AGI-Next 2026 核心观点精要
刚刚落幕的 AGI-Next 2026 活动信息密度高、前瞻性强。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，张钹院士、杨强院士、唐杰教授、杨植麟、林俊旸、姚顺雨等中国大模型核心力量齐聚，拾象创始人李广密担任 panel 主持人。
华人已成为全球 AGI 发展的重要推动力量，中国开源大模型稳居全球 Tier 1 阵营。随着 2026 年技术演进加速，这一地位有望进一步巩固。
本文为「海外独角兽」对全场主题发言与圆桌讨论核心观点的系统性提炼，聚焦五大关键趋势：
- 模型分化已成显性趋势：源于 To B/To C 场景需求差异、战略选择及客户高频反馈；
- To B 领域强模型与弱模型差距持续扩大，而 To C 的瓶颈常不在模型规模，而在 Context 与 Environment 缺失；
- 自主学习成为共识性新范式，2026 年将成为主流投入方向；
- Scaling 仍将推进，是技术、数据与“品味”（taste）协同演进的结果；
- 模型即 Agent，Agent 即产品——二者边界日益消融；
- 中美算力差异不仅是总量级，更在于结构性：美国更多算力正投向下一代关键技术探索。
关键词 01：分化
To C 与 To B 的双轨分化
姚顺雨指出，当前 AI 分化主要体现为两方面：一是 To C 与 To B 场景的差异化发展路径；二是“垂直整合”与“模型-应用分层”的战略路线分歧。
To C 用户多数场景下对模型智能提升感知微弱；其瓶颈往往不在于参数规模，而在于缺乏实时上下文（如用户情绪、天气、所处环境）。例如，“今天吃什么”这类问题，再强的模型也难精准回应——缺失的是真实世界感知能力。
破局关键在于合规前提下的个性化数据利用。相较盲目堆叠预训练能力，善用微信聊天记录等私有 Context，更能释放实际价值。
To B 的强弱模型鸿沟
To B 场景中，企业愿为“最强模型”支付溢价。以 Opus 4.5 为例，其任务准确率可达 8–9/10，而弱模型仅 5–6/10；若后者出错点不可预测，企业需额外投入大量人力监控与兜底，综合成本反而更高。
垂直整合 vs 分层协作
To C 场景适合模型与产品深度耦合、快速迭代；To B（尤其生产力工具）则因涉及复杂生产环节，为应用层留出充分优化空间——应用公司难以自研模型，又高度依赖基座能力提升，因而催生“模型公司 + 应用公司”的清晰分层。
林俊旸强调，模型分化并非源自预设路线图，而是与客户高频互动的自然演化结果。Anthropic 在金融领域的突破，正是源于客户需求牵引。
拾象注：ChatGPT Health 面向 C 端提供健康解读，Claude Health 则直连医疗系统——前者延续搜索式基因，后者凸显 To B 架构思维。
战略卡位：时机决定分化路径
智谱押注 Coding 方向，是基于对竞争格局的判断：DeepSeek 推出后，“Chatbot 取代搜索”已近尾声，团队转而聚焦编程这一高价值、长生命周期的攻坚领域。
关键词 02：新范式
自主学习：渐进发生的底层变革
唐杰提出，Scaling 需区分两类路径：
- 已知路径：靠持续增加数据与算力逼近能力上限，本质是效率导向的“确定性工程”；
- 未知路径：探索新范式——让 AI 自主定义奖励函数、交互方式乃至训练任务，实现真正意义上的自我进化。
杨植麟将 Scaling Law 视为“能源→智能”的转化机制，强调其本质是技术、数据与审美（taste）的共进；前沿探索不会因风险停滞。
自主学习的核心目标是构建模型的自反思与自学习能力——通过持续评估与批判，识别有效行为、发现优化路径。姚顺雨指出，该进程已在发生：Cursor 模型每几小时更新一次；ChatGPT 拟合用户对话风格；Claude Code 自主编写 95% 的项目代码。
瓶颈与挑战
当前最大瓶颈实为想象力：若 2027 年宣布实现新范式，如何验证？是构建盈利交易系统，还是攻克科学难题？必须先定义“它该长什么样”。
林俊旸认为，强化学习（RL）潜力尚未充分释放；下一代范式需兼具“自主学习”与“主动性”——未来模型或将无需人类 Prompt，而由环境本身触发响应。
主动学习带来严峻安全挑战：风险不在“说错话”，而在“做错事”。方向校准比能力提升更关键。
个性化成效难量化：推荐系统可用点击率衡量，但当 AI 深度融入生活，评估指标将愈发模糊。
持续学习面临“长程衰减”问题：多 Agent 协作中，单点能力未达 100%，误差将指数级放大。人类通过睡眠“清噪”，AI 或需类似机制。
唐杰提出“智能效率（Intelligence Efficiency）”概念：未来范式应关注“单位资源投入带来的智能增量”，而非单纯追求更大模型。
突破方向：向人脑认知靠拢
当前模型在三方面显著落后于人类：1）多模态感知与融合；2）Memory 与持续学习能力；3）反思与自我认知。这三大方向或成下一阶段关键突破口。
智谱早在 2020 年即提出参考人脑的 AI 架构，包含系统一（快速直觉）、系统二（逻辑推理）与自学习模块，对应三类不同维度的 Scaling。
原生多模态：走向真实世界的感知底座
原生多模态类比人类“感统”：视觉、听觉、触觉等信号同步采集、融合理解。当前模型感统能力薄弱，限制其执行长链路、长时效的真实任务（如跨设备协同办公）。
智谱与 Qwen 均将多模态列为重点方向。林俊旸强调：“真正智能的系统天然应是 Multimodal。”视频作为广义表达载体，其长时序理解能力极具价值。
关键词 03：Agent
Coding：通往通用 Agent 的必经之路
智谱实践表明，GLM-4.5 虽评测分数高，却无法完整开发“植物大战僵尸”游戏；引入 RLVR 与海量真实编程环境训练后，GLM-4.7 成功突破该能力边界。
模型即产品，Agent 即产品
Agent 承载复杂任务，对模型能力要求极高。当模型、Agent、产品三位一体，研发基础模型本身即是在打造终端产品。
分化同样体现在 Agent 层面：
- To C 产品的体验指标有时与模型智能水平负相关；
- To B Agent 的核心价值在于解决真实世界任务、创造可衡量收益，创新并非刚需。
部署即价值：环境与工程同等关键
生产力类 Agent 处于早期阶段。除模型进步外，环境适配与部署能力才是价值放大的核心杠杆——即使模型不再升级，仅将现有能力嵌入各行业工作流，亦可带来 10–100 倍效率提升。目前 AI 对 GDP 贡献仍不足 1%。
教育至关重要：AI 不替代人，但“会使用工具的人”正在替代“不会使用工具的人”。
托管式 Agent：从交互到自治
林俊旸预测，未来 Agent 将走向“托管式”：用户设定宏观目标后，Agent 在后台长期自主运行直至完成，无需高频干预。
该能力高度依赖 Self-evolution 与 Active Learning，印证“模型即 Agent，Agent 即产品”的深度融合逻辑。
长尾任务：AGI 的真实战场
用户感知 AI 价值，往往源于某个长尾任务被精准解决。所谓 AGI，本质即是对长尾问题的系统性攻克。
杨强将 Agent 演进划分为四象限，基于两大维度：目标定义（人为 / 自动）与任务规划（人为 / 自动）。当前处于“双人为”初级阶段；未来将逐步迈向“双自动”，最终形成大模型原生的 Native Agent 系统。
决定 Agent 走势的三大问题
- 能否真正解决人类任务？创造的价值有多大？
- 成本是否可控？若 API 调用即可解决，基座厂商将直接集成，形成模型与应用的固有张力；
- 应用公司能否建立半年以上的技术代差，率先满足用户需求并持续迭代？
关键词 04：全球 AI 竞赛
中国 AI 的机遇与瓶颈
姚顺雨持乐观态度：参照电动车与制造业经验，中国具备极强的“可行性复刻+局部超越”能力，3–5 年内进入全球第一梯队可能性高。
但长期挑战在于文化与结构层面：
- 敢于突破新范式、承担高风险的探索者仍偏少；
- 算力瓶颈核心不在电力，而在光刻机等关键制造环节；
- To B 市场成熟度及国际竞争力仍待提升——过度追逐榜单分数不可持续，应效仿 Anthropic、DeepSeek，聚焦“正确的事”与真实用户体验。
结构性算力差距
林俊旸观点更审慎：中国 AI 全面超越美国的概率约 20%。中美算力差异不仅是总量（美国高 1–2 个数量级），更是结构性的：美方大量算力用于下一代技术探索，而中方仍集中于任务交付引发的短期算力缺口。
但“穷则思变”亦孕育创新机会：作为“算力穷人”，中国团队更有动力推动算法与 Infra 的联合优化，并可能在下一代模型架构与芯片的软硬协同上实现端到端突破。
