1月10日，由清華大學基礎模型北京市重點實驗室與智譜AI聯(lián)合主辦的AGI-Next前沿峰會圓桌對話，圍繞2026年AI發(fā)展重點展開深度交鋒。

2025年是中國開源模型大放異彩的一年，是開源四杰在全球大放異彩的一年，而且是Coding過去一年有10-20倍增長的一年，包括海外也在提Scaling到底走到哪一步了，有沒有新范式出來了，接下來這個Panel是到底接下來怎么走。

姚順雨（騰訊首席人工智能AI科學家）：我有兩個大的感受，一個感受是To C和To B發(fā)生了明顯的分化，另外一個感受是垂直整合這條路，以及模型和應用分層這條路，也開始出現(xiàn)了分化。

當大家想到AI就是兩個，ChatGPT，另外一個Claude Code，是做To C和To B的典范。Coding夸張一點來講，已經(jīng)在重塑整個計算機行業(yè)做事的方式，人已經(jīng)不再寫代碼，而是用英語和電腦去交流。

對于To C來說，大部分人大部分時候不需要用到這么強的智能，大部分人尤其是在中國更多像是搜索引擎的加強版。但對于To B來說，很明顯的一點是智能越高，代表生產(chǎn)力越高，值錢的也越來越多，一個模型是200美元/月，差一些的模型是50美元/月、20美元/月，很多美國的人愿意花溢價用最好的模型。在To C的應用上垂直整合還是成立的，無論是ChatGPT還是豆包，模型和產(chǎn)品是非常強耦合去緊密迭代的。但是對于To B來說這個趨勢似乎是相反的，模型在變得越來越強、越來越好，但同樣會有很多應用層的東西應用好的模型在不同的生產(chǎn)力環(huán)節(jié)。

我覺得騰訊肯定還是To C基因更強的公司，很多時候需要的是額外的Context。To B在中國確實是很難的事情，生產(chǎn)力的革命，包括我們今天很多中國的公司做Coding Agent需要打很多海外市場。

林俊旸（阿里巴巴Qwen技術負責人）：我覺得今天To B也好，To C也好，我們在服務真實的問題，我們想的問題是怎么把人類世界變得更好。你就算做To C的產(chǎn)品也會分化，今天OpenAI更像一個平臺了，但是To C最終要服務真實的這批用戶究竟是誰。今天可能有很多AI會更偏向medical和law，今天我覺得Coding真的很厲害，我就拜訪它，因為我知道他們跟客戶交流非常多，這個是我們還不夠好的一個點。雖然我們擁有巨大的優(yōu)勢，也可能中國SaaS市場跟美國確實不太一樣，他們確實非常頻繁地跟客戶進行交流，很容易發(fā)現(xiàn)很大的機會。今天我跟美國的很多API廠商聊起來，他們沒有想到Coding消耗量那么大，在中國真的沒有那么大，至少從我這邊來看，但是在美國，基本上全都是Coding，我覺得這個事情不是所有人都能Get到的。

楊強（加拿大皇家科學院院士）：分化的問題其實我更想聊一下工業(yè)界和學術界的分化，這個可能是橫跨美國和中國的。一直以來，學術界是一個觀望者，工業(yè)界在領頭往前瘋跑，搞得很多學術界的人也在做工業(yè)界的事情，像唐杰老師。這是一個好事，就好像天體物理學剛剛開始的時候是以觀測為主，伽利略的望遠鏡，然后才出現(xiàn)牛頓。所以我覺得后面一個階段，當我們有了眾多的穩(wěn)定大模型，進入一個穩(wěn)態(tài)的時候，我們學術界應該跟上來。

智能上界在哪里？計算機理論課里面有一個重要的定理叫哥德爾不完備定理，大概意思是說一個大模型不能自證清白，必定有一些幻覺不可能消滅掉，可能你給更多的資源，它會消滅得更多。所以科學問題就來了，你多少資源能夠換取多少幻覺的降低或者錯誤率的降低，這是有一個平衡點的，這個平衡點特別像經(jīng)濟學，經(jīng)濟學的風險和收益的一種平衡，所以我們叫這叫無免費午餐定理。像這些東西，我覺得今天就特別適合數(shù)學界、算法界和學術界和工業(yè)界一起做研究，這孕育著一個巨大的突破。

持續(xù)學習是一個特別好的問題，它里面有個時間的概念，你在持續(xù)地不斷地學的過程當中，但是你會發(fā)現(xiàn)，比方說你把不同的Agent給串聯(lián)起來，每一個Agent都不能做到百分之百的話，你在N個以后它的能力是按指數(shù)下降的，你怎么樣能夠保證它不下降。人類是用一個方法做這個事，第一天是學習，第二天會在第一天噪音的基礎上學習，這樣你的能力就類似大模型會下降。但是人類有一個方法就是睡覺、睡眠，我建議大家看一本書叫《我們?yōu)槭裁此X》，是MIT的兩個教授寫的，非常好玩，它說每天晚上睡覺是在清理噪音，使得第二天你可以把準確率持續(xù)地提升，不至于是兩個錯誤率的疊加。像這些理論的研究孕育著一種新的計算模式。我們今天可能比較關注Transformer，但是我覺得有必要做一些新的探索，這是工業(yè)界和學術界要拉齊。

唐杰（智譜首席科學家、清華大學教授）：都希望機器有泛化能力，我教它一點點，它就能舉一反三，我們的目標是希望通過Scaling讓它有更強的泛化能力。

最早期的時候我們用Transformer訓一個模型，把所有的知識記憶下來。我們訓的數(shù)據(jù)越多，我們訓的算力越多，它的長時知識的記憶能力越強，第二層是把這個模型進行對齊和推理，讓這個模型有更復雜的推理能力以及理解我們的意圖。今年是RLVR（可驗證獎勵強化學習）爆發(fā)年。

2025年初DeepSeek出來，很多時候叫橫空出世，我們當時的想法也許新的范式是讓每個人能夠用AI做一件事情，這可能是下一個范式，技術路線的選擇：Thinking + Agentic + Coding。

中國團隊另辟蹊徑，繞開光刻機“卡脖子” 中國新型芯片問世，支撐AI訓練和具身智能

2025年10月，北京大學人工智能研究院/集成電路學院雙聘助理教授孫仲與北京大學集成電路學院蔡一茂教授、王宗巍助理教授率領的團隊成功研制出基于阻變存儲器的高精度、可擴展模擬矩陣計算芯片，在全球范圍內(nèi)首次將模擬計算的精度提升至24位定點精度，讓未來同等任務下使用更少的計算卡成為可能。

這是一種完全不同于目前所有商用量產(chǎn)芯片的新型芯片，計算精度從1%躍升至千萬分之一；可以支撐6G、具身智能及AI大模型訓練等多個前沿場景；更重要的是，它可在28納米及以上成熟工藝量產(chǎn)，繞開光刻機“卡脖子”環(huán)節(jié)。

事實上，AI大模型、具身智能、6G等應用背后都是矩陣計算，AI推理是做矩陣乘法，AI訓練是在解矩陣方程。而英偉達的崛起正是得益于GPU（圖形處理器）很擅長做矩陣計算。

孫仲：計算范式只有兩種：模擬（類比）計算與數(shù)字計算。當前主流芯片——無論是GPU、TPU（張量處理器）、CPU（中央處理器）還是NPU（神經(jīng)網(wǎng)絡處理器）——都是數(shù)字芯片，底層都是硅基器件，基于邏輯門（邏輯函數(shù)）、晶體管，都要二進制化。以先進GPU為例，一張卡可能集成超過1000億個晶體管，因此能提供很大的算力。但如果追本溯源，會發(fā)現(xiàn)數(shù)字計算其實并非一種很高效的計算方式。

舉例來說，想要完成一次簡單的“1+1”需要28個晶體管，想完成兩個10位數(shù)的乘法需要約1萬個晶體管。但正因為現(xiàn)在晶體管可以做得很小，才能在芯片上容納千億級的晶體管，所以它可以“以量換算”——一次操作要消耗1萬個晶體管，它不在乎，因為它足夠多，1000億除以1萬還有1000萬，這意味著它還有很大算力。

而一個芯片里能有這么多晶體管，在于摩爾定律。我認為摩爾定律是讓現(xiàn)在數(shù)字芯片如此成功的唯一推手。最初晶體管做出來大概是5厘米×5厘米×5厘米這么大，因為有摩爾定律，5厘米變成5納米，所以千億級的晶體管也可以被塞進去，否則，一萬個晶體管可能要鋪滿整間屋子甚至整個樓層。

但如今摩爾定律趨于終結，晶體管很難再微縮，所以業(yè)界現(xiàn)在只能橫向堆計算卡：少則百卡，多則萬卡、十萬卡。但這樣的方式我認為是不可持續(xù)的——能耗、碳排放均呈指數(shù)級上升，與國家“雙碳”目標相悖。因此，我認為需要探索一種不同的計算范式，即模擬（類比）計算。

模擬計算并非全新的計算范式，在上世紀30至60年代曾被廣泛應用，但隨著計算任務日益復雜，其精度瓶頸凸顯，逐漸被數(shù)字計算取代。我們這次研究的核心正是要解決模擬計算“算不準”這一痛點。

模擬計算也叫類比計算，人類從小算“1+1”，并非動用28個晶體管，而是“一根筷子加一根筷子等于兩根筷子”“一棵樹加一棵樹等于兩棵樹”的物理類比，一根筷子、一棵樹都是物理系統(tǒng)。若將“筷子”“樹”縮至電子尺度——1個電子加1個電子是2個電子，這永遠成立，要做計算的時候，就可以直接通過物理定律來做計算——相較于28個晶體管，電子級類比在硬件資源開銷與能耗上均下降數(shù)個量級。

數(shù)字計算是二進制，都以0和1來表示信息，例如“5”被編碼為“101”，任何運算都需通過邏輯門對二進制信息進行操作；模擬計算則無需編碼，“5”可直接對應物理量（如5 V、5000Ω），加法與乘法都可以直接通過物理定律瞬時完成。

換句話說，數(shù)字計算中間有一個“翻譯”環(huán)節(jié)，而這個環(huán)節(jié)把原本的信息“翻譯”得體量更為龐大，計算過程需要去一一處理這些更龐大的信息，才能得到針對原始問題的解。而模擬計算則省去了這個中間環(huán)節(jié)，所以速度更快，能耗也大幅降低。

目前這款芯片的研究還處在實驗室階段。需要強調(diào)的是，新型芯片問世，證實了一條新路徑的可行性。我們需要提前做技術儲備：當某類計算任務（如超級AI）急切需要做矩陣方程求解時，中國要有現(xiàn)成方案和團隊站在那里，可能不是我們，是其他團隊，但要有這樣的儲備。GPU當年僅用于游戲，2012年因AI需求爆發(fā)而一飛沖天；同理，中國必須儲備多種先進技術，以等待屬于自己的“2012時刻”。當窗口開啟，技術儲備將決定我們能否抓住下一波浪潮。