文/關品方
今年1月初，內地四間企業的AI技術負責人罕有同台，在一場峰會上討論AI發展趨勢。筆者留意到過去半年來的發展趨勢，證明他們當天的發言頗有遠見，值得重溫。
阿里巴巴旗下通義千問技術負責人林俊暘審慎樂觀地認為，未來5年中國AI在下一代範式中能夠反超美國、領先全球的機會雖然有，但不十分確定。關鍵是中美在算力投入結構上存在本質差異。美國傾向投資於下一代的高風險研究，而中國目前的算力更多被用於交付、產品化及商業應用。
這個由清華大學基礎模型北京市重點實驗室舉辦的「AGI-Next前沿峰會」，出席者還有騰訊CEO/總裁辦公室首席AI科學家姚順雨、知名AI獨角獸企業智譜創辦人兼首席科學家唐傑，以及月之暗面創辦人兼首席執行官楊植麟。最近的發展證明，月之暗面的KIMI K3率先跑出。
根據彭博報道，在當日的峰會上，林俊暘認為未來5年內中國公司取得根本性突破、超越OpenAI及Anthropic等美資巨頭的可能性不大。他認為美國的電腦基礎設施可能比中國大一到二倍的數量級別。OpenAI有大量運算資源投入到下一代研究，而中國自身資源卻捉襟見肘，僅滿足於交付需求就已消耗了大部分資源。曾經在OpenAI做研究員，去年才加盟騰訊的姚順雨相對樂觀，他認為中國AI領先全球機率甚高，不過需要滿足多個關鍵條件。他說，中國在「復現」及工程方面很強，任何事情一旦被證明可行，中國往往能夠很快「復現」，並在局部做得更好。但中國要解決的問題是能否引領新的範式，而不是在舊有範式內「刷榜」。新範式需要長期投入，承受不確定性及容忍失敗。姚順雨提到目前中國在電力建設方面具有顯著優勢，但有三道樽頸，主要在算力方面。如果光刻機及相關軟體生態系統跟不上，會拖慢算力上限。此外，除了T2C領域外（即從技術端到消費客戶端），還需要打造更成熟的T2B市場（即從技術端到企業客戶端）。內地付費文化（習慣於免費使用）與企業採用AI的速度，將影響AI公司的變現能力。此外還有企業文化及冒險程度，AI企業敢不敢把大量資源投放到「不確定但可能改變遊戲規則」的方向？他表示懷疑。
「復現」是抄功課的意思。從美國政客的角度看，是中國AI企業「抄襲」或「蒸餾」美國AI企業的創新成果。「刷榜」是青出於藍的意思。中國AI企業「抄襲」或「蒸餾」之後，取得的成績更佳，在榜上排名前列，把美國AI企業刷到後面，俗稱「刷榜」。
智譜的唐傑認為，今後的重心應轉向「完成任務」。中國AI重點趨勢已經從單純的聊天（Chat）能力和榜單分數（即「刷榜」）轉向能夠進入真實環境、可驗證並且可完成複雜任務的智能體（AI Agent）階段，從當前人類要花1至2天的工作量，升級到能夠自主承接1至2周的工作任務（快了7倍），成為自動化工具。他認為AI「聊天」這一代的問題差不多已經解決，行業重心正從「更會聊天」轉向「更能完成任務」。過去市場追逐的是模型在考卷上取得的分數，現在的核心指標已經變成在真實環境中的「跑通率」（即能否滿意地完成任務的意思）。隨着AI技術重點轉向Agent，商業化路徑出現了明顯分化。在T2C市場，用戶體驗提升並不必然帶來留存提升（不一定留得住消費客戶），但在T2B市場，企業最恐懼的不是速度慢，而是錯了兼且不可控。OpenClaw剛推出時（引發一片養龍蝦熱潮，即培植Agent的意思），就曾經引發相關憂慮，Agent一旦出錯，一發不可收拾。筆者認為，潘建偉在量子糾纏方面的努力，如今基本上已可以克服Agent「錯了兼且不可控」的問題（筆者在7月22日的文章有這方面的分析）。從1月初到今天才半年多一點，這個問題已基本克服，這是中國AI應用場景發展一日千里的典型例子。
總而言之，未來智能體（Agent）需要實現「模型即產品」的一體化發展，突破環境交互的局限。當前AI多在虛擬環境作業，未來需要智能與具身結合（即AI+Robotics），指揮機器人完成真實的工作（而不單只在顯示屏上交出作業），例如加速製藥、生物科技（幹細胞培植）、安全應急等領域的效率。
Kimi創辦人楊植麟認為，未來五年中美AI不會出現單方面完勝，而是形成閉源與開源兩條差異化賽道並行格局。美國依託算力積澱，守住閉源基座優勢，中國憑開源路線、長上下文底層創新與海量產業場景，實現局部領跑。取勝核心不在於堆砌算力參數，而在於底層算法原創、全球開源生態搭建、以及適配本土場景的工程優化能力。筆者比較認同楊植麟這個看法。
未來五年中國AI能否領跑全球？筆者的觀察，過去半年國產大模型快速迭代，MoE混合專家架構和開源模型已接連取得突破，但未來五年尚難以實現全方位整體領跑，大概率是形成差異化競爭格局。在產業落地、開源生態、中文與工業場景將形成領先；通用前沿基礎模型、高端算力硬件仍要持續追趕美國。最終能否拉開差距，取決於五大關鍵變量。
第一是算力自主化進度。當前高端訓練芯片與底層軟件棧道仍存在差距，外部技術限制持續存在。若國產AI芯片、訓練框架能夠穩定支撐萬億參數大模型常態化訓練，實現大規模「國芯訓國模」（用國產芯片訓練國產模型），將可以擺脫外部約束；反之，算力瓶頸會持續制約前沿模型迭代的速度。
第二是基礎算法原始創新能力。國內工程化優化的能力突出，但底層注意力機制、推理框架、通用AI理論的原創成果偏少。中國不可以長期停留在模型調優、場景改良，因為這樣很難實現範式級別的轉移和超越。只有持續加大基礎研究投入，才有機會開闢全新技術路線。
第三是開源生態對全球的吸引力。美國頭部企業普遍採用閉源模式，而國產模型選擇開源路線。未來能否吸引全球開發者持續參與、建立獨立於西方的開發者社區，決定中國AI標準能否向外輸出，構建自成體系的產業循環。這方面筆者充滿信心，因為合作共贏一定會戰勝小院高牆。
第四是實體經濟場景轉化的效率。中國擁有全球最完整的製造業體系和海量行業數據。AI能否深度融入工商業、交通運輸、銀行金融，從而產生真實的持續的商業回報，形成「應用落地—資金流水—反哺研發」的正向循環？是中國區別於美國單純以模型開發進行競爭的核心優勢。
最後是高端人才的可持續供給。既要留住頂尖AI科研人才（包括保護他們的人身安全），也要完善產學研融的協同機制，打通理論成果向大模型技術轉化及場景應用的通道。
筆者綜合判斷，未來五年中國有望在產業應用型AI實現全球領先；全面領跑通用前沿AI的難度極大。勝負不在短期參數競賽，而在算力底座、底層創新、開源生態與產業場景能否形成完整閉環（不是閉源）。中國AI審慎樂觀之餘，要留意美國AI一旦落後或會出怪招反噬（製造危機，包括發動戰爭和金融海嘯）。
收藏
取消收藏
分享
