出品｜虎嗅科技組

作者｜宋思杭

編輯｜苗正卿

頭圖｜AGI-Next前沿峰會(huì)現(xiàn)場(chǎng)

2026年1月10日下午，中關(guān)村國(guó)際創(chuàng)新中心，一場(chǎng)名為AGI-Next前沿峰會(huì)的閉門會(huì)議正在進(jìn)行。

就在兩天前，港交所迎來(lái)了“全球大模型第一股”。而此刻，這家公司的核心人物之一，清華大學(xué)教授、智譜創(chuàng)始人兼首席科學(xué)家唐杰，已經(jīng)出現(xiàn)在北京的會(huì)場(chǎng)上。

這是智譜上市后的第三天。團(tuán)隊(duì)連夜從香港返回北京，幾乎沒(méi)有留出任何“慶祝窗口期”。

這場(chǎng)由清華大學(xué)基礎(chǔ)模型北京市重點(diǎn)實(shí)驗(yàn)室發(fā)起的會(huì)議，聚集了當(dāng)下中國(guó)AI學(xué)術(shù)與產(chǎn)業(yè)最核心的一批人物：唐杰、月之暗面創(chuàng)始人兼CEO楊植麟、阿里Qwen技術(shù)負(fù)責(zé)人林俊旸、騰訊首席AI科學(xué)家姚順雨。

這場(chǎng)AGI學(xué)術(shù)會(huì)議沒(méi)有“應(yīng)用層”的喧鬧，討論全部指向一個(gè)更底層的問(wèn)題：下一代通用人工智能，往哪走。

如果說(shuō)在過(guò)去兩年，Scaling和Token是AGI領(lǐng)域中最經(jīng)常被提及的兩個(gè)關(guān)鍵詞，那么到今天，一些變量已經(jīng)開(kāi)始發(fā)生。

首先是 Scaling。在大模型飛速演進(jìn)的兩三年里，無(wú)論參數(shù)規(guī)模、算法路徑如何變化，“繼續(xù)Scaling”幾乎是所有討論的默認(rèn)前提。但事實(shí)上，學(xué)術(shù)界對(duì)Scaling的質(zhì)疑從未真正消失，只是在最近半年變得更加集中。

唐杰并沒(méi)有否認(rèn)繼續(xù)擴(kuò)大模型規(guī)模的價(jià)值，但他的表述已經(jīng)明顯從“能不能繼續(xù)Scaling”，轉(zhuǎn)向了“是否值得繼續(xù)這樣Scaling”。

他直言，今天的問(wèn)題不再是算力有沒(méi)有，而是“如果繼續(xù)投入，效率已經(jīng)變成瓶頸”。在他看來(lái)，當(dāng)算力、數(shù)據(jù)和成本的投入不斷放大，但智能提升的增量卻持續(xù)變小，“Scaling也許是一個(gè)比較偷懶的方式”。

而當(dāng)范式討論真正落到技術(shù)細(xì)節(jié)上，Token被反復(fù)推到臺(tái)前。

過(guò)去一年，作為大模型“六小龍”之一的月之暗面，幾乎將全部精力投入到如何用更少的Token壓低Loss上。在K2模型中，他們嘗試以線性注意力等新架構(gòu)，盡可能提升Token efficiency。背后的邏輯并不復(fù)雜——在預(yù)訓(xùn)練階段，Token本身是一個(gè)常量，一旦Token被“吃完”，模型的智能上限也隨之被鎖死。

也正因?yàn)槿绱�，楊植麟在�?bào)告中反復(fù)強(qiáng)調(diào)，Token efficiency已經(jīng)不只是“訓(xùn)練效率”的問(wèn)題，而是直接關(guān)系到模型還能走多遠(yuǎn)。尤其是在Agent與長(zhǎng)上下文任務(wù)逐漸成為主流之后，用更少的Token完成更復(fù)雜的任務(wù)，正在成為一條繞不開(kāi)的技術(shù)路徑。

最后，當(dāng)模型能力與成本約束同時(shí)擺在桌面上，應(yīng)用方向的分化也變得不可避免。

姚順雨判斷，“toC和toB，正在走向兩套完全不同的邏輯�！彼赋�，在消費(fèi)端，“模型變得更強(qiáng)，并不一定能被大多數(shù)用戶感知”，很多時(shí)候只是搜索體驗(yàn)的增強(qiáng)；

但在toB場(chǎng)景里，“智能越高，生產(chǎn)力越高，值錢的也越多”，而且這種差距會(huì)隨著模型能力提升被不斷放大。正因?yàn)槿绱�，�?qiáng)模型和“稍微弱一點(diǎn)的模型”之間，在企業(yè)端的分化會(huì)越來(lái)越明顯，這也在倒逼模型公司重新選擇自己的主戰(zhàn)場(chǎng)。

這場(chǎng)會(huì)議并沒(méi)有給出明確答案，但一些共識(shí)已經(jīng)逐漸成形。

在多位一線研究者的討論中，三條趨勢(shì)開(kāi)始清晰浮現(xiàn)：Scaling之后的新一代范式正在被迫成為新命題；Token效率正在上升為國(guó)內(nèi)大模型競(jìng)爭(zhēng)的決定性因素；中美大模型正走在不同的演進(jìn)路徑。

這三條趨勢(shì)，也是當(dāng)下中國(guó)大模型產(chǎn)業(yè)無(wú)法回避的現(xiàn)實(shí)問(wèn)題。

虎嗅注：以下三項(xiàng)趨勢(shì)為筆者基于唐杰、楊植麟的發(fā)言及圓桌討論內(nèi)容所作的綜合分析

趨勢(shì)一：Scaling 之外，新的范式正在成為新命題

在 AGI-Next 前沿峰會(huì)上，關(guān)于 Scaling 的討論，已經(jīng)明顯不再停留在“還要不要繼續(xù)做大模型”這一層面，而是被不斷推向一個(gè)更根本的問(wèn)題：如果繼續(xù)投入，是否還值得？

唐杰并沒(méi)有回避 Scaling 仍然有效這一事實(shí)。他坦言，只要繼續(xù)擴(kuò)大算力、數(shù)據(jù)與參數(shù)規(guī)模，模型能力依然會(huì)提升。但他隨即給出了一個(gè)更現(xiàn)實(shí)的判斷：真正的瓶頸，已經(jīng)不在于算力有沒(méi)有，而在于效率是否還劃算。

在這種語(yǔ)境下，唐杰將單純依賴 Scaling 形容為“一種相對(duì)偷懶的方式”。類似的質(zhì)疑并非只出現(xiàn)在國(guó)內(nèi)。OpenAI 聯(lián)合創(chuàng)始人 Ilya Sutskever 近年來(lái)也多次指出，當(dāng)高質(zhì)量數(shù)據(jù)逐漸耗盡、訓(xùn)練成本持續(xù)抬升，單純通過(guò)堆疊規(guī)模所獲得的智能增量正在迅速收窄，下一階段的突破，無(wú)法再僅靠“把模型做得更大”來(lái)實(shí)現(xiàn)。

這并非對(duì)過(guò)去路徑的否定，而是一種階段性的反思。過(guò)去幾年，大模型能力的躍遷，確實(shí)高度依賴參數(shù)規(guī)模與數(shù)據(jù)量的線性擴(kuò)張；但當(dāng)這一方法逐漸逼近邊界，繼續(xù)沿著同一方向前進(jìn)，所能換取的，更多是成本的指數(shù)級(jí)增長(zhǎng)，而非智能的同等躍遷。

正是在這樣的背景下，唐杰開(kāi)始反復(fù)強(qiáng)調(diào)一個(gè)關(guān)鍵詞：效率。無(wú)論是模型架構(gòu)、訓(xùn)練策略，還是強(qiáng)化學(xué)習(xí)與 Agent 環(huán)境的引入，核心目標(biāo)都在于，用更少的投入，換取更高質(zhì)量的智能增量。在他的表述中，Scaling 不再是目標(biāo)本身，而只是手段之一；真正需要被重新定義的，是智能是如何增長(zhǎng)的。

而這種對(duì)“下一代范式”的焦慮，其實(shí)在硅谷早就傳來(lái)了。

在圓桌討論中，姚順雨將這一變化放進(jìn)了更大的全球語(yǔ)境中。如果回看過(guò)去十年，OpenAI 實(shí)際上已經(jīng)先后推動(dòng)了兩個(gè)重要范式：第一個(gè)是以預(yù)訓(xùn)練為核心的通用模型范式，第二個(gè)是以對(duì)齊、推理和強(qiáng)化學(xué)習(xí)為代表的能力增強(qiáng)范式。

姚順雨表示，當(dāng)下，越來(lái)越多的研究者開(kāi)始將目光投向一個(gè)尚未被清晰定義的新范式，這個(gè)新范式的前提就是自主學(xué)習(xí)。

“在硅谷的大街小巷、咖啡館里，大家都在談自主學(xué)習(xí)�！币樣晷稳莸�。但他隨即指出，這個(gè)概念本身并不是一個(gè)統(tǒng)一的方法論，而更像是一組尚未被充分展開(kāi)的問(wèn)題集合。真正的瓶頸，并不在于有沒(méi)有新的算法技巧，而在于：數(shù)據(jù)從哪里來(lái)，任務(wù)如何定義。

在他的觀察中，自主學(xué)習(xí)其實(shí)已經(jīng)以非�！皽睾汀钡姆绞桨l(fā)生著。ChatGPT 正在不斷擬合人類的聊天風(fēng)格與表達(dá)習(xí)慣；Claude Code 已經(jīng)可以為自己寫出相當(dāng)比例的代碼，在幫助自身系統(tǒng)變得更好。但這些變化之所以尚未顯得“石破天驚”，并不是因?yàn)榉较蝈e(cuò)誤，而是受限于一個(gè)現(xiàn)實(shí)條件——缺乏足夠強(qiáng)的預(yù)訓(xùn)練能力與通用底座。

至于信號(hào)何時(shí)會(huì)真正出現(xiàn)，姚順雨給出了一個(gè)相對(duì)克制的判斷：2026 年，可能會(huì)看到一些跡象，比如 Cursor 這類工具所展現(xiàn)出的變化。但他認(rèn)為，更大的問(wèn)題甚至不在技術(shù)本身，而在于想象力——如果真正意義上的自主學(xué)習(xí)出現(xiàn)，它會(huì)長(zhǎng)成什么樣？它的效果，應(yīng)該如何被驗(yàn)證？

當(dāng)被問(wèn)及“下一個(gè)范式最有可能出現(xiàn)在哪家公司”時(shí)，姚順雨給出的答案依然是 OpenAI。盡管他也同時(shí)指出，其商業(yè)化進(jìn)程正在不可避免地影響OpenAI的創(chuàng)新基因。

這樣的制衡關(guān)系，本身就是新范式在全球范圍內(nèi)都還遲遲未能清晰落地的重要原因之一。

林俊旸則從另一個(gè)角度補(bǔ)充道：用 AI 訓(xùn) AI在技術(shù)上很快就可以實(shí)現(xiàn)，但真正困難的，是讓系統(tǒng)持續(xù)理解用戶本身。在他看來(lái)，如果自主學(xué)習(xí)只是停留在參數(shù)更新或模型自舉層面，意義有限；真正的挑戰(zhàn)，在于讓模型在長(zhǎng)期交互中形成穩(wěn)定、可演進(jìn)的認(rèn)知結(jié)構(gòu)。

這些討論最終指向一個(gè)尚未被回答的問(wèn)題：當(dāng) Scaling 的邊際收益開(kāi)始下降，自主學(xué)習(xí)仍然停留在早期信號(hào)階段，“新的范式究竟會(huì)在哪里率先成形？”

或者說(shuō)，中國(guó)的大模型公司，是否有機(jī)會(huì)參與、甚至引領(lǐng)這一輪范式轉(zhuǎn)移？

趨勢(shì)二：Token效率愈加成為國(guó)內(nèi)大模型能力的決定性因素

如果說(shuō)在 Scaling 逐漸逼近邊界之后，行業(yè)開(kāi)始重新尋找“下一步往哪走”的答案，那么在這場(chǎng)會(huì)議上，一個(gè)更現(xiàn)實(shí)、也更具約束力的變量，被反復(fù)擺到了臺(tái)前：Token 效率。

“Token efficiency”幾乎是在楊植麟演講中最常被提及的概念。

他從第一性原理出發(fā)，重新拆解了大模型能力增長(zhǎng)的路徑。在他看來(lái)，從 2019 年至今，大模型始終遵循同一條基本邏輯：通過(guò) Scaling Law，將更多算力、數(shù)據(jù)和參數(shù)轉(zhuǎn)化為更低的 Loss、更高的智能水平。但這一邏輯的隱含前提是，Token 可以被無(wú)限消耗。

而現(xiàn)實(shí)并非如此。

當(dāng)預(yù)訓(xùn)練 Token 被吃完，模型所能達(dá)到的智能上限，也就被提前鎖死了。這意味著，問(wèn)題不再只是“用多少 Token”，而是每一個(gè) Token 能換來(lái)多少有效智能。在他的表述中，Token efficiency 已經(jīng)不只是訓(xùn)練效率的問(wèn)題，而是直接決定模型還能走多遠(yuǎn)的上限變量。

為了說(shuō)明這一點(diǎn)，他引入了一個(gè)常被忽略的視角：在不同 Context 長(zhǎng)度下，模型對(duì) Token 的利用效率并不相同。在短上下文場(chǎng)景中，不同架構(gòu)之間的差異并不明顯；但當(dāng) Context 拉長(zhǎng)到上千、上萬(wàn)甚至數(shù)十萬(wàn) Token 時(shí)，Token 的位置損耗（position loss）開(kāi)始顯著拉開(kāi)差距。也正是在這里，Token efficiency 開(kāi)始直接決定模型在復(fù)雜推理與 Agent 任務(wù)中的潛力。

正因如此，過(guò)去一年，月之暗面幾乎將所有核心工作都?jí)涸趖oken效率上，即用更少的 Token，做到更低的 Loss。在 K2 模型中，他們嘗試引入新的優(yōu)化器（muon優(yōu)化器）與架構(gòu)設(shè)計(jì)（linear attention），通過(guò)提升 Token efficiency，使模型在“用一半數(shù)據(jù)達(dá)到相同效果”的意義上，獲得等價(jià)于一次 Scaling 的收益。

楊植麟將這種效果直接類比為：“在Scaling的尺度下，用更少的參數(shù)，就能得到更好的Scaling效果”

但他隨即強(qiáng)調(diào)，這里的 efficiency，并不僅僅是“快”或“省”，而是智能上限本身。在 Agent 場(chǎng)景中，模型的推理和強(qiáng)化學(xué)習(xí)，本質(zhì)上是一個(gè)搜索過(guò)程；如果 Token 利用率不高，搜索空間就會(huì)迅速膨脹，模型需要枚舉大量無(wú)意義的組合，才能逼近正確答案。相反，更高的 Token efficiency，意味著更強(qiáng)的先驗(yàn)，可以在有限 Token 內(nèi)完成更復(fù)雜的任務(wù)。

這也是為什么，在他的判斷中，Token efficiency 與長(zhǎng)上下文能力并不是兩個(gè)獨(dú)立問(wèn)題，而是需要被同時(shí)優(yōu)化的乘積變量——前者決定單位 Token 的價(jià)值，后者決定模型能否承擔(dān)真實(shí)世界中的長(zhǎng)程任務(wù)。兩者疊加，才是 Agent 能力真正放大的基礎(chǔ)。

當(dāng) Scaling 不再是“無(wú)腦堆資源”的選擇，Token 效率便從工程細(xì)節(jié)，上升為國(guó)內(nèi)大模型競(jìng)爭(zhēng)中的結(jié)構(gòu)性約束。誰(shuí)能在有限算力與數(shù)據(jù)條件下，更高效地“消耗 Token”，誰(shuí)就更有可能在下一階段的模型競(jìng)爭(zhēng)中占據(jù)主動(dòng)。

而這一變化，也正在悄然重塑國(guó)內(nèi)大模型的技術(shù)路線選擇。

趨勢(shì)三：中美大模型正在走向不同的演進(jìn)路徑

在唐杰、姚順雨、林俊旸等學(xué)者的討論中，一個(gè)反復(fù)被提及的問(wèn)題是：中美大模型之間的差距，究竟體現(xiàn)在哪里？

姚順雨給出的判斷，并不是單一維度的“能力高低”，而是指向兩條正在逐漸分叉的演進(jìn)路徑。

在他看來(lái)，美國(guó)的大模型發(fā)展，正在明顯向生產(chǎn)力與企業(yè)級(jí)場(chǎng)景集中，尤其是在 Coding 與 Agent 方向上，模型能力幾乎直接重塑了工作方式本身。比如工程師不再寫代碼，而是通過(guò)自然語(yǔ)言與系統(tǒng)協(xié)作。在這種語(yǔ)境下，模型能力與個(gè)體生產(chǎn)力被強(qiáng)綁定，模型是否“足夠強(qiáng)”，會(huì)直接影響工作結(jié)果本身。

也正是在這種背景下，美國(guó)市場(chǎng)對(duì)模型能力的價(jià)格容忍度明顯更高。姚順雨在討論中提到，許多用戶更愿意為成功率更高、不確定性更低的模型支付溢價(jià)。模型能力本身，在美國(guó)市場(chǎng)中更容易被直接視為一種“生產(chǎn)資料”。

相比之下，中國(guó)的大模型公司所面對(duì)的現(xiàn)實(shí)環(huán)境則明顯不同。一方面，國(guó)內(nèi)企業(yè)級(jí)市場(chǎng)對(duì)成本高度敏感，模型能力的邊際提升，并不總能順暢轉(zhuǎn)化為價(jià)格溢價(jià)；另一方面，大量 toB 場(chǎng)景本身仍高度碎片化，對(duì)模型的需求更多集中在穩(wěn)定性、可控性與交付效率上，而非單點(diǎn)的“最強(qiáng)智能”。

這使得模型在中國(guó)市場(chǎng)中，更像是一種被嵌入既有系統(tǒng)的基礎(chǔ)能力，而非可以獨(dú)立定價(jià)的生產(chǎn)力主體。

這種差異，并不僅體現(xiàn)在市場(chǎng)層面，也被進(jìn)一步追溯到更底層的 Lab 文化上。

在姚順雨的觀察中，美國(guó)的大模型公司與研究機(jī)構(gòu)，往往長(zhǎng)期圍繞“前沿問(wèn)題”運(yùn)轉(zhuǎn)。研究團(tuán)隊(duì)被鼓勵(lì)在較長(zhǎng)周期內(nèi)投入到高風(fēng)險(xiǎn)、高不確定性的方向中，即便短期內(nèi)看不到明確的產(chǎn)品回報(bào)。這種文化，使得“把模型能力推到極限”本身，就具備持續(xù)獲得資源投入的正當(dāng)性。

而在中國(guó)，大模型研發(fā)環(huán)境則更強(qiáng)調(diào)效率與反饋周期�；蛘哂盟脑拋�(lái)說(shuō)，“中國(guó)（的Lab）還是更喜歡做安全的事情�！�

研究團(tuán)隊(duì)往往需要在更短時(shí)間內(nèi)回應(yīng)明確的業(yè)務(wù)目標(biāo)，模型能力的演進(jìn)也更容易被拉回到“是否能落地、是否能規(guī)�；钡默F(xiàn)實(shí)約束之中。這并不意味著技術(shù)投入不足，而是 Lab 與產(chǎn)業(yè)之間的邊界更為緊密，研究方向更容易受到應(yīng)用場(chǎng)景的牽引。

此外，姚順雨還補(bǔ)充道，“中國(guó)對(duì)于刷榜或者數(shù)字更看重一些；而美國(guó)則并沒(méi)有那么看重，他們?cè)谝獾挠袃牲c(diǎn)，第一，什么是正確的事情；第二，什么是你自己能體驗(yàn)出好或者不好的�！�

這種 Lab 文化與市場(chǎng)結(jié)構(gòu)的疊加效應(yīng)，最終放大了中美在模型演進(jìn)路徑上的分化：在美國(guó)，更強(qiáng)的模型能力本身，就足以支撐持續(xù)投入與溢價(jià)定價(jià)；而在中國(guó)，模型能力往往需要先證明自身的可用性，才能獲得下一步資源配置。這也在某種程度上解釋了，為何中美大模型的差距，越來(lái)越少被簡(jiǎn)單理解為“誰(shuí)領(lǐng)先誰(shuí)落后”，而更像是兩種現(xiàn)實(shí)條件下，被迫走出的不同路線。

本文來(lái)自虎嗅，原文鏈接：https://www.huxiu.com/article/4825356.html?f=wyxwapp