近日，由清華大學基礎模型北京市重點實驗室發起AGI-Next 前沿峯會，把 AI 圈大半邊天聚到了一塊。基模四傑全員到場：智譜唐傑、Kimi 楊植麟、阿里林俊暘，還有 “突然貼臉跳屏” 的姚順雨。要點提煉：<blockquote><ul><li>競爭座標遷移：Chat 時代的工程問題已基本解決，未來的勝負手不再是更聰明的 “搜索框”，而是能否完成複雜、長鏈路的真實任務。AI 的核心價值正從 “提供信息” 轉向 “交付生產力”。</li><li>核心門檻更迭：Agent 的瓶頸不在於思維深度，而在於環境反饋。未來的訓練範式將從人工標註轉向 RLVR（可驗證強化學習），只有讓模型在具備明確對錯判定（如代碼、數學、真實業務流）的 “關卡系統” 中自我迭代，才能實現落地。</li><li>效率成為新槓桿：高質量數據即將枯竭，未來的競爭是 “能源轉化效率” 的競賽。通過二階優化器和線性架構實現更高的 Token Efficiency（單位數據學習效果），是在算力受限背景下突破智能天花板的關鍵。</li><li>概率的清醒認知：行業共識認為中國在舊範式（工程復現、局部優化、toC 落地）上的反超勝率很高，但在引領新範式（底層架構革新、長期記憶等）上的勝率可能不超過 20%，因為美國在基礎研究上的算力投入高出數個量級。</li><li>彎道超車的機會窗口：反超的機會藏在兩個變量裏：一是當 Scaling Law 遭遇邊際效應遞減，全球被迫進入 “智能效率” 競賽時，中國的節儉式創新可能突圍；二是隨着學術界算力條件的改善，2026 年前後可能出現由學術驅動的範式轉向。</li><li>成功的終極變量：中國最缺的不是榜單分數，而是對不確定性的容忍度。真正的反超取決於我們是否敢於從 “確定性的交付壓力” 中抽身，將資源投向那些可能失敗但能定義未來的新範式，而非僅僅在舊賽道刷榜。</li></ul></blockquote><figure class="image"><img src="https://pub.pbkrs.com/uploads/2026/8e4cd9e7b14404c5bbd3c24737e83851?x-oss-process=style/lg" width="1024" height="682" original-src="https://pub.pbkrs.com/uploads/2026/8e4cd9e7b14404c5bbd3c24737e83851"/></figure>如果只看熱搜，會覺得這場清華峯會的氣氛是：“中國模型崛起、開源佔榜、AGI 在望。”但只要把圓桌那段關於 “中國能否反超” 的討論完整讀一遍，你會發現他們的真實情緒更接近——<blockquote>“我們有機會，但別自嗨；短期能追平，長期能引領範式才算贏。”</blockquote>甚至有人把概率直接壓到一個非常 “反公眾號” 的數字：不超過 20%。<h2 id="b0ktp8ka">姚順雨：樂觀，但前提是 “新範式要敢賭”——否則就是追分追到天花板</h2>姚順雨的結論其實分兩層：第一層：復現與工程，中國很強他説得很直接：任何一個事情一旦被證明可行，中國往往能很快復現、並在局部做得更好——類似製造業、電動車的路徑已經反覆發生。這對應的是 “追平甚至反超現有範式” 的能力：更卷的工程、更快的迭代、更強的交付。第二層：真正的難點是 “引領新範式”他強調：“中國唯一要解決的問題” 是——能不能引領新的範式（比如長期記憶、持續學習、真正的自主學習框架），而不是在舊範式裏刷榜。因為舊範式裏你可以靠效率、組織、工程追上； 但新範式裏你需要願意長期投入、承受不確定性、容忍失敗。他給出的關鍵約束：三道門檻<ul><li>算力瓶頸：光刻機/產能/軟件生態如果卡住，會拖慢上限。</li><li>toB 市場與國際商業環境：國內付費文化與企業側採用速度，會影響 “把技術變成現金流” 的能力。</li><li>文化與組織的冒險程度：敢不敢把資源投到 “不確定但可能改變遊戲規則” 的方向。</li></ul>姚順雨的 “樂觀” 更像：有條件，有窗口，但不自動發生。如果生態繼續只獎勵確定性、只獎勵榜單數字，那 “反超” 就會停留在口號裏。<h2 id="x9db2tkuq">林俊暘：最明確的 “概率上限”——20%，理由是 “美國的 Research 投入量級更大”</h2>在四個人裏，林俊暘是最 “掐數字” 的那個：他認為領先的概率 “20%”，而且已經算非常樂觀。為什麼他會把上限壓這麼低？核心不是 “我們不行”，而是他看到了結構性差異：結構差異 1：算力投入的 “用途” 不同他提到美國的 Computer（算力）可能比我們大 1-2 個數量級，更關鍵的是——他們大量算力投向 “下一代 Research”，而我們大量算力被交付與產品化佔據。翻譯成人話就是：<ul><li>美國在 “賭未來”，容錯高；</li><li>中國在 “先活下來”，交付壓力大。</li></ul>結構差異 2：窮則生變，但也可能被現實消耗他當然也講了反轉可能性：富哥浪費卡，窮人更有動力做算法 +infra 聯合優化，可能出現 “窮則生變” 的創新。但他仍然把概率壓在 20%，説明他判斷：“節儉式創新” 能追平效率，但要 “領先範式”，仍然難度很大。林俊暘的核心態度：不是沒機會，而是不要把 ‘能追上’ 誤當成 ‘會領先’。<h2 id="zgql8ym5">唐傑：承認差距，但押注 “2026 範式革新”——機會來自學術界開始回到牌桌</h2>唐傑的説法更像一個 “路徑判斷”：先承認：中美在企業 AI Lab 研究上確實有差距他説得很明確：要承認差距存在。但他押注：2026 一定會發生範式變化理由是兩點：<ol><li>學術界開始跟上： 過去工業界卡多、學術界幾乎沒卡；現在學校算力條件改善，研究種子開始發芽。 一旦學術界參與度上來，範式探索的可能性會增大。</li><li>效率成為硬瓶頸： 繼續 Scaling 當然有效，但投入巨大、收益邊際變小，會逼出 “智能效率” 的新範式——用更少的投入換同樣的智能增量。</li></ol>唐傑的樂觀點不是 “我們現在就領先”，而是：當效率成為瓶頸時，新的算法/架構/訓練範式更可能出現，而這是追趕者可能反超的窗口。他更像在説：“領先靠資源，反超靠拐點。” 而他押注拐點會在 2026 前後出現。<h2 id="s9k6tq709">楊強：更偏 “結構性樂觀”——toC 更可能先贏，toB 要補課；聯邦/協作式路線是現實機會</h2>楊強並不直接給概率，但他的態度很明確：他更看好中國先在 toC 做出世界級形態理由類似互聯網史：底層技術先在美國出現，但中國能在應用形態上做到極致（例如微信的例子）。他對 toB 的判斷更謹慎：需要補 “企業側彌合 gap” 的能力他提到類似 Palantir 那種 “把 AI 與企業流程之間的 gap 彌合” 的工程體系（本體、FDE 等），中國需要發展自己的 toB 解法。他的技術押注：通用大模型 + 本地小模型協作（隱私/安全）聯邦學習的視角，是一條更適合中國落地的路線：在醫療、金融等強隱私場景下，協作式架構會越來越重要。楊強的最終結論是：中國會在 toC 百花齊放；toB 也會跟上，但路徑不是照抄硅谷，而是發展自己的 “協作與落地體系”。

阿里巴巴

阿里巴巴-W

智譜

騰訊控股(ADR)

騰訊控股(ADS)

騰訊控股

大模型競爭已從 “Chat” 轉向 “Agent” 階段，重心從榜單分數位移至真實環境的複雜任務執行。行業預判 2026 年為商業價值落地元年，技術路徑正向可驗證強化學習（RLVR）演進。面對 “中國反超” 議題，領軍者持冷靜態度，將領先概率評估為 20% 以內，認為中美在算力投入結構、新範式引領及 toB 生態上的本質差距。

- AI 核心價值從 “提供信息” 轉向 “交付生產力”。
- 競爭焦點將轉向能否完成複雜真實任務的智能體。
- 中國在新範式的領先概率不超過 20%。

中國 “AI 四巨頭” 罕見同台，阿里、騰訊、Kimi 與智譜 “論劍”：大模型的下一步與中國反超的可能性