OpenClaw (龙虾) 的现象与潜力 - 核心观点：OpenClaw被多位投资人视为AI时代的潜在操作系统和流量入口，其开源生态展现出强大的发展速度和吸引力 [3][6][7] - 朱啸虎将OpenClaw比喻为AI时代的DOS命令行操作系统，认为它可能成为下一个流量入口，并观察到其生态发展迅猛，一个月内涌现出几十万个Skills（智能体技能） [6][7] - OpenClaw社区“养虾乐园”在不到半个月内吸引了超过5000名AI创业者、开发者与研究者参与，热度极高 [5] - 与现成的MaaS（模型即服务）工具不同，OpenClaw的“养成概念”让用户参与配置，能带来强烈的成就感 [7] AI行业的投资机会与创业策略 - 核心观点：在AI巨头竞争激烈的背景下，创业公司应聚焦细分入口或传统产业，投资逻辑正向“一人公司”及底层硬件等方向演变 [8][9][11] - 面对大厂竞争，创业公司需将定位定小，避开大厂范围，最务实的路径是先找一个小入口接进去，蹭一下OpenClaw的流量，再图发展 [8] - 传统行业（如制造业、能源、电力）AI渗透率极低，存在巨大空间，高维AI应用能实现对传统模式的降维打击 [8] - 投资范式在改变，未来会投资“一人公司”，AI能将有认知团队的优势从100倍放大至1万倍，单人或小团队足以支撑优质项目 [9] - 应用层趋势难判，但底层硬件、基础设施逻辑清晰，未来更高效率的存储技术、专用推理芯片、定制化公有云具备明确投资价值 [9] 技术趋势与行业影响 - 核心观点：OpenClaw的出现推动了算力成本降低，并催生了安全、端侧/边缘侧计算等新机遇，行业处于高速变化中，应关注过程机会 [7][9][10] - OpenClaw对于基座模型是双刃剑，一方面导致token消耗暴涨，另一方面使模型越来越成为纯API服务，长远差别在于性价比 [7] - OpenClaw出现后，核心变化包括：token会更便宜，算力成本持续降低；安全赛道迎来机遇；端侧与边缘侧因本地计算需求激增而迎来重大机会 [9] - 除硬件外，推理优化平台、Agent专用工具、高质量数据服务是降低算力成本、支撑行业发展的核心方向 [9] - 当前国产模型已经足够强且好用，能够解决大部分任务，因此应用开始百花齐放 [7] 对AGI（通用人工智能）的认知与投资心态 - 核心观点：投资人认为不应过度预判AGI终局而错失过程机会，AI普及仍处早期，技术变革带来的价值是核心 [10][11] - 在高速变化的时代，不应基于终局思考投资，因为过程中就有很多机会，过度预判终局会错失行动时机 [10] - 以前两年的大模型为例，不管能否走到终局，相关公司都是赚钱的，终局看不清楚不影响投资人赚钱 [10] - 从硅谷顶级开发者视角看，AGI已初步显现，但从国内千行万业的渗透率看，AI普及仍处于早期 [11] - OpenClaw让AI真正走进千行万业，未来会有千亿级AI主体与人类共生，VC核心是把握技术变革带来的价值机会 [11]

AGI与AI Agent技术革命浪潮 - AGI等技术革命的机遇窗口转瞬即逝，当行业普遍意识到其改变世界时，最佳投资与布局时机往往已经关闭 [2][3] - OpenClaw框架的爆发是AGI加速发展的显著信号，其GitHub星标数在一个月内超越了Linux，最新版本更新了89项功能，大幅提升了AI自主完成任务的能力 [4] - AI独立完成任务的能力正以史无前例的速度进化，其自主工作时长从2024年的几分钟暴涨至2025年的5-10小时，且每7个月翻一番，迭代速度远超核武器等历史技术 [4][5] 企业面临的挑战与机遇 - 多数企业面对AGI浪潮处于观望状态，主要困境包括：不理解技术如何部署、无法量化AI对业务的投资回报、担忧数据安全与合规风险 [5] - 历史经验表明，新工具的红利永远最先属于提前布局者，当前的犹豫可能成为未来被淘汰的伏笔，企业需主动拥抱变革以锁定AI时代的入场券 [5][8][9] - 一个名为“企业AI Agent养虾实战大课”的课程应运而生，旨在帮助企业系统掌握AI Agent（戏称为“虾”）的战略、技术、合规与实战能力 [6][10] “养虾实战大课”核心内容与框架 - 课程旨在解决企业三大核心困境：战略模糊（不知“养什么虾”及ROI）、技术卡点（OpenClaw落地与私有化部署）、安全焦虑（数据隐私与合规） [16] - 课程承诺提供四大核心收益：战略对齐（明确业务切入点与ROI）、技术穿透（掌握OpenClaw部署与调优）、安全护航（构建企业级安全护栏）、实战落地（现场搭建AI智能体并带走行动计划） [17][18][19][20][21][22] 课程具体议程与案例 - 课程将探讨宏观趋势，包括“百亿智能体集群可能产生AGI涌现”以及“人机协同”时代下创始人思维与组织竞争力的重塑 [22] - 分享实战经验，例如一位非技术背景的创始人如何在72小时内指挥AI军团使其名字跻身OpenClaw贡献榜全球前30名，其核心心法是“把AI当大师，只给意图而非剧本” [23][24] - 进行安全合规与实操演练，由火山引擎团队指导，内容涵盖数据隐私、内容风控，并基于OpenClaw现场搭建企业级知识问答或辅助决策智能体 [25] - 安排跨行业案例分享，包括互联网行业的内部知识管理与研发提效，零售业的客户服务与营销内容生成，以及金融业的合规问答与投资分析助手落地经验 [25][28] 课程商业信息 - 该课程原价为4980元每人，早鸟价或黑马校友优惠价为1980元每人 [26] - 课程将于2026年3月27日在北京举行 [13]

文章核心观点 - 硅谷公司Eon Systems通过“具身化全脑仿真”技术，成功复制了果蝇大脑并使其控制虚拟身体，展现出爬行、梳理和觅食等自然行为，这为通过复制生物大脑结构而非训练AI策略来实现智能提供了早期验证[2][7][24] - 该公司的长期愿景是实现人类意识上传（数字永生）和通用人工智能，其技术路径是从简单生物（如果蝇）开始，逐步向更复杂生物（如小鼠、人类）的大脑仿真推进，并提出了乐观的时间表[10][29][32][43] 技术原理与实现 - **全脑仿真的核心步骤**：首先需要高分辨率扫描以获取大脑的完整“神经线路图”，Eon Systems团队基于包含12.5万多个神经元和约5000万条突触连接的果蝇大脑计算模型，通过机器学习预测神经递质类型，从而创建出可运行的“数字大脑”[19][22] - **实现具身智能的关键闭环**：将数字大脑接入物理模拟环境（使用MuJoCo引擎）和虚拟身体（基于NeuroMechFly模型），形成“感知输入-神经活动-运动输出”的完整闭环，使得虚拟果蝇能自主产生行为而非通过预编程或强化学习[24] - **技术的质变意义**：该研究首次将基于真实生物连接组重建的完整大脑与物理身体模拟结合，并产生多种自然行为，与此前仅研究大脑网络或使用AI策略控制模拟身体的研究路线形成区别[25][26][28] 公司愿景与发展路径 - **终极目标**：公司旨在通过“具身化全脑仿真”实现AGI，并认为将人类意识上传至数字世界是比创建外来超级AI更安全的超级智能发展道路，可解决控制权问题并让普通人参与[10] - **发展路线图**：果蝇大脑仿真是第一步，下一步目标是拥有约7000万个神经元的小鼠大脑（是果蝇的560倍），最终目标是人类大脑，其可行性被视为一个规模扩展问题而非原理问题[29][30] - **数字永生与星际未来**：公司将全脑仿真视为“心智上传”的早期验证，描绘了将人类记忆和意识迁移至数字或机器人载体以实现“数字永生”的愿景，并认为这可能是人类走向星际的方式[32][33][45] 技术挑战与潜在方案 - **结构复制挑战与成本**：完整复制大脑结构需要高分辨率扫描神经元连接，传统电子显微镜扫描人脑的成本可能高达10万亿美元，公司认为“膨胀显微技术”有望将扫描成本降至10万美元级别[36] - **功能模拟挑战与方案**：模拟神经元工作方式需要理解其复杂的放电和信号传递规律，公司计划通过记录大量真实神经活动（如几万小时的钙成像和电压成像录像），并利用AI模型学习预测神经信号的传播规律[38] 行业影响与专家观点 - **研究引发轰动**：该成果在社交媒体上获得包括Anthropic AI研究员在内的专家转发和点赞，被认为是首次通过模拟生物体本质而非其行为来重新创造生物体[11] - **开辟AGI新思路**：该研究与Cortical Labs让培养皿中人脑细胞玩电子游戏的研究一同，被视为从生物学角度探索智能、为实现AGI开辟了新的技术路径[13]

文章核心观点 - 人工智能行业的发展是动态、螺旋式上升的过程，其核心驱动力是远大目标与当前资源技术之间的“渗透压”差距 [7][8][18] - 大模型是实现人工智能的一种关键技术路径，通用大模型是主流方向，专业/垂直模型存在悖论，行业竞争格局将向头部收敛 [23][24][25] - 中美两国在AI发展上呈现不同路径：美国追求极致创新与高度，中国强调技术普惠、产业落地与商业化效率 [37] - 智谱公司作为中国通用大模型厂商，其商业模式是MaaS，并认为该模式在长期将演变为社会智能基础设施，公司优势在于对AGI的早期认知、技术聚焦与研发能力 [39][41][47][50] AI的发展历程与本质 - AI的本质目标是用技术方法模拟人类智能以服务人类，其内涵随技术市场变化而演进，但核心目标未变 [2] - AI发展经历多次起落，公认有三次（或四次）浪潮，这是技术发展中的正常规律 [4] - 早期AI的局限性包括计算能力差、数据缺乏以及符号学派方法的局限，导致了第一次AI寒冬 [6] - 从感知机到专家系统，再到深度学习，AI的实现方法不断演进，其思想源头可追溯至通过数据迭代学习的机器学习 [5][10][13] - 计算设备（算力）和数据是AI发展的关键前提，分别相当于发动机和燃料 [14] - 2017年的Transformer论文是重要转折点，促使OpenAI等转向大模型研究，GPT-3的出现被视作技术范式的转折点 [15][16][17] - AI发展在算力、数据、算法三要素上存在动态的瓶颈循环，推动技术螺旋式上升 [18] 大模型技术与竞争格局 - 大模型指参数规模巨大的深度神经网络模型，参数量可达千万至上千亿级别 [23] - 通用大模型与专业/垂直模型的分类存在悖论：若有专业数据，加入通用模型训练效果更优；专业小模型的能力未必强于加入专业数据的通用模型 [23] - 通用大模型行业的参与门槛高，由于资源投入巨大，竞争格局将向头部收敛，但中短期内不会只剩一家，技术多样性是进步动力 [24][25] - 造成各家大模型差异的因素包括算力、数据和算法，其中算法创新更为根本 [26] - 大模型技术仍在快速增长阶段，技术溢价高，创新活跃，尚未进入低价竞争模式 [48] AI的应用现状与未来 - AI正在并将在日常生活中带来巨大变化，已渗透至办公、购物等场景 [26] - 在工业与医药等行业，AI已带来深刻变革，如辅助药物设计、预测蛋白质结构等，有望降低新药研发成本与周期 [27] - AI在医疗领域可辅助医生进行诊断、研判和知识支持 [28] - 自动驾驶是AI的重要应用方向，其发展取决于对“完全自动驾驶”的定义，是一个不断逼近目标的过程 [29] - AI与人类的关系是复杂的协同进化关系，AI可能刺激人类加速进化，而非简单的替代 [33] - 当前大模型处于AGI发展路径中的“自我学习”阶段，与人类智能的关键差距在于缺乏自我意识 [34] 中美AI发展路径对比 - 美国AI发展路径：追求极致创新与高度，通过资本聚集在头部玩家进行大量投入，专注于0到1的突破 [37] - 中国AI发展路径：强调技术创新与产业落地并重，追求确定性和普惠，注重将AI成果转化为经济价值，赋能千行百业，更侧重于1到10和10到100的推广与应用 [37] 智谱的商业模式与战略 - 智谱的商业模式是MaaS，将模型本身作为一种服务提供给客户 [39] - MaaS模式被认为是当前大模型商业化较靠谱的路径，并可能在长期演变为标准化、易于获取的社会智能基础设施 [40][41] - 公司业务聚焦于通用大模型与AGI目标，同时涉足上层应用，主要客户包括头部互联网公司及三星等，解决如跨语言内容翻译、端侧智能隐私保护等实际问题 [42][44] - 公司的长期优势在于对AI的早期领先认知、在通用大模型领域的极度聚焦以及顶尖的研发能力 [47] - 公司认为研发投入的首要目的是保持基础模型能力的持续领先优势，这是所有商业化的根本 [49] - 面对大厂竞争，公司在算力投入上不具优势，但在算法、研发能力及对AGI的深度理解上具备强项，且大厂的投入也非无上限 [50] - 公司当前商业化重点在B端市场，认为从第一性原理看，服务企业与个人在技术产品层面无本质差别，价值在于生产力转换 [52]

公司业务与战略 - 公司正积极筹备“三北”工程防沙治沙关键期，开展智能机械研发调试，为从西北到东部的各类型生态治理场景提供装备支撑 [1] - 公司致力于打造“AI无人治沙军团”，其核心设计理念是无人化，旨在通过AI技术让机械成为能感知、会决策的“生态机器人” [2] - 公司已研发十大类设备，拥有1300余台机械，覆盖AI智能作业、播种种植、土地耕整、管理养护、指挥调度、特种装备等多个应用场景 [2] - 公司组建了免耕补播机械队、飞播机械队、抛肥机械队等专业机械作业队，以实现系统化、机械化、智能化的集群高效作业 [8] 技术与产品优势 - 公司的“AI大脑”基于分布式独立驱动控制、多传感器融合视觉语义SLAM定位、全覆盖路径规划和轨迹跟踪算法、实时控制SWEET OS系统等技术，能将机械运动误差控制在5厘米以内 [3] - 无人种绳播种机器人在浑善达克沙地实现单台日作业30000米，作业效率较人工提升20-30倍，铺设标准化提升80%以上 [3] - 无人运输车在毛乌素沙地单台装载量达5吨，复杂地形平均通过性提升20%，转运效率比人工高10倍，降低运输成本30% [5] - 无人打孔机在科尔沁沙地每日能打坑300—600个，平均30秒完成1个孔位开掘，效率是人工的3倍，栽植垂直度达标率90% [6] - 免耕补播机作业队和无人种子绳播种机作业队，日均可完成约2万亩高效作业，提升种子成活率15%～20%，节水90%，节省60%种子用量 [8] - 公司产品线丰富，除上述设备外，还包括切根施肥机、无人打孔机、无人散草机、无人施肥打药机和智能通用底盘等，能适应沙漠、沼泽、陡坡等复杂地形 [4] 市场需求与行业机遇 - 随着“三北”工程进入啃“硬骨头”的关键阶段，治理区域环境恶劣、条件复杂，传统“人海战术”难以满足大规模、标准化的治理需求，这为智能化机械装备创造了市场空间 [8] - 智能机械能实现“全天候”作业，不受酷暑、严寒与风沙限制，即使在夜间或极端天气下也能稳定运行，解决了大规模荒漠化治理的作业难题 [8] - 智能机械在黄河“几字弯”攻坚战、科尔沁与浑善达克沙地歼灭战等“三北”工程重点项目中发挥着日益重要的作用 [7] - 公司的智能机械已实现全场景覆盖，应用于沙地、退化草原、矿山、湿地等多种生态修复场景 [5]

OpenAI早期文化与发展历程 - OpenAI在2018年时被业界视为非常非主流的“草台班子”，其团队构成与Google Brain、Facebook AI Research等由知名PhD组成的“全明星阵容”形成鲜明对比[2] - 早期OpenAI团队人员背景极其多样化，包括本科生、神经科学家、英语不流利的俄罗斯开源开发者和Unity游戏开发者，正儿八经的科班CS PhD较少[4] - 与同期其他研究机构不同，OpenAI最大的优势在于其统一的使命和极致的工程化能力，这帮助它将一群背景各异的人凝聚在一起并坚持下来[5] - 早期OpenAI的一些项目，如用AI玩Dota，在当时学术界看来是为了“学术PR”而做的“非主流”项目，并不被认为是一个顶级研究组织[3][4] 中美大模型产业现状与竞争策略 - 中国大部分大模型厂商都在进行模型蒸馏，这是一个比例很高的现象[15] - 蒸馏要做好并不容易，涉及资金、人才、算力以及如何获取用户反馈等多重挑战[15] - 国内厂商的明确目标是保持每一代模型都能在特定有价值的基准测试或能力上与世界最好的模型保持同等水平，只要不掉队即可[15] - 这是一个非常合理的短期生存策略，保持生存和持续迭代至关重要，就有机会实现赶超[17] - 美国头部企业（如Claude）能做好部分原因在于其拥有极强的用户反馈飞轮，例如几乎所有最高质量的AI编程用户数据都流向了Claude[15] - 在编程等领域，由于很多是后训练阶段的工作，通过蒸馏追赶相对更容易一些[15] - 但完全依赖蒸馏的观点不被赞同，公司依然需要一个合理的基础模型，基础模型不好，蒸馏效果也有限[16] - 后训练数据是难题，特别是在智能体编程场景下的任务拆分数据并不好获取[16] - 如果没有自己数据边界清晰的基础模型和良好的强化学习基础设施，后续的泛化工作会非常困难[16] AI技术发展趋势与研究方向 - 强化学习的范式尚未结束，与预训练一样，在架构和训练方式上仍有很大探索空间，例如多模态的引入[31] - 让强化学习继续扩大规模肯定有空间，当前智能体编程任务的训练成本虽重，但尚未到无法承受的地步[32] - 未来的范式转变可能从人类努力的角度考虑，从预训练到后训练，人类体力劳动的付出在持续降低数量级[33] - 训练AI如同培养运动员，后期人类提供的高质量、有价值的数据会越来越少，介入将变得更精细和微妙[34] - 多模态是一个“新大陆”，多模态甚至视频模型的预训练可能为机器人等领域带来全新可能性，并可能解锁新的能力[37] - 将生成和理解统一放到预训练阶段去做是一个新的技术可能性，谷歌大概率走通了这条路线[37] - 如果追求通用人工智能，那么继续深耕编程能力是关键；但如果多模态的新可能性走通，也一定会出现新的机会[37] 智能体与多智能体系统的应用前景 - 真正需要多智能体系统的情况主要有两种：一是大规模并行分布式处理任务；二是处理节奏不同的异步任务[23] - 随着长上下文大模型的出现，许多之前提出的多智能体场景已被证伪，因为一个能力强大的模型可以直接处理，无需拆分角色[24] - 在公司工作流中，强行拆分成多智能体并不被看好，一个集中式的超级智能AI进行后台决策更为合适，除非是特别关键的研究任务[24] - 像Claude Code辅助编程这类需要大量并行尝试和验证的工作，是天然适合多智能体（如智能体编排、集群）的场景[25] - 另一种场景是去中心化系统，例如为不同地点（家、公司、车）或不同功能（回微信、刷社交媒体、看新闻）部署独立的智能体[26] - 在这些需要相互隔离或执行不同功能的场景下，分布式、不同上下文的智能体才有意义[26] 强化学习的挑战与数据飞轮 - 强化学习面临的核心挑战之一是奖励信号不清晰，特别是在创意写作或现实案例等难以验证的领域[27] - 解决问题的底线是至少要能做到“人类可验证”，如果一个领域最专业的人都无法判断好坏，那可能就不存在科学解法[28] - 存在从“机器自动可验证”到“人类可验证”的谱系，可以通过人机协同反馈的模式来扩大可训练范围并降低成本[28] - 与推荐系统拥有天然的用户行为数据飞轮不同，强化学习的数据需要专家进行清洗和构造，本质上是“人在回路”的数据飞轮[29] - 直接从普通用户收集反馈信号（如代码补全接受度）噪声会很大，公司肯定会在后台进行数据清洗，而非纯粹的无脑在线强化学习[30] AI时代的企业组织形态 - 新兴的AI原生团队需要更少但更精英的人员，包袱小，迭代速度非常快，AI工具（如Claude Code）能大幅减少对基础代码维护人员的需求[19] - 这导致团队规模可以很小，从而自然避免了许多大团队常见的组织管理问题[19] - 对于老牌企业或传统企业的AI转型则更为复杂，可能演变为一种类似咨询的方式，需要自上而下地改变组织的评估和运作模式，这对领导层要求极高[20] - 像Meta、字节这样拥有强势且年富力强CEO的公司，可能通过自上而下的绩效和组织变革来实现转型[20] 学术界的定位与价值 - 在算力被大厂垄断的背景下，学术界的价值不在于复刻大厂的规模，而在于提供系统性的科学训练和从零构建系统的机会[21] - 学术界99%的工作可能最终没有直接商业价值，但这正是科学精神的体现，允许伟大的想法在自由环境中缓慢演化[22] - 学术界应致力于思考大厂不敢想的创意，去做那些有趣但看似无意义、甚至可能行不通的东西[22] - 伯克利AMPLab模式是成功的典范，孵化出了Databricks、AnyScale、vLLM、SGLang等改变行业的工具，学术界可以作为一个更安全的创新避风港，以前瞻性实验捕捉产业创新空隙[22][23] 对通用人工智能的看法 - 通用人工智能的定义是一个“移动的球门”，当前AI的能力（例如在经济性文职工作替代上已接近80%）其实已接近早期设定的目标，但公众的期望门槛被拉高了[35] - 目前AI在编程领域已取得巨大突破，但由于普通人不接触代码，导致存在巨大的感知差距，这本身是一个巨大的产品机会[36] - 衡量AI进步的一个具体标准是看其能否独立完成耗时数周的工作，如果能做到，那它必然具备自我进化和持续学习的能力[36]

公司对市场传闻的官方辟谣 - 针对网络流传的“千问模型核心团队集体离职”及“开源策略调整”等不实信息，阿里巴巴集团于3月5日向媒体进行正式辟谣 [2] - 公司明确表示，目前千问模型团队稳定，没有出现“集体离职”的情况，所有产品与服务运行正常 [2] - 公司重申千问会坚持开源策略，基础模型团队从未被设置DAU等商业化KPI，Qwen大模型的目标是不断追求模型智能上限，实现AGI [2] 公司高层人事变动与战略回应 - 此前在3月4日，阿里巴巴高级算法专家、通义千问大模型负责人林俊旸在社交平台发文表示将离开千问团队，据了解其为阿里千问大模型的掌舵人 [2] - 3月5日上午，阿里巴巴CEO吴泳铭通过内部邮件回应林俊旸离职一事，表示公司将继续坚持开源模型策略 [2] 公司未来战略与人才计划 - 阿里巴巴表示将持续加大AI研发投入，为千问团队提供坚实支撑，勇攀技术高峰 [2] - 公司诚挚欢迎全球顶尖AI人才加入，共同打造世界级的大模型技术与开源生态 [2] - 阿里巴巴CEO吴泳铭在内部邮件中强调，将持续加大吸纳优秀人才的力度 [2]

阿里巴巴千问模型团队与开源策略澄清 - 公司针对网络流传的“千问模型核心团队集体离职”及“开源策略调整”等不实信息进行正式辟谣，明确表示团队稳定，无集体离职情况，所有产品与服务运行正常 [1] - 公司重申千问模型会坚持开源策略，基础模型团队未被设置DAU等商业化KPI，其核心目标是不断追求模型智能上限，以实现AGI（通用人工智能） [1] - 公司表示将持续加大投入，为千问团队提供坚实支撑，并诚挚欢迎全球顶尖AI人才加入，共同打造世界级的大模型技术与开源生态 [1]

公司对市场传闻的官方回应 - 阿里巴巴集团针对网络流传的“千问模型核心团队集体离职”及“开源策略调整”等不实信息进行了明确辟谣 [1] - 公司表示千问模型团队目前稳定，未出现“集体离职”情况，所有产品与服务运行正常 [1] - 公司重申千问会坚持开源策略，并欢迎全球顶尖AI人才加入，共同打造世界级的大模型技术与开源生态 [1] 公司战略与团队目标 - 千问（Qwen）大模型的基础模型团队从未被设置DAU等商业化KPI，其核心目标是不断追求模型智能上限，以实现AGI（通用人工智能）[1] - 阿里巴巴将持续加大投入，为千问团队提供坚实支撑 [1]

公司声明与澄清 - 阿里巴巴集团针对近期网络流传的“千问模型核心团队集体离职”及“开源策略调整”等不实信息进行了正式辟谣 [1] - 公司明确表示，目前千问模型团队稳定，未出现“集体离职”的情况，所有产品与服务运行正常 [1] - 公司重申千问模型会坚持开源策略，基础模型团队从未被设置DAU等商业化KPI [1] 模型战略与目标 - 千问大模型的核心目标是不断追求模型智能上限，致力于实现AGI [1]