智东西1月10日报道，今天，清华大学基础模型北京市重点实验室发起的“AGI-Next”峰会上，多位国内头部开源AI实验室的技术掌舵人罕见同场亮相。智谱创始人兼首席科学家唐杰、月之暗面创始人兼CEO杨植麟、阿里千问大模型技术负责人林俊旸和腾讯总裁办公室首席AI科学家姚顺雨等人，就AGI路径、Scaling极限、Agent落地与中国AI的长期机会等热点话题，进行观点的交流和碰撞。
这场会议长达三个半小时，充满学术氛围：没有主持人串场，没有冗长的嘉宾介绍，也没什么场面话，这是唐杰在办会时有意而为之的。几位嘉宾的观点都十分坦诚，听完之后，我们总结出了以下8个核心观点：
1、唐杰：Scaling（模型扩展）仍是有效路径，但可能是“人类最轻松的偷懒方式”。真正值得探索的是让模型具备自主Scaling能力。
2、唐杰：DeepSeek出来之后，Chat范式的竞争就基本结束了。
3、杨植麟：Scaling Law本质是把能源转化为智能，核心在于高效逼近智能上限。
4、杨植麟：模型承载的是价值观与品味，Scaling是技术、数据与审美的共进，探索前沿智能不会因潜在风险而停止。
5、林俊旸：Manus确实很成功，但套壳是不是未来，这本身也是个话题。
6、林俊旸：未来3-5年内中国团队做到全球领先的概率，在大概20%，这已经是非常乐观的估计。
7、姚顺雨：垂直整合与模型应用分层两种模式在分化，模型公司做应用不一定更好。
8、张钹：当前大模型存在指称、因果等五大根本缺失。他强调AGI应有“可执行、可检验”的定义，核心是具备多模态理解、在线学习、可验证推理等五项能力。
一、智谱创始人唐杰：让机器像人一样思考，AGI仍然需要新的模型架构与学习范式
清华大学教授、智谱创始人唐杰围绕“让机器像人一样思考”这一长期目标，系统梳理了他对AGI路径的判断。
1月8日智谱上市当天，唐杰曾在内部信中提到，“直到今天，包括智谱在内，没有人能够给出准确的AGI定义以及如何实现AGI的技术路径，也许这正是探索AGI的魅力所在。”
基于这一判断，唐杰在本次演讲中系统性回溯了近年来基座模型智能化水平的演进，并结合中美开源模型的发展趋势，对当前大模型所处阶段及其面临的关键分岔进行了分析。
▲基座模型在典型AI基准测试上的能力演进
他回顾了2025年，谈及智谱已在语言、视觉、多模态智能体等方向开源GLM系列模型，助推中国模型首次集体霸榜开源榜单前五。
尽管如此，唐杰也坦言“我们的差距可能还在拉大”，美国闭源模型仍是不可忽视的对手。
唐杰称，“我们是在开源上面玩了让自己感到高兴的，而差距并没有像我们想象得那样好像在缩小。有些地方，我们可能做的还不错，但我们还要承认自己面临的一些挑战和差距。”
那下一步AGI该如何推进，在他看来，需要回到对人类认知学习过程的理解。他认为，面向未来，大模型仍缺失多项关键能力，而这些能力在人类身上远远超过大模型。
唐杰谈及，“2025年可能是多模态的适应年。可能全球除了少量的几个模型，一下子吸引了很多人，包括智谱在内的很多的多模态模型都没有引起关注。”
他将原生多模态能力类比为人类的“感统”能力，认为这正是模型下一步需要补齐的能力。
其次，唐杰强调，大模型在记忆和持续学习能力上仍然存在明显短板。如何构建从个体记忆到人类整体的“第四级记忆系统”，是未来需要为大模型补齐的基础设施。
在更高层面，唐杰将反思与自我认知视为极具挑战、但值得探索的方向。
他将这一判断放入“人类认知框架”中进行解释，“人类认知是双系统，系统1和系统2。系统1完成了95%的任务……只有更复杂的推理问题……这时候就变成系统2了。”他认为，大模型同样需要构建系统1、系统2以及自学习机制的协同。
系统一依赖大规模数据和参数的Scaling，系统二则依赖推理、指令微调与思维链，而自学习机制则对应人类在无意识状态下的持续学习能力。
但唐杰也明确提到，单纯依靠数据和参数规模的Scaling已逐渐显露瓶颈，“我们能不能找到更好的知识压缩的方法，把知识压缩到更小的空间里面，这是一个新的问题。”
他认为，Scaling仍然重要，但必须寻找新的路径，“Scaling是一个很好的办法，但Scaling可能是最轻松的办法，是我们人类偷懒的一个办法。”真正值得探索的，是让模型具备自主Scaling能力。
而面向真实世界，唐杰认为大模型还必须具备完成超长任务的能力。
最后，唐杰从计算机本体能力出发，给出了总结：“在我看来计算机有三个能力：第一，计算机的表示和计算；第二，编程；第三，本质上是搜索。”他认为，正是这三种能力的叠加，使计算机具备了走向“超级智能”的潜力。
在对2026年的判断中，唐杰也给出了较为清晰的技术聚焦方向。他直言，“2026年对我来说更重要的是要专注和做一些比较新的东西。”
在他看来，Scaling仍将继续，但重点正在发生变化，“已知的是我们不断加数据、不断探索上限。还有Scaling未知，就是我们不知道的新的范式是什么。”
围绕这一未知范式，唐杰强调模型架构层面的创新将成为关键，解决超长上下文，还有更高效的知识压缩问题，并会实现知识记忆和持续学习。
与此同时，多模态感统被他视为2026年的重点方向之一。只有具备这一能力，AI才能真正进入长任务、长时效的工作环境，AI才能实现具身，才能进入物理世界。
在应用层面，唐杰也对AI for Science寄予厚望，“我相信今年可能是AI for Science的一个爆发年，因为很多能力大大提升，我们可以做更多的事情。”
二、月之暗面杨植麟：Scaling不止堆算力，下一代模型技术、数据与“品味”会共同进化
月之暗面创始人兼CEO杨植麟认为，自2019年以来，大模型始终遵循同一条第一性原理——Scaling Law，本质是“把能源转化成智能”。在数据与算力受限的背景下，如何用更少投入获得更高智能，成为核心命题。
杨植麟强调，Transformer之所以成为主流架构，关键在于其更优的Scaling表现。
尤其在长上下文场景中，Transformer相较传统架构展现出明显优势，而这正是Agent时代的基础能力。复杂任务必须依赖超长Context，模型的Position Loss越低，Agent潜力就越大。
围绕这一判断，Kimi的预训练策略聚焦两条主线：Token效率与长上下文能力。
在token效率层面，团队提出了改进的Muon优化器Moonlight Muon，实现约2倍Token效率提升，并通过QK-Clip解决Logits爆炸问题，支撑万亿参数模型稳定训练。
在长上下文方向，Kimi-Linear与全新的线性注意力机制，在保证效果的同时大幅提升推理速度，为超长Context任务提供现实路径。
杨植麟认为，更强的模型先验可以显著缩小搜索空间，使AGI“更早发生”。
他同时提出，模型并非普通工具，而是在塑造一种世界观。他称，智能是一个Non-Fungible Token（非同质化通证），它承载着品味、审美与价值观。Scaling不只是堆算力，更是技术、数据与“品味”的综合进化。这正是下一代模型K3要做的事情——新架构、更大规模合成数据、品味提升等等。
他借用Kimi与他讨论时的话总结道：我们不应因风险而停滞，放弃探索，就等于放弃人类文明的上限。
三、阿里林俊旸：从语言模型到具身智能，千问为何走向Generalist Agent
“原来叫Towards a Generalist Model，后来我改成了Generalist Agent。”林俊旸在演讲开场解释了PPT标题的变化。
他认为，相比模型本身，Agent是一个更大的概念，像人一样能够自主使用工具，在环境中完成任务，这是他理解中AI应该走的方向。
林俊旸称，今天的大模型训练方式已不同于以往。“以前训练模型就是配对输入输出、加上人工标注，这就是传统的做法。”但在今天，“只要解决了推理，解决了评估，这个东西就可以扩展，很多事情都能做，我也可以发挥更多想象力。”
他坦言，“这也是我一个做语言模型的人，最近敢斗胆扬言‘我要做VLA和机器人’的一个小小原因。”
在讲述通义千问技术团队的下一步方向时，林俊旸概括了三项重点：
第一，是构建具备视觉输出与推理能力的Omni模型，把能力真正收敛到多模态模型中，不只是能接收文本、图像、语音，也要具备同时生成这些模态的能力。
第二，是从“训练模型”转向“训练Agent”，特别是通过“多轮强化学习和环境反馈”，实现面向长时任务的推理能力（long-horizon reasoning）。
第三，是把语言模型进一步转化为具备行动能力的Embodied模型。
他认为，从这个角度出发，模型才有可能真正走向Digital Agent，能够进行GUI操作、调用API，形成完整的执行闭环，“如果再往物理世界走，能不能拿起话筒、斟茶倒水，这也是我们很想去做的事情。”
四、模型分化，范式未定：中国AI的领先之路与关键瓶颈
圆桌论坛中，唐杰、林俊旸、姚顺雨以及加拿大皇家学院院士、香港科技大学荣休教授杨强四人展开观点交流与碰撞，他们主要聊了四大问题：模型的分化、AI研究的范式转变、Agent的未来和中国在全球AI竞争中的位置。
（1）模型正在明显分化：做Coding、做Chat、做全模态，背后的逻辑是什么？
姚顺宇称，自己有两大感受。一是To-C和To-B明显发生分化。如今，行业里顶尖的To-C产品以ChatGPT为代表，Claude Code则在B端有优势，但ChatGPT的变化对用户来说没有很可感，反倒是Coding革命重塑了计算机行业的行事逻辑。
在To-C领域，模型并不需要极高的智能上限，很多场景更像是“增强版搜索引擎”。真正的瓶颈不在模型本身，而在于如何为模型提供足够的Context和环境信息。
在To-B场景中，逻辑完全不同。海外企业客户对最强模型的付费意愿更高，在国内做To-B的难度有点大，腾讯的思路是先把自己服务好，让模型在公司内部发挥价值。
姚顺宇观察到的另一大分化是垂直整合与模型、应用的分层。他称自己的老东家OpenAI在Agent应用上，做得并不一定会比应用公司更好。这是由于模型能力与应用能力并不完全一致。
在To-C产品中，模型与产品强耦合、快速迭代，垂直整合是成立的；但在更复杂的To-B或Agent场景，模型变强只是起点，真正落地还需要大量工程与环境建设。
林俊旸从千问的角度谈道，“分化并非选择，而是自然发生”。OpenAI做的更像一个To-C平台型产品，Anthropic与企业沟通更深，明显偏B端。他还提到一个现象，中美在Coding Token的消耗量上存在巨大差距，这种差距往往被低估，这困难反映了两个市场的区别。
杨强则从学术界和工业界的分化切入，他认为在行业进入稳态后，学术界可以开始解决工业界还没来得及解决的问题，有必要做新的探索，拉齐差距。
主持人提到，智谱某种程度上走了Anthropic的道路，无论是Agent研究，还是Coding。不过，唐杰认为，最本质问题还是提高基础模型的智能上限。
他举了一个例子，在大模型刚刚兴起时，国内企业争相研发，但最终发布后，业内10来个大模型的用户其实不多，如今才逐渐分化，原因是这些模型并没有真正解决问题。
他认为，DeepSeek出来之后，Chat领域的竞争就基本结束了。智谱经过内部讨论决定押注编程，倾注了所有的精力。
（2）AI领域下一个范式转变是什么，从哪儿来？
姚顺雨认为，ASI最重要的能力之一是自主学习。但目前的瓶颈不在方法论，而在于数据与任务设计。ChatGPT通过用户数据拟合人类聊天风格，本质就是一种自主学习；Claude Code里95%的代码就是由Claude Code自身撰写的，这也是自主学习。目前外界对模型能力的感知不明显，只是因为其受限于场景，并且处于渐变的发展过程中。
林俊旸认为，目前，强化学习的算力远未充分Scale，Test-Time Scaling与AI Scientist方向都有巨大潜力。未来，模型的个性化、记忆的进步，都可能会给人们带来能力出现巨大飞跃的“感受”。但是从业内视角来看，技术发展没有很快，做的工作也较为基础。
杨强提出，联邦学习与去中心化协作，是解决隐私、资源不均和大模型协同的重要路径。
唐杰则从一个更为基础的角度分析这一问题——范式转变究竟源自于什么地方？他认为，去年和前年，工业界快于学术界是一个事实，许多研究者根本没有算力。但到现在，很多学校已经有了算力，学术界可以开始做大模型研究、探索模型架构，不再是由工业界主导的状态。学术界有创新的基因，会孵化出种子了。
他补充道，创新的动因是现有范式收益效率的下降。继续Scaling是“最笨的办法”，典型的工程做法，而未来探索智能效率也是一大方向。唐杰比较乐观，认为2026年肯定会有范式转变的发生。
（3）2026年，Agent怎么做？
姚顺雨观察到，Agent赛道同样出现了B端和C端产品的分化。To B方向已经进入持续上升通道，且短期内看不到放缓迹象。它并不依赖花哨的创新，而是通过不断扩大预训练规模、扎实做好后训练，把真实世界任务吃透，模型就会自然变得更聪明，并直接转化为更高的生产力和商业价值。
在To B场景下，模型智能、任务覆盖和收益之间高度正相关，目标极其一致。相比之下，To C中模型能力与DAU等产品指标往往弱相关甚至负相关，反而更难聚焦。
当前To B的生产力型Agent仍处早期阶段，下一步关键在于环境与部署，而非模型本身。即使模型停止进化，仅靠大规模落地部署，也可能带来10–100倍效率提升，对GDP产生显著影响。
林俊旸认为，Agent的发展本质上是一个产品哲学问题。他直言：“Manus确实很成功，套壳是不是未来，这本身也是个话题”。
他更认同“模型即产品”的方向。未来的Agent不应只是外部应用，而是模型本身直接承担产品能力，研究人员也需要像产品经理一样，把研究成果做成真实世界可用的系统。
随着主动学习的发展，Agent将具备长时间托管式工作的能力，在执行通用任务的过程中自行进化、决定行动路径，这对模型能力上限提出了极高要求，也意味着做基础模型本身就是在做产品。
进一步来看，Agent的潜力还取决于其与环境的交互深度，目前主要停留在数字环境中，未来若能进入真实物理世界、结合机器人与实验系统，才可能真正承担长周期、高价值任务。
关于通用Agent的机会归属，林俊旸认为取决于是否能解决长尾问题：若创业者是“套壳高手”，在产品层面能做得比模型公司更好，那仍有机会；否则模型公司凭借算力、数据和强化学习，往往能更快覆盖这些问题。
杨强认为，Agent的核心分化在于“目标”和“规划”是否由AI自主完成。他指出，当前阶段“目标也是人定义的，规划也是由人来做的”，仍然非常初级。真正成熟的Agent，应当能够通过观察人类工作、充分利用数据，最终成为由大模型内生的原生系统。
唐杰则强调Agent能否成立取决于价值、成本和速度三点。首先，关键在于Agent本身有没有解决实际问题，否则很容易被简单的prompt或API替代。
其次是成本约束，如果成本特别大，也是一个问题。最后是时间窗口“如果能拉开半年的时间窗，迅速把应用做出来，才可能形成优势。
在他看来，大模型竞争已进入拼速度、拼时间的阶段，Agent等应用仍是方向，但成败取决于执行效率。
（4）3-5年后，中国团队成为全球最领先的AI团队的概率有多大，文化、关键条件还差在哪儿？
姚顺雨认为，中国在工程能力、产业化和人才密度上具备显著优势，一旦技术范式被验证，往往能以更高效率追赶甚至局部超越，未来领先的概率很大。目前的关键瓶颈在于算力、光刻机与软件生态，以及To B市场和国际商业环境。
同时，他强调中国真正需要突破的是能否引领“新范式”，这依赖更多敢于长期探索、容忍不确定性的研究文化，而非过度依赖榜单与短期确定性成果。
林俊旸相对谨慎，他认为中美在算力规模和研究资源投入上仍存在巨大差距，美国算力要多1-2个数量级。美国能将大量算力用于下一代前沿研究，而他称国内的交付工作就已经占据了很多算力。
但他也认为“穷则生变”，软硬件协同、模型与芯片共设计可能孕育新机会。他认为未来3-5年内中国团队全球领先的概率在大概20%，并且这已经是非常乐观的估计。
不过，他并不恐惧这种差距，而是建议业内保持冷静的心态，并回归初心，考虑模型能为人类社会带来什么价值。他称，就算自家模型不是最强的也能接受。
杨强从历史视角出发，认为中国在互联网与应用层曾实现快速追赶，AI作为通用技术同样具备潜力，尤其在To C领域百花齐放，To B也将通过工程化与知识迁移逐步成熟。
唐杰则指出代际变化带来的希望：90后、00后更具冒险精神，若营商环境与资源配置进一步改善、个人长期坚持，中国AI创新仍有现实机会。
五、清华大学张钹院士：AGI要有“可检验”的定义，大模型有五个根本缺失
听完前面几位嘉宾的分享，已经91岁的中国人工智能研究先行者、清华大学教授张钹院士临场做了一份PPT，回应了“从语言模型到AGI”的几个关键问题。
他认为，大模型虽然能生成流畅语言，但它基于的是近似的语义定义，本质上只是把词语周围出现频率最高的词，变成向量空间的几何结构。
而这种建模方式不可避免地带来五类缺失：指称缺失、因果缺失、语用缺失、多义和动态语境缺失，以及闭环行为缺失。这些缺失直接影响语言模型做应用的能力。
同样，面对“从语言模型走向Agent”的行业趋势，张钹院士还提出，应该抛弃模糊、不可执行的AGI定义，重新建立一种“可执行、可检验”的标准。
他认为，“大家都说AGI，因为AGI很有吸引力，这里有一个误导，大家以为做AGI都要做通用，其实AGI确实强调通用，但是跟我们目前想做的事不是一回事，但现在大家都这么用，我们也只好这么用。”
例如，马斯克说：“我们人类70%以上的任务，机器都会干，而且达到或者超过人类的水平”。这样的说法，既无法执行，也无法验证，容易造成误解。
“什么叫做达到人类水平？时变率超过人类，算不算达到人类的水平，有的人说算，有的人说根本不算，如果鲁棒性从其他方面来看差得远。”他反问道。
他认为应该有一个“可执行、可检验”的AGI定义，核心是五个能力：时空一致的多模态理解与落地、可控的在线学习与适应、可验证的推理与长期执行与规划、可校准的反思与元认知，以及跨任务的强泛化。他说，“按照这个定义，应该是可以指导我们往前做的。”
同时，张钹院士还提醒，真正需要治理的不是AI本身，而是“研究者和使用者”。他认为，“这里头，涉及到我们人工智能时代的企业、企业家应该担负什么责任。”
他称，过去并不鼓励学生创业，但现在认为“大模型改变了一切，最优秀的学生应该去搞企业”。
在他看来，AI时代的企业家不只是做产品服务，而是要把知识、伦理和技术变成可复用的工具，推动AI像水电一样服务全社会。他觉得这是一份“光荣而神圣的职业”。
结语：关于AGI的方向、形态与边界，仍在不断厘清
从“Scaling还够不够用”，到“Agent是不是只是套壳”，再到“通用智能能不能被可检验地定义”，这场AGI-Next峰会展现了当前中国AI技术领军者们对下一阶段智能路径的分歧与共识。
可以看到，在模型发展路线图上，有人继续押注更长上下文、更强推理、更稳训练的工程演进，也有人开始强调新架构、新记忆范式和Embodied模型。
在产品形态上，有人坚持“模型即产品”，也有人探索更强执行力与主动性的具身体系。而在AGI定义本身上，更有学界前辈呼吁回到“可执行、可验证”的概念，拒绝空泛与误导。
谁能在范式变动中明确方向，在落地节奏中建立真实优势，或将成为决定接下来几年AI格局的关键变量。
热门跟贴