如果你把这场圆桌（见文末【附录】实录整理）当成一次 “AI 前沿趋势分享”，那你会错过它真正的价值。
它本质上是一场关于：
- 企业 该如何活下去
- 又该如何 把对手彻底甩开
的经营讨论。
? 四位嘉宾，站位不同，却指向同一个真相
这场对话，聚集了四位国内 AI 关键节点人物：
- 姚顺雨（OpenAI / 腾讯体系）
- 林俊旸（阿里 · 通义千问）
- 杨强（学术 × 工业桥梁）
- 唐杰（智谱）
他们背景不同、立场不同，但反复指向一个事实：
AI 的竞争，已经从「谁更强」变成了「谁用得对、用得久、离真实世界更近」
一、【道】真正震撼管理者的 4 个底层认知
1️⃣ 智能效率，比智能上界更重要
唐杰老师提出一个反直觉但极其重要的概念：
不要再只看“模型有多强”，而要看“单位成本能产出多少智能”
通俗说一句话：
? 不是油箱越大越牛，而是每升油能跑多远
今天很多企业的问题是：
- 砸 10 个亿
- 换来 10% 的能力提升
- ROI 越来越低
真正聪明的企业在算一笔账：
- 50 美元/月的模型，能解决 80% 问题
- 200 美元/月的模型，只多解决 10%
? 这 4 倍的价格，值不值？
给管理者的提醒：
- 不追“最强”
- 只选“最合适、最划算”
2️⃣ To B 和 To C 的分化，是“本质差异”
姚顺雨点出了一个被严重低估的事实：
To C 用户，大多数时候不需要最强 AITo B 场景，智能 = 生产力
普通用户：
- 把 ChatGPT 当“更聪明的搜索引擎”
程序员、分析师、工程师：
- AI 已经在 重塑工作方式
- 人不再写代码，而是“用语言指挥机器”
更残酷的是：
- To B 市场，强模型和弱模型的差距会被无限放大
- 因为失败一次的成本，远高于模型费用
一句话总结：
- To C：体验 > 能力
- To B：能力 > 成本
3️⃣ 垂直整合不是万能，AI 的机会在“长尾”
过去我们迷信：
“模型 + 应用一体化 = 王炸”
但现实正在打脸。
在 To B 领域：
- 最好的模型 × 最好的应用
- 往往 优于 一个“什么都做”的团队
原因只有一个：
做模型，和做业务，是两种完全不同的能力
给创业者的关键启示：
- 别贪全
- 别恋战基础模型
- 把精力用在：
“全世界都没人解决，但你最懂的那个小场景”
4️⃣ AI 真正的护城河，是 Context（真实语境）
姚顺雨说了一句非常“杀人诛心”的话：
为什么有时候 ChatGPT 不如你老婆懂你？
因为老婆知道：
- 你今天冷不冷
- 刚刚有没有生气
- 现在是不是不想被说教
这就是 Context（上下文）。
? AI 的未来，不是更聪明? 而是更“贴身”
对企业来说，最大的误区是：
- 花大钱买“行业数据”
- 却忽略了自己每天产生的真实业务语境
会议记录客户投诉实时库存一线沟通
这些，才是真正的护城河。
二、法：重塑企业经营的逻辑框架
? 框架一：价值 × 成本 × 时间窗（三角模型）
唐杰老师提出了一个判断Agent和AI应用的三维框架：
价值维度：这个AI应用解决的问题有多大价值？真的能帮到人吗？如果只是"nice to have"而不是"must have"，很快就会被淘汰，就像GPTs刚出来时很多简单Agent，最后发现一个prompt就能解决。
成本维度：做这件事的成本有多大？如果调用一个API就能解决，为什么要自己开发？但反过来，如果这件事价值很大，API提供商可能会直接把功能做进基座模型。
时间窗维度：你能比别人（尤其是模型公司）快多久？如果能拉开半年时间窗，迅速满足市场需求，就有机会建立壁垒或找到下一步迭代方向。
如何使用这个框架：
- 评估任何AI项目时，先打分：价值（1-10分）、成本效率（1-10分）、时间领先度（1-10分）
- 只有三个维度都在7分以上才值得大力投入
- 如果价值高但成本也高，要么优化成本，要么确保时间窗足够大
- 如果时间窗很小（比如大模型公司3个月就能复制），要么转向长尾需求，要么准备好快速迭代到下一个版本
? 框架二：预训练 → 强化学习 → 自主学习
从对话中可以清晰看到AI能力提升的三个阶段：
预训练阶段（已走过70-80%）：就像给孩子打基础，学语文、数学、常识。这个阶段投入大，但边际收益递减。
强化学习阶段（目前主战场，还有40-50%空间）：就像让孩子做习题、考试，在特定任务上精进。这个阶段投入产出比最高。
自主学习阶段（下一个范式）：就像孩子学会自学，能根据环境反馈自己成长。这是未来3年的主战场。
如何应用：
- 如果你用AI：现阶段重点关注强化学习阶段的产品（如各种专业Agent），性价比最高。不要等"完美的AGI"，那还需要时间。
- 如果你做AI：预训练已经是红海，除非你有独特数据或算法优势；强化学习是蓝海，找准一个垂直领域深耕；自主学习是未来，但要做好长期投入准备。
- 判断信号：姚顺雨说2025年已经看到自主学习信号（Cursor每几小时用新数据训练，Claude Code用自己写的代码优化自己），2026年可能看到更明显突破。关键是要定义清楚"什么样的表现证明自主学习成功了"。
? 框架三：环境 × 模型 × 数据的正向闭环
这是几位嘉宾反复强调但容易被忽视的框架：AI的进步不只靠更大的模型，更靠"模型-环境-数据"的正向循环。
姚顺雨以腾讯为例：作为10万人的公司，有真实的生产场景，可以捕获真实世界的数据，而不只是依赖标注公司。这是创业公司很难复制的优势。
林俊旸提到阿里的思考：AI for Science要真正有用，不只是算法突破，还要能指挥机器人做实验，形成"AI设计实验→机器人执行→数据反馈→AI优化"的闭环。
如何建立你的闭环：
- 小企业/创业者：聚焦一个足够窄的场景（如某个细分行业的特定任务），在这个小闭环里快速迭代。不要贪大求全。
- 中大企业：利用自己的业务场景作为"练兵场"。比如电商公司用AI优化客服，数据反馈又能训练模型，形成飞轮。
- 关键指标：数据获取成本、数据-模型-应用的迭代周期、每次迭代的效果提升。周期越短、提升越明显，闭环越健康。
? 框架四：长尾价值，而不是头部需求
林俊旸提出了一个深刻洞察：AGI最大的魅力在于解决长尾问题——那些在全世界任何角落都找不到解决方案，但AI却能帮你搞定的问题。
这颠覆了传统的"二八定律"。过去我们做推荐系统、做产品,都是服务头部需求（20%的用户贡献80%的价值）。但AI时代，真正的机会可能在那80%的长尾需求——每个需求很小众，但加起来市场巨大，而且几乎没有竞争。
如何挖掘长尾价值：
- 需求发现：不要只看行业报告里的"主流需求"，多跟用户深聊，记录那些他们"到处找不到解决方案"的痛点。
- AI适配性测试：长尾需求的特点是"没有标准答案"，正好适合AI的生成能力。测试一下现有AI工具能解决到什么程度。
- 快速验证：长尾需求单个价值小，要快速验证。不要花6个月开发，先用现有工具+人工服务验证需求真实性，再决定是否投入开发。
? 框架五：记忆与个性化，从工具到伙伴
姚顺雨举了个生动的例子："我今天该吃什么"这个问题，要回答好不需要更大的模型或更强的搜索，而需要更多的上下文（Context）——知道你今天很冷想吃暖和的、知道你在哪个区域活动、知道你老婆在另一个地方吃什么...
这揭示了下一阶段To C AI的核心：从无状态工具变成有记忆的伙伴。
如何应用记忆框架：
- 数据收集：合规前提下，记录用户的偏好、历史行为、上下文信息。不只是显性反馈（点赞、收藏），更要捕捉隐性信号（停留时长、修改次数）。
- 记忆分层：短期记忆（当次对话）、中期记忆（近期偏好）、长期记忆（人设画像）。不同层级用不同存储和调用策略。
- 临界点设计：林俊旸说得好，"每次叫一遍你名字不代表聪明"。要设计记忆的涌现时刻——在某个临界点,AI基于记忆的反应让用户觉得"它真的懂我"。这需要产品设计而不只是技术。
三、术:可马上执行的实践策略
✅ 1. 用“三问法”选 AI 工具
面对市场上几十种AI模型和工具，很多管理者不知道怎么选。基于嘉宾们的讨论，这里有一个简单实用的"三问法"：
第一问：我的场景是To B还是To C？
- To C场景：优先考虑响应速度、用户体验、成本控制。不一定要最强模型，能解决80%问题的中等模型+好的产品设计可能更合适。推荐：豆包、Kimi、文心一言等国产模型。
- To B场景：优先考虑准确率和可靠性,宁可多花钱用最强模型。一个任务失败的成本可能远超工具成本。推荐：Claude（如果能用）、GPT-4、国内做To B优化的模型。
第二问：我需要通用能力还是专业能力？
- 通用任务（写邮件、头脑风暴、信息整理）：用通用模型即可，不需要定制。
- 专业任务（代码生成、法律分析、医疗咨询）：找垂直领域优化过的模型或应用，效果会好很多。比如Coding用智谱、医疗用专门的医疗AI。
第三问：我的数据敏感度如何？
- 高敏感（客户隐私、商业机密）：优先选择支持私有化部署的开源模型（如DeepSeek、Qwen），或使用API时确保数据不被训练。
- 低敏感：可以放心用云端API，通常效果更好、成本更低。
本周就做：列出你团队最常用AI的3个场景，用这三问法重新评估工具选择。可能会发现有些地方用错了工具，有些地方根本没用上AI。
✅ 2. 启动企业内部 AI 教育计划
姚顺雨强烈建议："今天中国能做的最有意义的事是教育，教育大家怎么更好地使用AI工具。"这不是客套话，而是血淋淋的现实——未来不是AI替代人类，而是会用AI的人替代不会用AI的人。
三步走教育计划：
第一步（第1周）：全员体验
- 给每个员工开通一个AI工具账号（可以从免费版开始）
- 布置作业：用AI完成一个日常工作任务，记录过程和感受
- 组织分享会：让用得好的人分享经验
第二步（第2-4周）：场景化培训
- 按岗位分组：销售、设计、开发、运营等
- 每组找3-5个高频使用场景，制作"AI使用手册"
- 关键：不是教AI原理，而是教"怎么提问能得到想要的答案"
第三步（持续进行）：建立内部专家网络
- 每个部门指定1-2个"AI先锋"，他们优先试用新工具
- 每月一次"AI时刻"分享会，展示最佳实践
- 建立内部问答社区，遇到AI相关问题随时求助
衡量指标：3个月后，至少50%员工每天使用AI工具；6个月后,每人每天至少节省30分钟。
✅ 3. 建立一个“小闭环”试验场
不要等条件完美再开始，从一个最小闭环开始：
步骤1：选择试点场景（标准：高频+可量化+有数据）
- 例子：客服部门的常见问题回复、销售部门的邮件撰写、开发部门的代码审查
步骤2：设计数据捕获机制（关键：不增加员工负担）
- 使用AI处理后，让用户简单打分（满意/不满意）
- 记录修改次数和修改内容
- 追踪最终结果（客户满意度、成交率、Bug数等）
步骤3：快速迭代（周期：2周一次）
- 分析数据，找出AI表现差的case
- 调整prompt或切换工具
- 再次测试,对比效果
步骤4：建立案例库
- 把表现好的prompt和场景沉淀下来
- 标准化流程,推广到更多团队
- 不断扩大闭环范围
现在就开始：本周选定一个试点场景,拉一个3-5人小组,用最简单的方式（甚至Excel表格）开始记录数据。不要等完美的系统,先把流程跑起来。
✅ 4. 推出 AI 时代的「20% 探索时间」
借鉴Google的"20%时间"理念，但针对AI时代调整：
具体做法：
- 允许团队中10-20%的时间用于探索"可能失败但值得尝试"的AI应用
- 关键规则：必须分享学习过程,无论成败
- 每季度一次"探索成果展示"，最佳探索有奖励
探索方向建议：
- 新工具试用：市场上新出的AI工具，有人试用并评估
- 跨界应用：把其他行业的AI应用移植到自己行业
- 范式探索：尝试AI Agent、AI自主学习等前沿概念
- 长尾需求：那些"一直想做但没时间做"的小众需求
防止失控：
- 设定资源上限（时间+预算）
- 要求每周简报,及时止损
- 明确"探索成功"的定义（不一定要商业化,验证可行性就算成功）
本月行动：下次团队会议提出这个机制,征集第一批探索项目,选3-5个批准启动。
✅ 5. 设计你的 Agent 战略路线图
基于唐杰老师的三维框架，设计你的Agent应用路线图：
阶段1：工具型Agent（现在就做）
- 特点：目标明确、人类定义、单次任务
- 例子：文档总结、数据分析、代码生成
- 部署建议：选择成熟工具（如智谱AI、Kimi）,集成到现有流程
阶段2：协作型Agent（3-6个月）
- 特点：多轮交互、半自主规划、人机协作
- 例子：营销活动策划助手、技术调研助手
- 部署建议：基于API构建轻量级应用,focus on用户体验
阶段3：自主型Agent（6-12个月,视技术成熟度）
- 特点：自主目标、自主规划、长时间运行
- 例子：持续监控并优化广告投放、自动化测试并修复Bug
- 部署建议：小范围试点,严格监控,逐步放开自主权限
风险控制：
- 所有Agent都要有"紧急制动"机制
- 涉及资金、对外沟通的决策必须人类审核
- 定期审计Agent的行为日志
本季度目标：部署至少1个工具型Agent,让至少30%团队成员每天使用。
四、读完就行动：你的7天AI转型启动计划
把上面的"道法术"整合成一个可执行的一周计划：
Day 1：认知升级
- 管理层会议：分享本文核心观点
- 讨论：我们在哪个阶段？差距在哪？
- 决策：未来3个月AI转型的首要目标
Day 2：现状盘点
- 调研：团队目前AI工具使用情况
- 列表：所有可以用AI优化的工作场景
- 优先级排序（用价值-成本-时间窗框架）
Day 3：工具选择
- 用"三问法"为前3个优先场景选工具
- 申请账号、开通权限
- 指定每个场景的负责人
Day 4：培训启动
- 组织半天AI使用培训
- 发放场景化使用手册
- 布置第一周作业
Day 5：试点启动
- 启动第一个"小闭环"试验
- 设计数据收集表格
- 第一次使用,记录问题
Day 6：探索机制
- 宣布"20%探索时间"政策
- 征集探索项目提案
- 选定第一批试点
Day 7：复盘规划
- 总结一周进展
- 调整下周计划
- 设定第一个月里程碑
结语：你不需要成为 OpenAI
四位嘉宾在最后，其实给了一个非常现实的答案：
中国会不会出现下一个 OpenAI？不确定。
但可以确定的是：
AI 时代，普通企业和聪明企业的差距，会被无限放大。
你不需要：
- 自研大模型
- 砸百亿算力
你只需要三件事：
1️⃣ 认知升级（道）2️⃣ 框架决策（法）3️⃣ 持续小步快跑（术）
最重要的一句：
不要等完美工具，不要等完美时机，现在就开始。
附录：AGI-Next【圆桌对话】实录整理
1、关于模型分化的讨论
主持人问题： 硅谷公司明显在分化，Anthropic专注企业、Coding和Agent，中国模型会分化成哪些方向？
姚顺雨（腾讯）：
- To C和To B的分化：ChatGPT一年来用户感受差别不大，但Coding已在重塑行业。To C大部分时候不需要太强智能，更像搜索引擎加强版；To B场景下智能越高代表生产力越高，越值钱。
- 强弱模型的分化：在To B市场，强模型和弱模型分化会越来越明显。年薪20万美元的工程师，强模型能做对8-9个任务，弱模型只能做对5-6个，且不知道哪些会错，需要额外精力监控，所以愿意付溢价用最好的模型。
- 垂直整合vs分层的分化：To C领域垂直整合仍成立（ChatGPT、豆包模型与产品强耦合），但To B领域模型在变得越来越强，会有很多应用层产品使用好的模型，分层趋势明显。
- 腾讯的方向：To C基因更强，思考如何让AI给用户提供更多价值，核心是提供更多Context（上下文）。To B方面，作为大公司有各种应用场景，能捕捉真实世界数据，而不仅依赖标注商。
林俊旸（阿里云）：
- 服务真实问题：无论To B还是To C，核心是把人类世界变得更好。To C也会分化，要明确服务的用户究竟是谁。
- 发现真实机会：通过频繁与客户交流发现机会。美国API厂商基本全是Coding消耗，在中国还没那么大，这是通过客户交流才能Get到的。
- 顺其自然的分化：相信AGI，做AGI该做的事情，分化是自然发生的。
杨强（教授）：
- 学术界和工业界的分化：工业界领头狂奔，学术界是观望者。就像天体物理学先有伽利略观测，后有牛顿理论。现在大模型进入稳态，学术界应该跟上。
- 学术界要解决的问题：智能上界在哪里？给定资源，能做到多好？资源如何分配在训练和推理上？记忆如何帮助推理？会不会记太多噪音反而干扰推理？
- 哥德尔不完备定理启示：大模型不能自证清白，必定有幻觉无法消灭。多少资源能换取多少幻觉降低？这是科学问题，类似经济学的风险收益平衡。
- 持续学习问题：多个Agent串联，能力会指数下降。人类通过睡眠清理噪音，AI是否需要类似机制？这孕育着新的计算模式。
唐杰（智谱）：
- 回到本质问题：2023年做Chat时，预判会替代搜索，但今天谷歌自己革命了搜索。DeepSeek出来后，基座模型这一仗已经结束。
- 下一仗是什么：让AI真正做一件事情。经过团队长时间争论，把所有精力放在了Coding上。
- Best的重要性：不只追求通用能力，还要根据资源禀赋把擅长的点做到极致。
2、关于下一个范式（自主学习）的讨论
主持人问题： 预训练走了3年达到七八成收益，强化学习成为共识还有四五成空间，下一个范式会是什么？2026年能看到信号吗？
姚顺雨（腾讯）：
- 自主学习不是方法论而是任务：每个人对自主学习定义不同。它在什么场景下、基于什么奖励函数去做？聊天越来越个性化是一种自主学习，写代码越来越熟悉环境是一种，探索新科学也是一种。每种挑战和方法论都不一样。
- 已经在发生：ChatGPT在利用用户数据不断优化聊天风格，Claude Code已经写了自己95%的代码在帮助自己变好。这些都是自主学习，只是还局限在特定场景，没让人感觉到巨大威力。
- 更像渐变不是突变：可能受限于各种问题，但这个事情已经在发生。
- 2025年已看到信号：Cursor每几小时用最新用户数据学习，新模型在使用真实环境数据训练。最大问题是想象力——如果2026-2027有新范式，应该用什么任务、什么效果证明它实现了？
- OpenAI概率最大：虽然商业化削弱了创新基因，但仍是最有可能诞生新范式的地方。
林俊旸（阿里云）：
- RL潜力还未充分发挥：从实际角度，强化学习还有很多潜力没打出来，全球范围内都存在类似问题。
- 自主学习的两个方向：
- 第一，能否通过吐更多Token变得更强？像O系列那样，干30小时能干出很难的任务。不一定要更新参数，可以用不同技术手段实现。
- 第二，AI的主动性。现在AI需要人类启动，有没有可能自主思考、自己做事？但这引发安全问题——不希望它做不该做的事。
- 主动学习可能先在用户交互上实现：持续理解用户，就像推荐系统那样。但衡量指标是什么还不清楚，这是技术挑战。
- 记忆技术是线性发展：很多突破都是观测问题，技术在线性发展，只是人类感受非常强烈。Memory要到某个临界点，结合记忆就像人一样理解你，人类感受会突然迸发。可能需要一年时间。
杨强（教授）：
- 联邦学习视角：多中心协作越来越可能。通用大模型和本地小模型/领域专家模型如何协作？在去中心化状态下，既保护隐私又能有效沟通。
- 开源模式特别好：知识开源、代码开源、模型阶段开源。在医疗、金融场景会越来越多看到这种现象。
唐杰（智谱）：
- 对2026年有信心：持续学习、Memory、多模态都有可能出现新范式变革。
- 为什么会产生范式变革：
- 第一，学术界资源改善。去年前年很多老师几乎零卡，现在很多学校有很多卡，硅谷老师也开始做模型架构、持续学习研究。学术界有创新基因和可能性。
- 第二，效率成为瓶颈。投入巨大但efficiency不高。继续Scaling有收益，但收益率下降。花10亿、20亿收益很小就不值得。
- Intelligence Efficiency（智能效率）概念：既要Scaling up获得智能上界提升，更要定义智能效率——用多少投入获得智能增量。如果能用更少投入获得同样增量，这就是瓶颈式创新。
- 2026年一定会有范式发生：我们在努力，希望发生在我们身上，但也不一定。
3、关于Agent战略的讨论
主持人问题： 2026年Agent可能做人类1-2周的工作量，这是创造经济价值的关键一年。对Agent战略、垂直整合、模型公司的Agent机会怎么看？
姚顺雨（腾讯）：
- To B已在上升曲线：目前看起来没有变慢趋势。基本不做什么创新，就是老老实实把预训练做大，后训练把真实任务做好，就会越来越聪明，带来越来越大价值。
- To B目标一致：模型智能越高→解决任务越多→收益越大。所有事情都是正向的。
- To C问题：DAU、产品指标和模型智能很多时候不相关甚至相反。
- 刚刚开始：除了模型，还有环境问题、Deployment问题。即使今天模型不再变好，把现有模型部署到各种公司，已能带来10-100倍收益，对GDP产生5-10%影响（现在不到1%）。
- 教育非常重要：人和人差距非常大。不是AI替代人类，而是会用工具的人替代不会用的人。就像电脑出现，会编程的人和用计算尺的人差距巨大。中国最有意义的事是教育大家更好使用AI工具。
林俊旸（阿里云）：
- 产品哲学问题：套壳是否未来？更相信"模型即产品"，Research可以成为产品经理。
- Agent需要主动学习：要干很长时间，就得在过程中进化，还要自己决定干什么。对模型要求很高，模型就是Agent本身，做基础模型就是在做产品。
- 环境交互的复杂化：现在环境还不够复杂，都是电脑环境。未来AI环境要复杂到真实人类世界，比如指挥机器人做实验，才是真正能做很长时间活的Agent。3-5年会更有意思，要跟具身智能结合。
- 通用Agent的机会：长尾反而更值得关注。AGI的魅力在于解决长尾问题——全世界任何角落都找不到解决方案，但AI能帮你解决。模型公司做通用Agent有优势（遇到问题就训模型、烧卡），但如果创业者是套壳高手且做得比模型公司好，也可以做。
- RL让修问题变容易：以前修问题很难，现在很小的数据点，甚至不需要标注，只要有Query稍微训一训就行，合并也容易。
杨强（教授）：
- Agent的四个阶段：
- 目标定义：人为定义 vs 自动定义
- 规划：人定义 vs AI自动定义
- 现在处于初级阶段：目标和规划都由人定义。现在的Agent软件系统是更高级阶段。
- 未来：大模型观察人的工作，把数据使用起来。最后目标和规划都可以由大模型定义，Agent应该是大模型内生的native系统。
唐杰（智谱）：
- 决定Agent走势的三个方面：
- 第一，价值：Agent解决的事情有没有价值？价值有多大？真的能帮到人吗？如果只是prompt就能解决，Agent会慢慢死掉（像早期GPTs）。
- 第二，成本：做这事Cost有多大？如果调用API就能解决，但如果事情价值很大，API提供商可能会把它做进基座模型。这是矛盾的。
- 第三，速度/时间窗：能否拉开半年时间窗，迅速满足需求？半年后要么迭代要么接上继续走。
- 在拼速度和时间：代码如果做对了，就会走得更远；失败了半年就没了。智谱在Coding和Agent做了一点点，调用量还不错，是一个方向。
4、关于中国引领全球AI的讨论
主持人问题： 3-5年后，全球最领先AI公司是中国团队的概率有多大？需要哪些关键条件？
姚顺雨（腾讯）：
- 概率挺高，很乐观：任何事情一旦被发现，在中国很快能复现并在局部做得更好（制造业、电动车已有先例）。
- 关键条件：
主观因素 - 光刻机能否突破？算力是否成为瓶颈？目前有电力、基础设施优势，主要瓶颈是产能、光刻机、软件生态。 - To B市场能否成熟？能否在国际商业环境竞争？做生产力/To B的模型应用诞生在美国，因为支付意愿更强、文化更好。国内很难，所以都选择出海。 客观因素 - 有没有更多人愿意做冒险的事、前沿探索、新范式突破？一旦范式发生，我们能用很少卡、很高效率局部做得更好。能否引领新范式是今天中国唯一要解决的问题，因为其他方面（商业、产品设计、工程）已经比美国做得更好。
- 研究文化差异：
- 中国更喜欢做安全的事、确定性的事。预训练被证明能做出来就很有信心，但探索长期记忆、持续学习这种不知道怎么做的事比较困难。
- 不只是不愿意创新，更重要是文化积累和整体认知需要时间沉淀。OpenAI 2022年开始做，国内2023年才开始，对事物理解有差异。
- 中国对刷榜、数字看得更重。DeepSeek做得好的一点是没那么关注榜单数字，更注重什么是正确的事、自己能体验出好不好。需要走出榜单束缚，坚持自己觉得正确的过程。
林俊旸（阿里云）：
- 概率：20%（已经非常乐观）：因为有很多历史积淀原因。
- 中美差异：
- 美国Computer比我们大1-2个数量级，且大量投入到下一代Research。我们捉襟见肘，光交付就占据绝大部分算力。
- 创新发生在有钱人还是穷人手里？穷人不是没机会，富人很浪费卡训了很多没用的东西。穷的话要做算法Infra联合优化，如果很富就没动力做。
- 软硬结合机会：下一代模型和芯片有可能一起做出来。2021年阿里做芯片的人问能否预测三年后模型，需要三年留片时间。当时没催他做，现在很懊悔。这个机会会不会再来？穷则思变，创新机会可能发生在这里。
- 冒险精神在变好：90后、00后冒险精神越来越强。美国人天然冒险精神强（电动车刚出来漏水、会出事故，富豪仍愿意买），中国富豪不会干这事。但今天年轻人冒险精神变好，营商环境也在变好，有可能带来创新。
- 初心很重要：能干这一行就非常不错，做大模型已经很幸运。模型不一定最强也OK，只要为人类社会带来充分价值、帮助人类，就愿意接受。
杨强（教授）：
- 回顾互联网发展：一开始从美国开始，中国很快赶上，应用像微信是世界第一。
- AI是技术不是终端产品：中国聪明才智会把产品发挥到极致。
- 更看好To C：百花齐放，集思广益。To B有限制（付费意愿、企业文化），但也在改变。
- Palantir启示：不管AI发展到什么阶段，总能发现好东西应用在企业上。中间有gap用本体方法弥合（迁移学习思想）。通过前端工程师FDE解决。中国AI Native公司应该发展出这样的To B Solution。
- 结论：To C肯定百花齐放，To B也会很快跟上来。
唐杰（智谱）：
- 承认差距：中美在做研究，尤其企业界AI Lab，和美国有差距。
- 未来越来越好：90后、00后这一代企业远远好过之前。（开玩笑说：我们这代最不幸，上一代还在工作，下一代已经出来，把我们无缝跳过了）
- 中国的机会：
- 第一，一群聪明人敢做冒险的事：00后、90后这一代愿意冒风险（俊旸、Kimi、顺雨都是）。
- 第二，环境变好：大企业和小企业竞争、创业企业问题、营商环境。如果环境更好，让敢冒险的聪明人有更多时间做创新（比如让俊旸有更多时间做创新而不是交付）——这是政府、国家可以帮忙改善的。
- 第三，能不能坚持：环境永远不会是最好的。我们幸运经历环境从不够好到慢慢变好的时代，我们是经历者，也许是收获最多的人。如果笨笨地坚持，也许走到最后的就是我们。
- 呼吁：把更多资源资金投入到中国AGI行业，有更多算力，让更多AI年轻研究员搓卡。搓个三五年，中国有三五个自己的伊莉亚，这是未来三五年很期待的。
推荐阅读：
