AI拼研究了｜笔记

伊利亚在去年底说，要回归研究；2026进入新年，顶尖的和新型的AI实验室，都已经开始只争朝夕了。

中美都在发力AI下一个范式

a16z的创始人安德森，最近融了一笔150亿美元的基金，他展望2026年时说，看好伊利亚(Ilya Sutskever)，Mira (Murady)，李飞飞、Cursor团队等，这一批业内顶尖的科学家和研究团队，新型AI研究将有可能颠覆硅谷。当然，他也看好中国的团队，如月之暗面Kimi，已经达到GPT-5的水平。

月之暗面创始人杨植麟最近在一个内部行业论坛中说，“所有的技术突破都伴随着风险，但我们不能因恐惧而停滞不前。因此，我们希望在接下来的十年、二十年里，继续把K4、K5到K100做得更好。”

杨植麟谈到了在中国做研究非常稀缺的一种东西taste (品味），月之暗面要坚持taste，它手握百亿元现金，也给了它这样做的底气。这类似于DeepSeek，坚持纯粹的AGI追求，决定了可以长期保持taste。保持taste，需要不停地拓展模型的边界。Kimi明确提出了两个目标，一个是token效率，一个是长文本（long context）。

这是清华大学基础模型北京市重点实验室、智谱AI发起的AGI-Next发起的前沿峰会。而中国的“大模型第一股”智谱上市之后，其创始人兼首席科学家唐杰，也要求大家马上回归研究。

TML（Thinking Machine Lab）甚至很鲜明地提出，研究即产品 （Researcher is Product）。这家公司在OpenAI前首席技术官Mira带领下，聚集包括OpenAI联合创始人舒曼和翁荔等在内的一批顶尖研究员。这其实也支持了模型即产品这一观点。

阿里千问技术负责人林俊旸认为，现在的研究究员，都愿意做面向真实世界的研究。他特别提出了目前AI所处的工作环境，就是在电脑里，而几乎无法也电脑之外的工作环境交互。“如果AI能和真实物理世界交互，那才是我想象中Agent能做长时间工作的情景，而不是说仅仅是在电脑当中。”

即使在一两年内，AI能实现在电脑上干几天的活，但真正广阔的，是电脑屏幕之外真实的物理世界，所以，具身智能是更有价值的追求。

但林俊旸也吐槽，即使在大厂中，也面临研究算力不够的问题。

“如果从概率上来说，我可能想说一下我感受到的中国和美国的差异，比如说美国的Compute（算力）可能整体比我们大1-2个数量级，但我看到不管是OpenAI还是其他，他们大量的Compute投入到的是下一代的Research当中去。”

“我们今天相对来说，捉襟见肘，光交付可能就已经占据了我们绝大部分的Compute，这会是一个比较大的差异，这可能是历史以来就有的问题。”

不过，林俊旸也圆回了话锋，如果是“GPT穷人”的话，可能会更有动力去做一些软硬件协同、高性价比的创新，他谈到两三年前，阿里内部芯片设计团队曾与大模型团队交流，但没有协同起来，感到有些遗憾。

相比大厂，大学等研究机构，今年可以发挥更大的作用。唐杰谈到，目前高校等学术界，科学家手中已经不再像几年前那样缺卡，与业界相比那么寒碜了，现在手里都有足够多的卡，可能进行大模型新范式的探索和研究。

中国做To B难，创业者想打海外

大家也提到了Mamus，这家所谓“套壳”的产品公司，却得到了几十亿美元的估值。中国做To B确实很难，初创公司还要想去打海外市场。

刚从美国OpenAI回到中国，加入腾讯担任首席科学家的姚顺雨认为，今天我们看到很多做生产力或者做To B的模型或者应用，还是会诞生在美国，因为支付意愿更强，文化更好。

今天在国内做这个事情很难，所以大家都会选择出海或者国际化的事情，这两个是比较大的客观上的因素。“很多做Coding Agent的公司其实也是要去打海外市场。”

中美之间的差距

唐杰向中国开发者泼了一点冷水：“美国和中国大模型之间的差距，说不定并没有缩小，因为美国还有大量闭源模型没有开源。” 这与DeepSeek-V3.2的论文结论基本一致，开源模型与闭源模型之间的性能差距并没有收敛，反而呈现出扩大的趋势。DeepSeek警告中国开源模型：“在越来越复杂的任务中，专有闭源系统展现出了显著更强的能力优势，并在处理高复杂、多步骤、交互式问题时体现出的领先幅度在扩大。”

2025/12/2， 阅读全文>

但中国跟着美国开创的范式，哪怕追赶得再快，也是跟随。它极大地降低了探索的成本，同时能在工程上做性价比的创新。

唐杰认为，制定新标准非常重要。未尽研究从2025年到2026年的AI展望中，都提到了标准的问题。1，数据污染问题，2，数据饱和的问题，3，自说自话问题，如围绕自己的数据集和范式设定标准，4，高分低能问题：标准与实际工作脱节。

中国能否开创自己的AI范式，一个最重要的标志，就是中国的AGI探索者，大厂、新上市企业、独角兽等，制定出一些中国的测试标准。

唐杰观察到，如今疯狂的RL、Scaling，收益已经大不如从前。因此，他定义了一个衡量智力水平的新范式，智能效率（Intelligence Efficiency），用于衡量模型投入和智力收益的ROI。

效率和性价比，这可能是自DeepSeek以来，中国的开源模型最得到国际公认的一点，也是把模型推向应用的最重要的标准。

姚顺雨则比较乐观，以电动车为例，认为三五年内全球最领先的AI公司会出现在中国，前提是中国要有光刻机。

“概率还挺高的，我还是挺乐观的。目前看起来，任何一个事情一旦被发现，在中国就能够很快的复现，在很多局部做得更好，包括之前制造业、电动车这样的例子已经不断地发生。”

“我觉得可能有几个比较关键的点，一个可能是中国的光刻机到底能不能突破，如果最终算力变成了Bottleneck（瓶颈），我们能不能解决算力问题，目前看起来，我们有很好的电力优势，有很好的基础设施的优势。”

To B与To C，通用与垂直，模型与应用

To B和To C，通用和垂直，模型和应用，一直是行业内争论不休的问题。姚顺雨认为，2C的场景下，垂直整合是成立的。但2B场景下，模型公司专注把模型做强，应用公司则追求用最强的模型来提升生产力。这样看来，2B与2C正在分化。

Coding是第一个被验证为收入百亿美元级别、估值数千亿美元级别的应用领域。它消耗的token数量是巨大的，但它能真正提升了编程的效率，也卖得出高价，付得起这个算力成本。

林俊旸与美国API厂商的交流中发现，Anthropic总是在服务客户中发现新的需求，特别是在一些高价值场景中的需求，除了编程，还有金融等。 这样的领域 ，可能还有医疗、法律、咨询等。

姚顺雨认为，模型能力越强，解决问题的能力越强，也就越能在服务客户的过程中发现更多可以解决的问题，这是Anthropic道路给大家的启示。

显然，Anthropic道路，相比OpenAI，正在吸引越来越多中国的大模型和应用公司，如智谱等。

姚顺雨指出：OpenAI做To C的问题我们都知道，To C的DAU和模型智能，很多时候是不相关的，甚至有相反的关系。

一个明显的例子是，GPT-5推出后，许多用户要求回到GPT-4o。

参考：

https://mp.weixin.qq.com/s/IToXOrPJ-fi3B3sJQuxLpQ

https://mp.weixin.qq.com/s/8sfZIkC8wt22OiJFnvnF3w

https://mp.weixin.qq.com/s/6Jyh2RCQuvD38CCGHVix-Q