行业竞争阶段与范式演进 - 大模型竞争已从“Chat”阶段转向“Agent”阶段，重心从榜单分数位移至真实环境的复杂任务执行[2] - 行业预判2026年为商业价值落地元年，技术路径正向可验证强化学习演进[2] - AI的核心价值正从“提供信息”转向“交付生产力”[4] - Agent的瓶颈在于环境反馈，未来训练范式将从人工标注转向可验证强化学习[5] - 高质量数据即将枯竭，未来竞争是“能源转化效率”的竞赛，需通过二阶优化器和线性架构实现更高的Token效率[5] 中美竞争格局与反超概率 - 行业领军者对中国在引领新范式上反超的胜率评估为不超过20%[2][5][6] - 中国在旧范式上的反超胜率很高，但在引领新范式上的胜率较低[5] - 中美在算力投入结构上存在本质差距：美国算力可能比中国大1-2个数量级，且大量投向“下一代研究”，而中国算力更多被交付与产品化占据[11] - 反超机会窗口在于：当Scaling Law遭遇边际效应递减，全球进入“智能效率”竞赛时，中国的节俭式创新可能突围；以及2026年前后可能出现由学术驱动的范式转向[5] 中国AI发展的关键约束与挑战 - 面临三道关键门槛：算力瓶颈、toB市场与国际商业环境、文化与组织的冒险程度[10] - 中国最缺的是对不确定性的容忍度，真正的反超取决于是否敢于将资源投向可能失败但能定义未来的新范式，而非仅在旧赛道刷榜[5][9] - toB市场面临挑战，国内付费文化与企业侧采用速度会影响“把技术变成现金流”的能力[10] - 在toC应用形态上可能做到极致，但toB需要发展自己的“协作与落地体系”来弥合AI与企业流程之间的gap[22][24] 技术路径与架构创新 - 可验证强化学习的难点在于可验证场景正在逐渐耗尽，需扩展到半自动甚至不可验证的任务空间[40] - 线性注意力架构是重要方向，例如kimi Linear架构能在长程任务上比全注意力机制效果更好，且端到端速度有6到10倍优势[116] - 使用二阶优化器可实现约2倍的Token效率提升，相当于用50%的数据达到一样的Test Loss，或用一样的数据获得更低的Loss[110][112] - 未来模型需解决在强化Agent能力的同时避免损害通用能力的问题[62] - 原生多模态、记忆与持续学习、反思与自我认知能力是未来的关键突破方向[68][70][73] 公司实践与进展 - 智谱AI通过构建真实编程环境作为强化学习反馈源，结合SFT数据进行双向优化，提升了模型在真实交互中的稳定性[49] - 智谱AI开发了全异步强化学习训练框架，使不同任务能够并行运行、动态收敛，并已完成开源[51] - Kimi的K2模型是中国第一个Agent模型，可完成两三百步的工具调用，在HLE基准上达到45%的准确率，比OpenAI更高[114] - 通义千问在2025年致力于打造通用智能体，其Qwen3-Max模型在SWE-bench上达到70分，总体能力排在前五[149][152] - 通义千问的多模态模型在语言智力上已能与235B的语言模型持平，解决了多模态模型通常“变笨”的问题[153][160] 市场分化与未来方向 - 市场出现明显分化：toC和toB路径不同，垂直整合与模型应用分层路径也不同[179] - 对于toC，大部分用户不需要用到极强的智能，体验类似搜索引擎加强版；对于toB，智能越高代表生产力越高，价值越大[182][184] - 在toB市场，用户愿意为最强模型支付高溢价，导致强的模型和稍弱的模型分化越来越明显[185][186] - 未来AI将走向数字智能体和具身智能体，操作GUI与API，并可能进入物理世界[171] - 2026年的重点方向包括：继续Scaling已知与未知路径、推进全新模型架构解决超长上下文与高效知识压缩、发展多模态感统能力、以及AI for Science的突破[98][99][100][101]