北京
出品｜網易科技《態度》
作者｜袁寧
編輯｜丁廣勝
這或許是2026開年中國大模型領域最值得定格的一幕。
兩天前的1月8日，唐杰剛剛帶領智譜順利登陸港股；許久未公開露面的月之暗面創始人楊植麟，剛剛被爆出完成新一輪5億美元融資，手握超過100億元人民幣的現金儲備；Qwen技術負責人林俊旸背后的阿里通義實驗室，目前開源模型的衍生數量和下載量已穩居全球第一；而不久前官宣加入騰訊的27歲首席科學家姚順雨，則是第一次公開亮相。
加上楊強、張鈸等學界泰斗的坐鎮，臺上的嘉賓陣容，幾乎代表了當下中國AGI的版圖與技術風向。
整場峰會包含三場技術報告，分別來自智譜唐杰、Kimi 楊植麟、Qwen 林俊旸；一場圓桌，以及德高望重的張鈸院士的最終收尾。
全部內容共計約4萬字，網易科技為你整理了那些你可能需要知道的“原聲”。
01智譜 唐杰：承認差距，回歸“人腦認知”
唐杰首先表示，中國在開源大模型上做出了很多貢獻。但他話鋒一轉，對行業現狀潑了一盆極其冷靜的冷水：
“我們剛才做了一些開源，可能有些人會覺得很興奮，覺得中國的大模型好像已經超過美國了。其實可能真正的答案是我們差距也許還在拉大，因為美國那邊的大模型更多的還在閉源，我們是在開源上面玩了讓自己感到高興的，我們的差距并沒有像我們想象的那樣好像在縮小。有些地方我們可能做的還不錯，我們還要承認自己面臨的一些挑戰和差距?！?/blockquote>面對差距，下一步應該怎么做？唐杰認為核心在于參考人腦認知的學習過程：
“從大模型最早的，要把世界長時知識全部背下來，就像小孩子，從小先看書，把所有的知識先背下來，然后慢慢地學會推理，學會數學題，學會更多的演繹、抽象?！?/blockquote>對于未來，唐杰指出了三個目前大模型還不具備，但人類遠遠領先的能力方向。
第一，是多模態的“感統”能力。
“2025年可能是多模態的適應年?！瓕τ诖竽Ｐ蛠碇v，怎么把多模態的信息收集起來，并且能夠統一感知起來，也就是我們經常說的原生多模態模型。后來我想了想原生多模態模型和人的‘感統’很相似，人的感統是我這邊收集到一些視覺信息，還收集到一些聲音的信息，還收集到一些觸感的信息，我怎么把這些信息感統到一起，來感知一個東西。……對于模型來講，下一個多模態的感統能力怎么來做？”第二，是構建屬于全人類的“第四級記憶”。
“模型現在的記憶能力和可持續性學習能力還不夠?！抑案覀兊耐瑢W、跟我們實驗室的人聊天，我說好像一個人的長期記憶也并不代表知識，為什么？因為我們人類只有真的把這個知識記錄下來，比如說對于我來講，如果我的知識不能被記錄在維基百科上，可能100年之后我也消亡了……咱們怎么把我們整個記憶系統從單個人的三級到整個人類的第四級記錄下來，整個記憶系統是我們人類未來要給大模型構建起來的?！?/blockquote>最后，是反思和自我認知。
“其實現在模型已經有一定的反思能力，但未來自我認知是很難的問題，很多人在懷疑大模型有沒有自我認知的能力。……我是有一些支持的，我覺得這是有可能的，我們值得探索?！?/blockquote>關于智譜的2026年，唐杰給出了非常明確的規劃：
“2026年對我來說更重要的是要專注和做一些比較新的東西。第一，我們要Scaling可能還會繼續做下去，但Scaling已知的是我們不斷加數據、不斷探索上限。還有Scaling未知，就是我們不知道的新的范式是什么。第二，技術創新。我們會做全新的模型架構創新，解決超長上下文，還有更高效的知識壓縮問題，以及我們會實現知識記憶和持續學習……第三，多模態感統，今年是一個熱點和重點。因為有了這個能力，我們才使得AI可以實現進入像機器里面的長任務、長時效任務……當完成我們的長任務，AI就實現了一個工種，AI變成跟我們人一樣，可以幫助我們實現。只有這樣，AI才能實現具身，才能進入物理世界。我相信今年可能是AI for Science的一個爆發年，因為很多能力大大提升，我們可以做更多的事情?！?/font>02 Kimi 楊植麟：智能是“非同質化”的，關鍵在于Taste
楊植麟則將演講的重心放在了Agentic（代理智能）時代的技術架構與價值觀上。他首先從技術底層切入：
“在當前的Agentic（代理智能）時代，這個問題變得尤為突出，因為許多Agent任務要求極長的上下文來完成高度復雜的指令。因此，一個擁有更低positional loss的架構，意味著它在執行Agent任務時具備更強的技術潛力?！?/blockquote>為了實現這一目標，楊植麟詳細拆解了Kimi的預訓練策略：
“我們的預訓練策略，乃至整個模型的設計策略，便是圍繞上述兩個維度展開。第一個維度是提升token efficiency。在以訓練token數量為橫坐標、測試損失為縱坐標的圖上，我們的目標是盡可能將曲線向左平移。曲線越靠左，token efficiency越高，意味著可以用更少的token達到同等效果。由于預訓練的瓶頸在于token總量的有限性，這等效于：在耗盡所有token后，智能的上限更高，因為最終的loss更低。第二個維度是實現long context（長上下文）。……相比之下，如LSTM或更早的CNN、RNN等架構，在處理超過100個token后，loss曲線便趨于平緩，因此只能勝任翻譯這類相對簡單的任務，而無法承擔從零開始編寫一個完整代碼倉庫的編程任務。綜上，將token efficiency與long context的優化相結合，最終便能實現更高水平的Agent智能?！?/font>在技術之外，楊植麟提出了一個極具個人色彩的觀點——未來的Scaling不僅僅是算力，更關乎“品味”。
“接下來，我們會在K2的基礎上進行更多的scaling。這種scaling不僅是增加算力，更包含了大量的技術改進……除了架構、優化器和數據，一個至關重要的點是，未來的模型將擁有更多的taste，即品味和審美?！?/blockquote>他進一步解釋了為什么“品味”在AI時代如此重要：
“做模型的過程，本質上是在創造一種世界觀，它體現了我們對于‘一個好的AI應該是什么樣、應該追求何種價值觀’的理解，這正如喬布斯所言：‘all comes down to taste’。我們堅信這一點，因為智能與電力、貨幣等同質化（fungible）事物不同，它本質上是‘非同質化’（non-fungible）的。每個模型產生的token都是獨一無二的……在智能這個維度，存在著廣闊的‘品味’空間。在Agent的世界里，由于test-time scaling的存在，這種差異性會被指數級放大，催生出更多新穎的用例?！?/font>演講最后，楊植麟分享了他與Kimi關于“AGI風險”的一次對話，這也代表了他對未來的態度：
“我也經常與Kimi對話?！覀冋趧撛霢GI……但它也可能威脅到人類……在這種情況下，作為AGI的科學家，是否應該繼續開發？Kimi的答案很有啟發性。它認為，AGI并非一個普通的工具，而是一個能提升人類文明上限、延伸人類認知邊界的關鍵?！俏覀兲剿魑粗澜绲囊话阎匾蔫€匙。所以，盡管存在風險，它的回答是仍然會選擇繼續開發。因為放棄開發，就意味著放棄人類文明的上限。我們不應害怕技術的風險，而應進一步去突破，并在此過程中控制好風險。……因此，我們希望在接下來的十年、二十年里，繼續把K4、K5到K100做得更好?！?/font>03 Qwen 林俊旸：殊途同歸，走向物理世界
作為開源界的“頂流”，林俊旸代表通義Qwen團隊分享了他們對于未來的愿景。他首先強調了團隊的初心：
“我們自己的內心追求的不僅僅是服務開發者或者服務科研人員，我們看一看能不能做一個Multimodal Foundation Agent，我特別相信這件事情。”談及具體的路徑，林俊旸認為雖然各家打法不同，但大方向是“殊途同歸”的：
“下一步要做什么樣的事情呢？我們做了這么多，當然希望集合在一起，全模態模型是要做的。有一個很重要的，我覺得也是殊途同歸的事情，跟Kimi團隊做類似的事情。今天的范式發生了一個很大的變化，今天不是像以前那樣訓模型，有標注的數據，有一條輸入和輸出訓練就可以，我們今天要把更多的數據放到實驗中去訓練。”對于Qwen來說，最令人振奮的下一步，是讓Agent從數字世界走向物理世界：
“Agent其實可以走向虛擬世界和物理世界，所以有了Embodied Reasoning的這種方式。我們內部討論了一個方式，就算你是做VLA，做Coding的模型，說白了也是把語言轉化成Embodied的模型，從這個角度上來看就非常的振奮人心，于是我們就覺得大干一場……”林俊旸描繪了兩個具體的場景，一個是數字特工，一個是物理特工：
“看一看能不能走向Digital Agent，GUI操作，同時能夠使用API，這個就是非常完美的Digital Agent。如果走向物理世界，是不是能夠把話筒拿起來，今天能夠斟茶倒水，這是我們今天很想做的事情。”
04圓桌對話：分化、范式與中國AI的勝算
在單人演講結束后，是今年年初含金量最高的圓桌對話。對話圍繞四大議題展開。
議題一：大模型的分化時刻
姚順雨：To B與To C的邏輯正在分道揚鑣
作為剛回國加入騰訊的首席科學家，姚順雨的視角橫跨中美，他首先指出了To C和To B在模型需求上的本質不同：
“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，寫抽象代數和伽羅瓦理論的能力變強了，但是大部分人大部分時候感受不到。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……我們今天發現很多美國的人愿意花溢價用最好的模型?！瓘姷哪Ｐ秃蜕晕⒉铧c或者弱的模型它的分化會越來越明顯?！?/font>關于垂直整合（Vertical Integration），他給出了一個反直覺的觀察：“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，模型在變得越來越強……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?！?/blockquote>林俊旸：分化是自然的，但要警惕“基因論”
“理論上我是不能評論公司的，但我覺得公司也不一定有那么多基因之分，一代一代的人可能就塑造了這些公司……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。……今天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……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?！?/font>楊強：工業界瘋跑，學術界應該跟上來
“一直以來，學術界是一個觀望者，工業界在領頭往前瘋跑……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。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……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……這孕育著一個巨大的突破?！?/font>唐杰：DeepSeek之后，搜索之戰已經結束了
“我的第一個預判是說它會替代搜索……到今天我相信大家很多人在開始用這個模型替代搜索，但是并沒有替代谷歌，谷歌反而把自己的搜索革命了……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？”議題二：下一個范式
姚順雨：自主學習（Self-learning）已經發生，只是你沒察覺
“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……我不知道這是不是非共識的，這個事情其實已經在發生了。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這個項目95%的代碼，它在幫助它自己變得更好，這是不是一種自我學習？……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……但顯然這是一個信號?！?/blockquote>林俊旸：比起自主學習，我更擔心“主動性”的安全
“AI有沒有可能實現更強的主動性……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。……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?！?/font>唐杰：效率瓶頸將逼出新范式
“我覺得2026年一定會有這樣一個范式的發生……現在在整個大模型里面投入已經巨大，但是效率并不高……既然要Scaling up，最笨的辦法就是Scaling……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?！绻粍撔拢@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?！?/font>議題三：Agent戰略
姚順雨：To B只要老老實實把模型做強
“很有意思的一點是它（To B）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……它就會帶來越來越大的價值。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……它只要真的把模型越做越好，它的收益越來越高，所有的事情都是非常好的?！?/font>林俊旸：通用Agent是解決長尾問題的關鍵
“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……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……這就是AI最大的魅力。如果你是一套殼高手，套得可以比模型公司做得更好，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。”唐杰：Agent的生死在于價值與成本
“Agent本身有沒有解決人類的事情，而這個事情是不是有價值……比如說原來的Agent，像GPT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Prompt就解決了，這時候大部分Agent慢慢就死掉了。第二，做這個事情咱們Cost有多大……假如調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，基座和應用永遠是矛盾。”議題四：終極追問——中國AI的勝算
最后問題聚焦于：“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？”
姚順雨：概率挺高，但需要更多“冒險家”
“我覺得概率還挺高的，我還是挺樂觀的?！壳翱雌饋?，任何一個事情一旦被發現，在中國就能夠很快的復現，在很多局部做得更好。在中國大家還是更喜歡做更安全的事情……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?！袊胍黄菩碌姆妒交蛘咦龇浅Ｃ半U事情的人可能還不夠多?！?/font>林俊旸：20%已經很樂觀了，但窮則思變
“這個問題是個危險的問題……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Compute可能整體比我們大1-2個數量級……他們大量的Compute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Compute。我們雖然是一群窮人，是不是窮則思變，創新的機會會不會發生在這里？……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?！?/font>唐杰：如果笨笨地堅持，也許最后就是我們
“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……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……第二，咱們的環境可能更好一些……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。……如果我們笨笨的堅持，也許走到最后的就是我們。”05 張鈸院士：最優秀的學生，去創業吧
作為壓軸嘉賓，張鈸院士自謙為企業界的“局外人”，但他引用楊強教授提到的哥德爾不完全性定理，認為系統內部的人很難發現自身的問題，而他作為圈外人，恰好擁有了“旁觀者清”的視角，可能發現大家尚未察覺的盲區。
“我在中間休息的時候做了PPT，我不敢太早做，沒聽到大家是怎么做的，不敢先做。”張鈸院士說道。張院士指出，大模型目前擅長的是跨領域（Cross-domain）的泛化，但真正的落地需要跨任務（Cross-task）的泛化。
“如果要讓它去執行實際的任務，必須要實現跨任務的泛化。這里頭最大的困難就是分布以外的、結構不一樣的、長尾的東西的泛化……實際上我們現在做的幾件事都是沖著解決這5個問題的……具體的，我們就做這六件事：多模態、具身與交互落地、檢索與證據落地、結構化知識對齊、工具與執行落地、對齊與約束落地。”關于人機關系，張院士提出了一個深刻的矛盾：我們既希望AI做更多事，又害怕它成為新的“主體”。在談到“對齊”（Alignment）時，他給出了一個非常犀利的反思：
“大家非常焦慮，過去我們只有一個主體，人類都擺不平，因為人類這個主體是復數的……之后再出現人類以外的主體，我們該怎么辦？機器一定要和人類對齊嗎？這是值得討論的問題。人類并不是都有優點的，人類中間有貪婪、欺騙，原來機器都沒有，向人類對齊，人類到了最高嗎？不是。”
關于治理（Governance），他的觀點直擊本質：
“我認為最主要的治理不是治理機器，而是治理人類，也就是研究者和使用者。”在大模型時代之前，張院士并不鼓勵學生創業，但現在，他的態度發生了180度的大轉彎。他認為AI重新定義了企業家的價值——從提供產品，變成了提供像水和電一樣的通用技術與倫理工具。
“在大語言模型出現之前，我非常不贊成我的學生去創業……但是大模型之后，我覺得最優秀的學生應該去搞企業。人工智能不是給大家簡單的提供產品和服務，而是把知識、倫理和應用變成可復用的工具……所以人工智能時代的企業家是有很多新的使命的，這個新的使命就使得人工智能時代的企業家把企業、企業家也變成光榮的、神圣的職業之一。”
本文來源：態℃
責任編輯：
袁寧_NB35110
