大家好，这里是最佳拍档。二零二六年开年的中国AI圈，可谓是“神仙打架”，一场足以定义全年行业走向的学术盛宴在北京悄然上演。这场名为AGI Next的前沿峰会，集齐了中国AI领域的半壁江山：有91岁高龄的中国AI奠基人张钹院士亲自坐镇，也有开源四杰中的三家核心人物，包括智谱的创始人、清华大学教授唐杰，阿里云千问首席AI科学家林俊旸，以及刚刚回国任职腾讯的九零后天才科学家姚顺雨（跨国线上连线）。再加上联邦学习的开创者、香港科技大学荣休教授杨强院士的加持，这场圆桌对话的分量足以让全球AI圈侧目。峰会结束后，网上流传了大量的现场速记，充斥着拼写错误和语义偏差。这些顶尖科学家的前沿思想，值得被更精准地记录和传播。所以今天，我们将基于精校无错版的对话实录，带大家深度拆解这场“神仙对话”的核心干货，从大模型的分化路径，到AGI（Artificial General Intelligence: 通用人工智能）下一个范式，再到Agent（智能体）战略的落地，以及中国AI未来能否领跑全球，四个关键话题，来聊一聊二零二六年AI行业的可能走向。

主持人是拾象科技的CEO李广密。他开场就点出了对话的背景：二零二五年是中国开源模型大放异彩的一年，开源四杰在全球斩获了佳绩，Coding（代码生成）相关领域实现了十到二十倍的增长。而硅谷那边，Anthropic聚焦于企业服务、Coding和Agent，Google Gemini则深耕全模态，这种分化已经成为了行业共识。那么，中国的大模型会走出怎样的差异化路线呢？

大模型的分化路径

率先发言的是腾讯的首席AI科学家姚顺雨。这位横跨中美的年轻科学家，刚回国不久，言谈间还带着几分轻松。他线上连线时，打趣自己是不是一个巨大的脸在会场，引发了全场的笑声。随后，他就切入了正题，分享了两个核心的观察：中国大模型的分化已经清晰地呈现出了两个维度：一是To C（To Consumer: 面向消费者）和To B（To Business: 面向企业）这两条明确的赛道；二是垂直整合以及模型和应用分层的路径分化。

我们先来看第一个维度。如今，全球AI领域的超级App已经形成了两个典范：分别是，ChatGPT代表的To C，和Claude Code代表的To B。但是有意思的是，普通用户对ChatGPT的感受已经趋于平淡。虽然它在解答抽象代数问题等专业领域的能力还在持续提升，但大部分人日常使用时，更多是把它当成是搜索引擎的加强版，甚至不知道怎么用才能激发它的全部智能，所以体验上的变化并不是很强烈。而Claude Code却是完全不同：一年前还没能掀起波澜的Coding革命，如今已经重塑了整个计算机行业的工作方式，让人们不再需要亲手写代码，而是通过自然语言和电脑交流就能完成开发任务。这里的核心差异在于，To C的场景中，大部分用户不需要极致的智能；而在To B的场景里，智能强度直接和生产力、收益挂钩。姚顺雨举了个很现实的例子：美国市场上，最强的Opus 4.5模型月租是两百美元，而差一级的模型只要二十到五十美元。但是很多年薪二十万美元的从业者，宁愿支付溢价去选择最好的模型，因为面对每天十个工作任务，Opus 4.5能做对八九个，而差一点的模型可能只能做对五六个。更麻烦的是，你无法预判哪几个会出错，需要额外花费大量的精力去监控，反而得不偿失。所以在To B市场中，强模型和普通模型的差距会越来越大，分化会持续地加剧。

再看第二个维度：垂直整合与分层发展的路径选择。姚顺雨解释说，模型层和应用层需要的能力完全是不同的。预训练对于产品公司来说门槛非常高，但是要想让好模型的能力充分溢出，应用侧和环境侧的适配同样重要。在To C的领域，垂直整合依然有效，无论是ChatGPT还是豆包，模型和产品都能形成紧密的迭代。作为腾讯的核心AI负责人，姚顺雨也分享了腾讯的战略思考：腾讯的To C基因更强，所以他们发现，To C领域的瓶颈不在于更大的模型、更强的强化学习（Reinforcement Learning: 强化学习）或者奖励模型，而在于额外的上下文和环境。他举了个生活化的例子，比如当你问AI“今天该去吃什么”的时候，无论是去年、今年还是明年问ChatGPT，体验都不会很好，因为这个问题的核心不是模型不够强，而是缺少关键信息的输入，比如今天天气冷想吃暖和的、活动范围在哪里、家人的饮食偏好是什么等等。如果能把微信的聊天记录同步给腾讯的元宝AI，或者充分利用这些额外的上下文，就能给用户带来真正的价值。这也是腾讯在To C领域的核心发力点。

而在To B的领域，姚顺雨坦言中国市场的难度很大。很多国内公司的Coding Agent都选择主攻海外的市场。腾讯的思路是先服务好自身，大公司本身就有海量应用场景和生产力提升的需求，模型在这些场景中经过打磨，不仅能够形成独特的优势，还能捕捉到真实世界中更多样化的数据。他对比了创业公司和大公司的差异：比如，Anthropic这样的创业公司，要获取Coding Agent的数据，需要依赖于数据厂商，而数据厂商的标注人员数量是有限的，所以数据的多样性就会受限。但是如果是像腾讯这样拥有10万员工的大公司，就能通过内部场景，真正利用好真实的数据，而不是仅仅依赖于数据标注商或者模型蒸馏技术。

接下来，阿里云千问的林俊旸分享了不同的视角。他首先强调，公司的基因并不是一成不变的，而是由一代又一代的人塑造的。对于大模型的分化，他更倾向于自然形成：无论是To B还是To C，最终都是服务于真实的人类，所以分化会围绕着用户的需求来展开。比如有些AI会偏向医疗、法律等垂直的领域，这不是刻意规划的结果，而是市场选择的必然。林俊旸特别提到了中美市场的差异：在美国，Coding相关的Token消耗量非常大，但是在中国的市场还没有形成同样的规模。他认为Anthropic选择Coding赛道，并不是单纯的战略下注，而是基于和客户的频繁交流，发现了真实的市场需求。这一点也是国内行业需要学习的：就是要更多的贴近客户，才能找到真正的分化机会。

联邦学习（Federated Learning: 联邦学习）的开创者杨强院士，则把视角拉到了工业界和学术界的分化上。他提到，过去一直是工业界领跑，学术界观望，甚至很多学术界的人都在做着工业界的事。但是当大模型进入稳定状态以后，学术界也需要跟上，解决工业界还没来得及攻克的基础问题。比如，资源应该要怎样在训练和推理之间分配呢？记忆能力对推理的帮助和干扰要怎么平衡呢？还有哥德尔不完备定理带来的启示：当大模型作为一个系统，无法自证清白的时候，幻觉是不可能被完全消灭的。那么需要多少资源，才能够换取多少幻觉的降低呢？这就像经济学中的风险收益平衡一样，没有免费的午餐，需要数学界、算法界和工业界共同来研究。杨强院士还分享了一个很有趣的观点，那就是在持续学习中，多个Agent串联时，能力会呈指数级的下降；然而，人类通过睡觉可以清理噪音，能够避免错误叠加，持续提升准确率。这给大模型的计算模式带来了新的启发，未来或许需要跳出Transformer（Transformer: 一种深度学习模型架构）计算的现有框架，去探索新的技术路径。

最后，智谱的创始人唐杰教授分享了自己的战略思考。他回忆说，二零二三年，智谱是第一个做出聊天产品的。但是后来国家统一规定后，十多个大模型同时上线，每个公司的用户都不多。当时他预判大模型会替代搜索，但是如今谷歌通过自我革命保住了市场，这场替代之战在DeepSeek出现后，基本上就已经结束了。当时智谱团队争论了很多个晚上，最终下注了Coding赛道，把所有的精力都投入到了其中。这也印证了分化的核心，是要找到真正能够解决问题的垂直赛道。

AGI的下一范式

聊完了大模型的分化，下一个话题自然而然地聚焦到了AGI（Artificial General Intelligence: 通用人工智能）的下一个范式。预训练已经走过三年，收获了七八成的收益；强化学习也成为了共识，实现了四五成的潜力。那么，下一个能引领行业的范式是什么呢？

姚顺雨作为曾经在OpenAI工作过的亲历者，分享了硅谷的最新动态。他说，自主学习（Autonomous Learning）已经成为硅谷的热门话题，几乎成为了行业共识，但是每个人对它的理解都是不同的。他认为，自主学习的瓶颈不在于方法论，而是在于数据和任务场景。比如聊天时的个性化，写代码时对公司环境的熟悉，科学探索中从门外汉到专家的成长，这些都是在不同场景下的自主学习，对应的挑战和方法论也完全是不同的。更重要的是，姚顺雨指出，自主学习已经在发生了，只是很多人都还没有意识到。比如ChatGPT会利用用户数据，拟合聊天风格，让用户的体验感越来越好；Claude Code已经完成了自身项目百分之九十五的代码编写，帮助自己持续优化。他解释说，今天的AI系统本质上由两部分构成：分别是神经网络和代码库，也就是如何使用模型进行推理或者构建Agent。如果未来的Agent能够自己优化代码仓库，那其实就是AGI的一种形态，只不过Claude Code已经在大规模得做这件事了。这更像是一个渐变的过程，而不是突然的突破。

对于大家关心的，二零二六年能不能看到自主学习的明确信号，姚顺雨认为这个问题，其实二零二五年就已经有了苗头。比如Cursor的自动补全模型，每隔几个小时就能够用最新的用户数据进行学习；新的Composer Model也在利用真实环境的数据进行训练。虽然这些成果还不够石破天惊，因为受限于没有预训练的能力，效果不如Opus，但是已经是明确的信号了。他认为最大的瓶颈是想象力，在于我们能够想象到什么样的强化学习或者推理的提升效果。比如O1模型在数学题上从十分提升到八十分。但是如果在二零二六年或者二零二七年，自主学习成为了新的范式，我们该用什么任务去进行验证呢？是让它成为一个赚钱的交易系统，还是解决科学上的难题呢？这需要先明确验证的标准是什么。

当被问到哪家公司最有可能引领下一个范式时，姚顺雨依然看好OpenAI。他说，尽管OpenAI的商业化让它的创新基因有所削弱，但是它依然是最有可能诞生下一个新范式的公司。

林俊旸则从更实际的角度出发，认为当前的范式还处于早期，强化学习的计算资源还没有达到充分的规模化，很多潜力也还没有释放，而且基础设施还存在很多的问题。对于下一个范式，他提出了两个关键点：一是测试时Scaling，能不能通过更多的Token，让AI变得更强，比如Anthropic所说的，让AI科学家持续工作30个小时，来解决高难度的任务，挑战那些人类没有做到的事情；二是AI的主动性，目前的AI仍然需要人类通过提示词来启动，但是未来能不能让环境直接触发AI的思考和行动呢？但是林俊旸也表达了对安全的担忧，他不担心AI说不该说的话，更担心的是它做了不该做的事，比如主动产生危险的想法并且付诸行动。这就像培养小孩一样，需要给AI注入正确的方向。主动性是重要的范式，但是安全问题必须同步得到解决。

对于自主学习可能率先突破的任务，林俊旸认为AI训练AI的场景很快就能够实现，甚至Claude Code很快就能替代很多AI研究员的日常工作。但是更有价值的突破可能在个性化领域。过去的推荐系统会通过持续输入用户的信息变得更强，然而AI时代的个性化，是让AI真正的理解用户，成为每个人的专属副驾驶。但是这里的核心挑战是评估体系：推荐系统的个性化可以用点击量、购买量来衡量，但是AI时代的个性化覆盖了人类生活方方面面，该用什么指标来衡量呢？这可能是行业需要重点研究的问题之一。

关于大家关注的，记忆技术能不能在二零二六年实现突破性跨越的问题，林俊旸认为技术的发展本质上是线性的，所谓的突破性，更多的是人类的主观感受。现在很多公司都在做记忆相关的功能，但是效果还不够理想。比如千问的记忆功能，能够记住用户的名字，但是只是简单的复述，并且显得不太聪明。不过，当记忆技术达到某个临界点的时候，或者能像电影《她》中的AI那样，真正理解了用户的过往经历和需求时，人类就会感受到质的飞跃。他坦诚的说道，目前行业内的技术方案其实都还很朴素，每天都在解决各种丑陋的Bug，但是只要算法和基础设施结合得更好，未来仍然大有可为。

杨强院士则从联邦学习的角度，给出了新的思考。他说，大模型的能力越来越强，但是很多场景下的本地资源是不足的，而且数据存在着隐私和安全要求。所以通用大模型和本地的垂直小模型，以及领域专家模型之间该怎么协作，就成为了关键。他举例说，美国Zoom的黄学东团队做的联邦AI系统，就是一个开放的基座，允许各方的接入，在去中心化的状态下，既能够保护隐私，又能和通用大模型协作。这种开源模式，无论是知识开源还是代码开源，在医疗、金融等敏感场景中会变得越来越重要。

唐杰教授对二零二六年的范式革新持有乐观的态度。他认为，过去工业界和学术界的资源差距高达一万倍，但是现在很多学校已经有了上千张卡，越来越多的老师开始研究大模型的架构、持续学习等基础性的问题，学术界的创新基因已经被激活。另外，虽然大模型的投入越来越大，但是效率却不高。数据从十T增加到一百T，计算成本飙升，但是收益却没有同比例的增长。强化学习的边际效益也在递减。这种情况下，智能的效率就会成为核心，就是用更少的投入来获得更多的智能增量。这必然会催生出新的范式，可能是持续学习、记忆技术、模型架构，或者多模态领域的突破。

Agent战略与落地

第三个话题，几人聚焦到了Agent（智能体）的战略方面。这被很多人视为二零二六年AI创造经济价值的关键。主持人李广密提到，现在的Agent已经能在后台推理三到五个小时，完成人类一到两天的

工作量。大家期待在二零二六年，能够实现自动化人类一周到两周的任务流，让Agent从工具升级为自动化任务的核心力量。

姚顺雨再次强调了To C和To B的差异。在To B领域，Agent的发展曲线是持续上升的，没有放缓的迹象。Anthropic的策略很简单：把预训练模型做大，把强化学习做好，模型越聪明，解决的任务就越多，收入就越高，所有的目标高度一致。而To C领域的问题在于，产品指标，比如日活用户数量和模型的智能往往不相关，甚至存在着冲突。这也是Anthropic能够专注To B并且取得成功的重要原因。姚顺雨认为，生产力Agent才刚刚起步，目前有两个核心的瓶颈：第一个是环境和部署的问题。即使停止掉现在所有的模型训练，只要把现有模型部署到全球的各类公司，就能带来十到一百倍的收益，对GDP产生百分之五到百分之十的影响，但是目前的实际影响还不到百分之一。第二个是教育的问题。人和人的差距正在拉大，不是AI替代人，而是会使用AI工具的人替代不会使用的人。就像当年电脑发明后，会编程的人淘汰了用计算尺和算盘的人一样。他呼吁国内要加强AI教育，教大家更好地使用国产AI模型，这是中国当前能做的最有意义的事情之一。

林俊旸则从产品哲学的角度分享了自己的观点。他认同模型即产品的理念，也欣赏OpenAI研究即产品的模式，很多研究员能直接成为产品经理，端到端的把研究成果转化为产品。千问内部的研究员们也越来越倾向于做面向真实世界的产品，这与Agent的发展方向是高度契合的。林俊旸认为，二零二六年的Agent要实现自动化人类的长期工作，需要满足几个条件：一是与自主学习和主动学习的深度结合，Agent要在长时间工作中实现自我进化，还要能自主决定任务的优先级；二是提升和环境的交互能力。目前Agent的交互环境主要是电脑，未来如果能延伸到真实世界，比如指挥机器人做制药领域的湿实验，就能大幅提升效率。否则仅靠电脑端的文件处理，很难实现长期任务的自动化。他预测，电脑端的Agent应用今年就能有所突破，但是和具身智能相结合、进入真实物理世界的Agent，可能需要三到五年的时间才能成熟。

当被问到通用Agent的机会是属于创业者还是模型公司时，林俊旸引用了Manus的CTO Peak的观点，认为通用Agent的核心机会在长尾市场。头部任务的马太效应非常明显，模型公司凭借着算力和数据优势很容易解决。但是长尾任务的需求分散、场景多样，这正是创业者的机会。当用户在任何角落都找不到解决方案时，AI能够提供帮助，这才是AI的最大魅力。当然，如果创业者没有信心比模型公司做得更好，那么模型公司通过模型即产品的模式，直接优化模型就能解决问题。所以机会归属就见仁见智了。林俊旸还补充了强化学习的最新进展：现在修复问题比以前容易多了。过去客户在做有监督微调时，数据配比、数据质量都是难题。但是现在有了强化学习，只需要少量的数据点，甚至不需要标注，仅凭查询和奖励，就能快速的训练和优化模型。这也是技术进步所带来的红利。

杨强院士则提出了Agent发展的四个阶段，核心的划分标准是目标和规划的定义者究竟是人还是AI。目前我们还处于初级阶段，目标由人来定义，规划也由人来设计，Agent本质上只是一种高级的编程语言。而未来的Agent会是大模型内生的系统，能够观察人类的工作过程，利用过程数据，自主定义目标和规划，真正实现智能的自主决策。

唐杰教授则从三个维度来判断Agent的未来走势：一是价值的大小，在于Agent能否解决有价值的问题。比如早期的GPT虽然诞生了很多Agent，但是大多数都很简单，用提示词就能替代，最终都慢慢的消失掉了，核心原因就是价值不足。二是成本的高低，如果调用一个API就能解决问题，那么API提供方可能会把这个功能直接整合进来，所以基座模型和应用层的矛盾始终存在。三是迭代的速度，大模型时代拼的是时间窗，能否在半年内快速满足用户的需求，持续迭代，这才是Agent成功的关键。智谱在Coding和Agent领域的下注，目前已经看到了成效，调用量持续的增长，这也印证了速度和战略选择的重要性。

中国AI的全球引领之路

最后一个话题，也是最引人深思的话题，就是三年到五年后，全球最领先的AI公司是中国团队的概率有多大呢？中国AI想要从跟随者变成引领者，还需要做好哪些关键的准备呢？

姚顺雨的态度相对乐观，他认为概率是很高的。他以制造业、电动车行业为例，中国企业一旦发现某个赛道可行，就能快速追赶甚至进行局部超越。但是要实现引领，还需要解决三个关键的问题：第一个是算力瓶颈，核心是光刻机和软件生态的突破。中国有电力和基础设施的优势，但是产能受限，这是必须解决的硬伤。第二个是To B市场的成熟，美国的To B文化和支付意愿更强，很多生产力模型都诞生在美国，国内To B市场的难度很大，所以出海和国际化是重要方向。第三个是主观层面的冒险精神。中国有大量的顶尖人才，能够快速复现和优化已经被验证的技术，但是愿意突破新范式、做冒险探索的人还不够多。这可能是受到经济环境、商业文化的影响。但是如果能有更多具备创业精神和冒险精神的人，投身到前沿探索中，中国AI才有机会引领新的范式。姚顺雨还对比了中美研究文化的差异，他认为，中国研究者更倾向于做安全的事情，只要技术被证明可行，即使难度很大，也能在几个月内攻克。但是对于长期记忆、持续学习等未知的领域，探索的动力不足。这背后有文化积累和认知沉淀的原因。比如OpenAI在二零二二年就开始深耕强化学习，国内直到二零二三年才大规模的跟进，理解深度上存在着明显差异。另外，国内行业对榜单和数字的关注度过高，然而Anthropic、DeepSeek等公司更关注什么是正确的事情，用户体验是否真的更好。Claude在很多编程榜单上并不是最高分，却是用户公认最好用的模型。这种跳出榜单束缚、坚持本质价值的理念，是值得国内行业学习的。

林俊旸的态度相对谨慎，他给出的概率是低于百分之二十，但是他认为这已经是非常乐观的判断了。他指出了中美最核心的差距，就是美国的算力总量比中国高出了一到两个数量级，而且OpenAI、Anthropic等公司会把大量的算力投入到下一代的研究中，但是国内的算力大多用来做产品交付，用来进行探索性研究的资源可以说是捉襟见肘。但是林俊旸也提到了穷则生变的可能性：美国公司的算力充足，因此缺乏算法和基础设施联合优化的动力；而国内企业在资源有限的情况下，反而可能在软硬结合上找到突破点，比如将下一代模型结构和芯片设计端到端的结合起来。他分享了一个遗憾的经历：二零二一年阿里的芯片团队曾经咨询过他，三年后模型会不会还是Transformer架构、会不会走向多模态，因为芯片得流片需要三年时间。但是当时双方由于沟通不畅，错过了协同机会。如果未来能够加强跨领域的协作，这种软硬结合的创新可能会成为中国的机会。林俊旸还强调了教育和冒险精神的重要性，他观察到，九零后、零零后的冒险精神越来越强，而且中国的营商环境也在持续的优化。美国的冒险精神是与生俱来的，就像电动车刚出现时，即使存在安全隐患，依然有富豪愿意投资。但是中国的富豪更倾向于做安全的投资。随着年轻一代的成长和环境的改善，这种情况可能会逐渐的改变，这也是中国AI的潜在优势。

杨强院士则从互联网发展的历史中寻找答案。他说互联网起源于美国，但是中国很快追赶上来，微信等应用成为了世界领先。他认为AI是赋能技术，而不是终端产品。中国企业在产品落地和应用创新上有着天然的优势，尤其是To C领域，百花齐放的生态和集思广益的创新氛围，会让中国在To C领域保持领先。对于To B领域，杨强院士认为虽然存在着付费意愿、企业文化等方面的限制，但是正在快速改善。他以美国公司Palantir为例，他的核心思路是通过本体论，将通用的解决方案通过迁移学习应用到具体的企业场景中，还专门设立了前端部署工程师来弥合技术与应用的差距。这种工程化的解决方案，值得国内AI原生公司去学习。未来中国的To B领域也会快速的跟进。

唐杰教授首先承认了中美在企业级AI实验室的研究水平上存在着差距，但是他对未来充满了信心。核心原因是年轻一代的崛起，九零后、零零后比上一代更加敢于冒险，一些年轻的科学家都愿意投身到高风险的前沿探索中。他认为中国AI要实现引领，需要具备三个条件：一是更多的聪明人敢于做冒险的事，这一点已经在年轻一代中显现；二是更好的环境支持，包括国家政策、营商环境，减少不必要的内耗，让研究者有更多的时间和精力投入创新，而不是疲于交付；三是坚持，环境永远不会完美，但是在环境逐渐改善的过程中，只要坚持在正确的赛道上深耕，就有可能走到最后。

最后，主持人李广密的呼吁道出了很多人的心声，那就是希望有更多的资源和资金投入到中国的AGI行业中，提供更多的算力，让更多年轻的AI研究员有机会投入到模型训练和研究中。也许三到五年后，中国也能诞生出三到五个自己的伊利亚·苏茨克维尔（Ilya Sutskever: OpenAI前首席科学家），真正的引领全球AI的发展。对于这场圆桌谈话的展望，我们不妨拭目以待，看看三到五年后，中国AI能否交出一份令人惊喜的答卷。感谢收看本期视频，我们下期再见。