文章核心观点 - 多位中国顶尖AI科学家与专家在AGI-Next前沿峰会上，围绕AI新范式、Agent、中国大模型公司的挑战与机会等话题展开讨论，分享了各自对技术演进、市场格局和未来趋势的深度见解 [1] 市场格局与商业模式 - 中美大模型市场均呈现明显分化，To C与To B市场底层逻辑截然不同 [5] - 在To C市场，大部分用户大部分时间不需要极强的智能，当前模型更像是“搜索引擎的加强版”，厂商倾向于走“垂直整合”路线，即模型层与应用层紧密耦合、快速迭代 [5] - 在To B市场，智能越高代表生产力越高，溢价空间越大，企业级市场对模型能力的付费意愿呈现极端的头部效应，市场愿意为顶级模型支付200美元/月的订阅费用，而对次级模型（50美元或20美元/月）兴趣寥寥 [5] - 在编程等高频严肃生产力场景中，较弱模型产生的错误需要人工耗费大量精力排查监控，其隐性成本远超模型差价，因此To B市场正走向分化，强模型和较弱模型的差距将更加明显 [5] - 鉴于国内企业软件市场付费意愿较弱的现实，大型科技公司应利用自身庞大的内部场景进行验证，一家拥有10万员工的大厂本身就是巨大的实验场 [6] 技术演进与核心竞争力 - 月之暗面（Kimi）2025年的两个技术进化主线是提升“Token Efficiency”，以在有限数据下冲击更高的智能上限，以及扩展“长上下文”能力，以满足Agentic时代对模型记忆能力的需求 [1] - 单纯的模型参数竞赛已不是C端产品的全部，未来的核心竞争力在于对“语境”（Context）的捕捉，例如用户实时状态、位置、历史偏好甚至社交关系等“额外的Context” [6] - 下一代AI范式的发展方向包括AI的自主进化与AI的主动性提升，但主动性提升潜藏严峻安全风险，担忧AI可能主动实施危险行为 [8][9] - 对于2026年Memory技术能否实现突破性跨越，有观点认为技术本质上呈线性发展，目前Memory技术仅能让AI记住过往信息，却无法像人类一样深度理解运用，可能还需一年左右发展，当算法与基础设施实现更好融合，或许能达到“临界点” [9] - 大模型发展面临效率瓶颈，数据规模从2025年初的10TB增长至当前30TB，未来可能扩展到100TB，但规模扩张带来的收益与高昂计算成本不成正比，盲目投入10亿、20亿资金可能仅获微薄回报 [10] - 未来需明确“智能效率”（Intelligence efficiency）的核心地位，即在更少投入下实现更大的智能增量，这种对效率的追求将倒逼新范式诞生 [10] 自主学习与新范式展望 - 关于自主学习，有观点认为2025年就已出现相关信号，部分团队正采用最新用户数据进行实时学习，但尝试尚未带来石破天惊的效果，核心原因在于其缺乏预训练能力，模型表现暂时不及OpenAI等头部产品 [7] - 自主学习发展面临的最大问题并非技术本身，而是“想象力”的缺失，对于自主学习真正实现时该呈现怎样的具体任务与效果，尚未形成清晰认知 [7] - 当被问及2027年哪家公司最有可能实现新范式创新时，有观点认为OpenAI的概率更大，尽管商业化等因素已在一定程度上削弱了其创新基因，但综合来看依然是全球范围内最有可能诞生新范式的企业 [7] - 对2026年AI范式革新充满信心，认为持续学习、Memory、多模态等方向均有望诞生新范式 [10] - 新范式出现的核心驱动力源于两大趋势：一是学术界与工业界的创新差距显著缩小，从2023-2024年算力卡差距高达万倍，到2025年底至2026年初差距缩小至约10倍，学术界已孵化出创新种子；二是大模型发展面临效率瓶颈 [10] AI Agent（智能体）发展 - AI Agent发展走向被视为2026年AI产业的关键变化 [12] - Agent的发展阶段可分为四阶段演进：从目标和规划均由人类定义，过渡到AI自动定义，当前的Agent系统仍处于初级阶段，大部分依赖人工设定目标和规划 [13] - 通用Agent的核心能力在于解决长尾问题，今天AGI的价值恰恰在于能解决用户“到处找不到答案”的难题 [13] - 对于Agent领域创业者与大模型公司的竞争问题，如果创业者“善于套壳”，在产品化上能做得比模型公司更好，仍有创业机会；模型公司的优势在于践行模型即产品原则，遇到问题时可以通过重训模型、消耗算力从底层解决 [14] - Agent商业化落地的现实挑战依存在，决定Agent的三个核心要素是：价值、成本（Cost）与速度，需要解决真正有价值的人类事务，并且成本不能过高 [14]

文章核心观点 - 中国大模型行业的核心参与者（智谱、腾讯、阿里、月之暗面）在AGI-Next峰会上探讨了行业未来发展方向，共识在于基础模型能力是竞争关键，但发展路径出现分化，重点关注To B与To C的分化、新的技术范式（如自主学习）以及衡量模型智能的新标准[4][5][6][7] 行业竞争格局与公司动态 - 智谱AI于2026年1月8日登陆港股，其创始人唐杰认为对话（Chat）范式探索随DeepSeek出现已基本结束，公司已押注（bet）于Coding和Reasoning，成果为GLM-4.5模型[4][5][6][23] - 前OpenAI研究员姚顺雨加入腾讯，出任CEO办公室首席科学家，腾讯近期完成了关键的模型团队重组[4] - 阿里通义实验室技术负责人林俊旸为阿里最年轻P10，其开源模型的衍生数量和下载量位列全球第一[4] - 月之暗面CEO杨植麟近期官宣了新一轮5亿美元的融资[5] 中美大模型差距与行业共识 - 唐杰指出，美国与中国大模型之间的差距可能并未缩小，因为美国有大量闭源模型未开源[5] - 2025年行业形成的最大共识是：基础模型的能力高低决定着未来多场竞争的输赢，包括能否成为下一个超级入口或伟大公司[5] - 四位嘉宾共同看好AI的自主学习作为下一阶段的方向[6] 下一代AGI范式与智能衡量标准 - 智谱唐杰定义了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，他认为当前疯狂的RL和Scaling收益已大不如前[7][41] - 月之暗面杨植麟认为下一阶段Scaling仍是重点，但需在架构、优化器、数据层面做技术改进，目的是让模型拥有更好的“Taste”以避免趋同[6] - 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[7] - 学术界代表杨强提出，需研究智能上限、资源分配以及如何用资源换取幻觉降低的平衡点，类比经济学中的“无免费午餐定理”[20][93] To B与To C市场分化 - 姚顺雨与林俊旸共识：To C和To B的分化会越来越明显，AGI的本质是服务真实的人类场景[7] - To C场景下，垂直整合成立，模型与产品需强耦合迭代以优化用户体验，如ChatGPT和豆包[7][13] - To B场景下，趋势相反：模型公司专注做强模型，应用公司则追求用最强模型提升生产力，两者分化[7][12] - To B市场用户愿意为最强模型支付高溢价，例如一个模型200美元/月，次强的50美元/月，因为智能越高代表生产力越高，能赚的钱越多[11][83] - 姚顺雨指出，在To B市场，强模型与弱模型的分化会越来越明显，因为最强模型（如OpenAI 4.5）可能10个任务做对八九个，而差一点的只做对五六个，后者需要额外监控成本[11][84] 公司发展战略与押注（Bet） - 腾讯（姚顺雨）作为To C基因更强的公司，关注如何通过额外上下文和环境给用户提供更多价值，例如利用微信聊天记录作为模型输入[13][14][15] - 阿里（林俊旸）认为分化是自然发生的，公司没有绝对的基因之分，成功关键在于与客户交流发现真实需求，他举例美国API消耗量中Coding占据绝对主导，而中国尚未达到此水平[8][17][89] - 智谱（唐杰）在2025年初决定全力押注Coding，并将所有精力投入其中[23] - 大公司在To B和Coding方面的优势在于其庞大的内部场景可提供多样化数据，例如10万人的公司可比创业公司或数据标注商捕捉更真实、多样的场景数据[16][88] 自主学习（Self-Learning）范式 - 自主学习是硅谷热议的下一个范式，但定义多样，可体现在个性化聊天、熟悉公司代码环境、探索科学问题等不同场景[25][26][98] - 姚顺雨认为自主学习已是进行时，例如Cursor每几小时用最新用户数据学习，Claude项目95%的代码已由Claude自己编写，但这更像是渐变而非突变[27][28][99][101] - 实现自主学习的挑战在于想象力，需要明确何种任务和效果能证明其实现，例如赚钱的交易系统或解决未解科学问题[30][101] - 林俊旸提出，除了自主学习，AI的主动性（即环境能prompt其自主思考做事）可能是2026年关键押注，但需警惕由此引发的安全问题[32][103][104] Agent（智能体）发展前景 - 行业对2026年Agent的预期是能自动化人类一周到两周的工作量，成为创造经济价值的关键一年[42][112] - To B领域的Agent发展曲线仍在上升，未显放缓趋势，模型智能与收入增长目标一致，如Anthropic的案例[42][112] - 发展Agent的瓶颈除了模型本身，还包括环境部署和教育普及；即使模型不变，广泛部署也可能带来10倍或100倍收益，对GDP产生5%-10%的影响，但目前影响远不到1%[44][114][115] - 林俊旸认为，真正的Agent需能与真实物理世界交互（如指挥机器人做实验），而不仅限于电脑环境，这可能需要三到五年与具身智能结合[47] - 通用Agent的机会在于解决长尾问题，但若创业者不具备比模型公司更强的“套壳”能力，该问题可能仍由模型公司自身解决[48][49] 中国AI公司的未来机遇与挑战 - 姚顺雨对三年到五年后全球最领先的AI公司来自中国团队持乐观态度，概率较高，关键条件包括突破算力瓶颈（如光刻机）、发展成熟的To B市场或国际商业环境竞争，以及培养更多具有冒险精神的人才进行前沿范式探索[56][57] - 林俊旸对此概率的估计约为20%，认为挑战包括美国算力投入比中国大1-2个数量级且更多用于下一代研究，而中国算力大量用于交付；机遇在于“穷则生变”，可能在软硬结合（如定制芯片与模型协同设计）中创新[62][67] - 唐杰指出中国AI Lab与美国有差距，但90后、00后一代更愿冒险，改善营商环境让聪明人有时间创新，以及从业者坚持是成功关键[71][73] - 杨强类比互联网发展，看好中国在To C市场百花齐放，并认为To B解决方案也会很快跟上[69][70]