界面新闻记者 | 陆柯言 佘晓晨

　　界面新闻编辑 | 文姝琪

　　1月10日，一场关于AI的顶级对话在北京中关村悄然上演。

　　这场对话由清华大学基础模型北京市重点实验室、智谱AI共同发起 。最重要的是 ，它罕见地集结了中国大模型领域最受关注的几位“顶流”人物
。他们分别是：

　　唐杰：清华大学教授 、智谱创始人
，三天前刚刚带领智谱在港股敲钟，造就“中国基模第一股 ”。

　　姚顺雨：前OpenAI研究员 ，27岁的他现为腾讯CEO办公室首席科学家
、 AI Infra 部及大语言模型部负责人 。这也是入职腾讯后的公开首秀
。

　　林俊旸：阿里巴巴通义千问大模型负责人
，阿里最年轻P10级技术专家，掌舵着全球开源生态中下载量第一的阿里通义系列。

　　杨植麟：大模型“六小虎
”之一——月之暗面创始人 ，公司刚刚官宣5亿美元融资 。

　　几位平均年龄不到35岁的年轻人，几乎握着中国AGI赛道上最贵的一批筹码。 如此规格的同台向来罕见
，不仅因为他们背后代表着大厂与创业公司的生态博弈，更因为在“Chat（对话）范式”已成存量的今天 ，他们对下一代 AGI 路线图的任何一次押注
，都可能决定未来十年的行业座次
。

　　从大模型的下一个“奇点时刻 ”，到对模型分化的观察；从AI Agent的未来 ，到中国AI的胜算
，这场万字交锋试图在现实算力与商业落地的抉择之中，寻找中国AGI最真实的突围路径。

　　Chat之后 ，大模型的下一个“奇点
”在哪？

　　与会者的一个共识是
，关于 AGI 的演进路线，Chat（对话）的竞争已经终结 ，大模型的未来应该向深水区更进一步
，即解决问题与自主学习 。

　　对于下一代范式的预测，一个高票答案是自主学习
。林俊旸认为 ，2026 年最关键的“Bet（赌注）”在于 AI 的主动性。目前的 AI 范式是被动的，必须由人类通过 Prompt 启动 。他构思的未来范式是：环境直接 Prompt 模型
，让 AI 根据环境反馈自主思考、自主决策，而不仅仅是响应指令
。

　　但他也表达了这种主动性可能会带来的风险：“我最担心的是他做一些不该做的事。比如主动产生一个想法 ，往会场里扔一颗炸弹 。 ”他认为
，培养 AI 就像培养小孩，必须注入正确的方向指引 ，这是主动学习范式下不可回避的命题
。

　　姚顺雨也认为
， AGI 接下来最重要的点就是自主学习。

　　在他看来，自主学习是一个渐变的过程 。它不是一种孤立的方法论 ，而是由数据和任务驱动的场景演进
。

　　他举例
，目前Claude 95%的代码已经是由Claude自己编写的，这本身就是一种自我优化的循环。同时 ，像 ChatGPT 利用用户数据风格
，以及光标修改每隔几小时就根据用户数据进行更新，都是自主学习的早期信号 。

　　姚顺雨提出 ，自主学习最大的问题是想象力的限制：“现在大家很容易想象强化学习或者推理范式的未来。但如果 2026 年或者 2027 年，一个新的模型或者新的系统实现了自我学习
，它应该是一个赚钱的交易系统？还是解决了人类之前没法解决的科学问题？我们可能需要先想象到它长什么样
。”

　　谈及哪家公司会引领下一代范式创新，姚顺雨认为 ，尽管 OpenAI 内部因商业化等因素导致创新受损
，但在全球范围内，OpenAI 仍然是最有可能的那一家。

　　Scaling Law 还有用吗？

　　Scaling Law（规模法则）是大模型领域的一个经验公式 。它默认 ，只要不断地增加训练数据量 、模型参数量
、和算力投入
，模型性能就会越来越好，并且这种提升是可以预测的
。

　　唐杰指出了当前 Scaling Law 面临的效率困境。从 2025 年初的 10T 数据 ，到现在的 30T 甚至未来的 100T
，单纯增加数据量的收益正在递减 。“如果你不创新，花掉 10 个亿、20 个亿 ，收益却很小
，这就不值得了
。

　　他提出了一个新的衡量标准：Intelligence Efficiency（智能效率）。

　　唐杰认为，提升智能上限“最笨
”的方法是 Scaling ，而更聪明的做法应该是定义智能效率——即如何用更少的算力投入 、更小的 Scaling 规模，获得同等甚至更高的智能提升 。他预判
，在持续学习、Memory（记忆）以及多模态领域，这种追求效率的范式变革一定会发生
。

　　杨植麟则认为 ，Scaling Law 还远未到达终点
，但其内涵发生了变化。Scaling 不仅仅意味着堆算力，而是在架构
、优化器、数据层面做技术改进 ，目的是为了让模型
，拥有更好的“Taste（品味）”，这正是模型之间形成护城河的关键 。他认为 ，Token 效率与长文本将是决定 AI 智力水平的核心因素
。

　　林俊旸观察到
，人类与AI 不断交互，只会让它上下文变得越来越长 ，导致AI 变得越来越笨
，这件事“很烦人 ”。 

　　他提出的一种思路是“测试时扩展
” （Test-time Scaling） 。与其在训练阶段死磕数据量，他认为 o1 系列证明了另一条路：即在推理时就投入更多计算资源 ，让模型变强。

　　对模型分化的观察

　　模型分化是本次会议的一个焦点问题
。它指的是，大模型不再试图做一个样样精通但却样样都平庸的通用工具
，而是根据场景 、产品形态和技术特性，裂变成不同的方向。

　　作为在硅谷和中国都拥有经验的研究者 ，姚顺雨认为
，模型的分化首先发生在商业逻辑上 。

　　他认为，在 B 端（企业）场景 ，智能直接等同于收益
。美国市场用户愿意为强模型支付数倍溢价
，因为强模型能将任务正确率从 60% 提升到 90%，大幅降低了人工监控成本。因此在 To B 领域 ，强弱模型的分化会越来越极端 。

　　相反
，To C （用户）的分化不在于模型变大，而在于 Context（上下文）的厚度
。他认为 ，To C 产品应通过垂直整合
，让模型感知用户的实时环境，如天气
、聊天记录等 ，而非盲目 Scaling。因此，To C 应用必须走“垂直整合”路线
，让模型与产品强耦合 。

　　被问及“千问在未来 AGI 的生态位 ”时，林俊旸认为这与公司基因关系并不大
。在他看来 ，今天To B 和 To C 都是在服务真实的人类。这个问题本质是
，应该怎么让人类世界变得更好 。

　　他以 Anthropic 为例，指出其在 Coding（编程） 领域的成功是由于频繁与 B 端客户交流 ，发现了真实场景中巨大的 Token 消耗
，而在中国，Coding的Token消耗还没有那么大
。

　　人工智能科学家、加拿大皇家科学院院士杨强提出 ，当大模型进入稳态
，学术界应研究智能上限和幻觉平衡
”——即投入多少资源能换取多少错误率的降低，这是一种类似经济学的风险收益平衡。

　　他建议 ，大模型研究应借鉴人类的睡眠机制——晚上睡觉
，事实上是在清理噪音，使得第二天学习的准确率持续的提升 ，不至于是两个错误率的叠加，大模型的持续学习中
，同样需要类似的噪音清理 。

　　“价值”决定Agent的未来

　　2026年，市场普遍对 Agent 的价值爆发充满信心。但在与会嘉宾被问及“ Agent 真的能帮人类自动化1-2周的工作吗？ ”这一问题时 ，大家的观点也透露出对于不同方向的期待
。

　　姚顺雨认为
， To B 方面，Agent 正处在不断上升的曲线上 ，目前没有变慢的趋势。但是在 To C 场景下
， DAU 和模型智能很多时候不仅不相关，甚至会相反 。他指出 ，除了模型本身还有两个瓶颈
，一个是环境和部署（Deployment）问题；另一个是教育问题
。因此他认为，在今天的中国 ，想要扩大 To C Agent 的机会
，教育大家如何更好地使用 AI 产品是一个最大的 、最有意义的事情。

　　在通用 Agent 的创业机遇上，林俊旸用了Peak（ Manus 联合创始人）的一句话表达他的观点：“通用 Agent 最有意思的事情在于解决长尾问题 ，或者是说今天 AI 更大的魅力是在长尾 。
”

　　他较为认同“模型即产品”这个观点，同时认为Agent的未来应当不仅仅出现在电脑里
，而是和真实物理世界交互——那才是 Agent 能做长时间工作的情景
。对于未来 Agent 的发展场景，林俊旸预判称 ，一些在电脑环境里做的
，今年很快就可以完成；但接下来三到五年要完成的 Agent 任务，可能和具身智能会结合起来。

　　杨强将 Agent 的出现分为四个阶段 ，而他判断认为
，我们现在处在最初级的阶段：目标是人定义的，规划也是人做的 。在他的预测中 ，未来会出现这样一个阶段：大模型会观察人的工作
，把人的过程数据利用起来，最终实现目标和规划都由大模型来定义 ， Agent 应该是由大模型内生的一个系统
。

　　关于Agent能否真正爆发
，唐杰的观点则相对务实而尖锐。他认为，有几个方面决定了 Agent 未来的走势 ，首先是 Agent 这个事情的价值
、能不能真正帮助人；第二是成本；第三是做应用的速度 。在他看来，现在的大模型更多是拼速度、拼时间
，“也许我们代码正确了，也许我们就会在这方面走的更远一点 ，但也许失败以后就半年
，半年就没了
。 ”  

　　创新将成为中美竞争的关键词

　　在这场会议中，唐杰显露出对于中美之间差距的保守态度。他认为 ，虽然中国模型在快速迭代
，但差距可能并没有缩小，因为美国还有大量未开源的闭源模型 。参会嘉宾均认同“差距
”的存在 ，同样也在如何缩小差距上有不少共识。

　　作为刚刚从美国公司加入腾讯的前 OpenAI 研究员
，姚顺雨在这个话题上着重提到了范式创新
。他认为，中国要从今天的跟随者变成未来的引领者 ，有几个比较关键的点
，第一个是算力突破，第二个是除了 To C 之外 ，能不能有更成熟或者更好的 To B 的市场，或者有没有机会在国际的商业环境竞争。

　　他坦言
，今天很多做生产力或者做 To B 的模型和应用还是会诞生在美国，原因是美国的支付意愿更强 ，文化更好 。更重要的是
，主观上有更多有创业精神或者冒险精神的人，真的想要去做前沿探索或者新的范式突破的事情
。

　　“目前来看 ，一个范式一旦发生
，我们可以用很少的卡 、很高的效率去局部做得更好，我们到底能不能引领新的范式？这可能是今天中国唯一要解决的问题。”姚顺雨指出 ，希望大家能走出“榜单的束缚 ”
，坚持自己觉得是不是正确的过程 。

　　林俊旸和姚顺雨提到的关键词类似，同样强调了冒险和创新的重要性
。

　　不过 ，会议的最后
，唐杰也在“差距”之外指出了一些中国市场的赶超机会。他认为，首先要承认中国和美国之间的差距 ，但现在国内的情况正在慢慢变好，尤其体现在90后
、00后身上 。

　　在他的总结中
，中国的机会可能出现在三个方面，一是一群聪明人真的敢做特别冒险的事；二是更好的环境 ，包括营商环境；第三
，回到个人身上，能不能坚持的问题
。“我们能不能愿意在一条路上敢做、敢冒险 ，而且环境还不错。
”

海量资讯 、精准解读
，尽在新浪财经APP

责任编辑：杨赐