智東西（公眾號：zhidxcom）
作者 | 駿達 江宇
編輯 | 漠影
智東西1月10日報道，今天，清華大學基礎模型北京市重點實驗室發(fā)起的“AGI-Next”峰會上，多位國內頭部開源AI實驗室的技術掌舵人罕見同場亮相。智譜創(chuàng)始人兼首席科學家唐杰、月之暗面創(chuàng)始人兼CEO楊植麟、阿里千問大模型技術負責人林俊旸和騰訊總裁辦公室首席AI科學家姚順雨等人，就AGI路徑、Scaling極限、Agent落地與中國AI的長期機會等熱點話題，進行觀點的交流和碰撞。
這場會議長達三個半小時，充滿學術氛圍：沒有主持人串場，沒有冗長的嘉賓介紹，也沒什么場面話，這是唐杰在辦會時有意而為之的。幾位嘉賓的觀點都十分坦誠，聽完之后，我們總結出了以下8個核心觀點：
1、唐杰：Scaling（模型擴展）仍是有效路徑，但可能是“人類最輕松的偷懶方式”。真正值得探索的是讓模型具備自主Scaling能力。
2、唐杰：DeepSeek出來之后，Chat范式的競爭就基本結束了。
3、楊植麟：Scaling Law本質是把能源轉化為智能，核心在于高效逼近智能上限。
4、楊植麟：模型承載的是價值觀與品味，Scaling是技術、數據與審美的共進，探索前沿智能不會因潛在風險而停止。
5、林俊旸：Manus確實很成功，但套殼是不是未來，這本身也是個話題。
6、林俊旸：未來3-5年內中國團隊做到全球領先的概率，在大概20%，這已經是非常樂觀的估計。
7、姚順雨：垂直整合與模型應用分層兩種模式在分化，模型公司做應用不一定更好。
8、張鈸：當前大模型存在指稱、因果等五大根本缺失。他強調AGI應有“可執(zhí)行、可檢驗”的定義，核心是具備多模態(tài)理解、在線學習、可驗證推理等五項能力。
一、智譜創(chuàng)始人唐杰：讓機器像人一樣思考，AGI仍然需要新的模型架構與學習范式
清華大學教授、智譜創(chuàng)始人唐杰圍繞“讓機器像人一樣思考”這一長期目標，系統(tǒng)梳理了他對AGI路徑的判斷。
1月8日智譜上市當天，唐杰曾在內部信中提到，“直到今天，包括智譜在內，沒有人能夠給出準確的AGI定義以及如何實現AGI的技術路徑，也許這正是探索AGI的魅力所在。”
基于這一判斷，唐杰在本次演講中系統(tǒng)性回溯了近年來基座模型智能化水平的演進，并結合中美開源模型的發(fā)展趨勢，對當前大模型所處階段及其面臨的關鍵分岔進行了分析。
▲基座模型在典型AI基準測試上的能力演進
他回顧了2025年，談及智譜已在語言、視覺、多模態(tài)智能體等方向開源GLM系列模型，助推中國模型首次集體霸榜開源榜單前五。
盡管如此，唐杰也坦言“我們的差距可能還在拉大”，美國閉源模型仍是不可忽視的對手。
唐杰稱，“我們是在開源上面玩了讓自己感到高興的，而差距并沒有像我們想象得那樣好像在縮小。有些地方，我們可能做的還不錯，但我們還要承認自己面臨的一些挑戰(zhàn)和差距。”
那下一步AGI該如何推進，在他看來，需要回到對人類認知學習過程的理解。他認為，面向未來，大模型仍缺失多項關鍵能力，而這些能力在人類身上遠遠超過大模型。
唐杰談及，“2025年可能是多模態(tài)的適應年?？赡苋虺松倭康膸讉€模型，一下子吸引了很多人，包括智譜在內的很多的多模態(tài)模型都沒有引起關注?！?/p>
他將原生多模態(tài)能力類比為人類的“感統(tǒng)”能力，認為這正是模型下一步需要補齊的能力。
其次，唐杰強調，大模型在記憶和持續(xù)學習能力上仍然存在明顯短板。如何構建從個體記憶到人類整體的“第四級記憶系統(tǒng)”，是未來需要為大模型補齊的基礎設施。
在更高層面，唐杰將反思與自我認知視為極具挑戰(zhàn)、但值得探索的方向。
他將這一判斷放入“人類認知框架”中進行解釋，“人類認知是雙系統(tǒng)，系統(tǒng)1和系統(tǒng)2。系統(tǒng)1完成了95%的任務……只有更復雜的推理問題……這時候就變成系統(tǒng)2了?！彼J為，大模型同樣需要構建系統(tǒng)1、系統(tǒng)2以及自學習機制的協同。
系統(tǒng)一依賴大規(guī)模數據和參數的Scaling，系統(tǒng)二則依賴推理、指令微調與思維鏈，而自學習機制則對應人類在無意識狀態(tài)下的持續(xù)學習能力。
但唐杰也明確提到，單純依靠數據和參數規(guī)模的Scaling已逐漸顯露瓶頸，“我們能不能找到更好的知識壓縮的方法，把知識壓縮到更小的空間里面，這是一個新的問題?！?/p>
他認為，Scaling仍然重要，但必須尋找新的路徑，“Scaling是一個很好的辦法，但Scaling可能是最輕松的辦法，是我們人類偷懶的一個辦法。”真正值得探索的，是讓模型具備自主Scaling能力。
而面向真實世界，唐杰認為大模型還必須具備完成超長任務的能力。
最后，唐杰從計算機本體能力出發(fā)，給出了總結：“在我看來計算機有三個能力：第一，計算機的表示和計算；第二，編程；第三，本質上是搜索。”他認為，正是這三種能力的疊加，使計算機具備了走向“超級智能”的潛力。
在對2026年的判斷中，唐杰也給出了較為清晰的技術聚焦方向。他直言，“2026年對我來說更重要的是要專注和做一些比較新的東西?！?/p>
在他看來，Scaling仍將繼續(xù)，但重點正在發(fā)生變化，“已知的是我們不斷加數據、不斷探索上限。還有Scaling未知，就是我們不知道的新的范式是什么。”
圍繞這一未知范式，唐杰強調模型架構層面的創(chuàng)新將成為關鍵，解決超長上下文，還有更高效的知識壓縮問題，并會實現知識記憶和持續(xù)學習。
與此同時，多模態(tài)感統(tǒng)被他視為2026年的重點方向之一。只有具備這一能力，AI才能真正進入長任務、長時效的工作環(huán)境，AI才能實現具身，才能進入物理世界。
在應用層面，唐杰也對AI for Science寄予厚望，“我相信今年可能是AI for Science的一個爆發(fā)年，因為很多能力大大提升，我們可以做更多的事情?！?/p>
二、月之暗面楊植麟：Scaling不止堆算力，下一代模型技術、數據與“品味”會共同進化
月之暗面創(chuàng)始人兼CEO楊植麟認為，自2019年以來，大模型始終遵循同一條第一性原理——Scaling Law，本質是“把能源轉化成智能”。在數據與算力受限的背景下，如何用更少投入獲得更高智能，成為核心命題。
楊植麟強調，Transformer之所以成為主流架構，關鍵在于其更優(yōu)的Scaling表現。
尤其在長上下文場景中，Transformer相較傳統(tǒng)架構展現出明顯優(yōu)勢，而這正是Agent時代的基礎能力。復雜任務必須依賴超長Context，模型的Position Loss越低，Agent潛力就越大。
圍繞這一判斷，Kimi的預訓練策略聚焦兩條主線：Token效率與長上下文能力。
在token效率層面，團隊提出了改進的Muon優(yōu)化器Moonlight Muon，實現約2倍Token效率提升，并通過QK-Clip解決Logits爆炸問題，支撐萬億參數模型穩(wěn)定訓練。
在長上下文方向，Kimi-Linear與全新的線性注意力機制，在保證效果的同時大幅提升推理速度，為超長Context任務提供現實路徑。
楊植麟認為，更強的模型先驗可以顯著縮小搜索空間，使AGI“更早發(fā)生”。
他同時提出，模型并非普通工具，而是在塑造一種世界觀。他稱，智能是一個Non-Fungible?Token（非同質化通證），它承載著品味、審美與價值觀。Scaling不只是堆算力，更是技術、數據與“品味”的綜合進化。這正是下一代模型K3要做的事情——新架構、更大規(guī)模合成數據、品味提升等等。
他借用Kimi與他討論時的話總結道：我們不應因風險而停滯，放棄探索，就等于放棄人類文明的上限。
三、阿里林俊旸：從語言模型到具身智能，千問為何走向Generalist Agent
“原來叫Towards a Generalist Model，后來我改成了Generalist Agent。”林俊旸在演講開場解釋了PPT標題的變化。
他認為，相比模型本身，Agent是一個更大的概念，像人一樣能夠自主使用工具，在環(huán)境中完成任務，這是他理解中AI應該走的方向。
林俊旸稱，今天的大模型訓練方式已不同于以往?！耙郧坝柧毮Ｐ途褪桥鋵斎胼敵觥⒓由先斯俗?，這就是傳統(tǒng)的做法?！钡诮裉?，“只要解決了推理，解決了評估，這個東西就可以擴展，很多事情都能做，我也可以發(fā)揮更多想象力?！?/p>
他坦言，“這也是我一個做語言模型的人，最近敢斗膽揚言‘我要做VLA和機器人’的一個小小原因?！?/p>
在講述通義千問技術團隊的下一步方向時，林俊旸概括了三項重點：
第一，是構建具備視覺輸出與推理能力的Omni模型，把能力真正收斂到多模態(tài)模型中，不只是能接收文本、圖像、語音，也要具備同時生成這些模態(tài)的能力。
第二，是從“訓練模型”轉向“訓練Agent”，特別是通過“多輪強化學習和環(huán)境反饋”，實現面向長時任務的推理能力（long-horizon reasoning）。
第三，是把語言模型進一步轉化為具備行動能力的Embodied模型。
他認為，從這個角度出發(fā)，模型才有可能真正走向Digital Agent，能夠進行GUI操作、調用API，形成完整的執(zhí)行閉環(huán)，“如果再往物理世界走，能不能拿起話筒、斟茶倒水，這也是我們很想去做的事情?！?/p>
四、模型分化，范式未定：中國AI的領先之路與關鍵瓶頸
圓桌論壇中，唐杰、林俊旸、姚順雨以及加拿大皇家學院院士、香港科技大學榮休教授楊強四人展開觀點交流與碰撞，他們主要聊了四大問題：模型的分化、AI研究的范式轉變、Agent的未來和中國在全球AI競爭中的位置。
（1）模型正在明顯分化：做Coding、做Chat、做全模態(tài)，背后的邏輯是什么？
姚順宇稱，自己有兩大感受。一是To-C和To-B明顯發(fā)生分化。如今，行業(yè)里頂尖的To-C產品以ChatGPT為代表，Claude Code則在B端有優(yōu)勢，但ChatGPT的變化對用戶來說沒有很可感，反倒是Coding革命重塑了計算機行業(yè)的行事邏輯。
在To-C領域，模型并不需要極高的智能上限，很多場景更像是“增強版搜索引擎”。真正的瓶頸不在模型本身，而在于如何為模型提供足夠的Context和環(huán)境信息。
在To-B場景中，邏輯完全不同。海外企業(yè)客戶對最強模型的付費意愿更高，在國內做To-B的難度有點大，騰訊的思路是先把自己服務好，讓模型在公司內部發(fā)揮價值。
姚順宇觀察到的另一大分化是垂直整合與模型、應用的分層。他稱自己的老東家OpenAI在Agent應用上，做得并不一定會比應用公司更好。這是由于模型能力與應用能力并不完全一致。
在To-C產品中，模型與產品強耦合、快速迭代，垂直整合是成立的；但在更復雜的To-B或Agent場景，模型變強只是起點，真正落地還需要大量工程與環(huán)境建設。
林俊旸從千問的角度談道，“分化并非選擇，而是自然發(fā)生”。OpenAI做的更像一個To-C平臺型產品，Anthropic與企業(yè)溝通更深，明顯偏B端。他還提到一個現象，中美在Coding Token的消耗量上存在巨大差距，這種差距往往被低估，這困難反映了兩個市場的區(qū)別。
楊強則從學術界和工業(yè)界的分化切入，他認為在行業(yè)進入穩(wěn)態(tài)后，學術界可以開始解決工業(yè)界還沒來得及解決的問題，有必要做新的探索，拉齊差距。
主持人提到，智譜某種程度上走了Anthropic的道路，無論是Agent研究，還是Coding。不過，唐杰認為，最本質問題還是提高基礎模型的智能上限。
他舉了一個例子，在大模型剛剛興起時，國內企業(yè)爭相研發(fā)，但最終發(fā)布后，業(yè)內10來個大模型的用戶其實不多，如今才逐漸分化，原因是這些模型并沒有真正解決問題。
他認為，DeepSeek出來之后，Chat領域的競爭就基本結束了。智譜經過內部討論決定押注編程，傾注了所有的精力。
（2）AI領域下一個范式轉變是什么，從哪兒來？
姚順雨認為，ASI最重要的能力之一是自主學習。但目前的瓶頸不在方法論，而在于數據與任務設計。ChatGPT通過用戶數據擬合人類聊天風格，本質就是一種自主學習；Claude Code里95%的代碼就是由Claude Code自身撰寫的，這也是自主學習。目前外界對模型能力的感知不明顯，只是因為其受限于場景，并且處于漸變的發(fā)展過程中。
林俊旸認為，目前，強化學習的算力遠未充分Scale，Test-Time Scaling與AI Scientist方向都有巨大潛力。未來，模型的個性化、記憶的進步，都可能會給人們帶來能力出現巨大飛躍的“感受”。但是從業(yè)內視角來看，技術發(fā)展沒有很快，做的工作也較為基礎。
楊強提出，聯邦學習與去中心化協作，是解決隱私、資源不均和大模型協同的重要路徑。
唐杰則從一個更為基礎的角度分析這一問題——范式轉變究竟源自于什么地方？他認為，去年和前年，工業(yè)界快于學術界是一個事實，許多研究者根本沒有算力。但到現在，很多學校已經有了算力，學術界可以開始做大模型研究、探索模型架構，不再是由工業(yè)界主導的狀態(tài)。學術界有創(chuàng)新的基因，會孵化出種子了。
他補充道，創(chuàng)新的動因是現有范式收益效率的下降。繼續(xù)Scaling是“最笨的辦法”，典型的工程做法，而未來探索智能效率也是一大方向。唐杰比較樂觀，認為2026年肯定會有范式轉變的發(fā)生。
（3）2026年，Agent怎么做？
姚順雨觀察到，Agent賽道同樣出現了B端和C端產品的分化。To B方向已經進入持續(xù)上升通道，且短期內看不到放緩跡象。它并不依賴花哨的創(chuàng)新，而是通過不斷擴大預訓練規(guī)模、扎實做好后訓練，把真實世界任務吃透，模型就會自然變得更聰明，并直接轉化為更高的生產力和商業(yè)價值。
在To B場景下，模型智能、任務覆蓋和收益之間高度正相關，目標極其一致。相比之下，To C中模型能力與DAU等產品指標往往弱相關甚至負相關，反而更難聚焦。
當前To B的生產力型Agent仍處早期階段，下一步關鍵在于環(huán)境與部署，而非模型本身。即使模型停止進化，僅靠大規(guī)模落地部署，也可能帶來10–100倍效率提升，對GDP產生顯著影響。
林俊旸認為，Agent的發(fā)展本質上是一個產品哲學問題。他直言：“Manus確實很成功，套殼是不是未來，這本身也是個話題”。
他更認同“模型即產品”的方向。未來的Agent不應只是外部應用，而是模型本身直接承擔產品能力，研究人員也需要像產品經理一樣，把研究成果做成真實世界可用的系統(tǒng)。
隨著主動學習的發(fā)展，Agent將具備長時間托管式工作的能力，在執(zhí)行通用任務的過程中自行進化、決定行動路徑，這對模型能力上限提出了極高要求，也意味著做基礎模型本身就是在做產品。
進一步來看，Agent的潛力還取決于其與環(huán)境的交互深度，目前主要停留在數字環(huán)境中，未來若能進入真實物理世界、結合機器人與實驗系統(tǒng)，才可能真正承擔長周期、高價值任務。
關于通用Agent的機會歸屬，林俊旸認為取決于是否能解決長尾問題：若創(chuàng)業(yè)者是“套殼高手”，在產品層面能做得比模型公司更好，那仍有機會；否則模型公司憑借算力、數據和強化學習，往往能更快覆蓋這些問題。
楊強認為，Agent的核心分化在于“目標”和“規(guī)劃”是否由AI自主完成。他指出，當前階段“目標也是人定義的，規(guī)劃也是由人來做的”，仍然非常初級。真正成熟的Agent，應當能夠通過觀察人類工作、充分利用數據，最終成為由大模型內生的原生系統(tǒng)。
唐杰則強調Agent能否成立取決于價值、成本和速度三點。首先，關鍵在于Agent本身有沒有解決實際問題，否則很容易被簡單的prompt或API替代。
其次是成本約束，如果成本特別大，也是一個問題。最后是時間窗口“如果能拉開半年的時間窗，迅速把應用做出來，才可能形成優(yōu)勢。
在他看來，大模型競爭已進入拼速度、拼時間的階段，Agent等應用仍是方向，但成敗取決于執(zhí)行效率。
（4）3-5年后，中國團隊成為全球最領先的AI團隊的概率有多大，文化、關鍵條件還差在哪兒？
姚順雨認為，中國在工程能力、產業(yè)化和人才密度上具備顯著優(yōu)勢，一旦技術范式被驗證，往往能以更高效率追趕甚至局部超越，未來領先的概率很大。目前的關鍵瓶頸在于算力、光刻機與軟件生態(tài)，以及To B市場和國際商業(yè)環(huán)境。
同時，他強調中國真正需要突破的是能否引領“新范式”，這依賴更多敢于長期探索、容忍不確定性的研究文化，而非過度依賴榜單與短期確定性成果。
林俊旸相對謹慎，他認為中美在算力規(guī)模和研究資源投入上仍存在巨大差距，美國算力要多1-2個數量級。美國能將大量算力用于下一代前沿研究，而他稱國內的交付工作就已經占據了很多算力。
但他也認為“窮則生變”，軟硬件協同、模型與芯片共設計可能孕育新機會。他認為未來3-5年內中國團隊全球領先的概率在大概20%，并且這已經是非常樂觀的估計。
不過，他并不恐懼這種差距，而是建議業(yè)內保持冷靜的心態(tài)，并回歸初心，考慮模型能為人類社會帶來什么價值。他稱，就算自家模型不是最強的也能接受。
楊強從歷史視角出發(fā)，認為中國在互聯網與應用層曾實現快速追趕，AI作為通用技術同樣具備潛力，尤其在To C領域百花齊放，To B也將通過工程化與知識遷移逐步成熟。
唐杰則指出代際變化帶來的希望：90后、00后更具冒險精神，若營商環(huán)境與資源配置進一步改善、個人長期堅持，中國AI創(chuàng)新仍有現實機會。
五、清華大學張鈸院士：AGI要有“可檢驗”的定義，大模型有五個根本缺失
聽完前面幾位嘉賓的分享，已經91歲的中國人工智能研究先行者、清華大學教授張鈸院士臨場做了一份PPT，回應了“從語言模型到AGI”的幾個關鍵問題。
他認為，大模型雖然能生成流暢語言，但它基于的是近似的語義定義，本質上只是把詞語周圍出現頻率最高的詞，變成向量空間的幾何結構。
而這種建模方式不可避免地帶來五類缺失：指稱缺失、因果缺失、語用缺失、多義和動態(tài)語境缺失，以及閉環(huán)行為缺失。這些缺失直接影響語言模型做應用的能力。
同樣，面對“從語言模型走向Agent”的行業(yè)趨勢，張鈸院士還提出，應該拋棄模糊、不可執(zhí)行的AGI定義，重新建立一種“可執(zhí)行、可檢驗”的標準。
他認為，“大家都說AGI，因為AGI很有吸引力，這里有一個誤導，大家以為做AGI都要做通用，其實AGI確實強調通用，但是跟我們目前想做的事不是一回事，但現在大家都這么用，我們也只好這么用?！?/p>
例如，馬斯克說：“我們人類70%以上的任務，機器都會干，而且達到或者超過人類的水平”。這樣的說法，既無法執(zhí)行，也無法驗證，容易造成誤解。
“什么叫做達到人類水平？時變率超過人類，算不算達到人類的水平，有的人說算，有的人說根本不算，如果魯棒性從其他方面來看差得遠?！彼磫柕馈?/p>
他認為應該有一個“可執(zhí)行、可檢驗”的AGI定義，核心是五個能力：時空一致的多模態(tài)理解與落地、可控的在線學習與適應、可驗證的推理與長期執(zhí)行與規(guī)劃、可校準的反思與元認知，以及跨任務的強泛化。他說，“按照這個定義，應該是可以指導我們往前做的?！?/p>
同時，張鈸院士還提醒，真正需要治理的不是AI本身，而是“研究者和使用者”。他認為，“這里頭，涉及到我們人工智能時代的企業(yè)、企業(yè)家應該擔負什么責任?！?/p>
他稱，過去并不鼓勵學生創(chuàng)業(yè)，但現在認為“大模型改變了一切，最優(yōu)秀的學生應該去搞企業(yè)”。
在他看來，AI時代的企業(yè)家不只是做產品服務，而是要把知識、倫理和技術變成可復用的工具，推動AI像水電一樣服務全社會。他覺得這是一份“光榮而神圣的職業(yè)”。
結語：關于AGI的方向、形態(tài)與邊界，仍在不斷厘清
從“Scaling還夠不夠用”，到“Agent是不是只是套殼”，再到“通用智能能不能被可檢驗地定義”，這場AGI-Next峰會展現了當前中國AI技術領軍者們對下一階段智能路徑的分歧與共識。
可以看到，在模型發(fā)展路線圖上，有人繼續(xù)押注更長上下文、更強推理、更穩(wěn)訓練的工程演進，也有人開始強調新架構、新記憶范式和Embodied模型。
在產品形態(tài)上，有人堅持“模型即產品”，也有人探索更強執(zhí)行力與主動性的具身體系。而在AGI定義本身上，更有學界前輩呼吁回到“可執(zhí)行、可驗證”的概念，拒絕空泛與誤導。
誰能在范式變動中明確方向，在落地節(jié)奏中建立真實優(yōu)勢，或將成為決定接下來幾年AI格局的關鍵變量。
