衡宇 鹭羽 发自 凹非寺 量子位 | 公众号 QbitAI 这些改变世界的产品， 最初居然都是不被当回事儿的支线项目 （side project） ？！ 包括但不限于： 就说例举的这8个项目里面，你日常会用几个吧 （doge脸等答案） ～ 反正，随便单独拎哪一个出来，都会让人小小诧异一下：这居然也能是个支线项目？ 不过我们先来界定一下，什么叫做"支线项目"。 简单来说，就是非主线、非KPI驱动、最初非战略立项。 这些项目成立之初并不重要，更不是公司翻身的战略方案。 所以失败也好，和主线方向冲突也罢，都没有太大关系。 但—— 用热烈讨论的网友的话来说： 没有项目经理、销售、GTMs、合规、股东， 支线项目总是魔法生效的地方。 DeepSeek ：幻方量化的支线项目 Qwen ： 阿里的支线项目 Claude Code ：Anthropic的支线项目 ChatGPT ：OpenAI的的支线项目 PyTorch ：Meta的支线项目 Gmail ：Google的支线项目 Twitter （现） ：Odeo的支线项目 Slack ：Tiny Speck的支线项目 更多时候，AI的作用都是辅助金融市场的分析研究，妥妥的 ...

行业核心理念 - 基础模型即产品 研究人员需像产品经理一样将研究成果转化为真实世界可用的系统 [1][3][5] - 伴随主动学习发展 Agent将具备长时间托管式工作能力 在执行通用任务中自行进化并决定行动路径 [3][5] - Agent的潜力取决于其与环境的深度交互 持续理解用户与环境至关重要 [3][5] Agent技术发展方向 - Agent可走向虚拟世界和物理世界 由此产生具身推理概念 [3][5] - 目前交互主要停留在电脑数字环境 未来进入真实物理世界指挥机器人进行现实交互与操作是关键发展方向 [3][5] - 进入物理世界是实现承担长周期、高价值任务的前提 [3][5] 市场机会判断 - 对于通用Agent而言 长尾应用是更值得关注的事情 也是AI更大的魅力所在 [3][5] - 与马太效应相反 头部应用反而相对容易解决 长尾领域可能蕴含更大机会 [3][5]

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，罕见集齐了腾讯"CEO/总裁办公 室"首席AI科学家姚顺雨、Kimi创始人杨植麟、智谱创始人唐杰、阿里巴巴Qwen技术负责人林俊旸以及加拿大皇家学院院士、 香港科技大学荣休教授杨强等AI界知名大咖，围绕AI新范式、Agent、中国大模型公司的挑战及机会等话题展开了讨论。 其中，杨植麟首次深度分享了Kimi的技术重点，他透露，2025年，月之暗面的两个技术进化主线是提升"TokenEfficiency"，以在 有限的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时代越来越长程的任务对模型的记忆能力需求。 履新腾讯后，姚顺雨首次公开亮相 值得注意的是，此次峰会是姚顺雨加入腾讯后，首次对外界分享其对AI产业的观察。现年27岁的姚顺雨毕业于清华大学姚班和 普林斯顿大学。他在2024年加入OpenAI后，迅速成为团队核心研究者之一，参与推动 AI Agent和任务执行系统方向的开发。 2025年12月17日，腾讯宣布升级大模型研发架构，新成立AI Infra部、AI Data部和数据计算平台部，旨在全面 ...

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]

下一代AI技术范式 - 行业专家普遍认为，大模型发展面临缩放定律瓶颈，下一代技术范式成为焦点，其中“自主学习”是热门概念，指模型能自主生成学习信号、闭环迭代优化以持续进化[3] - 腾讯首席AI科学家姚顺雨指出，自主学习已在实际发生，但高度依赖具体数据与任务，是场景化实践，其范式迭代目前是渐变而非突变，例如Claude已能转型自身项目95%的代码以实现自我改进[3] - 阿里巴巴Qwen技术负责人林俊旸认为，当前强化学习范式仍处早期，下一代范式核心在于“自主进化”与“主动性”，但主动性会引发新的AI安全问题，需为AI注入正确价值观与约束[4] - Kimi创始人杨植麟透露，团队在探索下一代模型，最重要改进是线性注意力机制，旨在长程任务上超越全注意力机制[4] - 智谱创始人唐杰预测2026年将发生重大范式革新，包括持续学习、记忆和多模态，因学术界算力环境改善，与工业界算力差距已缩小至约10倍，具备孵化颠覆性技术的土壤[4] 范式创新的引领者 - 姚顺雨表示，尽管OpenAI经历商业化变化后创新基因被削弱，但其仍是最有可能率先诞生新范式的地方[4] - 关于三至五年后全球领先AI公司出自中国团队的概率，姚顺雨认为概率挺高，因中国具备快速复现与局部优化能力，关键取决于光刻机能否突破，中国市场有电力与基础设施优势，主要瓶颈在产能与软件生态[5] - 姚顺雨指出，中国需要培养更成熟的TO B市场或参与国际竞争，且国内环境对刷榜或数字看得更重，而像DeepSeek更注重做正确的事，Anthropic Claude在编程领域虽非榜单最高但被行业公认最好[5]

涉及的行业与公司 * **行业**：中国互联网及其他服务行业，重点关注人工智能（AI）领域，包括基础模型、AI基础设施、AI应用（2C、2B、2P）及AI供应链 [1][5][248] * **公司**：报告覆盖了广泛的中国互联网及AI相关公司，包括但不限于：腾讯、阿里巴巴、百度、字节跳动、快手、美团、美图、Beisen、金山办公等，并提及了“中国AI 60”股票组合 [143][153][159][164][171][179][183][187][193][248][250] 核心观点与论据 全球AI模型格局与中国竞争力 * **中国是全球AI模型主要竞争者**：在全球最先进的（SOTA）模型中，中国贡献了前10名中的一半，是仅次于美国的主要竞争者 [14] * **中美模型策略分化**：中国AI模型策略以“开源”为主，而世界其他地区（如美国、欧盟）则以“专有”模式为主 [14] * **模型性能快速追赶**：图表显示，中国顶级模型的性能（如Chatbot Arena分数）随时间推移快速提升，与美国顶级模型（如GPT系列）的差距在缩小 [17][18] * **多模态模型领先**：在文本到图像、图像编辑、文本到视频、图像到视频等多个多模态模型排行榜中，均有中国公司（如快手、字节跳动、MiniMax等）的模型位列前茅 [36][39][177] 中国的AI竞争优势：人才、数据与算力 * **政策支持**：中国自2017年起便有国家层面的政策支持AI发展 [52][53] * **电力与数据中心优势**：图表显示，AI数据中心（AIDC）的电力需求占中国总电力需求的比重，以及中国批发数据中心的供需情况，暗示中国在支撑AI算力增长的能源和基础设施方面具有潜力 [46] * **公共云市场增长**：中国公共云市场及数据中心需求预测显示持续增长态势 [60][61] * **超大规模资本支出**：中国头部玩家的超大规模资本支出总额图表显示了在AI基础设施上的持续投入 [62] AI基础设施与供应链挑战 * **美国出口管制影响**：美国出口管制限制了先进AI GPU对中国的供应，图表对比了中美AI GPU的规格，中国产品（如华为昇腾910C）在部分参数（如FP16算力达800 TFLOPS）上努力追赶，但在内存带宽（如3200 GB/s vs H200的4800 GB/s）等方面仍有差距 [64][66][67] * **GPU国产化率提升**：中国GPU自给率预计将从2024年的34%提升至2027年的50% [70][73] * **云AI市场潜力**：摩根士丹利估计中国云AI总潜在市场（TAM）将在2027年达到500亿美元 [71][73] AI应用的发展与落地 * **应用成功关键要素**：专有数据、用户基础、用户参与度、多样化的用例是AI应用成功的关键要素 [86][87] * **2C AI应用活跃**：列举了中国主要的2C AI应用（如腾讯的Yuanbao、阿里的Qwen、字节的Doubao、百度的Ernie Bot等）及其日活（DAU）、月活（MAU）、定位和主要用例 [92][93] * **超级应用集成AI**：微信、支付宝、百度、淘宝等超级应用已集成多种AI功能，如搜索、智能体、视觉识别、图像生成、客户服务等 [95][96] * **微信作为AI智能体先驱**：微信拥有11亿中国月活用户，用户日均打开44.6次，日均使用99.4分钟，其覆盖多样化生活场景的生态系统是AI智能体发展的理想平台 [98][99][100] * **2B应用早期采用**：企业AI应用场景广泛，包括广告与营销、金融、医疗、能源工业、电商、办公效率提升等 [110][111] * **企业采用处于早期但将加速**：GenAI在中国的大规模应用始于2025年，晚于公有云（2013年）[115]。CIO调查显示，大部分企业计划在未来1-2年内启动首个GenAI项目，并优先考虑通过公有云/私有云部署 [120][121][126] AI商业化与投资回报 * **商业化时间与利润率**：不同AI业务模式的商业化时间框架和毛利率存在差异。云服务和广告技术可能较早实现商业化且毛利率较高，而2C应用、2B应用、2P（内容创作者）应用和基础模型的商业化可能较晚或毛利率较低 [128][129] * **投资回报率（ROIC）考量**：图表暗示需要对AI投资的投资回报率进行评估 [131][133] 其他重要内容 * **行业观点**：摩根士丹利对中国互联网及其他服务行业给予“有吸引力”的评级 [2] * **具体公司分析要点**： * **腾讯**：拥有最高的2C货币化潜力，AI投资回报率高 [143] * **阿里巴巴**：中国最佳的AI赋能者，阿里云增长及资本支出趋势被展示 [153][154] * **百度**：核心广告业务面临AI搜索转型的压力，AI云持续增长 [159][160] * **字节跳动**：全栈AI领导者，涵盖从云算力、基础模型到硬件和应用的完整AI业务布局 [164][165][166][167][168][169] * **快手**：领先的多模态玩家，其Kling模型在图像到视频排行榜上位列第一 [171][177] * **美图**：视觉市场的AI应用代表，目标市场广阔 [179][180] * **Beisen**：HCM（人力资本管理）市场的AI应用代表 [183][184] * **金山办公**：办公软件市场的AI应用代表，WPS AI提供多种办公辅助功能 [187][190][191] * **风险提示**：报告包含大量合规披露，指出公司可能存在利益冲突，报告仅供参考，并提醒投资者注意美国出口管制、行政命令（如14032）等可能影响投资的法律法规 [2][3][5][6][195][196][197]

文章核心观点 - AI产业的核心趋势正从追求模型能力突破，转向智能成本的急剧下降，智能正从奢侈品变为日用品，这将重塑商业规则 [1][2][3] 成本结构变化 - AI的单位调用成本正以比摩尔定律更快的速度断崖式暴跌，竞争激烈导致价格一落千丈 [4] - 硬件使用年限延长，例如GPU使用寿命从3年延长到7年以上，摊薄了每次调用的成本 [5][6] - 智能正在变成一种可批量采购、按需计费的新材料，成本下降的同时，AI公司收入正以比以往任何技术周期都快的速度增长 [7][8] 技术路径演变 - 模型应用逻辑转变：并非所有任务都需要最强大的模型，够用即可，这催生了大量小模型的出现 [12] - 小模型快速跟进：在大模型证明某项能力可行后的6到12个月内，就会出现能力相近但体积更小、成本更低的模型，例如Kimi模型在推理能力上追平GPT-5但成本更低 [13][14][15] - 使用与开发方式变革：AI从高高在上的工具变为随手可用的小工具，初创公司和独立开发者可利用开源模型快速部署和微调 [16] - 行业形成金字塔结构：顶端是少数超级模型，底层是大量扩散到各种设备中的小模型，类似计算机行业中超级计算机与微芯片的关系 [18] 定价模式与商业逻辑 - 基础设施层与应用层定价逻辑分层：基础设施层（如API）按使用量计费，价格因竞争而下降；应用层按创造的价值计费，价格可以上行 [25][26] - 应用层定价探索新方式：从按使用量收费转向按价值收费，例如按节省的工时、提升的生产力比例分成，而非调用Token的次数 [27] - 高价订阅成为可能：消费者端出现200-300美元/月的高级套餐，企业愿意为能带来直接回报的AI服务付费，用户购买的是结果而非模型本身 [9][28] - 应用公司进行“向后整合”：从调用单一API发展为使用多个甚至上百个模型，并针对垂直场景训练定制模型，以掌控技术栈并优化功能、速度与成本 [20][22][23][24] 竞争格局与市场动态 - 行业追赶速度极快：一旦技术路径被证明可行，其他团队可在半年到一年内追上，例如xAI、DeepSeek及多家中国公司均在短时间内达到前沿水平 [30][31] - 快速追赶的驱动因素：开源降低了学习门槛、知识在年轻人才中极速扩散、成本塌陷和小模型崛起降低了资源门槛 [32] - 对现有公司构成挑战：战略选择的不确定性增加，一旦押错方向，优势可能迅速被竞争对手赶上 [33][34] - 为风投与创业者创造机会：不确定性允许风投分散投资，并为创业者保留了进入市场的窗口期 [35][36][37] - 行业常态变为持续竞争：领先者的护城河变浅，追赶成为常态，竞争将持续激烈 [38] 行业总体影响与机会 - 产业转折点在于智能变得廉价可用，而非单纯变强 [39] - 核心商业机会在于：谁能将智能压缩、量产并变成随时可调用的标准件，谁就能抢占最大市场 [19] - 应用层的机会在于向后整合技术栈、深耕场景理解用户价值、并实行按价值定价的策略 [29] - 技术变革刚开始，但商业竞争规则已被重写，模型落地和可用性比单纯追求规模和技术更强更重要 [40]

文章核心观点 - 全球AI行业正经历快速变革，开源模型的崛起成为创新的重要催化剂，其中中国AI模型表现突出，受到国际关注[2] - 中国AI应用展现出独特的“解决实际问题”路径，在医疗等关键领域取得显著成效，与美国的发展路径形成对比[2] - AI硬件与基础设施需求激增，行业领导者预测未来几年对计算能力的需求将呈百倍级增长[3] 行业动态与趋势 - 英伟达CEO黄仁勋指出，开源模型的性能正越来越逼近领先的前沿大模型，并特别提及中国开源模型Deepseek R1、Kimi K2、Qwen、DeepseekV3.2推动了行业变革[2] - AMD CEO苏姿丰表示，自ChatGPT推出以来，使用AI的活跃用户已从100万人激增至10亿人，预计到2030年将达到50亿人[3] - 为支持AI的普及，行业认为未来几年需要将全世界的计算能力增加100倍[3] 中国AI应用与成果 - 阿里巴巴达摩院研发的胰腺癌早筛AI模型（DAMO PANDA），自2014年11月起已分析超过18万张CT片，帮助医生发现24例胰腺癌，其中14例为早期[2] - 该“平扫CT+AI”胰腺癌筛查方案费用仅需25美元，因其解决实际问题的导向，在美国媒体和网友中引发热议[2] - 百度百科基于AI推出“动态百科”、“百科AI知识图谱”等新功能，其平台词条总量已突破3000万，累计贡献用户数超803万[2] AI硬件与产品进展 - 字节跳动旗下豆包AI眼镜第一代总规划数量约10万台，主要面向资深用户，不打算公开销售，其采用高通AR1芯片[2] - 豆包AI眼镜第二代已在研发中，尚未量产，是否向普通消费者开放销售仍需数月才能确定[2]

文章核心观点 - 华西证券研究所副所长王方群认为，2026年中国股市的投资主线将围绕科技领域展开，并关注创新药、新消费及有色金属等领域的机遇 [1][2][3] 商业航天领域 - 商业航天领域正经历成本重构，从一次性制造向复用成本模式转型 [1] - 中国商业航天企业加速实现技术突破与成本收敛，在自主型号研发与规模化应用方面取得积极进展，呈现系统化追赶态势 [1] - 全球发射放量直接利好发射服务商和整箭制造商，核心可复用部件与高频更换部件将间接受益 [1] 人工智能领域 - 2025年是AI agent元年，海外领军企业包括微软、谷歌、OpenAI、Meta、亚马逊，国内豆包、Qwen等应用场景不断丰富 [2] - 2025年初DeepSeek大模型的推出直接带动了国内人工智能产业大发展 [2] - 摩尔线程、沐曦股份等一批优质芯片企业上市，人工智能从模型到应用，从芯片到场景落地均在加速推进 [2] - 人工智能是2026年及未来多年的重要投资主线 [2] 具身智能（人形机器人）领域 - 具身智能是人工智能的重要分支，人形机器人市场潜力巨大，若十年后走进千家万户，市场将非常惊人 [2] - 中国拥有完整的制造业体系，在人形机器人制造方面具有独特优势 [2] 有色金属领域 - 短期看，美联储宽松预期强化叠加地缘政治风险上升，提升了黄金、白银等贵金属的吸引力，铜等对宏观流动性敏感的工业金属亦获得情绪支撑 [3] - 长期看，市场对全球货币与债务的担忧，使得黄金受益于债务和货币宽松的交易方向，仍具备一定上涨空间 [3] 其他关注领域 - 除科技主线外，创新药与新消费领域同样存在投资机遇 [3]

行业核心观点 - 英伟达CEO黄仁勋在发布会上总结AI行业进展，认为开源模型的崛起已成为全球创新的催化剂 [1] - 其中Deepseek R1的出现意外推动了整个行业的变革 [1] - 目前全球涌现出多个开源模型，其性能越来越逼近领先的前沿大模型 [1] 开源模型发展现状 - 全球涌现出多个开源模型，性能正逼近前沿大模型 [1] - 发布会上展示的开源模型图片中，包含了三家中国开源模型，分别是Kimi K2、Qwen、DeepseekV3.2 [1]