智東西
作者 駿達(dá) 江宇
編輯 漠影

智東西1月10日?qǐng)?bào)道，今天，清華大學(xué)基礎(chǔ)模型北京市重點(diǎn)實(shí)驗(yàn)室發(fā)起的“AGI-Next”峰會(huì)上，多位國(guó)內(nèi)頭部開(kāi)源AI實(shí)驗(yàn)室的技術(shù)掌舵人罕見(jiàn)同場(chǎng)亮相。智譜創(chuàng)始人兼首席科學(xué)家唐杰、月之暗面創(chuàng)始人兼CEO楊植麟、阿里千問(wèn)大模型技術(shù)負(fù)責(zé)人林俊旸和騰訊總裁辦公室首席AI科學(xué)家姚順雨等人，就AGI路徑、Scaling極限、Agent落地與中國(guó)AI的長(zhǎng)期機(jī)會(huì)等熱點(diǎn)話題，進(jìn)行觀點(diǎn)的交流和碰撞。

這場(chǎng)會(huì)議長(zhǎng)達(dá)三個(gè)半小時(shí)，充滿學(xué)術(shù)氛圍：沒(méi)有主持人串場(chǎng)，沒(méi)有冗長(zhǎng)的嘉賓介紹，也沒(méi)什么場(chǎng)面話，這是唐杰在辦會(huì)時(shí)有意而為之的。幾位嘉賓的觀點(diǎn)都十分坦誠(chéng)，聽(tīng)完之后，我們總結(jié)出了以下8個(gè)核心觀點(diǎn)：

1、唐杰：Scaling（模型擴(kuò)展）仍是有效路徑，但可能是“人類最輕松的偷懶方式”。真正值得探索的是讓模型具備自主Scaling能力。

2、唐杰：DeepSeek出來(lái)之后，Chat范式的競(jìng)爭(zhēng)就基本結(jié)束了。

3、楊植麟：Scaling Law本質(zhì)是把能源轉(zhuǎn)化為智能，核心在于高效逼近智能上限。

4、楊植麟：模型承載的是價(jià)值觀與品味，Scaling是技術(shù)、數(shù)據(jù)與審美的共進(jìn)，探索前沿智能不會(huì)因潛在風(fēng)險(xiǎn)而停止。

5、林俊旸：Manus確實(shí)很成功，但套殼是不是未來(lái)，這本身也是個(gè)話題。

6、林俊旸：未來(lái)3-5年內(nèi)中國(guó)團(tuán)隊(duì)做到全球領(lǐng)先的概率，在大概20%，這已經(jīng)是非常樂(lè)觀的估計(jì)。

7、姚順雨：垂直整合與模型應(yīng)用分層兩種模式在分化，模型公司做應(yīng)用不一定更好。

8、張鈸：當(dāng)前大模型存在指稱、因果等五大根本缺失。他強(qiáng)調(diào)AGI應(yīng)有“可執(zhí)行、可檢驗(yàn)”的定義，核心是具備多模態(tài)理解、在線學(xué)習(xí)、可驗(yàn)證推理等五項(xiàng)能力。

一、智譜創(chuàng)始人唐杰：讓機(jī)器像人一樣思考，AGI仍然需要新的模型架構(gòu)與學(xué)習(xí)范式

清華大學(xué)教授、智譜創(chuàng)始人唐杰圍繞“讓機(jī)器像人一樣思考”這一長(zhǎng)期目標(biāo)，系統(tǒng)梳理了他對(duì)AGI路徑的判斷。

1月8日智譜上市當(dāng)天，唐杰曾在內(nèi)部信中提到，“直到今天，包括智譜在內(nèi)，沒(méi)有人能夠給出準(zhǔn)確的AGI定義以及如何實(shí)現(xiàn)AGI的技術(shù)路徑，也許這正是探索AGI的魅力所在。”

基于這一判斷，唐杰在本次演講中系統(tǒng)性回溯了近年來(lái)基座模型智能化水平的演進(jìn)，并結(jié)合中美開(kāi)源模型的發(fā)展趨勢(shì)，對(duì)當(dāng)前大模型所處階段及其面臨的關(guān)鍵分岔進(jìn)行了分析。

▲基座模型在典型AI基準(zhǔn)測(cè)試上的能力演進(jìn)

他回顧了2025年，談及智譜已在語(yǔ)言、視覺(jué)、多模態(tài)智能體等方向開(kāi)源GLM系列模型，助推中國(guó)模型首次集體霸榜開(kāi)源榜單前五。

盡管如此，唐杰也坦言“我們的差距可能還在拉大”，美國(guó)閉源模型仍是不可忽視的對(duì)手。

唐杰稱，“我們是在開(kāi)源上面玩了讓自己感到高興的，而差距并沒(méi)有像我們想象得那樣好像在縮小。有些地方，我們可能做的還不錯(cuò)，但我們還要承認(rèn)自己面臨的一些挑戰(zhàn)和差距�！�

那下一步AGI該如何推進(jìn)，在他看來(lái)，需要回到對(duì)人類認(rèn)知學(xué)習(xí)過(guò)程的理解。他認(rèn)為，面向未來(lái)，大模型仍缺失多項(xiàng)關(guān)鍵能力，而這些能力在人類身上遠(yuǎn)遠(yuǎn)超過(guò)大模型。

唐杰談及，“2025年可能是多模態(tài)的適應(yīng)年�？赡苋虺松倭康膸讉�(gè)模型，一下子吸引了很多人，包括智譜在內(nèi)的很多的多模態(tài)模型都沒(méi)有引起關(guān)注�！�

他將原生多模態(tài)能力類比為人類的“感統(tǒng)”能力，認(rèn)為這正是模型下一步需要補(bǔ)齊的能力。

其次，唐杰強(qiáng)調(diào)，大模型在記憶和持續(xù)學(xué)習(xí)能力上仍然存在明顯短板。如何構(gòu)建從個(gè)體記憶到人類整體的“第四級(jí)記憶系統(tǒng)”，是未來(lái)需要為大模型補(bǔ)齊的基礎(chǔ)設(shè)施。

在更高層面，唐杰將反思與自我認(rèn)知視為極具挑戰(zhàn)、但值得探索的方向。

他將這一判斷放入“人類認(rèn)知框架”中進(jìn)行解釋，“人類認(rèn)知是雙系統(tǒng)，系統(tǒng)1和系統(tǒng)2。系統(tǒng)1完成了95%的任務(wù)……只有更復(fù)雜的推理問(wèn)題……這時(shí)候就變成系統(tǒng)2了�！彼J(rèn)為，大模型同樣需要構(gòu)建系統(tǒng)1、系統(tǒng)2以及自學(xué)習(xí)機(jī)制的協(xié)同。

系統(tǒng)一依賴大規(guī)模數(shù)據(jù)和參數(shù)的Scaling，系統(tǒng)二則依賴推理、指令微調(diào)與思維鏈，而自學(xué)習(xí)機(jī)制則對(duì)應(yīng)人類在無(wú)意識(shí)狀態(tài)下的持續(xù)學(xué)習(xí)能力。

但唐杰也明確提到，單純依靠數(shù)據(jù)和參數(shù)規(guī)模的Scaling已逐漸顯露瓶頸，“我們能不能找到更好的知識(shí)壓縮的方法，把知識(shí)壓縮到更小的空間里面，這是一個(gè)新的問(wèn)題。”

他認(rèn)為，Scaling仍然重要，但必須尋找新的路徑，“Scaling是一個(gè)很好的辦法，但Scaling可能是最輕松的辦法，是我們?nèi)祟愅祽械囊粋�(gè)辦法。”真正值得探索的，是讓模型具備自主Scaling能力。

而面向真實(shí)世界，唐杰認(rèn)為大模型還必須具備完成超長(zhǎng)任務(wù)的能力。

最后，唐杰從計(jì)算機(jī)本體能力出發(fā)，給出了總結(jié)：“在我看來(lái)計(jì)算機(jī)有三個(gè)能力：第一，計(jì)算機(jī)的表示和計(jì)算；第二，編程；第三，本質(zhì)上是搜索�！彼J(rèn)為，正是這三種能力的疊加，使計(jì)算機(jī)具備了走向“超級(jí)智能”的潛力。

在對(duì)2026年的判斷中，唐杰也給出了較為清晰的技術(shù)聚焦方向。他直言，“2026年對(duì)我來(lái)說(shuō)更重要的是要專注和做一些比較新的東西�！�

在他看來(lái)，Scaling仍將繼續(xù)，但重點(diǎn)正在發(fā)生變化，“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。”

圍繞這一未知范式，唐杰強(qiáng)調(diào)模型架構(gòu)層面的創(chuàng)新將成為關(guān)鍵，解決超長(zhǎng)上下文，還有更高效的知識(shí)壓縮問(wèn)題，并會(huì)實(shí)現(xiàn)知識(shí)記憶和持續(xù)學(xué)習(xí)。

與此同時(shí)，多模態(tài)感統(tǒng)被他視為2026年的重點(diǎn)方向之一。只有具備這一能力，AI才能真正進(jìn)入長(zhǎng)任務(wù)、長(zhǎng)時(shí)效的工作環(huán)境，AI才能實(shí)現(xiàn)具身，才能進(jìn)入物理世界。

在應(yīng)用層面，唐杰也對(duì)AI for Science寄予厚望，“我相信今年可能是AI for Science的一個(gè)爆發(fā)年，因?yàn)楹芏嗄芰Υ蟠筇嵘�，我們可以做更多的事情�！?/p>

二、月之暗面楊植麟：Scaling不止堆算力，下一代模型技術(shù)、數(shù)據(jù)與“品味”會(huì)共同進(jìn)化

月之暗面創(chuàng)始人兼CEO楊植麟認(rèn)為，自2019年以來(lái)，大模型始終遵循同一條第一性原理——Scaling Law，本質(zhì)是“把能源轉(zhuǎn)化成智能”。在數(shù)據(jù)與算力受限的背景下，如何用更少投入獲得更高智能，成為核心命題。

楊植麟強(qiáng)調(diào)，Transformer之所以成為主流架構(gòu)，關(guān)鍵在于其更優(yōu)的Scaling表現(xiàn)。

尤其在長(zhǎng)上下文場(chǎng)景中，Transformer相較傳統(tǒng)架構(gòu)展現(xiàn)出明顯優(yōu)勢(shì)，而這正是Agent時(shí)代的基礎(chǔ)能力。復(fù)雜任務(wù)必須依賴超長(zhǎng)Context，模型的Position Loss越低，Agent潛力就越大。

圍繞這一判斷，Kimi的預(yù)訓(xùn)練策略聚焦兩條主線：Token效率與長(zhǎng)上下文能力。

在token效率層面，團(tuán)隊(duì)提出了改進(jìn)的Muon優(yōu)化器Moonlight Muon，實(shí)現(xiàn)約2倍Token效率提升，并通過(guò)QK-Clip解決Logits爆炸問(wèn)題，支撐萬(wàn)億參數(shù)模型穩(wěn)定訓(xùn)練。

在長(zhǎng)上下文方向，Kimi-Linear與全新的線性注意力機(jī)制，在保證效果的同時(shí)大幅提升推理速度，為超長(zhǎng)Context任務(wù)提供現(xiàn)實(shí)路徑。

楊植麟認(rèn)為，更強(qiáng)的模型先驗(yàn)可以顯著縮小搜索空間，使AGI“更早發(fā)生”。

他同時(shí)提出，模型并非普通工具，而是在塑造一種世界觀。他稱，智能是一個(gè)Non-Fungible Token（非同質(zhì)化通證），它承載著品味、審美與價(jià)值觀。Scaling不只是堆算力，更是技術(shù)、數(shù)據(jù)與“品味”的綜合進(jìn)化。這正是下一代模型K3要做的事情——新架構(gòu)、更大規(guī)模合成數(shù)據(jù)、品味提升等等。

他借用Kimi與他討論時(shí)的話總結(jié)道：我們不應(yīng)因風(fēng)險(xiǎn)而停滯，放棄探索，就等于放棄人類文明的上限。

三、阿里林俊旸：從語(yǔ)言模型到具身智能，千問(wèn)為何走向Generalist Agent

“原來(lái)叫Towards a Generalist Model，后來(lái)我改成了Generalist Agent。”林俊旸在演講開(kāi)場(chǎng)解釋了PPT標(biāo)題的變化。

他認(rèn)為，相比模型本身，Agent是一個(gè)更大的概念，像人一樣能夠自主使用工具，在環(huán)境中完成任務(wù)，這是他理解中AI應(yīng)該走的方向。

林俊旸稱，今天的大模型訓(xùn)練方式已不同于以往�！耙郧坝�(xùn)練模型就是配對(duì)輸入輸出、加上人工標(biāo)注，這就是傳統(tǒng)的做法。”但在今天，“只要解決了推理，解決了評(píng)估，這個(gè)東西就可以擴(kuò)展，很多事情都能做，我也可以發(fā)揮更多想象力�！�

他坦言，“這也是我一個(gè)做語(yǔ)言模型的人，最近敢斗膽揚(yáng)言‘我要做VLA和機(jī)器人’的一個(gè)小小原因。”

在講述通義千問(wèn)技術(shù)團(tuán)隊(duì)的下一步方向時(shí)，林俊旸概括了三項(xiàng)重點(diǎn)：

第一，是構(gòu)建具備視覺(jué)輸出與推理能力的Omni模型，把能力真正收斂到多模態(tài)模型中，不只是能接收文本、圖像、語(yǔ)音，也要具備同時(shí)生成這些模態(tài)的能力。

第二，是從“訓(xùn)練模型”轉(zhuǎn)向“訓(xùn)練Agent”，特別是通過(guò)“多輪強(qiáng)化學(xué)習(xí)和環(huán)境反饋”，實(shí)現(xiàn)面向長(zhǎng)時(shí)任務(wù)的推理能力（long-horizon reasoning）。

第三，是把語(yǔ)言模型進(jìn)一步轉(zhuǎn)化為具備行動(dòng)能力的Embodied模型。

他認(rèn)為，從這個(gè)角度出發(fā)，模型才有可能真正走向Digital Agent，能夠進(jìn)行GUI操作、調(diào)用API，形成完整的執(zhí)行閉環(huán)，“如果再往物理世界走，能不能拿起話筒、斟茶倒水，這也是我們很想去做的事情�！�

四、模型分化，范式未定：中國(guó)AI的領(lǐng)先之路與關(guān)鍵瓶頸

圓桌論壇中，唐杰、林俊旸、姚順雨以及加拿大皇家學(xué)院院士、香港科技大學(xué)榮休教授楊強(qiáng)四人展開(kāi)觀點(diǎn)交流與碰撞，他們主要聊了四大問(wèn)題：模型的分化、AI研究的范式轉(zhuǎn)變、Agent的未來(lái)和中國(guó)在全球AI競(jìng)爭(zhēng)中的位置。

（1）模型正在明顯分化：做Coding、做Chat、做全模態(tài)，背后的邏輯是什么？

姚順宇稱，自己有兩大感受。一是To-C和To-B明顯發(fā)生分化。如今，行業(yè)里頂尖的To-C產(chǎn)品以ChatGPT為代表，Claude Code則在B端有優(yōu)勢(shì)，但ChatGPT的變化對(duì)用戶來(lái)說(shuō)沒(méi)有很可感，反倒是Coding革命重塑了計(jì)算機(jī)行業(yè)的行事邏輯。

在To-C領(lǐng)域，模型并不需要極高的智能上限，很多場(chǎng)景更像是“增強(qiáng)版搜索引擎”。真正的瓶頸不在模型本身，而在于如何為模型提供足夠的Context和環(huán)境信息。

在To-B場(chǎng)景中，邏輯完全不同。海外企業(yè)客戶對(duì)最強(qiáng)模型的付費(fèi)意愿更高，在國(guó)內(nèi)做To-B的難度有點(diǎn)大，騰訊的思路是先把自己服務(wù)好，讓模型在公司內(nèi)部發(fā)揮價(jià)值。

姚順宇觀察到的另一大分化是垂直整合與模型、應(yīng)用的分層。他稱自己的老東家OpenAI在Agent應(yīng)用上，做得并不一定會(huì)比應(yīng)用公司更好。這是由于模型能力與應(yīng)用能力并不完全一致。

在To-C產(chǎn)品中，模型與產(chǎn)品強(qiáng)耦合、快速迭代，垂直整合是成立的；但在更復(fù)雜的To-B或Agent場(chǎng)景，模型變強(qiáng)只是起點(diǎn)，真正落地還需要大量工程與環(huán)境建設(shè)。

林俊旸從千問(wèn)的角度談道，“分化并非選擇，而是自然發(fā)生”。OpenAI做的更像一個(gè)To-C平臺(tái)型產(chǎn)品，Anthropic與企業(yè)溝通更深，明顯偏B端。他還提到一個(gè)現(xiàn)象，中美在Coding Token的消耗量上存在巨大差距，這種差距往往被低估，這困難反映了兩個(gè)市場(chǎng)的區(qū)別。

楊強(qiáng)則從學(xué)術(shù)界和工業(yè)界的分化切入，他認(rèn)為在行業(yè)進(jìn)入穩(wěn)態(tài)后，學(xué)術(shù)界可以開(kāi)始解決工業(yè)界還沒(méi)來(lái)得及解決的問(wèn)題，有必要做新的探索，拉齊差距。

主持人提到，智譜某種程度上走了Anthropic的道路，無(wú)論是Agent研究，還是Coding。不過(guò)，唐杰認(rèn)為，最本質(zhì)問(wèn)題還是提高基礎(chǔ)模型的智能上限。

他舉了一個(gè)例子，在大模型剛剛興起時(shí)，國(guó)內(nèi)企業(yè)爭(zhēng)相研發(fā)，但最終發(fā)布后，業(yè)內(nèi)10來(lái)個(gè)大模型的用戶其實(shí)不多，如今才逐漸分化，原因是這些模型并沒(méi)有真正解決問(wèn)題。

他認(rèn)為，DeepSeek出來(lái)之后，Chat領(lǐng)域的競(jìng)爭(zhēng)就基本結(jié)束了。智譜經(jīng)過(guò)內(nèi)部討論決定押注編程，傾注了所有的精力。

（2）AI領(lǐng)域下一個(gè)范式轉(zhuǎn)變是什么，從哪兒來(lái)？

姚順雨認(rèn)為，ASI最重要的能力之一是自主學(xué)習(xí)。但目前的瓶頸不在方法論，而在于數(shù)據(jù)與任務(wù)設(shè)計(jì)。ChatGPT通過(guò)用戶數(shù)據(jù)擬合人類聊天風(fēng)格，本質(zhì)就是一種自主學(xué)習(xí)；Claude Code里95%的代碼就是由Claude Code自身撰寫的，這也是自主學(xué)習(xí)。目前外界對(duì)模型能力的感知不明顯，只是因?yàn)槠涫芟抻趫?chǎng)景，并且處于漸變的發(fā)展過(guò)程中。

林俊旸認(rèn)為，目前，強(qiáng)化學(xué)習(xí)的算力遠(yuǎn)未充分Scale，Test-Time Scaling與AI Scientist方向都有巨大潛力。未來(lái)，模型的個(gè)性化、記憶的進(jìn)步，都可能會(huì)給人們帶來(lái)能力出現(xiàn)巨大飛躍的“感受”。但是從業(yè)內(nèi)視角來(lái)看，技術(shù)發(fā)展沒(méi)有很快，做的工作也較為基礎(chǔ)。

楊強(qiáng)提出，聯(lián)邦學(xué)習(xí)與去中心化協(xié)作，是解決隱私、資源不均和大模型協(xié)同的重要路徑。

唐杰則從一個(gè)更為基礎(chǔ)的角度分析這一問(wèn)題——范式轉(zhuǎn)變究竟源自于什么地方？他認(rèn)為，去年和前年，工業(yè)界快于學(xué)術(shù)界是一個(gè)事實(shí)，許多研究者根本沒(méi)有算力。但到現(xiàn)在，很多學(xué)校已經(jīng)有了算力，學(xué)術(shù)界可以開(kāi)始做大模型研究、探索模型架構(gòu)，不再是由工業(yè)界主導(dǎo)的狀態(tài)。學(xué)術(shù)界有創(chuàng)新的基因，會(huì)孵化出種子了。

他補(bǔ)充道，創(chuàng)新的動(dòng)因是現(xiàn)有范式收益效率的下降。繼續(xù)Scaling是“最笨的辦法”，典型的工程做法，而未來(lái)探索智能效率也是一大方向。唐杰比較樂(lè)觀，認(rèn)為2026年肯定會(huì)有范式轉(zhuǎn)變的發(fā)生。

（3）2026年，Agent怎么做？

姚順雨觀察到，Agent賽道同樣出現(xiàn)了B端和C端產(chǎn)品的分化。To B方向已經(jīng)進(jìn)入持續(xù)上升通道，且短期內(nèi)看不到放緩跡象。它并不依賴花哨的創(chuàng)新，而是通過(guò)不斷擴(kuò)大預(yù)訓(xùn)練規(guī)模、扎實(shí)做好后訓(xùn)練，把真實(shí)世界任務(wù)吃透，模型就會(huì)自然變得更聰明，并直接轉(zhuǎn)化為更高的生產(chǎn)力和商業(yè)價(jià)值。

在To B場(chǎng)景下，模型智能、任務(wù)覆蓋和收益之間高度正相關(guān)，目標(biāo)極其一致。相比之下，To C中模型能力與DAU等產(chǎn)品指標(biāo)往往弱相關(guān)甚至負(fù)相關(guān)，反而更難聚焦。

當(dāng)前To B的生產(chǎn)力型Agent仍處早期階段，下一步關(guān)鍵在于環(huán)境與部署，而非模型本身。即使模型停止進(jìn)化，僅靠大規(guī)模落地部署，也可能帶來(lái)10–100倍效率提升，對(duì)GDP產(chǎn)生顯著影響。

林俊旸認(rèn)為，Agent的發(fā)展本質(zhì)上是一個(gè)產(chǎn)品哲學(xué)問(wèn)題。他直言：“Manus確實(shí)很成功，套殼是不是未來(lái)，這本身也是個(gè)話題”。

他更認(rèn)同“模型即產(chǎn)品”的方向。未來(lái)的Agent不應(yīng)只是外部應(yīng)用，而是模型本身直接承擔(dān)產(chǎn)品能力，研究人員也需要像產(chǎn)品經(jīng)理一樣，把研究成果做成真實(shí)世界可用的系統(tǒng)。

隨著主動(dòng)學(xué)習(xí)的發(fā)展，Agent將具備長(zhǎng)時(shí)間托管式工作的能力，在執(zhí)行通用任務(wù)的過(guò)程中自行進(jìn)化、決定行動(dòng)路徑，這對(duì)模型能力上限提出了極高要求，也意味著做基礎(chǔ)模型本身就是在做產(chǎn)品。

進(jìn)一步來(lái)看，Agent的潛力還取決于其與環(huán)境的交互深度，目前主要停留在數(shù)字環(huán)境中，未來(lái)若能進(jìn)入真實(shí)物理世界、結(jié)合機(jī)器人與實(shí)驗(yàn)系統(tǒng)，才可能真正承擔(dān)長(zhǎng)周期、高價(jià)值任務(wù)。

關(guān)于通用Agent的機(jī)會(huì)歸屬，林俊旸認(rèn)為取決于是否能解決長(zhǎng)尾問(wèn)題：若創(chuàng)業(yè)者是“套殼高手”，在產(chǎn)品層面能做得比模型公司更好，那仍有機(jī)會(huì)；否則模型公司憑借算力、數(shù)據(jù)和強(qiáng)化學(xué)習(xí)，往往能更快覆蓋這些問(wèn)題。

楊強(qiáng)認(rèn)為，Agent的核心分化在于“目標(biāo)”和“規(guī)劃”是否由AI自主完成。他指出，當(dāng)前階段“目標(biāo)也是人定義的，規(guī)劃也是由人來(lái)做的”，仍然非常初級(jí)。真正成熟的Agent，應(yīng)當(dāng)能夠通過(guò)觀察人類工作、充分利用數(shù)據(jù)，最終成為由大模型內(nèi)生的原生系統(tǒng)。

唐杰則強(qiáng)調(diào)Agent能否成立取決于價(jià)值、成本和速度三點(diǎn)。首先，關(guān)鍵在于Agent本身有沒(méi)有解決實(shí)際問(wèn)題，否則很容易被簡(jiǎn)單的prompt或API替代。

其次是成本約束，如果成本特別大，也是一個(gè)問(wèn)題。最后是時(shí)間窗口“如果能拉開(kāi)半年的時(shí)間窗，迅速把應(yīng)用做出來(lái)，才可能形成優(yōu)勢(shì)。

在他看來(lái)，大模型競(jìng)爭(zhēng)已進(jìn)入拼速度、拼時(shí)間的階段，Agent等應(yīng)用仍是方向，但成敗取決于執(zhí)行效率。

（4）3-5年后，中國(guó)團(tuán)隊(duì)成為全球最領(lǐng)先的AI團(tuán)隊(duì)的概率有多大，文化、關(guān)鍵條件還差在哪兒？

姚順雨認(rèn)為，中國(guó)在工程能力、產(chǎn)業(yè)化和人才密度上具備顯著優(yōu)勢(shì)，一旦技術(shù)范式被驗(yàn)證，往往能以更高效率追趕甚至局部超越，未來(lái)領(lǐng)先的概率很大。目前的關(guān)鍵瓶頸在于算力、光刻機(jī)與軟件生態(tài)，以及To B市場(chǎng)和國(guó)際商業(yè)環(huán)境。

同時(shí)，他強(qiáng)調(diào)中國(guó)真正需要突破的是能否引領(lǐng)“新范式”，這依賴更多敢于長(zhǎng)期探索、容忍不確定性的研究文化，而非過(guò)度依賴榜單與短期確定性成果。

林俊旸相對(duì)謹(jǐn)慎，他認(rèn)為中美在算力規(guī)模和研究資源投入上仍存在巨大差距，美國(guó)算力要多1-2個(gè)數(shù)量級(jí)。美國(guó)能將大量算力用于下一代前沿研究，而他稱國(guó)內(nèi)的交付工作就已經(jīng)占據(jù)了很多算力。

但他也認(rèn)為“窮則生變”，軟硬件協(xié)同、模型與芯片共設(shè)計(jì)可能孕育新機(jī)會(huì)。他認(rèn)為未來(lái)3-5年內(nèi)中國(guó)團(tuán)隊(duì)全球領(lǐng)先的概率在大概20%，并且這已經(jīng)是非常樂(lè)觀的估計(jì)。

不過(guò)，他并不恐懼這種差距，而是建議業(yè)內(nèi)保持冷靜的心態(tài)，并回歸初心，考慮模型能為人類社會(huì)帶來(lái)什么價(jià)值。他稱，就算自家模型不是最強(qiáng)的也能接受。

楊強(qiáng)從歷史視角出發(fā)，認(rèn)為中國(guó)在互聯(lián)網(wǎng)與應(yīng)用層曾實(shí)現(xiàn)快速追趕，AI作為通用技術(shù)同樣具備潛力，尤其在To C領(lǐng)域百花齊放，To B也將通過(guò)工程化與知識(shí)遷移逐步成熟。

唐杰則指出代際變化帶來(lái)的希望：90后、00后更具冒險(xiǎn)精神，若營(yíng)商環(huán)境與資源配置進(jìn)一步改善、個(gè)人長(zhǎng)期堅(jiān)持，中國(guó)AI創(chuàng)新仍有現(xiàn)實(shí)機(jī)會(huì)。

五、清華大學(xué)張鈸院士：AGI要有“可檢驗(yàn)”的定義，大模型有五個(gè)根本缺失

聽(tīng)完前面幾位嘉賓的分享，已經(jīng)91歲的中國(guó)人工智能研究先行者、清華大學(xué)教授張鈸院士臨場(chǎng)做了一份PPT，回應(yīng)了“從語(yǔ)言模型到AGI”的幾個(gè)關(guān)鍵問(wèn)題。

他認(rèn)為，大模型雖然能生成流暢語(yǔ)言，但它基于的是近似的語(yǔ)義定義，本質(zhì)上只是把詞語(yǔ)周圍出現(xiàn)頻率最高的詞，變成向量空間的幾何結(jié)構(gòu)。

而這種建模方式不可避免地帶來(lái)五類缺失：指稱缺失、因果缺失、語(yǔ)用缺失、多義和動(dòng)態(tài)語(yǔ)境缺失，以及閉環(huán)行為缺失。這些缺失直接影響語(yǔ)言模型做應(yīng)用的能力。

同樣，面對(duì)“從語(yǔ)言模型走向Agent”的行業(yè)趨勢(shì)，張鈸院士還提出，應(yīng)該拋棄模糊、不可執(zhí)行的AGI定義，重新建立一種“可執(zhí)行、可檢驗(yàn)”的標(biāo)準(zhǔn)。

他認(rèn)為，“大家都說(shuō)AGI，因?yàn)锳GI很有吸引力，這里有一個(gè)誤導(dǎo)，大家以為做AGI都要做通用，其實(shí)AGI確實(shí)強(qiáng)調(diào)通用，但是跟我們目前想做的事不是一回事，但現(xiàn)在大家都這么用，我們也只好這么用�！�

例如，馬斯克說(shuō)：“我們?nèi)祟?0%以上的任務(wù)，機(jī)器都會(huì)干，而且達(dá)到或者超過(guò)人類的水平”。這樣的說(shuō)法，既無(wú)法執(zhí)行，也無(wú)法驗(yàn)證，容易造成誤解。

“什么叫做達(dá)到人類水平？時(shí)變率超過(guò)人類，算不算達(dá)到人類的水平，有的人說(shuō)算，有的人說(shuō)根本不算，如果魯棒性從其他方面來(lái)看差得遠(yuǎn)。”他反問(wèn)道。

他認(rèn)為應(yīng)該有一個(gè)“可執(zhí)行、可檢驗(yàn)”的AGI定義，核心是五個(gè)能力：時(shí)空一致的多模態(tài)理解與落地、可控的在線學(xué)習(xí)與適應(yīng)、可驗(yàn)證的推理與長(zhǎng)期執(zhí)行與規(guī)劃、可校準(zhǔn)的反思與元認(rèn)知，以及跨任務(wù)的強(qiáng)泛化。他說(shuō)，“按照這個(gè)定義，應(yīng)該是可以指導(dǎo)我們往前做的�！�

同時(shí)，張鈸院士還提醒，真正需要治理的不是AI本身，而是“研究者和使用者”。他認(rèn)為，“這里頭，涉及到我們?nèi)斯ぶ悄軙r(shí)代的企業(yè)、企業(yè)家應(yīng)該擔(dān)負(fù)什么責(zé)任�！�

他稱，過(guò)去并不鼓勵(lì)學(xué)生創(chuàng)業(yè)，但現(xiàn)在認(rèn)為“大模型改變了一切，最優(yōu)秀的學(xué)生應(yīng)該去搞企業(yè)”。

在他看來(lái)，AI時(shí)代的企業(yè)家不只是做產(chǎn)品服務(wù)，而是要把知識(shí)、倫理和技術(shù)變成可復(fù)用的工具，推動(dòng)AI像水電一樣服務(wù)全社會(huì)。他覺(jué)得這是一份“光榮而神圣的職業(yè)”。

結(jié)語(yǔ)：關(guān)于AGI的方向、形態(tài)與邊界，仍在不斷厘清

從“Scaling還夠不夠用”，到“Agent是不是只是套殼”，再到“通用智能能不能被可檢驗(yàn)地定義”，這場(chǎng)AGI-Next峰會(huì)展現(xiàn)了當(dāng)前中國(guó)AI技術(shù)領(lǐng)軍者們對(duì)下一階段智能路徑的分歧與共識(shí)。

可以看到，在模型發(fā)展路線圖上，有人繼續(xù)押注更長(zhǎng)上下文、更強(qiáng)推理、更穩(wěn)訓(xùn)練的工程演進(jìn)，也有人開(kāi)始強(qiáng)調(diào)新架構(gòu)、新記憶范式和Embodied模型。

在產(chǎn)品形態(tài)上，有人堅(jiān)持“模型即產(chǎn)品”，也有人探索更強(qiáng)執(zhí)行力與主動(dòng)性的具身體系。而在AGI定義本身上，更有學(xué)界前輩呼吁回到“可執(zhí)行、可驗(yàn)證”的概念，拒絕空泛與誤導(dǎo)。

誰(shuí)能在范式變動(dòng)中明確方向，在落地節(jié)奏中建立真實(shí)優(yōu)勢(shì)，或?qū)⒊蔀闆Q定接下來(lái)幾年AI格局的關(guān)鍵變量。