文章核心观点 - 多位中国顶尖AI公司创始人、技术负责人及院士在AGI-Next前沿峰会上，就AGI发展路径、模型扩展极限、智能体落地及中国AI的长期机会等议题展开深度交流，核心共识在于大模型发展正从“对话”范式转向“做事”范式，智能体是明确的前进方向，同时需在模型架构、训练范式及多模态等基础能力上寻求突破 [3][4][19][20] 行业技术发展路径与范式转变 - 从Chat到Agent的范式转变：以DeepSeek的出现为标志，纯粹的“对话”范式竞争基本结束，行业焦点转向让AI完成具体任务的智能体范式 [4][19][20] - Scaling Law的持续与反思：模型扩展仍是提升智能的有效路径，但可能是一种“偷懒”方式，未来探索方向是让模型具备自主扩展能力，并需结合技术、数据与审美共同演进 [4][42][50] - 能力演进轨迹：大模型能力从2020年前后的简单问答，发展到2021-2022年的数学计算与基础推理，再到2023-2024年可处理研究生层级问题与真实世界编程任务，智能水平持续快速提升 [9][11] - 强化学习与可验证环境：RLVR通过引入可验证环境使模型能自主探索并获得反馈，是重要进展，但当前挑战在于可验证场景逐渐耗尽，需向半自动或不可验证任务空间拓展 [17] 模型能力进展与挑战 - 代码能力飞跃：模型从2021年写十个程序才能跑通一个，发展到如今在复杂任务中可一次性跑通，能实质性地辅助高级工程师 [18] - 核心评测表现：在HLE等极高难度智能评测基准上取得进展，例如有模型在HLE上达到45%的准确率，超过OpenAI [17][63] - 能力整合与回灌挑战：在SWE-bench等真实世界评测中取得好成绩，但如何将专项能力可靠地整合回主模型，避免用户真实体验与Benchmark成绩脱节，仍是巨大挑战 [24] - 通用能力与专用能力的平衡：在较小规模模型上引入大量Agent数据能显著增强Agent能力，但会导致部分通用语言和推理能力下降，未来需解决在强化Agent能力的同时避免损害通用能力的问题 [27] 智能体发展的关键问题与探索 - 智能体任务复杂度：基础能力是编程，但任务可延伸至几十步、上百步的完全异步超长链路任务，这带来了全新的技术挑战 [25] - 环境交互的混合方案：在现实环境中，需采用API调用与模拟GUI操作相结合的混合方案，以采集数据并训练模型适应能力 [26] - 训练风险与校正：在数据不足的冷启动场景下，强化学习易陷入局部最优，需在训练中周期性插入SFT进行方向校正和多样性恢复 [27] - 开源生态影响力：中国在开源大模型领域影响力显著，在Artificial Analysis榜单前五名中，蓝色模型几乎全部来自中国 [28] 未来AGI的突破方向与思考 - 三大关键突破方向：1) 建立类似人类感统机制的原生多模态能力；2) 构建从个体到文明级的记忆与持续学习框架；3) 发展更深层次的反思与自我认知能力 [33][34][35] - 参考人类认知的三类Scaling：1) Scaling数据与模型规模以提升智能上限；2) Scaling推理，用更多计算与搜索找更优解；3) Scaling自学习环境，让模型从与外界交互中获得反馈 [40][41] - 模型架构创新需求：Transformer的O(N²)计算复杂度制约长上下文效率，需探索线性复杂度等新型模型架构，以实现更高效的知识压缩与承载 [42][64] - 自主学习的多层定义：从实现F-X到X映射的自监督多任务学习，到引入数据学会推理，再到具备自反思与自学习能力，最终可能发展出自我认知乃至意识 [44][45][46][47] 主要公司的技术实践与战略 - 智谱AI：发展路径聚焦强化模型的Thinking能力并结合Coding与Agent场景，通过整合Coding、Agentic和Reasoning能力，并利用RLVR在可验证环境中优化，使模型在真实编程任务中稳定性提升 [21][22][23] - 月之暗面：技术核心围绕提升Token效率与长上下文能力，采用Muon二阶优化器使Token效率提升2倍，并研发kimi Linear线性注意力架构，在长程任务效果上超越全注意力机制且速度更快 [54][55][64][66] - 阿里千问：致力于打造通用智能体，在2025年重点提升模型的Reasoning能力、长上下文支持及多模态能力，其VL模型在保持语言智力不下降的同时，图像生成质量接近真人，并积极布局语音交互与编辑功能 [73][80][83][89][95][96] - 腾讯：观察到toC与toB市场明显分化，以及垂直整合与模型应用分层两种模式的分化，认为在toB场景，最强的模型与稍弱的模型价值分化会越来越明显 [110][111] 市场分化与行业生态观察 - toC与toB市场分化：toC应用类似搜索引擎加强版，用户对智能提升感知不强；toB场景中，智能直接等同于生产力，用户愿意为最强模型支付高溢价，市场分化明显 [110] - 垂直整合与分层模式分化：在toC场景，模型与产品强耦合的垂直整合模式成立；但在toB生产力场景，强大的基座模型与多样化的应用层产品开始分层，专业化趋势显现 [111][112] - 中美市场差异：美国市场Coding消耗量巨大，而中国市场相对较小，显示两地市场机会与认知存在差异 [114] - 学术界与工业界的角色：工业界在前沿狂奔，学术界需在模型进入稳态后跟上，研究如智能上限、资源分配、幻觉与资源的平衡等理论问题，孕育新的计算模式 [115][116][117]