分化、新范式、Agent 與全球 AI 競賽，中國模型主力選手們的 2026 預(yù)測

剛剛過去的 AGI-Next 2026 信息密度極高，也極具 Visionary。

唐杰、楊植麟、林俊旸、姚順雨...... 這場活動聚集了一大半國內(nèi)大模型的核心主力人物。

毫無疑問，華人在 AGI 牌桌上，已經(jīng)是核心玩家了。中國團(tuán)隊(duì)開發(fā)的開源模型，是當(dāng)之無愧的全球 Tier 1。

「海外獨(dú)角獸」對這場活動所有主題發(fā)言、對談討論中的核心觀點(diǎn)進(jìn)行了總結(jié)，得出了 40 條重要判斷。

• 模型分化已經(jīng)是一個顯性趨勢，分化背后的原因很多元，有 To B 和 To C 場景需求差異，是對模型競爭格局慎重思考之后的 bet，也有不同 AI labs 自然而然的戰(zhàn)略選擇；

• To B 領(lǐng)域會出現(xiàn)強(qiáng)模型和弱模型之間的分化，而且會越來越大，模型在 To C 場景的任務(wù)瓶頸往往不是模型不夠大，而是 Context 和 Environment 的缺失；

• 自主學(xué)習(xí)是共識性極強(qiáng)的新范式，是 2026 年幾乎所有人都會投入到這個方向；

• Scaling 仍然會繼續(xù)，是技術(shù)、數(shù)據(jù)與 taste 共進(jìn)的結(jié)果，探索前沿智能不會因潛在風(fēng)險(xiǎn)而停止；

• 模型即 Agent，Agent 即產(chǎn)品；

• 中美 AI 之間算力差異不只是絕對量級上的，還是結(jié)構(gòu)性的，美國的算力不僅比中國多 1-2 個數(shù)量級，更關(guān)鍵的是這其中有相當(dāng)一部分被投入到了下一代關(guān)鍵技術(shù)的探索中。

活動的全文實(shí)錄詳見：

??關(guān)注 Founder Park，最及時(shí)最干貨的創(chuàng)業(yè)分享

超 19000 人的「AI 產(chǎn)品市集」社群！不錯過每一款有價(jià)值的 AI 應(yīng)用。

邀請從業(yè)者、開發(fā)人員和創(chuàng)業(yè)者，飛書掃碼加群：

進(jìn)群后，你有機(jī)會得到：

• 最新、最值得關(guān)注的 AI 新品資訊；
  

• 不定期贈送熱門新品的邀請碼、會員碼；
  

• 最精準(zhǔn)的AI產(chǎn)品曝光渠道

01關(guān)鍵詞：分化

1. 結(jié)合中美兩地的觀察，姚順雨認(rèn)為今天 AI 領(lǐng)域分化有兩個角度，1）To C 和 To B 之間發(fā)生分化，2）「垂直整合」和「模型和應(yīng)用分層」兩條路線之間也開始分化。

2. 對于 To C 來說，大多數(shù)用戶在大多數(shù)時(shí)候并不需要很強(qiáng)的智能，他們對模型智能的提升的體驗(yàn)并不強(qiáng)烈。To C 的瓶頸往往不是模型不夠大，而是 Context 和 Environment 的缺失。

姚順雨舉了一個例子，比如問「今天吃什么」，再強(qiáng)的模型可能也很難給出最準(zhǔn)確的回應(yīng)，這里的瓶頸在它不知道用戶當(dāng)下的感受、所處的天氣環(huán)境等帶來的需求。

3.這個問題的解法在于真正的個性化數(shù)據(jù)，比如相比于盲目追求更強(qiáng)的預(yù)訓(xùn)練模型，在合規(guī)前提下能把微信聊天記錄等 Context 用好，反而能給用戶帶來更大的價(jià)值。

4. To B 邏輯下，用戶（企業(yè)）愿意為「最強(qiáng)模型」付出溢價(jià)，因此，在 To B 市場內(nèi)部，也會出現(xiàn)分化，即強(qiáng)模型與弱模型的分化會越來越明顯。

比如 Opus 4.5 這種能力很強(qiáng)的模型做 10 個任務(wù)能對 8-9 個，而能力較弱的模型只能對 5-6 個，即便后者更便宜，但在不知道「哪 5 個錯了」的情況下企業(yè)還需要花費(fèi)巨大的精力去做監(jiān)控，所以更有動力從一開始就選擇強(qiáng)模型。

5. To C 場景中，模型做 All-in-one 的垂直整合是成立的，模型和產(chǎn)品之間可以非常強(qiáng)耦合去緊密迭代，但 To B（生產(chǎn)力應(yīng)用）因?yàn)樯婕暗胶芏嗌a(chǎn)環(huán)節(jié)，因此給了應(yīng)用公司足夠多的機(jī)會空間圍繞環(huán)境、任務(wù)做優(yōu)化，反向來看，應(yīng)用公司很難自主訓(xùn)模型、同時(shí)任務(wù)交付又依賴于模型預(yù)訓(xùn)練能力的提升，所以就出現(xiàn)了模型公司和應(yīng)用之間的分層。

6.Qwen 林俊旸的觀察是，模型的分化并并非預(yù)設(shè)的 road-map，更多是自然演化的結(jié)果，這種自然演化通常源于跟客戶的高頻交流，比如 Anthropic 做 Finance 就是在與客戶的高頻交流中發(fā)現(xiàn)的機(jī)會。

拾象注：ChatGPT 和 Claud 先后推出的 Healthcare 的垂直解決方案上的差異也完全印證了這兩家公司 to C 和 to B 的基因，前者面向 C 端用戶提供健康數(shù)據(jù)解讀，而 Claud health 走的是鏈接醫(yī)療系統(tǒng)的路線。OpenAI 長期來看會是下一個 Google，而 Claud 很明顯會成為 AI 時(shí)代的微軟。

7.「分化」同樣和模型競爭的 timing 相關(guān)。智譜之所以 bet coding 也是基于 對當(dāng)時(shí)模型競爭格局的判斷，唐杰教授提到在，DeepSeek 出來后，團(tuán)隊(duì)判斷「Chatbot 取代搜索這一仗」已經(jīng)基本結(jié)束，智譜團(tuán)隊(duì)經(jīng)過內(nèi)部討論后，最終選擇押注在 coding 上。

02關(guān)鍵詞：新范式

自主學(xué)習(xí)

8.首先，Scaling 仍然會繼續(xù)，但在 Scaling 的投入上，唐杰教授認(rèn)為需要區(qū)分兩種不同方向。

?Scaling 已知路徑，通過不斷增加數(shù)據(jù)和算力，持續(xù)探索能力上限，但本質(zhì)上也是一種「偷懶」的辦法，

?Scaling 未知路徑，也就是尋找尚未明確的新范式。讓 AI 系統(tǒng)自己來定義獎勵函數(shù)、交互方法、甚至訓(xùn)練任務(wù)來做 Scaling。

拾象注：當(dāng)下 AI 社區(qū)對于新范式還沒有一個統(tǒng)一的概念定義，自主學(xué)習(xí)、 active learning、continual learning 以及 self-learning 等本質(zhì)上都在表達(dá)同一個預(yù)期，即模型自主學(xué)習(xí)能力提升，可以在人類不介入的情況下不斷提升智能。

9. 楊植麟把 Scaling Law 總結(jié)一種把能源轉(zhuǎn)化為智能的視角，它的核心在于高效逼近智能上限。模型承載的是價(jià)值觀與品味，Scaling 是技術(shù)、數(shù)據(jù)與審美的共進(jìn)，探索前沿智能不會因潛在風(fēng)險(xiǎn)而停止。

10. 自主學(xué)習(xí)的目標(biāo)是讓模型具備自反思與自學(xué)習(xí)能力。通過持續(xù)的自我評估與自我批判，模型能夠逐步分辨哪些行為是有效的，哪些路徑還有優(yōu)化空間。

11. 姚順雨認(rèn)為新范式的發(fā)生并不是某個未來的「突變點(diǎn)」，而是一個正在發(fā)生的「漸變」過程，甚至在 2025 年他已經(jīng)看到了一些信號。

比如 Cursor 的 Auto-complete 模型每幾小時(shí)就用最新用戶數(shù)據(jù)學(xué)習(xí)，ChatGPT 利用用戶數(shù)據(jù)擬合聊天風(fēng)格，也是一種自我學(xué)習(xí)，Claude Code 甚至寫了自己項(xiàng)目 95% 的代碼，從某種角度看，AI 已經(jīng)開始有自己幫助自己變好的跡象。

12. 新范式的最大的 bottleneck 其實(shí)是想象力。更具象來說，如果 2027 年宣布實(shí)現(xiàn)了新范式，我們要用什么任務(wù)去證明這個范式已經(jīng)實(shí)現(xiàn)了？是變成一個賺錢的交易系統(tǒng)？還是解決人類未解的科學(xué)問題？也就是說，對于當(dāng)下我們?nèi)ニ伎夹路妒降臅r(shí)候要先能想象到它長什么樣。

13. 林俊旸認(rèn)為從更實(shí)際的角度，RL 的潛力還沒有做到足夠充分，很多潛力還值得被挖掘，對于下一代范式則存在兩個維度，首先是自主學(xué)習(xí)，其次是 AI 具備更強(qiáng)的主動性。今天是人類幫助 AI 啟動，而未來模型可能不再需要人類 Prompt，而是環(huán)境本身就能 Prompt 它。

14. Active learning 會帶來很嚴(yán)重的安全挑戰(zhàn)，風(fēng)險(xiǎn)不在于「講不該講的話」，而在于「做不該做的事」。主動學(xué)習(xí)一定是重要范式，但必須給它注入正確的方向。

15. 自主學(xué)習(xí)能夠體現(xiàn)到 personalization 上，但衡量它是否「變好了」會變得很難。推薦系統(tǒng)可以看點(diǎn)擊率，但當(dāng) AI 覆蓋生活方方面面后，evaluation 指標(biāo)變得極其模糊。

16. 持續(xù)學(xué)習(xí)這個問題中包含了一個時(shí)間概念，也就是模型出于在持續(xù)地不斷地學(xué)的過程當(dāng)中，但如果對于多 Agent 串聯(lián)的長程任務(wù)，一旦 Agent 的能力沒有做到 100%，那么越往后能力往往呈指數(shù)級下降，而在人類的學(xué)習(xí)機(jī)制中，是通過睡眠來「清理噪音」，可能在 AI 也需要探索類似的清噪與新計(jì)算模式。

17. 唐杰教授則提出了「Intelligence Efficiency」的概念，即智能效率，未來的范式不應(yīng)只是單純的 Scaling，而應(yīng)關(guān)注「投入多少資源能獲得多少智能增量」，這才是解決成本瓶頸的關(guān)鍵，而新范式的意義也在于，如何能用更少的范式獲得同樣、甚至更多的智能的提升。

18. 大模型的發(fā)展路徑一直在借鑒人腦認(rèn)知的學(xué)習(xí)過程，逐步進(jìn)入知識壓縮、推理、數(shù)學(xué)、Coding 等抽象演繹等任務(wù)而在 1）多模態(tài)、2）Memory 和 Continual Learning，以及 3）反思與自我認(rèn)知這幾類能力，人類顯著領(lǐng)先于當(dāng)前模型，而這幾個點(diǎn)可能是新的突破方向。

19. 智譜在 2020 年畫過一張參考人類認(rèn)知的 AI 系統(tǒng)結(jié)構(gòu)圖，有三個模塊：系統(tǒng)一、系統(tǒng)二，自學(xué)習(xí)。引入自學(xué)習(xí)主要基于以下幾個原因，對應(yīng)有 3 類 Scaling：

原生多模態(tài)

20. 原生多模態(tài)模型和人的「感統(tǒng)」很相似，人的感統(tǒng)是這邊收集到一些視覺信息，同時(shí)還能收集到聲音、觸覺信息，而大腦會把這些感統(tǒng)信息匯集在一起來感知一個東西，今天的模型感統(tǒng)能力并不充分。

21.多模態(tài)感統(tǒng)是智譜今年的重點(diǎn)方向之一。模型具備這種能力之后，AI 才能在真實(shí)工作環(huán)境中執(zhí)行長鏈路、長時(shí)效任務(wù)，例如在手機(jī)、電腦等設(shè)備上持續(xù)協(xié)作。

22. 多模態(tài)同樣也是 Qwen 接下來持續(xù)要做的事情。林俊旸認(rèn)為如果要想做出一個真正智能的東西，天然應(yīng)該是 Multimodal，但這里也存在一個 debate，即多模態(tài)能不能驅(qū)動智能。

23. 從更第一性地模型提供更多生產(chǎn)力、更好的幫助人類這一角度出發(fā)，做視覺、語音等多模態(tài)能力是自然而然的選擇。

24. 視頻是更廣義的表達(dá)，圖片可以理解為是單幀的視頻，理解很長的視頻是很有意思的一個事情。

03關(guān)鍵詞：Agent

25. Coding 是通往 Agent 的必經(jīng)之路。智譜的實(shí)踐中發(fā)現(xiàn)，GLM-4.5 雖然跑分高，但寫不出「植物大戰(zhàn)僵尸」游戲。通過引入 RLVR 和大量真實(shí)編程環(huán)境訓(xùn)練，GLM-4.7 才解決了這個問題。

26. 模型即產(chǎn)品。Agent 要實(shí)現(xiàn)復(fù)雜任務(wù)對模型的要求是相當(dāng)高，模型就是這是 Agent 本身，Agent 就是產(chǎn)品本身，如果它們都是一體化的話，今天做基礎(chǔ)模型本身，其實(shí)也就是在做產(chǎn)品。

27. 模型 To B 和 To C 的分化同樣體現(xiàn)在 Agent 上：

?To C 產(chǎn)品的指標(biāo)有的時(shí)候和模型智能并不相關(guān)，甚至相反，

?To B 的 Agent 甚至不需要做太多創(chuàng)新，模型智能提升、解決真實(shí)世界任務(wù)的能力提高、創(chuàng)造更多的價(jià)值。

28. 生產(chǎn)力場景的 Agent 才剛開始，除了模型進(jìn)步之外之外，環(huán)境和 deployment 同樣重要，是 Agnet 創(chuàng)造價(jià)值的關(guān)鍵：即使今天模型不再變好，只要把現(xiàn)有模型部署到各公司，也能帶來 10 倍甚至 100 倍的收益，但今天 AI 對 GDP 的影響還遠(yuǎn)不到 1%。

29. 教育非常重要。現(xiàn)在人和人的差距在拉大，并不是說 AI 要替代人的工作，而是說會使用這些工具的人，在替代那些不會使用工具的人。

30. Qwen 林俊旸認(rèn)為未來的 Agent 將變成 「托管式」。用戶不再需要像現(xiàn)在這樣頻繁地一來一回交互，而是設(shè)定一個通用目標(biāo)，Agent 就會在后臺長時(shí)間獨(dú)立運(yùn)行，直到完成任務(wù)。

31. Agent 要做到這一點(diǎn)同樣也離不開前面跟提到的 Self-evolution 以及 Active Learning，因?yàn)檫@件事對模型的要求其實(shí)相當(dāng)高，在這個邏輯下，我們可以說「模型即 Agent，Agent 即產(chǎn)品」。

32. 做通用 Agent 過程中長尾任務(wù)反而是更值得關(guān)注，對于用戶來說感受到 AI 的價(jià)值與魅力也是因?yàn)槟硞€長尾任務(wù)被得到解決。今天的所謂 AGI 本質(zhì)上也在解決長尾的問題。

33. 做通用的 Agent 是個見仁見智的問題。如果對于自己是一個「套殼高手」足夠有自信就可以做，但作為 wrapper 并沒有比模型公司做得更好的信息，那么通用 agent 就是「模型即產(chǎn)品」的機(jī)會，因?yàn)閷τ谀Ｐ凸緛碚f，很多工程問題也許只是「燒一燒卡」就可解決的。

34. 楊強(qiáng)教授將 Agent 的發(fā)展劃分為四個象限，從兩個維度來看：

?目標(biāo)定義：是由人為定義的還是自動定義；

?任務(wù)規(guī)劃：即中間的 Action，是由人來定義，還是 AI 自動定義。

今天我們還處于一個很初級的狀態(tài)：即目標(biāo)由人定義，規(guī)劃也由人做，但未來會出現(xiàn)一個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 Native 的系統(tǒng)。

35. 決定 Agent 未來的走勢的幾個重要問題：

?Agent 是否能真正解決人類任務(wù)？這個事情能夠創(chuàng)造價(jià)值嗎？價(jià)值有多大？

?Agent Cost 有多大？一方面如果 Cost 特別大，那也是一個問題。另一方面，如果調(diào)用一個 API 就能解決，那么模型廠商意識到這件事價(jià)值很大的時(shí)候，就會自然而然把它做進(jìn)去。這是基座模型和應(yīng)用之間永遠(yuǎn)的矛盾。

?應(yīng)用公司的迭代速度。如果 Agent 團(tuán)隊(duì)有能力拉開半年時(shí)間窗口通過 Agent 應(yīng)用滿足用戶需求，就有機(jī)會持續(xù)往前走。

04關(guān)鍵詞：全球 AI 競賽

36. 對于中國 AI 在 3-5 年內(nèi)進(jìn)入全球第一梯隊(duì)這件事，姚順雨的態(tài)度很樂觀。因?yàn)閺闹圃鞓I(yè)、電動車領(lǐng)域的經(jīng)歷來看，中國最大的優(yōu)勢在于一旦證明某件事可行，就有能力以極高的效率復(fù)現(xiàn)、甚至做到局部更好。

37. 但長期視角中更核心的問題在于「敢突破新范式、敢冒險(xiǎn)的人不夠多」這樣的文化差異，此外，還需要面對的兩個現(xiàn)實(shí)瓶頸：

?算力瓶頸： 和美國相比，電力能源側(cè)不太會成為中國的算力瓶頸，更核心的還是在于光刻機(jī)是否有突破；

?是否能誕生更成熟的 To B 市場，更進(jìn)一步在國際市場上做競爭。過分看重刷榜數(shù)字并不是健康可持續(xù)的，應(yīng)像 Anthropic 或 DeepSeek 那樣更關(guān)注「正確的事」和用戶體驗(yàn)。

38. 林俊旸則相對冷靜，認(rèn)為最樂觀的情況中國 AI 超過美國的概率為 20%。中美 AI 之間算力差異不只是絕對量級上的，還是結(jié)構(gòu)性的：美國算力比中國大 1-2 個數(shù)量級，但最關(guān)鍵的差異在于，他們的算力有相當(dāng)一部分投入到了 下一代的研究中，而中國今天還在解決任務(wù)交付爆發(fā)帶來的算力瓶頸。

39. 但從歷史經(jīng)驗(yàn)來看，「窮則生變」，作為「算力窮人」，中國團(tuán)隊(duì)更有緊迫感和動力去思考算法與 Infra 的聯(lián)合優(yōu)化，而這個出發(fā)點(diǎn)是可以倒逼創(chuàng)新發(fā)生。

40. 面對光刻機(jī)的現(xiàn)實(shí)瓶頸，是否有可能我們在下一代的模型結(jié)構(gòu)和芯片上就可以從軟硬結(jié)合的角度 End-to-End 地實(shí)現(xiàn)。

轉(zhuǎn)載原創(chuàng)文章請?zhí)砑游⑿牛篺ounderparker