文章核心观点 - 大模型行业正从单纯追求模型规模扩展(Scaling up)转向追求系统效率、长期记忆与状态管理等可持续能力，竞争焦点从模型性能转向系统架构和工程化落地能力[2][8][17] - 智能体(Agent)是下一阶段核心主赛道，但现有模型的推理稳定性与可持续性不足，真正自主的智能体需要模型在推理过程可控、状态保持及系统协同三方面优化，竞争关键在于围绕模型构建的记忆、推理和系统架构能力[2][14][15] - 大模型公司正在演变为系统公司，核心竞争力在于构建具备长期记忆与状态管理能力的智能基础设施，而非单一的模型产品[2][17] - 若2026年各家模型能力无法形成代际差异，价格战将愈演愈烈，模型厂商需通过提供记忆增值服务、MCP增值服务等超越纯Token售卖的增值服务来获取溢价[2][16] 2025年行业现状与公司表现 - 2025年涌现出如MiniMax和智谱等冲击港股上市的“赛点公司”，以及Mannus等现象级Agentic产品，展示了商业化价值和场景可行性，但上市招股书也揭示了大模型公司普遍面临的投产比低、亏损严重等问题[4] - 科技公司面临技术节奏加快与商业回报不确定性放大的多层叠加压力，需同时应对持续投入算力与成本现金流约束，包括POC项目需评估收益[5] - 行业应对压力更趋理性，更强调系统效率、真实使用场景和可持续技术积累，而非单纯追逐参数规模或热点概念[5] - 员工整体状态“压力不小，但方向更清楚”，行业正从早期红利阶段走向拼工程、拼长期价值的阶段[5] 国内外AI发展水平对比 - 国内前沿AI在基础模型能力、多模态理解、推理效率和工程化落地方面取得实质性进展，涌现出DeepSeek-R2、Qwen3系列等优秀模型，在成本控制、系统优化和应用适配上形成自身优势[6] - 在部分通用能力和工程执行层面，与硅谷的差距正在快速缩小，甚至在某些场景下具备竞争力[6] - 但在长期基础研究积累、原创范式探索及面向下一代智能的系统性布局上，整体仍存在差距[6] - 竞争正进入更健康阶段，从单点能力对标转向技术路线和系统能力的分化[6] 技术发展趋势与路线变化 - Scaling up(扩大模型规模)仍能提升模型能力，但经济效益下降，已不再是单独成立的答案[8] - 行业瓶颈在于模型“用不好已有的信息”，如长上下文稳定性、跨时间一致性、复杂任务持续推理能力，多模态发展放大了此问题[8] - 技术路线关键变化是从训练时把模型做大，转向运行时让模型用得更好，强化学习、测试时计算、显式推理结构被大规模引入以补足纯预训练的不足[11] - 记忆、工具调用和系统编排成为核心能力，而不再只是外挂能力，模型能力提升正从一次性参数写入转向可持续的系统演化[11] - MoE架构在2025年成为主流，是在参数规模与推理开销间找到平衡的工程选择，解决了“算力怎么省”的问题，但并未改变智能范式或自动带来更好的推理稳定性[12] - 非MoE路线企业的差异化竞争力在于系统层面构建独特能力，如更有效的记忆机制、更稳定的推理流程或更贴近真实应用的数据闭环[12] 情境感知与智能体发展 - 2025年行业对情境感知的理解进步快于能力本身，意识到其不等于上下文长度，而是对环境、历史、目标和约束的综合理解能力[13] - 模型在短期情境理解、多轮对话连贯性、多模态即时状态感知上有提升，但在长期、跨任务、跨时间的情境一致性上能力仍有限[13] - 技术路线变化体现为将情境感知从模型内部的隐式能力转向系统层面的显式建模，如引入长期记忆、状态表示、环境建模和任务轨迹管理[13] - 情境感知正从一个模型特性演变为一个系统能力，这是智能体和长期智能成立的关键[14] - 大模型需在三个方面优化以支持智能体：推理从一次性回答转向过程可控；对状态的理解和保持能力；与工具、环境和记忆系统的协同能力[14] - 现有模型的推理能力不足以支撑真正意义上的自主智能体，瓶颈在于稳定性和可持续性，模型会漂移、遗忘、在长链路决策中逐步失真[15] 合成数据与推理数据集构建 - 大规模合成数据替代人工数据是正在发生但易被误读的趋势，合成数据已成为高质量训练数据的重要来源，尤其在推理能力、复杂任务分解场景[9] - 高价值合成数据需被严格约束、可验证、能放大信息增益，而非模型随意生成[9] - 构建高质量推理数据集需关注两点：是否有明确的推理结构(如中间状态、决策分支和失败路径)；是否引入对抗性和反事实设计以暴露模型盲区[9] 模型价格战与商业模式演进 - 2025年模型价格战最关键的影响是模型性能提升上限受阻导致模型Tokens售卖溢价降低，不同厂商模型性能差异减小及模型开源使得纯售卖模型Token难以获得企业溢价认可[15] - 若2026年开源与闭源模型、不同公司模型间无法形成代际差，价格战将继续甚至愈演愈烈[16] - 部分国产卡下场且效率提升后，由于算力补贴存在，价格将逼近冰点，甚至越用越亏[16] - 模型厂商需在纯模型Token售卖模式上提供增值服务，如MCP增值服务、记忆增值服务等，通过额外能力提升来提供溢价空间[16] 未来竞争核心与代际飞跃方向 - 2026年大模型竞赛的核心是“记忆能力如何完成一次系统性升级”[18] - 技术演进趋势是从底层算力和KV Cache等激活记忆管理，到基模型层引入记忆原生机制，再到上层通过显式记忆支撑Agent和应用的长期运行能力，形成完整的记忆技术栈升级[18] - 下一次“大模型代际飞跃”可能来自系统层面管理参数记忆、激活记忆和显式记忆，跨推理过程进行调度、复用和隔离的能力，这将带来智能形态本身的跃迁[18] - 大模型公司的核心竞争力是构建具备长期记忆与状态管理能力的系统，这能让AI长期运行、持续进化，公司本质是在构建新的智能基础设施[17]