當唐杰、楊植麟、林俊旸、姚順雨這四個名字，罕見地同時出現在一張圓桌上時，哪怕不聽內容，這個畫面本身就已經是中國AGI歷史的關鍵一幀。

1月10日AGI-Next前沿峰會活動現場  圖源：微博AI

四人中一個是剛登陸港股的智譜創始人，一個是率領Kimi狂奔的90后少壯派，一個是阿里通義背后的開源操盤手，一個是剛從OpenAI歸國加盟騰訊的首席科學家。繼六小虎之后，大家又為中國大模型新貴們起了一個新的Title，媒體稱他們為「基模四杰」。

但在這場2026年開年會議上，空氣中彌漫的不是商業互吹的虛情，而是一種“后DeepSeek時代”的冷靜清醒。

Q：“三到五年后全球最領先的AI公司是中國公司的概率有多大？”

A：“20%”。

從這幾位中國AI領域的頂尖從業者的對話中，可以清晰感受到中美在算力上存在的鴻溝，而這僅僅是表象。更深層的差距在于資源分配的邏輯與研發的文化。

在美國，充沛的算力被允許用于探索無人區，甚至進行浪費式的試錯，OpenAI們可以押注一個長期可能沒有確定回報的技術路線。而在中國，絕大多數團隊的算力資源首先需要確�，F有業務的存活與交付。

這種捉襟見肘的狀態，迫使中國的AI研發走上了一條迥異的道路，我們必須極度務實，“在螺絲殼里做道場”的工程藝術練到極致，追求在確定性路徑上的快速跟進與極致優化，并磨煉出在嚴苛資源限制下進行算法與基礎設施聯合優化的生存技能。

此外，圓桌清晰地揭示了行業正在發生的結構性分化。

智譜AI創始人兼首席科學家唐杰斷言，以對話（Chat）為核心形態的競爭，隨著DeepSeek的出現已基本告一段落。未來的戰場將沿著兩條岔路展開，在面向普通消費者（To C）的一端，模型本身智商分數的邊際提升已難以被用戶感知，競爭的關鍵轉向了對用戶上下文（Context）的理解與個性化服務能力，即所謂的“情商”。而在面向企業（To B）的生產力場景，情況則截然不同。

正如前OpenAI研究員、現任騰訊CEO辦公室首席科學家姚順雨所指出的，企業愿意為能將任務準確率從60%提升到90%的模型支付數倍的溢價，代碼（Coding）能力因直接兌換為生產效率，已成為價值制高點，這也解釋了為何智譜等公司選擇將重注押注于此。

面對這樣的格局，中國AI的進化路線在2026年呈現出高度務實的技術圖景。“2026年范式的改變一定會發生，我們也在努力，希望這個變化發生在我們身上。”

Scaling Law并未被拋棄，但單純的數據和算力堆砌，邊際效益正在銳減，真正的進步來自架構、優化器和數據層面的系統性創新，目的是為了讓模型擁有更好的“Taste”。如月之暗面楊植麟所研究的MUON優化器、kimi Linear架構等創新，來追求更高的Token效率與更優的長上下文性能。

在備受關注的智能體（Agent）領域，一個共識是解決長尾復雜任務的根本能力，仍深植于模型層本身。“解決它需要回到模型層，燒卡訓練。”因此模型公司正在不可避免地變成產品公司，千問、智譜、kimi，都在將模型能力直接封裝為可用的Agent服務。

當模型本身就是解決問題的最佳路徑時，中間層就失去了存在價值。這意味著缺乏訓練能力的純應用層“套殼”創業將面臨天花板，真正的機會在于巨頭無暇顧及的垂直細分與行業縱深，那些巨頭看不上的細分場景、行業特有的復雜流程、需要深厚領域知識才能解決的問題。

而對于“自主學習”這一前沿愿景，幾人普遍持審慎態度，認為其更多是漸變而非突變，且必須優先解決安全性與可控性的根本矛盾。

記憶系統是另一個共識方向。唐杰認為，人的記憶系統有短期記憶、工作記憶、長期記憶甚至社會記憶多個層次，而大模型在這方面還有很大提升空間。

最終，圓桌回歸到那個最初的數字，20%。這20%的勝率是建立在一種深刻的戰略清醒之上，它意味著放棄不切實際的彎道超車幻想，轉而尋求在硬件限制下的極致工程實現、在特定市場中的垂直場景深耕，以及如唐杰所言的“笨笨的堅持”——“永遠不要想著環境是最好的，我們恰恰是幸運的。”“如果我們笨笨地堅持，也許走到最后的就是我們。”

中國AI創業者的發展之路大抵如此。

大模型賽道的下一程，將不再是追求宏大的“登月時刻”，而是一場考驗耐力、專注與務實創造力的漫長跋涉。

牌局已然明朗，勝率或許不高，但真正的參與者明白，只要留在牌桌上，就有將一手普通牌打到極致的可能。

以下為編輯整理后的AGI-Next圓桌對話內容，因速記原文超萬字，整理內容進行了較大幅度刪改：

圖源：微博AI

01

模型分化

To C與To B、垂直整合與分層發展的路徑差異

李廣密：硅谷企業呈現明顯分化，比如Anthropic聚焦Coding，Google Gemini深耕全模態，OpenAI側重To C。中國模型在開源領域表現突出，各位如何看待模型分化的趨勢？

姚順雨：我有兩個大的感受。其一，To C與To B的分化愈發清晰。To C場景中，ChatGPT、豆包等產品的用戶體驗提升已不明顯，多數用戶僅將其作為搜索引擎加強版，對高階智能需求有限；而To B領域，智能水平直接掛鉤生產力與商業價值，用戶愿為頂尖模型支付溢價，年薪20萬美元的從業者，更傾向選擇200美元/月、能精準完成八九個任務的強模型，而非50美元/月、僅能完成五六個任務的弱模型，強弱勢模型的差距會持續拉大。

其二，垂直整合與分層發展的分化。To C領域，模型與產品需強耦合迭代，垂直整合模式依然有效；但To B領域，模型公司應專注提升模型能力，應用公司則聚焦利用強模型賦能生產力環節，兩者各司其職更高效。

騰訊作為To C基因濃厚的企業，會重點通過補充上下文與環境信息，讓模型更好滿足用戶個性化需求，比如結合微信聊天記錄優化“今日吃什么”這類問題的回答；To B方面，將先服務內部場景，借助10萬員工的真實場景數據，突破標注商的數據局限。

林俊旸：分化是自然發生的，公司并無絕對的To B或To C基因，核心是服務真實人類需求。Anthropic的成功并非只因Coding能力強，而是通過高頻對接企業客戶發現了真實需求。

美國API消耗量中Coding占絕對主導，但中國目前尚未出現這一現象。千問更相信AGI應順其自然發展，To C產品可能進一步分化到醫療、法律等垂直領域，To B則需依托模型能力與客戶需求的精準匹配創造價值。

楊強：工業界與學術界的分化也值得關注。當前工業界在大模型領域領跑，學術界多跟風實踐，但當大模型進入穩態后，學術界需承接工業界尚未解決的核心問題，比如智能上限的界定、資源在訓練與推理中的分配平衡、記憶與推理的協同閾值等。

像哥德爾不完備定理揭示的模型幻覺問題，就需要數學界、算法界與工業界聯合探索“資源投入與幻覺降低的平衡點”，這類理論突破將孕育新的計算模式。

唐杰：Chat范式的競爭自DeepSeek出現后已基本結束，后DeepSeek時代，智譜押注了Coding與推理的結合，GLM-4.5就是這一方向的成果。2023年多家大模型集中上線但用戶有限，核心原因是未真正解決問題。如今分化的關鍵是企業需依托自身資源稟賦，在通用能力之外打造獨特優勢，而非盲目跟風。

02

新范式探索

自主學習的漸變式演進與衡量標準革新

李廣密：預訓練、強化學習的收益已逐漸見頂，硅谷聚焦自主學習這一新范式。OpenAI推動了Transformer和RL（強化學習）兩大范式，姚順雨曾任職OpenAI，如何看待下一代范式的走向？

姚順雨：自主學習是硅谷的共識，但存在兩大關鍵認知。其一，自主學習不是單一方法論，而是依附于具體數據與任務，聊天個性化、代碼適配企業環境、科學領域探索等，每種場景的挑戰與方法均不同；其二，自主學習已在發生，只是呈漸變式發展，比如ChatGPT通過用戶數據優化聊天風格，Claude自行編寫95%的項目代碼。

2025年已出現明確信號，Cursor每幾小時就用最新用戶數據迭代，新模型也在引入真實環境數據訓練，只是受限于預訓練能力，效果尚未超越OpenAI。

當前最大挑戰是想象力，我們需先明確自主學習的落地形態，比如是能賺錢的交易系統，還是解決人類未解的科學問題，才能針對性突破。全球范圍內，OpenAI仍最有可能誕生新范式，盡管其創新基因因商業化有所削弱。

林俊旸：RL范式仍處于早期，算力投入未充分釋放潛力，Infra層面仍有諸多問題待解。下一代范式的核心方向，一是自主進化，需探索測試時擴展（Test-time scaling）的可能性，比如通過輸出更多Token提升能力，O 系列模型已初步驗證這一思路；二是AI的主動性，未來模型應能通過環境觸發自主思考，而非依賴人類指令，但需同步解決安全風險，避免AI做出危害行為。

自主學習可能先在用戶理解與個性化場景落地，但目前缺乏明確的衡量指標，技術層面的核心挑戰是如何設計有效的評估體系。記憶技術的突破也是線性發展的過程，當前模型僅能機械記憶過往信息，要達到類似人類的理解與共情，仍需約一年時間，未來算法與Infra的深度結合將釋放更大潛力。

楊強：聯邦學習的協作理念可支撐自主學習的落地。通用大模型與本地領域小模型的去中心化協作，既能保護數據隱私，又能充分發揮通用模型的能力，這種模式在醫療、金融等對隱私敏感的場景中極具價值。開源模式將加速這一進程，知識、代碼與模型的開源共享，能降低協作門檻，推動跨機構的技術創新。

唐杰：2026年大概率會迎來范式革新，持續學習、記憶、多模態均有突破可能。核心驅動因素有二：一是學術界與工業界的差距縮小，如今高校已具備一定算力，開始涉足模型架構、持續學習等前沿研究，創新種子已萌芽；二是效率瓶頸倒逼變革，當前大模型投入巨大但收益遞減，100TB數據的Scaling成本高達10億-20億，但收益有限，需建立“智能效率（Intelligence Efficiency）”標準，衡量投入與智力收益的ROI，通過創新范式實現“以更少投入獲得同等智能提升”。

03

Agent戰略

2026年能否實現“自動化一周工作”的突破？

李廣密：市場預期2026年Agent能自動化人類1-2周的工作量，而非僅作為工具。硅谷企業多采用“模型+Agent”端到端模式，各位如何看待Agent的發展前景與生態格局？

姚順雨：To B領域的生產力Agent正處于上升曲線，其價值與模型智能高度協同，模型越強，解決的任務越多，商業收益越高。

當前兩大瓶頸需突破：一是環境部署，即使模型不再迭代，將現有模型落地到各類企業，也能帶來10-100倍的收益，對GDP產生5%-10%的影響，但目前實際影響尚不足1%；二是用戶教育，人與人的差距本質是工具使用能力的差距，中國應加強AI工具使用培訓，讓更多人掌握Kimi、智譜等國產模型的應用方法。To C領域的Agent則需平衡模型智能與產品指標，兩者并非完全正相關，需找到精準的價值切入點。

林俊旸：Agent的未來形態是“托管式”，需具備自主進化與任務決策能力，這要求模型與產品一體化，“模型即產品”是核心邏輯。當前Agent的交互環境局限于電腦，未來需與具身智能結合，實現與真實物理世界的交互，比如指揮機器人完成制藥實驗，才能真正承擔長時間、復雜任務。

通用Agent的核心機會在長尾問題，頭部需求易被模型公司通過算力+數據快速解決，但創業者若能在“套殼”體驗或垂直場景適配方面超越模型公司，仍有突圍可能。

RL（強化學習）技術的成熟讓問題修復更高效，即使是少量未標注數據，通過合理設計獎勵函數也能快速優化模型，這為Agent的迭代提供了便利。

楊強：Agent的發展可分為四個階段，當前仍處于初級階段，目標與規劃均由人類定義，本質是高級Prompt工具。未來，大模型將通過觀察人類工作過程，自主定義目標與規劃，成為內生性系統。這一過程中，通用大模型與本地小模型的協作將發揮重要作用，既能保障數據隱私，又能提升Agent對特定場景的適配能力。

唐杰：Agent的核心價值取決于三個因素：一是解決問題的價值密度，早期很多Agent因功能簡單被Prompt替代，只有真正解決高價值問題才能存活；二是成本控制，若調用API即可解決問題，Agent的必要性將大打折扣，需平衡開發成本與應用價值；三是迭代速度，需在半年時間窗內快速滿足用戶需求并持續迭代。智譜當前在Coding領域的Agent調用量表現良好，未來將持續聚焦高價值場景，推動Agent從工具向“自動化任務執行者”升級。

04

中國AGI的全球競爭力

3-5年成為全球領先者的概率與關鍵條件

李廣密：未來3-5年，中國AI企業成為全球領先者的概率有多大？需要突破哪些關鍵條件？

姚順雨：概率較高，我持樂觀態度。中國在技術復現、工程落地、產業配套等方面優勢顯著，制造業、電動車等領域的發展已證明，中國企業能在已知賽道快速追趕并實現局部超越。

關鍵需突破三大條件：一是算力瓶頸，解決光刻機、軟件生態等核心環節的產能問題，依托電力與基礎設施優勢構建算力保障；二是To B市場培育，提升國內企業的支付意愿，同時支持企業出海參與國際競爭；三是創新文化培育，當前中國人才更傾向于做確定性的事情，缺乏突破新范式的冒險精神，需通過經濟環境、商業氛圍的優化，鼓勵更多人投身前沿探索，這是中國能否從跟跑轉向領跑的核心。

林俊旸：概率約20%，這已是較為樂觀的判斷。中美差距主要體現在：一是算力投入結構，美國企業將大量算力用于下一代研究，而中國企業的算力多被交付需求占據；二是冒險文化積淀，美國人在電動車等新興領域的冒險精神，是中國當前缺乏的，但00后團隊的冒險意識已在提升；三是軟硬結合的協同，2021年阿里芯片團隊與大模型團隊因溝通壁壘錯失協同機會，未來需推動模型與芯片的聯合研發。

無需恐懼算力差距，核心是堅守為人類社會創造價值的初心，即使模型不是最強，只要能解決實際問題，就具備競爭力。

楊強：參考互聯網發展路徑，中國AI企業有望實現彎道超車。AI是技術底座，中國在產品落地與場景創新方面具備優勢，To C領域將呈現百花齊放的態勢，微信等產品的成功已證明中國企業的場景運營能力；To B領域雖受支付意愿、企業文化等因素限制，但Palantir的“本體遷移學習”模式提供了借鑒，通過工程化方法將通用解決方案適配具體企業場景，中國AI原生企業有望發展出類似的To B解決方案，快速縮小差距。

唐杰：中美企業界AI Lab仍存在差距，但中國的機會在年輕一代與環境優化。90后、00后創業者敢于冒險，俊旸、姚順雨等均在聚焦前沿探索；國家層面進一步優化營商環境，減少大企業與小企業的競爭壁壘，讓創新者有更多時間與資源投入研發；個人層面，需堅持長期主義，在環境逐步改善的過程中持續深耕。

環境肯定不會是最好的，永遠不要想著環境是最好的，我們恰恰是幸運的，經歷了環境從原來沒那么好，到慢慢變得更好的時代，我們是經歷者，也許就是財富、收獲最多的人。如果我們笨笨地堅持，也許走到最后的就是我們。

李廣密：期待未來能有更多資源投入中國AGI行業，讓年輕研究員有充足算力支撐探索，培育出中國自己的頂尖AI人才，推動行業實現從跟跑到領跑的跨越。感謝各位嘉賓的分享！

       原文標題 : 2026大模型賽道新年啟示：在20%的勝率下，笨笨地堅持