文/绛枫
1月10日下午，姚顺雨的面孔“闪现”在北京中关村国际创新中心会场的一块大屏上。这是他加入腾讯后，首次在公开场合发声。
这位年仅27岁、被外界称为“天才少年”的OpenAI 前研究员，于去年底加入腾讯，出任腾讯“CEO/总裁办公室”首席AI科学家，并同时负责大语言模型部及新成立的AI Infra部。这被视为腾讯加码AI基础研究和底层能力建设的明确信号。
因此，当他以线上形式，出现在由清华大学与智谱AI发起的AGI-Next前沿峰会圆桌论坛时，整个会场都将目光投向了屏幕上那张年轻的面孔。
除了姚顺雨，这场活动的嘉宾还有刚刚完成上市的智谱创始人唐杰，近期完成5亿美元融资的Kimi创始人杨植麟，阿里Qwen技术负责人林俊旸等。有媒体提及，这四位是中国AI领域的“基模四杰”。
会上，姚顺雨没有抽象描绘AGI愿景，而是把重点放在当前AI产业的结构性变化上。他用To B和To C的二元框架观察分析，从AI应用的分化、AI产业的演进，聊到Agent的价值创造、下一代范式创新。
对于加入腾讯后的工作方向，他提到，腾讯是一家To C基因很强的公司，会思考如何让AI为更多用户提供价值，并在丰富的场景中将AI落地。
姚顺雨的语言审慎且务实，阐释了与当下AI发展的五个关键思考。
To C与To B，AI应用加速分化
对谈中，姚顺雨观察到的第一个趋势，是AI应用正沿着To C和To B两条路径加速分化。这种分化不仅体现在产品形态上，更深植于其价值创造的核心。
当下，尽管模型在“抽象代数和伽罗瓦理论”等高阶智能上持续精进，但这在普通人的日常场景中感知不强。Chatbot产品也更多被定位为“搜索引擎的加强版”，用户的使用方式相对浅层，模型的深层智能并未被有效激发。
这揭示了To C产品的一个核心困境：智能的边际效用正在递减。
也就是说，一旦模型能力超越用户日常需求的阈值，单纯提升“智商”所带来的体验增益便不再显著。用户的感知，已从模型是否“聪明”，转向其是否“好用”与“懂我”。
与此形成鲜明对比的是以编程为代表的To B场景。姚顺雨认为，AI正重塑整个计算机行业的作业方式，人类的角色从“写代码”转变为“用自然语言与计算机交流”。
在To B场景中，智能与生产力、商业价值紧密绑定。“智能越高，生产力越高，价值也相应越高。”这是一个简单而直接的逻辑。姚顺雨描绘了一个清晰的使用场景：一位年薪20万美元的工程师，每日处理10个任务。一个顶尖模型（月费200美元）能正确完成八九个，而一个稍逊的模型（月费20-50美元）仅能做对五六个。
问题在于，使用者无法预知在较弱的模型中哪几个任务会出错，因而必须投入额外心力进行监督与修正。这种不确定性带来的心智负担及潜在风险，驱使企业和专业人士愿意为“最强”与“最可靠”的模型支付高昂溢价。
这种C端体验收敛、B端价值分化的局面，正预示着AI商业化路径的分野。
姚顺雨提及，改善C端体验的破局点或许不在模型本身，而在于“额外的上下文”。他以“今天该吃什么”这一日常问题为例，阐释了上下文的重要性。模型回答的质量，并非取决于推理能力的强弱，而在于它掌握了多少额外信息，比如天气、用户地理位置、历史口味偏好等。
整合与分层，两种AI产业生态的演变
姚顺雨的第二个观察，涉及了AI产业的结构性问题：未来，AI行业会走向苹果式的“垂直整合”，由少数公司提供从模型到应用的一体化解决方案？还是会重现PC时代的“分层解耦”，形成模型、中间件、应用泾渭分明的生态格局？
他认为，两种模式的演变已经展开，并在To C和To B市场呈现出不同趋势。
一个经典案例是ChatGPT Agent。在Agent概念兴起之初，行业普遍认为，像OpenAI这样既掌握最强模型，又自研应用的“垂直整合”玩家，拥有无可比拟的天然优势。但姚顺雨指出，“今天来看，事实并非如此。”
他解释道，模型层和应用层所需的核心能力迥异。模型层，尤其是面向To B场景，更大规模的预训练仍是提升能力的关键，这是应用公司难以承受的重资产投入。而应用层，则要求对特定场景的深刻理解、对用户体验的极致打磨，以及在模型之上进行大量的适配与工程化工作。
在To C应用上，姚顺雨认为垂直整合的逻辑依然成立。因为C端体验的流畅性与一致性至关重要，模型的能力边界必须与产品功能设计紧密协同，快速迭代，这使得模型与应用的“强耦合”成为必然。
但在To B领域，趋势似乎恰好相反。姚顺雨观察到，企业服务市场中，模型正逐渐演化为一种可被调用的基础能力。与此同时，大量优秀的应用层公司涌现，它们专注于将最顶尖的模型（如Claude、Gemini）与自身的应用（如Manus）结合，在特定的生产力环节创造价值。
这一趋势的背后，是To B市场的复杂性与多样性。没有任何一家模型公司能够穷尽所有行业与场景的需求。
因此，一个开放、分层的To B生态系统或许更具活力：强大的模型厂商专注于提升“智力”，而应用开发者则致力于构建“场景”和“工具”，二者结合，共同将AI的能力注入经济体的毛细血管。
自主学习，一场正在发生的范式渐变
当预训练与强化学习的潜力逐渐被挖掘，行业开始集体焦虑：下一个能够带来指数级提升的范式是什么？而“自主学习”已成为硅谷当下最热门的议题。
作为亲历者，姚顺雨分享了他对这一前沿方向的两个核心判断。
第一，自主学习并非一种方法论，它关乎数据或任务。他强调，自主学习并非一个统一、普适的技术框架，而是与具体场景、任务及奖励函数紧密绑定。它在不同场景下呈现出不同形态：
在聊天场景，模型依据用户反馈进行个性化调整，是一种自主学习。
在代码编写中，模型逐步熟悉特定公司的代码库与开发环境，是一种自主学习。
在科学探索中，模型如博士生般从零开始精通一个新领域，也是一种自主学习。
这意味着，自主学习的实现路径是多样化的，不存在解决所有问题的“银弹”。关键在于为AI定义清晰的目标，并提供一个能够让其持续与环境交互、获得反馈、进行迭代的场域。
第二，自主学习并非遥远的愿景，而是已经萌芽并悄然发生的现实。
他列举了几个实例：ChatGPT利用海量用户对话数据持续优化语言风格，以更贴合人类偏好，这本质上是一种广义的自主学习。更具代表性的Claude，据称其项目本身95%的代码已由模型自行编写。“大模型在帮助自己变得更好，这难道不是一种自主学习吗？”
姚顺雨提及，早在2022至2023年，他在硅谷交流时，第一页PPT写的便是“ASI（超级人工智能）最重要的点是自主学习”。他认为，今天的AI系统本质上由“模型”和“代码库”两部分构成。前者是智能核心，后者定义了如何使用模型进行推理或执行动作。
自主学习，正在“代码库”层面引发一场革命。无论是Claude用于自我部署和维护的系统代码，还是各类Agent框架，都是在驱动AI利用自身能力，去优化和扩展其行为边界。
然而，这场已经发生的变革，为何尚未给外界带来“石破天惊”之感？姚顺雨认为，一方面，当前自主学习的效率与能力仍受限于特定场景，尚未产生强大的泛化能力；另一方面，则源于行业对新范式缺乏“想象力”。
人们很容易想象强化学习将数学解题得分从10分提升至80分，但难以想象一个真正实现自主学习的系统，应完成何种任务、呈现何种效果，才能证明其革命性。
在姚顺雨看来，自主学习更像一场“渐变”，而非“突变”。它的到来不会以某个标志性事件宣告，而是会随着对一个个场景的渗透，逐渐积蓄力量，最终在某个时刻，让人们蓦然发现，AI的能力边界已发生质的飞跃。
Agent如何创造真正的价值？
如果说模型是AI的大脑，Agent则是其躯干，即连接数字智能与物理世界的桥梁。行业普遍认为，2026年可能成为Agent创造经济价值的关键一年。
对此，姚顺雨的思考，同样延续了他关于To B与To C分化的框架。
To B领域，Agent的进化路径清晰而确定。“To B的Agent正处在一条持续上升的曲线上，目前看不到任何放缓的趋势。”其核心逻辑简单而直接：只要模型预训练能力持续增强，后训练阶段能对齐更多真实世界的复杂任务，Agent就会变得愈发智能，能解决的任务愈多，带来的经济收益也愈大。这是一个确定性的、投入产出比清晰的方向。
但想在To B领域大规模落地Agent，除了模型能力，姚顺雨强调了另外两个关键变量：“环境问题与部署问题”。他分享了自己的一段实习经历，最大的认知收获是：“即便今天的模型不再进步，训练全部停止，只是将现有模型部署到世界各地的公司，就足以带来10倍乃至100倍的收益，对GDP产生5%到10%的影响。而今天，它对GDP的影响还不到1%。”
这揭示了一个巨大且远未被充分挖掘的价值空间。如何将强大的模型能力，无缝、可靠、安全地嵌入企业现有的工作流、软件和基础设施，是一个巨大的挑战，也是一个巨大的机遇。
而在To C领域，Agent的发展逻辑截然不同。模型的智能与产品的日活跃用户数，“很多时候并不相关，甚至是负相关”。C端用户追求趣味、陪伴、效率或便利，一个“更聪明”的Agent并不等同于一个“更受欢迎”的Agent。这使得To C Agent的成功路径更为模糊，需要更多的产品创新与对人性的深刻洞察。
此外，姚顺雨特别强调了“教育”在Agent时代的重要性。“更多时候并非AI替代人类工作，而是会使用这些工具的人，替代那些不会使用的人。”这与个人电脑诞生之初的历史惊人地相似。
如何教育并赋能更广泛的人群，让他们掌握使用AI的方法，将成为中国能否抓住这波AI红利的关键。这不仅是产品公司的机遇，也是整个社会需要面对的课题。
从“快速复现”到“范式开创”，中国AI走到十字路口
对谈尾声，话题回归到一个更宏大也更根本的问题：在全球AI的竞逐中，中国未来三到五年的机遇与挑战何在？
姚顺雨的回答审慎而乐观。乐观之处在于，中国拥有庞大的工程师红利和快速的产品迭代能力。“目前来看，任何一个方向一旦被验证，中国就能迅速复现，并在许多局部做得更好。”从制造业到电动汽车，中国已反复证明其在应用和工程层面的巨大优势。
值得一提的是，对谈中另一位嘉宾杨强回顾互联网技术革命，“最初也是从美国开始，但中国很快就赶上了，而且像微信这样的应用，做到世界第一”。中国庞大的人才储备、完善的基础设施和巨大的市场，是其最坚实的底牌。
然而，包括姚顺雨在内，与会者们也清醒地指出了中国AI发展面临的几个关键瓶颈。
比如，算力瓶颈，中国的光刻机能否突破。若算力最终成为硬性约束，将直接制约发展上限。尽管中国在电力和基础设施上具备优势，但核心硬件的自主可控是绕不开的命题。
To B市场成熟度的问题。相较于美国，国内企业付费意愿和软件生态相对薄弱，导致许多优秀的生产力应用选择出海。一个成熟、健康的To B市场，是AI技术转化为生产力的重要土壤。
还有，文化与认知的深层差异。在中国，经济、商业和文化环境共同造就了一种偏向保守和确定性的氛围。当一个范式被验证后，中国可以迅速跟进并做到极致，但在开创一个全新的、不确定的范式上，则动力不足。
变化的种子也正在萌发。比如像Deepseek这样的团队，“他们可能没那么关注榜单数字，而更注重两件事：第一，什么是正确的事；第二，什么是你自己能体验出好坏的。”
这种“走出榜单束缚，坚持做自己认为正确的事”，正是从一个快速复现者，迈向一个范式开创者所必备的品质。
热门跟贴