精校无错版文字稿
开场 李⼴密（主持⼈）：我是接下来Panel的主持⼈⼴密。刚才我在台下听，有⼏个感受。第⼀，就是唐⽼师的号召⼒很强，清华的⼈才⾮常好，不仅是国内，包括海外，清华⼈的⽐例⾮常⾼。 第⼆，就是我刚才听⼏个Talk的感受，叫“不⽌Follow，不⽌开源”，⽽且都在探索⾃⼰的下个范式，⽽且不⽌是Coding，都在探索⾃⼰的产品形态。 这个时间点也特别有意思，2025年其实是中国开源模型“⼤放异彩”的⼀年，“开源四杰”在全球取得了⾮常⼤的成绩，⽽且是Coding过去⼀年有10到20倍增⻓的⼀年。包括海外也在提Scaling到底⾛到哪⼀步了，有没有新的范式出来了。所以今天这个活动，接下来这个Panel讨论“接下来怎么⾛”，是特别有意思的。 话题1：中国⼤模型将如何分化？ 李⼴密（主持⼈）：我们先从第⼀个⽐较有意思的话题聊起来，硅⾕其实⼏家也都在明显的做分化，我觉得从“分化”这个主题可以先聊起来。Anthropic其实是对中国模型公司有⼀个⾮常⼤的启发的，硅⾕的竞争那么激烈，它没有完全Follow全都做，⽽是专注到了企业，专注到了Coding，专注到了Agentic。所以我⼀直在想，接下来中国的模型会分化成⾃⼰想要的哪些⽅向？我觉得分化这个主题是⼀个蛮有意思的。 我看顺⾬也上线了，要不顺⾬可以开场给⼤家讲⼀讲，包括你最近在忙什么？ 姚顺⾬：⼤家好。我现在是不是⼀个巨⼤的脸在会场？(会场⼤笑)不好意思，今天没法亲⾃来北京，但是很⾼兴参加这个活动。最近就忙着做模型、做产品，我觉得就是做AI，⼀个很正常的状态。回国感觉还是挺好的，吃的好很多。 李⼴密（主持⼈）：顺⾬，你能展开聊聊你对“模型分化”这个主题的想法吗？硅⾕也都在分化，⽐如说Anthropic做了Coding，中国很多模型做了开源，过去Coding提得也很快，包括GoogleGemini也没有全都做，它先把全模态这个点做得很好。那你的⽼东家在重点做ToC，因为你是横跨中美的，可以给⼤家讲讲你的体感。就是接下来不管说⾃⼰也好、各家也好，分化这个点你是怎么思考的？ 姚顺⾬：我觉得有两个⼤的感受。⼀个感受是ToC和ToB明显发⽣了分化。另⼀个感受是，“垂直整合”这条路，以及“模型和应⽤分层”这条路，也开始出现了分化。 我先说第⼀点。很明显，当⼤家想到AI的SuperApp，现在⼤家想到的就是两个：⼀个是ChatGPT，另⼀个是ClaudeCode。⼤家可以认为它们分别是做ToC和ToB的典范。但是我觉得很有意思⼀点是说，我们今天⽤ChatGPT的时候，其实和去年⽤，对于⼤部分⼈、⼤部分时候来说，感受到的变化，已经没有那么强烈了。但是相反，以ClaudeCode来说，Coding的⾰命可能⼀年前还没有开 始，但是这⼀年，夸张⼀点说，已经在重塑整个计算机⾏业做事的⽅式。⼈已经不再写代码，⽽是去⽤英语和电脑去交流。 很核⼼的⼀点是，对于ToC来说，⼤部分⼈⼤部分时候其实不需要⽤到这么强的智能。可能今天⽤ChatGPT和去年相⽐，写抽象代数或者去解伽罗⽡理论的能⼒变强了，但是⼤部分⼈感受不到。⼤部分⼈其实可能还是在，尤其在中国，更多像是⼀个搜索引擎的加强版，很多时候你也不知道该怎么样去⽤，去把它的智能给激发出来。 但是对于ToB来说，很明显的⼀点是，智能越⾼很多时候就代表⽣产⼒越⾼，就代表你可以赚的钱越多，这⼀切东西都相关联。那对于ToB来说，还有⼀个很明显的点：⼤部分时候其实很多⼈愿意⽤最强的模型。可能⼀个模型它是200美元⼀个⽉，第⼆强或者差⼀些的模型是50美元⼀个⽉或者20美元⼀个⽉。我们今天发现很多，起码美国的⼈，是会愿意花那个溢价去⽤最好的模型。因为可能他的年薪是20万美元，他每天要做10个任务，那⼀个像Opus4.5这样⼀个⾮常强的模型，它可能会10个任务⼋九个直接做对了，那差的模型它可能做对五六个。问题是你不知道这五六个是哪五六个的情况下，就要花很多额外精⼒去监控这个事情。所以在ToB这个市场上，强的模型和稍微差点的模型，分化会变得越来越明显，这是第⼀点观察。 第⼆点观察，是垂直整合和模型应⽤分层的区别。⼀个⽐较好的例⼦可能是ChatGPTAgent，相对应⽐如⽤Claude或者Gemini加上Manus这样的应⽤层产品。过去⼤家会认为当你有垂直整合的能⼒，你就肯定会做得更好，但起码今天来看，并不⼀定。⾸先，模型层和应⽤层需要的能⼒还是挺不⼀样的。尤其是对于ToB或者说⽣产⼒场景，可能更⼤的预训练（Pre-training）还是⼀个⾮常关键的事情，这个事情对于产品公司确实很难做。但是想要把⼀个特别好的模型⽤好，或者说让这样的模型有它的溢出能⼒，其实也需要在应⽤侧或者说在环境这⼀侧做很多相应的事情。 所以我们会发现，在ToC的应⽤上，垂直整合还是成⽴的。⽆论是ChatGPT还是⾖包，模型和产品是⾮常强耦合去紧密迭代。但对于ToB来说，趋势似乎是相反的。模型在变得越来越强，但也同样会有更多应⽤层的东西想要去利⽤这样的好模型，在不同的⽣产⼒环节发挥作⽤。这是我的两个观察。 李⼴密（主持⼈）：我再Follow顺⾬⼀个问题。因为你有⼀个新的⾝份嘛（腾讯），在中国这个市场上，你接下来的想的Bet（下注）或者什么，有哪些鲜明的特点或者关键词吗？能给⼤家Share吗？ 姚顺⾬：对，我觉得腾讯肯定还是⼀个ToC基因更强的公司。所以我们会思考，怎么样让今天的⼤模型或者说AI的发展能够给⽤⼾提供更多价值。但有⼀个很核⼼的思考：我们发现很多时候我们的Bottleneck（瓶颈）可能在ToC这⼀端不是更⼤的模型，或者更强的强化学习，或者更强的RewardModel，很多时候可能是额外的Context（上下⽂）和Environment（环境）。 我最近经常举的⼀个例⼦：⽐如说我想问“我今天该去吃什么”。其实你今天问ChatGPT和你去年问、或者明天问，这个事情可能体验都会很差。因为想要变好，不是说你需要更⼤的模型、更强的预训练，这个问题的Bottleneck可能是你需要更多额外的输⼊，或者说Context。⽐如说如果它知道“啊今天我其实特别冷，我需要吃点暖和的”，然后“我今天在这个范围活动”，可能“我⽼婆在另⼀个地⽅，她想吃什么”等等。其实回答这样的问题，更多的Bottleneck是额外的Context。⽐如说我和⽼婆聊了很多天，其实我们可以把聊天记录从微信转发给元宝，或者说把这些额外的输⼊⽤好的话，反⽽会给⽤⼾带来很多额外的价值。这是我们对ToC上的思考。 然后做ToB在中国确实是⼀个⾮常难的事情。⽣产⼒的⾰命，包括我们今天很多中国的公司做CodingAgent其实也是要去打海外市场。这⽅⾯我们会思考怎么去把⾃⼰先服务好。像创业公司做Coding和⼤公司做Coding的⼀个区别是，⼤公司本⾝就已经有很多应⽤场景、各种各样需要⽣产⼒变得更好的地⽅。如果我们模型能够在这些地⽅做得更好，不仅模型会有⾃⼰独特的优势，更关键⼀点是，对于真实世界的更Diverse（多样化）的场景数据的捕捉，会是⼀个很有意思的事情。 ⽐如像Anthropic作为⼀个创业公司，想要做更多的CodingAgent数据，需要通过数据⼚商去标数据。这些数据⼚商需要利⽤软件⼯程师去想“我要标什么样的数据”。那这个事情最后的Bottleneck是数据公司⼀共就这么⼏家，⼈就这么多，Diversity会受限。但是如果你是⼀个10万⼈的公司，可能会有⼀些有意思的尝试，怎么去真的把真实世界的数据给利⽤好，⽽不是仅仅依赖于标注商或者说Distillation（蒸馏）。 李⼴密（主持⼈）：多谢顺⾬。接下来Cue⼀下俊旸。你怎么看接下来千问未来的⼀个⽣态位或者分化的Bet？因为你后⾯重点讲了全模态的⽅向。之前阿⾥云在ToB很强，那接下来可能你也提了全模态可能更多ToC的。这⽅⾯怎么思考？ 林俊旸：理论上我是不能评论公司的。但是我觉得公司也不⼀定有那么多基因之分，⼀代⼀代的⼈可能就塑造了这些公司。接下来这⼀句其实我也想注⼊⼀些我们⾃⼰对AGI的理解。因为我觉得今天ToB和ToC也好，我们其实是在服务真实的⼈类。所以我们想的问题，是怎么让⼈类世界会变得更好。 你就算做ToC的产品，其实也会再分化。⽐如说今天OpenAI已经更像⼀个平台了，但是你ToC的话，最终要服务真实的这批⽤⼾究竟是谁？今天可能有很多AI可能会更偏向Medical，更偏向Law，但是它可能是⾃然形成。 我愿意相信Anthropic可能不是说“今天我觉得Coding真的很厉害，我就Beton它”。因为我知道他们跟Business交流真的⾮常多。这个可能也是我们⾃⼰做的还不够好的⼀个点，虽然我们拥有巨⼤的优势。当然也有可能中国这个SaaS市场跟美国确实不太⼀样，他们确实是⾮常频繁地跟客⼾交流，很容易去发现这个很⼤的机会。今天我跟美国的很多API⼚商聊起来，他们都没有想到Coding的Token消耗量居然会这么⼤。其实在中国其实还真的没有那么⼤，⾄少从我这边来看。但是在美国的话，基本上全都是Coding。这个事情我觉得不是所有⼈都能Bet到的。那今天Anthropic在做更多跟Finance相关的东西，我觉得也是他们在跟客⼾交流中看到的机会。 所以我觉得⼤家的分化可能是⾃然的分化。所以我更愿意去相信AGI做AGI该做这个事情，然后顺其⾃然。 李⼴密（主持⼈）：多谢俊旸。杨强⽼师，您对分化这个问题怎么看？ 杨强：分化的问题，其实我更想聊⼀下⼯业界和学术界的分化。这个可能是横跨美国和中国。⼀直以来，学术界是⼀个观望者，⼯业界在领头疯跑。搞得现在很多学术界的⼈也在做⼯业界的事，像唐杰⽼师。 这是⼀个好事，就好像天体物理学刚开始是以观测为主，伽利略的望远镜，然后才出现⽜顿。所以后⾯⼀个阶段，当我们有了众多的稳定⼤模型，进⼊⼀个稳态的时候，我们学术界应该跟上来。跟上来解决什么问题呢？就是⼯业界可能还没来得及解决的⼀些问题。这也是我⼀直在考虑的问题，就是说智能上界在哪⾥？⽐⽅说给你⼀定的资源，计算资源或者能源资源，你能做到多好？可以更细⼀点。⽐⽅说我们把这个资源怎么分配？哪些分配在训练上，哪些分配在推理上？ 我很早就做AI，90年代初就做过⼀个⼩实验：如果我们有⼀定的投⼊在记忆上⾯，那么这个记忆能够帮助推理多少？然后这个帮助，会不会变成反向的，⽐如记住了太多的噪⾳，反⽽⼲扰了推理？有没有⼀个平衡点？这些问题今天还是适⽤的，是⼀个Fundamental（基础）的问题。 最近我也在想另外⼀个问题，⼤家学计算机的都上过理论课，有⼀个重要定理叫哥德尔不完备定理。⼤概意思是说⼀个系统、像我们⼀个⼤模型，它是不能⾃证清⽩的，必定有⼀些幻觉是不可能消灭掉的。那可能你给更多的资源，它会消灭得更多。科学问题就来了：多少资源能够换取多少幻觉的降低？这是⼀个平衡点，特别像经济学的⻛险和收益的平衡。所以我们也叫“⽆免费午餐定理”。这些东西今天特别适合数学界、算法界和⼯业界⼀起来做研究，这孕育着巨⼤的突破。 刚才唐杰⽼师也提到持续学习。我觉得持续学习是⼀个特别好的问题。它⾥⾯有⼀个时间的概念。在持续学习过程中，你会发现，⽐⽅说把不同的Agent串联起来，每⼀个Agent都不能做到100%，那么在N个以后，能⼒是按指数下降的。怎么样保证它不下降？我觉得⼈类是个样本，⽐如说第⼀天是学习，第⼆天会在第⼀天的噪⾳的基础上学习，这样你的能⼒就会类似⼤模型，会下降。但是⼈类有⼀个⽅法来解决
