文｜ 周鑫雨、邓咏仪
整理 | 王欣逸、魏宁
编辑｜苏建勋
2026年1月10日，在由清华大学基础模型北京市重点实验室、智谱AI发起的AGI-Next前沿峰会上，当下中国大模型最重要的四位主力，罕见地聚在了一起：
刚刚在1月8日顺利登陆港股，同时也是这场闭门会主办方的智谱，其创始人兼首席科学家唐杰是现场第一个分享嘉宾。
不久前官宣加入腾讯的姚顺雨，第一次出现在公共场合中。在腾讯近期完成关键的一次模型团队重组之后，这名前OpenAI研究员，出任CEO办公室首席科学家。
和姚顺雨同属大厂战队的，是阿里Qwen技术负责人林俊旸，阿里历史上最年轻的P10。他背后的阿里通义实验室，目前开源模型的衍生数量和下载量，已经位列全球开源模型第一。
闭门会上的另一股重要力量，是近期处在舆论焦点的六小虎。现身闭门会的月之暗面CEO杨植麟，最近刚刚官宣了新一轮5亿美元的融资。
如果说2025年，中国乃至世界AI形成的最大共识是什么，必然有一条是——基础模型的能力高低，决定着接下来多场竞争的输赢：能否成为下一个超级入口、下一个伟大公司……
闭门会的四位主角，背后公司阶段、业务模式各异，但2025年来一系列动作，都有一个共同主题：稳固基模第一梯队的地位，同时让模型驱动业务的发展。
一年以前，以DeepSeek的横空出世为节点，中国大模型靠快节奏的迭代、持续的开源接力，在国际上获得了不错的声量。
但在会上，唐杰向中国开发者泼了一点冷水：“美国和中国大模型之间的差距，说不定并没有缩小，因为美国还有大量闭源模型没有开源。”
AGI的下一代路线到底要往何处去？几位嘉宾对下一阶段AGI的范式定义，并不相同，这也决定了他们探索路线的差异。
在唐杰看来，DeepSeek出现后，对Chat（对话）这一范式的探索已经基本结束了。后DeepSeek时代的模型训练范式，他形容智谱“bet（赌）”了Coding和Reasoning——集推理、Agentic、Coding能力于一体的GLM-4.5，是他们押注的一个成功成果。
对“Scaling Law信徒”杨植麟而言，下一阶段，Scaling仍然是重点。但新的变化是，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”：“Taste是我们很相信的东西，模型的智能会产生很多不同的Taste——这让模型不会趋同。”
下一阶段，AI的自主学习，则是四位嘉宾共同看好的方向。
不过，大家的一个共识是，随着AGI探索范式的变化，制定一个衡量模型智力的新标准，会非常重要。
杨植麟定义的AI智力水平，是Token效率（Token Efficiency）和长文本（Long Context）的结合：“这意味着在不同的Context长度下，你的模型优势有多大。”
唐杰也有类似的看法。他观察到，如今疯狂的RL、Scaling，收益已经大不如从前。因此，他定义了一个衡量智力水平的新范式，Intelligence Efficiency，用于衡量模型投入和智力收益的ROI。
实际上，驱动不同AI探索范式的，更多是彼此的目标选择：到底是追求模型的智力顶峰，还是注重落地？这决定着模型的训练策略——是垂直整合，还是分化训练。
在这个问题上，两位大厂代表林俊旸、姚顺雨都有共识：未来，ToC和ToB的分化会越来越明显，而AGI的本质，是服务真实的人类场景。
姚顺雨认为，To C场景下，垂直整合是成立的——不管是豆包还是ChatGPT，模型和产品必须强耦合迭代，才能做出好的用户体验。但To B场景恰恰相反：模型公司专注把模型做强，应用公司则追求用最强的模型来提升生产力，两者是分化的。
林俊旸则更愿意相信，这种分化是自然发生的。“公司没有那么多基因之分，ToB、ToC都是服务真实人类。”他提到，Anthropic不是因为Coding特别厉害才成功，而是因为频繁和企业客户交流，发现了真实需求——如今，美国的API消耗量中，Coding占据了绝对主导。
以下为AGI-Next圆桌对话内容整理，经《智能涌现》编辑整理：
李广密：顺雨，你能展开聊聊对模型分化这个主题的想法吗？
硅谷在分化，中国模型也在开源。比如Anthropic做了Coding，Google Gemini就没有全都做，而是先把全模态这个点做得很好，你的老东家（OpenAI）在重点做To C。你自己的经历横跨中美，体感是怎样的？
姚顺雨：我有两个大的感受。第一，科技整合这条路，以及就是模型和应用分层的这条路，也开始出现了分化。
我先说下To C和To B的分化。当大家想到AI的Super App，现在就是两个：ChatGPT和Claude，可以认为是To C和To B的典范。很有意思的是，我们今天用ChatGPT的感受，和去年相比，对大部分人来说变化已没有那么强烈了。
但相反，一年前Coding的革命还没开始，这一年，夸张点说，Claude已经在重塑整个计算机行业的做事方式，人不再是写代码，而是用英语和电脑交流。
核心在于，对To C来说，大部分人大部分时候其实不需要用到这么强的智能。可能模型写抽象代数的能力变强了，但多数人感受不到，大家更多还是把它当作一个搜索引擎的加强版。
但在To B，智能越高，就代表生产力越高，能赚的钱越多。
还有一个明显的点，To B市场很多人愿意为最强的模型付溢价。一个模型200美元/月，次强的50美元/月，很多美国人愿意花这个溢价，因为这能帮他提升工作效率。一个像OpenAI 4.5这样非常强的模型，可能10个任务直接做对八九个，差一点的模型可能只做对五六个。那额外的问题就是说，你还得花额外精力去监控，你不知道这五六个是哪五六个。
所以，我发现了一个很有意思的现象是，在To B市场，强模型和弱模型的分化会越来越明显。
第二点观察是，垂直整合和模型应用分层的分化。过去大家认为，有垂直整合能力会做得更好，但今天不一定。模型层和应用层需要的能力不一样，对To B生产力场景来说，更大的预训练模型是关键，而这对产品公司来说很难做。
反过来，要把一个好模型用好，或者说模型有溢出的能力，也需要在应用侧和环境侧做很多事。
我们会发现，在ToC应用上，垂直整合是成立的。无论是ChatGPT还是豆包，模型和产品都是强耦合、紧密迭代的。
但对To B来说，趋势似乎是相反的：模型公司专注把模型做得越来越强；同样地，而应用层则想去利用最好的模型赋能不同的生产力环节。
李广密：你近期有了新身份，在中国市场，你理想的bet（押注）是什么？有哪些鲜明的这个特点或者关键词，可以给大家分享的吗？
姚顺雨：腾讯是一个To C基因更强的公司，我们会思考如何让大模型给用户提供更多价值。我们发现，很多时候To C的瓶颈（bottleneck）不是更大的模型或更强的强化学习，而是额外的上下文（context）和环境（environment）。
我常举一个例子，你问模型“我今天该吃什么”，无论去年还是今年问ChatGPT，结果可能都很差。
这个问题想变好，需要的不是更强的模型或搜索引擎，而是更多的额外输入。模型如果知道今天很冷，我想吃点暖和的；知道我老婆在另一个地方，她想吃什么……有了这些context（上下文），回答的质量就会完全不同。
比如，我们可以把微信聊天记录转发给元宝，给模型更多有用的输入，这会给用户带来很多额外价值。
至于To B，在中国确实是很难的事情，很多做Coding Agent的公司其实也是要去打海外市场。这方面，我们会思考怎么把自己先服务好。
大公司做Coding和创业公司的一个区别是，大公司本身就有各种各样的应用场景和提升生产力的需求。如果我们的模型能在这些内部场景做得更好，不仅模型会有独特优势，公司能更好发展，更重要的一点是，能捕捉到真实世界里更多样化（diverse）的场景数据。
像Anthropic、OpenAI是创业公司，他们需要找数据厂商去标数据，但数据厂商能招的人、能想到的场景总是有限的，多样性会受限。
但如果你是一个10万人的公司，就可能有很多有意思的尝试，去真的把真实世界的数据利用好，而不是仅仅依赖标注商或蒸馏（distillation）。
李广密：俊旸，你怎么看接下来千问的生态位？
林俊旸：公司也不一定有那么多基因之分，可能被一代一代的人塑造。比如顺雨到了腾讯之后，腾讯可能变成一个有顺雨基因的公司（笑）。
今天To B 和 To C 都是在服务真实的人类。所以这个问题本质是：应该怎么让人类世界会变得更好？就算To C的产品，也会再分化，比如更偏向medical（医疗），更偏向law（法律）。
我愿意相信Anthropic（能做得更好），不是因为它Coding很厉害，而是因为他们跟B端的交流非常多。我跟美国很多API厂商交流，他们都没想到，Coding的Token消耗量居然会这么大，在中国，Coding的Token消耗其实还没有那么大。
今天Anthropic更多在做跟finance相关的一些东西，这也是他们在跟客户的交流中看到的机会。
所以大家的分化可能是自然的分化。我更愿意相信AGI，然后顺其自然。
李广密：杨强老师怎么看分化的问题？
杨强：一直以来，学术界是观望者，工业界在领头往前疯跑，导致现在很多学术界的人也在做工业界的事。
这是一件好事。天体物理学刚开始的时候，以观测为主，然后才出现理论。当有众多的大模型进入稳态的时候，学术界应该跟上来。
学术界要解决的，就是工业界可还没来得及解决的一些问题，比如智能上限在哪里？给你一定的资源，你能做到多好？更细一点，资源怎么分配？哪些分配在训练上，哪些分配在推理上？
九十年代初我就做过一个小实验，如果在记忆上有一定的投入，记忆能够在多少程度上帮助推理？这个帮助会不会变成反向的？记忆太多会不会反而成为噪音？有没有一个平衡点？这些方法论上的问题今天还是适用。
我最近也在想另外一个问题。计算机有一个重要的定理，叫“哥德尔的不完备定理”，大概的意思是一个系统（大模型）是不能自证清白的，它必定有一些不可消灭的幻觉。
所以问题就来了：多少资源能换取多少幻觉的降低？或者错误率的降低？中间是有一个平衡点的。这个平衡点特别像经济学中风险和收益的平衡，也叫“无免费午餐定理”。
这些问题特别适合学术界和工业界一起来做研究。
刚才唐杰老师也提到持续学习，它里面有时间的概念，大模型在持续学的过程当中，怎么样保证学习能力不下降？
人类有一个方法是：睡觉。我建议大家去看一本书，叫《我们为什么睡觉》，是MIT的两个教授写的，里面提到每天晚上睡觉，其实是在清理噪音，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。
这些理论的研究，孕育着新的计算模式。我们今天可能比较关注Transformer Agent Computing。但是有必要去做一些新的探索，工业界和学术界要拉齐。
李广密：智谱今天更像是走了Anthropic的路线，Coding非常强。唐杰老师对分化这个主题有什么看法？
唐杰：2023年，我们是第一个做出Chat（对话）系统的，所以当时我们第一个想法，就是赶紧把Chat上线了。但等2023年8、9月上线时，十来个大模型都一起上线了，而且每一家用户都没有那么多。
当然今天（用户）分化得更严重。后来，经过一年的思考，原因在于，Chat不是在真的解决问题。在我们原来的预判中，Chat会替代搜索。到今天，我相信很多人开始用模型替代搜索，但是并没有替代谷歌。谷歌反过来把自己的搜索革命了。
在这个角度上，Chat的仗，自从DeepSeek 出来后，已经结束了。我们应该思考的是下一个Bet是什么。（2025年）年初的时候，我们团队争论了好久，决定bet on（押注）Coding，后来我们就把所有的精力放在Coding 上。
李广密：Bet是一个特别有意思的事。我的感受是，过去一年中国不仅开源很强，而且大家有了自己的Bet（押注），而且接下来有可能分化。因为大家不只是在追求通用能力，同时都有自己的资源禀赋，把擅长的点做得更好。
今天，预训练已经过去了三年，RL也成了共识，硅谷都在讨论接下来新的一个范式，自主学习。
顺雨在OpenAI待过，OpenAI推进了Transform和RL两个范式。对下一个范式，你是怎么思考的？
姚顺雨：现在自主学习是一个非常热门的词，硅谷大街小巷咖啡馆里面，大家都在谈论，形成了一个共识。
根据我的观察，每个人对这个东西的定义和看法都不一样，我讲两点：
第一，自主学习不是方法论，而是数据或者任务。自主学习到底在什么样的场景下，基于什么样的奖励函数去做？你在聊天的时候，变得越来越个性化，是一种自主学习；写代码的时候，越来越熟悉每个公司独特的环境或者文档，也是一种自主学习；你探索新的科学，在这个过程中从了解有机化学是什么，到成为这个领域的专家，也是一种自主学习。
每一种自主学习的挑战，或者说方法论都不太一样。
第二，我不知道这个现象是不是非共识，但这已经发生了。ChatGPT已经在利用用户的数据不断弥合人聊天的风格，这是不是一种自我学习？今天Claude这个项目95%的代码，已经是Claude自己写的了，它在帮助自己变得更好，这是不是一种自我学习？
2022年、2023年，我去硅谷宣传工作。我当时写了第一页slide，是说AGI最重要的点是自主学习。AI系统本质上都有两部分，首先它是一个模型，其次它有个代码库，你怎么去用这个模型？是用来做推理，还是做Agent？都有相应的代码库。
我们今天看Claude这个系统本质上有两部分，一部分是部署环境的代码，另一部分是操作有一大堆代码。这些自主学习的例子，可能还局限在每一个特定的场景下，没有让人感觉到非常大的威力。
我个人的看法是，自主学习更像是渐变，不是突变。
李广密：你觉得在2026年，自主学习可以看到哪些信号？还有哪些实际的问题要突破？
姚顺雨：很多人说2026年看到自主学习的信号，2025年就看到信号了，Cursor每几个小时都会用最新的用户数据去进行学习，包括新的模型，也在使用这些真实环境下的数据去训练。
大家觉得这些进展还没有特别石破天惊，是因为受限于他们没有预训练能力，他们的模型效果确实还不如OpenAI，但显然这是一个自主学习的信号。
最大的问题是想象力。我们很容易想象，强化学习或者推理范式��果实现，大概是什么样。我们可以想象OpenAI o1，在数学题上本来是10分，现在变成了80分。通过强化学习，o1能够有非常强的思维链去做数学题。
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，我们应该用什么样的任务，它应该是什么样的效果，让你相信它实现了。它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。
李广密：OpenAI已经有两次范式的这个创新了，你觉得如果26、27年有新的范式出来，全球范围内，你感觉哪一家公司继续lead这个范式创新的概率最大？
姚顺雨：可能OpenAI概率更大。但是因为它商业化等各种变化，它的创新基因已经被削弱了。但它可能还是最有可能诞生新范式的地方。
林俊旸：从更实际的角度讲，RL这个范式也还在早期阶段，RL的compute还没有scale的那么的充分，很多潜力没发挥出来，我们也能看到很多Infra的问题发生。
但全球范围内，类似的这个问题也都还存在。
关于下一代的范式，我觉得一个是自主学习，之前跟一个朋友聊到，就说“人类不能让AI变得更厉害”，比如说你跟AI 不断交互，只会让它上下文变得越来越长，然后 AI 变得越来越笨。这是一个很烦人的事情。
Test-time scaling（测试时扩展）能否真正发生，吐更多token然后变得更强，这值得我们思考。我至少觉得o系列它一定程度上实现了这个事情，有没有可能今天大家做超越的事情很难，但可能通过Coding去实现。
今天大家去做那种 AI scientist 这个事情其实还挺有意义的，因为你在挑战一些很难的，甚至是做人类未曾做到的这个事情，有没有可能通过三天的去进行实现？
从这个角度上来说的话呢，AI 肯定是需要这个自主进化的，但究竟你是不是要更新参数？这个见仁见智，可能大家都有不同的这个技术手段去实现这个事情。
第二点是，AI有没有可能实现更强的主动性。现在AI必须由人类去prompt才能启动，未来有没有可能环境就能prompt它，让它自己自主思考去做事？
但这里引发了一个新的问题，就是安全的问题。我非常担心的不是AI讲一些不该说的话。最担心的事情是他做一些不该做的事，就比如说他今天主动的产生一个想法，往这个会场里边扔一颗炸弹，这种事情。我们肯定是不希望这些不安全的这个事情发生，但就像培养小孩一样，我们可能要给他注入一些正确的这个方向。但主动学习可能是挺重要的一个范式。
李广密：是的，那个俊旸又提了一个（AI学习的）主动性，主动性可能是26年非常关键的一个bet。
如果自主学习26年看到信号，你感觉可能是在哪些任务上会先看到？是模型会训练模型，最强的模型可以提升自己了？还是说会有自动化的 AI 研究员了？
林俊旸：我觉得自动化的， AI研究员甚至都不是那么需要自主学习。未来可能很快，AI训练AI 这件事情就可以实现。
我看着我们的同学每天在干的事情，就觉得很快能把他们替代掉。但可能是更持续的理解用户这件事情，比如个性化就挺重要的，过往在做推荐系统的时候，用户信息是持续的输入，会让你整个系统变得更强。
但是在 AI 覆盖到人类生活方方面面的时候，真正的个性化的衡量指标是什么？我们其实不太知道。所以更大的技术挑战是说，我们今天的evaluation不知道该怎么做。
李广密：如果实现“记忆”，会是2026年实现技术突破的跨越吗？
林俊旸：我个人观点，大量的所谓技术突破，性的话都是一些观测问题，它其实都是在线性的发展，只是人类对它这个感受非常的强烈而已。包括像 ChatGPT 的出现，其实对我们做大模型的来说，都属于线性增长。
现在做Memory的技术方案对不对？很多方案也没有什么对错之分，但是做出来这个效果，至少我拿我们自己这个献个丑。就是我们自己的 memory，它看起来好像知道我过去干什么，但只是记住了过去的事情，并不显得很聪明。
但memory 到某一个这个临界点的时候，会不会真的像生活中的人一样，或者像《Her》那部电影，通过理解你的memory，知道人类的感受，多多少少还需要一年时间了。
很多时候其实技术也没有发展那么快，只是大家比较卷，觉得每天都有新东西，但其实技术就是在线性的发展，
每天看我们做得事情，真挺土的，那些Bug真不好意思拿出来跟大家讲。如果这么做，我们已经做到这样的成绩，可能未来算法infra结合得更好后，会更大有可为。
李广密：有请杨强老师。
杨强：我一直以来是做这个联邦学习的，联邦学习的主要思想就是说多个中心，大家协作。我现在越来越多地看到，很多就是有本地资源不足，但是本地的数据又有很多隐私和安全的要求。
我们就可以想象，现在大模型的能力越来越强，通用大模型和本地的这种特殊性小模型，或者是领域专家的模型，如何协作？
这种协作变得越来越可能，像美国Zoom，就是黄学东他们做的AI系统，他做了一个很大的基座，这个基座大家都可以插进来，它可以在Decentralise（去中心化）的状态下，能够既保护隐私，又能够和通用大模型有效地沟通、协作。
这种开源模式特别好，一个是知识的开源，一个是Code方面的开源，模型阶段。尤其是像医疗、金融这样的场景下，会越来越多看到这样的现象发生。
李广密：有请唐老师。
唐杰：持续学习、Memory，甚至多模态，都有可能出现新的范式变革。
为什么会产生这样的范式？原来其实工业界跑得远远快于学术界。我记得去年和前年回到清华，很多老师卡的数量几乎为零。工业界有1万片，学校是0片或者1片，倍数是1万次。
但是现在，很多学校已经有很多卡了，而且很多老师已经做了很多大模型的相关研究，包括硅谷那边，有很多老师都开始做模型架构、持续学习相关的研究。原来我们总觉得工业界在dominating这些，2025年底到2026年初的时候，这一现象已经不大存在了。
学校和工业界之间可能还有10倍的差，但它已经孵化出种子了。第一，学术界有创新的基因。
第二，一个创新的出现，一定是因为对某件事有大量的投入，并且efficiency出现了瓶颈。现在大模型已经投入巨大，但是efficiency并不高。
现在继续Scaling肯定有收益，2025年初可能需要10个T的数据，现在需要30个T，甚至我们可以Scaling到100个T，但是Scaling后，你的收益有多少？计算成本有多少？如果你不创新，花掉10个亿、花掉了20个亿，但收益很小，就不值得了。
另外一方面，对于新的智能创新，假如说我们每一次都要重训一个基座，重训RL，收益效率会变小。
未来我们也许可以定义一个衡量收益的新范式，一方面既然要提升智能的上限，最笨的办法就是Scaling。另一方面，应该定义Intelligence efficiency，智能的效率，用更少的Scaling，获得同样智能的提升。
所以2026年范式的改变一定会发生，我们也在努力，希望这个变化发生在我们身上。
李广密：我跟唐老师一样也非常乐观，每个领先的模型公司，每年的计算量有10倍左右，大家手上的计算资源多了，而且人才也涌入得越来越多，大家手上的卡变多，可能就是某个试验工程，某个点就出来了。
大家对2026年Agent有一个很大预期，就是它能自动化人类一周到两周的工作量，而不再是一个工具，这可能是Agent创造经济价值的关键一年。
硅谷的几个公司，都是从模型到AGI，端到端都做了。顺雨，你花了很多时间做Agent的研究，2026年，Agent真的能帮人类自动化1-2周的工作吗？从模型公司的出发点，你怎么思考这个问题？
姚顺雨：To B和To C可能不太一样。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。
Anthropic这个公司很有意思，它不做什么花哨的创新，就是把预训练做大，把RL做好，然后去解决真实世界的任务，模型就会越来越聪明，带来更多价值。做To B，其实所有目标是更一致的：模型智能越高，解决任务越多，带来的收入越大。
这和To C不同。OpenAI做To C的问题我们都知道，ToC的DAU和模型智能，很多时候是不相关的，甚至有相反的关系。
这个是Anthropic能够聚焦的另一个很重要原因：只要真的把模型越做越好。那他的收入越来越高，所有事情全部都是非常 align（协同）的。
目前除了模型本身，还有两个瓶颈。一个是环境和部署（Deployment）问题。
在 OpenAI 之前，我在一个To B的客服公司实习过，还是有很多收获。即使今天模型不再变好，只要把现有模型部署到世界上各种各样的公司，可能就能带来今天10倍或100倍的收益，对GDP产生5%-10%的影响，但今天，它对 GDP 的影响还远远不到1%。
另一非常重要的是教育。人和人的差距在拉大，不是AI替代了人，而是会用AI工具的人替代了不会用的人。
就像当年电脑刚被发明出来，你如果去转身去学习编程，你还在使用计算尺，在使用使用算法呢，那那是差异巨大的。
可能今天中国能做的一个最大的，有意义的事情，其实就是更好的教育，就教大家怎么更好的去使用像Claude的或者或者ChatGPT这样的产品。当然，Claude可能在中国用不了，但是我们可以用kimi或者智谱这样国产的模型。
李广密：俊旸，千问也有一个生态嘛，做Agent的，以及扶持生态的通用Agent的对比，你可以分享下吗？
林俊旸：这里可能涉及产品哲学的问题。当然，Manus这样的产品确实很成功，套壳是不是未来，确实是个问题。
我比较同意“模型即产品”这个观点。我跟一些TML（Thinking Machine Lab）的人聊，他们有个观点是Researcher is Product。很多researcher自己就能成为产品经理，端到端把东西做起来。
今天我们自己内部的 researcher，都想做更多面向真实世界的一些东西。
我相信接下来的Agent，是可以做到刚刚所说的这些事情，跟刚刚提的self-involvement、主动学习都有强关系。
比如说他能干这么长这个时间，他其实自己就得在这个过程当中进化，并且他还要决定去干什么。
因为他收到的这个指令是一个非常 general 的一个任务，所以我们现在的 agent ，其实已经开始越来越像是那种托管式的 agent， 而不是说我我要不断来回交互的形式，这对模型能力要求很高，比如说模型就是这个 agent，agent 就是这个产品本身。如果他们都是这个一体化的话。
从这个角度上来说的话，如果不断提升模型能力的这个上限，包括 Test Time Scaling 做上去的话。他确实能够做到这个事情。
还有一个点是环境交互。
我们现在交互的都还是电脑环境，不够复杂。我有朋友是做AI for science的，比如你干AlphaFold的事情，制药，你就算用今天的AI，可能帮不到你那么到，因为你要做实验，你不能只在电脑里做，要去指挥机器人做实验才能得到反馈。
按照现在这个人类的这个效率，其实其实非常低的，我们甚至还要雇佣很多外包，在这个这个实验环境里面去做实验。
如果AI能和真实物理世界交互，那才是我想象中Agent能做长时间工作的情景，而不是说仅仅是在电脑当中。
一些在电脑环境里做的，我觉得可能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，这会更有意思一点。
李广密：我想追问一个更尖锐的问题，从你的角度看来，通用的 Agent 这个机会是创业者的吗？
林俊旸：我不能因为我做基础模型，我就去做这个创业导师。我只能借这个成功人士的那句话吧，Peak（Manus联合创始人）说，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。
头部的问题其实很容易解决，当年做推荐的时候呢，其实我们就看到，那个推荐其实非常的集中，商品都是在这个头部，但我们其实是想把尾部这个东西推过去，但是我当时做就非常的遭殃。
我作为一个干 NLP 和多模态的人，去干这个解马太效应，基本上是这个奔着死路去的。我觉得今天的所谓的 AGI 其实就在解这个问题。
一个用户，寻遍各处我都找不到能够帮我解这个问题的。但就在那一刻，我感受到了AI 的能力，就是全世界任何一个角落，我寻遍各处都找不到，但是你却能帮我解决。可能这就是AI最大的魅力。
要不要做通用Agent呢？如果你是“套壳”高手，套得比模型公司还好，那可以去做。但如果没有这个信心，这个问题可能还是留给模型公司自己做。因为他们遇到问题时，只要训一训模型、烧一烧卡，可能问题就解决了，所以见仁见智吧。
李广密：其实解决长尾的问题，模型公司就说算力加数据，好像你解决起来也挺快的，对吧。
林俊旸：今天RL（强化学习）最有意思的这个地方，是我们发现修问题比以前容易，以前以前修问题很难。
我举一个 B 端客户的一个情况，他们说我们自己要做 SFT（监督微调）。你能不能告诉我这个通用数据怎么配比？每次我们都很头痛，因为我们觉得对方不太会做 SFT（监督微调），他那个数据其实不好，但他可能觉得他的数据有用。
那今天有了 RL（强化学习） 之后，你可能真的很很小的一个数据点，甚至你都不需要这个标注，你只要有这个 query 有这个 reward（奖励函数）这个东西稍微训一训，然后合并起来其实也也非常容易。
杨强：我觉得Agent的出现应该有四个阶段，取决于目标和规划是由人定义还是AI自动定义。
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。所以现在的Agent 的definition（定义）、这些软件系统，基本上是更高级的Prompt language。
我预料的未来会出现，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。
李广密：有请唐杰老师。
唐杰：有几个方面决定了Agent未来的走势：
第一，Agent本身有没有解决人类的事情，而这个事情是不是有价值，价值有多大？
比如说，原来的Agent，像GPTs出来也做了很多Agent，再那时候你会发现那个Agent非常简单，最后发现prompt就解决了，这时候大部分Agent慢慢就死掉了。
所以，第一个是解决Agent这个事情多有价值，以及真的能够帮到人。
第二，做这个事情咱们Cost有多大。如果Cost的特别大，这个时候也是一个问题，就像刚才俊旸说的，也许调用一个API就能把这个问题解决了。
但是反过来，假如调API就能解决，这个API本身有可能觉得当这件事情价值很大的时候，就会把它做进去，这是个矛盾，非常矛盾，基座的应用永远是矛盾。
最后，做应用的速度。如果说我有个时间窗，能够拉开半年的时间窗，迅速把这个应用满足了，半年以后，要么迭代，要么怎么接，怎么能往前走也是一个方面。
大模型到现在更多的是在拼速度、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，今年我们只是在Coding，在Agent这一块做了一点点，现在我们Coding的调用量都还不错，更多的也是一个方向，做Agent未来也是一个方向。
李广密：多谢，因为过去模型公司既要追通用能力，可能它的优先级上没有花那么多精力去探索，通用能力追上来之后，我们更多地期待2026年智谱、千问有更多自己的Claude时刻，和Memory时刻，这是非常值得去预期的。
第四个问题，也是需要展望未来，我挺想问，在三年和五年以后，全球最领先的AI公司是中国团队的概率有多大，从今天的跟随者变成未来的引领者，需要哪些关键条件？
顺雨经历过硅谷跟中国的市场，你对概率的判断和需要哪些关键条件的判断是怎么样的？
姚顺雨：概率还挺高的，我还是挺乐观的。目前看起来，任何一个事情一旦被发现，在中国就能够很快的复现，在很多局部做得更好，包括之前制造业、电动车这样的例子已经不断地发生。
我觉得可能有几个比较关键的点，一个可能是中国的光刻机到底能不能突破，如果最终算力变成了Bottleneck（瓶颈），我们能不能解决算力问题，目前看起来，我们有很好的电力优势，有很好的基础设施的优势。
主要的瓶颈，一个是产能，包括光刻机，以及软件生态，对这个问题解决会是很大的帮助。
另一个问题，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。今天我们看到很多做生产力或者做To B的模型或者应用，还是会诞生在美国，因为支付意愿更强，文化更好。
今天在国内做这个事情很难，所以大家都会选择出海或者国际化的事情，这两个是比较大的客观上的因素。
更重要的是主观上的概念，最近我在跟很多人聊天，我们的感受是在中国有非常多非常强的人才，任何一个事情只要被证明能做出来，很多人都会非常积极地尝试，并且想做得更好。
中国想要突破新的范式，或者做非常冒险事情的人可能还不够多，这里面有经济环境、商业环境包括文化的因素。
如果再增加一点，主观上要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。
因为其他所有的事情，无论是商业，还是产业设计，还是做工程，我们某种程度上已经比美国做得更好。
李广密：我再Follow顺雨一个问题，你对中国Lab里面的研究文化有什么要呼吁的吗？你也感受过OpenAI，DeepMind，中国跟美国的研究文化有什么差异的地方？
作为一个AI Native的公司，这对有哪些根本性的影响？有什么呼吁和建议吗？
姚顺雨：每个地方的研究文化都很不一样，美国实验室的区别可能比中美实验室的差别还要大，在中国也一样。
我个人觉得有两点，一点是说在中国，大家还是更喜欢做更安全的事情，比如说今天预训练这个事情已经被证明可以做出来了，其实这个事情也非常难做，有很多技术问题要解决，但只要这件事情一旦被证明能做出来，我们都很有信心几个月或者一段时间内就把这个问题搞清楚。
但如果今天让一个人说探索一个长期记忆或者持续学习，这个事情大家不知道怎么做、不知道能不能做起来，这个事情还是比较困难的。可能不只是大家更喜欢做确定性的事情、不太愿意做创新性的事情。
很重要的一点是文化的积累或者整体的认知，其实是需要时间沉淀的事情。
OpenAI在2022年就开始做这个事情了，国内2023年开始做了，对这个东西的理解会有一些差异，或者说中国没有这么大。
很多也就是时间问题，当你积累了文化或者底蕴更深的时候，潜移默化的程度可能会影响人的做事方式。但是它很微妙，很难通过榜单去体现。
中国对于刷榜或者数字看的更重一些，包括DeepSeek做的比较好的一点是，他们可能没有那么关注榜单的数字，可能会更注重：第一，什么是正确的事情；第二，什么是你自己能体验出好或者不好的。
这还是挺有意思的，因为你看Claude模型可能在编程或者软件工程的榜单上也不是最高的，但大家都知道这个东西是最好用的。这需要大家能够走出这些榜单的束缚，能够坚持自己觉得是不是正确的过程。
李广密：多谢顺雨。请俊旸说说概率和挑战。
林俊旸：这个问题是个危险的问题，理论上这个场合是不可以泼冷水的。
如果从概率上来说，我可能想说一下我感受到的中国和美国的差异，比如说美国的Compute（算力）可能整体比我们大1-2个数量级，但我看到不管是OpenAI还是其他，他们大量的Compute投入到的是下一代的Research当中去。
我们今天相对来说，捉襟见肘，光交付可能就已经占据了我们绝大部分的Compute，这会是一个比较大的差异，这可能是历史以来就有的问题。
创新是发生在有钱的人手里，还是穷人手里，穷人不是没有机会，我们觉得这些富哥真的很浪费卡，可能训了很多也没什么用，但今天穷的话，比如今天所谓的算法Infra联合优化的事情，如果你很富，就没有什么动力去做这个事情。
刚才顺雨提到光刻机的问题，未来有可能还有一个点，如果从软硬结合的角度，是不是真的有可能做出来下一代的模型和芯片，是不是有可能是一起把它给做出来？
我在2021年的时候在做大模型，因为阿里做芯片，他们的人找我，说能不能预测一下三年之后这个模型是不是Transformer架构，三年之后模型是不是多模态？为什么是三年呢？他说我们需要三年时间才能流片。
我当时的回答是，三年之后，在不在阿里巴巴，我都不知道。但我今天还在阿里巴巴，果然还是Transformer，果然还是多模态，我非常懊悔，为什么当时没有催他去做。
当时我们的交流非常鸡同鸭讲，他给我讲了一大堆东西，我完全听不懂，我给他讲，他也不知道我们在做什么，就错过了这个机会。
这个机会有没有可能再来一次？我们虽然是一群穷人，但穷则生变，创新的机会会不会发生在这里？
今天我们教育在变好，我属于90年代靠前一些的，顺雨属于90年代靠后一点的，我们团队里面有很多00后，我感觉大家的冒险精神变得越来越强。
美国人天然有非常强烈的冒险精神。一个很典型的例子是当时电动车刚出来，甚至天棚漏水的情况下，甚至开车会意外身亡的情况下，依然会有很多富豪们都愿意去做这个事情。
但在中国，我相信富豪们是不会去干这个事情的，大家会做一些很安全的事情。
今天大家的冒险精神开始变得更好，中国的营商环境也在变得更好的情况下，我觉得是有可能带来一些创新的。概率没那么大，但真的有可能。
李广密：如果拍一个数字呢？三年到五年后，中国最领先的那个公司，是一家中国公司的概率。
林俊旸：我觉得是20%吧，20%已经非常乐观了，因为真的有很多历史积淀的原因在这里。
李广密：我再Follow一个问题，比如说中国的模型跟美国的模型差距，有的地方在追上来，有的地方他们的算力在拉大，你对于Gap变大的恐惧感强吗？
林俊旸：今天你干这一行就不能恐惧，必须得有非常强的心态，对于我们的心态来说，能干这一行就非常不错了，能做大模型这件事情已经非常幸运了。
还是看你的初心是什么。刚才顺雨提到一个点，你的模型不一定那么强，在C端里边是OK的。
我可能转换成到另一个角度思考这个问题，我们的模型为人类社会带来了什么样的价值？只要我相信我这个东西能够为人类社会带来充分的价值，能够帮助人类，就算不是最强的，我也愿意接受。
李广密：多谢俊旸。有请杨老师，因为您经历过很多AI周期，也看过很多中国AI公司变成世界最强，您对这个问题的判断是怎么样的？
杨强：我们可以回顾一下互联网的发展。一开始也是从美国开始，但中国很快就赶上了，而且像微信这样的应用，是世界第一的。
我想，AI是一个技术，它并不是一个终端的产品，但我们中国有很多聪明才智，会把这个产品发挥到极致，不管是To B还是To C，但我可能更看好To C，因为百花齐放，中国人集思广益。To B可能会有一些限制，像付费意愿、企业文化等也在改变。
我最近也在观察商业方向，跟商学院的一些同学探讨，比方说美国有一个公司叫Palantir，它的一个理念是，不管AI现在发展到什么阶段，我总是能在AI里面发现一些好的东西应用在企业上，中间肯定有gap（鸿沟），我们要给它弥合。
它有一个办法叫本体。我观察了一下，大概的思想是我们之前做的迁移学习，把一个通用的Solution，应用到一个具体的实践当中，用本体做知识的迁移，这个方法非常巧妙。当然它是通过一种工程的方法，叫前端工程师FDE来解决的。
不管怎么样，像这种就非常值得我们学习，中国的企业像AI Native的公司应该发展出这样一些To B的Solution来，我相信会的。所以To C肯定是百花齐放的，To B也会很快跟上来。
李广密：多谢杨老师。有请唐老师。
唐杰：首先确实要承认在中美，无论是做研究，尤其是企业界的AI Lab，和美国是有差距的，这是第一个。
中国现在慢慢变得越来越好，尤其是90后、00后这一代企业，远远好过之前。
有一次我在一个会上说我们这一代最不幸运，上一代也在继续工作，我们也在工作，所以我们还没有出头之日，很不幸的是下一代已经出来了，世界已经交给下一代了，已经把我们这一代无缝跳过了。这是开玩笑的。
中国也许的机会：
第一，一群聪明人真的敢做特别冒险的事，现在是有的，00后这一代，包括90后这一代是有的，包括俊旸、Kimi、顺雨都非常愿意冒风险来做这样的事情。
第二，咱们的环境可能更好一些，无论是国家的环境，比如说大企业和小企业之间的竞争，创业企业之间的问题，包括我们的营商环境。
像刚才俊旸说的，我还在做交付，如果把这个环境建设得更好，让一群敢于冒险的聪明人有更多的时间去做创新，也许是我们政府，包括我们国家可以帮忙���善的事情。
第三，回到我们每个人自己身上，就是我们能不能坚持。我们能不能愿意在一条路上敢做、敢冒险，而且环境还不错。
环境肯定不会是最好的，永远不要想着环境是最好的，我们恰恰是幸运的，经历了环境从原来没那么好，到慢慢变得更好的时代，我们是经历者，也许就是财富、收获最多的人。如果我们笨笨地坚持，也许走到最后的就是我们。
感谢大家！
李广密：感谢唐老师。我们也很想呼吁，应该把更多资源资金投入到中国的AGI行业，有更多的算力，让更多AI年轻的研究员搓卡，有可能搓个三五年，中国就有几个自己的Ilya Sutskever，这是我们未来三五年很期待的。
非常感谢大家！