逐字修訂 & 附音頻｜楊強(qiáng)、唐杰、林俊旸、姚順雨...高密度圓桌上，大家聊了啥

周日的時(shí)候，我對著音頻記錄，重聽了3遍，逐字修訂了這份記錄： 本次修訂，更正了速記中的各種名詞錯(cuò)誤，并補(bǔ)充了遺漏細(xì)節(jié) 希望這些優(yōu)秀的科學(xué)家，和他們的前沿思想，能被更精準(zhǔn)地記錄與傳播

音頻指路

2025年，是中國開源模型大放異彩的一年。中國的開源模型在全球取得突破，Coding 場景一年增長 10~20 倍

與此同時(shí)，硅谷幾家頭部公司開始明顯分化：Anthropic 聚焦企業(yè)和 Coding，Google 押注全模態(tài)，OpenAI 繼續(xù) To C。

這場圓桌匯集了四位橫跨學(xué)術(shù)與產(chǎn)業(yè)、中國與硅谷的一線參與者，討論四個(gè)核心問題：分化、范式、Agent、以及中國AI的勝算

嘉賓

• ?楊強(qiáng)：香港科技大學(xué)榮休教授，加拿大兩院院士，聯(lián)邦學(xué)習(xí)領(lǐng)域奠基人

• ?唐杰：清華大學(xué)計(jì)算機(jī)系教授，智譜AI首席科學(xué)家/創(chuàng)始人

• ?林俊旸：阿里通義千問技術(shù)負(fù)責(zé)人，北大校友，Qwen開源模型核心貢獻(xiàn)者

• ?姚順雨：騰訊首席AI科學(xué)家，前OpenAI研究員，ReAct/SWE-agent作者

主持人

• ?李廣密：拾象科技CEO，前紅杉中國投資人，「海外獨(dú)角獸」創(chuàng)辦者

李廣密（主持人）：我是接下來 Panel 的主持人廣密

剛才我在臺下聽，有幾個(gè)感受

第一，就是唐老師的號召力很強(qiáng)，清華的人才非常好，不僅是國內(nèi)，包括海外，清華人的比例非常高，感覺這一波好像跟隔壁學(xué)校在 AI 這一波拉開差距了。

第二，就是我剛才聽幾個(gè) Talk 的感受，叫“不止 Follow，不止開源”，而且都在探索自己的下個(gè)范式，而且不止是 Coding，都在探索自己的產(chǎn)品形態(tài)。

這個(gè)時(shí)間點(diǎn)也特別有意思，2025 年其實(shí)是中國開源模型叫“大放異彩”的一年，“開源四杰”在全球取得了非常大的成績，而且是 Coding 過去一年有 10 到 20 倍增長的一年。包括海外也在提 Scaling 到底走到哪一步了，有沒有新的范式出來了。所以今天這個(gè)活動(dòng)，接下來這個(gè) Panel 討論“接下來怎么走”，是特別有意思的。

接下來我們邀請幾位嘉賓：楊強(qiáng)教授、唐杰老師、俊旸、順雨

李廣密（主持人）：我們先從第一個(gè)比較有意思的話題聊起來，硅谷其實(shí)幾家也都在明顯的做分化，我覺得從“分化”這個(gè)主題可以先聊起來。

Anthropic 其實(shí)是對中國模型公司有一個(gè)非常大的啟發(fā)的，硅谷的競爭那么激烈，它沒有完全 Follow 全都做，而是專注到了企業(yè)，專注到了 Coding，專注到了 Agentic。所以我一直在想，接下來中國的模型會(huì)分化成自己想要的哪些方向？我覺得分化這個(gè)主題是一個(gè)蠻有意思的。我看順雨也上線了，要不順雨可以開場給大家講一講，包括你最近在忙什么？

姚順雨：大家好。我現(xiàn)在是不是一個(gè)巨大的臉在會(huì)場？（會(huì)場大笑）不好意思，今天沒法親自來北京，但是很高興參加這個(gè)活動(dòng)。最近就忙著做模型、做產(chǎn)品，我覺得就是做 AI，一個(gè)很正常的狀態(tài)。回國感覺還是挺好的，吃的好很多。

李廣密（主持人）：順雨，你能展開聊聊你對“模型分化”這個(gè)主題的想法嗎？硅谷也都在分化，比如說 Anthropic 做了 Coding，中國很多模型做了開源，過去 Coding 提得也很快，包括 Google Gemini 也沒有全都做，它先把全模態(tài)這個(gè)點(diǎn)做得很好。那你的老東家在重點(diǎn)做 To C，因?yàn)槟闶菣M跨中美的，可以給大家講講你的體感。就是接下來不管說自己也好、各家也好，分化這個(gè)點(diǎn)你是怎么思考的？

姚順雨：我覺得有兩個(gè)大的感受。一個(gè)感受是 To C 和 To B 明顯發(fā)生了分化。另一個(gè)感受是，“垂直整合”這條路，以及“模型和應(yīng)用分層”這條路，也開始出現(xiàn)了分化。

我先說第一點(diǎn)。很明顯，當(dāng)大家想到 AI 的 Super App，現(xiàn)在大家想到的就是兩個(gè)：一個(gè)是ChatGPT，另一個(gè)是 Claude Code。大家可以認(rèn)為它們分別是做 To C 和 To B 的典范。但是我覺得很有意思一點(diǎn)是說，我們今天用 ChatGPT 的時(shí)候，其實(shí)和去年用，對于大部分人、大部分時(shí)候來說，感受到的變化，已經(jīng)沒有那么強(qiáng)烈了。但是相反，以 Claude Code 來說，Coding 的革命可能一年前還沒有開始，但是這一年，夸張一點(diǎn)說，已經(jīng)在重塑整個(gè)計(jì)算機(jī)行業(yè)做事的方式。人已經(jīng)不再寫代碼，而是去用英語和電腦去交流。

很核心的一點(diǎn)是，對于 To C 來說，大部分人大部分時(shí)候其實(shí)不需要用到這么強(qiáng)的智能。可能今天用 ChatGPT 和去年相比，寫抽象代數(shù)或者去解伽羅瓦理論的能力變強(qiáng)了，但是大部分人感受不到。大部分人其實(shí)可能還是在，尤其在中國，更多像是一個(gè)搜索引擎的加強(qiáng)版，很多時(shí)候你也不知道該怎么樣去用，去把它的智能給激發(fā)出來。

但是對于 To B 來說，很明顯的一點(diǎn)是，智能越高很多時(shí)候就代表生產(chǎn)力越高，就代表你可以賺的錢越多，這一切東西都相關(guān)聯(lián)。那對于 To B 來說，還有一個(gè)很明顯的點(diǎn)：大部分時(shí)候其實(shí)很多人愿意用最強(qiáng)的模型。可能一個(gè)模型它是 200 美元一個(gè)月，第二強(qiáng)或者差一些的模型是 50 美元一個(gè)月或者 20 美元一個(gè)月。我們今天發(fā)現(xiàn)很多，起碼美國的人，是會(huì)愿意花那個(gè)溢價(jià)去用最好的模型。因?yàn)榭赡芩哪晷绞?20 萬美元，他每天要做 10 個(gè)任務(wù)，那一個(gè)像 Opus 4.5 這樣一個(gè)非常強(qiáng)的模型，它可能會(huì) 10 個(gè)任務(wù)八九個(gè)直接做對了，那差的模型它可能做對五六個(gè)。問題是你不知道這五六個(gè)是哪五六個(gè)的情況下，就要花很多額外精力去監(jiān)控這個(gè)事情。所以在 To B 這個(gè)市場上，強(qiáng)的模型和稍微差點(diǎn)的模型，分化會(huì)變得越來越明顯，這是第一點(diǎn)觀察。

第二點(diǎn)觀察，是垂直整合和模型應(yīng)用分層的區(qū)別。一個(gè)比較好的例子可能是 ChatGPT Agent，相對應(yīng)比如用 Claude 或者 Gemini 加上 Manus 這樣的應(yīng)用層產(chǎn)品。過去大家會(huì)認(rèn)為當(dāng)你有垂直整合的能力，你就肯定會(huì)做得更好，但起碼今天來看，并不一定。首先，模型層和應(yīng)用層需要的能力還是挺不一樣的。尤其是對于 To B 或者說生產(chǎn)力場景，可能更大的預(yù)訓(xùn)練（Pre-training）還是一個(gè)非常關(guān)鍵的事情，這個(gè)事情對于產(chǎn)品公司確實(shí)很難做。但是想要把一個(gè)特別好的模型用好，或者說讓這樣的模型有它的溢出能力，其實(shí)也需要在應(yīng)用側(cè)或者說在環(huán)境這一側(cè)做很多相應(yīng)的事情。所以我們會(huì)發(fā)現(xiàn)，在 To C 的應(yīng)用上，垂直整合還是成立的。無論是 ChatGPT 還是豆包，模型和產(chǎn)品是非常強(qiáng)耦合去緊密迭代。但對于 To B 來說，趨勢似乎是相反的。模型在變得越來越強(qiáng)，但也同樣會(huì)有更多應(yīng)用層的東西想要去利用這樣的好模型，在不同的生產(chǎn)力環(huán)節(jié)發(fā)揮作用。這是我的兩個(gè)觀察。

李廣密（主持人）：我再 Follow 順雨一個(gè)問題。因?yàn)槟阌幸粋€(gè)新的身份嘛（騰訊），在中國這個(gè)市場上，你接下來的想的Bet（下注）或者什么，有哪些鮮明的特點(diǎn)或者關(guān)鍵詞嗎？能給大家 Share 嗎？

姚順雨：對，我覺得騰訊肯定還是一個(gè) To C 基因更強(qiáng)的公司。所以我們會(huì)思考，怎么樣讓今天的大模型或者說 AI 的發(fā)展能夠給用戶提供更多價(jià)值。但有一個(gè)很核心的思考：我們發(fā)現(xiàn)很多時(shí)候我們的 Bottleneck（瓶頸）可能在 To C 這一端不是更大的模型，或者更強(qiáng)的強(qiáng)化學(xué)習(xí)，或者更強(qiáng)的 Reward Model，很多時(shí)候可能是額外的Context（上下文）和 Environment（環(huán)境）。

我最近經(jīng)常舉的一個(gè)例子：比如說我想問“我今天該去吃什么”。其實(shí)你今天問 ChatGPT 和你去年問、或者明天問，這個(gè)事情可能體驗(yàn)都會(huì)很差。因?yàn)橄胍兒茫皇钦f你需要更大的模型、更強(qiáng)的預(yù)訓(xùn)練，這個(gè)問題的 Bottleneck 可能是你需要更多額外的輸入，或者說 Context。比如說如果它知道“啊今天我其實(shí)特別冷，我需要吃點(diǎn)暖和的”，然后“我今天在這個(gè)范圍活動(dòng)”，可能“我老婆在另一個(gè)地方，她想吃什么”等等。其實(shí)回答這樣的問題，更多的 Bottleneck 是額外的 Context。比如說我和老婆聊了很多天，其實(shí)我們可以把聊天記錄從微信轉(zhuǎn)發(fā)給元寶，或者說把這些額外的輸入用好的話，反而會(huì)給用戶帶來很多額外的價(jià)值。這是我們對 To C 上的思考。

然后做 To B 在中國確實(shí)是一個(gè)非常難的事情。生產(chǎn)力的革命，包括我們今天很多中國的公司做 Coding Agent 其實(shí)也是要去打海外市場。這方面我們會(huì)思考怎么去把自己先服務(wù)好。像創(chuàng)業(yè)公司做 Coding 和大公司做 Coding 的一個(gè)區(qū)別是，大公司本身就已經(jīng)有很多應(yīng)用場景、各種各樣需要生產(chǎn)力變得更好的地方。如果我們模型能夠在這些地方做得更好，不僅模型會(huì)有自己獨(dú)特的優(yōu)勢，更關(guān)鍵一點(diǎn)是，對于真實(shí)世界的更 Diverse（多樣化）的場景數(shù)據(jù)的捕捉，會(huì)是一個(gè)很有意思的事情。比如像 Anthropic 作為一個(gè)創(chuàng)業(yè)公司，想要做更多的 Coding Agent 數(shù)據(jù)，需要通過數(shù)據(jù)廠商去標(biāo)數(shù)據(jù)。這些數(shù)據(jù)廠商需要利用軟件工程師去想“我要標(biāo)什么樣的數(shù)據(jù)”。那這個(gè)事情最后的 Bottleneck 是數(shù)據(jù)公司一共就這么幾家，人就這么多，Diversity 會(huì)受限。但是如果你是一個(gè) 10 萬人的公司，可能會(huì)有一些有意思的嘗試，怎么去真的把真實(shí)世界的數(shù)據(jù)給利用好，而不是僅僅依賴于標(biāo)注商或者說Distillation（蒸餾）。

李廣密（主持人）：多謝順雨。接下來 Cue 一下俊旸。你怎么看接下來千問未來的一個(gè)生態(tài)位或者分化的 Bet？因?yàn)槟愫竺嬷攸c(diǎn)講了全模態(tài)的方向。之前阿里云在 To B 很強(qiáng)，那接下來可能你也提了全模態(tài)可能更多 To C 的。這方面怎么思考？

林俊旸：理論上我是不能評論公司的。但是我覺得公司也不一定有那么多基因之分，一代一代的人可能就塑造了這些公司。

接下來這一句其實(shí)我也想注入一些我們自己對 AGI 的理解。因?yàn)槲矣X得今天 To B 和 To C 也好，我們其實(shí)是在服務(wù)真實(shí)的人類。所以我們想的問題，是怎么讓人類世界會(huì)變得更好。你就算做 To C 的產(chǎn)品，其實(shí)也會(huì)再分化。比如說今天 OpenAI 已經(jīng)更像一個(gè)平臺了，但是你 To C 的話，最終要服務(wù)真實(shí)的這批用戶究竟是誰？

今天可能有很多 AI 可能會(huì)更偏向 Medical，更偏向 Law，但是它可能是自然形成。我愿意相信 Anthropic 可能不是說“今天我覺得 Coding 真的很厲害，我就 Bet on 它”。因?yàn)槲抑浪麄兏?Business 交流真的非常多。這個(gè)可能也是我們自己做的還不夠好的一個(gè)點(diǎn)，雖然我們擁有巨大的優(yōu)勢。當(dāng)然也有可能中國這個(gè) SaaS 市場跟美國確實(shí)不太一樣，他們確實(shí)是非常頻繁地跟客戶交流，很容易去發(fā)現(xiàn)這個(gè)很大的機(jī)會(huì)。

今天我跟美國的很多 API 廠商聊起來，他們都沒有想到 Coding 的 Token 消耗量居然會(huì)這么大。其實(shí)在中國其實(shí)還真的沒有那么大，至少從我這邊來看。但是在美國的話，基本上全都是 Coding。這個(gè)事情我覺得不是所有人都能 Bet 到的。那今天 Anthropic 在做更多跟 Finance 相關(guān)的東西，我覺得也是他們在跟客戶交流中看到的機(jī)會(huì)。所以我覺得大家的分化可能是自然的分化。所以我更愿意去相信 AGI 做 AGI 該做這個(gè)事情，然后順其自然。

李廣密（主持人）：多謝俊旸。楊強(qiáng)老師，您對分化這個(gè)問題怎么看？

楊強(qiáng)：分化的問題，其實(shí)我更想聊一下工業(yè)界和學(xué)術(shù)界的分化。這個(gè)可能是橫跨美國和中國。一直以來，學(xué)術(shù)界是一個(gè)觀望者，工業(yè)界在領(lǐng)頭瘋跑。搞得現(xiàn)在很多學(xué)術(shù)界的人也在做工業(yè)界的事，像唐杰老師。這是一個(gè)好事，就好像天體物理學(xué)剛開始是以觀測為主，伽利略的望遠(yuǎn)鏡，然后才出現(xiàn)牛頓。所以后面一個(gè)階段，當(dāng)我們有了眾多的穩(wěn)定大模型，進(jìn)入一個(gè)穩(wěn)態(tài)的時(shí)候，我們學(xué)術(shù)界應(yīng)該跟上來。跟上來解決什么問題呢？就是工業(yè)界可能還沒來得及解決的一些問題。這也是我一直在考慮的問題，就是說智能上界在哪里？比方說給你一定的資源，計(jì)算資源或者能源資源，你能做到多好？

可以更細(xì)一點(diǎn)。比方說我們把這個(gè)資源怎么分配？哪些分配在訓(xùn)練上，哪些分配在推理上？我很早就做 AI，90 年代初就做過一個(gè)小實(shí)驗(yàn)：如果我們有一定的投入在記憶上面，那么這個(gè)記憶能夠幫助推理多少？然后這個(gè)幫助，會(huì)不會(huì)變成反向的，比如記住了太多的噪音，反而干擾了推理？有沒有一個(gè)平衡點(diǎn)？這些問題今天還是適用的，是一個(gè) Fundamental（基礎(chǔ)）的問題。

最近我也在想另外一個(gè)問題，大家學(xué)計(jì)算機(jī)的都上過理論課，有一個(gè)重要定理叫哥德爾不完備定理。大概意思是說一個(gè)系統(tǒng)、像我們一個(gè)大模型，它是不能自證清白的，必定有一些幻覺是不可能消滅掉的。那可能你給更多的資源，它會(huì)消滅得更多。科學(xué)問題就來了：多少資源能夠換取多少幻覺的降低？這是一個(gè)平衡點(diǎn)，特別像經(jīng)濟(jì)學(xué)的風(fēng)險(xiǎn)和收益的平衡。所以我們也叫“無免費(fèi)午餐定理”。這些東西今天特別適合數(shù)學(xué)界、算法界和工業(yè)界一起來做研究，這孕育著巨大的突破。

剛才唐杰老師也提到持續(xù)學(xué)習(xí)。我覺得持續(xù)學(xué)習(xí)是一個(gè)特別好的問題。它里面有一個(gè)時(shí)間的概念。在持續(xù)學(xué)習(xí)過程中，你會(huì)發(fā)現(xiàn)，比方說把不同的 Agent 串聯(lián)起來，每一個(gè) Agent 都不能做到 100%，那么在 N 個(gè)以后，能力是按指數(shù)下降的。

怎么樣保證它不下降？我覺得人類是個(gè)樣本，比如說第一天是學(xué)習(xí)，第二天會(huì)在第一天的噪音的基礎(chǔ)上學(xué)習(xí)，這樣你的能力就會(huì)類似大模型，會(huì)下降。但是人類有一個(gè)方法來解決下降，就是睡覺。

我建議大家看一本書叫《我們?yōu)槭裁此X》（Why We Sleep）。他說每天晚上睡覺其實(shí)是在清理噪音，使得第二天可以把準(zhǔn)確率持續(xù)提升，不至于是錯(cuò)誤率的疊加。這些理論研究孕育著一種新的計(jì)算模式。我們今天可能比較關(guān)注 Transformer、Agentic Computing，但是我覺得有必要去做一些新的探索。這是我回答的問題，工業(yè)界和學(xué)術(shù)界要拉齊。

李廣密（主持人）：感謝楊強(qiáng)老師。唐老師，從外部感受上，智譜今天更像是走了 Anthropic 這條路線，Coding 非常強(qiáng)，榜單上也比較靠前，包括您剛才講的 Long Horizon 的長程 Agent。您對分化這個(gè)主題怎么看？

唐杰：我倒覺得回到一個(gè)最本質(zhì)的問題。早期確實(shí)最本質(zhì)還是基座模型、智能上界。2023 年那時(shí)候我們是第一個(gè)做出 Chat 的。當(dāng)時(shí)第一個(gè)想法就是趕緊上線。當(dāng)然后來國家有相關(guān)的統(tǒng)一規(guī)定，就等到八九月份大家一起來上。當(dāng)大家一起來上的時(shí)候，我的第一個(gè)感受是十來個(gè)大模型都上來了，而且每一家用戶都沒有那么多。當(dāng)然今天分化的更嚴(yán)重。

經(jīng)過一年的思考，我覺得其實(shí)這個(gè)可能不是真的解決問題。我原來的第一個(gè)預(yù)判說它會(huì)替代搜索。到今天很多人在用模型替代搜索，但是并沒有替代谷歌。谷歌反而自己把自己的搜索革命了。從這個(gè)角度上，這一仗自從DeepSeek出來之后，我感覺已經(jīng)結(jié)束了。

那 DeepSeek 出來之后，應(yīng)該思考的是下一個(gè)Bet是什么？下一仗是什么？我覺得下一仗肯定是要讓 AI 做一件事情。但做這件事情是什么，確實(shí)可以 Bet 一下。那時(shí)候廣密還到我們那交流。后來我們團(tuán)隊(duì)爭論好多晚上，最后你可以叫我們運(yùn)氣吧，但另一方面我們也是 Bet，Bet 了 Coding。后來，我們就把所有的精力放在了 Coding 上。

話題二：下一個(gè)范式

李廣密（主持人）：我覺得有 Bet 是一個(gè)特別有意思的。過去一年中國不僅是開源很強(qiáng)，而且大家有了自己的 Bet。接下來有一個(gè)第二個(gè)比較有意思的問題。預(yù)訓(xùn)練走了三年，大家說走到了七八成的收益。RL 強(qiáng)化學(xué)習(xí)今天大家也都成為共識，可能走到了百分之四五十的空間。今天硅谷也都在討論接下來新一個(gè)范式，唐老師剛才也提到叫自主學(xué)習(xí)、自我學(xué)習(xí)。要不我們先從順雨開始。

你在 OpenAI 待過，對于下一個(gè)范式怎么思考？ OpenAI 是一個(gè)為人類推進(jìn)來前兩個(gè)范式的一家公司，對于第三個(gè)范式，從你的角度能給大家?guī)硪恍┓窒韱幔?/p>

姚順雨：現(xiàn)在自主學(xué)習(xí)在硅谷非常熱門，在硅谷的大街小巷、咖啡館里，大家都在談?wù)摚瑤缀跣纬晒沧R。但根據(jù)我的觀察，每個(gè)人對這個(gè)的看法可能都不一樣。我講兩點(diǎn)：

第一，我覺得這個(gè)事情的 Bottleneck 其實(shí)不是方法論，而是數(shù)據(jù)或者說任務(wù)。當(dāng)我們在談?wù)撟灾鲗W(xué)習(xí)的時(shí)候，到底是在什么場景下、基于什么獎(jiǎng)勵(lì)函數(shù)去做？比如說，你在聊天時(shí)，AI 變得個(gè)性化是一種自主學(xué)習(xí)；寫代碼時(shí)，熟悉公司環(huán)境是一種自主學(xué)習(xí)；探索新的科學(xué)，在這個(gè)過程中，像博士一樣從完全不了解到成為領(lǐng)域?qū)＜遥彩且环N自主學(xué)習(xí)。每一種自主學(xué)習(xí)，它的挑戰(zhàn)或者說方法論，可能都不一樣。

第二，我不知道這是不是非共識，但這個(gè)事情其實(shí)已經(jīng)在發(fā)生了。ChatGPT 利用用戶數(shù)據(jù)擬合聊天風(fēng)格，使它的感覺越來越好，是不是一種自我學(xué)習(xí)？今天 Claude Code 已經(jīng)寫了 Claude Code 這個(gè)項(xiàng)目 95% 的代碼，在幫它自己變得更好，這是不是一種自我學(xué)習(xí)？

我記得當(dāng)時(shí)我們 2022-23 年做 SWE-agent（Software Agent）時(shí)，我去 AGI House 宣傳，第一頁 Introduction 的 Slide 就說 ASI 最重要的點(diǎn)是自主學(xué)習(xí)。今天的 AI 系統(tǒng)本質(zhì)上都有兩部分：一個(gè)是Neural Network（神經(jīng)網(wǎng)絡(luò)/模型）；一個(gè)是代碼庫：你怎么去用這個(gè)模型，是用來做推理，還是用來做 Agent。

我們看 Claude Code 這個(gè)系統(tǒng)，它本質(zhì)上有兩個(gè)部分：一部分是 Opus 這個(gè) Neural Network，另一部分是怎么樣去使用這個(gè) Network 的一大堆相應(yīng)的代碼。無論是 Kernel GPU，還是部署環(huán)境、前端。如果我們做 Software Agent，如果有一天它能自己去 Improve 自己的 Repo，那是不是就是一種 AGI？我覺得今天 Claude Code 已經(jīng)在大規(guī)模做這個(gè)事情了，只是人們意識不到，或者局限在特定場景下。我覺得這個(gè)事情已經(jīng)在發(fā)生了，可能更像是一個(gè)漸變，而不像一個(gè)突變。

李廣密（主持人）：Follow 一個(gè)問題。有一些人對自主學(xué)習(xí)比較樂觀，覺得 26 年能看到信號。你覺得還需要哪些實(shí)際的突破？比如 Long Context，或者模型并行采樣？從你看來，你感覺，接下來還有哪些關(guān)鍵條件具備了，這個(gè)信號才會(huì)發(fā)生？

姚順雨：很多人說 26 年才能看到這些信號，但我覺得 25 年其實(shí)已經(jīng)有一些信號了。比如 Cursor，他們的 Auto-complete Model 每幾個(gè)小時(shí)就會(huì)用最新的用戶數(shù)據(jù)去學(xué)習(xí)。包括新的 Composer Model，其實(shí)也是在使用這些真實(shí)環(huán)境下的數(shù)據(jù)去 Training。當(dāng)然，大家覺得這些東西可能還沒有特別石破天驚，這是受限于他們沒有預(yù)訓(xùn)練能力，效果不如 Opus，但我覺得這顯然已經(jīng)是一個(gè)信號了。

我覺得最大的 Bottleneck 是想象力。對于強(qiáng)化學(xué)習(xí)或者推理，我們可以很容易想象，如果實(shí)現(xiàn)是個(gè)什么樣子，比如說 O1 在數(shù)學(xué)題上從 10 分變 80 分。但如果 26、27 年有一個(gè)范式發(fā)生，宣布實(shí)現(xiàn)了自我學(xué)習(xí)，我們應(yīng)該用什么任務(wù)去驗(yàn)證？是它變成了一個(gè)賺錢的交易系統(tǒng)，像 Trading Bench 的延伸？還是解決了科學(xué)問題？我們需要先想象到那個(gè)時(shí)候，Blog Post（宣發(fā)的文章）長什么樣。

李廣密（主持人）：順雨，OpenAI 已經(jīng) Lead 了兩次范式創(chuàng)新了。如果 26、27 年有新范式，全球范圍內(nèi)，你覺得哪家公司 Lead 這個(gè)創(chuàng)新范式的概率最大？

姚順雨：可能 OpenAI 概率還是更大。雖然因?yàn)樗虡I(yè)化等變化，創(chuàng)新基因被削弱，但我覺得它還是最有可能誕生新范式的地方。

李廣密（主持人）：俊旸，你對下一個(gè)范式，對 2026 年有什么展開？

林俊旸：如果從更實(shí)際一點(diǎn)講，剛才講的范式還在早期。RL 的 Compute 還沒有 Scale 得那么充分，所以很多的潛力其實(shí)沒打出來，今天我們還看到了很多 Infra 問題在這里面發(fā)生。全球范圍內(nèi)，類似這里面的問題也都還存在。

如果要說下一代范式，一個(gè)自主學(xué)習(xí)。之前聊到“人類不能讓 AI 變得更厲害”：你跟 AI 不斷進(jìn)行交互，只會(huì)讓它上下文變長、變得越來越笨。Test-time Scaling這件事情是不是真的能夠發(fā)生，我覺得還是真的挺值得思考的。能通過更多的 Token，讓自己變得更強(qiáng)，我覺得至少 O 系列，在一定程度上實(shí)現(xiàn)了這個(gè)事情。有沒有可能像 Anthropic 說的“干 30 個(gè)小時(shí)”，真的能干出很難的任務(wù)，我覺得今天大家做那種 AI Scientist 這個(gè)事情，其實(shí)還挺有意義的，是在挑戰(zhàn)一些很難的，甚至是做人類未曾做到的這些事情，有沒有可能通過 Test-time Scaling 來實(shí)現(xiàn)。那么從這個(gè)角度上來說，AI 肯定是需要自主進(jìn)化的 ，但究竟你是不是要更新參數(shù)，這個(gè)見仁見智，可能大家都有不同的技術(shù)手段來實(shí)現(xiàn)這個(gè)事情。

我覺得還有第二個(gè)點(diǎn)是，AI 有沒有可能實(shí)現(xiàn)更強(qiáng)的主動(dòng)性。就是說，環(huán)境可能就是我的輸入信號。比如說我現(xiàn)在這個(gè) AI，必須得有人類去 Prompt 它，然后你才能夠啟動(dòng)它。那有沒有可能環(huán)境就能 Prompt 它？它自己能自主思考，去做一些事情。

但這引發(fā)了一個(gè)新的問題，就是安全的問題。我非常擔(dān)心安全這個(gè)問題，其實(shí)不是很擔(dān)心今天它講一些不該說的話，最擔(dān)心的事情是它做一些不該做的事。就比如說，它今天主動(dòng)產(chǎn)生一些想法，往這個(gè)會(huì)場里面扔一顆炸彈這種事情。那我們肯定是不希望這些不安全的事情發(fā)生。但就像培養(yǎng)小孩一樣，我們可能要給它注入一些正確的方向。但主動(dòng)學(xué)習(xí)可能也是挺重要的一個(gè)范式。

李廣密（主持人）：是的。俊旸又提了一個(gè)“主動(dòng)性”，主動(dòng)性其實(shí)也可能是 26 年非常關(guān)鍵的一個(gè) Bet。

我再 Follow 俊旸一個(gè)問題：如果自主學(xué)習(xí)在 26 年看到信號，你感覺可能是在哪些任務(wù)上、做什么樣的任務(wù)會(huì)先看到？是“模型訓(xùn)練模型”了，最強(qiáng)的模型可以提升自己了？還是說自動(dòng)化的 AI 研究員了？你有期待在哪些地方先看到嗎？

林俊旸：我覺得自動(dòng)化的 AI 研究員可能甚至都不是那么需要自主學(xué)習(xí)，我覺得可能很快“AI 訓(xùn) AI”這件事情就可以實(shí)現(xiàn)。我看我們的同學(xué)每天在干的這個(gè)事情，我都覺得 Claude Code 很快是可以把他們替代掉的。

但是，我覺得可能是更持續(xù)地理解用戶這件事情，比如說 Personalization（個(gè)性化）其實(shí)還挺重要的。比如說過往我們在做推薦系統(tǒng)的時(shí)候，其實(shí)用戶的信息是持續(xù)輸入的，這會(huì)讓整個(gè)系統(tǒng)變得更強(qiáng)。雖然它的算法其實(shí)很簡單，但今天在 AI 的這個(gè)時(shí)代，它是不是能夠更懂你？就是你的這些信息的輸入，能不能成為最好……我們過去講 Copilot，但其實(shí)今天連 Copilot 都沒有實(shí)現(xiàn)，就是能不能真正成為我的 Copilot 的問題。

所以我覺得如果說自主學(xué)習(xí)的話，可能會(huì)是在跟人的交互上。比如說 Personalization 這一件事情上可能就能做到，但是以什么指標(biāo)來進(jìn)行衡量，我覺得稍微有點(diǎn)不太好說。因?yàn)樵谕扑]的時(shí)代，Personalization 你做得越好，別人可能就點(diǎn)得越多、買得越多。但是在 AI 時(shí)代，覆蓋到人類生活的方方面面的時(shí)候，真正的 Personalization 的衡量指標(biāo)是什么，我們其實(shí)不太知道。所以今天我感覺可能更大的技術(shù)挑戰(zhàn)是：我們今天的 Evaluation（評估）不知道該怎么做。這個(gè)可能是我們更值得研究的問題。

李廣密（主持人）：俊旸，因?yàn)槟阏f到了主動(dòng)，包括個(gè)性化，你感覺如果實(shí)現(xiàn)“記憶”這個(gè)點(diǎn)，26 年能看到技術(shù)的大突破性的跨越嗎？

林俊旸：我個(gè)人觀點(diǎn)是，大量技術(shù)的所謂“突破性”其實(shí)都是一些觀測問題，它其實(shí)都是線性發(fā)展的，只是人類對它的感受非常強(qiáng)烈而已。包括像 ChatGPT 的出現(xiàn)，對于我們做大模型人來說，其實(shí)就是線性的增長。

現(xiàn)在大家都在做 Memory 這個(gè)事情。你說技術(shù)方案對還是不對呢？我覺得很多方案也沒有什么對錯(cuò)之分。但是做出來的效果，至少我拿我們自己獻(xiàn)個(gè)丑：我們自己的 Memory 看起來好像知道我過去干了什么，但只是記起來過去的事情，每次都會(huì)叫一遍我的名字，其實(shí)并不顯得你很聰明。

但你的 Memory 有沒有可能到某一個(gè)臨界點(diǎn)的時(shí)候，讓人覺得說，你結(jié)合你的 Memory 真的能夠像生活當(dāng)中的人一樣，就過去大家講電影《Her》，它真的很像人，理解你的 Memory 可能就是在那一下，人類的感受就覺得突然間迸發(fā)。那可能就是那個(gè)時(shí)刻。

我覺得多多少少也需要一年的時(shí)間。很多時(shí)候其實(shí)我覺得技術(shù)也沒有發(fā)展那么快，只是大家比較卷，覺得每天都有新的東西，但其實(shí)技術(shù)就是在線性發(fā)展，只是我們可能是在觀測的角度處于一個(gè)指數(shù)上升的階段。比如說Coding 的能力一點(diǎn)點(diǎn)提升，可能就能帶來很多的生產(chǎn)價(jià)值，大家可能就覺得 AI 發(fā)展得很快。但從技術(shù)進(jìn)展上來說，可能我們就多干了一點(diǎn)點(diǎn)事情。每天看我們自己做的這個(gè)事情都還真的挺土的，解的那些 Bug 都不好意思拿出來跟大家講，非常的丑陋。

如果這樣做了，我們都已經(jīng)能夠做到這樣的成績的話，那我覺得可能未來算法和 Infra 結(jié)合得更好的話，可能更加大有可為。

李廣密（主持人）：多謝。楊強(qiáng)老師。

楊強(qiáng)：我一直以來是做聯(lián)邦學(xué)習(xí)。聯(lián)邦學(xué)習(xí)的主要思想是“多個(gè)中心，大家協(xié)作”。

我現(xiàn)在越來越多地看到，很多本地資源不足，但是本地的數(shù)據(jù)又有很多隱私和安全的要求。所以我們可以想象，現(xiàn)在大模型的能力越來越強(qiáng)，這種通用性大模型和本地的這種特殊性的小模型，或者是領(lǐng)域?qū)＜业哪Ｐ停绾螀f(xié)作？

我覺得這種協(xié)作變得越來越可能。像美國，我看到 Zoom，就是黃學(xué)東他們做的叫 Federated AI 的 AI 系統(tǒng)，他做了一個(gè)很大的基座，這個(gè)基座大家都可以插進(jìn)來。然后他就可以在一個(gè) Decentralized（去中心化）的狀態(tài)下，能夠既保護(hù)隱私又能夠和通用大模型有效地溝通協(xié)作。

我覺得這種開源模式特別好，一個(gè)是知識的開源，一個(gè)是 Code 方面的開源。所以，我覺得尤其在像醫(yī)療、金融這樣的場景下，會(huì)越來越多看到這樣的現(xiàn)象發(fā)生。

李廣密（主持人）：多謝楊強(qiáng)老師。唐老師。

唐杰：我其實(shí)對今年會(huì)有比較大的范式革新挺 Positive 的。我倒不說太細(xì)，因?yàn)槟菐讉€(gè)點(diǎn)我都……就像我剛才講的，包括持續(xù)學(xué)習(xí)，還有 Memory，甚至模型架構(gòu)，甚至多模態(tài)，我覺得都有可能出現(xiàn)新的范式的變革。

但我覺得有一個(gè)大的趨勢，我來說一下為什么會(huì)產(chǎn)生這樣的一個(gè)范式。我覺得原來其實(shí)是工業(yè)界跑得遠(yuǎn)遠(yuǎn)快于學(xué)術(shù)界。我記得在去年還有前年的時(shí)候，回到清華跟好多老師聊天說能不能做大模型，很多老師是第一沒卡...不是沒卡，是卡的數(shù)量幾乎為零。工業(yè)界是有 1 萬片，學(xué)校是 0 片或者 1 片，倍數(shù)是 1 萬倍。

但是到現(xiàn)在，很多學(xué)校已經(jīng)有很多卡了，而且很多老師已經(jīng)開始做了很多大模型的相關(guān)研究，包括硅谷那邊有很多老師都開始做甚至模型架構(gòu)、持續(xù)學(xué)習(xí)這些相關(guān)研究。所以它已經(jīng)不是一個(gè)……原來我們總覺得工業(yè)界在 Dominate（主導(dǎo)）這些，其實(shí)今天我覺得在 2025 年底到 2026 年初的時(shí)候，這一現(xiàn)象不大存在了。可能還有 10 倍的差，這里 1 萬片那里 1000 片，但是它已經(jīng)孵化出種子了。我覺得在學(xué)術(shù)界它有這個(gè)創(chuàng)新的基因，有這個(gè)可能性了，這是第一個(gè)。

第二個(gè)，我覺得一個(gè)創(chuàng)新的出現(xiàn)它一定是某個(gè)事情有大量的投入，并且它的 Efficiency 變成為瓶頸了。現(xiàn)在在整個(gè)大模型里面，投入已經(jīng)巨大，但是 Efficiency 并不高。也就是我們繼續(xù) Scaling，你說有沒有收益呢？肯定是有收益的。比如說原來我們 Data，從 2025 年初可能 10 個(gè) T 的數(shù)據(jù)，現(xiàn)在 30 個(gè) T，甚至我們可以 Scaling 到 100 個(gè) T。但 100 個(gè) T 你 Scaling 上去以后，你的收益有多少？還有你的計(jì)算 Cost 得有多少？這就變成一個(gè)問題了。你不創(chuàng)新，這可能變成你花掉了 10 個(gè)億、20 個(gè)億，但是收益很小，就不值得了。

另外一方面，對于新的智能創(chuàng)新，假如我們每一次都要重訓(xùn)一個(gè)基座，再重訓(xùn)很多 RL。像 24 年出來 RL 的時(shí)候，大家覺得我接著訓(xùn)嘛，收益比較有。但到今天你再接著瘋狂去 RL，收益也是有的，但就沒有那么 *Significant，還是一個(gè)收益效率的問題。

所以我們未來也許可以定一個(gè)：一方面，我們既需要 Scaling Up——我剛才其實(shí)在臺上講了，“反正最笨的辦法就是 Scaling”，因?yàn)?Scaling 我們肯定有收益，這是典型的一個(gè)工程做法。Scaling 肯定會(huì)帶來智能上限的提升，毫無疑問你只要 Get 到 More Data。但第二個(gè)方法，我覺得應(yīng)該定一個(gè)叫 Intelligence Efficiency，就是說智能的效率，我們獲得智能的效率，即用多少的投入能獲得智能的增量。如果我們能用更少的投入獲得增量，而且我們現(xiàn)在已經(jīng)變成一個(gè)瓶頸了，假如能用更少的范式獲得同樣智能提升，這就是一個(gè)瓶頸式的事情。所以我是覺得 2026 年一定有這么一個(gè)范式發(fā)生。

當(dāng)然，我們也是在 Bet，我們也在努力，我們希望這個(gè)發(fā)生在我們身上，但也不一定。

話題三：Agent戰(zhàn)略

李廣密（主持人）：對，我跟唐老師一樣非常樂觀。因?yàn)槠鋵?shí)每個(gè)領(lǐng)先的模型公司每年的計(jì)算量實(shí)際上是每年 Compound（復(fù)合增長）有 10 倍左右。大家手上的計(jì)算資源多了，人才也涌入得越來越多，大家手上卡片多、做的實(shí)驗(yàn)多了，其實(shí)它就是一個(gè)實(shí)驗(yàn)工程，有可能某個(gè)點(diǎn)就出來了。

剛剛唐老師也聊到一個(gè)怎么衡量智能水平的點(diǎn)。我覺得第三個(gè)我們可以一起聊一下 Agent 這個(gè)戰(zhàn)略。最近我跟很多研究員聊，大家都提到對 26 年還有一個(gè)很大的預(yù)期，說 Agent 今天可以在后臺比如推理 3～5 個(gè)小時(shí)，做人類 1~2 天的工作量；大家期待說 26 年可以做人類正常工作一周到兩周的工作量。

這也是一個(gè)非常大的變化，因?yàn)樗辉僦皇且粋€(gè)工具——就是唐老師提的說只是一個(gè) Chat，而是說真的在自動(dòng)化你一整天甚至一周的任務(wù)流。那這樣的話其實(shí)，26 年有可能是 Agent 真的叫“創(chuàng)造經(jīng)濟(jì)價(jià)值”的關(guān)鍵一年。

所以 Agent 這個(gè)問題我們可以展開聊一下。大家也是順雨剛才提的“垂直整合”嘛，既有模型又有 Agent 產(chǎn)品。包括我們看到硅谷的幾個(gè)公司也都從模型到 Agent 端到端都做了。

順雨，你花了很多時(shí)間做 Agent 研究，你對 26 年這個(gè) Agent，比如 Long Horizon 的這種 Agent，真的能 Automate 人類一周到兩周的工作？這個(gè)對 Agent 的戰(zhàn)略，包括從模型公司的出發(fā)點(diǎn)會(huì)怎么思考這個(gè)問題？

姚順雨：我覺得還是像剛剛說的，在To C 和 To B 可能不太一樣。

目前看起來，To B 的情況是已經(jīng)達(dá)到了一個(gè)在不斷上升的曲線，好像沒有要變慢的趨勢。Anthropic 這公司很有意思，它基本上不做什么創(chuàng)新，它就是覺得：模型預(yù)訓(xùn)練變大了，然后老老實(shí)實(shí)把 RL 做好，只要預(yù)訓(xùn)練不斷變大，后訓(xùn)不斷把真實(shí)世界的任務(wù)做好，它就會(huì)越來越聰明，帶來越來越多價(jià)值。

我覺得 Anthropic 特別有意思的一點(diǎn)是，從某種程度來說，做 To B 其實(shí)所有的目標(biāo)之間是更一致的。你的模型智能越高，解決的任務(wù)就越多；解決任務(wù)越多，在 To B 下帶來的收入就越大。這點(diǎn)就很好辦了。

那做 To C 的一個(gè)問題是，我們都知道 DAU 或者說產(chǎn)品的指標(biāo)，其實(shí)和模型的智能很多時(shí)候是不相關(guān)的，甚至相反。我覺得這是 Anthropic 能夠聚焦另一個(gè)很重要原因：它只要真的把模型越做越好，收入就越來越高，所有事情全部都是非常 Aligned 的。

目前看起來我覺得生產(chǎn)力的 Agent 才剛剛開始。現(xiàn)在可能除了模型之外有兩個(gè) Bottleneck：一個(gè)是環(huán)境問題，或者說 Deployment（部署）的問題。

我之前在 OpenAI 之前，在一個(gè)叫Sierra的公司實(shí)習(xí)過，這是一個(gè) To B 的客服公司。我在 To B 公司工作過有很多收獲。最大的收獲是，我感覺即使今天模型不再變好，所有的模型訓(xùn)練全部停止了，但是我們把這些模型部署到世界上各種各樣的公司，它可能能帶來今天的 10 倍或者 100 倍的收益，或者說可能對 GDP 能夠產(chǎn)生 5%~10% 的影響。但是今天我覺得它的影響還遠(yuǎn)遠(yuǎn)不到 1%。

第二點(diǎn)是教育非常重要。我觀察到現(xiàn)在人和人的差距在拉大，并不是說 AI 要替代人的工作，而是說會(huì)使用這些工具的人，在替代那些不會(huì)使用工具的人。就像當(dāng)年電腦剛被發(fā)明出來，你轉(zhuǎn)身去學(xué)習(xí)編程，和你還在使用計(jì)算尺、算盤，那是巨大的差距。我覺得現(xiàn)在中國能做的一個(gè)最大的有意義的事情其實(shí)就是更好的教育，教大家怎么更好地去使用像 Claude Code 或者 ChatGPT 這樣的產(chǎn)品。當(dāng)然 Claude Code 可能在中國用不了，但是我們可以用 Kimi 或者智譜這樣國產(chǎn)的模型。

李廣密（主持人）：多謝順雨。俊旸，對 Agent 的想法，包括因?yàn)榍栆灿幸粋€(gè)生態(tài)，千問自己做 Agent 以及扶持生態(tài)的通用 Agent，你也可以展開講講。

林俊旸：這里涉及一個(gè)產(chǎn)品哲學(xué)的問題。當(dāng)然Manus 確實(shí)很成功，但是“套殼”是不是一個(gè)未來，這本身也是個(gè)話題。我覺得今天到這個(gè) Timing，我其實(shí)比較同意你的觀點(diǎn)，叫“模型即產(chǎn)品”。

我跟TML的人聊，他們叫"Research as a Product"。其實(shí)我挺喜歡這個(gè)事情。包括我看 OpenAI，挺多 Researcher 自己能夠成為產(chǎn)品經(jīng)理 End-to-End 地把這個(gè)東西做起來。今天我們自己內(nèi)部的 Researcher 都想做更多面向真實(shí)世界的東西。

我其實(shí)愿意相信接下來的 Agent 是可以做到剛才所說的事情，而且跟剛才所提的Self-evolution（自我進(jìn)化）以及Active Learning（主動(dòng)學(xué)習(xí)）都有比較強(qiáng)烈的關(guān)系。比如它能干這么長時(shí)間，它其實(shí)自己就得在過程當(dāng)中進(jìn)化，并且它還要決定去干什么東西，因?yàn)樗盏降闹噶钍且粋€(gè)非常 General 的任務(wù)。所以我們現(xiàn)在 Agent 其實(shí)已經(jīng)開始越來越變得是那種“托管式”的 Agent，而不是說我要不斷跟你來來回回交互的那種形式。

從這個(gè)角度上來說，它對模型的要求其實(shí)是很高的，模型就是 Agent，Agent 就是這個(gè)產(chǎn)品本身。如果他們都是一體化的話，那么今天做基礎(chǔ)模型本身其實(shí)也就是在做這個(gè)產(chǎn)品。如果不斷提升模型能力的上限，包括Test-time Scaling能做上去的話，確實(shí)能夠做到這個(gè)事情。

但我覺得還有一個(gè)點(diǎn)是跟環(huán)境交互有關(guān)系，我們現(xiàn)在交互的環(huán)境還不是很復(fù)雜，都還是電腦的環(huán)境。我有朋友是做跟 AI for Science 比較相關(guān)的。比如今天你干 AlphaFold 這一個(gè)事情，其實(shí)做出來還沒到那一步，比如制藥，你就算用今天 AI，可能不一定幫到你那么多。因?yàn)槟阋プ鰸駥?shí)驗(yàn)，要做這些事情才能得到反饋。

有沒有可能我們未來 AI 能夠環(huán)境復(fù)雜到可能是真實(shí)的人類世界的環(huán)境，指揮機(jī)器人去做濕實(shí)驗(yàn)，去加快效率？否則按照現(xiàn)在人類的效率，其實(shí)非常低。我們甚至還要雇傭很多外包在實(shí)驗(yàn)環(huán)境里面去做實(shí)驗(yàn)。如果能達(dá)到這一個(gè)點(diǎn)，可能才是我想象當(dāng)中 Agent 能夠做人類很長時(shí)間的活，而不是說僅僅是在電腦當(dāng)中寫個(gè)文件。

這些東西我覺得可能今年很快就可以完成。但我覺得接下來三年到五年的時(shí)間，可能這個(gè)事情會(huì)更加有意思。那這個(gè)的話可能又要跟具身智能結(jié)合在一起。

李廣密（主持人）：我想 Follow 俊旸一個(gè)尖銳點(diǎn)的問題：從你的角度看來，通用的 Agent 這個(gè)機(jī)會(huì)是創(chuàng)業(yè)者的嗎？還是說模型公司是一個(gè)時(shí)間問題，總會(huì)把通用 Agent 做好？

林俊旸：我不能因?yàn)槲易龌A(chǔ)模型，我就去做創(chuàng)業(yè)導(dǎo)師，我做不了這個(gè)事情。那我只能借成功人士 Peak（Manus 的 CTO）說的話，他說：做通用 Agent 最有意思的事情是長尾，反而是更值得關(guān)注的事情，或者是說今天 AI 更大的魅力是在長尾。

如果是馬太效應(yīng)，頭部的這個(gè)東西其實(shí)挺容易解決的。當(dāng)年做推薦的時(shí)候，我們看到推薦非常集中在頭部商品。但我們想把尾部推過去，但我當(dāng)時(shí)做就非常遭殃。我作為一個(gè)干 NLP 和多模態(tài)的人，碰到推薦系統(tǒng)，去干解馬太效應(yīng)，那基本上是奔著死路去的。

但我覺得今天的所謂 AGI 其實(shí)就在解這個(gè)問題，你做通用 Agent 是能不能把長尾的問題給解決。今天我一個(gè)用戶，我真的尋遍各處都找不到能夠幫我解這個(gè)問題的。但就在那一刻，我感受到了 AI 的能力，全世界任何一個(gè)角落，我尋遍各處都找不到，但是你卻能幫我解。可能這就是 AI 最大的魅力。

所以你說要不要去做通用的 Agent？我覺得見仁見智。如果你覺得你是一個(gè)“套殼高手”，套的可以比模型公司做得更好，我覺得可以去做。但如果你沒有這個(gè)信心，這個(gè)事情可能是留給模型公司做“模型即產(chǎn)品”的時(shí)候，因?yàn)樗麄冇龅絾栴}的時(shí)候，其實(shí)我只要訓(xùn)一訓(xùn)模型，我只要燒一燒卡，這個(gè)問題可能就解決了。所以見仁見智。

李廣密（主持人）：其實(shí)解決長尾的問題，模型公司算力加數(shù)據(jù)好像解決起來也挺快的，對吧？

林俊旸：今天 RL 最有意思的地方，我覺得是我們發(fā)現(xiàn)修問題比以前容易了。以前修問題很難。我舉一個(gè) B 端客戶的情況，他們說我們自己要做 SFT，你能不能告訴我通用數(shù)據(jù)怎么配比？每次我們都很頭痛。然后我們覺得對方不太會(huì)做 SFT，他那個(gè)數(shù)據(jù)非常垃圾，但他可能覺得非常有用。

那今天有了 RL 之后，你可能真的只要很小的一個(gè)數(shù)據(jù)點(diǎn)，甚至不需要標(biāo)注，只要有 Query，有 Reward，這個(gè)東西稍微訓(xùn)一訓(xùn)，合并起來其實(shí)也非常容易。那可能是今天技術(shù)的魅力。

李廣密（主持人）：多謝俊旸，來，楊強(qiáng)老師。

楊強(qiáng)：我覺得 Agent 出現(xiàn)應(yīng)該有四個(gè)階段。
看一個(gè)，是目標(biāo)的定義，是由人為定義的還是自動(dòng)定義的？
第二個(gè)，是說規(guī)劃，就是中間的Action，規(guī)劃也可以由人來定義，也可以由 AI 自動(dòng)定義。

所以這樣就自然地分為四個(gè)階段了。我覺得我們現(xiàn)在在一個(gè)非常初級的階段，就是目標(biāo)也是人定義的，規(guī)劃也是人做的。所以現(xiàn)在的這些 Agent 的 Definition 系統(tǒng)，基本上是一個(gè)更高級的 Very High-level Programming Language。

但我預(yù)料未來會(huì)出現(xiàn)一個(gè)大模型觀察人的工作，尤其是把人的 Process Data 給使用起來。最后目標(biāo)也可以是大模型來定義，規(guī)劃也可以由大模型定義。所以，Agent 應(yīng)該是由大模型內(nèi)生的一個(gè) Native 的系統(tǒng)。

李廣密（主持人）：多謝楊老師。唐老師。

唐杰：我覺得確實(shí)有幾個(gè)因素決定了 Agent 未來的走勢。

第一，Agent 本身有沒有解決人類的事情，這個(gè)事情是不是有價(jià)值的，價(jià)值有多大。比如原來的 GPTs 出來，也做了很多 Agent。那個(gè)時(shí)候你會(huì)發(fā)現(xiàn) Agent 都很簡單，最后發(fā)現(xiàn) Prompt 就解決了。那些大部分 Agent 慢慢就死掉了。所以第一個(gè)是解決這個(gè)事情有多大價(jià)值，能不能幫到人。

第二，做這個(gè)事情的 Cost 有多大。如果 Cost 特別大，那也是一個(gè)問題。剛才俊旸也說了，也許我調(diào)用一個(gè) API 就能解決。但反過來，假如調(diào)個(gè) API 就能解決，那么這個(gè) API 本身可能覺得這件事情價(jià)值很大的時(shí)候，它就會(huì)把它做進(jìn)去。這是個(gè)矛盾，基座和應(yīng)用永遠(yuǎn)是個(gè)矛盾。

最后一個(gè)維度，是做應(yīng)用的速度。如果你說我有個(gè)時(shí)間窗，我能夠拉開半年的時(shí)間窗，迅速把應(yīng)用滿足了，半年以后，要么迭代，要么怎么著，反正能往前走。說白了大模型時(shí)代到現(xiàn)在，更多的是在拼速度、拼時(shí)間。

也許一個(gè)決策是正確，就像你剛才說也許我們 Bet 代碼正確了，那也許我們就會(huì)在這方面走得更遠(yuǎn)一點(diǎn)。但也許 Bet 失敗了以后就半年，半年就沒了。所以今年我們只是在 Coding、在 Agent 這塊我們 Bet 了一點(diǎn)點(diǎn)，現(xiàn)在我們 Coding 調(diào)用量都還不錯(cuò)。所以我覺得更多也是一個(gè) Bet 吧，做 Agent 可能未來也是一個(gè) Bet。

話題四：中國AI的未來

李廣密（主持人）：多謝。因?yàn)檫^去模型公司既要追通用能力，優(yōu)先級上就沒有花那么多精力去探索。其實(shí)通用能力追上來之后，我們也更多的期待 26 年智譜、千問有更多自己的Claude Code時(shí)刻和Manus時(shí)刻。我覺得這是非常值得去預(yù)期的。

第四個(gè)問題，也是最后一個(gè)問題，我覺得比較有意思。因?yàn)檫@個(gè)活動(dòng)、這個(gè)時(shí)間點(diǎn)，更多值得去展望未來。

我其實(shí)挺想問大家一個(gè)問題：在三年和五年以后，全球最領(lǐng)先的 AI 公司是一個(gè)中國團(tuán)隊(duì)的概率有多大？我們從今天的跟隨者變成未來的引領(lǐng)者，這個(gè)文化包括關(guān)鍵條件，到底是還有哪些需要做好的？

順雨，因?yàn)槟闶墙?jīng)歷過硅谷跟中國兩個(gè)體感的，你對這個(gè)概率的判斷和需要哪些關(guān)鍵條件的判斷是怎么樣的？

姚順雨：我覺得概率還挺高的。我還是挺樂觀的，因?yàn)槟壳翱雌饋恚?strong>任何一個(gè)事情，一旦被發(fā)現(xiàn)出來，在中國都會(huì)很快 Catch up 或者復(fù)現(xiàn)，然后在很多局部去做到更好。包括之前制造業(yè)、電動(dòng)車這樣的例子已經(jīng)不斷在發(fā)生。

我覺得可能幾個(gè)比較關(guān)鍵的點(diǎn)，一個(gè)可能是中國的光刻機(jī)到底能不能突破。如果最終算力變成了 Bottleneck，我們能不能解決這個(gè)算力問題？目前看起來我們有很好的電力優(yōu)勢，有很好的基礎(chǔ)設(shè)施優(yōu)勢。可能主要的瓶頸就是產(chǎn)能，包括光刻機(jī)以及軟件生態(tài)。這個(gè)問題解決了會(huì)是個(gè)很大的幫助。

另一個(gè)問題就是，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(jī)會(huì)在國際的商業(yè)環(huán)境去競爭。今天我們看到很多做生產(chǎn)力或者做 To B 的模型，還是會(huì)誕生在美國，因?yàn)橹Ц兑庠父鼜?qiáng)，To B 的文化更好。中國國內(nèi)做這個(gè)事情很難，所以大家都會(huì)選擇出海或者做國際化。

但我覺得還有更重要的是主觀上的概念。我最近跟很多人聊天，直觀的感受是：中國其實(shí)有非常多非常強(qiáng)的人才。任何一個(gè)事情，只要被證明能做出來，很多人都會(huì)非常積極地去嘗試，并且想要甚至做得更好。

但好像，今天中國想要突破新的范式或者做非常冒險(xiǎn)事情的人，可能還不夠多。這里面可能有經(jīng)濟(jì)環(huán)境、商業(yè)環(huán)境、文化的因素。但是如果增加一點(diǎn)的話，主觀上能不能有更多有創(chuàng)業(yè)精神或者冒險(xiǎn)精神的人，真的想要去做前沿探索或者新的范式突破的事情。

因?yàn)槟壳皝砜矗粋€(gè)范式一旦被發(fā)生，我們可以用很少的卡、很高的效率去 Catch up 或者甚至局部做得更好。但是，我們到底能不能去引領(lǐng)新的范式？我覺得這可能是今天中國唯一要解決的、某種程度上唯一要解決的問題。因?yàn)槠渌惺虑椋瑹o論是商業(yè)、產(chǎn)品設(shè)計(jì)還是這種 Catch up 做工程，我們都已經(jīng)某種程度上比美國做得更好。

李廣密（主持人）：我再 Follow 順雨一個(gè)問題：你對中國的 Lab 里面的研究文化有什么要呼吁的嗎？你也感受過 OpenAI 或者灣區(qū) DeepMind 的研究文化，中國跟美國有什么差異？這個(gè)研究文化對作為一個(gè) AI Native 的公司有哪些根本性的影響？

姚順雨：我覺得每一個(gè)地方的研究文化都很不一樣，美國不同實(shí)驗(yàn)室之間的區(qū)別可能比中美之間的區(qū)別還要大。在中國也一樣，我個(gè)人覺得有兩點(diǎn)吧：

第一，在中國大家還是更喜歡做更安全的事情。比如今天預(yù)訓(xùn)練已經(jīng)被證明可以做出來了。這事情其實(shí)也非常難做，有很多技術(shù)問題要解決。但是只要一旦被證明能做出來，我們都很有信心幾個(gè)月或者一段時(shí)間內(nèi)就把這個(gè)東西搞清楚。但是如果今天要讓一個(gè)人去探索一個(gè)比如長期記憶或者持續(xù)學(xué)習(xí)，大家不知道怎么做，能不能做起來。那這個(gè)我覺得還是比較困難。

當(dāng)然，也不只是大家更喜歡做確定性的事情。很重要一點(diǎn)是，文化的積累以及整體的認(rèn)知其實(shí)是一個(gè)需要時(shí)間沉淀的事情。可能在 OpenAI 做 RL 這事情，可能是 22 年就開始做了。國內(nèi)可能是 23 年開始做，對這個(gè)東西的理解會(huì)有差異。或者說，中國 RL 好像沒有 Scale up 得這么大。我覺得很多是時(shí)間問題。當(dāng)你積累的文化或者底蘊(yùn)更深，潛移默化地會(huì)影響人的做事方式。

第二，我覺得在中國大家對于刷榜或者數(shù)字會(huì)看得更重一些。這一點(diǎn)上，像海外 Anthropic 就會(huì)做得比較好。包括 DeepSeek 做得也比較好的一點(diǎn)是，他們可能沒有那么關(guān)注榜單的數(shù)字，可能會(huì)更注重：第一什么是正確的事情，第二是什么是你自己能體驗(yàn)出來好還是不好的。

我覺得這挺有意思的。你看，Claude 模型可能在很多編程或者軟件工程榜單上也不是最高的，但是大家都知道這個(gè)東西是最好用的。我覺得還是需要大家能夠走出榜單的束縛，去堅(jiān)持自己覺得什么是正確的、或者什么是好的。

李廣密（主持人）：多謝。俊旸，你來聊聊中國贏下的概率和條件

林俊旸：你這個(gè)問題本身是一個(gè)危險(xiǎn)的問題。理論上這個(gè)場合是不可以潑冷水的。但是，如果從概率上來說，我想說一下我感受到的中美差異。

比如美國的 Compute，可能整體比我們大 1~2 個(gè)數(shù)量級。但是我看到不管是 OpenAI 還是 Anthropic，他們大量的 Compute 其實(shí)只是投入到下一代的 Research 當(dāng)中去。我們今天相對來說捉襟見肘，光交付可能就已經(jīng)占據(jù)了絕大部分的 Compute，這會(huì)是一個(gè)比較大的差異。

這可能是歷史以來的問題：創(chuàng)新是發(fā)生在有錢的人手里，還是窮人的手里？

窮人不是沒有機(jī)會(huì)，因?yàn)槲覀冇X得這些“富哥”真的很浪費(fèi)卡，他們Ablation（消融實(shí)驗(yàn)）這么多東西，可能訓(xùn)了很多也沒什么用。但今天窮的話，你會(huì)想，比如所謂的算法 Infra 聯(lián)合優(yōu)化這個(gè)事情。其實(shí)如果你真的很富的話，你真的沒有什么動(dòng)力去做這個(gè)事情。

我覺得可能更進(jìn)一步，剛才順雨也提到光刻機(jī)的問題，未來有可能還有一個(gè)點(diǎn)是，如果從軟硬結(jié)合的角度，是不是真的有可能 End-to-End 地做出來？比如我們下一代的模型結(jié)構(gòu)和芯片，其實(shí)都有可能是一起把它給做出來的。

我特別記得我在 21 年的時(shí)候，當(dāng)時(shí)我們在做大模型。阿里做了芯片，來找我說：能不能預(yù)測一下三年之后這個(gè)模型是不是 Transformer？三年之后模型是不是多模態(tài)？為什么是三年呢？他說我們需要三年的時(shí)間才能流片。我當(dāng)時(shí)回答是：三年之后，我在不在阿里巴巴，我都不知道。但最后我今天還在阿里巴巴，然后他果然還是 Transformer，還是多模態(tài)，我就非常懊悔為什么當(dāng)時(shí)沒有去催他去做。

但當(dāng)時(shí)我們的交流其實(shí)非常“雞同鴨講”，他講了一大堆我不懂，我講了他不知道我們在做什么，就錯(cuò)過了機(jī)會(huì)。但這個(gè)機(jī)會(huì)有沒有可能再來一次？我們雖然是一群窮人，但是不是有可能窮則生變？創(chuàng)新的機(jī)會(huì)可能發(fā)生在這里。

但我覺得可能我們需要改變的是教育。我感覺，比如我屬于 90 年代靠前一些的，順雨屬于 90 年代靠后一些的，團(tuán)隊(duì)里面好多 00 后，我感覺大家冒險(xiǎn)精神變得越來越強(qiáng)。美國人天然有非常強(qiáng)烈的冒險(xiǎn)精神，典型的例子是當(dāng)時(shí)電動(dòng)車剛出來，甚至天棚漏水、開車可能會(huì)意外身亡的情況下，依然有很多富豪愿意做這個(gè)事情。但在中國，富豪們是不會(huì)去干這個(gè)事情的，大家會(huì)做一些很安全的事情。

那今天，大家的冒險(xiǎn)精神開始變得更好，中國的營商環(huán)境也在變得更好，我覺得是有可能帶來創(chuàng)新的。概率沒那么大，但真的有可能。

李廣密（主持人）：如果看一個(gè)數(shù)字呢？

林俊旸：你是說百分之多少？

李廣密（主持人）：對，三年到五年后中國最領(lǐng)先的那個(gè)公司是一家中國公司的概率。

林俊旸：我覺得 Below 20% 吧，我覺得 20% 已經(jīng)非常樂觀了，因?yàn)檫@里真的有很多歷史積淀的原因。

李廣密（主持人）：我再 Follow 一個(gè)問題，你內(nèi)心的那個(gè) Gap 變大的恐懼感強(qiáng)嗎？有的地方在追上來，有的地方算力又在拉大。

林俊旸：今天你干這一行就不能恐懼，必須得有非常 Chill 的心態(tài)。從我們的心態(tài)上來說，能干這行已經(jīng)非常不錯(cuò)了，能夠做大模型這件事情已經(jīng)非常幸運(yùn)了。

我覺得還是看你的初心是什么。剛才順雨提到一個(gè)點(diǎn)，你的模型可能不一定那么強(qiáng)，在 C 端里邊其實(shí)是 OK 的。那我可能轉(zhuǎn)換成另外一個(gè)角度思考：我們的模型為人類社會(huì)帶來什么樣的價(jià)值？只要我去相信我這個(gè)東西能夠?yàn)槿祟惿鐣?huì)帶來充分的價(jià)值，能夠幫助人類，他就算不是最強(qiáng)的，我也愿意接受。

李廣密（主持人）：多謝俊旸。楊老師，您經(jīng)歷過很多 AI 的周期，也看過很多中國 AI 公司變成世界最強(qiáng)，您的判斷？

楊強(qiáng)：回顧一下互聯(lián)網(wǎng)的發(fā)展，一開始也是從美國開始，但是中國很快就趕上，而且應(yīng)用像微信就是世界第一的。我想 AI 是一個(gè) Enabling 的技術(shù)，它并不是一個(gè)終端的產(chǎn)品。但是我們中國有很多的聰明才智會(huì)把這個(gè)產(chǎn)品發(fā)揮到極致，不管是 To B 還是 To C。但我可能更看好 To C，因?yàn)榘倩R放，中國人集思廣益。

但是 To B 可能有一些具體的限制，像付費(fèi)意愿、企業(yè)文化等等，這些可能也在改變。但是我最近也特別觀察一些商業(yè)方面，比如美國有一個(gè)公司叫 Palantir，他的一個(gè)理念是：現(xiàn)在不管 AI 發(fā)展到什么階段，我總是能在 AI 里面發(fā)現(xiàn)一些好的東西應(yīng)用在企業(yè)上。中間肯定有 Gap，我們要給它彌合。

它有一個(gè)辦法叫“本體”，用本體的方法。其實(shí)我觀察了一下，大概的思想就是我們以前做的遷移學(xué)習(xí)，把一個(gè) General 的 Solution 應(yīng)用到一個(gè)具體的實(shí)踐當(dāng)中，用一個(gè)本體來做一個(gè)知識的遷移。這個(gè)方法非常巧妙。它是通過一種工程的方法，叫前端工程師 FDE（Forward Deployed Engineer）來解決的。

不管怎么樣，我覺得像這種就非常值得我們學(xué)習(xí)。我覺得中國的企業(yè)像 AI Native 的公司應(yīng)該發(fā)展出這樣的一些 To B 的 Solution 來。我相信會(huì)的。所以，我覺得 To C 肯定是百花齊放的，To B 可能也會(huì)很快地跟上來。

李廣密（主持人）：多謝楊老師。唐老師。

唐杰：首先我覺得確實(shí)也要承認(rèn)，在中美，無論從研究，尤其是企業(yè)界的 AI Lab，是有差距的，這是第一個(gè)。

但我覺得未來中國慢慢變得越來越好，尤其是 90 后、00 后這一代起來，真的遠(yuǎn)遠(yuǎn)好過之前。我有一次在YOCSEF的一個(gè)會(huì)上說過一句話：我們這一代是最不幸的。為什么呢？你看我們上一代還在呢，我們現(xiàn)在還在繼續(xù)工作，還沒出頭之日。然后很不幸的下一代已經(jīng)出來了，世界已經(jīng)交給下一代了，把我們這一代無縫給跳過了。其實(shí)開玩笑的。

但我覺得最有意思的是，可能未來中國也許的機(jī)會(huì)：

第一，一群聰明人真的敢做特別冒險(xiǎn)的事。我覺得現(xiàn)在是有的，00 后、90 后這一代，包括俊旸、Kimi、順雨，都是愿意而且非常敢冒風(fēng)險(xiǎn)做這樣大冒險(xiǎn)的事。

第二，我覺得確實(shí)環(huán)境要更好一些。無論從國家的環(huán)境，比如大企業(yè)和小企業(yè)之間競爭，創(chuàng)業(yè)企業(yè)之間的問題，包括我們的營商環(huán)境。像剛才俊旸說的，還要做交付。我覺得把環(huán)境 Build 得更好，讓一群聰明人又敢于冒險(xiǎn)的聰明人有更多的時(shí)間去做這種創(chuàng)新的事情。比如讓俊旸這樣的人有更多時(shí)間做創(chuàng)新。這是第二個(gè)，也許是我們政府包括國家可以來幫忙改善的事情。

第三，回到我們每個(gè)人身上，就是能不能堅(jiān)持。我們能不能愿意在一條路上，敢做、敢冒險(xiǎn)，而且環(huán)境也還不錯(cuò)？我覺得環(huán)境肯定不會(huì)是最好的，永遠(yuǎn)不要想著環(huán)境是最好的。如果我覺得我們恰恰可能也是幸運(yùn)吧，我們在經(jīng)歷一個(gè)環(huán)境從也許原來沒那么好慢慢變得更好的一個(gè)時(shí)代。我們是經(jīng)歷者，也許就是這個(gè)財(cái)富收獲最多的人。如果我們笨笨地堅(jiān)持，也許走到最后的就是我們，感謝大家。

結(jié)語

李廣密（主持人）：感謝唐老師。所以我們也很想呼吁，應(yīng)該有更多的資源資金投入到中國的 AGI 行業(yè)。有更多的算力，讓更多的 AI 年輕研究員“搓卡”，可能搓個(gè)三五年，中國也有 3~5 個(gè)自己的 Ilya，對吧？這是我們未來 3-5 年很期待的

非常感謝大家！

更多干貨分享敬請關(guān)注我們的公眾號與視頻號~超多精彩對話內(nèi)容等待您的解鎖！