文章核心观点 文章基于AGI-Next前沿峰会上多位中国AI领域核心人物的讨论，总结出当前中国大模型产业发展的三大核心趋势：单纯依赖扩大模型规模（Scaling）的范式面临效率瓶颈，行业正在寻求下一代范式；Token效率正成为决定大模型能力上限和国内竞争格局的关键因素；中美大模型因市场环境、Lab文化等差异，正走向不同的演进路径[10][11]。 趋势一：Scaling之外，新的范式正在成为新命题 - 行业对单纯依赖扩大算力、数据和参数规模的Scaling路径产生反思，认为其边际收益正在收窄，智能提升的增量持续变小，而成本呈指数级增长，效率已成为瓶颈[7][14] - 清华大学教授唐杰指出，继续Scaling的价值受到质疑，这成为一种“相对偷懒的方式”，核心目标应转向用更少的投入换取更高质量的智能增量[7][14][15] - 行业共识是下一代范式将围绕“自主学习”，但该概念目前仍是一组尚未被充分展开的问题集合，真正的瓶颈在于数据来源和任务定义[16] - 腾讯首席AI科学家姚顺雨观察到，自主学习已以温和方式发生（如ChatGPT拟合人类表达），但受限于预训练能力与通用底座，更大的突破可能要到2026年才会出现迹象[17] - 新范式的挑战不仅在于技术，还在于想象力和验证方法，同时商业化进程可能影响创新基因，这使得新范式在全球范围内都尚未清晰落地[17][18] 趋势二：Token效率愈加成为国内大模型能力的决定性因素 - Token效率已从训练效率问题，上升为直接决定模型智能上限和能走多远的结构性约束[8][20][22] - 月之暗面创始人杨植麟指出，预训练阶段的Token总量是常量，一旦消耗完，模型智能上限即被锁死，因此关键在于每个Token能换来多少有效智能[8][21][22] - 在长上下文（上千至数十万Token）和Agent任务成为主流后，Token的位置损耗显著，其利用效率直接决定了模型处理复杂推理和搜索任务的潜力[22][24] - 月之暗面在过去一年将核心工作集中于提升Token效率，在其K2模型中通过新优化器与架构设计，实现了用一半数据达到相同效果，获得了等价于一次Scaling的收益[23] - Token效率与长上下文能力是需要同时优化的乘积变量，共同构成Agent能力放大的基础，这正在重塑国内大模型的技术路线选择[24][25] 趋势三：中美大模型正在走向不同的演进路径 - 中美大模型的差距并非简单的“能力高低”，而是市场环境、应用场景和Lab文化差异导致的两条分叉演进路径[26][27][29] - 美国市场的大模型发展明显向生产力与企业级场景集中（如Coding与Agent），模型能力直接重塑工作方式并与个体生产力强绑定，因此市场对模型能力的价格容忍度更高，模型被视为可直接定价的“生产资料”[27] - 相比之下，中国企业对成本高度敏感，且toB场景碎片化，需求更侧重于稳定性、可控性与交付效率，而非单点“最强智能”，模型更像是一种被嵌入既有系统的基础能力，难以独立获得高溢价[27][28] - 底层Lab文化存在差异：美国鼓励长期投入高风险、高不确定性的前沿问题研究；而中国的研究环境更强调效率、反馈周期以及与业务目标的紧密对接，更倾向于做“安全的事情”[29] - 这种文化差异导致美国更关注“什么是正确的事情”和自身体验，而中国则相对更看重“刷榜或数字”，最终使得中美大模型的演进路径分化，差距越来越少被理解为“领先或落后”，而是不同现实条件下的不同路线选择[29]