AI 现场复盘
Vol.83 25页PPT记录一场中国AI“全明星赛”
明昊在北京参加 AGI Next 后，带着现场速记、照片和个人记录赶往机场。他把这些材料交给 Notebook LM 生成数份 PPT，再自行加工成 25 页版本，并在这期节目中复盘三场演讲和一场论坛。论坛聚焦于模型公司怎样理解下一阶段的技术路线与商业化难题。
赛道分化
面向消费者与企业的模型应用是否需要不同的产品和能力。
自主学习
持续学习已被频繁提起，但概念、机制和安全边界并未收敛。
Agent 价值
更长任务和更深部署能否转为企业愿意购买的结果。
竞争条件
算力、人才、市场与创业环境会怎样影响中国公司的位置。
广密主持论坛时，用这四个问题让学界和产业界的嘉宾交叉回答。参与者包括杨强、唐杰、林俊阳与线上出席的姚顺雨；最后由张钹总结。明昊的复盘也因此保留了同一问题下相互不同的判断。
三场演讲：能力提升的重点各不相同
唐杰从让机器接近人类思考的长期研究方向谈起，把大模型的发展概括为从语言走向编程、再走向 Agent。他提到，带有可验证奖励的强化学习正在受到重视，但中国开源模型不该因已有成果而满足；他担心与美国开源模型的差距仍可能扩大。对他而言，探索智能上界、寻找推理模型之外的新范式，以及处理超长上下文、记忆、持续学习、多模态、机器人和 AI for Science，都是同时展开的研究任务。
杨植麟则把 Kimi 的重点收得更窄：提高 Token 的使用效率，处理更长的上下文和记忆。他把训练模型视为一种带有价值取向的创作，认为开发者对好 AI 的判断会进入模型本身。节目没有把这套表述延伸为可量化的产品优势；它说明的是月之暗面在演讲中强调的路线与愿景。
林俊阳谈千问时，从客户需求解释了模型尺寸为什么很多：从 1.8B、7B 到 72B，以及介于其间的规格，都是使用场景推动的结果。他把高级推理、上下文、代码能力和原生全模态能力放在同一条演进线上，其中多模态占了很大篇幅。
To B 与 To C：同一模型，评价尺度不同
姚顺雨回答赛道分化时，始终用 To B 和 To C 来拆题。他观察到，消费者今天向聊天产品提问，得到的结果与一年前相比未必有很大差别，因此不是所有消费者都需要更强模型。消费者端的模型与应用耦合更紧，容易形成一体化产品；复杂上下文和记忆是他提到的重点。
企业端的情况不同。姚顺雨认为，越来越强的模型可以继续进入业务，编程是一个典型场景；能力与应用环节的拆分也更明显。对腾讯而言，把模型能力放进已有的大量业务场景以提高生产率，本身就是很大的工作量。唐杰的说法更简练：聊天这一仗似乎已经打完，下一仗是让 Agent 去解决实际问题。林俊阳没有沿着公司战略作判断，只强调技术团队仍要从用户需求出发。
| 姚顺雨的划分 | 讨论重点 | 节目中的例子或条件 |
|---|---|---|
| To C | 复杂上下文、记忆、模型与应用的紧耦合 | 聊天答案的进步未必总能让用户感到明显差别 |
| To B | 更强模型的渗透、部署和业务拆分 | 编程与腾讯既有业务场景；不等同于所有企业都会采用 |
自主学习：已有信号，尚无统一定义
持续学习是当天反复出现的词，但姚顺雨没有把它当作已经确立的研究范式。在他的理解中，online learning 或 continuous learning 更接近数据、任务和奖励函数的组合问题。聊天工具逐渐适应用户的表达偏好，编程工具逐渐了解一家公司代码习惯，都可能属于广义上的学习；它们发生在受限场景里，变化也会是渐进的。
林俊阳从强化学习的算力投入谈到 AI for Science：如果模型能自己找材料、确定问题、完成实验、取得结果并产出报告，这个过程也包含学习。问题在于，模型不再只接受用户提示词，环境也会给它刺激；它能自行行动后，安全问题会随之出现。唐杰则更看重 Scaling 效率的瓶颈，认为学界已开始积累经验，因此 2026 年可能出现新的范式创新。这是他的预期，不是论坛宣布的时间表。
Agent 的经济价值，不只取决于模型能跑多久
对企业 Agent，姚顺雨给出了一个很强的估计：即便模型研发在当时停止，只用既有能力做更多 To B 渗透和部署，也可能还有 10 倍到 100 倍的空间。他同时认为，人怎样帮助 Agent 做得更好会变得更重要，教育和协作能力会影响这种关系。
林俊阳关注 Agent 走出电脑之后的环境，认为非电脑场景会把讨论带到物理世界、机器人和具身问题。杨强用目标与规划、以及人还是机器主导两个维度划分 Agent 的四个象限，判断当时常见产品还处于较早阶段。唐杰给出一条更接近部署决策的尺度：Agent 是否成功，需要平衡解决问题的价值、运行成本与迭代速度。单纯延长任务时长，并不能替代这三项条件。
关于中美竞争，分歧来自不同的比较维度
广密问得很直接：未来三到五年，世界最领先的 AI 公司有没有可能来自中国。姚顺雨较乐观，理由是中国在算力、基础设施和人才等硬指标上跟得很紧，也在持续改善；但他也提到光刻机、To B 市场的交付与付费意愿等约束，并期待更多愿意承担创新风险的人出现。
林俊阳的回答更谨慎。他认为中国在算力上与美国可能相差一到两个量级，而美国头部厂商已经把更多研发资源投入下一代范式；他甚至说，中国公司成为世界第一的概率若到 20%，已算乐观。唐杰没有给出概率，而是把人才敢于冒险、营商环境和长期坚持看作取得结果的条件。
张钹：从语言模型走向可检验的 AGI
张钹在最后把讨论收束为一个更严格的目标：从语言模型走向能在复杂环境中完成复杂任务的 Agent。按照他的定义，可执行、可检验的 AGI 需要五类能力：时空一致的多模态理解与落地、可控的在线学习与适应、可验证的推理和长期规划执行、可校准的反思与元认知，以及跨任务的强泛化。这些是他提出的能力要求，而不是对现有系统的验收报告。
为处理这些问题，他列出多模态、具身与交互、检索与证据落地、结构化知识对齐、工具执行与落地、对齐与约束落地等研究方向。对人工智能的社会位置，他又区分了行动主体、规范与责任主体，以及可能拥有意识和体验的主体。眼前的工作仍是对齐与治理；他特别强调，治理的重点不只是机器，也包括从事研究和使用这些系统的人。
张钹还把企业家的责任纳入这套框架。在他的表述中，AI 企业提供的内容不只是产品和服务，也会把知识、伦理和应用做成可复用工具；因此企业需要承担治理与普惠、可持续增长相关的社会责任。论坛在此没有给出技术竞赛的胜负答案，却把能力、部署和责任放在同一个现实问题里。