Vol.83 25页PPT记录一场中国AI“全明星赛”

摘要

• 论坛里一个重要判断是：ChatGPT 这一仗似乎已经打完，下一仗将转向真正“做事”的 Agent。 唐杰将下一仗指向通过 Agent 解决实际问题，智谱过去一年也推进了 Coding 和 Agent；姚顺禹更判断，即使模型研发今天全部停滞，现有能力向 To B 渗透和部署仍可能有 10—100 倍空间。检验商业价值的核心将是任务时长与部署规模，以及“问题价值、运行成本、迭代速度”能否形成平衡。
• 模型和应用正在沿 To C、To B 裂成两套逻辑：前者趋向强耦合的 All in One，后者更拆分、也更需要强模型。 姚顺禹认为，普通用户今天与一年前向 ChatGPT 提问，答案体感差距未必很大；企业端却在把更强模型持续嵌入业务，钉钉就是典型例子。腾讯的 To C 重点是复杂上下文与记忆，To B 则仅改造自身众多场景就“已经足够大”。
• 中国三至五年内诞生世界第一 AI 公司的概率，现场最谨慎的数字是林俊旸所说的“20% 可能都是乐观的”。 他判断中美算力相差一至两个量级，美国头部供应商已将更多研发算力和能力押向下一代范式；姚顺禹则相对乐观，理由是电力、基础设施和人才正在跟紧，但光刻机、To B 交付与付费意愿仍是约束。林俊旸甚至担心 gap 是否还在变大。
• 持续学习已是硅谷共识，但姚顺禹认为它不会由某个产品突然宣告完成，而会是一个渐变过程。 个性化聊天、适应公司代码习惯的 Coding 工具，乃至“Claude Code 自己 95% 的代码由 AI 写成”，都可能是受限场景中的早期形态。林俊旸同时警告：当环境而不只是用户提示词能够刺激模型采取行动，也会引发更多安全问题。
• 多模态在唐杰口中反而是 2025 年的“失意年”，这意味着 2026 年可能迎来更激烈的补课与投入。 千问已把高级推理、顶尖代码能力和原生全模态并列，并期待实现输入、输出均覆盖多模态的“三进三出”。其图像编辑用两张图叠加检查非编辑区域是否漂移，是比演示效果更硬的工程指标；最新 2.5.1 版本中，这一问题已经得到明显改善。
• Kimi 的差异化不是堆功能，而是提高 token ROI、扩展超长上下文与记忆，并把创造者的 taste 融入模型创作。 杨植麟称，“一个好的 AI 应该追求什么样的价值”，这种 taste 使模型彼此区分，“它不是商品”。他透露 K3 即将发布，并以“悲观意味着停滞，而乐观即使有风险，也代表着无限的可能性”解释自己的选择。
• 张钹给出的 AGI 标尺不是更会聊天，而是“可执行、可检验”：多模态理解、在线适应、长期规划、反思与认知、跨任务泛化缺一不可。 相应路径覆盖具身交互、证据落地、知识对齐、工具执行和约束治理；而最重要的治理对象“不是机器，而是人类”。对企业而言，这把竞争从模型能力继续推向知识、伦理与应用能否成为像水电一样可复用、可普惠的基础能力。

精读

1. 高规格同台给中国开源大模型做了一次路线校准

• 1 月 10 日的 AGI Next 由清华大学基础模型北京市重点实验室主办、唐杰召集。杨植麟、林俊旸先后演讲，杨强、唐杰、林俊旸、姚顺禹参与圆桌，广密主持，91 岁的张钹总结；现场共有四位院士，开场嘉宾还包括清华大学校长与海淀区委书记。

• 庄明浩称这套阵容为中国大模型的“全明星首发”，听众则开玩笑叫“元婴强者交换会”。除刚上市、当天晚上应该正忙于年会的 MiniMax、几乎从来不对外露面和表达的 DeepSeek，以及以闭源模型为主的字节 Seed 团队外，产业核心力量已高度集中。

• 他把现场速记、照片和个人笔记交给 NotebookLM，先生成三四份 PPT，再人工整合成 25 页。这是他第一次在主节目中以 AI 生成的 PPT 作为展示内容；“NotebookLM 做了大部分工作，我做了小部分工作”，本身也成了 AI 进入内容生产流程的注脚。

2. 唐杰把开源成果后的最大风险指向“差距也许还在拉大”

• 唐杰回顾的演进链条从小模型、大模型、Transformer，一直走到今天的 SOTA；能力则从语言走到 Coding 与 Agent。2025 年，RLVR，即可验证奖励的强化学习，成为主流方向。智谱也做了 Coding 和 AutoGLM。

• 他最冷静的警告是：“我们的差距也许还在拉大。”美国的大模型更多在闭源方向上演进，中国不能只因开源成果而“沾沾自喜”。

• 唐杰把 2026 年的第一任务仍定义为探索智能上界：一面沿已知方向 scaling，让基座模型进入 Coding、Agent 乃至物理世界；另一面寻找 o 系列推理之外的新范式。

• 技术清单则包括新模型架构、超长上下文、更高效的知识压缩、记忆机制与持续学习、多模态融合、复杂任务 Agent、机器人和 AI for Science。其中“模型自主学习”被他视为 AI 超越人类、走向超级智能的关键，也成为全天被重复最多的关键词。

3. 杨植麟把 Kimi 押在 token 效率、长内容与模型 taste

• 杨植麟以“回归第一性原理，推动 AGI 的边界”为核心表述，把 Kimi 的训练路线压缩为两件事：提高 token 效率，以及处理超长内容、上下文和记忆。他提到，这一轮 AI 智能的提升本质上是“从能源到智能”，因此特别强调 token ROI。

• 他认为，做模型的人实际上会把自己的品味融入模型的创作过程：“一个好的 AI 应该追求什么样的价值？这种 taste 将一个模型与另一个区分开，它不是商品。”

• 谈及如何与 AI 相处，他说：“我选择乐观，因为悲观意味着停滞，而乐观即使有风险，也代表着无限的可能性。”他把 AGI 的终极愿景指向科学、健康与能源等未知问题，并提及现在明显是 K2，马上还会发布 K3。

4. 千问把 2026 年的胜负手押向原生全模态

• 林俊旸首先建议用户通过 chat.qwen.ai，而不是 App 体验千问的各种模型能力。千问从 1.8B、7B、72B 到中间可能还有 3B、4B 等众多尺寸，是一次次响应客户需求的结果。

• 其当前核心被概括为高级推理与上下文、业界顶尖的代码能力，以及“真正的原生全模态能力”。林俊旸期待千问在 2026 年实现“三进三出”——输入和输出都覆盖多种模态；他的价值判断也很直接：“如果做大模型不是为了全人类来做，就不要做了。”

• 图像生成的示例不是单张漂亮图片，而是一幅可能有十二宫格的“人的一天”：每格同时生成固定时间、对应文字与人物动作。林俊旸借此说明，图片模型正在获得类似 Nano Banana 那样的理解能力，而不只是根据关键词合成视觉元素。

• 更硬的检验来自社区：让女模特放下右手，再将编辑前后两张图叠加，若除手臂外的衣服、身体与面部也发虚，就说明未编辑区域发生漂移。千问据此迭代，在最新 2.5.1 版本中发现漂移问题已得到很好的改善；这个工程细节也让庄明浩期待其在多模态和全模态领域的进展。

5. 大模型赛道正沿 To C 与 To B 裂成两套逻辑

• 庄明浩对姚顺禹以腾讯 AI 一号位身份公开亮相的最大观察，是他回答四个问题时都先切分 To B 与 To C。这种强烈的边界感，可能来自他加入腾讯后与管理层、业务部门及中国 To C 互联网场景的交流。

• 姚顺禹判断，To C 用户今天问 ChatGPT 一个问题，与一年前得到的回答未必有巨大体感差距，用户不一定始终需要最强模型；To B 却在使用更强模型，并把它们更深地嵌入业务，钉钉就是典型例子。应用层也随之分化：To C 强耦合并走向 All in One，To B 的拆分会更强烈。

• 被追问腾讯究竟在押注什么时，他仍以两端作答：To C 的核心是复杂上下文与记忆；To B 更难，但腾讯自身已有大量场景和业务，仅将模型能力用于内部生产力提升，空间就“已经足够大”。

• 其他嘉宾给出了不同切面：林俊旸强调从真实用户需求出发，并认为公司未必有固定基因，“一代一代的人可能会塑造这些公司”；杨强看到产业界快速奔跑后，学术界正在跟上；唐杰则判断“似乎 ChatGPT 这一仗已经打完”，下一仗是 Agent 做事。

6. 持续学习已成共识，但它更像渐变而非单点突破

• 姚顺禹说，硅谷对自主学习已有共识，但 online learning、continual learning 的概念仍然模糊，每个人谈的可能不是同一件事。他倾向于认为这不是单一方法论或崭新研究范式，而是数据、任务以及相应奖励函数的问题。

• 个性化聊天工具会逐渐拟合用户风格，Coding 工具也会越来越了解一家公司的代码习惯；这些是否已经算持续学习？他又举出两个边界案例：ChatGPT 用用户数据拟合聊天风格，以及“Claude Code 自己 95% 的代码是 AI 写的”。他认为在一些特定场景下，持续学习或自主学习其实已经发生，只是受限于具体场景。

• 林俊旸指出，国内几家模型厂商的 RL 算力投入没有那么激进，xAI 等海外玩家则把大量算力压在强化学习上。AI for Science 让模型自己找材料、确定问题、通过实验得到结果并产出报告，这个过程本身似乎也是一种学习过程；但当环境能够主动刺激模型时，也会引发更多安全问题。

• 唐杰相对乐观，认为 2026 年可能出现范式创新：scaling 的效率瓶颈已经显现，学术界也开始积累经验，尽管学校算力可能仍比产业界少一个数量级。对模型公司而言，真正的决策是如何在固定算力投入下统筹预训练、后训练、新数据和新范式的投入产出比。

7. Agent 的经济价值先在 To B 兑现，再向物理世界延伸

• 姚顺禹认为 To B 曲线会“肉眼可见地持续上升”：哪怕所有模型研发立即停滞，仅凭当前能力继续做渗透和部署，也仍可能存在 10—100 倍空间。2026 年大家预期 Agent 执行任务的时长会变得更长，也会做更多部署工作。

• 人与 Agent 合作越深入，教育越重要，因为如何发挥人类的能力、帮助 Agent 变得更好，将成为关键。庄明浩把它与田渊栋所说的“费米能级”联系起来：一个人能让 AI 变得多好、多强，可能决定其未来价值。

• 林俊旸认为 Agent 当前主要运行在电脑环境，2026 年会更多进入非电脑环境，自然延伸至机器人和具身智能。杨强则以目标和规划由人还是机器产生等方式划出四个象限，认为今天看到的很多位置仍处于早期第一象限，其他象限仍值得期待。

• 唐杰把应用成功收束为三个必须同时成立的变量：“解决问题的价值、运行的成本以及迭代的速度。”Agent 能否创造经济价值，不只看能力上限，还取决于每次运行是否值得，以及能否快速迭代。

8. 世界第一 AI 公司的中国概率，现场从乐观落到“20% 都乐观”

• 姚顺禹对未来三至五年相对乐观：在电力、基础设施和人才等要素上，中国“跟得很紧，并且越来越紧”。他同时保留光刻机、To B 市场交付和付费意愿等现实约束，但认为这些问题仍可能出现转机；他期待越来越多具有冒险精神、能够做创新的人才出现。

• 林俊旸明显更谨慎，判断中国在算力层面相比美国差了一至两个数量级，而且美国头部供应商已将更多研发算力和能力投入下一代范式。阿里芯片负责人曾提前三年询问未来是否仍是 Transformer、是否仍做多模态，因为流片周期就是三年；林俊旸当时的回答是：“三年之后我在不在阿里都不知道。”

• 当广密要求给出明确概率时，林俊旸说“20% 可能都是乐观的”，并担心 gap 是否还在扩大。唐杰没有给数字，而把必要条件归纳为一群聪明且敢冒险的人、更好的营商环境，以及更多人愿意在“偏笨的事情”上长期坚持。

9. 张钹把可检验 AGI 的终点落在治理与企业家责任

• 张钹要求从语言模型走向 Agent、从语言走向行为，在复杂环境中完成复杂任务。他给“可执行、可检验的 AGI”列出五项能力：时空一致的多模态理解与落地、可控在线学习与适应、可验证推理与长期规划执行、可校准的反思与认知，以及跨任务强泛化。

• 相应研究路径包括多模态、具身与交互、检索与证据落地、结构化知识对齐、工具执行与落地，以及对齐与约束。这些路径与上述能力可能存在对应关系。

• 他把 AI 主体性分成三层：从功能走向行动主体，走向规范与责任主体，最终才是可能具有意识与体验的主体。站在终局倒推，当务之急仍是对齐和治理，而且“最主要的治理不是治理机器，而是治理人类”。

• 张钹称 AI 企业提供的不再只是产品和服务，而是让知识、伦理与应用成为可复用工具，最终让人工智能像水和电一样成为通用技术；企业家因此是“光荣而神圣的职业”，也必须承担治理、普惠与可持续增长责任。91 岁的他听会期间仍去休息室修改最后的 PPT；庄明浩则以“我只是一个记录者”自况，并借“做‘真的’可能是唯一的出路”收束这次现场记录。