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，由清华大学基础模型北京市重点实验室发起AGI-Next 前沿峰会，把 AI 圈大半边天聚到了一块。基模四杰全员到场：智谱唐杰、Kimi 杨植麟、阿里林俊旸，还有 “突然贴脸跳屏” 的姚顺雨。

要点提炼：

• 竞争坐标迁移：Chat 时代的工程问题已基本解决，未来的胜负手不再是更聪明的 “搜索框”，而是能否完成复杂、长链路的真实任务。AI 的核心价值正从 “提供信息” 转向 “交付生产力”。
• 核心门槛更迭：Agent 的瓶颈不在于思维深度，而在于环境反馈。未来的训练范式将从人工标注转向 RLVR（可验证强化学习），只有让模型在具备明确对错判定（如代码、数学、真实业务流）的 “关卡系统” 中自我迭代，才能实现落地。
• 效率成为新杠杆：高质量数据即将枯竭，未来的竞争是 “能源转化效率” 的竞赛。通过二阶优化器和线性架构实现更高的 Token Efficiency（单位数据学习效果），是在算力受限背景下突破智能天花板的关键。
• 概率的清醒认知：行业共识认为中国在旧范式（工程复现、局部优化、toC 落地）上的反超胜率很高，但在引领新范式（底层架构革新、长期记忆等）上的胜率可能不超过 20%，因为美国在基础研究上的算力投入高出数个量级。
• 弯道超车的机会窗口：反超的机会藏在两个变量里：一是当 Scaling Law 遭遇边际效应递减，全球被迫进入 “智能效率” 竞赛时，中国的节俭式创新可能突围；二是随着学术界算力条件的改善，2026 年前后可能出现由学术驱动的范式转向。
• 成功的终极变量：中国最缺的不是榜单分数，而是对不确定性的容忍度。真正的反超取决于我们是否敢于从 “确定性的交付压力” 中抽身，将资源投向那些可能失败但能定义未来的新范式，而非仅仅在旧赛道刷榜。

如果只看热搜，会觉得这场清华峰会的气氛是：

“中国模型崛起、开源占榜、AGI 在望。”

但只要把圆桌那段关于 “中国能否反超” 的讨论完整读一遍，你会发现他们的真实情绪更接近——

“我们有机会，但别自嗨；短期能追平，长期能引领范式才算赢。”

甚至有人把概率直接压到一个非常 “反公众号” 的数字：不超过 20%。

姚顺雨：乐观，但前提是 “新范式要敢赌”——否则就是追分追到天花板

姚顺雨的结论其实分两层：

第一层：复现与工程，中国很强

他说得很直接：任何一个事情一旦被证明可行，中国往往能很快复现、并在局部做得更好——类似制造业、电动车的路径已经反复发生。

这对应的是 “追平甚至反超现有范式” 的能力：更卷的工程、更快的迭代、更强的交付。

第二层：真正的难点是 “引领新范式”

他强调：“中国唯一要解决的问题” 是——

能不能引领新的范式（比如长期记忆、持续学习、真正的自主学习框架），而不是在旧范式里刷榜。

因为旧范式里你可以靠效率、组织、工程追上；
但新范式里你需要愿意长期投入、承受不确定性、容忍失败。

他给出的关键约束：三道门槛

• 算力瓶颈：光刻机/产能/软件生态如果卡住，会拖慢上限。
• toB 市场与国际商业环境：国内付费文化与企业侧采用速度，会影响 “把技术变成现金流” 的能力。
• 文化与组织的冒险程度：敢不敢把资源投到 “不确定但可能改变游戏规则” 的方向。

姚顺雨的 “乐观” 更像：有条件，有窗口，但不自动发生。如果生态继续只奖励确定性、只奖励榜单数字，那 “反超” 就会停留在口号里。

林俊旸：最明确的 “概率上限”——20%，理由是 “美国的 Research 投入量级更大”

在四个人里，林俊旸是最 “掐数字” 的那个：

他认为领先的概率 “20%”，而且已经算非常乐观。

为什么他会把上限压这么低？核心不是 “我们不行”，而是他看到了结构性差异：

结构差异 1：算力投入的 “用途” 不同

他提到美国的 Computer（算力）可能比我们大 1-2 个数量级，更关键的是——他们大量算力投向 “下一代 Research”，而我们大量算力被交付与产品化占据。

翻译成人话就是：

• 美国在 “赌未来”，容错高；
• 中国在 “先活下来”，交付压力大。

结构差异 2：穷则生变，但也可能被现实消耗

他当然也讲了反转可能性：

富哥浪费卡，穷人更有动力做算法 +infra 联合优化，可能出现 “穷则生变” 的创新。

但他仍然把概率压在 20%，说明他判断：“节俭式创新” 能追平效率，但要 “领先范式”，仍然难度很大。

林俊旸的核心态度：不是没机会，而是不要把 ‘能追上’ 误当成 ‘会领先’。

唐杰：承认差距，但押注 “2026 范式革新”——机会来自学术界开始回到牌桌

唐杰的说法更像一个 “路径判断”：

先承认：中美在企业 AI Lab 研究上确实有差距

他说得很明确：要承认差距存在。

但他押注：2026 一定会发生范式变化

理由是两点：

1. 学术界开始跟上：
   过去工业界卡多、学术界几乎没卡；现在学校算力条件改善，研究种子开始发芽。
   一旦学术界参与度上来，范式探索的可能性会增大。
2. 效率成为硬瓶颈：
   继续 Scaling 当然有效，但投入巨大、收益边际变小，会逼出 “智能效率” 的新范式——用更少的投入换同样的智能增量。

唐杰的乐观点不是 “我们现在就领先”，而是：

当效率成为瓶颈时，新的算法/架构/训练范式更可能出现，而这是追赶者可能反超的窗口。

他更像在说：“领先靠资源，反超靠拐点。” 而他押注拐点会在 2026 前后出现。

杨强：更偏 “结构性乐观”——toC 更可能先赢，toB 要补课；联邦/协作式路线是现实机会

杨强并不直接给概率，但他的态度很明确：

他更看好中国先在 toC 做出世界级形态

理由类似互联网史：底层技术先在美国出现，但中国能在应用形态上做到极致（例如微信的例子）。

他对 toB 的判断更谨慎：需要补 “企业侧弥合 gap” 的能力

他提到类似 Palantir 那种 “把 AI 与企业流程之间的 gap 弥合” 的工程体系（本体、FDE 等），中国需要发展自己的 toB 解法。

他的技术押注：通用大模型 + 本地小模型协作（隐私/安全）

联邦学习的视角，是一条更适合中国落地的路线：在医疗、金融等强隐私场景下，协作式架构会越来越重要。

杨强的最终结论是：

中国会在 toC 百花齐放；toB 也会跟上，但路径不是照抄硅谷，而是发展自己的 “协作与落地体系”。