北京
出品｜網(wǎng)易科技《態(tài)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(chuàng)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(xiàn)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(shù)量和下載量已穩(wěn)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(zhèn)，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(nèi)容共計約4萬字，網(wǎng)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(yè)現(xiàn)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(jīng)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(zhàn)和差距。”
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(shù)學題，學會更多的演繹、抽象。”
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(tài)的“感統(tǒng)”能力。
“2025年可能是多模態(tài)的適應年。……對于大模型來講，怎么把多模態(tài)的信息收集起來，并且能夠統(tǒng)一感知起來，也就是我們經(jīng)常說的原生多模態(tài)模型。后來我想了想原生多模態(tài)模型和人的‘感統(tǒng)’很相似，人的感統(tǒng)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(tǒng)到一起，來感知一個東西。……對于模型來講，下一個多模態(tài)的感統(tǒng)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(xiàn)在的記憶能力和可持續(xù)性學習能力還不夠。……我之前跟我們的同學、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?nèi)祟愔挥姓娴陌堰@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(tǒng)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(tǒng)是我們?nèi)祟愇磥硪o大模型構建起來的。”
最后，是反思和自我認知。
“其實現(xiàn)在模型已經(jīng)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。”
關于智譜的2026年，唐杰給出了非常明確的規(guī)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(xù)做下去，但Scaling已知的是我們不斷加數(shù)據(jù)、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(chuàng)新。我們會做全新的模型架構創(chuàng)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(xiàn)知識記憶和持續(xù)學習……第三，多模態(tài)感統(tǒng)，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(xiàn)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(xiàn)了一個工種，AI變成跟我們?nèi)艘粯樱梢詭椭覀儗崿F(xiàn)。只有這樣，AI才能實現(xiàn)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(fā)年，因為很多能力大大提升，我們可以做更多的事情。”
02 Kimi 楊植麟：智能是“非同質(zhì)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(zhí)行Agent任務時具備更強的技術潛力。”
為了實現(xiàn)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(shù)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(xiàn)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(yōu)化相結合，最終便能實現(xiàn)更高水平的Agent智能。”
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(yōu)化器和數(shù)據(jù)，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。”
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(zhì)上是在創(chuàng)造一種世界觀，它體現(xiàn)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：‘a(chǎn)ll comes down to taste’。我們堅信這一點，因為智能與電力、貨幣等同質(zhì)化（fungible）事物不同，它本質(zhì)上是‘非同質(zhì)化’（non-fungible）的。每個模型產(chǎn)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(shù)級放大，催生出更多新穎的用例。”
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(tài)度：
“我也經(jīng)常與Kimi對話。……我們正在創(chuàng)造AGI……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(xù)開發(fā)？Kimi的答案很有啟發(fā)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。……它是我們探索未知世界的一把重要的鑰匙。所以，盡管存在風險，它的回答是仍然會選擇繼續(xù)開發(fā)。因為放棄開發(fā)，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(xù)把K4、K5到K100做得更好。”
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(diào)了團隊的初心：
“我們自己的內(nèi)心追求的不僅僅是服務開發(fā)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(tài)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(fā)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(shù)據(jù)，有一條輸入和輸出訓練就可以，我們今天要把更多的數(shù)據(jù)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(shù)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(nèi)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(shù)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(zhì)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(shù)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(chǎn)力越高……我們今天發(fā)現(xiàn)很多美國的人愿意花溢價用最好的模型。……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。”
關于垂直整合（Vertical Integration），他給出了一個反直覺的觀察：“我們會發(fā)現(xiàn)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(chǎn)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(chǎn)力環(huán)節(jié)。”
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(yōu)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(fā)現(xiàn)很大的機會。”
楊強：工業(yè)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(yè)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(wěn)定大模型，進入一個穩(wěn)態(tài)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。”
唐杰：DeepSeek之后，搜索之戰(zhàn)已經(jīng)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(jīng)沒有了，已經(jīng)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(jīng)發(fā)生，只是你沒察覺
“現(xiàn)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(jīng)在發(fā)生了。
ChatGPT在利用用戶的數(shù)據(jù)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(jīng)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。”
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(xiàn)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(chǎn)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(fā)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(fā)展，我們在觀測的角度處于指數(shù)上升的階段。”
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(fā)生……現(xiàn)在在整個大模型里面投入已經(jīng)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。……如果不創(chuàng)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。”
議題三：Agent戰(zhàn)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(chuàng)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(chǎn)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。”
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(chǎn)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(fā)現(xiàn)那個Agent非常簡單，最后發(fā)現(xiàn)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(diào)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。……目前看起來，任何一個事情一旦被發(fā)現(xiàn)，在中國就能夠很快的復現(xiàn)，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(xù)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。……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。”
林俊旸：20%已經(jīng)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(shù)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(jīng)占據(jù)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(chuàng)新的機會會不會發(fā)生在這里？……我覺得是20%吧，20%已經(jīng)非常樂觀了，因為真的有很多歷史積淀的原因在這里。”
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(yè)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(xiàn)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(huán)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(huán)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(yōu)秀的學生，去創(chuàng)業(yè)吧
作為壓軸嘉賓，張鈸院士自謙為企業(yè)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(tǒng)內(nèi)部的人很難發(fā)現(xiàn)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(fā)現(xiàn)大家尚未察覺的盲區(qū)。
“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(zhí)行實際的任務，必須要實現(xiàn)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(xiàn)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(tài)、具身與交互落地、檢索與證據(jù)落地、結構化知識對齊、工具與執(zhí)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(shù)的……之后再出現(xiàn)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(yōu)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(zhì)：
“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(chuàng)業(yè)，但現(xiàn)在，他的態(tài)度發(fā)生了180度的大轉彎。他認為AI重新定義了企業(yè)家的價值——從提供產(chǎn)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(xiàn)之前，我非常不贊成我的學生去創(chuàng)業(yè)……但是大模型之后，我覺得最優(yōu)秀的學生應該去搞企業(yè)。
人工智能不是給大家簡單的提供產(chǎn)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(yè)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(yè)家把企業(yè)、企業(yè)家也變成光榮的、神圣的職業(yè)之一。”
本文來源：態(tài)℃
責任編輯：
袁寧_NB35110
