文章核心观点 - 行业专家在AGI-Next前沿峰会上讨论了通用人工智能（AGI）的发展趋势，共识是AI正从对话（Chat）范式转向执行任务的智能体（Agent），多模态与效率提升是未来重点，同时探讨了中国在AI领域追赶美国的机遇与挑战 [3][5][15] 市场与商业模式分化 - To B与To C市场出现明显分化：To C场景对超高智能需求有限，更多是增强版搜索，而To B场景中智能直接对应生产力提升，企业愿意为最强模型支付高溢价（例如200美元/月 vs 50或20美元/月） [11][18][19] - 商业模式出现分化：在To C场景，垂直整合（模型即产品）成立，如ChatGPT和豆包；而在To B场景，模型层与应用层倾向于分层，因为将强大模型部署到不同生产力环节需要不同的能力 [11][20] - To B的Agent价值明确，处于上升曲线，模型越智能带来的收益越高，其发展受限于环境部署与用户教育，而非模型本身的创新 [11][26] 技术发展趋势与挑战 - 大模型技术从参数规模竞赛转向注重“智能效率”提升，需通过算法创新降低对算力的过度依赖，解决数据规模膨胀与收益递减问题 [5] - 多模态融合是关键技术方向，当前模型在统一感知视觉、声音等多源信息方面存在短板，需借鉴人类感觉统合机制实现原生多模态能力 [5][9] - 强化学习与Agent技术是重点，需提升AI的主动性并与环境深度交互，但需同步解决安全风险 [5][9][14] - Scaling Law（规模定律）仍是基石，但需优化Token效率与长上下文处理，例如通过Muon优化器实现2倍Token效率提升，或采用线性注意力机制处理超长任务 [8][9] 自主学习（Self-Learning）的现状与展望 - 自主学习已成为热点，但定义模糊，目前多是特定场景下的优化（如代码优化、聊天个性化），缺乏突破性的、通用的任务范式 [11][23] - 自主学习的信号在2025年已出现，例如Cursor每几小时利用最新用户数据学习，但受限于模型效果和想象力，尚未展现出“石破天惊”的威力 [11][25] - 实现范式突破需要想象并定义出具有里程碑意义的任务，例如能赚钱的交易系统或解决重大科学问题的系统 [11][25] 中国AI发展的机遇与挑战 - 中国在AI领域反超美国的概率较高，优势在于强大的工程实现与产业化能力，一旦技术路径被证明，能够快速复现并在局部做得更好 [28][29] - 面临的主要挑战包括：算力瓶颈（如光刻机等产能与软件生态）、To B市场成熟度与国际化商业环境、以及需要培育更多敢于冒险、进行前沿范式突破的文化 [28][29][30] - 国内研究文化更倾向于做已被证明的、确定性高的事情（如预训练），对于探索性方向（如长期记忆）的投入和耐心相对不足，同时存在“刷榜思维”，需要更关注实际体验与正确方向 [30][31] 产业应用与部署瓶颈 - 即使模型性能停止进步，将现有模型充分部署到各行业也能带来巨大价值，预计能产生相当于当前10倍或100倍的收益，对全球GDP的影响可从目前的不足1%提升至5%-10% [1][27] - 当前AI对GDP的实际影响仍低于1%，部署（Deployment）和环境适配是主要的瓶颈 [1][27] - 教育普及是关键瓶颈之一，会使用AI工具的人与不会使用的人之间差距巨大，普及工具使用教育是当前中国能做的有最大意义的事情之一 [1][16][27]