《科创板日报》1 月 11 日（记者 李明明）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，国产 AI 基模四杰罕见同聚一堂。

其中的 AGI-Next 圆桌论坛阵容亮眼，基模三杰一同登台：作为本次闭门会主办方，刚于 1 月 8 日闪耀登陆港股、摘得 " 全球大模型第一股 " 桂冠的智谱，其创始人兼首席科学家唐杰率先发表开场演讲，随后以东道主身份领衔开启圆桌论坛；阿里通义千问 Qwen 技术负责人林俊旸同步亮相；更具看点的是，不久前官宣加盟腾讯、出任核心 AI 岗位的姚顺雨，此番完成入职后的首次公开亮相并正式发声，瞬间成为全场焦点。

闭门会上的另一人物，则是时下焦点 "AI 六小虎 " 的代表人物——月之暗面 CEO 杨植麟，其刚官宣的 5 亿美元新一轮融资，也让此次聚首更具行业风向标意义。

杨植麟表示，下一代模型（K3 及后续）将持续优化架构与技术，同时注重数据质量与模型 " 品位（Taste）"，打造具有独特世界观与价值观的智能体。坚持推进 AGI/ASI 开发，视其为突破人类文明上限、探索未知世界的关键工具，在控制风险的前提下持续技术突破，计划长期迭代至 K100。

以下为 AGI-Next 圆桌对话重点内容，经《科创板日报》编辑整理：

模型分化趋势

主持人李广密：唐杰老师，从行业观察来看，智谱在 Coding 领域表现突出，在相关榜单上排名靠前，同时在长程 Agent 技术上也有深入布局。结合这些行业实践，你如何看待模型分化这一主题？

唐杰：模型分化需要回归到最本质的问题。早期大模型发展阶段，行业聚焦于基座模型的研发。2023 年，我们率先推出了 Chat 产品，当时的首要想法是尽快将产品上线——由于国家相关规定要求，当年八九月份多家企业的大模型集中上线。

但当时的实际情况是，十余家企业的大模型纷纷亮相，但每家的用户规模都相对有限；而如今，行业分化已极为显著。

经过一年的深入思考，我意识到早期的发展模式并未真正解决核心问题。我最初的预判是，大模型将替代搜索引擎——如今确实有很多用户在使用大模型替代搜索功能，但谷歌并未被替代，反而通过自我革新优化了搜索服务。

从这个角度来看，大模型替代搜索的 " 战役 " 在 DeepSeek 推出后就已结束。

DeepSeek 之后，行业需要思考的是 " 下一场战役 " 的核心方向。我们团队为此争论了无数个夜晚，最终，一方面得益于运气，另一方面也源于战略聚焦，我们将所有精力都投入到了 Coding 领域。

姚顺雨：我对模型分化有两点核心感受：一是 To C 与 To B 领域已出现明显分化；二是垂直整合路径与模型 - 应用分层路径也开始呈现分化趋势。

先谈第一点感受。当前提及 AI，大家首先想到的便是 ChatGPT 与 Claude code，二者分别代表了 To C 与 To B 领域的典型标杆。

值得注意的是，如今使用 ChatGPT 的体验与去年相比差异不大；而编程领域则发生了翻天覆地的变化，夸张地说，它已重塑了整个计算机行业的工作模式——人们不再直接编写代码，而是通过英语与电脑进行交互来完成相关工作。 核心差异在于，对于 To C 领域而言，大多数人在多数情况下并不需要极强的智能支持。

尽管如今 ChatGPT 在撰写专业内容的能力上较去年有所提升，但多数用户难以感知到这种变化。在中国市场，To C 端的 AI 产品更多扮演着搜索引擎加强版的角色，很多用户甚至不清楚如何充分激发其智能潜力。 而在 To B 领域，智能水平与生产力、商业价值直接挂钩，智能越高，所创造的价值也就越大。此外，To B 市场中，用户更倾向于选择最强的模型。

再谈第二点感受，即垂直整合与模型 - 应用分层路径的分化。以 ChatGPT Agent 与 "Claude/Gemini+Manus" 这类应用层产品的对比为例，过去行业普遍认为垂直整合能力更强的企业更具优势，但从当前实际情况来看，结论并非绝对。

模型层与应用层所需的核心能力存在较大差异，尤其对于 To B 或生产力相关场景而言，大规模预训练仍是关键环节，这对产品型公司来说难度极大；但与此同时，要充分发挥优质模型的溢出价值，还需在应用侧、环境侧开展大量配套工作。 以上便是我对模型分化的两点观察。

主持人李广密：鉴于你目前的新身份，能否分享一下在中国市场环境下，你后续的发展思路？是否有明确的发展特点或核心关键词可以透露？

姚顺雨：腾讯无疑是一家 To C 基因深厚的公司，我们核心思考的是如何借助当前大模型及 AI 技术的发展，为用户创造更多价值。

其中一个关键认知是，无论是更强的模型，还是更优的环境，很多时候都离不开额外的上下文信息（Context）。

我常举这样一个例子：当用户询问 " 今天该吃什么 " 时，无论去年、今年还是明天询问 ChatGPT，得到的答案差异不大。要让这个问题的答案更贴合用户需求，并非需要更大的模型、更强的预训练、更优的强化学习、更完善的 Agent 环境或更强大的搜索引擎，而是需要更多额外的输入信息（即 Context）。

而在 To B 领域，中国市场面临着诸多挑战。生产力革命相关的业务，包括许多中国企业推出的 Coding Agent，往往需要开拓海外市场。我们的思路是先服务好自身内部场景：与创业公司相比，大公司本身拥有丰富的应用场景和提升生产力的需求。如果我们的模型能在内部场景中实现优化，不仅能让模型形成独特优势，推动公司自身发展，更重要的是能够捕捉到真实世界场景中的数据。

例如，创业公司若想开展 Coding Agent 相关的数据标注工作，需要依靠软件工程师设计标注规则，但数据公司的数量和人力有限，最终会受到限制；而对于拥有 10 万员工规模的大公司而言，则可以尝试充分利用真实世界的数据，摆脱对标注商或固定协议的依赖。

主持人李广密：接下来有请林俊旸先生，你如何看待千问未来的生态定位及分化方向？

林俊旸：从原则上来说，我不便对公司战略发表评论，但我认为公司的基因并非一成不变，而是由一代又一代的从业者共同塑造的。

例如，如今姚顺雨先生加入腾讯后，腾讯或许会逐渐融入顺雨先生的做事风格与基因。 在此，我想分享一下我们对 AGI 的理解：无论 To B 还是 To C 领域，我们的核心目标都是解决真实存在的问题，让人类世界变得更加美好。即便是 To C 产品，也会出现分化趋势。

如今 OpenAI 更偏向平台化发展，而 To C 产品最终需要明确自身服务的核心用户群体。当前，许多 AI 产品会聚焦医疗、物流等垂直领域；我也关注到 Coding 领域的企业发展势头迅猛，据我了解，他们与客户的交流频率极高——这是我们目前有待提升的地方。

尽管我们具备一定的优势，但中国 SaaS 市场与美国市场存在显著差异，这些企业通过高频客户交流，能够快速捕捉到市场机会。我与美国多家 API 厂商交流后发现，他们并未预料到 Coding 领域的需求量如此庞大；而在中国市场，Coding 领域的需求规模相对较小，至少从我的观察来看是这样，这一点并非所有从业者都能深刻感知。 当前我们开展的相关工作，也是基于客户反馈捕捉到的市场机会。

因此，我认为行业分化是自然演进的结果，我们更愿意秉持 AGI 的发展理念，专注于 AGI 该做的事情，顺应行业发展趋势推进相关工作。

Agent 战略与 2026 年展望

主持人李广密：结合 2026 年 Agent 有望完成人类 1-2 周工作量的行业预期，从模型公司的视角来看，你认为 Agent 战略应如何布局？

姚顺雨：我认为 Agent 在 To B 与 To C 领域的发展路径仍存在显著差异。从当前趋势来看，To B 领域的 Agent 已进入快速增长通道，且增长势头并未放缓。 值得注意的是，To B 领域的 Agent 发展其实并未依赖过多创新——核心逻辑就是通过扩大模型预训练规模、持续优化真实世界任务的后训练，让模型不断变得更聪明，进而创造更大的商业价值。

从某种意义上说，To B 领域的发展目标高度一致：模型智能越高，能解决的任务就越多；解决的任务越多，创造的商业收益就越大。 而 To C 领域的情况则更为复杂。

我们知道，DAU 等产品指标与模型智能水平往往并不相关，甚至可能呈现反向关系。这也是 To B 领域能够聚焦模型能力提升的重要原因——只要模型持续优化，收益就会同步增长，形成正向循环。

当前，To B 领域的生产力型 Agent 仍处于发展初期，除了模型本身，还有两个关键问题需要解决：一是环境适配问题，二是部署落地问题。在加入 OpenAI 之前，我曾在一家 To B 公司实习，这段经历让我收获颇丰。其中最大的感悟是：即便当前所有模型的训练都停止，模型能力不再提升，只要将现有模型部署到全球各类企业中，就能带来 10 倍甚至 100 倍的收益，对 GDP 产生 5%-10% 的影响；但目前，AI 对 GDP 的实际影响还不到 1%，这意味着部署落地环节仍有巨大的优化空间。 另一个关键问题是用户教育。

我观察到，当前人与人之间的差距正逐渐拉大——这种差距并非源于 AI 对人类工作的替代，而是源于对 AI 工具的使用能力：会使用 AI 工具的人正在替代不会使用的人。就像当年电脑普及后，那些主动学习编程的人，与依然依赖计算尺、传统算法的人相比，形成了巨大的能力差距。

因此，当前中国在 AI 领域能做的最有意义的事情之一，就是加强用户教育，教会大家如何更好地使用大模型。

林俊旸：这其实涉及到产品哲学的问题。Manus 的成功有目共睹，但 " 套壳模式 " 是否是 Agent 的未来发展方向，行业内仍存在争议。

到目前为止，我比较认同 " 模型即产品 " 的观点。我们内部的研究员也在开展相关尝试，聚焦真实世界的需求打造产品。

我相信，未来的 Agent 完全有能力完成人类 1-2 周的工作量，这与刚才提到的主动学习密切相关：要实现长时间的任务处理，Agent 必须在工作过程中实现自我进化，同时具备自主规划任务的能力——因为它接收的指令往往是非常通用的，这意味着 Agent 已从 " 人机来回交互模式 " 升级为 " 托管式模式 "。

从这个角度来看，Agent 对模型的要求极高：模型本身就是 Agent 的核心，Agent 就是产品的核心。如果模型与 Agent、产品实现深度一体化，那么打造基础模型的过程，本质上就是在打造产品。因此，持续提升模型能力上限，包括通过规模化（Scaling）优化模型性能，是 Agent 实现长期任务处理的关键。

此外，Agent 与环境的交互能力也至关重要。当前，Agent 的交互环境还相对简单，主要局限于电脑端。未来，AI 的交互环境能否扩展到真实的人类世界？例如，Agent 能否指挥机器人开展实验，从而提升研发效率？如果 Agent 能够实现与真实物理世界的交互，那么它才能真正完成长时间、复杂的任务，而不仅仅是在电脑端编写文件等简单工作——这类简单任务今年就能实现规模化落地，未来 3-5 年，Agent 与具身智能的结合将让相关应用变得更加有趣。

主持人李广密：我想追问俊旸先生一个尖锐的问题。在你看来，通用 Agent 的发展机会属于创业者，还是模型公司——随着时间推移，模型公司是否必然能做好通用 Agent？

林俊旸：我从事基础模型研发工作，不便以创业导师的身份给出建议。但我想引用一位成功人士的观点：做通用 Agent 最核心的价值在于关注长尾问题，这也是 AI 最大的魅力所在。

在马太效应的影响下，头部问题往往容易得到解决——就像当年做推荐系统时，商品推荐往往集中在头部，我们曾尝试将尾部商品推送给用户，但作为一名多模态领域的从业者，跨界去解决推荐系统的马太效应问题，几乎是 " 死路一条 "。

如今，AGI 的核心目标之一就是解决长尾问题：当一个用户在全世界范围内都找不到解决某个问题的方案时，AI 能够提供帮助，这就是 AI 的核心价值所在。 因此，是否要入局通用 Agent 领域，需要结合自身优势判断：如果你擅长产品 " 套壳 "，且能做得比模型公司更出色，那么这是一个值得尝试的方向；但如果缺乏这样的信心，那么通用 Agent 可能更适合模型公司以 " 模型即产品 " 的模式推进——因为当遇到问题时，模型公司可以通过快速训练模型、投入算力资源来解决，这是它们的天然优势。

杨强：我认为 Agent 的发展将经历四个阶段，核心划分依据是 " 目标定义主体 "（人为定义 /AI 自动定义）与 " 规划动作主体 "（人为定义 /AI 自动定义）的组合。当前，Agent 仍处于非常初级的阶段——目标由人类定义，规划动作也由人类设计，因此当前的 Agent 软件系统本质上只是更高级的工具。

未来，我预计将出现能够观察人类工作、充分利用数据的大模型。最终，目标与规划动作都将由大模型自主定义，Agent 将成为大模型内生的原生系统（native system）。

唐杰：我认为，Agent 的未来走势将由三个核心因素决定：

第一，价值解决能力。Agent 是否能真正解决人类面临的问题，以及解决这些问题的价值大小？例如，早期的 GPT-S 等 Agent 产品，由于功能相对简单，最终被提示词（promoment）技术替代，许多 Agent 产品也因此逐渐退出市场。因此，Agent 要实现可持续发展，必须具备解决高价值问题的能力，真正为用户带来帮助。

第二，成本控制能力。开展 Agent 相关业务的成本有多高？如果成本过高，即便具备一定的价值解决能力，也难以实现规模化发展。就像俊旸先生提到的，有些问题通过调用 API 就能解决；但反过来，如果这些问题具备较高的商业价值，API 提供商可能会将相关功能整合到自身产品中——这是一个矛盾的过程，也是基座模型与应用层产品始终面临的核心问题。

第三，应用迭代速度。能否抓住关键的时间窗口，快速满足市场需求？如果能拉开半年的时间差距，快速推出产品并持续迭代，就能在市场竞争中占据优势；反之，如果错失时间窗口，可能在半年内就被竞争对手超越。 当前，大模型领域的竞争更多是速度与时间的竞争。也许一次代码优化、一次技术突破，就能让企业在 Agent 领域走得更远；但如果失败，可能在半年内就失去市场机会。今年，我们在 Coding 领域投入较多，在 Agent 领域仅开展了初步探索，目前 Coding 相关产品的调用量表现良好。未来，Agent 将是我们重点布局的方向之一。

未来 3-5 年中国 AI 企业的引领概率与关键条件

主持人李广密：未来 3-5 年，全球最领先的 AI 公司出自中国团队的概率有多大？我们能否从当前的跟随者转变为未来的引领者？ 唐杰：首先，我们必须承认，中美在 AI 研究领域，尤其是企业界的 AI 实验室方面，确实存在差距——这是一个客观事实。 但从积极的方面来看，中国 AI 行业的发展环境正在不断改善，尤其是 90 后、00 后一代的从业者，展现出了更强的创新活力，远远超过了我们这一代。我曾在一次会议上开玩笑说：" 我们这一代是最不幸运的——上一代从业者依然在坚守岗位，我们还未完全站稳脚跟，下一代就已经成长起来，世界已经无缝交接给了年轻人。"

我认为，中国 AI 企业实现超越的机会主要体现在三个方面：

第一，敢于冒险的人才储备。如今，一群聪明的年轻人愿意投身高风险的创新事业—— 00 后、90 后一代中，包括俊旸、Kimi 团队成员、顺雨等，都展现出了强烈的冒险精神，愿意为了创新突破而拼搏。

第二，持续优化的发展环境。无论是国家层面的政策支持、大企业与小企业之间的良性竞争，还是整体营商环境的改善，都为创新提供了重要保障。就像俊旸先生提到的，当前许多企业的精力仍被产品交付占据，如果能够通过环境优化，让敢于冒险的聪明人有更多时间专注于创新工作（例如让俊旸先生有更多精力投入创新研发），中国 AI 行业的发展速度将进一步加快。这需要政府、企业等多方共同努力。

第三，坚持不懈的精神品质。创新之路从来都不是一帆风顺的，环境也永远不会达到完美状态。我们恰恰有幸经历了从环境相对薄弱到逐渐改善的过程，这段经历本身就是一种财富，能够让我们积累更多的经验与感悟。只要我们坚持在正确的道路上敢于冒险、持续探索，即便面临困难与挑战，也有可能最终实现超越。

姚顺雨：我对中国 AI 企业成为全球领先者持乐观态度，概率相对较高。从过往经验来看，任何一个被验证可行的赛道，中国企业都能快速复现，并在局部领域做到更优——制造业、电动车等行业的发展历程已经充分证明了这一点。

要实现这一目标，我认为需要满足三个关键条件： 第一，突破算力瓶颈。核心在于中国的光刻机技术能否实现突破——如果算力最终成为制约行业发展的瓶颈，我们必须具备自主解决的能力。当前，中国在电力资源、基础设施建设等方面具备显著优势；但算力领域仍面临两大核心瓶颈：一是产能问题（包括光刻机技术突破），二是软件生态建设。如果能解决这两个问题，将为中国 AI 企业的发展提供强大支撑。

第二，培育成熟的市场环境。除了 To C 领域，我们需要打造更成熟的 To B 市场，同时提升中国企业在国际商业环境中的竞争力。

当前，许多生产力导向的 To B 模型或应用仍诞生于美国，核心原因在于美国市场的支付意愿更强，商业文化更成熟；而在国内，To B 领域的发展面临诸多挑战，因此许多企业选择出海或国际化布局。这是中国 AI 企业需要突破的客观市场因素。

第三，强化主观层面的创新精神。通过与行业内众多人士交流，我深刻感受到，中国拥有大量优秀的人才——任何一个被证明可行的事情，都会有很多人积极尝试，并努力做到更好。但不足之处在于，愿意突破新范式、开展高风险探索的人相对较少。这背后涉及经济环境、商业环境、文化氛围等多重因素。如果能涌现更多具备创业精神、冒险精神的人才，专注于前沿探索与新范式突破，中国 AI 企业将有望实现从跟随到引领的跨越。

当前，中国企业在商业运营、产业设计、工程落地等方面已具备超越美国企业的能力；唯一需要解决的，就是能否引领新范式的诞生。

主持人李广密：我想追问顺雨先生一个问题。结合你在 OpenAI、湾区 DeepMind 等海外实验室的经历，你认为中国实验室的研究文化与美国相比存在哪些差异？这种研究文化对 AI 原生企业（AI Native）的发展有哪些根本性影响？你对中国的研究文化有哪些呼吁或建议？

姚顺雨：不同地区、不同实验室的研究文化存在显著差异，甚至美国不同实验室之间的差异，可能比中美实验室之间的差异还要大，中国国内的情况也是如此。

结合我的观察，中国研究文化主要存在两点需要改进的地方： 一是更倾向于开展 " 安全型 " 研究。例如，预训练技术已被证明可行，尽管其中仍存在大量技术难题，但只要被验证具有价值，中国研究者有信心在几个月内攻克相关问题；但如果是探索长期记忆、持续学习等尚未明确可行性的领域，大家往往会犹豫不前。这并非仅仅因为大家更偏好确定性的事情、不愿开展创新性探索，更重要的是，文化积累与整体认知的沉淀需要时间。

例如，OpenAI 在 2022 年就已启动相关前沿探索，而国内直到 2023 年才开始跟进，这导致双方在对技术的理解上存在一定差距。这种差距难以通过榜单数据直接体现，但会潜移默化地影响研究者的做事方式，这可能需要时间来逐步弥补。 二是过度关注榜单与数字指标。

值得肯定的是，DeepSeek 在这方面做得相对较好——他们并不盲目追求榜单数字，而是更关注两个核心问题：一是所做的事情是否正确；二是产品体验是否真正得到优化。这一点非常值得行业学习。以 Claude 为例，它在编程或软件工程相关榜单上的排名并非最高，但用户普遍认为它是最好用的产品。

因此，我呼吁行业从业者能够摆脱榜单的束缚，坚持做正确的事情，注重产品的实际体验与长期价值。