

林俊旸：我覺得自動化的AI研究員甚至都不是那么需要自主學習，可能很快訓AI這件事情就可以實現，我看我們同學每天干這個事情，我覺得很快就被替代掉。我覺得可能更持續的理解用戶這件事情還挺重要的，比如說過往我們在做推薦系統的時候，用戶這個信息是持續輸入，讓這個系統變的更強，它的算法變的更簡單。在AI這個時代它是不是能不更懂你，這些信息的輸入能不能真正成為幫助我們的工具。

我覺得如果說自主學習的話，可能會是跟人的交互上就能做到。但是以什么指標進行衡量？不太好說，在推薦的時代下，你做的越好，別人可能點的越多、買的越多，但是在AI時代覆蓋到人類生活的方方面面的時候，真正的衡量指標是什么，我們不太知道。我感覺今天更大的從技術上的挑戰，我們今天不知道該怎么做，這可能是我們更值得研究的問題。

主持人/李廣密：俊旸說到了主動，包括個性化，你感覺如果實現記憶這個點，2026年能看到技術突破性的跨越嗎？

林俊旸：我個人觀點是大量的技術所謂的突破性都是一些觀測問題，都是在線性發展的，只是人類對它的感受非常強烈而已，包括像ChatGPT的出現，對于我們做大模型的人來講都是線性的增長，現在大家都是在做Memory這個事情，這個技術對還是不對呢？很多方案也沒有對錯之分，但做出來的效果，至少拿我們自己獻丑，我們自己的Memory看起來知道我過去干了什么，但是只是記起來過去事情，每次叫一遍我的名字，其實并不顯得你很聰明，你的Memory有沒有可能到某一個臨界點的時候，結合你的Memory，就像生活當中的人一樣，過去大家講電影，它真的很像人，理解你的Memory就是在那一下，人類的感受突然間迸發。

我覺得多多少少也需要一年時間，很多時候技術也沒有發展那么快。大家比較卷，每天有新的東西，但是技術在線性的發展，我們在觀測的角度處于指數上升的階段，比如說Coding能力的一點點提升，可能就能帶來很多生產價值，大家就覺得AI發展的很快，從技術的進展上來說，我們多干一點點事情。每天看我們自己做的事情覺得真的挺土的，那些Bug真的不好意思拿出來跟大家講。如果這樣做，我們已經做到這樣的成績，我覺得可能未來算法infra結合的更好，可能更大有可為。

主持人/李廣密：有請楊強老師。

楊強：我一直以來是做聯邦學習的，聯邦學習的主要思想是多個中心大家協作。我現在越來越多地看到很多有本地資源不足，但是本地的數據又有很多隱私和安全的要求，所以這樣我們就可以想象現在大模型的能力越來越強，這種通用型大模型和本地特殊性的小模型或者領域專家的模型如何協作，我覺得這種協作變的越來越可能，像美國ZOOM，就是黃學東他們做的AI系統，他做了一個很大的基座，這個基座大家都可以插進來，它可以在Decentralise的狀態下，能夠既保護隱私，又能夠和通用大模型有效的溝通、協作。

我覺得這種開源模式特別好，一個是知識的開源，一個是Code方面的開源，模型階段。

我覺得尤其是像醫療、金融這樣的場景下，會越來越多看到這樣的現象發生。

主持人/李廣密：有請唐老師。

唐杰：我對今年會有非常大的范式革新有信心，我不說太細，就像我剛才講的持續學習，還有Memory，甚至多模態，我覺得都有可能出現新的范式變革。

但我覺得一個新的趨勢，我說說為什么會產生這么一個范式？我覺得原來其實工業界跑的遠遠快于學術界，我記得去年和前年回到清華跟很多老師聊天的時候能不能做大模型，很多老師第一是沒卡，也不是沒卡，是卡的數量幾乎為零，工業界有1萬片，學校是0片或者1片，倍數是1萬次，但是到現在的時候，很多學校已經有很多卡了，而且很多老師已經開始做了很多大模型的相關研究，包括硅谷那邊有很多老師都開始做模型架構、持續學習相關的研究，原來我們總覺得工業界在dominating這些，其實我覺得今天在2025年底到2026年初的時候，這一現象不大存在了，可能還有10倍的差，但它已經孵化出種子了，我覺得在學術界有這個創新的基因，有這個可能性，這是第一個。

第二，我覺得一個創新的出現一定是某個事情有大量的投入，并且它的efficiency變成瓶頸了，現在在整個大模型里面投入已經巨大，但是efficiency并不高，也就是我們繼續Scaling，肯定是有收益的，原來data從2025年初，當時可能10個TB的數據，現在30個T，甚至我們可以Scaling到100個T，但是100個T，你Scaling上去以后，你的收益有多少，計算Cost有多少，變成了這么一個問題，你不創新，這就變成了可能花掉10個億、花掉了20個億，但是你的收益很小，就不值得了。

另外一方面對于新的智能創新，假如說我們每一次都要重訓一個基座，再重訓很多RL，像2024年出RL的時候，很多人會覺得我接著訓，收益表里有，但是到今天的時候再接著瘋狂的RL，收益也有，但沒有那么大，還是收益效率的問題，可能我們未來也許可以定義，一方面既然要Scaling up，最笨的辦法就是Scaling，Scaling我們會有收益，Scaling肯定會帶來智能上界的提升。第二個辦法是應該定義Intelligence efficiency，就是說智能的效率，我們獲得智能的效率，我們用多少投入能獲得這個智能的增量，如果我們能用更少的獲得它的增量，而且現在我們已經變成了一個瓶頸，假如能用更少的范式獲得同樣智能的提升，它就變成一個瓶頸式的事情。

所以我覺得2026年一定會有這樣一個范式的發生，我們也在努力，我們希望發生在我們身上，但也不一定。

主持人/李廣密：我跟唐老師一樣也非常樂觀，每個領先的模型公司，每年的計算量有10倍左右，大家手上的計算資源多了，而且人才也涌入的越來越多，大家手上的卡變多，做的實驗做了，有可能就是某個試驗工程，某個點就出來了。

剛才唐老師也聊到怎么衡量智能水平的點，第三個是聊聊Agent戰略，最近我跟很多研究員聊，對2026年還有一個很大的預期，Agent今天可以在后臺推理3-5個小時，做人類1-2天的工作量，大家期待2026年可以做人類正常工作1-2周的工作量，這也是一個非常大的變化，它不再只是一個Chat，而是說真的在自動化一整天甚至一周的任務流，2026年Agent可能是創造經濟價值的關鍵一年。Agent這個問題，可以讓大家展開聊一聊，順雨剛才提的垂直整合，既有模型，又有Agent產品，包括我們看到硅谷的幾個公司，從模型到Agent端到端都做了。順雨花了很多時間做Agent的研究，你對2026年Agent，比如說Long Agent真的能干人類1-2周的工作，對Agent戰略，包括從模型公司的出發點，會怎么思考這個問題？

姚順雨：我覺得還是像剛剛說的To B和To C不太一樣，目前看起來，我覺得To B的情況現在已經達到了在不斷上升的曲線，目前看起來好像沒有變慢的趨勢。

很有意思的一點是它基本上不做什么創新，就是覺得模型預訓練變大了，老老實實的把這些東西做好，只要預訓練不斷地變大，后訓練不斷地把這些真實世界的任務給做好，會越來越聰明，它就會帶來越來越大的價值。

從某種程度來說，做To B，所有的目標這件事更一致，模型的智能越高，解決的任務越多，解決的任務越多，在To B下帶來的收益越大。

做To C的問題是說，我們都知道DAU或者說產品的指標和模型的智能，很多時候是不相關的，甚至是相反的關系，我覺得這是能夠聚焦的另一個很重要的原因，他只要真的把模型越做越好，他的收益越來越高，所有的事情都是非常好的。

目前看起來，To B或者說生產力的Agent剛剛開始，現在除了模型之外，有兩個Next，環境問題或者Deployment問題。在OpenAI之前，我在一個公司實習過，這是一個To B的公司，我覺得在To B公司工作過有很多收獲，最大的收獲是即使今天的模型不再變好，所有的模型訓練全部停止了，但是我們把這些模型部署到世界上各種各樣的公司，已經能帶來今天10倍或者100倍的收益，能應對GDP產生5%-10%的影響，但是今天它對GDP的影響還不到1%。

另外我覺得教育非常重要，我觀察現在人和人的差距非常大，更多時候不是說人類替代了人類工作，而是會使用這些工具的人在替代那些不會使用工具的人，就像當年電腦出來，如果轉身學習編程跟你還在持續計算尺、使用算法，差距是巨大的。今天中國能做到的最大的有意義的事情是更好的教育，教育大家怎么更好的使用像Claude或者ChatGPT這樣的產品，當然Claude可能在中國用不了，但我們可以用Kimi或者智譜這樣的國產模型。

主持人/李廣密：多謝順雨。有請俊旸分享對Agent的想法，包括千問也有一個生態，千問自己做Agent，以及扶持生態的通用Agent，你也可以展開講一講。

林俊旸：這里可能涉及到產品哲學的問題，當然Manus確實很成功，套殼是不是未來，這本身也是個話題，今天到這個環節，我比較同意你的觀點，叫模型即產品。我跟TML的聊，他們叫Research，其實我挺喜歡這個事情的，包括我的視角看OpenAI，我覺得還有挺多這種事情，就是挺多Research，自己可以成為產品經理，把這個東西給做起來，包括今天我們自己內部的Research都可以做面向真實世界的東西。我愿意相信接下來的Agent是可以做到剛才所說的這個事情，而且跟剛才所提的主動學習都有比較強烈的關系，它能干這么長的時間，自己就得在這個過程當中進化，并且它還要決定去干什么，因為它收到的這個指令是非常通用的任務，我們現在Agent已經變的托管式的Agent，而不是我要不斷給你來來回回交互的那種形式。

從這個角度來說，它對模型的要求是很高的，模型就是這是這個Agent本身，Agent就是這個產品本身，如果它們都是一體化的話，今天做基礎模型本身，其實也就是在做產品。從這個角度來說，如果不斷提升模型能力的上限，包括Scaling能做上去，確實能夠做到這個事情。

我覺得還有一個點是跟環境交互有關系，我們現在交互的環境還不是很復雜，這些都還是電腦的環境。我有朋友是做AI for Science比較相關的，比如說今天你干AlphaFold這個事情，其實你最后干出來，它還沒有到那一步，比如距離制藥這件事情，就算用今天的AI，不一定能幫到你那么多，因為你要去做試實驗，你要去做這些事情才能得到反饋，有沒有可能我們未來AI環境復雜到真實的人類世界的環境，指揮機器人去做試實驗，去加快效率。現在人類的效率非常低，我們還要雇傭很多外包在實驗環境里面去做實驗，如果能達到這個點，可能才是我想象當中Agent能做很長時間的活，而不是在電腦當中寫個文件等，這些東西今年很快就可以完成，接下來3-5年的時間，這個事情會更加有意思一些。這個可能又要跟具身智能結合在一起。

主持人/李廣密：我想Follow俊旸一個尖銳一點的問題，從你的角度看來，通用的Agent，這個機會是創業者的嗎？還是說模型公司是時間問題，總會把通用Agent做好？

林俊旸：不能因為我做基礎模型，我就去做創業導師，我不做了這個事情。我只能借成功人士的那句話，做通用Agent最有意思的事情就是長尾反而是更值得關注的事情，或者說今天AI更大的魅力是在長尾，如果是馬太效應，頭部的東西挺容易解決的，當年做推薦的時候我們看到那個推薦非常集中，商品都是在頭部，但我們想把尾部的東西推過去，但是我當時做的非常遭殃，我作為一個干多模態的人碰到推薦系統，我去干解馬太效應，基本上是奔著死路去的。今天所謂的AGI就在解這個問題，你做通用Agent，能不能把長尾的問題給解決，今天我一個用戶，真的尋遍各處都找不到能夠幫我解這個問題的，但是在那一刻，我感受到了AI的能力，全世界任何一個角落，尋遍各處都找不到，但是你卻能幫我解決，這就是AI最大的魅力。要不要做通用Agent呢？我覺得見仁見智，如果你是一套殼高手，套的可以比模型公司做的更好，我覺得可以去做；但如果你沒有這個信心，這個事情可能是留給模型公司做模型即產品的，因為他們遇到問題的時候，我只要訓一訓模型，只要燒一燒卡，這個問題可能就解決了，所以見仁見智。

主持人/李廣密：其實解決長尾的問題，模型公司算力+數據，好像解決起來也挺快的。

林俊旸：今天RL最有意思的地方，我們發現修問題比以前容易，以前修問題很難。我舉個B端客戶的情況，他們說我們自己要做SSD，你能不能告訴我這個通用數據怎么配比，每次我們都很頭痛，我們覺得對方不太會做SSD，他那個數據非常垃圾，但他們可能覺得非常有用。但現在有RL以后，今天很小的一個數據點，甚至都不需要標注，只要有Query，這個東西稍微訓一訓，合并起來也非常容易，這可能是今天技術的魅力。

主持人/李廣密：多謝俊旸，有請楊強老師。

楊強：我覺得Agent出現，應該有四個階段，一個是目標的定義，是人為定義的，還是自動定義的，這是目標。第二是說規劃，就是中間的Action，規劃可以由人定義，也可以AI自動定義，這樣自然就分為四個階段了，我覺得我們現在在一個非常初級的階段，目標也是人定義的，規劃也是由人來做的，所以現在的這些Agent的軟件系統，基本上是更高級的階段，但是我預料未來會出現一個大模型觀察人的工作，尤其是把data給使用起來。最后目標也可以是大模型來定義，規劃也可以由大模型定義，所以Agent應該是由大模型內生的一個native的系統。

主持人/李廣密：有強唐杰老師。

唐杰：我覺得有幾個方面決定了Agent未來的走勢：

第一，Agent本身有沒有解決人類的事情，而這個事情是不是有價值，價值有多大？比如說原來的Agent像GPT-S出來也做了很多Agent，那時候你會發現那個Agent非常簡單，最后發現promoment就解決了，這時候大部分Agent慢慢就死掉了。第一個是解決Agent這個事情多有價值，以及真的能夠幫到人。

第二，做這個事情咱們Cost有多大，如果Cost的特別大，這個時候也是一個問題，就像剛才俊旸說的，也許調用一個API就能把這個問題解決了，但是反過來，假如調到API就能解決，這個API本身有可能覺得當這件事情價值很大的時候，就會把它做進去，這是個矛盾，非常矛盾，基座的應用永遠是矛盾。

最后，做應用的速度。如果說我有個時間窗，能夠拉開半年的時間窗，迅速把這個應用滿足了，半年以后，要么迭代，要么怎么接，怎么能往前走也是一個方面。

大模型到現在更多的是在拼速度、拼時間，也許我們代碼正確了，也許我們就會在這方面走的更遠一點，但也許失敗以后就半年，半年就沒了，今年我們只是在Coding，在Agent這一塊做了一點點，現在我們Coding的調用量都還不錯，我覺得更多的也是一個方向，做Agent未來也是一個方向。

主持人/李廣密：多謝，因為過去模型公司既要追通用能力，可能它的優先級上沒有花那么多精力去探索，通用能力追上來之后，我們更多的期待2026年智譜、千問有更多自己的Claude時刻和Memory時刻，我覺得這是非常值得去預期的。

第四個問題，也是最后一個意思，比較有意思，這個活動這個時間點需要展望未來，我挺想問大家一個問題，在三年和五年以后，全球最領先的AI公司是中國團隊的概率有多大？我們從今天的跟隨者變成未來的引領者，這個文化包括關鍵條件到底還有哪些需要去做好的？就是未來3-5年，我就想這個概率有多大，以及需要哪些關鍵條件？

順雨經歷過硅谷跟中國兩個體感的，你對概率的判斷和需要哪些關鍵條件的判斷是怎么樣的？

姚順雨：我覺得概率還挺高的，我還是挺樂觀的。目前看起來，任何一個事情一旦被發現，在中國就能夠很快的復現，在很多局部做的更好，包括之前制造業、電動車這樣的例子已經不斷地發生。

我覺得可能有幾個比較關鍵的點，一個可能是中國的光刻機到底能不能突破，如果最終算力變成了Bottleneck（音），我們能不能解決算力問題，目前看起來，我們有很好的電力優勢，有很好的基礎設施的優勢。主要的瓶頸，一個是產能，包括光刻機，以及軟件生態。如果這個問題解決，我覺得會是很大的幫助。

另一個問題，除了To C之外，能不能有更成熟或者更好的To B的市場，或者有沒有機會在國際的商業環境競爭。今天我們看到很多做生產力或者做To B的模型或者應用，還是會誕生在美國，因為支付意愿更強的，文化更好，今天在國內做這個事情很難，所以大家都會選擇出海或者國際化的事情，這兩個是比較大的客觀上的因素。更重要的是主觀上的概念，最近我在跟很多人聊天，我們的感受是在中國有非常多非常強的人才，任何一個事情只要被證明能做出來，很多人都會非常積極地嘗試，并且想做的更好。

我覺得中國想要突破新的范式或者做非常冒險事情的人可能還不夠多，這里面有經濟環境、商業環境包括文化的因素，如果增加一點，主觀上有沒有更多有創業精神或者冒險精神的人，真的想要去做前沿探索或者新的范式突破的事情。目前來看，一個范式一旦發生，我們可以用很少的卡、很高的效率去局部做的更好，我們到底能不能引領新的范式，這可能是今天中國唯一要解決的問題，因為其他所有做的事情，無論是商業，還是產業設計，還是做工程，我們某種程度上已經比美國做的更好。

主持人/李廣密：我再Follow順雨一個問題，你對中國Lab里面的研究文化有什么要呼吁的嗎？你也感受過OpenAI也好，包括灣區DeepMind研究文化，中國的研究文化跟美國的研究文化有什么差異的地方？這個研究文化對作為一個AI Native的公司，有哪些根本性的影響？你有呼吁和建議嗎？

姚順雨：我覺得每個地方的研究文化都很不一樣，美國實驗室的區別可能比中美實驗室的差別還要大，在中國也一樣。

我個人覺得有兩點，一點是說在中國大家還是更喜歡做更安全的事情，比如說今天預訓練這個事情已經被證明可以做出來了，其實這個事情也非常難做，有很多技術問題要解決，但只要這件事情一旦被證明能做出來，我們都很有信心幾個月或者一段時間內就把這個問題搞清楚，但如果今天讓一個人說探索一個長期記憶或者持續學習，這個事情大家不知道怎么做、不知道能不能做起來，這個事情還是比較困難的。可能不只是大家更喜歡做確定性的事情、不太愿意做創新性的事情，很重要的一點是文化的積累或者整體的認知，其實是需要時間沉淀的事情，OpenAI在2022年就開始做這個事情了，國內2023年開始做了，對這個東西的理解會有一些差異，或者說中國沒有這么大，我覺得可能很多也就是時間問題，當你積累了文化或者底蘊更深的時候，潛移默化的程度可能會影響人的做事方式，但是它很微妙，很難通過榜單去體現。

中國對于刷榜或者數字看的更重一些，包括DeepSeek做的比較好的一點，他們可能沒有那么關注榜單的數字，可能會更注重，第一，什么是正確的事情；第二，什么是你自己能體驗出好或者不好的。我覺得這還是挺有意思的，因為你看Claude模型可能在編程或者軟件工程的榜單上也不是最高的，但大家都知道這個東西是最好用的，我覺得這還是需要大家能夠走出這些榜單的束縛，能夠堅持自己覺得是不是正確的過程。

主持人/李廣密：多謝順序。請俊旸說說概率和挑戰。

林俊旸：這個問題是個危險的問題，理論上這個場合是不可以潑冷水的，但如果從概率上來說，我可能想說一下我感受到的中國和美國的差異，比如說美國的Computer可能整體比我們大1-2個數量級，但我看到不管是OpenAI還是什么，他們大量的Computer投入到的是下一代的Research當中去，我們今天相對來說捉襟見肘，光交付可能就已經占據了我們絕大部分的Computer，這會是一個比較大的差異在這里，這可能是歷史以來就有的問題，創新是發生在有錢的人手里，還是窮人手里，窮人不是沒有機會，我們覺得這些富哥真的很浪費卡，他們訓了這么東西，可能訓了很多也沒什么用，但今天窮的話，比如今天所謂的算法Infra聯合優化的事情，如果你真的很富，就沒有什么動力去做這個事情。

我覺得可能更進一步的，剛才順雨提到光刻機的問題，未來有可能還有一個點，如果從軟硬結合的角度，是不是真的有可能做出來，比如說我們下一代這個模型和芯片，有可能是一起把它給做出來的。我在2021年的時候在做大模型，因為阿里做芯片，在找我說能不能預測一下三年之后這個模型是不是Transformer，三年之后這個模型是不是多模態，為什么是三年呢？他說我們需要三年時間才能留片。我當時的回答是三年之后，在不在阿里巴巴，我都不知道！但我今天還在阿里巴巴，他果然還是Transformer，果然還是多模態，我非常懊悔為什么當時沒有催他去做，當時我們的交流非常雞同鴨講，他給我講了一大堆東西，我完全聽不懂，我給他講，他也不知道我們在做什么，就錯過了這個機會。這個機會有沒有可能再來一次？我們雖然是一群窮人，是不是窮則生變，創新的機會會不會發生在這里？

今天我們教育在變好，我屬于90年代靠前一些的，順雨屬于90年代靠后一點的，我們團隊里面有很多00后，我感覺大家的冒險精神變的越來越強，美國人天然有非常強烈的冒險精神，一個很典型的例子是當時電動車剛出來，甚至天棚漏水的情況下，甚至開車會意外身亡的情況下，依然會有很多富豪們都愿意去做這個事情，但在中國，我相信富豪們是不會去干這個事情的，大家會做一些很安全的事情。今天大家的冒險精神開始變的更好，中國的營商環境也在變的更好的情況下，我覺得是有可能帶來一些創新的。概率沒那么大，但真的有可能。

主持人/李廣密：如果派一個數字呢？

林俊旸：您是說百分之多少？

主持人/李廣密：對，三年到五年后，中國最領先的那個公司，是一家中國公司的概率。

林俊旸：我覺得是20%吧，20%已經非常樂觀了，因為真的有很多歷史積淀的原因在這里。

主持人/李廣密：我再Follow一個問題，比如說中國的模型跟美國的模型差距，有的地方在追上來，有的地方他們的算力在拉大，你內心中Gap變大的恐懼感強嗎？

林俊旸：今天你干這一行就不能恐懼，必須得有非常強的心態，對于我們的心態來說，能干這一行就非常不錯了，能做大模型這件事情已經非常幸運了。

我覺得還是看你的初心是什么，剛才順雨提到一個點，你的模型不一定那么強在C端里邊是OK的。我可能轉換成另外一個角度去思考這個問題，我們的模型為人類社會帶來了什么樣的價值，只要我相信我這個東西能夠為人類社會帶來充分的價值，能夠幫助人類，就算不是最強的，我也愿意接受。

主持人/李廣密：多謝俊旸。有請楊老師，因為您經歷過很多AI的周期，也看過很多中國的AI公司變成世界最強，您對這個問題的判斷。

楊強：我們可以回顧一下互聯網的發展，一開始也是從美國開始，但中國很快就趕上了，而且應用像微信，是世界第一的。我想AI是一個技術，它并不是一個終端的產品，但我們中國有很多聰明才智會把這個產品發揮到極致，不管是To B還是To C，但我可能更看好To C，因為百花齊放，中國人集思廣益，但To B可能會有一些限制，像付費意愿、企業文化等也在改變。我最近也在觀察商業方向跟商學院的一些同學探討，比方說美國有一個公司叫Palantir，它的一個理念是不管AI現在發展到什么階段，我總是能在AI里面發現一些好的東西應用在企業上，中間肯定有gap，我們要給它彌合，它有一個辦法叫本體，用的是本體的方法。我觀察了一下，大概的思想是我們之前做的遷移學習，就是說把一個通用的Solution能夠應用到一個具體的實踐當中，用一個本體來做知識的遷移，這個方法非常巧妙。當然它是通過一種工程的方法，叫前端工程師FDE來解決的。不管怎么樣，我覺得像這種就非常值得我們學習，我覺得中國的企業像AI Native的公司應該發展出這樣一些To B的Solution來，我相信會的。所以我覺得To C肯定是百花齊放的，To B也會很快的跟上來。

主持人/李廣密：多謝楊老師。有請唐老師。

唐杰：首先我覺得確實要承認在中美，無論是做研究，尤其是企業界的AI Lab，我覺得和美國是有差距的，這是第一個。

但我覺得在未來中國，現在慢慢變的越來越好，尤其是90后、00后這一代企業，遠遠好過之前。有一次我在一個會上說我們這一代最不幸運，上一代也在繼續工作，我們也在工作，所以我們還沒有出頭之日，很不幸的是下一代已經出來了，世界已經交給下一代了，已經把我們這一代無縫跳過了。這是開玩笑的。

中國也許的機會：

第一，一群聰明人真的敢做特別冒險的事，我覺得現在是有的，00后這一代，包括90后這一代是有的，包括俊旸、Kimi、順雨都非常愿意冒風險來做這樣的事情。

第二，咱們的環境可能更好一些，無論是國家的環境，比如說大企業和小企業之間的競爭，創業企業之間的問題，包括我們的營商環境，像剛才俊旸說的，我還在做交付，我覺得如果把這個環境建設的更好，讓一群敢于冒險的聰明人有更多的時間去做這樣創新的事情，比如說讓俊旸有更多的時間做創新的事情，這是第二個，也許是我們政府，包括我們國家可以幫忙改善的事情。

第三，回到我們每個人自己身上，就是我們能不能堅持。我們能不能愿意在一條路上敢做、敢冒險，而且環境還不錯。我覺得環境肯定不會是最好的，永遠不會想著環境是最好的，我們恰恰是幸運，我們經歷環境從原來沒那么好，到慢慢變得更好的一個時代，我們是經歷者，也許就是財富，包括經歷收獲最多的人，如果我們笨笨的堅持，也許走到最后的就是我們。

感謝大家！

主持人/李廣密：感謝唐老師。我們也很想呼吁，應該把更多的資源資金投入到中國的AGI行業，有更多的算力，讓更多AI年輕的研究員搓卡，有可能搓個三五年，中國有三五個自己的伊莉亞（音），這是我們未來三五年很期待的。

非常感謝大家！