周日的時(shí)候，我對(duì)著音頻記錄，重聽(tīng)了3遍，逐字修訂了這份記錄： 本次修訂，更正了速記中的各種名詞錯(cuò)誤，并補(bǔ)充了遺漏細(xì)節(jié) 希望這些優(yōu)秀的科學(xué)家，和他們的前沿思想，能被更精準(zhǔn)地記錄與傳播

這個(gè)是對(duì)話的音頻記錄

2025年，是中國(guó)開(kāi)源模型大放異彩的一年。中國(guó)的開(kāi)源模型在全球取得突破，Coding 場(chǎng)景一年增長(zhǎng) 10~20 倍

與此同時(shí)，硅谷幾家頭部公司開(kāi)始明顯分化：Anthropic 聚焦企業(yè)和 Coding，Google 押注全模態(tài)，OpenAI 繼續(xù) To C。

這場(chǎng)圓桌匯集了四位橫跨學(xué)術(shù)與產(chǎn)業(yè)、中國(guó)與硅谷的一線參與者，討論四個(gè)核心問(wèn)題：分化、范式、Agent、以及中國(guó)AI的勝算

嘉賓

• ? 楊強(qiáng) ：香港科技大學(xué)榮休教授，加拿大兩院院士，聯(lián)邦學(xué)習(xí)領(lǐng)域奠基人

• ? 唐杰 ：清華大學(xué)計(jì)算機(jī)系教授，智譜AI首席科學(xué)家/創(chuàng)始人

• ? 林俊旸 ：阿里通義千問(wèn)技術(shù)負(fù)責(zé)人，北大校友，Qwen開(kāi)源模型核心貢獻(xiàn)者

• ? 姚順雨 ：騰訊首席AI科學(xué)家，前OpenAI研究員，ReAct/SWE-agent作者

主持人

• ? 李廣密 ：拾象科技CEO，前紅杉中國(guó)投資人，「海外獨(dú)角獸」創(chuàng)辦者

李廣密（主持人）：我是接下來(lái) Panel 的主持人廣密

剛才我在臺(tái)下聽(tīng)，有幾個(gè)感受

第一，就是唐老師的號(hào)召力很強(qiáng)，清華的人才非常好，不僅是國(guó)內(nèi)，包括海外，清華人的比例非常高，感覺(jué)這一波好像跟隔壁學(xué)校在 AI 這一波拉開(kāi)差距了。

第二，就是我剛才聽(tīng)?zhēng)讉€(gè) Talk 的感受，叫“不止 Follow，不止開(kāi)源”，而且都在探索自己的下個(gè)范式，而且不止是 Coding，都在探索自己的產(chǎn)品形態(tài)。

這個(gè)時(shí)間點(diǎn)也特別有意思，2025 年其實(shí)是中國(guó)開(kāi)源模型叫“大放異彩”的一年，“開(kāi)源四杰”在全球取得了非常大的成績(jī)，而且是 Coding 過(guò)去一年有 10 到 20 倍增長(zhǎng)的一年。包括海外也在提 Scaling 到底走到哪一步了，有沒(méi)有新的范式出來(lái)了。所以今天這個(gè)活動(dòng)，接下來(lái)這個(gè) Panel 討論“接下來(lái)怎么走”，是特別有意思的。

接下來(lái)我們邀請(qǐng)幾位嘉賓：楊強(qiáng)教授、唐杰老師、俊旸、順雨

李廣密（主持人）：我們先從第一個(gè)比較有意思的話題聊起來(lái)，硅谷其實(shí)幾家也都在明顯的做分化，我覺(jué)得從“分化”這個(gè)主題可以先聊起來(lái)。

Anthropic 其實(shí)是對(duì)中國(guó)模型公司有一個(gè)非常大的啟發(fā)的，硅谷的競(jìng)爭(zhēng)那么激烈，它沒(méi)有完全 Follow 全都做，而是專注到了企業(yè)，專注到了 Coding，專注到了 Agentic。所以我一直在想，接下來(lái)中國(guó)的模型會(huì)分化成自己想要的哪些方向？我覺(jué)得分化這個(gè)主題是一個(gè)蠻有意思的。我看順雨也上線了，要不順雨可以開(kāi)場(chǎng)給大家講一講，包括你最近在忙什么？

姚順雨：大家好。我現(xiàn)在是不是一個(gè)巨大的臉在會(huì)場(chǎng)？（會(huì)場(chǎng)大笑）不好意思，今天沒(méi)法親自來(lái)北京，但是很高興參加這個(gè)活動(dòng)。最近就忙著做模型、做產(chǎn)品，我覺(jué)得就是做 AI，一個(gè)很正常的狀態(tài)?；貒?guó)感覺(jué)還是挺好的，吃的好很多。

李廣密（主持人）：順雨，你能展開(kāi)聊聊你對(duì)“模型分化”這個(gè)主題的想法嗎？硅谷也都在分化，比如說(shuō) Anthropic 做了 Coding，中國(guó)很多模型做了開(kāi)源，過(guò)去 Coding 提得也很快，包括 Google Gemini 也沒(méi)有全都做，它先把全模態(tài)這個(gè)點(diǎn)做得很好。那你的老東家在重點(diǎn)做 To C，因?yàn)槟闶菣M跨中美的，可以給大家講講你的體感。就是接下來(lái)不管說(shuō)自己也好、各家也好，分化這個(gè)點(diǎn)你是怎么思考的？

姚順雨：我覺(jué)得有兩個(gè)大的感受。一個(gè)感受是 To C 和 To B 明顯發(fā)生了分化。另一個(gè)感受是，“垂直整合”這條路，以及“模型和應(yīng)用分層”這條路，也開(kāi)始出現(xiàn)了分化。

我先說(shuō)第一點(diǎn)。很明顯，當(dāng)大家想到 AI 的 Super App，現(xiàn)在大家想到的就是兩個(gè)：一個(gè)是 ChatGPT，另一個(gè)是 Claude Code。大家可以認(rèn)為它們分別是做 To C 和 To B 的典范。但是我覺(jué)得很有意思一點(diǎn)是說(shuō)，我們今天用 ChatGPT 的時(shí)候，其實(shí)和去年用，對(duì)于大部分人、大部分時(shí)候來(lái)說(shuō)，感受到的變化，已經(jīng)沒(méi)有那么強(qiáng)烈了。但是相反，以 Claude Code 來(lái)說(shuō)，Coding 的革命可能一年前還沒(méi)有開(kāi)始，但是這一年，夸張一點(diǎn)說(shuō)，已經(jīng)在重塑整個(gè)計(jì)算機(jī)行業(yè)做事的方式。人已經(jīng)不再寫(xiě)代碼，而是去用英語(yǔ)和電腦去交流。

很核心的一點(diǎn)是，對(duì)于 To C 來(lái)說(shuō)，大部分人大部分時(shí)候其實(shí)不需要用到這么強(qiáng)的智能?？赡芙裉煊?ChatGPT 和去年相比，寫(xiě)抽象代數(shù)或者去解伽羅瓦理論的能力變強(qiáng)了，但是大部分人感受不到。大部分人其實(shí)可能還是在，尤其在中國(guó)，更多像是一個(gè)搜索引擎的加強(qiáng)版，很多時(shí)候你也不知道該怎么樣去用，去把它的智能給激發(fā)出來(lái)。

但是對(duì)于 To B 來(lái)說(shuō)，很明顯的一點(diǎn)是，智能越高很多時(shí)候就代表生產(chǎn)力越高，就代表你可以賺的錢(qián)越多，這一切東西都相關(guān)聯(lián)。那對(duì)于 To B 來(lái)說(shuō)，還有一個(gè)很明顯的點(diǎn)：大部分時(shí)候其實(shí)很多人愿意用最強(qiáng)的模型?？赡芤粋€(gè)模型它是 200 美元一個(gè)月，第二強(qiáng)或者差一些的模型是 50 美元一個(gè)月或者 20 美元一個(gè)月。我們今天發(fā)現(xiàn)很多，起碼美國(guó)的人，是會(huì)愿意花那個(gè)溢價(jià)去用最好的模型。因?yàn)榭赡芩哪晷绞?20 萬(wàn)美元，他每天要做 10 個(gè)任務(wù)，那一個(gè)像 Opus 4.5 這樣一個(gè)非常強(qiáng)的模型，它可能會(huì) 10 個(gè)任務(wù)八九個(gè)直接做對(duì)了，那差的模型它可能做對(duì)五六個(gè)。問(wèn)題是你不知道這五六個(gè)是哪五六個(gè)的情況下，就要花很多額外精力去監(jiān)控這個(gè)事情。所以在 To B 這個(gè)市場(chǎng)上，強(qiáng)的模型和稍微差點(diǎn)的模型，分化會(huì)變得越來(lái)越明顯，這是第一點(diǎn)觀察。

第二點(diǎn)觀察，是垂直整合和模型應(yīng)用分層的區(qū)別。一個(gè)比較好的例子可能是 ChatGPT Agent，相對(duì)應(yīng)比如用 Claude 或者 Gemini 加上 Manus 這樣的應(yīng)用層產(chǎn)品。過(guò)去大家會(huì)認(rèn)為當(dāng)你有垂直整合的能力，你就肯定會(huì)做得更好，但起碼今天來(lái)看，并不一定。首先，模型層和應(yīng)用層需要的能力還是挺不一樣的。尤其是對(duì)于 To B 或者說(shuō)生產(chǎn)力場(chǎng)景，可能更大的預(yù)訓(xùn)練（Pre-training）還是一個(gè)非常關(guān)鍵的事情，這個(gè)事情對(duì)于產(chǎn)品公司確實(shí)很難做。但是想要把一個(gè)特別好的模型用好，或者說(shuō)讓這樣的模型有它的溢出能力，其實(shí)也需要在應(yīng)用側(cè)或者說(shuō)在環(huán)境這一側(cè)做很多相應(yīng)的事情。所以我們會(huì)發(fā)現(xiàn)，在 To C 的應(yīng)用上，垂直整合還是成立的。無(wú)論是 ChatGPT 還是豆包，模型和產(chǎn)品是非常強(qiáng)耦合去緊密迭代。但對(duì)于 To B 來(lái)說(shuō)，趨勢(shì)似乎是相反的。模型在變得越來(lái)越強(qiáng)，但也同樣會(huì)有更多應(yīng)用層的東西想要去利用這樣的好模型，在不同的生產(chǎn)力環(huán)節(jié)發(fā)揮作用。這是我的兩個(gè)觀察。

李廣密（主持人）：我再 Follow 順雨一個(gè)問(wèn)題。因?yàn)槟阌幸粋€(gè)新的身份嘛（騰訊），在中國(guó)這個(gè)市場(chǎng)上，你接下來(lái)的想的 Bet（下注）或者什么，有哪些鮮明的特點(diǎn)或者關(guān)鍵詞嗎？能給大家 Share 嗎？

姚順雨：對(duì)，我覺(jué)得騰訊肯定還是一個(gè) To C 基因更強(qiáng)的公司。所以我們會(huì)思考，怎么樣讓今天的大模型或者說(shuō) AI 的發(fā)展能夠給用戶提供更多價(jià)值。但有一個(gè)很核心的思考：我們發(fā)現(xiàn)很多時(shí)候我們的 Bottleneck（瓶頸）可能在 To C 這一端不是更大的模型，或者更強(qiáng)的強(qiáng)化學(xué)習(xí)，或者更強(qiáng)的 Reward Model，很多時(shí)候可能是額外的 Context（上下文）和 Environment（環(huán)境）。

我最近經(jīng)常舉的一個(gè)例子：比如說(shuō)我想問(wèn)“我今天該去吃什么”。其實(shí)你今天問(wèn) ChatGPT 和你去年問(wèn)、或者明天問(wèn)，這個(gè)事情可能體驗(yàn)都會(huì)很差。因?yàn)橄胍兒?，不是說(shuō)你需要更大的模型、更強(qiáng)的預(yù)訓(xùn)練，這個(gè)問(wèn)題的 Bottleneck 可能是你需要更多額外的輸入，或者說(shuō) Context。比如說(shuō)如果它知道“啊今天我其實(shí)特別冷，我需要吃點(diǎn)暖和的”，然后“我今天在這個(gè)范圍活動(dòng)”，可能“我老婆在另一個(gè)地方，她想吃什么”等等。其實(shí)回答這樣的問(wèn)題，更多的 Bottleneck 是額外的 Context。比如說(shuō)我和老婆聊了很多天，其實(shí)我們可以把聊天記錄從微信轉(zhuǎn)發(fā)給元寶，或者說(shuō)把這些額外的輸入用好的話，反而會(huì)給用戶帶來(lái)很多額外的價(jià)值。這是我們對(duì) To C 上的思考。

然后做 To B 在中國(guó)確實(shí)是一個(gè)非常難的事情。生產(chǎn)力的革命，包括我們今天很多中國(guó)的公司做 Coding Agent 其實(shí)也是要去打海外市場(chǎng)。這方面我們會(huì)思考怎么去把自己先服務(wù)好。像創(chuàng)業(yè)公司做 Coding 和大公司做 Coding 的一個(gè)區(qū)別是，大公司本身就已經(jīng)有很多應(yīng)用場(chǎng)景、各種各樣需要生產(chǎn)力變得更好的地方。如果我們模型能夠在這些地方做得更好，不僅模型會(huì)有自己獨(dú)特的優(yōu)勢(shì)，更關(guān)鍵一點(diǎn)是，對(duì)于真實(shí)世界的更 Diverse（多樣化）的場(chǎng)景數(shù)據(jù)的捕捉，會(huì)是一個(gè)很有意思的事情。比如像 Anthropic 作為一個(gè)創(chuàng)業(yè)公司，想要做更多的 Coding Agent 數(shù)據(jù)，需要通過(guò)數(shù)據(jù)廠商去標(biāo)數(shù)據(jù)。這些數(shù)據(jù)廠商需要利用軟件工程師去想“我要標(biāo)什么樣的數(shù)據(jù)”。那這個(gè)事情最后的 Bottleneck 是數(shù)據(jù)公司一共就這么幾家，人就這么多，Diversity 會(huì)受限。但是如果你是一個(gè) 10 萬(wàn)人的公司，可能會(huì)有一些有意思的嘗試，怎么去真的把真實(shí)世界的數(shù)據(jù)給利用好，而不是僅僅依賴于標(biāo)注商或者說(shuō)Distillation（蒸餾）。

李廣密（主持人）：多謝順雨。接下來(lái) Cue 一下俊旸。你怎么看接下來(lái)千問(wèn)未來(lái)的一個(gè)生態(tài)位或者分化的 Bet？因?yàn)槟愫竺嬷攸c(diǎn)講了全模態(tài)的方向。之前阿里云在 To B 很強(qiáng)，那接下來(lái)可能你也提了全模態(tài)可能更多 To C 的。這方面怎么思考？

林俊旸：理論上我是不能評(píng)論公司的。但是我覺(jué)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。

接下來(lái)這一句其實(shí)我也想注入一些我們自己對(duì) AGI 的理解。因?yàn)槲矣X(jué)得今天 To B 和 To C 也好，我們其實(shí)是在服務(wù)真實(shí)的人類。所以我們想的問(wèn)題，是怎么讓人類世界會(huì)變得更好。你就算做 To C 的產(chǎn)品，其實(shí)也會(huì)再分化。比如說(shuō)今天 OpenAI 已經(jīng)更像一個(gè)平臺(tái)了，但是你 To C 的話，最終要服務(wù)真實(shí)的這批用戶究竟是誰(shuí)？

今天可能有很多 AI 可能會(huì)更偏向 Medical，更偏向 Law，但是它可能是自然形成。我愿意相信 Anthropic 可能不是說(shuō)“今天我覺(jué)得 Coding 真的很厲害，我就 Bet on 它”。因?yàn)槲抑浪麄兏?Business 交流真的非常多。這個(gè)可能也是我們自己做的還不夠好的一個(gè)點(diǎn)，雖然我們擁有巨大的優(yōu)勢(shì)。當(dāng)然也有可能中國(guó)這個(gè) SaaS 市場(chǎng)跟美國(guó)確實(shí)不太一樣，他們確實(shí)是非常頻繁地跟客戶交流，很容易去發(fā)現(xiàn)這個(gè)很大的機(jī)會(huì)。

今天我跟美國(guó)的很多 API 廠商聊起來(lái)，他們都沒(méi)有想到 Coding 的 Token 消耗量居然會(huì)這么大。其實(shí)在中國(guó)其實(shí)還真的沒(méi)有那么大，至少?gòu)奈疫@邊來(lái)看。但是在美國(guó)的話，基本上全都是 Coding。這個(gè)事情我覺(jué)得不是所有人都能 Bet 到的。那今天 Anthropic 在做更多跟 Finance 相關(guān)的東西，我覺(jué)得也是他們?cè)诟蛻艚涣髦锌吹降臋C(jī)會(huì)。所以我覺(jué)得大家的分化可能是自然的分化。所以我更愿意去相信 AGI 做 AGI 該做這個(gè)事情，然后順其自然。

李廣密（主持人）：多謝俊旸。楊強(qiáng)老師，您對(duì)分化這個(gè)問(wèn)題怎么看？

楊強(qiáng)：分化的問(wèn)題，其實(shí)我更想聊一下工業(yè)界和學(xué)術(shù)界的分化。這個(gè)可能是橫跨美國(guó)和中國(guó)。一直以來(lái)，學(xué)術(shù)界是一個(gè)觀望者，工業(yè)界在領(lǐng)頭瘋跑。搞得現(xiàn)在很多學(xué)術(shù)界的人也在做工業(yè)界的事，像唐杰老師。這是一個(gè)好事，就好像天體物理學(xué)剛開(kāi)始是以觀測(cè)為主，伽利略的望遠(yuǎn)鏡，然后才出現(xiàn)牛頓。所以后面一個(gè)階段，當(dāng)我們有了眾多的穩(wěn)定大模型，進(jìn)入一個(gè)穩(wěn)態(tài)的時(shí)候，我們學(xué)術(shù)界應(yīng)該跟上來(lái)。跟上來(lái)解決什么問(wèn)題呢？就是工業(yè)界可能還沒(méi)來(lái)得及解決的一些問(wèn)題。這也是我一直在考慮的問(wèn)題，就是說(shuō)智能上界在哪里？比方說(shuō)給你一定的資源，計(jì)算資源或者能源資源，你能做到多好？

可以更細(xì)一點(diǎn)。比方說(shuō)我們把這個(gè)資源怎么分配？哪些分配在訓(xùn)練上，哪些分配在推理上？我很早就做 AI，90 年代初就做過(guò)一個(gè)小實(shí)驗(yàn)：如果我們有一定的投入在記憶上面，那么這個(gè)記憶能夠幫助推理多少？然后這個(gè)幫助，會(huì)不會(huì)變成反向的，比如記住了太多的噪音，反而干擾了推理？有沒(méi)有一個(gè)平衡點(diǎn)？這些問(wèn)題今天還是適用的，是一個(gè) Fundamental（基礎(chǔ)）的問(wèn)題。

最近我也在想另外一個(gè)問(wèn)題，大家學(xué)計(jì)算機(jī)的都上過(guò)理論課，有一個(gè)重要定理叫哥德?tīng)柌煌陚涠ɡ?/strong>。大概意思是說(shuō)一個(gè)系統(tǒng)、像我們一個(gè)大模型，它是不能自證清白的，必定有一些幻覺(jué)是不可能消滅掉的。那可能你給更多的資源，它會(huì)消滅得更多。科學(xué)問(wèn)題就來(lái)了：多少資源能夠換取多少幻覺(jué)的降低？這是一個(gè)平衡點(diǎn)，特別像經(jīng)濟(jì)學(xué)的風(fēng)險(xiǎn)和收益的平衡。所以我們也叫“無(wú)免費(fèi)午餐定理”。這些東西今天特別適合數(shù)學(xué)界、算法界和工業(yè)界一起來(lái)做研究，這孕育著巨大的突破。

剛才唐杰老師也提到持續(xù)學(xué)習(xí)。我覺(jué)得持續(xù)學(xué)習(xí)是一個(gè)特別好的問(wèn)題。它里面有一個(gè)時(shí)間的概念。在持續(xù)學(xué)習(xí)過(guò)程中，你會(huì)發(fā)現(xiàn)，比方說(shuō)把不同的 Agent 串聯(lián)起來(lái)，每一個(gè) Agent 都不能做到 100%，那么在 N 個(gè)以后，能力是按指數(shù)下降的。

怎么樣保證它不下降？我覺(jué)得人類是個(gè)樣本，比如說(shuō)第一天是學(xué)習(xí)，第二天會(huì)在第一天的噪音的基礎(chǔ)上學(xué)習(xí)，這樣你的能力就會(huì)類似大模型，會(huì)下降。但是人類有一個(gè)方法來(lái)解決下降，就是睡覺(jué)。

我建議大家看一本書(shū)叫《我們?yōu)槭裁此X(jué)》（Why We Sleep）。他說(shuō)每天晚上睡覺(jué)其實(shí)是在清理噪音，使得第二天可以把準(zhǔn)確率持續(xù)提升，不至于是錯(cuò)誤率的疊加。這些理論研究孕育著一種新的計(jì)算模式。我們今天可能比較關(guān)注 Transformer、Agentic Computing，但是我覺(jué)得有必要去做一些新的探索。這是我回答的問(wèn)題，工業(yè)界和學(xué)術(shù)界要拉齊。

李廣密（主持人）：感謝楊強(qiáng)老師。唐老師，從外部感受上，智譜今天更像是走了 Anthropic 這條路線，Coding 非常強(qiáng)，榜單上也比較靠前，包括您剛才講的 Long Horizon 的長(zhǎng)程 Agent。您對(duì)分化這個(gè)主題怎么看？

唐杰：我倒覺(jué)得回到一個(gè)最本質(zhì)的問(wèn)題。早期確實(shí)最本質(zhì)還是基座模型、智能上界。2023 年那時(shí)候我們是第一個(gè)做出 Chat 的。當(dāng)時(shí)第一個(gè)想法就是趕緊上線。當(dāng)然后來(lái)國(guó)家有相關(guān)的統(tǒng)一規(guī)定，就等到八九月份大家一起來(lái)上。當(dāng)大家一起來(lái)上的時(shí)候，我的第一個(gè)感受是十來(lái)個(gè)大模型都上來(lái)了，而且每一家用戶都沒(méi)有那么多。當(dāng)然今天分化的更嚴(yán)重。

經(jīng)過(guò)一年的思考，我覺(jué)得其實(shí)這個(gè)可能不是真的解決問(wèn)題。我原來(lái)的第一個(gè)預(yù)判說(shuō)它會(huì)替代搜索。到今天很多人在用模型替代搜索，但是并沒(méi)有替代谷歌。谷歌反而自己把自己的搜索革命了。從這個(gè)角度上，這一仗自從DeepSeek出來(lái)之后，我感覺(jué)已經(jīng)結(jié)束了。

那 DeepSeek 出來(lái)之后，應(yīng)該思考的是下一個(gè)Bet是什么？下一仗是什么？我覺(jué)得下一仗肯定是要讓 AI 做一件事情。但做這件事情是什么，確實(shí)可以 Bet 一下。那時(shí)候廣密還到我們那交流。后來(lái)我們團(tuán)隊(duì)爭(zhēng)論好多晚上，最后你可以叫我們運(yùn)氣吧，但另一方面我們也是 Bet，Bet 了 Coding。后來(lái)，我們就把所有的精力放在了 Coding 上。

話題二：下一個(gè)范式

李廣密（主持人）：我覺(jué)得有 Bet 是一個(gè)特別有意思的。過(guò)去一年中國(guó)不僅是開(kāi)源很強(qiáng)，而且大家有了自己的 Bet。接下來(lái)有一個(gè)第二個(gè)比較有意思的問(wèn)題。預(yù)訓(xùn)練走了三年，大家說(shuō)走到了七八成的收益。RL 強(qiáng)化學(xué)習(xí)今天大家也都成為共識(shí)，可能走到了百分之四五十的空間。今天硅谷也都在討論接下來(lái)新一個(gè)范式，唐老師剛才也提到叫自主學(xué)習(xí)、自我學(xué)習(xí)。要不我們先從順雨開(kāi)始。

你在 OpenAI 待過(guò)，對(duì)于下一個(gè)范式怎么思考？ OpenAI 是一個(gè)為人類推進(jìn)來(lái)前兩個(gè)范式的一家公司，對(duì)于第三個(gè)范式，從你的角度能給大家?guī)?lái)一些分享嗎？

姚順雨：現(xiàn)在自主學(xué)習(xí)在硅谷非常熱門(mén)，在硅谷的大街小巷、咖啡館里，大家都在談?wù)?，幾乎形成共識(shí)。但根據(jù)我的觀察，每個(gè)人對(duì)這個(gè)的看法可能都不一樣。我講兩點(diǎn)：

第一，我覺(jué)得這個(gè)事情的 Bottleneck 其實(shí)不是方法論，而是數(shù)據(jù)或者說(shuō)任務(wù)。當(dāng)我們?cè)谡務(wù)撟灾鲗W(xué)習(xí)的時(shí)候，到底是在什么場(chǎng)景下、基于什么獎(jiǎng)勵(lì)函數(shù)去做？比如說(shuō)，你在聊天時(shí)，AI 變得個(gè)性化是一種自主學(xué)習(xí)；寫(xiě)代碼時(shí)，熟悉公司環(huán)境是一種自主學(xué)習(xí)；探索新的科學(xué)，在這個(gè)過(guò)程中，像博士一樣從完全不了解到成為領(lǐng)域?qū)＜?，也是一種自主學(xué)習(xí)。每一種自主學(xué)習(xí)，它的挑戰(zhàn)或者說(shuō)方法論，可能都不一樣。

第二，我不知道這是不是非共識(shí)，但這個(gè)事情其實(shí)已經(jīng)在發(fā)生了。ChatGPT 利用用戶數(shù)據(jù)擬合聊天風(fēng)格，使它的感覺(jué)越來(lái)越好，是不是一種自我學(xué)習(xí)？今天 Claude Code 已經(jīng)寫(xiě)了 Claude Code 這個(gè)項(xiàng)目 95% 的代碼，在幫它自己變得更好，這是不是一種自我學(xué)習(xí)？

我記得當(dāng)時(shí)我們 2022-23 年做 SWE-agent（Software Agent）時(shí)，我去 AGI House 宣傳，第一頁(yè) Introduction 的 Slide 就說(shuō) ASI 最重要的點(diǎn)是自主學(xué)習(xí)。今天的 AI 系統(tǒng)本質(zhì)上都有兩部分：一個(gè)是 Neural Network（神經(jīng)網(wǎng)絡(luò)/模型）；一個(gè)是代碼庫(kù)：你怎么去用這個(gè)模型，是用來(lái)做推理，還是用來(lái)做 Agent。

我們看 Claude Code 這個(gè)系統(tǒng)，它本質(zhì)上有兩個(gè)部分：一部分是 Opus 這個(gè) Neural Network，另一部分是怎么樣去使用這個(gè) Network 的一大堆相應(yīng)的代碼。無(wú)論是 Kernel GPU，還是部署環(huán)境、前端。如果我們做 Software Agent，如果有一天它能自己去 Improve 自己的 Repo，那是不是就是一種 AGI？我覺(jué)得今天 Claude Code 已經(jīng)在大規(guī)模做這個(gè)事情了，只是人們意識(shí)不到，或者局限在特定場(chǎng)景下。我覺(jué)得這個(gè)事情已經(jīng)在發(fā)生了，可能更像是一個(gè)漸變，而不像一個(gè)突變。

李廣密（主持人）：Follow 一個(gè)問(wèn)題。有一些人對(duì)自主學(xué)習(xí)比較樂(lè)觀，覺(jué)得 26 年能看到信號(hào)。你覺(jué)得還需要哪些實(shí)際的突破？比如 Long Context，或者模型并行采樣？從你看來(lái)，你感覺(jué)，接下來(lái)還有哪些關(guān)鍵條件具備了，這個(gè)信號(hào)才會(huì)發(fā)生？

姚順雨：很多人說(shuō) 26 年才能看到這些信號(hào)，但我覺(jué)得 25 年其實(shí)已經(jīng)有一些信號(hào)了。比如 Cursor，他們的 Auto-complete Model 每幾個(gè)小時(shí)就會(huì)用最新的用戶數(shù)據(jù)去學(xué)習(xí)。包括新的 Composer Model，其實(shí)也是在使用這些真實(shí)環(huán)境下的數(shù)據(jù)去 Training。當(dāng)然，大家覺(jué)得這些東西可能還沒(méi)有特別石破天驚，這是受限于他們沒(méi)有預(yù)訓(xùn)練能力，效果不如 Opus，但我覺(jué)得這顯然已經(jīng)是一個(gè)信號(hào)了。

我覺(jué)得最大的 Bottleneck 是想象力。對(duì)于強(qiáng)化學(xué)習(xí)或者推理，我們可以很容易想象，如果實(shí)現(xiàn)是個(gè)什么樣子，比如說(shuō) O1 在數(shù)學(xué)題上從 10 分變 80 分。但如果 26、27 年有一個(gè)范式發(fā)生，宣布實(shí)現(xiàn)了自我學(xué)習(xí)，我們應(yīng)該用什么任務(wù)去驗(yàn)證？是它變成了一個(gè)賺錢(qián)的交易系統(tǒng)，像 Trading Bench 的延伸？還是解決了科學(xué)問(wèn)題？我們需要先想象到那個(gè)時(shí)候，Blog Post（宣發(fā)的文章）長(zhǎng)什么樣。

李廣密（主持人）：順雨，OpenAI 已經(jīng) Lead 了兩次范式創(chuàng)新了。如果 26、27 年有新范式，全球范圍內(nèi)，你覺(jué)得哪家公司 Lead 這個(gè)創(chuàng)新范式的概率最大？

姚順雨：可能 OpenAI 概率還是更大。雖然因?yàn)樗虡I(yè)化等變化，創(chuàng)新基因被削弱，但我覺(jué)得它還是最有可能誕生新范式的地方。

李廣密（主持人）：俊旸，你對(duì)下一個(gè)范式，對(duì) 2026 年有什么展開(kāi)？

林俊旸：如果從更實(shí)際一點(diǎn)講，剛才講的范式還在早期。RL 的 Compute 還沒(méi)有 Scale 得那么充分，所以很多的潛力其實(shí)沒(méi)打出來(lái)，今天我們還看到了很多 Infra 問(wèn)題在這里面發(fā)生。全球范圍內(nèi)，類似這里面的問(wèn)題也都還存在。

如果要說(shuō)下一代范式，一個(gè)自主學(xué)習(xí)。之前聊到“人類不能讓 AI 變得更厲害”：你跟 AI 不斷進(jìn)行交互，只會(huì)讓它上下文變長(zhǎng)、變得越來(lái)越笨。Task-time Scaling 這件事情是不是真的能夠發(fā)生，我覺(jué)得還是真的挺值得思考的。能通過(guò)更多的 Token，讓自己變得更強(qiáng)，我覺(jué)得至少 O 系列，在一定程度上實(shí)現(xiàn)了這個(gè)事情。有沒(méi)有可能像 Anthropic 說(shuō)的“干 30 個(gè)小時(shí)”，真的能干出很難的任務(wù)，我覺(jué)得今天大家做那種 AI Scientist 這個(gè)事情，其實(shí)還挺有意義的，是在挑戰(zhàn)一些很難的，甚至是做人類未曾做到的這些事情，有沒(méi)有可能通過(guò) Task-time Scaling 來(lái)實(shí)現(xiàn)。那么從這個(gè)角度上來(lái)說(shuō)，AI 肯定是需要自主進(jìn)化的 ，但究竟你是不是要更新參數(shù)，這個(gè)見(jiàn)仁見(jiàn)智，可能大家都有不同的技術(shù)手段來(lái)實(shí)現(xiàn)這個(gè)事情。

我覺(jué)得還有第二個(gè)點(diǎn)是，AI 有沒(méi)有可能實(shí)現(xiàn)更強(qiáng)的主動(dòng)性。就是說(shuō)，環(huán)境可能就是我的輸入信號(hào)。比如說(shuō)我現(xiàn)在這個(gè) AI，必須得有人類去 Prompt 它，然后你才能夠啟動(dòng)它。那有沒(méi)有可能環(huán)境就能 Prompt 它？它自己能自主思考，去做一些事情。

但這引發(fā)了一個(gè)新的問(wèn)題，就是安全的問(wèn)題。我非常擔(dān)心安全這個(gè)問(wèn)題，其實(shí)不是很擔(dān)心今天它講一些不該說(shuō)的話，最擔(dān)心的事情是它做一些不該做的事。就比如說(shuō)，它今天主動(dòng)產(chǎn)生一些想法，往這個(gè)會(huì)場(chǎng)里面扔一顆炸彈這種事情。那我們肯定是不希望這些不安全的事情發(fā)生。但就像培養(yǎng)小孩一樣，我們可能要給它注入一些正確的方向。但主動(dòng)學(xué)習(xí)可能也是挺重要的一個(gè)范式。

李廣密（主持人）：是的?？D又提了一個(gè)“主動(dòng)性”，主動(dòng)性其實(shí)也可能是 26 年非常關(guān)鍵的一個(gè) Bet。

我再 Follow 俊旸一個(gè)問(wèn)題：如果自主學(xué)習(xí)在 26 年看到信號(hào)，你感覺(jué)可能是在哪些任務(wù)上、做什么樣的任務(wù)會(huì)先看到？是“模型訓(xùn)練模型”了，最強(qiáng)的模型可以提升自己了？還是說(shuō)自動(dòng)化的 AI 研究員了？你有期待在哪些地方先看到嗎？

林俊旸：我覺(jué)得自動(dòng)化的 AI 研究員可能甚至都不是那么需要自主學(xué)習(xí)，我覺(jué)得可能很快“AI 訓(xùn) AI”這件事情就可以實(shí)現(xiàn)。我看我們的同學(xué)每天在干的這個(gè)事情，我都覺(jué)得 Claude Code 很快是可以把他們替代掉的。

但是，我覺(jué)得可能是更持續(xù)地理解用戶這件事情，比如說(shuō) Personalization**（個(gè)性化）其實(shí)還挺重要的。比如說(shuō)過(guò)往我們?cè)谧鐾扑]系統(tǒng)的時(shí)候，其實(shí)用戶的信息是持續(xù)輸入的，這會(huì)讓整個(gè)系統(tǒng)變得更強(qiáng)。雖然它的算法其實(shí)很簡(jiǎn)單，但今天在 AI 的這個(gè)時(shí)代，它是不是能夠更懂你？就是你的這些信息的輸入，能不能成為最好……我們過(guò)去講 Copilot，但其實(shí)今天連 Copilot 都沒(méi)有實(shí)現(xiàn)，就是能不能真正成為我的 Copilot 的問(wèn)題。

所以我覺(jué)得如果說(shuō)自主學(xué)習(xí)的話，可能會(huì)是在跟人的交互上。比如說(shuō) Personalization 這一件事情上可能就能做到，但是以什么指標(biāo)來(lái)進(jìn)行衡量，我覺(jué)得稍微有點(diǎn)不太好說(shuō)。因?yàn)樵谕扑]的時(shí)代，Personalization 你做得越好，別人可能就點(diǎn)得越多、買(mǎi)得越多。但是在 AI 時(shí)代，覆蓋到人類生活的方方面面的時(shí)候，真正的 Personalization 的衡量指標(biāo)是什么，我們其實(shí)不太知道。所以今天我感覺(jué)可能更大的技術(shù)挑戰(zhàn)是：我們今天的 Evaluation（評(píng)估）不知道該怎么做。這個(gè)可能是我們更值得研究的問(wèn)題。

李廣密（主持人）：俊旸，因?yàn)槟阏f(shuō)到了主動(dòng)，包括個(gè)性化，你感覺(jué)如果實(shí)現(xiàn)“記憶”這個(gè)點(diǎn)，26 年能看到技術(shù)的大突破性的跨越嗎？

林俊旸：我個(gè)人觀點(diǎn)是，大量技術(shù)的所謂“突破性”其實(shí)都是一些觀測(cè)問(wèn)題，它其實(shí)都是線性發(fā)展的，只是人類對(duì)它的感受非常強(qiáng)烈而已。包括像 ChatGPT 的出現(xiàn)，對(duì)于我們做大模型人來(lái)說(shuō)，其實(shí)就是線性的增長(zhǎng)。

現(xiàn)在大家都在做 Memory 這個(gè)事情。你說(shuō)技術(shù)方案對(duì)還是不對(duì)呢？我覺(jué)得很多方案也沒(méi)有什么對(duì)錯(cuò)之分。但是做出來(lái)的效果，至少我拿我們自己獻(xiàn)個(gè)丑：我們自己的 Memory 看起來(lái)好像知道我過(guò)去干了什么，但只是記起來(lái)過(guò)去的事情，每次都會(huì)叫一遍我的名字，其實(shí)并不顯得你很聰明。

但你的 Memory 有沒(méi)有可能到某一個(gè)臨界點(diǎn)的時(shí)候，讓人覺(jué)得說(shuō)，你結(jié)合你的 Memory 真的能夠像生活當(dāng)中的人一樣，就過(guò)去大家講電影《Her》，它真的很像人，理解你的 Memory 可能就是在那一下，人類的感受就覺(jué)得突然間迸發(fā)。那可能就是那個(gè)時(shí)刻。

我覺(jué)得多多少少也需要一年的時(shí)間。很多時(shí)候其實(shí)我覺(jué)得技術(shù)也沒(méi)有發(fā)展那么快，只是大家比較卷，覺(jué)得每天都有新的東西，但其實(shí)技術(shù)就是在線性發(fā)展，只是我們可能是在觀測(cè)的角度處于一個(gè)指數(shù)上升的階段。比如說(shuō) Coding 的能力一點(diǎn)點(diǎn)提升，可能就能帶來(lái)很多的生產(chǎn)價(jià)值，大家可能就覺(jué)得 AI 發(fā)展得很快。但從技術(shù)進(jìn)展上來(lái)說(shuō)，可能我們就多干了一點(diǎn)點(diǎn)事情。每天看我們自己做的這個(gè)事情都還真的挺土的，解的那些 Bug 都不好意思拿出來(lái)跟大家講，非常的丑陋。

如果這樣做了，我們都已經(jīng)能夠做到這樣的成績(jī)的話，那我覺(jué)得可能未來(lái)算法和 Infra 結(jié)合得更好的話，可能更加大有可為。

李廣密（主持人）：多謝。楊強(qiáng)老師。

楊強(qiáng)：我一直以來(lái)是做聯(lián)邦學(xué)習(xí)。聯(lián)邦學(xué)習(xí)的主要思想是“多個(gè)中心，大家協(xié)作”。

我現(xiàn)在越來(lái)越多地看到，很多本地資源不足，但是本地的數(shù)據(jù)又有很多隱私和安全的要求。所以我們可以想象，現(xiàn)在大模型的能力越來(lái)越強(qiáng)，這種通用性大模型和本地的這種特殊性的小模型，或者是領(lǐng)域?qū)＜业哪Ｐ?，如何協(xié)作？

我覺(jué)得這種協(xié)作變得越來(lái)越可能。像美國(guó)，我看到 Zoom，就是黃學(xué)東他們做的叫 Federated AI 的 AI 系統(tǒng)，他做了一個(gè)很大的基座，這個(gè)基座大家都可以插進(jìn)來(lái)。然后他就可以在一個(gè) Decentralized（去中心化）的狀態(tài)下，能夠既保護(hù)隱私又能夠和通用大模型有效地溝通協(xié)作。

我覺(jué)得這種開(kāi)源模式特別好，一個(gè)是知識(shí)的開(kāi)源，一個(gè)是 Code 方面的開(kāi)源。所以，我覺(jué)得尤其在像醫(yī)療、金融這樣的場(chǎng)景下，會(huì)越來(lái)越多看到這樣的現(xiàn)象發(fā)生。

李廣密（主持人）：多謝楊強(qiáng)老師。唐老師。

唐杰：我其實(shí)對(duì)今年會(huì)有比較大的范式革新挺 Positive 的。我倒不說(shuō)太細(xì)，因?yàn)槟菐讉€(gè)點(diǎn)我都……就像我剛才講的，包括持續(xù)學(xué)習(xí)，還有 Memory，甚至模型架構(gòu)，甚至多模態(tài)，我覺(jué)得都有可能出現(xiàn)新的范式的變革。

但我覺(jué)得有一個(gè)大的趨勢(shì)，我來(lái)說(shuō)一下為什么會(huì)產(chǎn)生這樣的一個(gè)范式。我覺(jué)得原來(lái)其實(shí)是工業(yè)界跑得遠(yuǎn)遠(yuǎn)快于學(xué)術(shù)界。我記得在去年還有前年的時(shí)候，回到清華跟好多老師聊天說(shuō)能不能做大模型，很多老師是第一沒(méi)卡...不是沒(méi)卡，是卡的數(shù)量幾乎為零。工業(yè)界是有 1 萬(wàn)片，學(xué)校是 0 片或者 1 片，倍數(shù)是 1 萬(wàn)倍。

但是到現(xiàn)在，很多學(xué)校已經(jīng)有很多卡了，而且很多老師已經(jīng)開(kāi)始做了很多大模型的相關(guān)研究，包括硅谷那邊有很多老師都開(kāi)始做甚至模型架構(gòu)、持續(xù)學(xué)習(xí)這些相關(guān)研究。所以它已經(jīng)不是一個(gè)……原來(lái)我們總覺(jué)得工業(yè)界在 Dominate（主導(dǎo)）這些，其實(shí)今天我覺(jué)得在 2025 年底到 2026 年初的時(shí)候，這一現(xiàn)象不大存在了?？赡苓€有 10 倍的差，這里 1 萬(wàn)片那里 1000 片，但是它已經(jīng)孵化出種子了。我覺(jué)得在學(xué)術(shù)界它有這個(gè)創(chuàng)新的基因，有這個(gè)可能性了，這是第一個(gè)。

第二個(gè)，我覺(jué)得一個(gè)創(chuàng)新的出現(xiàn)它一定是某個(gè)事情有大量的投入，并且它的 Efficiency 變成為瓶頸了。現(xiàn)在在整個(gè)大模型里面，投入已經(jīng)巨大，但是 Efficiency 并不高。也就是我們繼續(xù) Scaling，你說(shuō)有沒(méi)有收益呢？肯定是有收益的。比如說(shuō)原來(lái)我們 Data，從 2025 年初可能 10 個(gè) T 的數(shù)據(jù)，現(xiàn)在 30 個(gè) T，甚至我們可以 Scaling 到 100 個(gè) T。但 100 個(gè) T 你 Scaling 上去以后，你的收益有多少？還有你的計(jì)算 Cost 得有多少？這就變成一個(gè)問(wèn)題了。你不創(chuàng)新，這可能變成你花掉了 10 個(gè)億、20 個(gè)億，但是收益很小，就不值得了。

另外一方面，對(duì)于新的智能創(chuàng)新，假如我們每一次都要重訓(xùn)一個(gè)基座，再重訓(xùn)很多 RL。像 24 年出來(lái) RL 的時(shí)候，大家覺(jué)得我接著訓(xùn)嘛，收益比較有。但到今天你再接著瘋狂去 RL，收益也是有的，但就沒(méi)有那么 *Significant，還是一個(gè)收益效率的問(wèn)題。

所以我們未來(lái)也許可以定一個(gè)：一方面，我們既需要 Scaling Up——我剛才其實(shí)在臺(tái)上講了，“反正最笨的辦法就是 Scaling”，因?yàn)?Scaling 我們肯定有收益，這是典型的一個(gè)工程做法。Scaling 肯定會(huì)帶來(lái)智能上限的提升，毫無(wú)疑問(wèn)你只要 Get 到 More Data。但第二個(gè)方法，我覺(jué)得應(yīng)該定一個(gè)叫 Intelligence Efficiency，就是說(shuō)智能的效率，我們獲得智能的效率，即用多少的投入能獲得智能的增量。如果我們能用更少的投入獲得增量，而且我們現(xiàn)在已經(jīng)變成一個(gè)瓶頸了，假如能用更少的范式獲得同樣智能提升，這就是一個(gè)瓶頸式的事情。所以我是覺(jué)得 2026 年一定有這么一個(gè)范式發(fā)生。

當(dāng)然，我們也是在 Bet，我們也在努力，我們希望這個(gè)發(fā)生在我們身上，但也不一定。

話題三：Agent戰(zhàn)略

李廣密（主持人）：對(duì)，我跟唐老師一樣非常樂(lè)觀。因?yàn)槠鋵?shí)每個(gè)領(lǐng)先的模型公司每年的計(jì)算量實(shí)際上是每年 Compound（復(fù)合增長(zhǎng)）有 10 倍左右。大家手上的計(jì)算資源多了，人才也涌入得越來(lái)越多，大家手上卡片多、做的實(shí)驗(yàn)多了，其實(shí)它就是一個(gè)實(shí)驗(yàn)工程，有可能某個(gè)點(diǎn)就出來(lái)了。

剛剛唐老師也聊到一個(gè)怎么衡量智能水平的點(diǎn)。我覺(jué)得第三個(gè)我們可以一起聊一下 Agent 這個(gè)戰(zhàn)略。最近我跟很多研究員聊，大家都提到對(duì) 26 年還有一個(gè)很大的預(yù)期，說(shuō) Agent 今天可以在后臺(tái)比如推理 3～5 個(gè)小時(shí)，做人類 1~2 天的工作量；大家期待說(shuō) 26 年可以做人類正常工作一周到兩周的工作量。

這也是一個(gè)非常大的變化，因?yàn)樗辉僦皇且粋€(gè)工具——就是唐老師提的說(shuō)只是一個(gè) Chat，而是說(shuō)真的在自動(dòng)化你一整天甚至一周的任務(wù)流。那這樣的話其實(shí)，26 年有可能是 Agent 真的叫“創(chuàng)造經(jīng)濟(jì)價(jià)值”的關(guān)鍵一年。

所以 Agent 這個(gè)問(wèn)題我們可以展開(kāi)聊一下。大家也是順雨剛才提的“垂直整合”嘛，既有模型又有 Agent 產(chǎn)品。包括我們看到硅谷的幾個(gè)公司也都從模型到 Agent 端到端都做了。

順雨，你花了很多時(shí)間做 Agent 研究，你對(duì) 26 年這個(gè) Agent，比如 Long Horizon 的這種 Agent，真的能 Automate 人類一周到兩周的工作？這個(gè)對(duì) Agent 的戰(zhàn)略，包括從模型公司的出發(fā)點(diǎn)會(huì)怎么思考這個(gè)問(wèn)題？

姚順雨：我覺(jué)得還是像剛剛說(shuō)的，在 To C 和 To B 可能不太一樣。

目前看起來(lái)，To B 的情況是已經(jīng)達(dá)到了一個(gè)在不斷上升的曲線，好像沒(méi)有要變慢的趨勢(shì)。Anthropic 這公司很有意思，它基本上不做什么創(chuàng)新，它就是覺(jué)得：模型預(yù)訓(xùn)練變大了，然后老老實(shí)實(shí)把 RL 做好，只要預(yù)訓(xùn)練不斷變大，后訓(xùn)不斷把真實(shí)世界的任務(wù)做好，它就會(huì)越來(lái)越聰明，帶來(lái)越來(lái)越多價(jià)值。

我覺(jué)得 Anthropic 特別有意思的一點(diǎn)是，從某種程度來(lái)說(shuō)，做 To B 其實(shí)所有的目標(biāo)之間是更一致的。你的模型智能越高，解決的任務(wù)就越多；解決任務(wù)越多，在 To B 下帶來(lái)的收入就越大。這點(diǎn)就很好辦了。

那做 To C 的一個(gè)問(wèn)題是，我們都知道 DAU 或者說(shuō)產(chǎn)品的指標(biāo)，其實(shí)和模型的智能很多時(shí)候是不相關(guān)的，甚至相反。我覺(jué)得這是 Anthropic 能夠聚焦另一個(gè)很重要原因：它只要真的把模型越做越好，收入就越來(lái)越高，所有事情全部都是非常 Aligned 的。

目前看起來(lái)我覺(jué)得生產(chǎn)力的 Agent 才剛剛開(kāi)始?，F(xiàn)在可能除了模型之外有兩個(gè) Bottleneck：一個(gè)是環(huán)境問(wèn)題，或者說(shuō) Deployment（部署）的問(wèn)題。

我之前在 OpenAI 之前，在一個(gè)叫 Sierra 的公司實(shí)習(xí)過(guò)，這是一個(gè) To B 的客服公司。我在 To B 公司工作過(guò)有很多收獲。最大的收獲是，我感覺(jué)即使今天模型不再變好，所有的模型訓(xùn)練全部停止了，但是我們把這些模型部署到世界上各種各樣的公司，它可能能帶來(lái)今天的 10 倍或者 100 倍的收益，或者說(shuō)可能對(duì) GDP 能夠產(chǎn)生 5%~10% 的影響。但是今天我覺(jué)得它的影響還遠(yuǎn)遠(yuǎn)不到 1%。

第二點(diǎn)是教育非常重要。我觀察到現(xiàn)在人和人的差距在拉大，并不是說(shuō) AI 要替代人的工作，而是說(shuō)會(huì)使用這些工具的人，在替代那些不會(huì)使用工具的人。就像當(dāng)年電腦剛被發(fā)明出來(lái)，你轉(zhuǎn)身去學(xué)習(xí)編程，和你還在使用計(jì)算尺、算盤(pán)，那是巨大的差距。我覺(jué)得現(xiàn)在中國(guó)能做的一個(gè)最大的有意義的事情其實(shí)就是更好的教育，教大家怎么更好地去使用像 Claude Code 或者 ChatGPT 這樣的產(chǎn)品。當(dāng)然 Claude Code 可能在中國(guó)用不了，但是我們可以用 Kimi 或者智譜這樣國(guó)產(chǎn)的模型。

李廣密（主持人）：多謝順雨?？D，對(duì) Agent 的想法，包括因?yàn)榍?wèn)也有一個(gè)生態(tài)，千問(wèn)自己做 Agent 以及扶持生態(tài)的通用 Agent，你也可以展開(kāi)講講。

林俊旸：這里涉及一個(gè)產(chǎn)品哲學(xué)的問(wèn)題。當(dāng)然 Manus 確實(shí)很成功，但是“套殼”是不是一個(gè)未來(lái)，這本身也是個(gè)話題。我覺(jué)得今天到這個(gè) Timing，我其實(shí)比較同意你的觀點(diǎn)，叫“模型即產(chǎn)品”。

我跟 TML 的人聊，他們叫 "Research as a Product"。其實(shí)我挺喜歡這個(gè)事情。包括我看 OpenAI，挺多 Researcher 自己能夠成為產(chǎn)品經(jīng)理 End-to-End 地把這個(gè)東西做起來(lái)。今天我們自己內(nèi)部的 Researcher 都想做更多面向真實(shí)世界的東西。

我其實(shí)愿意相信接下來(lái)的 Agent 是可以做到剛才所說(shuō)的事情，而且跟剛才所提的 Self-evolution（自我進(jìn)化）以及 Active Learning（主動(dòng)學(xué)習(xí)）都有比較強(qiáng)烈的關(guān)系。比如它能干這么長(zhǎng)時(shí)間，它其實(shí)自己就得在過(guò)程當(dāng)中進(jìn)化，并且它還要決定去干什么東西，因?yàn)樗盏降闹噶钍且粋€(gè)非常 General 的任務(wù)。所以我們現(xiàn)在 Agent 其實(shí)已經(jīng)開(kāi)始越來(lái)越變得是那種“托管式”的 Agent，而不是說(shuō)我要不斷跟你來(lái)來(lái)回回交互的那種形式。

從這個(gè)角度上來(lái)說(shuō)，它對(duì)模型的要求其實(shí)是很高的，模型就是 Agent，Agent 就是這個(gè)產(chǎn)品本身。如果他們都是一體化的話，那么今天做基礎(chǔ)模型本身其實(shí)也就是在做這個(gè)產(chǎn)品。如果不斷提升模型能力的上限，包括 Task-time Scaling 能做上去的話，確實(shí)能夠做到這個(gè)事情。

但我覺(jué)得還有一個(gè)點(diǎn)是跟環(huán)境交互有關(guān)系，我們現(xiàn)在交互的環(huán)境還不是很復(fù)雜，都還是電腦的環(huán)境。我有朋友是做跟 AI for Science 比較相關(guān)的。比如今天你干 AlphaFold 這一個(gè)事情，其實(shí)做出來(lái)還沒(méi)到那一步，比如制藥，你就算用今天 AI，可能不一定幫到你那么多。因?yàn)槟阋プ鰸駥?shí)驗(yàn)，要做這些事情才能得到反饋。

有沒(méi)有可能我們未來(lái) AI 能夠環(huán)境復(fù)雜到可能是真實(shí)的人類世界的環(huán)境，指揮機(jī)器人去做濕實(shí)驗(yàn)，去加快效率？否則按照現(xiàn)在人類的效率，其實(shí)非常低。我們甚至還要雇傭很多外包在實(shí)驗(yàn)環(huán)境里面去做實(shí)驗(yàn)。如果能達(dá)到這一個(gè)點(diǎn)，可能才是我想象當(dāng)中 Agent 能夠做人類很長(zhǎng)時(shí)間的活，而不是說(shuō)僅僅是在電腦當(dāng)中寫(xiě)個(gè)文件。

這些東西我覺(jué)得可能今年很快就可以完成。但我覺(jué)得接下來(lái)三年到五年的時(shí)間，可能這個(gè)事情會(huì)更加有意思。那這個(gè)的話可能又要跟具身智能結(jié)合在一起。

李廣密（主持人）：我想 Follow 俊旸一個(gè)尖銳點(diǎn)的問(wèn)題：從你的角度看來(lái)，通用的 Agent 這個(gè)機(jī)會(huì)是創(chuàng)業(yè)者的嗎？還是說(shuō)模型公司是一個(gè)時(shí)間問(wèn)題，總會(huì)把通用 Agent 做好？

林俊旸：我不能因?yàn)槲易龌A(chǔ)模型，我就去做創(chuàng)業(yè)導(dǎo)師，我做不了這個(gè)事情。那我只能借成功人士 Peak（Manus 的 CTO）說(shuō)的話，他說(shuō)：做通用 Agent 最有意思的事情是長(zhǎng)尾，反而是更值得關(guān)注的事情，或者是說(shuō)今天 AI 更大的魅力是在長(zhǎng)尾。

如果是馬太效應(yīng)，頭部的這個(gè)東西其實(shí)挺容易解決的。當(dāng)年做推薦的時(shí)候，我們看到推薦非常集中在頭部商品。但我們想把尾部推過(guò)去，但我當(dāng)時(shí)做就非常遭殃。我作為一個(gè)干 NLP 和多模態(tài)的人，碰到推薦系統(tǒng)，去干解馬太效應(yīng)，那基本上是奔著死路去的。

但我覺(jué)得今天的所謂 AGI 其實(shí)就在解這個(gè)問(wèn)題，你做通用 Agent 是能不能把長(zhǎng)尾的問(wèn)題給解決。今天我一個(gè)用戶，我真的尋遍各處都找不到能夠幫我解這個(gè)問(wèn)題的。但就在那一刻，我感受到了 AI 的能力，全世界任何一個(gè)角落，我尋遍各處都找不到，但是你卻能幫我解?？赡苓@就是 AI 最大的魅力。

所以你說(shuō)要不要去做通用的 Agent？我覺(jué)得見(jiàn)仁見(jiàn)智。如果你覺(jué)得你是一個(gè)“套殼高手”，套的可以比模型公司做得更好，我覺(jué)得可以去做。但如果你沒(méi)有這個(gè)信心，這個(gè)事情可能是留給模型公司做“模型即產(chǎn)品”的時(shí)候，因?yàn)樗麄冇龅絾?wèn)題的時(shí)候，其實(shí)我只要訓(xùn)一訓(xùn)模型，我只要燒一燒卡，這個(gè)問(wèn)題可能就解決了。所以見(jiàn)仁見(jiàn)智。

李廣密（主持人）：其實(shí)解決長(zhǎng)尾的問(wèn)題，模型公司算力加數(shù)據(jù)好像解決起來(lái)也挺快的，對(duì)吧？

林俊旸：今天 RL 最有意思的地方，我覺(jué)得是我們發(fā)現(xiàn)修問(wèn)題比以前容易了。以前修問(wèn)題很難。我舉一個(gè) B 端客戶的情況，他們說(shuō)我們自己要做 SFT，你能不能告訴我通用數(shù)據(jù)怎么配比？每次我們都很頭痛。然后我們覺(jué)得對(duì)方不太會(huì)做 SFT，他那個(gè)數(shù)據(jù)非常垃圾，但他可能覺(jué)得非常有用。

那今天有了 RL 之后，你可能真的只要很小的一個(gè)數(shù)據(jù)點(diǎn)，甚至不需要標(biāo)注，只要有 Query，有 Reward，這個(gè)東西稍微訓(xùn)一訓(xùn)，合并起來(lái)其實(shí)也非常容易。那可能是今天技術(shù)的魅力。

李廣密（主持人）：多謝俊旸，來(lái)，楊強(qiáng)老師。

楊強(qiáng)：我覺(jué)得 Agent 出現(xiàn)應(yīng)該有四個(gè)階段。
看一個(gè)，是目標(biāo)的定義，是由人為定義的還是自動(dòng)定義的？
第二個(gè)，是說(shuō)規(guī)劃，就是中間的 Action，規(guī)劃也可以由人來(lái)定義，也可以由 AI 自動(dòng)定義。

所以這樣就自然地分為四個(gè)階段了。我覺(jué)得我們現(xiàn)在在一個(gè)非常初級(jí)的階段，就是目標(biāo)也是人定義的，規(guī)劃也是人做的。所以現(xiàn)在的這些 Agent 的 Definition 系統(tǒng)，基本上是一個(gè)更高級(jí)的 Very High-level Programming Language。

但我預(yù)料未來(lái)會(huì)出現(xiàn)一個(gè)大模型觀察人的工作，尤其是把人的 Process Data 給使用起來(lái)。最后目標(biāo)也可以是大模型來(lái)定義，規(guī)劃也可以由大模型定義。所以，Agent 應(yīng)該是由大模型內(nèi)生的一個(gè) Native 的系統(tǒng)。

李廣密（主持人）：多謝楊老師。唐老師。

唐杰：我覺(jué)得確實(shí)有幾個(gè)因素決定了 Agent 未來(lái)的走勢(shì)。

第一，Agent 本身有沒(méi)有解決人類的事情，這個(gè)事情是不是有價(jià)值的，價(jià)值有多大。比如原來(lái)的 GPTs 出來(lái)，也做了很多 Agent。那個(gè)時(shí)候你會(huì)發(fā)現(xiàn) Agent 都很簡(jiǎn)單，最后發(fā)現(xiàn) Prompt 就解決了。那些大部分 Agent 慢慢就死掉了。所以第一個(gè)是解決這個(gè)事情有多大價(jià)值，能不能幫到人。

第二，做這個(gè)事情的 Cost 有多大。如果 Cost 特別大，那也是一個(gè)問(wèn)題。剛才俊旸也說(shuō)了，也許我調(diào)用一個(gè) API 就能解決。但反過(guò)來(lái)，假如調(diào)個(gè) API 就能解決，那么這個(gè) API 本身可能覺(jué)得這件事情價(jià)值很大的時(shí)候，它就會(huì)把它做進(jìn)去。這是個(gè)矛盾，基座和應(yīng)用永遠(yuǎn)是個(gè)矛盾。

最后一個(gè)維度，是做應(yīng)用的速度。如果你說(shuō)我有個(gè)時(shí)間窗，我能夠拉開(kāi)半年的時(shí)間窗，迅速把應(yīng)用滿足了，半年以后，要么迭代，要么怎么著，反正能往前走。說(shuō)白了大模型時(shí)代到現(xiàn)在，更多的是在拼速度、拼時(shí)間。

也許一個(gè)決策是正確，就像你剛才說(shuō)也許我們 Bet 代碼正確了，那也許我們就會(huì)在這方面走得更遠(yuǎn)一點(diǎn)。但也許 Bet 失敗了以后就半年，半年就沒(méi)了。所以今年我們只是在 Coding、在 Agent 這塊我們 Bet 了一點(diǎn)點(diǎn)，現(xiàn)在我們 Coding 調(diào)用量都還不錯(cuò)。所以我覺(jué)得更多也是一個(gè) Bet 吧，做 Agent 可能未來(lái)也是一個(gè) Bet。

話題四：中國(guó)AI的未來(lái)

李廣密（主持人）：多謝。因?yàn)檫^(guò)去模型公司既要追通用能力，優(yōu)先級(jí)上就沒(méi)有花那么多精力去探索。其實(shí)通用能力追上來(lái)之后，我們也更多的期待 26 年智譜、千問(wèn)有更多自己的 Claude Code 時(shí)刻和 Manus 時(shí)刻。我覺(jué)得這是非常值得去預(yù)期的。

第四個(gè)問(wèn)題，也是最后一個(gè)問(wèn)題，我覺(jué)得比較有意思。因?yàn)檫@個(gè)活動(dòng)、這個(gè)時(shí)間點(diǎn)，更多值得去展望未來(lái)。

我其實(shí)挺想問(wèn)大家一個(gè)問(wèn)題：在三年和五年以后，全球最領(lǐng)先的 AI 公司是一個(gè)中國(guó)團(tuán)隊(duì)的概率有多大？我們從今天的跟隨者變成未來(lái)的引領(lǐng)者，這個(gè)文化包括關(guān)鍵條件，到底是還有哪些需要做好的？

順雨，因?yàn)槟闶墙?jīng)歷過(guò)硅谷跟中國(guó)兩個(gè)體感的，你對(duì)這個(gè)概率的判斷和需要哪些關(guān)鍵條件的判斷是怎么樣的？

姚順雨：我覺(jué)得概率還挺高的。我還是挺樂(lè)觀的，因?yàn)槟壳翱雌饋?lái)，任何一個(gè)事情，一旦被發(fā)現(xiàn)出來(lái)，在中國(guó)都會(huì)很快 Catch up 或者復(fù)現(xiàn)，然后在很多局部去做到更好 。包括之前制造業(yè)、電動(dòng)車(chē)這樣的例子已經(jīng)不斷在發(fā)生。

我覺(jué)得可能幾個(gè)比較關(guān)鍵的點(diǎn)，一個(gè)可能是中國(guó)的光刻機(jī)到底能不能突破。如果最終算力變成了 Bottleneck，我們能不能解決這個(gè)算力問(wèn)題？目前看起來(lái)我們有很好的電力優(yōu)勢(shì)，有很好的基礎(chǔ)設(shè)施優(yōu)勢(shì)?？赡苤饕钠款i就是產(chǎn)能，包括光刻機(jī)以及軟件生態(tài)。這個(gè)問(wèn)題解決了會(huì)是個(gè)很大的幫助。

另一個(gè)問(wèn)題就是，除了 To C 之外能不能有更成熟或者更好的 To B 的市場(chǎng)，或者有沒(méi)有機(jī)會(huì)在國(guó)際的商業(yè)環(huán)境去競(jìng)爭(zhēng)。今天我們看到很多做生產(chǎn)力或者做 To B 的模型，還是會(huì)誕生在美國(guó)，因?yàn)橹Ц兑庠父鼜?qiáng)，To B 的文化更好。中國(guó)國(guó)內(nèi)做這個(gè)事情很難，所以大家都會(huì)選擇出?；蛘咦鰢?guó)際化。

但我覺(jué)得還有更重要的是主觀上的概念。我最近跟很多人聊天，直觀的感受是：中國(guó)其實(shí)有非常多非常強(qiáng)的人才。任何一個(gè)事情，只要被證明能做出來(lái)，很多人都會(huì)非常積極地去嘗試，并且想要甚至做得更好。

但好像，今天中國(guó)想要突破新的范式或者做非常冒險(xiǎn)事情的人，可能還不夠多。這里面可能有經(jīng)濟(jì)環(huán)境、商業(yè)環(huán)境、文化的因素。但是如果增加一點(diǎn)的話，主觀上能不能有更多有創(chuàng)業(yè)精神或者冒險(xiǎn)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。

因?yàn)槟壳皝?lái)看，一個(gè)范式一旦被發(fā)生，我們可以用很少的卡、很高的效率去 Catch up 或者甚至局部做得更好。但是，我們到底能不能去引領(lǐng)新的范式？我覺(jué)得這可能是今天中國(guó)唯一要解決的、某種程度上唯一要解決的問(wèn)題。因?yàn)槠渌惺虑?，無(wú)論是商業(yè)、產(chǎn)品設(shè)計(jì)還是這種 Catch up 做工程，我們都已經(jīng)某種程度上比美國(guó)做得更好。

李廣密（主持人）：我再 Follow 順雨一個(gè)問(wèn)題：你對(duì)中國(guó)的 Lab 里面的研究文化有什么要呼吁的嗎？你也感受過(guò) OpenAI 或者灣區(qū) DeepMind 的研究文化，中國(guó)跟美國(guó)有什么差異？這個(gè)研究文化對(duì)作為一個(gè) AI Native 的公司有哪些根本性的影響？

姚順雨：我覺(jué)得每一個(gè)地方的研究文化都很不一樣，美國(guó)不同實(shí)驗(yàn)室之間的區(qū)別可能比中美之間的區(qū)別還要大。在中國(guó)也一樣，我個(gè)人覺(jué)得有兩點(diǎn)吧：

第一，在中國(guó)大家還是更喜歡做更安全的事情。比如今天預(yù)訓(xùn)練已經(jīng)被證明可以做出來(lái)了。這事情其實(shí)也非常難做，有很多技術(shù)問(wèn)題要解決。但是只要一旦被證明能做出來(lái)，我們都很有信心幾個(gè)月或者一段時(shí)間內(nèi)就把這個(gè)東西搞清楚。但是如果今天要讓一個(gè)人去探索一個(gè)比如長(zhǎng)期記憶或者持續(xù)學(xué)習(xí)，大家不知道怎么做，能不能做起來(lái)。那這個(gè)我覺(jué)得還是比較困難。

當(dāng)然，也不只是大家更喜歡做確定性的事情。很重要一點(diǎn)是，文化的積累以及整體的認(rèn)知其實(shí)是一個(gè)需要時(shí)間沉淀的事情?？赡茉?OpenAI 做 RL 這事情，可能是 22 年就開(kāi)始做了。國(guó)內(nèi)可能是 23 年開(kāi)始做，對(duì)這個(gè)東西的理解會(huì)有差異。或者說(shuō)，中國(guó) RL 好像沒(méi)有 Scale up 得這么大。我覺(jué)得很多是時(shí)間問(wèn)題。當(dāng)你積累的文化或者底蘊(yùn)更深，潛移默化地會(huì)影響人的做事方式。

第二，我覺(jué)得在中國(guó)大家對(duì)于刷榜或者數(shù)字會(huì)看得更重一些。這一點(diǎn)上，像海外 Anthropic 就會(huì)做得比較好。包括 DeepSeek 做得也比較好的一點(diǎn)是，他們可能沒(méi)有那么關(guān)注榜單的數(shù)字，可能會(huì)更注重：第一什么是正確的事情，第二是什么是你自己能體驗(yàn)出來(lái)好還是不好的。

我覺(jué)得這挺有意思的。你看，Claude 模型可能在很多編程或者軟件工程榜單上也不是最高的，但是大家都知道這個(gè)東西是最好用的。我覺(jué)得還是需要大家能夠走出榜單的束縛，去堅(jiān)持自己覺(jué)得什么是正確的、或者什么是好的。

李廣密（主持人）：多謝?？D，你來(lái)聊聊中國(guó)贏下的概率和條件

林俊旸：你這個(gè)問(wèn)題本身是一個(gè)危險(xiǎn)的問(wèn)題。理論上這個(gè)場(chǎng)合是不可以潑冷水的。但是，如果從概率上來(lái)說(shuō)，我想說(shuō)一下我感受到的中美差異。

比如美國(guó)的 Compute，可能整體比我們大 1~2 個(gè)數(shù)量級(jí)。但是我看到不管是 OpenAI 還是 Anthropic，他們大量的 Compute 其實(shí)只是投入到下一代的 Research 當(dāng)中去。我們今天相對(duì)來(lái)說(shuō)捉襟見(jiàn)肘，光交付可能就已經(jīng)占據(jù)了絕大部分的 Compute，這會(huì)是一個(gè)比較大的差異。

這可能是歷史以來(lái)的問(wèn)題：創(chuàng)新是發(fā)生在有錢(qián)的人手里，還是窮人的手里？

窮人不是沒(méi)有機(jī)會(huì)，因?yàn)槲覀冇X(jué)得這些“富哥”真的很浪費(fèi)卡，他們 Ablation（消融實(shí)驗(yàn)）這么多東西，可能訓(xùn)了很多也沒(méi)什么用。但今天窮的話，你會(huì)想，比如所謂的算法 Infra 聯(lián)合優(yōu)化這個(gè)事情。其實(shí)如果你真的很富的話，你真的沒(méi)有什么動(dòng)力去做這個(gè)事情。

我覺(jué)得可能更進(jìn)一步，剛才順雨也提到光刻機(jī)的問(wèn)題，未來(lái)有可能還有一個(gè)點(diǎn)是，如果從軟硬結(jié)合的角度，是不是真的有可能 End-to-End 地做出來(lái)？比如我們下一代的模型結(jié)構(gòu)和芯片，其實(shí)都有可能是一起把它給做出來(lái)的。

我特別記得我在 21 年的時(shí)候，當(dāng)時(shí)我們?cè)谧龃竽Ｐ?。阿里做了芯片，?lái)找我說(shuō)：能不能預(yù)測(cè)一下三年之后這個(gè)模型是不是 Transformer？三年之后模型是不是多模態(tài)？為什么是三年呢？他說(shuō)我們需要三年的時(shí)間才能流片。我當(dāng)時(shí)回答是：三年之后，我在不在阿里巴巴，我都不知道。但最后我今天還在阿里巴巴，然后他果然還是 Transformer，還是多模態(tài)，我就非常懊悔為什么當(dāng)時(shí)沒(méi)有去催他去做。

但當(dāng)時(shí)我們的交流其實(shí)非?！半u同鴨講”，他講了一大堆我不懂，我講了他不知道我們?cè)谧鍪裁矗湾e(cuò)過(guò)了機(jī)會(huì)。但這個(gè)機(jī)會(huì)有沒(méi)有可能再來(lái)一次？我們雖然是一群窮人，但是不是有可能窮則生變？創(chuàng)新的機(jī)會(huì)可能發(fā)生在這里。

但我覺(jué)得可能我們需要改變的是教育。我感覺(jué)，比如我屬于 90 年代靠前一些的，順雨屬于 90 年代靠后一些的，團(tuán)隊(duì)里面好多 00 后，我感覺(jué)大家冒險(xiǎn)精神變得越來(lái)越強(qiáng)。美國(guó)人天然有非常強(qiáng)烈的冒險(xiǎn)精神，典型的例子是當(dāng)時(shí)電動(dòng)車(chē)剛出來(lái)，甚至天棚漏水、開(kāi)車(chē)可能會(huì)意外身亡的情況下，依然有很多富豪愿意做這個(gè)事情。但在中國(guó)，富豪們是不會(huì)去干這個(gè)事情的，大家會(huì)做一些很安全的事情。

那今天，大家的冒險(xiǎn)精神開(kāi)始變得更好，中國(guó)的營(yíng)商環(huán)境也在變得更好，我覺(jué)得是有可能帶來(lái)創(chuàng)新的。概率沒(méi)那么大，但真的有可能。

李廣密（主持人）：如果看一個(gè)數(shù)字呢？

林俊旸：你是說(shuō)百分之多少？

李廣密（主持人）：對(duì)，三年到五年后中國(guó)最領(lǐng)先的那個(gè)公司是一家中國(guó)公司的概率。

林俊旸：我覺(jué)得 Below 20% 吧，我覺(jué)得 20% 已經(jīng)非常樂(lè)觀了，因?yàn)檫@里真的有很多歷史積淀的原因。

李廣密（主持人）：我再 Follow 一個(gè)問(wèn)題，你內(nèi)心的那個(gè) Gap 變大的恐懼感強(qiáng)嗎？有的地方在追上來(lái)，有的地方算力又在拉大。

林俊旸：今天你干這一行就不能恐懼，必須得有非常 Chill 的心態(tài)。從我們的心態(tài)上來(lái)說(shuō)，能干這行已經(jīng)非常不錯(cuò)了，能夠做大模型這件事情已經(jīng)非常幸運(yùn)了。

我覺(jué)得還是看你的初心是什么。剛才順雨提到一個(gè)點(diǎn)，你的模型可能不一定那么強(qiáng)，在 C 端里邊其實(shí)是 OK 的。那我可能轉(zhuǎn)換成另外一個(gè)角度思考：我們的模型為人類社會(huì)帶來(lái)什么樣的價(jià)值？ 只要我去相信我這個(gè)東西能夠?yàn)槿祟惿鐣?huì)帶來(lái)充分的價(jià)值，能夠幫助人類，他就算不是最強(qiáng)的，我也愿意接受。

李廣密（主持人）：多謝俊旸。楊老師，您經(jīng)歷過(guò)很多 AI 的周期，也看過(guò)很多中國(guó) AI 公司變成世界最強(qiáng)，您的判斷？

楊強(qiáng)：回顧一下互聯(lián)網(wǎng)的發(fā)展，一開(kāi)始也是從美國(guó)開(kāi)始，但是中國(guó)很快就趕上，而且應(yīng)用像微信就是世界第一的。我想 AI 是一個(gè) Enabling 的技術(shù)，它并不是一個(gè)終端的產(chǎn)品。但是我們中國(guó)有很多的聰明才智會(huì)把這個(gè)產(chǎn)品發(fā)揮到極致，不管是 To B 還是 To C。但我可能更看好 To C，因?yàn)榘倩R放，中國(guó)人集思廣益。

但是 To B 可能有一些具體的限制，像付費(fèi)意愿、企業(yè)文化等等，這些可能也在改變。但是我最近也特別觀察一些商業(yè)方面，比如美國(guó)有一個(gè)公司叫 Palantir，他的一個(gè)理念是：現(xiàn)在不管 AI 發(fā)展到什么階段，我總是能在 AI 里面發(fā)現(xiàn)一些好的東西應(yīng)用在企業(yè)上。中間肯定有 Gap，我們要給它彌合。

它有一個(gè)辦法叫“本體”，用本體的方法。其實(shí)我觀察了一下，大概的思想就是我們以前做的遷移學(xué)習(xí)，把一個(gè) General 的 Solution 應(yīng)用到一個(gè)具體的實(shí)踐當(dāng)中，用一個(gè)本體來(lái)做一個(gè)知識(shí)的遷移。這個(gè)方法非常巧妙。它是通過(guò)一種工程的方法，叫前端工程師 FDE（Forward Deployed Engineer）來(lái)解決的。

不管怎么樣，我覺(jué)得像這種就非常值得我們學(xué)習(xí)。我覺(jué)得中國(guó)的企業(yè)像 AI Native 的公司應(yīng)該發(fā)展出這樣的一些 To B 的 Solution 來(lái)。我相信會(huì)的。所以，我覺(jué)得 To C 肯定是百花齊放的，To B 可能也會(huì)很快地跟上來(lái)。

李廣密（主持人）：多謝楊老師。唐老師。

唐杰：首先我覺(jué)得確實(shí)也要承認(rèn)，在中美，無(wú)論從研究，尤其是企業(yè)界的 AI Lab，是有差距的，這是第一個(gè)。

但我覺(jué)得未來(lái)中國(guó)慢慢變得越來(lái)越好，尤其是 90 后、00 后這一代起來(lái)，真的遠(yuǎn)遠(yuǎn)好過(guò)之前。我有一次在 YOCSEF 的一個(gè)會(huì)上說(shuō)過(guò)一句話：我們這一代是最不幸的。為什么呢？你看我們上一代還在呢，我們現(xiàn)在還在繼續(xù)工作，還沒(méi)出頭之日。然后很不幸的下一代已經(jīng)出來(lái)了，世界已經(jīng)交給下一代了，把我們這一代無(wú)縫給跳過(guò)了。其實(shí)開(kāi)玩笑的。

但我覺(jué)得最有意思的是，可能未來(lái)中國(guó)也許的機(jī)會(huì)：

第一，一群聰明人真的敢做特別冒險(xiǎn)的事。我覺(jué)得現(xiàn)在是有的，00 后、90 后這一代，包括俊旸、Kimi、順雨，都是愿意而且非常敢冒風(fēng)險(xiǎn)做這樣大冒險(xiǎn)的事。

第二，我覺(jué)得確實(shí)環(huán)境要更好一些。無(wú)論從國(guó)家的環(huán)境，比如大企業(yè)和小企業(yè)之間競(jìng)爭(zhēng)，創(chuàng)業(yè)企業(yè)之間的問(wèn)題，包括我們的營(yíng)商環(huán)境。像剛才俊旸說(shuō)的，還要做交付。我覺(jué)得把環(huán)境 Build 得更好，讓一群聰明人又敢于冒險(xiǎn)的聰明人有更多的時(shí)間去做這種創(chuàng)新的事情。比如讓俊旸這樣的人有更多時(shí)間做創(chuàng)新。這是第二個(gè)，也許是我們政府包括國(guó)家可以來(lái)幫忙改善的事情。

第三，回到我們每個(gè)人身上，就是能不能堅(jiān)持。我們能不能愿意在一條路上，敢做、敢冒險(xiǎn)，而且環(huán)境也還不錯(cuò)？我覺(jué)得環(huán)境肯定不會(huì)是最好的，永遠(yuǎn)不要想著環(huán)境是最好的。如果我覺(jué)得我們恰恰可能也是幸運(yùn)吧，我們?cè)诮?jīng)歷一個(gè)環(huán)境從也許原來(lái)沒(méi)那么好慢慢變得更好的一個(gè)時(shí)代。我們是經(jīng)歷者，也許就是這個(gè)財(cái)富收獲最多的人。如果我們笨笨地堅(jiān)持，也許走到最后的就是我們，感謝大家。

結(jié)語(yǔ)

李廣密（主持人）：感謝唐老師。所以我們也很想呼吁，應(yīng)該有更多的資源資金投入到中國(guó)的 AGI 行業(yè)。有更多的算力，讓更多的 AI 年輕研究員“搓卡”，可能搓個(gè)三五年，中國(guó)也有 3~5 個(gè)自己的 Ilya，對(duì)吧？這是我們未來(lái) 3-5 年很期待的

非常感謝大家！