China's "Four AI Giants" Rarely Share the Stage: Alibaba, Tencent, Kimi, and KNOWLEDGE ATLAS Discuss the Next Steps for Large Models and the Possibility of China's Catch-Up

近日，由清華大學基礎模型北京市重點實驗室發起AGI-Next 前沿峯會，把 AI 圈大半邊天聚到了一塊。基模四傑全員到場：智譜唐傑、Kimi 楊植麟、阿里林俊暘，還有 “突然貼臉跳屏” 的姚順雨。

要點提煉：

• 競爭座標遷移：Chat 時代的工程問題已基本解決，未來的勝負手不再是更聰明的 “搜索框”，而是能否完成複雜、長鏈路的真實任務。AI 的核心價值正從 “提供信息” 轉向 “交付生產力”。
• 核心門檻更迭：Agent 的瓶頸不在於思維深度，而在於環境反饋。未來的訓練範式將從人工標註轉向 RLVR（可驗證強化學習），只有讓模型在具備明確對錯判定（如代碼、數學、真實業務流）的 “關卡系統” 中自我迭代，才能實現落地。
• 效率成為新槓桿：高質量數據即將枯竭，未來的競爭是 “能源轉化效率” 的競賽。通過二階優化器和線性架構實現更高的 Token Efficiency（單位數據學習效果），是在算力受限背景下突破智能天花板的關鍵。
• 概率的清醒認知：行業共識認為中國在舊範式（工程復現、局部優化、toC 落地）上的反超勝率很高，但在引領新範式（底層架構革新、長期記憶等）上的勝率可能不超過 20%，因為美國在基礎研究上的算力投入高出數個量級。
• 彎道超車的機會窗口：反超的機會藏在兩個變量裏：一是當 Scaling Law 遭遇邊際效應遞減，全球被迫進入 “智能效率” 競賽時，中國的節儉式創新可能突圍；二是隨着學術界算力條件的改善，2026 年前後可能出現由學術驅動的範式轉向。
• 成功的終極變量：中國最缺的不是榜單分數，而是對不確定性的容忍度。真正的反超取決於我們是否敢於從 “確定性的交付壓力” 中抽身，將資源投向那些可能失敗但能定義未來的新範式，而非僅僅在舊賽道刷榜。

如果只看熱搜，會覺得這場清華峯會的氣氛是：

“中國模型崛起、開源佔榜、AGI 在望。”

但只要把圓桌那段關於 “中國能否反超” 的討論完整讀一遍，你會發現他們的真實情緒更接近——

“我們有機會，但別自嗨；短期能追平，長期能引領範式才算贏。”

甚至有人把概率直接壓到一個非常 “反公眾號” 的數字：不超過 20%。

姚順雨：樂觀，但前提是 “新範式要敢賭”——否則就是追分追到天花板

姚順雨的結論其實分兩層：

第一層：復現與工程，中國很強

他説得很直接：任何一個事情一旦被證明可行，中國往往能很快復現、並在局部做得更好——類似製造業、電動車的路徑已經反覆發生。

這對應的是 “追平甚至反超現有範式” 的能力：更卷的工程、更快的迭代、更強的交付。

第二層：真正的難點是 “引領新範式”

他強調：“中國唯一要解決的問題” 是——

能不能引領新的範式（比如長期記憶、持續學習、真正的自主學習框架），而不是在舊範式裏刷榜。

因為舊範式裏你可以靠效率、組織、工程追上；
但新範式裏你需要願意長期投入、承受不確定性、容忍失敗。

他給出的關鍵約束：三道門檻

• 算力瓶頸：光刻機/產能/軟件生態如果卡住，會拖慢上限。
• toB 市場與國際商業環境：國內付費文化與企業側採用速度，會影響 “把技術變成現金流” 的能力。
• 文化與組織的冒險程度：敢不敢把資源投到 “不確定但可能改變遊戲規則” 的方向。

姚順雨的 “樂觀” 更像：有條件，有窗口，但不自動發生。如果生態繼續只獎勵確定性、只獎勵榜單數字，那 “反超” 就會停留在口號裏。

林俊暘：最明確的 “概率上限”——20%，理由是 “美國的 Research 投入量級更大”

在四個人裏，林俊暘是最 “掐數字” 的那個：

他認為領先的概率 “20%”，而且已經算非常樂觀。

為什麼他會把上限壓這麼低？核心不是 “我們不行”，而是他看到了結構性差異：

結構差異 1：算力投入的 “用途” 不同

他提到美國的 Computer（算力）可能比我們大 1-2 個數量級，更關鍵的是——他們大量算力投向 “下一代 Research”，而我們大量算力被交付與產品化佔據。

翻譯成人話就是：

• 美國在 “賭未來”，容錯高；
• 中國在 “先活下來”，交付壓力大。

結構差異 2：窮則生變，但也可能被現實消耗

他當然也講了反轉可能性：

富哥浪費卡，窮人更有動力做算法 +infra 聯合優化，可能出現 “窮則生變” 的創新。

但他仍然把概率壓在 20%，説明他判斷：“節儉式創新” 能追平效率，但要 “領先範式”，仍然難度很大。

林俊暘的核心態度：不是沒機會，而是不要把 ‘能追上’ 誤當成 ‘會領先’。

唐傑：承認差距，但押注 “2026 範式革新”——機會來自學術界開始回到牌桌

唐傑的説法更像一個 “路徑判斷”：

先承認：中美在企業 AI Lab 研究上確實有差距

他説得很明確：要承認差距存在。

但他押注：2026 一定會發生範式變化

理由是兩點：

1. 學術界開始跟上：
   過去工業界卡多、學術界幾乎沒卡；現在學校算力條件改善，研究種子開始發芽。
   一旦學術界參與度上來，範式探索的可能性會增大。
2. 效率成為硬瓶頸：
   繼續 Scaling 當然有效，但投入巨大、收益邊際變小，會逼出 “智能效率” 的新範式——用更少的投入換同樣的智能增量。

唐傑的樂觀點不是 “我們現在就領先”，而是：

當效率成為瓶頸時，新的算法/架構/訓練範式更可能出現，而這是追趕者可能反超的窗口。

他更像在説：“領先靠資源，反超靠拐點。” 而他押注拐點會在 2026 前後出現。

楊強：更偏 “結構性樂觀”——toC 更可能先贏，toB 要補課；聯邦/協作式路線是現實機會

楊強並不直接給概率，但他的態度很明確：

他更看好中國先在 toC 做出世界級形態

理由類似互聯網史：底層技術先在美國出現，但中國能在應用形態上做到極致（例如微信的例子）。

他對 toB 的判斷更謹慎：需要補 “企業側彌合 gap” 的能力

他提到類似 Palantir 那種 “把 AI 與企業流程之間的 gap 彌合” 的工程體系（本體、FDE 等），中國需要發展自己的 toB 解法。

他的技術押注：通用大模型 + 本地小模型協作（隱私/安全）

聯邦學習的視角，是一條更適合中國落地的路線：在醫療、金融等強隱私場景下，協作式架構會越來越重要。

楊強的最終結論是：

中國會在 toC 百花齊放；toB 也會跟上，但路徑不是照抄硅谷，而是發展自己的 “協作與落地體系”。