唐傑/楊植麟/林俊暘/姚順雨罕見同台,「基模四傑」開聊中國AGI

市場資訊
01/10

  智能湧現

《智能湧現》完整記錄了這場含金量極高的萬字圓桌討論,值得所有關心AI的人反覆觀看。

  文| 周鑫雨、鄧詠儀

  整理 | 王欣逸、魏寧

  編輯|蘇建勳

  2026年1月10日,在由清華大學基礎模型北京市重點實驗室、智譜AI發起的AGI-Next前沿峰會上,當下中國大模型最重要的四位主力,罕見地聚在了一起:

  啱啱在1月8日順利登陸港股,同時也是這場閉門會主辦方的智譜,其創始人兼首席科學家唐傑是現場第一個分享嘉賓。

  不久前官宣加入騰訊的姚順雨,第一次出現在公共場合中。在騰訊近期完成關鍵的一次模型團隊重組之後,這名前OpenAI研究員,出任CEO辦公室首席科學家。

  和姚順雨同屬大廠戰隊的,是阿里Qwen技術負責人林俊暘,阿里歷史上最年輕的P10。他背後的阿里通義實驗室,目前開源模型的衍生數量和下載量,已經位列全球開源模型第一。

  閉門會上的另一股重要力量,是近期處在輿論焦點的六小虎。現身閉門會的月之暗面CEO楊植麟,最近啱啱官宣了新一輪5億美元的孖展。

  如果說2025年,中國乃至世界AI形成的最大共識是什麼,必然有一條是——基礎模型的能力高低,決定着接下來多場競爭的輸贏:能否成為下一個超級入口、下一個偉大公司……

  閉門會的四位主角,背後公司階段、業務模式各異,但2025年來一系列動作,都有一個共同主題:穩固基模第一梯隊的地位,同時讓模型驅動業務的發展。

  一年以前,以DeepSeek的橫空出世為節點,中國大模型靠快節奏的迭代、持續的開源接力,在國際上獲得了不錯的聲量。

  但在會上,唐傑向中國開發者潑了一點冷水:「美國和中國大模型之間的差距,說不定並沒有縮小,因為美國還有大量閉源模型沒有開源。」

  AGI的下一代路線到底要往何處去?幾位嘉賓對下一階段AGI的範式定義,並不相同,這也決定了他們探索路線的差異。

  在唐傑看來,DeepSeek出現後,對Chat(對話)這一範式的探索已經基本結束了。後DeepSeek時代的模型訓練範式,他形容智譜「bet(賭)」了Coding和Resoning——集推理、Agentic、Coding能力於一體的GLM-4.5,是他們押注的一個成功成果。

  對「Scaling Law信徒」楊植麟而言,下一階段,Scaling仍然是重點。但新的變化是,Scaling不僅僅意味着堆算力,而是在架構、優化器、數據層面做技術改進,目的是為了讓模型,擁有更好的「Taste」:「Taste是我們很相信的東西,模型的智能會產生很多不同的Taste——這讓模型不會趨同。」

  下一階段,AI的自主學習,則是四位嘉賓共同看好的方向。

  不過,大家的一個共識是,隨着AGI探索範式的變化,制定一個衡量模型智力的新標準,會非常重要。

  楊植麟定義的AI智力水平,是Token效率(Token Efficiency)和長文本(Long Context)的結合:「這意味着在不同的Context長度下,你的模型優勢有多大。」

  唐傑也有類似的看法。他觀察到,如今瘋狂的RL、Scaling,收益已經大不如從前。因此,他定義了一個衡量智力水平的新範式,Intelligence Efficiency,用於衡量模型投入和智力收益的ROI。

  實際上,驅動不同AI探索範式的,更多是彼此的目標選擇:到底是追求模型的智力頂峯,還是注重落地?這決定着模型的訓練策略——是垂直整合,還是分化訓練。

  在這個問題上,兩位大廠代表林俊暘、姚順雨都有共識:未來,ToC和ToB的分化會越來越明顯,而AGI的本質,是服務真實的人類場景。

  姚順雨認為,To C場景下,垂直整合是成立的——不管是豆包還是ChatGPT,模型和產品必須強耦合迭代,才能做出好的用戶體驗。但To B場景恰恰相反:模型公司專注把模型做強,應用公司則追求用最強的模型來提升生產力,兩者是分化的。

  林俊暘則更願意相信,這種分化是自然發生的。「公司沒有那麼多基因之分,ToB、ToC都是服務真實人類。」他提到,Anthropic不是因為Coding特別厲害才成功,而是因為頻繁和企業客戶交流,發現了真實需求——如今,美國的API消耗量中,Coding佔據了絕對主導。

  以下為AGI-Next圓桌對話內容整理,經《智能湧現》編輯整理:

  李廣密:順雨,你能展開聊聊對模型分化這個主題的想法嗎?

  硅谷在分化,中國模型也在開源。比如Anthropic做了Coding,Google Gemini就沒有全都做,而是先把全模態這個點做得很好,你的老東家(OpenAI)在重點做To C。你自己的經歷橫跨中美,體感是怎樣的?

  姚順雨:我有兩個大的感受。第一,科技整合這條路,以及就是模型和應用分層的這條路,也開始出現了分化。

  我先說下To C和To B的分化。當大家想到AI的Super App,現在就是兩個:ChatGPT和Claude,可以認為是To C和To B的典範。很有意思的是,我們今天用ChatGPT的感受,和去年相比,對大部分人來說變化已沒有那麼強烈了。

  但相反,一年前Coding的革命還沒開始,這一年,誇張點說,Claude已經在重塑整個計算機行業的做事方式,人不再是寫代碼,而是用英語和電腦交流。

  核心在於,對To C來說,大部分人大部分時候其實不需要用到這麼強的智能。可能模型寫抽象代數的能力變強了,但多數人感受不到,大家更多還是把它當作一個搜索引擎的加強版。

  但在To B,智能越高,就代表生產力越高,能賺的錢越多。

  還有一個明顯的點,To B市場很多人願意為最強的模型付溢價。一個模型200美元/月,次強的50美元/月,很多美國人願意花這個溢價,因為這能幫他提升工作效率。一個像OpenAI 4.5這樣非常強的模型,可能10個任務直接做對八九個,差一點的模型可能只做對五六個。那額外的問題就是說,你還得花額外精力去監控,你不知道這五六個是哪五六個。

  所以,我發現了一個很有意思的現象是,在To B市場,強模型和弱模型的分化會越來越明顯。

  第二點觀察是,垂直整合和模型應用分層的分化。過去大家認為,有垂直整合能力會做得更好,但今天不一定。模型層和應用層需要的能力不一樣,對To B生產力場景來說,更大的預訓練模型是關鍵,而這對產品公司來說很難做。

  反過來,要把一個好模型用好,或者說模型有溢出的能力,也需要在應用側和環境側做很多事。

  我們會發現,在ToC應用上,垂直整合是成立的。無論是ChatGPT還是豆包,模型和產品都是強耦合、緊密迭代的。

  但對To B來說,趨勢似乎是相反的:模型公司專注把模型做得越來越強;同樣地,而應用層則想去利用最好的模型賦能不同的生產力環節。

  李廣密:你近期有了新身份,在中國市場,你理想的bet(押注)是什麼?有哪些鮮明的這個特點或者關鍵詞,可以給大家分享的嗎?

  姚順雨:騰訊是一個To C基因更強的公司,我們會思考如何讓大模型給用戶提供更多價值。我們發現,很多時候To C的瓶頸(bottleneck)不是更大的模型或更強的強化學習,而是額外的上下文(context)和環境(environment)。

  我常舉一個例子,你問模型「我今天該喫什麼」,無論去年還是今年問ChatGPT,結果可能都很差。

  這個問題想變好,需要的不是更強的模型或搜索引擎,而是更多的額外輸入。模型如果知道今天很冷,我想喫點暖和的;知道我老婆在另一個地方,她想喫什麼……有了這些context(上下文),回答的質量就會完全不同。

  比如,我們可以把微信聊天記錄轉發給元寶,給模型更多有用的輸入,這會給用戶帶來很多額外價值。

  至於To B,在中國確實是很難的事情,很多做Coding Agent的公司其實也是要去打海外市場。這方面,我們會思考怎麼把自己先服務好。

  大公司做Coding和創業公司的一個區別是,大公司本身就有各種各樣的應用場景和提升生產力的需求。如果我們的模型能在這些內部場景做得更好,不僅模型會有獨特優勢,公司能更好發展,更重要的一點是,能捕捉到真實世界裏更多樣化(diverse)的場景數據。

  像Anthropic、OpenAI是創業公司,他們需要找數據廠商去標數據,但數據廠商能招的人、能想到的場景總是有限的,多樣性會受限。

  但如果你是一個10萬人的公司,就可能有很多有意思的嘗試,去真的把真實世界的數據利用好,而不是僅僅依賴標註商或蒸餾(distillation)。

  李廣密:俊暘,你怎麼看接下來千問的生態位?

  林俊暘:公司也不一定有那麼多基因之分,可能被一代一代的人塑造。比如順雨到了騰訊之後,騰訊可能變成一個有順雨基因的公司(笑)。

  今天To B 和 To C 都是在服務真實的人類。所以這個問題本質是:應該怎麼讓人類世界會變得更好?就算To C的產品,也會再分化,比如更偏向medical(醫療),更偏向law(法律)。

  我願意相信Anthropic(能做得更好),不是因為它Coding很厲害,而是因為他們跟B端的交流非常多。我跟美國很多API廠商交流,他們都沒想到,Coding的Token消耗量居然會這麼大,在中國,Coding的Token消耗其實還沒有那麼大。

  今天Anthropic更多在做跟finance相關的一些東西,這也是他們在跟客戶的交流中看到的機會。

  所以大家的分化可能是自然的分化。我更願意相信AGI,然後順其自然。

  李廣密:楊強老師怎麼看分化的問題?

  楊強:一直以來,學術界是觀望者,工業界在領頭往前瘋跑,導致現在很多學術界的人也在做工業界的事。

  這是一件好事。天體物理學剛開始的時候,以觀測為主,然後纔出現理論。當有衆多的大模型進入穩態的時候,學術界應該跟上來。

  學術界要解決的,就是工業界可還沒來得及解決的一些問題,比如智能上限在哪裏?給你一定的資源,你能做到多好?更細一點,資源怎麼分配?哪些分配在訓練上,哪些分配在推理上?

  九十年代初我就做過一個小實驗,如果在記憶上有一定的投入,記憶能夠在多少程度上幫助推理?這個幫助會不會變成反向的?記憶太多會不會反而成為噪音?有沒有一個平衡點?這些方法論上的問題今天還是適用。

  我最近也在想另外一個問題。計算機有一個重要的定理,叫「哥德爾的不完備定理」,大概的意思是一個系統(大模型)是不能自證清白的,它必定有一些不可消滅的幻覺。

  所以問題就來了:多少資源能換取多少幻覺的降低?或者錯誤率的降低?中間是有一個平衡點的。這個平衡點特別像經濟學中風險和收益的平衡,也叫「無免費午餐定理」。

  這些問題特別適合學術界和工業界一起來做研究。

  剛纔唐傑老師也提到持續學習,它裏面有時間的概念,大模型在持續學的過程當中,怎麼樣保證學習能力不下降?

  人類有一個方法是:睡覺。我建議大家去看一本書,叫《我們為什麼睡覺》,是MIT的兩個教授寫的,裏面提到每天晚上睡覺,其實是在清理噪音,使得第二天學習的準確率持續的提升,不至於是兩個錯誤率的疊加。

  這些理論的研究,孕育着新的計算模式。我們今天可能比較關注Transformer Agent Computing。但是有必要去做一些新的探索,工業界和學術界要拉齊。

  李廣密:智譜今天更像是走了Anthropic的路線,Coding非常強。唐傑老師對分化這個主題有什麼看法?

  唐傑:2023年,我們是第一個做出Chat(對話)系統的,所以當時我們第一個想法,就是趕緊把Chat上線了。但等2023年8、9月上線時,十來個大模型都一起上線了,而且每一家用戶都沒有那麼多。

  當然今天(用戶)分化得更嚴重。後來,經過一年的思考,原因在於,Chat不是在真的解決問題。在我們原來的預判中,Chat會替代搜索。到今天,我相信很多人開始用模型替代搜索,但是並沒有替代谷歌。谷歌反過來把自己的搜索革命了。

  在這個角度上,Chat的仗,自從DeepSeek 出來後,已經結束了。我們應該思考的是下一個Bet是什麼。(2025年)年初的時候,我們團隊爭論了好久,決定bet on(押注)Coding,後來我們就把所有的精力放在Coding 上。

  李廣密:Bet是一個特別有意思的事。我的感受是,過去一年中國不僅開源很強,而且大家有了自己的Bet(押注),而且接下來有可能分化。因為大家不只是在追求通用能力,同時都有自己的資源稟賦,把擅長的點做得更好。

  今天,預訓練已經過去了三年,RL也成了共識,硅谷都在討論接下來新的一個範式,自主學習。

  順雨在OpenAI待過,OpenAI推進了Transform和RL兩個範式。對下一個範式,你是怎麼思考的?

  姚順雨:現在自主學習是一個非常熱門的詞,硅谷大街小巷咖啡館裏面,大家都在談論,形成了一個共識。

  根據我的觀察,每個人對這個東西的定義和看法都不一樣,我講兩點:

  第一,自主學習不是方法論,而是數據或者任務。自主學習到底在什麼樣的場景下,基於什麼樣的獎勵函數去做?你在聊天的時候,變得越來越個性化,是一種自主學習;寫代碼的時候,越來越熟悉每個公司獨特的環境或者文檔,也是一種自主學習;你探索新的科學,在這個過程中從了解有機化學是什麼,到成為這個領域的專家,也是一種自主學習。

  每一種自主學習的挑戰,或者說方法論都不太一樣。

  第二,我不知道這個現象是不是非共識,但這已經發生了。ChatGPT已經在利用用戶的數據不斷彌合人聊天的風格,這是不是一種自我學習?今天Claude這個項目95%的代碼,已經是Claude自己寫的了,它在幫助自己變得更好,這是不是一種自我學習?

  2022年、2023年,我去硅谷宣傳工作。我當時寫了第一頁slide,是說AGI最重要的點是自主學習。AI系統本質上都有兩部分,首先它是一個模型,其次它有個代碼庫,你怎麼去用這個模型?是用來做推理,還是做Agent?都有相應的代碼庫。

  我們今天看Claude這個系統本質上有兩部分,一部分是部署環境的代碼,另一部分是操作有一大堆代碼。這些自主學習的例子,可能還侷限在每一個特定的場景下,沒有讓人感覺到非常大的威力。

  我個人的看法是,自主學習更像是漸變,不是突變。

  李廣密:你覺得在2026年,自主學習可以看到哪些信號?還有哪些實際的問題要突破?

  姚順雨:很多人說2026年看到自主學習的信號,2025年就看到信號了,Cursor每幾個小時都會用最新的用戶數據去進行學習,包括新的模型,也在使用這些真實環境下的數據去訓練。

  大家覺得這些進展還沒有特別石破天驚,是因為受限於他們沒有預訓練能力,他們的模型效果確實還不如OpenAI,但顯然這是一個自主學習的信號。

  最大的問題是想象力。我們很容易想象,強化學習或者推理範式如果實現,大概是什麼樣。我們可以想象OpenAI o1,在數學題上本來是10分,現在變成了80分。通過強化學習,o1能夠有非常強的思維鏈去做數學題。

  如果2026年或者2027年,一個新的模型或者新的系統實現了自我學習,我們應該用什麼樣的任務,它應該是什麼樣的效果,讓你相信它實現了。它是一個賺錢的交易系統?還是解決了人類之前沒法解決的科學問題?我們可能需要先想象到它長什麼樣。

  李廣密:OpenAI已經有兩次範式的這個創新了,你覺得如果26、27年有新的範式出來,全球範圍內,你感覺哪一家公司繼續lead這個範式創新的概率最大?

  姚順雨:可能OpenAI概率更大。但是因為它商業化等各種變化,它的創新基因已經被削弱了。但它可能還是最有可能誕生新範式的地方。

  林俊暘:從更實際的角度講,RL這個範式也還在早期階段,RL的compute還沒有scale的那麼的充分,很多潛力沒發揮出來,我們也能看到很多Infra的問題發生。

  但全球範圍內,類似的這個問題也都還存在。

  關於下一代的範式,我覺得一個是自主學習,之前跟一個朋友聊到,就說「人類不能讓AI變得更厲害」,比如說你跟AI 不斷交互,只會讓它上下文變得越來越長,然後 AI 變得越來越笨。這是一個很煩人的事情。

  Test-time scaling(測試時擴展)能否真正發生,吐更多token然後變得更強,這值得我們思考。我至少覺得o系列它一定程度上實現了這個事情,有沒有可能今天大家做超越的事情很難,但可能通過Coding去實現。

  今天大家去做那種 AI scientist 這個事情其實還挺有意義的,因為你在挑戰一些很難的,甚至是做人類未曾做到的這個事情,有沒有可能通過三天的去進行實現?

  從這個角度上來說的話呢,AI 肯定是需要這個自主進化的,但究竟你是不是要更新參數?這個見仁見智,可能大家都有不同的這個技術手段去實現這個事情。

  第二點是,AI有沒有可能實現更強的主動性。現在AI必須由人類去prompt才能啓動,未來有沒有可能環境就能prompt它,讓它自己自主思考去做事?

  但這裏引發了一個新的問題,就是安全的問題。我非常擔心的不是AI講一些不該說的話。最擔心的事情是他做一些不該做的事,就比如說他今天主動的產生一個想法,往這個會場裏邊扔一顆炸彈,這種事情。我們肯定是不希望這些不安全的這個事情發生,但就像培養小孩一樣,我們可能要給他注入一些正確的這個方向。但主動學習可能是挺重要的一個範式。

  李廣密:是的,那個俊暘又提了一個(AI學習的)主動性,主動性可能是26年非常關鍵的一個bet。

  如果自主學習26年看到信號,你感覺可能是在哪些任務上會先看到?是模型會訓練模型,最強的模型可以提升自己了?還是說會有自動化的 AI 研究員了?

  林俊暘:我覺得自動化的, AI研究員甚至都不是那麼需要自主學習。未來可能很快,AI訓練AI 這件事情就可以實現。

  我看着我們的同學每天在乾的事情,就覺得很快能把他們替代掉。但可能是更持續的理解用戶這件事情,比如個性化就挺重要的,過往在做推薦系統的時候,用戶信息是持續的輸入,會讓你整個系統變得更強。

  但是在 AI 覆蓋到人類生活方方面面的時候,真正的個性化的衡量指標是什麼?我們其實不太知道。所以更大的技術挑戰是說,我們今天的evaluation不知道該怎麼做。

  李廣密:如果實現「記憶」,會是2026年實現技術突破的跨越嗎?

  林俊暘:我個人觀點,大量的所謂技術突破,性的話都是一些觀測問題,它其實都是在線性的發展,只是人類對它這個感受非常的強烈而已。包括像 ChatGPT 的出現,其實對我們做大模型的來說,都屬於線性增長。

  現在做Memory的技術方案對不對?很多方案也沒有什麼對錯之分,但是做出來這個效果,至少我拿我們自己這個獻個醜。就是我們自己的 memory,它看起來好像知道我過去幹什麼,但只是記住了過去的事情,並不顯得很聰明。

  但memory 到某一個這個臨界點的時候,會不會真的像生活中的人一樣,或者像《Her》那部電影,通過理解你的memory,知道人類的感受,多多少少還需要一年時間了。

  很多時候其實技術也沒有發展那麼快,只是大家比較卷,覺得每天都有新東西,但其實技術就是在線性的發展,

  每天看我們做得事情,真挺土的,那些Bug真不好意思拿出來跟大家講。如果這麼做,我們已經做到這樣的成績,可能未來算法infra結合得更好後,會更大有可為。

  李廣密:有請楊強老師。

  楊強:我一直以來是做這個聯邦學習的,聯邦學習的主要思想就是說多箇中心,大家協作。我現在越來越多地看到,很多就是有本地資源不足,但是本地的數據又有很多隱私和安全的要求。

  我們就可以想象,現在大模型的能力越來越強,通用大模型和本地的這種特殊性小模型,或者是領域專家的模型,如何協作?

  這種協作變得越來越可能,像美國Zoom,就是黃學東他們做的AI系統,他做了一個很大的基座,這個基座大家都可以插進來,它可以在Decentralise(去中心化)的狀態下,能夠既保護隱私,又能夠和通用大模型有效地溝通、協作。

  這種開源模式特別好,一個是知識的開源,一個是Code方面的開源,模型階段。尤其是像醫療、金融這樣的場景下,會越來越多看到這樣的現象發生。

  李廣密:有請唐老師。

  唐傑:持續學習、Memory,甚至多模態,都有可能出現新的範式變革。

  為什麼會產生這樣的範式?原來其實工業界跑得遠遠快於學術界。我記得去年和前年回到清華,很多老師卡的數量幾乎為零。工業界有1萬片,學校是0片或者1片,倍數是1萬次。

  但是現在,很多學校已經有很多卡了,而且很多老師已經做了很多大模型的相關研究,包括硅谷那邊,有很多老師都開始做模型架構、持續學習相關的研究。原來我們總覺得工業界在dominating這些,2025年底到2026年初的時候,這一現象已經不大存在了。

  學校和工業界之間可能還有10倍的差,但它已經孵化出種子了。第一,學術界有創新的基因。

  第二,一個創新的出現,一定是因為對某件事有大量的投入,並且efficiency出現了瓶頸。現在大模型已經投入巨大,但是efficiency並不高。

  現在繼續Scaling肯定有收益,2025年初可能需要10個T的數據,現在需要30個T,甚至我們可以Scaling到100個T,但是Scaling後,你的收益有多少?計算成本有多少?如果你不創新,花掉10個億、花掉了20個億,但收益很小,就不值得了。

  另外一方面,對於新的智能創新,假如說我們每一次都要重訓一個基座,重訓RL,收益效率會變小。

  未來我們也許可以定義一個衡量收益的新範式,一方面既然要提升智能的上限,最笨的辦法就是Scaling。另一方面,應該定義Intelligence efficiency,智能的效率,用更少的Scaling,獲得同樣智能的提升。

  所以2026年範式的改變一定會發生,我們也在努力,希望這個變化發生在我們身上。

  李廣密:我跟唐老師一樣也非常樂觀,每個領先的模型公司,每年的計算量有10倍左右,大家手上的計算資源多了,而且人才也湧入得越來越多,大家手上的卡變多,可能就是某個試驗工程,某個點就出來了。

  大家對2026年Agent有一個很大預期,就是它能自動化人類一周到兩周的工作量,而不再是一個工具,這可能是Agent創造經濟價值的關鍵一年。

  硅谷的幾個公司,都是從模型到AGI,端到端都做了。順雨,你花了很多時間做Agent的研究,2026年,Agent真的能幫人類自動化1-2周的工作嗎?從模型公司的出發點,你怎麼思考這個問題?

  姚順雨:To B和To C可能不太一樣。To B方面,Agent正處在不斷上升的曲線上,目前沒有變慢的趨勢。

  Anthropic這個公司很有意思,它不做什麼花哨的創新,就是把預訓練做大,把RL做好,然後去解決真實世界的任務,模型就會越來越聰明,帶來更多價值。做To B,其實所有目標是更一致的:模型智能越高,解決任務越多,帶來的收入越大。

  這和To C不同。OpenAI做To C的問題我們都知道,ToC的DAU和模型智能,很多時候是不相關的,甚至有相反的關係。

  這個是Anthropic能夠聚焦的另一個很重要原因:只要真的把模型越做越好。那他的收入越來越高,所有事情全部都是非常 align(協同)的。

  目前除了模型本身,還有兩個瓶頸。一個是環境和部署(Deployment)問題。

  在 OpenAI 之前,我在一個To B的客服公司實習過,還是有很多收穫。即使今天模型不再變好,只要把現有模型部署到世界上各種各樣的公司,可能就能帶來今天10倍或100倍的收益,對GDP產生5%-10%的影響,但今天,它對 GDP 的影響還遠遠不到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,而是會用AI工具的人替代了不會用的人。

  就像當年電腦剛被髮明出來,你如果去轉身去學習編程,你還在使用計算尺,在使用使用算法呢,那那是差異巨大的。

  可能今天中國能做的一個最大的,有意義的事情,其實就是更好的教育,就教大家怎麼更好的去使用像Claude的或者或者ChatGPT這樣的產品。當然,Claude可能在中國用不了,但是我們可以用kimi或者智譜這樣國產的模型。

  李廣密:俊暘,千問也有一個生態嘛,做Agent的,以及扶持生態的通用Agent的對比,你可以分享下嗎?

  林俊暘:這裏可能涉及產品哲學的問題。當然,Manus這樣的產品確實很成功,套殼是不是未來,確實是個問題。

  我比較同意「模型即產品」這個觀點。我跟一些TML(Thinking Machine Lab)的人聊,他們有個觀點是Researcher is Product。很多researcher自己就能成為產品經理,端到端把東西做起來。

  今天我們自己內部的 researcher,都想做更多面向真實世界的一些東西。

  我相信接下來的Agent,是可以做到啱啱所說的這些事情,跟啱啱提的self-involvement、主動學習都有強關係。

  比如說他能幹這麼長這個時間,他其實自己就得在這個過程當中進化,並且他還要決定去幹什麼。

  因為他收到的這個指令是一個非常 general 的一個任務,所以我們現在的 agent ,其實已經開始越來越像是那種託管式的 agent, 而不是說我我要不斷來回交互的形式,這對模型能力要求很高,比如說模型就是這個 agent,agent 就是這個產品本身。如果他們都是這個一體化的話。

  從這個角度上來說的話,如果不斷提升模型能力的這個上限,包括 Test Time Scaling 做上去的話。他確實能夠做到這個事情。

  還有一個點是環境交互。

  我們現在交互的都還是電腦環境,不夠複雜。我有朋友是做AI for science的,比如你幹AlphaFold的事情,製藥,你就算用今天的AI,可能幫不到你那麼到,因為你要做實驗,你不能只在電腦裏做,要去指揮機器人做實驗才能得到反饋。

  按照現在這個人類的這個效率,其實其實非常低的,我們甚至還要僱佣很多外包,在這個這個實驗環境裏面去做實驗。

  如果AI能和真實物理世界交互,那纔是我想象中Agent能做長時間工作的情景,而不是說僅僅是在電腦當中。

  一些在電腦環境裏做的,我覺得可能今年很快就可以完成,但接下來三到五年,要完成的Agent任務可能和具身智能會結合起來,這會更有意思一點。

  李廣密:我想追問一個更尖銳的問題,從你的角度看來,通用的 Agent 這個機會是創業者的嗎?

  林俊暘:我不能因為我做基礎模型,我就去做這個創業導師。我只能借這個成功人士的那句話吧,Peak(Manus聯合創始人)說,通用Agent最有意思的事情在於解決長尾問題,或者是說今天 AI 更大的魅力是在長尾。

  頭部的問題其實很容易解決,當年做推薦的時候呢,其實我們就看到,那個推薦其實非常的集中,商品都是在這個頭部,但我們其實是想把尾部這個東西推過去,但是我當時做就非常的遭殃。

  我作為一個幹 NLP 和多模態的人,去幹這個解馬太效應,基本上是這個奔着死路去的。我覺得今天的所謂的 AGI 其實就在解這個問題。

  一個用戶,尋遍各處我都找不到能夠幫我解這個問題的。但就在那一刻,我感受到了AI 的能力,就是全世界任何一個角落,我尋遍各處都找不到,但是你卻能幫我解決。可能這就是AI最大的魅力。

  要不要做通用Agent呢?如果你是「套殼」高手,套得比模型公司還好,那可以去做。但如果沒有這個信心,這個問題可能還是留給模型公司自己做。因為他們遇到問題時,只要訓一訓模型、燒一燒卡,可能問題就解決了,所以見仁見智吧。

  李廣密:其實解決長尾的問題,模型公司就說算力加數據,好像你解決起來也挺快的,對吧。

  林俊暘:今天RL(強化學習)最有意思的這個地方,是我們發現修問題比以前容易,以前以前修問題很難。

  我舉一個 B 端客戶的一個情況,他們說我們自己要做 SFT(監督微調)。你能不能告訴我這個通用數據怎麼配比?每次我們都很頭痛,因為我們覺得對方不太會做 SFT(監督微調),他那個數據其實不好,但他可能覺得他的數據有用。

  那今天有了 RL(強化學習) 之後,你可能真的很很小的一個數據點,甚至你都不需要這個標註,你只要有這個 query 有這個 reward(獎勵函數)這個東西稍微訓一訓,然後合併起來其實也也非常容易。

  楊強:我覺得Agent的出現應該有四個階段,取決於目標和規劃是由人定義還是AI自動定義。

  我們現在處在最初級的階段:目標是人定義的,規劃也是人做的。所以現在的Agent 的definition(定義)、這些軟件系統,基本上是更高級的Prompt language。

  我預料的未來會出現,大模型會觀察人的工作,把人的過程數據利用起來,最終實現目標和規劃都由大模型來定義,Agent應該是由大模型內生的一個系統。

  李廣密:有請唐傑老師。

  唐傑:有幾個方面決定了Agent未來的走勢:

  第一,Agent本身有沒有解決人類的事情,而這個事情是不是有價值,價值有多大?

  比如說,原來的Agent,像GPTs出來也做了很多Agent,再那時候你會發現那個Agent非常簡單,最後發現prompt就解決了,這時候大部分Agent慢慢就死掉了。

  所以,第一個是解決Agent這個事情多有價值,以及真的能夠幫到人。

  第二,做這個事情咱們Cost有多大。如果Cost的特別大,這個時候也是一個問題,就像剛纔俊暘說的,也許調用一個API就能把這個問題解決了。

  但是反過來,假如調API就能解決,這個API本身有可能覺得當這件事情價值很大的時候,就會把它做進去,這是個矛盾,非常矛盾,基座的應用永遠是矛盾。

  最後,做應用的速度。如果說我有個時間窗,能夠拉開半年的時間窗,迅速把這個應用滿足了,半年以後,要麼迭代,要麼怎麼接,怎麼能往前走也是一個方面。

  大模型到現在更多的是在拼速度、拼時間,也許我們代碼正確了,也許我們就會在這方面走的更遠一點,但也許失敗以後就半年,半年就沒了,今年我們只是在Coding,在Agent這一塊做了一點點,現在我們Coding的調用量都還不錯,更多的也是一個方向,做Agent未來也是一個方向。

  李廣密:多謝,因為過去模型公司既要追通用能力,可能它的優先級上沒有花那麼多精力去探索,通用能力追上來之後,我們更多地期待2026年智譜、千問有更多自己的Claude時刻,和Memory時刻,這是非常值得去預期的。

  第四個問題,也是需要展望未來,我挺想問,在三年和五年以後,全球最領先的AI公司是中國團隊的概率有多大,從今天的跟隨者變成未來的引領者,需要哪些關鍵條件?

  順雨經歷過硅谷跟中國的市場,你對概率的判斷和需要哪些關鍵條件的判斷是怎麼樣的?

  姚順雨:概率還挺高的,我還是挺樂觀的。目前看起來,任何一個事情一旦被發現,在中國就能夠很快的復現,在很多局部做得更好,包括之前製造業、電動車這樣的例子已經不斷地發生。

  我覺得可能有幾個比較關鍵的點,一個可能是中國的光刻機到底能不能突破,如果最終算力變成了Bottleneck(瓶頸),我們能不能解決算力問題,目前看起來,我們有很好的電力優勢,有很好的基礎設施的優勢。

  主要的瓶頸,一個是產能,包括光刻機,以及軟件生態,對這個問題解決會是很大的幫助。

  另一個問題,除了To C之外,能不能有更成熟或者更好的To B的市場,或者有沒有機會在國際的商業環境競爭。今天我們看到很多做生產力或者做To B的模型或者應用,還是會誕生在美國,因為支付意願更強,文化更好。

  今天在國內做這個事情很難,所以大家都會選擇出海或者國際化的事情,這兩個是比較大的客觀上的因素。

  更重要的是主觀上的概念,最近我在跟很多人聊天,我們的感受是在中國有非常多非常強的人才,任何一個事情只要被證明能做出來,很多人都會非常積極地嘗試,並且想做得更好。

  中國想要突破新的範式,或者做非常冒險事情的人可能還不夠多,這裏面有經濟環境、商業環境包括文化的因素。

  如果再增加一點,主觀上要有更多有創業精神或者冒險精神的人,真的想要去做前沿探索或者新的範式突破的事情。

  目前來看,一個範式一旦發生,我們可以用很少的卡、很高的效率去局部做得更好,我們到底能不能引領新的範式?這可能是今天中國唯一要解決的問題。

  因為其他所有的事情,無論是商業,還是產業設計,還是做工程,我們某種程度上已經比美國做得更好。

  李廣密:我再Follow順雨一個問題,你對中國Lab裏面的研究文化有什麼要呼籲的嗎?你也感受過OpenAI,DeepMind,中國跟美國的研究文化有什麼差異的地方?

  作為一個AI Native的公司,這對有哪些根本性的影響?有什麼呼籲和建議嗎?

  姚順雨:每個地方的研究文化都很不一樣,美國實驗室的區別可能比中美實驗室的差別還要大,在中國也一樣。

  我個人覺得有兩點,一點是說在中國,大家還是更喜歡做更安全的事情,比如說今天預訓練這個事情已經被證明可以做出來了,其實這個事情也非常難做,有很多技術問題要解決,但只要這件事情一旦被證明能做出來,我們都很有信心幾個月或者一段時間內就把這個問題搞清楚。

  但如果今天讓一個人說探索一個長期記憶或者持續學習,這個事情大家不知道怎麼做、不知道能不能做起來,這個事情還是比較困難的。可能不只是大家更喜歡做確定性的事情、不太願意做創新性的事情。

  很重要的一點是文化的積累或者整體的認知,其實是需要時間沉澱的事情。

  OpenAI在2022年就開始做這個事情了,國內2023年開始做了,對這個東西的理解會有一些差異,或者說中國沒有這麼大。

  很多也就是時間問題,當你積累了文化或者底蘊更深的時候,潛移默化的程度可能會影響人的做事方式。但是它很微妙,很難通過排行榜去體現。

  中國對於刷榜或者數字看的更重一些,包括DeepSeek做的比較好的一點是,他們可能沒有那麼關注排行榜的數字,可能會更注重:第一,什麼是正確的事情;第二,什麼是你自己能體驗出好或者不好的。

  這還是挺有意思的,因為你看Claude模型可能在編程或者軟件工程的排行榜上也不是最高的,但大家都知道這個東西是最好用的。這需要大家能夠走出這些排行榜的束縛,能夠堅持自己覺得是不是正確的過程。

  李廣密:多謝順雨。請俊暘說說概率和挑戰。

  林俊暘:這個問題是個危險的問題,理論上這個場合是不可以潑冷水的。

  如果從概率上來說,我可能想說一下我感受到的中國和美國的差異,比如說美國的Compute(算力)可能整體比我們大1-2個數量級,但我看到不管是OpenAI還是其他,他們大量的Compute投入到的是下一代的Research當中去。

  我們今天相對來說,捉襟見肘,光交付可能就已經佔據了我們絕大部分的Compute,這會是一個比較大的差異,這可能是歷史以來就有的問題。

  創新是發生在有錢的人手裏,還是窮人手裏,窮人不是沒有機會,我們覺得這些富哥真的很浪費卡,可能訓了很多也沒什麼用,但今天窮的話,比如今天所謂的算法Infra聯合優化的事情,如果你很富,就沒有什麼動力去做這個事情。

  剛纔順雨提到光刻機的問題,未來有可能還有一個點,如果從軟硬結合的角度,是不是真的有可能做出來下一代的模型和芯片,是不是有可能是一起把它給做出來?

  我在2021年的時候在做大模型,因為阿里做芯片,他們的人找我,說能不能預測一下三年之後這個模型是不是Transformer架構,三年之後模型是不是多模態?為什麼是三年呢?他說我們需要三年時間才能流片。

  我當時的回答是,三年之後,在不在阿里巴巴,我都不知道。但我今天還在阿里巴巴,果然還是Transformer,果然還是多模態,我非常懊悔,為什麼當時沒有催他去做。

  當時我們的交流非常雞同鴨講,他給我講了一大堆東西,我完全聽不懂,我給他講,他也不知道我們在做什麼,就錯過了這個機會。

  這個機會有沒有可能再來一次?我們雖然是一群窮人,但窮則生變,創新的機會會不會發生在這裏?

  今天我們教育在變好,我屬於90年代靠前一些的,順雨屬於90年代靠後一點的,我們團隊裏面有很多00後,我感覺大家的冒險精神變得越來越強。

  美國人天然有非常強烈的冒險精神。一個很典型的例子是當時電動車剛出來,甚至天棚漏水的情況下,甚至開車會意外身亡的情況下,依然會有很多富豪們都願意去做這個事情。

  但在中國,我相信富豪們是不會去幹這個事情的,大家會做一些很安全的事情。

  今天大家的冒險精神開始變得更好,中國的營商環境也在變得更好的情況下,我覺得是有可能帶來一些創新的。概率沒那麼大,但真的有可能。

  李廣密:如果拍一個數字呢?三年到五年後,中國最領先的那個公司,是一家中國公司的概率。

  林俊暘:我覺得是20%吧,20%已經非常樂觀了,因為真的有很多歷史積澱的原因在這裏。

  李廣密:我再Follow一個問題,比如說中國的模型跟美國的模型差距,有的地方在追上來,有的地方他們的算力在拉大,你對於Gap變大的恐懼感強嗎?

  林俊暘:今天你幹這一行就不能恐懼,必須得有非常強的心態,對於我們的心態來說,能幹這一行就非常不錯了,能做大模型這件事情已經非常幸運了。

  還是看你的初心是什麼。剛纔順雨提到一個點,你的模型不一定那麼強,在C端裏邊是OK的。

  我可能轉換成到另一個角度思考這個問題,我們的模型為人類社會帶來了什麼樣的價值?只要我相信我這個東西能夠為人類社會帶來充分的價值,能夠幫助人類,就算不是最強的,我也願意接受。

  李廣密:多謝俊暘。有請楊老師,因為您經歷過很多AI周期,也看過很多中國AI公司變成世界最強,您對這個問題的判斷是怎麼樣的?

  楊強:我們可以回顧一下互聯網的發展。一開始也是從美國開始,但中國很快就趕上了,而且像微信這樣的應用,是世界第一的。

  我想,AI是一個技術,它並不是一個終端的產品,但我們中國有很多聰明才智,會把這個產品發揮到極致,不管是To B還是To C,但我可能更看好To C,因為百花齊放,中國人集思廣益。To B可能會有一些限制,像付費意願、企業文化等也在改變。

  我最近也在觀察商業方向,跟商學院的一些同學探討,比方說美國有一個公司叫Palantir,它的一個理念是,不管AI現在發展到什麼階段,我總是能在AI裏面發現一些好的東西應用在企業上,中間肯定有gap(鴻溝),我們要給它彌合。

  它有一個辦法叫本體。我觀察了一下,大概的思想是我們之前做的遷移學習,把一個通用的Solution,應用到一個具體的實踐當中,用本體做知識的遷移,這個方法非常巧妙。當然它是通過一種工程的方法,叫前端工程師FDE來解決的。

  不管怎麼樣,像這種就非常值得我們學習,中國的企業像AI Native的公司應該發展出這樣一些To B的Solution來,我相信會的。所以To C肯定是百花齊放的,To B也會很快跟上來。

  李廣密:多謝楊老師。有請唐老師。

  唐傑:首先確實要承認在中美,無論是做研究,尤其是企業界的AI Lab,和美國是有差距的,這是第一個。

  中國現在慢慢變得越來越好,尤其是90後、00後這一代企業,遠遠好過之前。

  有一次我在一個會上說我們這一代最不幸運,上一代也在繼續工作,我們也在工作,所以我們還沒有出頭之日,很不幸的是下一代已經出來了,世界已經交給下一代了,已經把我們這一代無縫跳過了。這是開玩笑的。

  中國也許的機會:

  第一,一群聰明人真的敢做特別冒險的事,現在是有的,00後這一代,包括90後這一代是有的,包括俊暘、Kimi、順雨都非常願意冒風險來做這樣的事情。

  第二,咱們的環境可能更好一些,無論是國家的環境,比如說大企業和小企業之間的競爭,創業企業之間的問題,包括我們的營商環境。

  像剛纔俊暘說的,我還在做交付,如果把這個環境建設得更好,讓一群敢於冒險的聰明人有更多的時間去做創新,也許是我們政府,包括我們國家可以幫忙改善的事情。

  第三,回到我們每個人自己身上,就是我們能不能堅持。我們能不能願意在一條路上敢做、敢冒險,而且環境還不錯。

  環境肯定不會是最好的,永遠不要想着環境是最好的,我們恰恰是幸運的,經歷了環境從原來沒那麼好,到慢慢變得更好的時代,我們是經歷者,也許就是財富、收穫最多的人。如果我們笨笨地堅持,也許走到最後的就是我們。

  感謝大家!

  李廣密:感謝唐老師。我們也很想呼籲,應該把更多資源資金投入到中國的AGI行業,有更多的算力,讓更多AI年輕的研究員搓卡,有可能搓個三五年,中國就有幾個自己的Ilya Sutskever,這是我們未來三五年很期待的。

  非常感謝大家!

海量資訊、精準解讀,盡在新浪財經APP

責任編輯:凌辰

免責聲明:投資有風險,本文並非投資建議,以上內容不應被視為任何金融產品的購買或出售要約、建議或邀請,作者或其他用戶的任何相關討論、評論或帖子也不應被視為此類內容。本文僅供一般參考,不考慮您的個人投資目標、財務狀況或需求。TTM對信息的準確性和完整性不承擔任何責任或保證,投資者應自行研究並在投資前尋求專業建議。

熱議股票

  1. 1
     
     
     
     
  2. 2
     
     
     
     
  3. 3
     
     
     
     
  4. 4
     
     
     
     
  5. 5
     
     
     
     
  6. 6
     
     
     
     
  7. 7
     
     
     
     
  8. 8
     
     
     
     
  9. 9
     
     
     
     
  10. 10