每經(jīng)記者｜可楊    每經(jīng)編輯｜陳星    

2026年，大模型發(fā)展的未來路徑已經(jīng)顯露出明顯分化。

硅谷頭部公司不再試圖覆蓋所有方向，而是分別押注Agent（智能體）等能力。中國市場同樣如此，一邊是開源模型在全球舞臺上快速崛起，一邊則是不同團隊圍繞To C（面向消費者端）、To B（面向企業(yè)端）、Agent等路徑展開差異化探索。

與此同時，有關(guān)大模型下一代范式的討論正在升溫。在預(yù)訓(xùn)練與強化學(xué)習(xí)逐漸成為共識之后，自主學(xué)習(xí)、自主進化以及更高自主性的Agent，被視為可能打開新一輪技術(shù)躍遷的方向。但這些設(shè)想仍面臨諸多未解問題：智能提升效率如何衡量？長期推理與現(xiàn)實世界反饋如何閉環(huán)？安全與控制邊界又該如何設(shè)定？

1月10日下午，在由清華大學(xué)基礎(chǔ)模型北京市重點實驗室發(fā)起的AGI-Next前沿峰會上，智譜創(chuàng)始人唐杰，騰訊“CEO/總裁辦公室”首席AI（人工智能）科學(xué)家姚順雨，月之暗面（Kimi）創(chuàng)始人、CEO（首席執(zhí)行官）楊植麟，Qwen技術(shù)負責(zé)人林俊旸以及加拿大皇家學(xué)院院士、香港科技大學(xué)榮休教授楊強等來自產(chǎn)業(yè)與學(xué)術(shù)界的多位核心參與者給出了各自的判斷。

《每日經(jīng)濟新聞》記者注意到，有意思的是，唐杰是清華大學(xué)教授，姚順雨和楊植麟都畢業(yè)于清華大學(xué)。

當(dāng)分化成為常態(tài)，當(dāng)Agent開始承載真實經(jīng)濟價值，中國的大模型公司是否有機會在未來三到五年內(nèi)，從快速跟隨者轉(zhuǎn)變?yōu)槿蚍妒降亩x者？ 

圓桌對話現(xiàn)場，左上為線上參會的姚順雨 圖片來源：主辦方

分化進行時：替代搜索之后，下一個目標(biāo)是編碼

在這場圍繞大模型未來的討論中，分化成為最先被拋出的關(guān)鍵詞。

圓桌對話主持人、拾象科技CEO李廣密提到，過去一年，無論是硅谷還是中國，大模型公司在技術(shù)路徑、產(chǎn)品形態(tài)和目標(biāo)市場上出現(xiàn)了清晰分流。

姚順雨的判斷是，大模型的分化正在沿著兩條主線展開。

一條是面向消費端與面向企業(yè)端的分化。在他看來，過去一年普通用戶對 ChatGPT 升級迭代的感受已經(jīng)不再強烈?！敖裉煊肅hatGPT，和去年相比，（使用）感受差別不是太大。但是相反，Coding（編碼）夸張一點來講，已經(jīng)在改寫整個計算機行業(yè)做事的方式，人已經(jīng)不再寫代碼，而是用英語和電腦去交流?！?/p>

姚順雨認為，這種差異直接導(dǎo)致了兩種市場對模型能力的需求出現(xiàn)根本不同。

消費端（C端）大部分用戶在大部分時間并不需要特別強的智能。模型在技術(shù)層面的提升往往難以被日常感知，更多時候，它被當(dāng)作搜索引擎的加強版來使用，甚至很多用戶并不清楚如何真正激發(fā)模型的智能。

而在企業(yè)端（B端）場景中，情況則恰恰相反。智能水平與生產(chǎn)力幾乎線性相關(guān)，“對于B端來說，很明顯的一點是智能水平越高，代表生產(chǎn)力水平越高，價值含量也越大，這些東西都是相關(guān)的?！币樣暾J為，在這一市場中，強模型與次強模型之間的差距會被不斷放大。從價格的角度看，即便最強模型的訂閱費用顯著更高，許多用戶依然愿意為之支付溢價，因為在復(fù)雜任務(wù)中，智能提升帶來的效率提升更明顯。

另一條分化路徑，則出現(xiàn)在垂直整合與模型應(yīng)用分層之間。

姚順雨表示，過去垂直整合常被認為是最優(yōu)解，模型和應(yīng)用緊密耦合，端到端優(yōu)化。但現(xiàn)實正在變得更復(fù)雜。在面向消費端的場景中，這種路徑依然成立，ChatGPT、豆包等產(chǎn)品，都是模型與產(chǎn)品強耦合緊密迭代的結(jié)果。而在面向企業(yè)端的場景中，趨勢卻恰恰相反，模型能力不斷增強，與此同時，同樣有優(yōu)秀的應(yīng)用層產(chǎn)品在不同的生產(chǎn)力環(huán)節(jié)釋放價值。

不過，林俊旸從另一角度補充了這種自然走向分化的合理性。他認為，無論是面向企業(yè)端還是消費端，最終服務(wù)的都是真實問題，分化很大程度上源于其所接觸的用戶與場景本身。很多機會是在頻繁和客戶交流中自然顯現(xiàn)出來的，“大家的分化是自然的分化，我更愿意相信AGI（通用人工智能），做AGI該做的事情，順其自然?！?/p>

唐杰的觀察則更為現(xiàn)實：單純做一個“Chat產(chǎn)品”并不真正解決問題。他表示，自己對于模型競爭的第一個判斷是替代搜索，而這場戰(zhàn)役隨著DeepSeek的出現(xiàn)而結(jié)束。其后，真正的問題變成了AI要做的下一件事情是什么？“我們團隊爭論了很多個晚上，最后，我們把所有的精力放在了Coding上?！?/p>

從學(xué)術(shù)界的角度，楊強則把分化理解為工業(yè)界與學(xué)術(shù)界之間關(guān)系的變化?！耙恢币詠?，學(xué)術(shù)界是觀望者，工業(yè)界在領(lǐng)頭往前跑，搞得很多學(xué)術(shù)界的人也在做工業(yè)界的事，這是一個好事?！睏顝娬J為，隨著眾多性能穩(wěn)定的大模型出現(xiàn)，一個新的階段正在到來，學(xué)術(shù)界應(yīng)該跟上，去解決工業(yè)界沒來得及解決的一些問題，例如智能上限、資源分配、推理與記憶平衡的基礎(chǔ)性問題。

技術(shù)發(fā)展的下一步：AI將會自主學(xué)習(xí)

如果說分化回答的是各家往哪走，那么第二個核心問題則指向技術(shù)的下一步。

在李廣密看來，過去三年，預(yù)訓(xùn)練充分發(fā)展、強化學(xué)習(xí)成為共識，行業(yè)正等待新的學(xué)習(xí)范式出現(xiàn)。

姚順雨從自主學(xué)習(xí)角度展開。他認為，自主學(xué)習(xí)并不是單一方法論，而是數(shù)據(jù)或者任務(wù)。聊天中的個性化、對不同企業(yè)代碼的熟悉、像博士一樣探索未知科學(xué)領(lǐng)域，都是不同形態(tài)的自主學(xué)習(xí)，其技術(shù)挑戰(zhàn)或方法論并不相同。

姚順雨認為，自主學(xué)習(xí)能力已經(jīng)是正在發(fā)生的事。ChatGPT 不斷利用用戶數(shù)據(jù)調(diào)整聊天風(fēng)格；Claude用自身生成的代碼自我完善，這些都可以被視為自主學(xué)習(xí)形態(tài)?！斑@些自主學(xué)習(xí)的例子可能還局限在每一個特定的場景下，沒有讓人感覺到非常大的威力。這個事情已經(jīng)在發(fā)生了，可能效率等受限制，它更像是一個漸變，不是突變。”

在他看來，真正的問題不在于技術(shù)，而在想象力，如果有人宣布某個新的模型或系統(tǒng)實現(xiàn)了自我學(xué)習(xí)，人們應(yīng)當(dāng)通過什么樣的任務(wù)、什么樣的效果呈現(xiàn)，來確認這一點？“它可以賺很多錢、真的解決了人類之前沒法解決的科學(xué)問題還是別的？我覺得可能需要先想象它長什么樣?！?/p>

林俊旸認同自主學(xué)習(xí)可能是下一個范式，但仍在早期階段，強化學(xué)習(xí)本身仍有很多潛力尚未被充分釋放。圍繞自主學(xué)習(xí)，他認為，AI一定需要自主進化，但并不一定意味著參數(shù)更新。關(guān)鍵問題在于模型是否能在長期任務(wù)中保持能力不退化，同時具備更強的主動性。

但這也引出了新的風(fēng)險維度?！拔曳浅?dān)心安全的問題，不是擔(dān)心它今天說一些不該說的話，最擔(dān)心的是它做一些不該做的事情?！绷挚D認為，在使模型具備主動行動能力的同時，也要為其注入正確的方向。

楊強提出了另一種可能路徑：隨著模型能力持續(xù)增強，通用大模型與本地專用小模型的協(xié)作變得越來越可能，尤其在醫(yī)療、金融等領(lǐng)域。

唐杰對2026年會出現(xiàn)范式革新很有信心。

唐杰認為，一方面，學(xué)術(shù)界正在獲得算力與實驗條件，工業(yè)界與學(xué)術(shù)界之間的差距正在縮小，“可能還有10倍差，但它已經(jīng)孵化出種子，學(xué)術(shù)界有這個創(chuàng)新的基因?！?/p>

另一方面，大模型領(lǐng)域已經(jīng)進入高投入、低效率的階段。繼續(xù)堅持高參數(shù)訓(xùn)練雖然仍有收益，但收益已經(jīng)很小。在這種背景下，唐杰認為，智能效率即如何用更少投入換取更大智能增量，正是范式創(chuàng)新最可能發(fā)生的地方。

不過楊植麟認為，下一階段，Scaling（擴展）仍然是重點。但新的變化是，Scaling不僅僅意味著堆算力，而是在架構(gòu)、優(yōu)化器、數(shù)據(jù)層面做技術(shù)改進，接下來的重點是讓模型擁有更好的“Taste”（品味）。在他看來，智能與電力、貨幣等可等價交換的資源完全不同，“在智能的維度，有非常多Taste的空間，空間是指數(shù)增加的，而不是模型趨同?！?/p>

Agent、長期任務(wù)與中國團隊的可能性

隨著模型推理能力增強，Agent已經(jīng)不再只是聊天工具，開始具備在后臺持續(xù)工作、完成復(fù)雜任務(wù)流的能力。

姚順雨認為，Agent在面向企業(yè)端場景中的增長曲線仍未減緩，其核心邏輯并未改變：模型的智能水平越高，解決的任務(wù)越多，在To B下帶來的收益就會越大。即便模型能力停止提升，僅僅將現(xiàn)有模型部署到各個企業(yè)中，也足以帶來數(shù)量級的生產(chǎn)力提升。

林俊旸則更傾向于模型即產(chǎn)品的判斷。在他看來，未來的Agent應(yīng)該能夠在任務(wù)中自主學(xué)習(xí)、自主進化、自主決策。從這個角度看，對模型能力上限的提升，本身就是在做產(chǎn)品。

從更長期的視角，林俊旸認為，Agent未來需要能夠與物理世界交互，比如參與實驗、制造和科學(xué)探索，才可能釋放出真正的工作能力?！敖酉聛?~5年，這個事情會更加有意思一些，這可能又要跟具身智能結(jié)合在一起?！绷挚D表示，長尾問題才是AI的魅力所在，當(dāng)模型能夠解決全世界都找不到答案的問題時，用戶才會真正感知到AI的能力。

唐杰則認為，Agent本身有沒有為人類解決有價值的事情、做這件事情成本有多高以及做應(yīng)用的速度有多快，決定了Agent未來的走勢。“大模型到現(xiàn)在更多的是在拼速度、拼時間，也許我們代碼正確了，我們就會在這方面走得更遠一點，但也許失敗以后半年就沒了。”

在討論的最后，話題回到一個更宏觀的問題：未來三到五年，中國團隊成為全球最領(lǐng)先 AI公司的概率有多大？

姚順雨的態(tài)度偏樂觀。他認為，中國在工程復(fù)現(xiàn)、規(guī)?；涞厣系哪芰σ呀?jīng)多次被驗證，真正的關(guān)鍵變量集中在算力瓶頸以及To B市場成熟度上。