文章核心观点 文章总结了AGI-Next 2026活动中的核心洞察，指出华人团队已成为AGI领域的核心玩家，中国开源模型位居全球第一梯队[6]。活动揭示了AI发展的几大关键趋势：模型在To B和To C场景需求下出现显著分化；自主学习成为行业共识的新范式；Scaling（规模扩展）将持续但需关注智能效率；模型即Agent，Agent即产品；中美AI竞赛在算力、市场和文化上存在结构性差异[7]。 模型分化趋势 - 分化体现在两个角度：To C与To B场景之间，以及“垂直整合”与“模型应用分层”两条技术路线之间[8] - To C场景的瓶颈往往不是模型不够强大，而是上下文（Context）和环境（Environment）信息的缺失，例如模型难以准确回答“今天吃什么”这类高度个性化的问题[8] - To C场景的解法在于利用真正的个性化数据（如在合规前提下使用微信聊天记录），这比盲目追求更强的预训练模型能带来更大价值[8] - To B市场内部将出现强模型与弱模型的分化，且差距会越来越大。企业用户愿意为“最强模型”支付溢价，因为即便弱模型更便宜，但其错误难以预测和监控，企业更倾向于选择高准确率的强模型（例如Opus 4.5做10个任务能对8-9个，而弱模型只能对5-6个）[9] - To C场景适合模型与产品进行All-in-one的垂直整合，而To B（生产力应用）因涉及复杂生产环节，为应用公司提供了优化空间，从而出现了模型公司与应用公司之间的分层[9] - 模型分化并非预设路线图，更多是自然演化的结果，源于与客户的高频交流[9] - 模型竞争的时机也影响分化，例如智谱AI在DeepSeek出现后判断“Chatbot取代搜索”的竞争已基本结束，从而选择押注Coding领域[10] 新范式：自主学习与Scaling演进 - Scaling（规模扩展）会继续，但需区分两种方向：一是沿已知路径增加数据和算力；二是探索未知的新范式，让AI系统自主定义奖励函数、交互方法和训练任务[12][13] - Scaling Law的核心是将能源高效转化为智能，是技术、数据与审美（taste）共进的过程，探索前沿智能不会因潜在风险而停止[13] - 自主学习的目标是让模型具备自反思与自学习能力，通过持续的自我评估与批判来优化行为[14] - 新范式是一个正在发生的“渐变”过程，2025年已出现信号，例如Cursor的Auto-complete模型每几小时就用最新用户数据学习，ChatGPT利用用户数据拟合聊天风格，Claude Code编写了自己项目95%的代码[15] - 思考新范式的最大瓶颈是想象力，需要构想出证明其实现的具体任务（如变成赚钱的交易系统或解决科学难题）[15] - 从实际角度，强化学习（RL）的潜力尚未被充分挖掘，下一代范式的两个维度是自主学习以及AI具备更强的主动性（无需人类Prompt，由环境触发）[15] - 主动学习（Active learning）会带来严重的安全挑战，风险在于“做不该做的事”，而非“讲不该讲的话”，因此必须为其注入正确的方向[16] - 持续学习在多Agent串联的长程任务中面临挑战，若单个Agent能力未达100%，后续能力会指数级下降，可能需要探索类似人类睡眠的“清噪”机制[16] - 提出了“智能效率”（Intelligence Efficiency）概念，未来范式应关注投入多少资源能获得多少智能增量，以解决成本瓶颈[16] - 大模型发展可借鉴人脑认知，在多模态、记忆与持续学习、反思与自我认知这几个人类领先的领域寻求突破[17] - 智谱AI参考人类认知提出AI系统三模块：系统一（模式匹配）、系统二（推理）、自学习，分别对应数据与模型规模Scaling、推理能力Scaling、以及环境Scaling（从与外界交互中获得反馈）[17][18] 原生多模态 - 原生多模态模型与人类的“感统”相似，能同时处理视觉、声音、触觉等信息，但当前模型的感统能力尚不充分[19] - 多模态感统是智谱AI今年的重点方向之一，具备此能力后，AI才能在真实环境中执行长链路、长时效任务[19] - 多模态是通向真正智能的天然路径，但存在“多模态能否驱动智能”的争论[19] - 从第一性原理出发，为模型增加视觉、语音等多模态能力是为了提供更多生产力和更好帮助人类，是自然而然的选择[20] - 视频是更广义的表达，理解长视频是一个有意义的探索方向[21] Agent（智能体）的发展 - 编程（Coding）是通往Agent的必经之路，智谱AI的实践表明，仅靠跑分高的模型（如GLM-4.5）写不出“植物大战僵尸”游戏，需引入RLVR和真实编程环境训练（如GLM-4.7）才能解决[22] - 模型即产品，Agent要实现复杂任务对模型要求极高，模型本身就是Agent，Agent就是产品，做基础模型就是在做产品[22] - Agent在To C和To B场景同样存在分化：To C产品的成功指标有时与模型智能不相关甚至相反；To B的Agent则更依赖模型智能提升来解决真实世界任务、创造价值[23][24] - 生产力场景的Agent才刚起步，除了模型进步，环境和部署（deployment）同样关键。即使模型不再变好，将现有模型部署到各公司也能带来10倍甚至100倍的收益，但目前AI对全球GDP的影响还远不到1%[24] - 未来的Agent将向“托管式”发展，用户设定通用目标后，Agent在后台长时间独立运行直至完成任务，这要求模型具备自我进化（Self-evolution）和主动学习能力[25] - 在开发通用Agent时，解决长尾任务更值得关注，用户感知到的AI价值往往源于某个特定长尾任务被解决[25] - 做通用Agent是见仁见智的问题，对于模型公司而言，许多工程问题可能“烧一烧卡”就可解决，因此“模型即产品”对它们而言是机会[25] - Agent发展可从两个维度划分四象限：目标定义（人为/自动）和任务规划（人为/自动）。当前处于初级阶段（两者皆人为定义），未来将发展为由大模型内生定义目标和规划的系统[26] - 决定Agent未来走势的关键问题包括：能否真正解决人类任务并创造价值、成本（Cost）大小、以及应用公司的迭代速度是否能拉开时间窗口[27][28] 全球AI竞赛：中美对比与展望 - 对于中国AI在3-5年内进入全球第一梯队持乐观态度，因为中国在制造业、电动车等领域已证明，一旦某事可行，便能以极高效率复现甚至做到局部更好[29] - 长期挑战在于文化差异（敢突破新范式、敢冒险的人不够多）和两个现实瓶颈：算力（核心在于光刻机是否有突破）以及是否能诞生更成熟的To B市场并在国际竞争[30] - 中美算力差异不仅是绝对量级上的（美国算力比中国大1-2个数量级），更是结构性的：美国将相当一部分算力投入下一代研究，而中国仍在解决任务交付爆发带来的算力瓶颈[30] - 相对冷静的观点认为，中国AI超过美国的概率最乐观情况为20%[30] - “穷则生变”，作为“算力穷人”，中国团队更有紧迫感和动力去思考算法与基础设施（Infra）的联合优化，这可能倒逼创新发生[30] - 面对光刻机瓶颈，需思考是否可能从软硬结合的角度，通过下一代模型结构和芯片实现端到端（End-to-End）的突破[31]