2026 年 1 月 10 日，在由清华大学基础模型北京市重点实验室与智谱 AI 联合发起的 AGI-Next 前沿峰会上，代表中国大模型不同生态位的几股技术力量，少有地围坐一堂。
他们中有刚刚带领智谱在港股成功 IPO 的唐杰教授；有从 OpenAI 归来、首次以腾讯新身份亮相的姚顺雨；有阿里 Qwen 技术负责人林俊旸；以及长期在学术界与工业界穿梭的联邦学习奠基人杨强教授。
如果说一年前的共识是「追赶与开源」，那么站在 2026 年的开端，这场闭门会释放出的信号显得更为复杂且务实——中国大模型正在进入残酷但必要的「分化」时刻。
会上，智谱 AI 的唐杰率先向行业泼了一盆冷水。尽管中国开源模型声量巨大，但他直言：「中 美大模型的差距可能并没有缩小。」在 Scaling Law 边际效应递减的当下，堆砌算力的「暴力美学」正在失效。唐杰抛出了一个新的衡量范式——「智能效率（Intelligence Efficiency）」，即投入多少资源能换取多少智能增量，这或许将是下一阶段竞争的胜负手。
这种对「效率」与「路径」的焦虑，贯穿了整场对话。
作为横跨中 美的技术实战派，姚顺雨和林俊旸在 To B 与 To C 的分化上达成了某种默契。姚顺雨指出，To C 的护城河不再是单纯的模型参数，而是「上下文（Context）」带来的情绪价值；而 To B 则是生产力比拼——「企业只愿意为最强的模型支付溢价」。
林俊旸给出了一个预测——未来 3-5 年，中国 AI 公司引领全球的概率或许只有 20%，但这 20% 的机会，正藏在那些「软硬结合」的缝隙与「笨笨的坚持」里。
从 Chat 到 Agent，从参数内卷到价值分化，AGI 的下一代路线究竟在何方？以下为 AGI-Next 圆桌对话内容，经极客公园编辑整理。关于大模型的下一个三年，答案或许就在其中。
分化时刻：To B 向生产力要溢价，
To C 向上下文要价值
李广密（主持人）：2025 年，中国开源模型和 Coding 领域都迎来了爆发式增长。我们也观察到硅谷出现了一个明显的分化趋势：各家不再盲目 Follow 所有方向，而是专注于垂直领域，比如 Sora 专注视频、有的专注 Coding 或 Agent。
顺雨，作为横跨中 美的从业者，你如何看待这种「分化」？特别是在 To C 和 To B 的不同路径上，你有哪些核心观察？
姚顺雨：很高兴参加这次活动。关于「分化」，我有两个主要观察：一是 To C 和 To B 在价值感知上的分化，二是垂直整合与应用分层模式的分化。
*，To C 与 To B 的体感差异巨大。
在 To C 领域，大家提到 ChatGPT，感觉和去年相比差别并没有那么大。对于大多数普通用户，他们不需要模型具备推导「伽罗瓦理论」那样高深的智能。目前的 To C 产品更像是搜索引擎的加强版，用户往往还需要学习如何激发模型的智能。
在 To B 领域，Coding 正在重塑计算机行业，甚至改变了人机交互的方式——人不再写代码，而是用自然语言与电脑交流。在 To B 场景中，智能水平直接对应生产力。
To B 更愿意为高智能支付溢价： 假设一个高薪工程师每天处理 10 个任务，最强模型能做对 9 个，而次强模型只能做对 5 个。那剩下的 5 个错误需要花费巨大精力去排查。因此，在 To B 市场，头部强模型和普通模型的差距会越来越大，用户只愿意为*的模型买单。
第二，整合模式的差异。
在 To C 端，垂直整合依然是主流。像 ChatGPT 或豆包，模型和产品是强耦合、紧密迭代的。
在 To B 端，模型层与应用层开始分层。过去大家认为垂直整合会更好，但现在看来，To B 场景需要极强的预训练模型作为底座，这很难由产品公司完成；而应用层则需要围绕模型构建复杂的环境（Context）。比如在 Coding Agent 领域，模型越来越强，但应用层通过工具链的配合，才能将模型的溢出能力转化为生产力。
李广密（主持人）：顺雨，结合你现在的腾讯新身份，在中国的市场环境下，你接下来的关注重点是什么？有哪些关键词可以分享？
姚顺雨：腾讯是一家 To C 基因很强的公司。我们在思考如何让 AI 给用户提供更多实际价值。
To C 侧的核心是「上下文（Context）」而非单纯的模型参数。
很多时候，回答好一个用户问题，并不是非要更大的模型或更强的强化学习，而是需要更多的外部输入。
举个例子，问「今天吃什么」，去年问和今年问，答案本身区别不大。但如果模型知道「今天很冷」、「我在哪个商圈」、「我太太喜欢吃什么」、「我们之前的聊天记录提及过什么」，这个回答的价值就会完全不同。所以比如把微信聊天记录转发给元宝，给模型更多有用的输入，就会给用户带来一些额外价值。
所以，利用好额外的 Context，结合强模型，是 To C 产品的破局关键。
To B 侧则可以看到大公司的「内生数据」优势。
在中国做 To B 尤其是生产力工具（如 Coding Agent）确实有挑战。作为一家万人规模的大公司，我们思考的是如何先「服务好自己」。
相比于完全依赖外部标注数据或协议的创业公司，大公司的优势在于拥有丰富的真实业务场景，有海量的内部需求和场景可以打磨产品；还有真实世界的数据捕捉，创业公司可能需要雇人去设想和标注 Coding 数据，而我们如果能将内部数万工程师的真实开发过程、Debug 过程利用好，这将是比单纯标注更具价值的数据资产。
总结来说，在 To C 上做深上下文，在 To B 上利用好内部场景和真实数据，是我们目前的思考方向。
李广密：接下来想请教俊旸。阿里云在 To B 领域很强，之前你也提到全模态可能更多偏向 To C。你如何看待未来「通义千问」的生态位？
林俊旸：理论上我不便评论公司的战略，但公司基因是由一代一代人塑造的。顺雨到了腾讯之后，腾讯可能变成一个有顺雨基因的公司（笑）。无论 To B 还是 To C，核心都是解决真实的问题。所以问题的本质是，应该怎么让人类世界会变得更好？
「分化」是自然发生的。To C的产品也会再分化，比如更偏向医疗，或者更偏向法律。
关于生态位，我之所以看好 Anthropic，并非单纯因为他们的 Coding 能力有多强，而是因为他们与 B 端客户的交流非常深入。
我之前与许多美国 API 厂商交流，他们都惊讶地发现，Coding 任务的 Token 消耗量竟然如此巨大——这一点目前中国市场还没达到同等量级。再比如 Anthropic 现在切入金融（Finance）领域，也正是他们在与客户深度交流中发现的真实机会。
因此，我认为模型公司的「分化」其实是顺应市场需求后的自然结果。我更愿意相信 AGI 的发展规律，一切顺其自然，服务好真实的人类需求。
无论是分化还是其他路径，我相信最终应顺其自然，聚焦于我们对 AGI 的理解，做 AGI 该做的事。
李广密：谢谢俊旸。杨强老师，您如何看待「分化」这个问题？
杨强：我更关注工业界与学术界的分化。一直以来工业界领跑，学术界观望。现在大模型进入稳态，学术界应该跟上，去解决工业界来不及解决的深层科学问题：
比如给定计算和能源资源，智能究竟能做到多好？如何平衡训练与推理的资源分配？
我早期的实验发现，记忆过多可能引入噪音干扰推理。这中间的平衡点在哪里？
幻觉与哥德尔不完备定理： 大模型无法自证清白，幻觉无法彻底根除。这就像经济学中「风险与收益」的平衡（天下没有免费的午餐）。这是数学界和算法界需要共同攻克的难题。
当 Agent 串联时，误差会指数级累积。我推荐大家读一读《我们为什么睡觉》，书中提到人类通过睡眠清理噪音来维持能力。大模型是否也需要类似的「睡眠」机制？这孕育着超越 Transformer 的新计算模式。
李广密：唐老师，智谱在 Coding 和长程 Agent 上表现很强。您怎么看这种分化？
唐杰：回望 2023 年，我们是国内最早做出 Chat（对话）系统的团队。当时的直觉很简单——必须赶紧上线。但等到 8、9 月份真正发布时，市面上已经有十几个大模型同时登场，结果是大家的用户量都没有预想中那么大。
经过一年的反思，意识到问题的症结在于：单纯的 Chat 并没有真正解决问题。 我们最初预判 Chat 会替代搜索，但现实是，虽然很多人开始用模型辅助搜索，但 Google 并没有被替代，反而是 Google 自己革了自己的命。
从这个角度看，随着 DeepSeek 的出现，单纯的『Chat 之战』已经结束了。我们必须思考下一个战略赌注（Bet）是什么。
2025 年初，我们团队内部进行了长时间的激烈争论，最终决定 Bet on Coding（押注代码能力）。随后，我们将全部精力都压到了 Coding 上——事实证明，这一步走对了。」
新范式：自主学习的演进
与「智能效率」的博弈
李广密：看来大家都在根据资源禀赋做自己擅长的事。
下一个话题：新范式。预训练走了 3 年，强化学习也已成为共识。接下来的新范式，大家都在谈论「自主学习」（Self-learning）。顺雨，你在 OpenAI 工作过，你认为第三个范式会是什么？
姚顺雨：「自主学习」在硅谷已是共识，但我有两点观察：
它不是单一方法论，而是基于数据的任务定义。聊天变得个性化、写代码适应特定文档、像博士一样探索新科学，这些都是不同维度的自主学习；
它已经在发生了。ChatGPT 在适应用户风格，Claude 已经能编写自己项目 95% 的代码。现在的 AI 系统包含「模型」和「代码库」两部分，AI 正在帮助编写部署和使用它自己的代码。
这就像是一个渐进的过程（演变），而非突然的突变。
李广密：追问一下，要实现真正的自主学习，还有哪些关键条件或技术瓶颈需要突破？
姚顺雨：其实 2025 年已经看到信号了，比如 Cursor，他们每隔几小时就利用最新用户数据进行学习。之所以没觉得石破天惊，是因为基础模型能力还受限。
现在*的问题是想象力。强化学习的成果我们能想象（如 O1 做数学题）。但对于「自主学习」的新范式，我们还没定义好验证它的「任务」——是一个能赚钱的交易系统？还是解决了人类未解的科学难题？我们需要先想象出它的样子。
李广密：如果 2027 年出现新范式，全球范围内哪家公司最可能引领？
姚顺雨：概率*的还是 OpenAI。虽然商业化稀释了部分创新基因，但那里依然是最可能诞生新范式的土壤。
李广密：俊旸，你对 2026 年的新范式有什么看法？
林俊旸：从更务实的角度看，RL（强化学习）范式其实还处于早期阶段。它的 Compute（算力）并没有被充分 Scale（扩展），大量潜力尚未释放，全球范围内也都面临着 Infra（基础设施）的瓶颈。
关于下一代范式，我认为核心在于「自主学习」。我曾和一个朋友聊到，单纯的人机交互其实很难让 AI 变强，反而往往因为 Context（上下文）被拉长而导致模型「变笨」。
这就引出了 Test-time scaling（测试时扩展） 的思考——我们能否通过让模型吐出更多 Token、进行更长时间的思考来变强？OpenAI 的 o 系列在一定程度上验证了这点。无论是通过 Coding 还是 AI Scientist（AI 科学家）去挑战那些人类未曾解决的难题，这种尝试都*意义。AI 肯定需要自主进化，至于通过什么技术手段、更不更新参数，见仁见智。
另一个关键点是更强的主动性（Agency）。现在的 AI 必须由人类 Prompt（提示）才能启动，未来有没有可能让「环境」去 Prompt 它，让它自主决定去做什么？
但这引出了比「内容安全」更严峻的问题——「行为安全」。我最担心的不是 AI 「说错话」，而是它主动「做错事」，甚至产生危险的意图（比如往会场扔炸弹）。这就好比养育孩子，赋予它能力的同时必须注入正确的价值观。尽管有风险，但我认为主动学习依然是极其重要的范式。
李广密：俊旸，关于「自主学习」和「主动性（Agency）」，你觉得我们会率先在哪类任务上看到突破？是模型自我提升，还是自动化的 AI 研究员？
林俊旸：我觉得「自动化的 AI 研究员」可能并不需要太复杂的自主学习，训练 AI 这事很快就会流程化，甚至被替代。我更看重对用户的深度理解。
以前做推荐系统，用户输入越持续，算法越简单越精准。在 AI 时代，挑战在于如何利用信息让 AI 真正成为「懂你」的工具。
推荐系统有明确指标（点击率、购买率），但在 AI 渗透生活的方方面面时，我们缺乏一个核心指标来衡量「AI 做得好不好」。这是目前技术上更大的挑战。
李广密：关于「记忆（Memory）」和个性化，2026 年能看到突破性跨越吗？
林俊旸：我个人认为，技术发展往往是线性的，但人类的感知是指数级的。
像 ChatGPT 的出现，对从业者是线性增长，对大众却是震撼。现在大家都在卷 Memory，但目前的 Memory 只是「记住了过去的事」，每次还要叫一遍名字，并不显得聪明。
真正的 Memory 应该像老朋友一样，不需要复述背景就能瞬间理解。达到这个临界点可能还需要一年左右。
我们每天看自己的工作觉得挺「土」的，Bug 很多，但正是这些线性的微小进步（比如 Coding 能力提升一点点），带来了巨大的生产力价值。未来算法与 Infra（基础设施）的结合大有可为。
李广密：有请杨强老师分享。
杨强：我长期研究联邦学习，核心思想是多中心协作。现在很多本地场景资源不足，且有隐私安全需求。未来的趋势是「通用大模型」与「本地/领域小模型」的协作。
像黄学东在 Zoom 做的尝试，建立一个大基座，允许各方接入。这种模式既保护隐私，又能利用大模型能力。这在医疗、金融场景会越来越多见。
李广密：有请唐杰老师。
唐杰：无论是持续学习、Memory（记忆机制），还是多模态，都可能孕育出新的范式变革。
为什么变革会在现在发生？过去，工业界确实跑得比学术界快太多。记得前两年我回清华时，很多老师手里的卡（GPU）数量几乎为零，而工业界动辄上万张，这个差距是万倍级的。
但到了 2025 年底、2026 年初，情况变了。高校的算力储备跟上来了，包括硅谷和国内的教授们，都开始深入研究模型架构和持续学习。工业界* Dominating（统治）的局面，已经不复存在了。虽然算力差距可能还有 10 倍，但学术界「创新的基因」已经孵化出了种子。
更深层的原因在于效率瓶颈。创新的爆发，往往是因为对某件事投入巨大，但效率却不再提升。
继续 Scaling（扩大规模）肯定还有收益。数据量可以从 10T 堆到 30T，甚至 100T。但我们要算一笔账：Scaling 后的收益到底有多少？计算成本又是多少？ 如果花掉 10 亿、20 亿，却只换来微小的提升，这在商业上是不划算的。同理，如果每次创新都要把基座和 RL（强化学习）重训一遍，效率也太低了。
未来我们应该定义一个衡量收益的新范式——智能效率（Intelligence Efficiency）。
提升智能上限，Scaling 可能是最「笨」的办法。真正的挑战在于：如何用更少的 Scaling，获得同样的智能提升？
基于此，我相信 2026 年范式的改变一定会发生。我们也在努力，希望这个变化能发生在我们身上。
Agent，从聊天到替人类工作
李广密：大家对 Agent 的预期很高，希望 2026 年 Agent 能处理人类 1-2 周的工作量。顺雨，你花了很多时间做Agent研究，2026年，Agent真的能帮人类自动化1-2周的工作吗？从模型公司的角度出发，你怎么看待这个问题？
姚顺雨：To B 与 To C 有逻辑差异，To B（生产力）的逻辑很简单且一致——模型越强，解决任务越多，收益越大。这是一个不断上升的曲线，只要老老实实把预训练和后训练做好就行。
To C 的 DAU（日活）往往和模型智能程度不相关，甚至负相关。
目前除了模型本身，还有两个瓶颈。一个是环境和部署（Deployment）问题。
我在 To B 公司的经验是，即使模型不再变强，仅通过更好地部署现有模型到真实场景，就能带来 10 倍甚至 100 倍的收益。目前 AI 对 GDP 的影响还不到 1%，潜力巨大。
还有一个是教育。未来不是人类替代人类，而是「会用工具的人」替代「不会用工具的人」。与其纠结模型，不如教育大家用好 Claude、Kimi、智谱等工具，这是中国现阶段最有意义的事。
李广密：俊旸，通义千问也在做 Agent 生态，以及扶持生态的通用Agent，你可以分享下吗？
林俊旸：这里可能涉及产品哲学的问题。虽然像 Manus 这样的产品确实很成功，但我更认同「模型即产品」。
我曾和 TML（Thinking Machine Lab）的朋友交流，他们提到一个观点叫「Researcher is Product」——研究员本身就是产品经理，能端到端地把东西做出来。今天我们内部的研究员，也都渴望去做更多面向真实世界的应用。
我相信接下来的 Agent 能实现这一愿景，这与「自我进化（Self-involvement）」和主动学习强相关。未来的 Agent 不应是单纯的你问我答（交互式），而应该是「托管式」的——你给它一个模糊的通用指令，它能在长周期的执行过程中自我决策、自我进化。这对模型能力上限和 Test Time Scaling（测试时扩展）提出了极高要求。
另一个关键点是环境交互。目前的 Agent 大多局限在电脑环境，不够复杂。我有做 AI for Science 的朋友，比如做 AlphaFold 制药，光在电脑里跑是不够的，必须去指挥机器人做实验才能得到反馈。现在这部分还在靠人力或外包，效率极低。
只有当 AI 能与真实物理世界交互，形成闭环，才是 Agent 真正能长时间工作的场景。电脑里的任务今年可能就能解决，但未来 3-5 年，Agent 与具身智能（Embodied AI）的结合，才会是更有意思的。
李广密：最后一个尖锐问题：通用 Agent 是创业者的机会，还是模型公司的时间问题？
林俊旸：我不能因为我做基础模型，就去做这个的创业导师。
借Peak（Manus联合创始人）说过的一句话，通用Agent最有意思的事情在于解决长尾问题，或者说今天 AI *的魅力在于解决「长尾问题」。
头部需求（比如热门商品推荐）容易解决，但真正的 AGI 在于——当你寻遍世界找不到解决方案时，AI 能帮你解决那个独特的角落问题。
如果你是一个「套壳高手」，能把产品做得比模型公司更好，那有机会。但如果你没信心，这个领域可能最终属于模型公司。因为模型公司遇到瓶颈时，可以通过「烧卡」、训模型来从底层解决问题，这是降维打击。
所以见仁见智吧。
李广密：关于解决长尾问题，模型公司拥有算力和数据，解决起来是不是很快？
林俊旸：这就是今天 RL（强化学习）最有魅力的地方——修问题比以前容易多了。
举个 To B 的例子：以前客户想做微调，需要配置数据比例，但他们的数据质量往往很差（垃圾数据），这让我们很头痛。但引入 RL 后，只要有 Query（提问），甚至不需要*的标注，稍微训练一下就能把问题修正。
以前需要大量清洗和标注的工作，现在通过 RL 可以更低成本、更高效地解决，并且很容易合并到模型中。
李广密：有请杨强老师。
杨强：我认为 Agent 的演进可以划分为四个阶段，其核心差异在于：「目标（Goal）」和「规划（Planning）」的主导权，究竟是掌握在人手中，还是由 AI 自动定义。
我们目前仍处在最初级的阶段：目标由人设定，规划也由人拆解。说得直白点，现在的 Agent 系统及定义，本质上只是一种更高级的 Prompt Language（提示词语言）。
但我预料未来会出现质变。大模型将通过观察人类的工作流，利用过程数据进行学习。
最终，Agent 将进化为一个由大模型内生（Endogenous）的系统——即目标和规划完全由大模型自主定义，那才是真正的智能体。
李广密：有请唐杰老师。
唐杰：我认为决定 Agent 未来走势的有三个关键点：
首先是价值： Agent 解决的问题到底有多大价值？早期的 GPTs 死掉是因为太简单，只是 Prompt 的封装。必须真正帮人解决复杂问题。
其次是成本与边界： 这是一个矛盾。如果一个问题调一下 API 就能解决，那基座模型公司往往会把这个能力吸收到模型内部。做应用要在被基座覆盖之前找到立足点。
最后是速度： 这是一个时间窗口的问题。如果我们能*半年把应用做深、把体验做好，就能活下来。大模型现在拼的就是速度，也许我们代码写对了，就能在 Coding 或 Agent 方向上走得更远。
未来，中国 AI 能否引领全球？
李广密：最后一个问题：展望未来 3-5 年，全球最*的 AI 公司是中国团队的概率有多大？我们从「跟随者」变成「引领者」，需要具备哪些关键条件？
姚顺雨：我对此非常乐观，概率很高。
历史证明，任何技术路线一旦被验证，中国团队能迅速复现并在局部做得更好（如电动车、制造业）。
但要成为引领者，需要解决几个关键点，包括硬件瓶颈，尤其是光刻机和算力问题，如果我们能突破算力瓶颈，配合国内的电力和基建优势，将是巨大助力。
商业环境上，目前美国 To B 市场更成熟，付费意愿更强。中国公司需要更好的商业化环境，或者具备出海参与国际竞争的能力。
以及最重要的人才与文化，中国有极强的人才储备，但在「敢于探索新范式」的人还不够多。我们擅长在既定范式下用更少的卡、更高的效率把事情做绝，但目前缺的是「定义新范式」的冒险精神。
李广密：追问一下，关于研究文化，你觉得中国实验室和 OpenAI/DeepMind 相比，有什么差异？有哪些建议？
姚顺雨：每个地方的研究文化都很不一样，美国实验室的区别可能比中 美实验室的差别还要大，在中国也一样。
研究文化的差异主要体现在两点，国内倾向于做「确定性高」的事。比如预训练一旦被证明可行，大家会迅速跟进并解决技术细节。但对于「长时记忆」、「持续学习」这种未被证明、不知道能不能做出来的方向，国内投入较少。我们需要更多耐心去沉淀这种探索未知的文化。
国内也比较看重榜单数字。DeepSeek 是一个很好的反例，他们不盲目追求榜单，而是关注「什么是正确的事」。Claude 在很多编程榜单上并非*，但大家都公认它*用。
这需要大家走出榜单的束缚，坚持做自己认为正确、能真正提升用户体验的事情。
李广密：多谢顺雨。俊旸，你觉得未来 3-5 年中国公司引领全球的概率有多大？挑战在哪里？
林俊旸：这是一个「危险」的问题，但我还是想从概率的角度谈谈中 美差异。
美国的 Compute（算力）规模可能比我们大 1-2 个数量级。更关键的区别在于，OpenAI 等公司将海量算力投入到了下一代 Research 的探索中；而我们相对捉襟见肘，光是应付当下的交付（Delivery），可能就已经耗尽了绝大部分算力。
这就引出了「富人创新」与「穷人创新」的辩证。
「富人」资源多，可能确实存在浪费卡的情况；但「穷人」因为资源匮乏，反而被逼出了算法与 Infra（基础设施）的*联合优化——这是资源过剩时缺乏动力去做的。
这也让我想起关于软硬结合的遗憾。2021 年，阿里做芯片的同事曾问我：「能不能预测三年后的模型架构？还要不要做 Transformer？是不是多模态？」因为芯片流片周期需要三年。
当时我不敢承诺，回答说：「三年后我还在不在阿里都不知道。」那是一次典型的「鸡同鸭讲」，我们错过了机会。结果今天回看，果然还是 Transformer，果然还是多模态。我至今非常懊悔当时没有推他们一把。
穷则思变。 虽然我们现在是「穷人」，但这种软硬协同设计的下一代创新，会不会正因为「穷」而发生在这里？
此外是人的变化。美国人天生有强烈的冒险精神——比如早期的电动车，哪怕天窗漏水、甚至有安全隐患，富豪们依然敢投、敢做。相比之下，中国资本过去倾向于做「安全」的事。
但好消息是，教育在变好。我们团队里的 00 后比我也许更具冒险精神。随着新一代人的成长和营商环境的改善，虽然概率可能没那么大，但我相信，创新真的有可能发生。
关于概率： 如果非要给一个数字，我觉得是 20%。这已经非常乐观了，因为历史积淀的差距是客观存在的。
李广密：面对算力差距拉大，你会感到恐惧吗？
林俊旸：干这一行不能有恐惧，要有强心脏。能参与大模型浪潮已经非常幸运。
我的心态是：关注价值而非排名。只要我的模型能为人类社会带来价值，解决实际问题，即便不是全球最强，我也愿意接受。
李广密：杨强老师，回顾 AI 周期，您怎么看？
杨强：我们可以参考互联网的发展史。虽然发源于美国，但中国很快赶上，并在应用层（如微信）做到世界*。
AI 也是一种技术，中国人的聪明才智会将其发挥到*：To C 领域，我非常看好，中国会百花齐放。
To B 领域虽然目前受限于付费意愿和企业文化，但也会跟上来。值得借鉴的是美国 Palantir 的模式——利用「本体（Ontology）」和前端工程师（FDE），将通用 AI 能力通过工程化手段迁移到具体企业场景中，弥合技术与应用的 Gap。
我相信中国 AI Native 公司会发展出类似的、适合本土的 To B 解决方案。
李广密：最后有请唐杰老师。
唐杰：首先必须承认，目前中 美在 AI Lab 层面的研究确实存在差距。
但局势正在改变，中国的 90 后、00 后这一代企业和人才，表现远超以往。我曾开玩笑说，我们这代研究者可能是「最不幸的一代」：上有老一辈学者老当益壮，下有 00 后天才少年横空出世，夹在中间的我们仿佛被「无缝跳过」了，世界直接交给了下一代。
玩笑归玩笑，中国 AI 的机会恰恰蕴藏其中：
*，是「人」的冒险精神。 我们拥有一群真正敢于冒险的聪明人。现在的 90 后、00 后（包括在座的俊旸、顺雨，还有 Kimi）都展现出了极强的探索欲，愿意为了一个不确定的未来去冒巨大的风险。
第二，是「环境」的优化。 正如刚才俊旸提到的「光交付占据算力」的困境，如果国家和政府能进一步改善营商环境，理顺大厂与创业公司的竞争关系，减轻企业的交付负担，让这群聪明人有更多时间专注于核心创新，这将是巨大的助力。
第三，回归个体，在于「心」的坚持。 永远不要等待一个「*的环境」，因为环境永远不会*。
相反，我们是幸运的见证者，亲历了环境从匮乏到繁荣的过程，这份阅历本身就是财富。如果我们能保持一种「笨笨的坚持」，在认定的路上敢做、敢闯，也许走到最后的赢家就是我们。
李广密： 最后我也想呼吁，希望行业能给年轻的研究员们更多算力和耐心。让他们安心「搓卡」三五年，也许在不久的将来，我们就能看到中国自己的 Ilya Sutskever 诞生。
