文章核心观点 - 多位中国顶尖AI科学家与专家在AGI-Next前沿峰会上，围绕AI新范式、Agent、中国大模型公司的挑战与机会等话题展开讨论，分享了各自对技术演进、市场格局和未来趋势的深度见解 [1] 市场格局与商业模式 - 中美大模型市场均呈现明显分化，To C与To B市场底层逻辑截然不同 [5] - 在To C市场，大部分用户大部分时间不需要极强的智能，当前模型更像是“搜索引擎的加强版”，厂商倾向于走“垂直整合”路线，即模型层与应用层紧密耦合、快速迭代 [5] - 在To B市场，智能越高代表生产力越高，溢价空间越大，企业级市场对模型能力的付费意愿呈现极端的头部效应，市场愿意为顶级模型支付200美元/月的订阅费用，而对次级模型（50美元或20美元/月）兴趣寥寥 [5] - 在编程等高频严肃生产力场景中，较弱模型产生的错误需要人工耗费大量精力排查监控，其隐性成本远超模型差价，因此To B市场正走向分化，强模型和较弱模型的差距将更加明显 [5] - 鉴于国内企业软件市场付费意愿较弱的现实，大型科技公司应利用自身庞大的内部场景进行验证，一家拥有10万员工的大厂本身就是巨大的实验场 [6] 技术演进与核心竞争力 - 月之暗面（Kimi）2025年的两个技术进化主线是提升“Token Efficiency”，以在有限数据下冲击更高的智能上限，以及扩展“长上下文”能力，以满足Agentic时代对模型记忆能力的需求 [1] - 单纯的模型参数竞赛已不是C端产品的全部，未来的核心竞争力在于对“语境”（Context）的捕捉，例如用户实时状态、位置、历史偏好甚至社交关系等“额外的Context” [6] - 下一代AI范式的发展方向包括AI的自主进化与AI的主动性提升，但主动性提升潜藏严峻安全风险，担忧AI可能主动实施危险行为 [8][9] - 对于2026年Memory技术能否实现突破性跨越，有观点认为技术本质上呈线性发展，目前Memory技术仅能让AI记住过往信息，却无法像人类一样深度理解运用，可能还需一年左右发展，当算法与基础设施实现更好融合，或许能达到“临界点” [9] - 大模型发展面临效率瓶颈，数据规模从2025年初的10TB增长至当前30TB，未来可能扩展到100TB，但规模扩张带来的收益与高昂计算成本不成正比，盲目投入10亿、20亿资金可能仅获微薄回报 [10] - 未来需明确“智能效率”（Intelligence efficiency）的核心地位，即在更少投入下实现更大的智能增量，这种对效率的追求将倒逼新范式诞生 [10] 自主学习与新范式展望 - 关于自主学习，有观点认为2025年就已出现相关信号，部分团队正采用最新用户数据进行实时学习，但尝试尚未带来石破天惊的效果，核心原因在于其缺乏预训练能力，模型表现暂时不及OpenAI等头部产品 [7] - 自主学习发展面临的最大问题并非技术本身，而是“想象力”的缺失，对于自主学习真正实现时该呈现怎样的具体任务与效果，尚未形成清晰认知 [7] - 当被问及2027年哪家公司最有可能实现新范式创新时，有观点认为OpenAI的概率更大，尽管商业化等因素已在一定程度上削弱了其创新基因，但综合来看依然是全球范围内最有可能诞生新范式的企业 [7] - 对2026年AI范式革新充满信心，认为持续学习、Memory、多模态等方向均有望诞生新范式 [10] - 新范式出现的核心驱动力源于两大趋势：一是学术界与工业界的创新差距显著缩小，从2023-2024年算力卡差距高达万倍，到2025年底至2026年初差距缩小至约10倍，学术界已孵化出创新种子；二是大模型发展面临效率瓶颈 [10] AI Agent（智能体）发展 - AI Agent发展走向被视为2026年AI产业的关键变化 [12] - Agent的发展阶段可分为四阶段演进：从目标和规划均由人类定义，过渡到AI自动定义，当前的Agent系统仍处于初级阶段，大部分依赖人工设定目标和规划 [13] - 通用Agent的核心能力在于解决长尾问题，今天AGI的价值恰恰在于能解决用户“到处找不到答案”的难题 [13] - 对于Agent领域创业者与大模型公司的竞争问题，如果创业者“善于套壳”，在产品化上能做得比模型公司更好，仍有创业机会；模型公司的优势在于践行模型即产品原则，遇到问题时可以通过重训模型、消耗算力从底层解决 [14] - Agent商业化落地的现实挑战依存在，决定Agent的三个核心要素是：价值、成本（Cost）与速度，需要解决真正有价值的人类事务，并且成本不能过高 [14]