Loading... # 清华AGI-Next前沿峰会深度分析 ## 一、概述 2025年底，清华大学基础模型北京市重点实验室发起AGI-Next前沿峰会，"基模四杰"全员到场：智谱唐杰、Kimi杨植麟、阿里林俊旸，以及远程接入的姚顺雨。这场峰会呈现了中国大模型领域最高水平的思考与判断。 **核心问题**：大模型发展的范式正在发生转变。从Chat到做事，从预训练到强化学习，从单一模态到多模态融合，从工具到Agent，整个行业正处于关键的转折点。 ## 二、系统组成与核心要素 ### 1. 大模型能力发展轨迹 ```mermaid graph TD A[2020年<br/>简单QA] --> B[2021-2022年<br/>数学计算与基础推理] B --> C[2023-2024年<br/>复杂推理与代码能力] C --> D[2025年<br/>Agent与环境交互] D --> E[未来方向<br/>多模态感统与持续学习] ```  ### 2. 训练范式演进 ```mermaid graph LR subgraph 第一阶段 A1[预训练] --> A2[知识记忆] end subgraph 第二阶段 B1[SFT对齐] --> B2[理解人类意图] end subgraph 第三阶段 C1[强化学习] --> C2[复杂任务执行] end subgraph 第四阶段 D1[RLVR] --> D2[可验证环境自主探索] end 第一阶段 --> 第二阶段 --> 第三阶段 --> 第四阶段 ```  ### 3. 系统一与系统二认知架构 ```mermaid graph TB subgraph 系统一 A1[模式匹配] --> A2[快速响应] A2 --> A3[覆盖95%日常任务] end subgraph 系统二 B1[思维链推理] --> B2[复杂决策] B2 --> B3[处理5%复杂任务] end subgraph 自学习模块 C1[睡眠式整合] --> C2[知识巩固] C2 --> C3[噪声清理] end 输入 --> 系统一 输入 --> 系统二 系统一 --> 自学习模块 系统二 --> 自学习模块 自学习模块 --> 输出 ```  ## 三、核心观点分析 ### 1. 唐杰：从Chat到做事的范式转变 **关键判断**：DeepSeek横空出世后，Chat这一代问题基本已被解决，下一步的核心是让AI真正完成具体任务。 **技术路径选择**： - 思路一：围绕Thinking能力，结合Coding与Agent - 思路二：让模型更深度与环境交互，如DeepResearch **最终选择**：优先强化Thinking能力并引入Coding场景。 **RLVR（可验证强化学习）的价值**： - 数学、编程等领域容易定义可验证环境 - 模型可自主探索、自动获得反馈 - 挑战：可验证场景正在耗尽，需进入半自动验证或不可验证任务空间 ### 2. 杨植麟：Token Efficiency与Long Context **核心原理**：Scaling Law是将能源转化为智能的过程。 **两个关键优化方向**： A. Token Efficiency - 用更少Token达到同样效果 - MUON优化器实现2倍Token Efficiency提升 - 本质是提升智能上限，因为Token数量有限 B. Long Context - 复杂任务必须超长Context才能完成 - kimi Linear架构实现线性复杂度 - 在长程任务上比全注意力机制效果更好 **世界观创造论**：做模型本质上是在创造一种世界观，需要Taste和审美。智能不同于电力等可交换商品，每个模型产生的Token具有独特性。 ### 3. 林俊旸：全模态Agent的探索 **多模态策略**： - Visual Understanding：操作手机、操控电脑 - VL模型当LLM用，保持语言智力不降智 - Coding输入可以是图像或视频 **生成能力**： - Qwen-Image系列接近真人水平 - 编辑是比生成更大的需求 - 符合物理规律的图像生成 **务实判断**：中国想在AI赛道反超很难，20%概率已经非常乐观。关键差距在于： - 算力投入：美国整体比中国大1-2个数量级 - 创新环境：创新往往发生在"富人"手中，"穷人"被迫做效率优化 ### 4. 姚顺雨：toB与toC的分化 **关键观察**： - toC：大部分人大部分时候不需要那么强的智能 - toB：智能越高，生产力越高，价值越大 **垂直整合vs分层**： - toC：垂直整合成立（ChatGPT、豆包） - toB：模型与应用分层趋势明显 **中国机会**： - 一旦范式被发现，中国可以快速复现并局部优化 - 关键瓶颈：光刻机、算力、toB市场成熟度 - 更大的挑战：能否引领新范式突破 ## 四、关键技术路径 ### 1. 三类Scaling ```mermaid graph TD A[Scaling目标] --> B[Scaling数据与模型] A --> C[Scaling推理] A --> D[Scaling自学习环境] B --> E[提升智能上限] C --> F[更长思考时间找更优解] D --> G[与环境交互获得反馈] E --> H[参考人类学习范式] F --> H G --> H ```  ### 2. Agent能力层级 ```mermaid graph LR A[Coding基础] --> B[简单工具调用] B --> C[Computer Use] C --> D[手机Agent] D --> E[异步超长链路任务] ```  ### 3. 多模态融合发展 ```mermaid graph TB subgraph 输入模态 A1[文本] A2[视觉] A3[语音] end subgraph 统一大脑 B[统一理解与生成] end subgraph 输出能力 C1[文本生成] C2[图像生成] C3[语音生成] C4[视频生成] end A1 --> B A2 --> B A3 --> B B --> C1 B --> C2 B --> C3 B --> C4 ```  ## 五、未来挑战与方向 ### 1. 下一代AGI范式的可能方向 **多模态感统** - 人通过视觉、听觉、触觉形成整体认知 - 模型需建立类似的原生多模态机制 - 感统能力不足会直接影响判断和行动 **记忆与持续学习** - 人类具备多层级记忆结构：短期、工作、长期记忆 - 个体记忆与群体级、文明级记忆的结合 - 将记忆纳入可持续学习框架 **反思与自我认知** - 当前模型已具备初步反思能力 - 深层次自我认知仍存在争议 - 需要探索更高层次的元认知能力 ### 2. 训练效率的瓶颈 **问题**： - 继续Scaling有收益，但效率不高 - 数据从10TB扩展到100TB，收益与成本的平衡 - 每次重训基座+RL的成本巨大 **解决方向**： - 定义"Intelligence Efficiency"（智能效率） - 寻找用更少投入获得同样智能增量的范式 - 这可能是瓶颈式突破的机会 ### 3. Agent落地的关键挑战 **技术挑战**： - 冷启动问题：复杂任务缺乏现成数据 - 强化学习风险：数据不足易陷入局部最优 - 长链路任务：几十步甚至上百步的执行稳定性 **工程挑战**： - API与GUI的混合方案 - 全异步训练框架 - 真实环境数据采集 ### 4. 中国AI发展的机遇与挑战 **有利因素**： - 一旦范式被发现，可以快速复现并优化 - 工程和实现能力强大 - 电力和基础设施优势 - 年轻一代冒险精神增强 **关键瓶颈**： - 光刻机和算力产能 - 软件生态 - toB市场成熟度与支付意愿 - 引领新范式突破的创新文化 **三位专家的概率判断**： - 林俊旸：20%，已经非常乐观 - 姚顺雨：概率挺高，前提是解决算力和创新文化问题 - 唐杰：需要一群敢冒险的聪明人、更好的环境、坚持 ## 六、张钹院士的理论框架 ### 1. 当前大语言模型的本质 **原理**：使用分布式语义，将语义转化为高维稠密向量空间的几何结构，使语言处理变成数学计算问题。 **五个缺失**： - 指称缺失 - 真知和因果缺失 - 语用缺失 - 多义和动态语境缺失 - 闭环行为缺失 **根本原因**：语义定义不完备，模型本身是近似的。 ### 2. AGI的可执行定义 张钹院士提出五个关键能力： 1. 时空一致的多模态理解与落地 2. 可控的在线学习与适应 3. 可验证的推理与长期执行与规划 4. 可校准的反思与元认知 5. 跨任务强泛化 ### 3. AI主体的三个层次 ```mermaid graph TD A[功能-行动主体] --> B[规范-责任主体] B --> C[体验-意识主体] A --> A1[目前已达成] A --> A2[帮助人类完成工具性任务] B --> B1[技术难度较高] B --> B2[需要机器担负责任] C --> C1[最大挑战] C --> C2[机器意识问题] ```  ## 七、总结与展望 ### 1. 范式转变的确定性 - Chat时代基本结束，"做事"成为新焦点 - 预训练收益递减，后训练和强化学习成为关键 - 从单一模型到复杂智能体系的演进 ### 2. 技术路径的多元化 - 思考型Agent vs 环境交互型Agent - Token效率 vs 长上下文 - 垂直整合 vs 模型应用分层 ### 3. 中美竞争的实质 - 美国在算力和新范式探索上领先 - 中国在工程实现和局部优化上优势明显 - 关键差距在于引领新范式的能力 ### 4. 2026年的关键变量 - Scaling仍会继续，但效率成为瓶颈 - 新范式可能在学术界诞生 - Agent开始在真实场景创造经济价值 - 多模态感统和持续学习可能取得突破 ### 5. 企业家的新使命 张钹院士指出，AI时代的企业家需要承担新的职责： - 重新定义价值创造 - 将知识、伦理和应用变成可复用工具 - 承担社会治理责任 - AI时代的企业家将成为光荣而神圣的职业 --- **参考资料**： - 清华大学基础模型北京市重点实验室 AGI-Next前沿峰会 - 量子位：《姚顺雨对着唐杰杨植麟林俊旸贴大脸开讲！基模四杰中关村论英雄》 最后修改：2026 年 01 月 13 日 © 允许规范转载 赞 如果觉得我的文章对你有用，请随意赞赏