开场0:00
哈喽哈喽 ， 对 ， 我是接下来 panel 的主持人广密 。 那个 ， 对 ， 呃 ， 刚才我在台下听 ，有几个感受吧 。
那个 ， 呃 ， 第一就是唐老师的号召力很强 ， 那个清华的人才非常好 。 那个 ，不仅是国内 ， 包括海外， 那个 ， 呃 ， 清华人的比例非常高的 。
那个 ， 感 - 感觉这一波好像跟隔壁学校在 AI 这一波 ， 这个 ， 这个 ， 拉开差距了 。 那个 ， 第二个就是我刚才听这个 ， 呃 ， 刚才几个 talk 的感受呢 ， 就说这个这个 ， 呃 ， 叫不止 follow，不止开源 ，而且都在探索自己的这个下个范式 。
呃 ，而且这个不只是 coding， 都在 ， 都在那个 ， 这个这个 ， 探索自己的产品形态 。 就是这个时间点也特别特别特别有意思 ， 就是说这个 2025 年其实是中国开源模型叫大放异彩的一年 。
这个 ， 呃 ， 四家这个叫叫开源四杰 ， 呃 ， 这个在在全球 ， 呃 ， 取得了非常 ， 我我觉得是叫大放异彩的一年嘛 。
那个 ， 呃 ，而且是 coding 这个过去一年， 这个有有有有 10 到 20 倍增长的一年 。 嗯 ， 包括海外也在提那个 ， 这个 scaling 到底走到哪一步了 ， 就是有没有新的范式出来了 。
所以今天这个活动 ， 接下来这个 panel， 我觉得叫讨论接下来怎么走 ， 呃 ，是特别有意思的 。 接下来我们 ， 呃 ， 邀请这个 ， 呃 ， 接下来几位嘉宾 ， 呃 ， 这个杨强教授 ， 啊 ， 唐杰老师 ， 俊阳 ， 和顺雨 。
分化1:58
对 ， 嗯 ， 那个那个我们先从那个第一个比较有意思的话题聊起来啊 。 那个 ， 嗯 ， 这个就是硅谷的其实几家也都在明显的做分化 。
我我觉得从分化这个主题可以先聊起来 。 嗯 ， 就是 Anthropic 其实是对中国模型公司有一个非常大的启发的 ， 就是硅谷的竞争那么激烈 ， 就是他没有完全 follow 全都做 ，而且是专注到了企业 ， 专注到了这个 coding， 专注到了这个 agentic。
嗯 ， 所以我也在想 ， 就是说那个 ， 呃 ， 接下来那个中国的模型会分化成大 ， 呃 ， 自己想要的哪些方向 。
就是我我觉得分化这个主题是一个蛮有意思的 。 那个 ， 我看顺雨也也也上线了 。 那个 ， 要不顺雨可以开场给大家讲一讲 ， 包括你你最近最近在忙什么 。
对 。
呃 ， 大家好 ， 呃 ， 我现在是不是一个巨大的脸在在会场 。 哈哈哈 ， 呃 ， 对 ，不好意思 ， 今天对 ， 没没法亲自来北京 ，但是 ， 呃 ， 很高兴参加这个活动 。
呃 ， 最近就忙着这个做做做模型 ， 做产品 ， 对 ， 我觉得就是做做 AI 一个很正常的状态 。 呃
， 对 ， 回国感觉还是挺好的 。 对 ， 我觉得吃的吃的吃的好很多 。 对 。
对 。 哎 ， 顺雨 ， 那个你你呃 ， 你能展开聊聊就说你对模型分化这个主题的想法吗 ？ 就说硅谷你看也都在分化 ， 呃 ， 比如说 Anthropic 做了 coding， 呃 ， 中国的模型做了开源 ， 对吧 ？
过去 coding 提的也很快 ， 那个 ， 包括 Google Gemini 也没有全都做 ， 对吧 ？ 他先把全模态这个点做得很好 。 那你你的老东家在重点做 to C， 对吧 ？
就是我不知道你你 ，因为你你是横跨中美的这个这个体感 ， 就是可以给大家讲讲你的这个体感 。
就是接下来 ， 呃 ，不管说自己也好 ， 各家也好 ， 就是分化这个点你是怎么思考的 ？
对 ， 我我我觉得有两个大的感受 。 一个感受是 ， 呃 ，to C 和 to B 明显发生了分化 。 我觉得另一个感受就是说 ， 呃 ， 垂直整合这条路 ，以及就是模型和应用分层这条路 ，也开始出现了分化 。
我先说第一点 。 我我觉得很明显的就是说 ， 呃 ， 呃 ， 大家当大家想到 AI 的 super app， 现在大家想到就是两个 ， 对吧 ？
一个是 ChatGPT， 然后另一个是 Claude code。 然后大家可以认为分别是做 to C 和 to B 的 ， 呃呃 ， 典范 。 但是我觉得 ， 呃 ， 很有意思的一点就是说 ， 我们今天用 ChatGPT 的时候 ，其实和去年用 ， 对于大部分人， 大部分时候 ，其实感受的变化已经没有那么强烈了 。
但是相反 ， 对吧 ，Claude code 可能一年前就 coding 的这个革命还没有开始 ，但这一年就是已经 ， 呃 ， 夸张一点说 ， 就是已经在重塑整个计算机行业 ， 呃 ， 做事的方式 ， 对吧 ？
就是人已经不不再写代码 ，而是去用英语和和和电脑去交流 。 那我觉得很核心的一点就是说 ， 呃 ， 对于 to C 来说 ， 呃 ， 大部分人大部分时候其实不需要用到这么强的智能 。
对 ， 就是说可能今天用 ChatGPT 和去年相比 ， 写抽象代数或者去做加罗华理论的的的这个能力变强了 ，但是大部分人大部分时候感受不到 。
呃 ， 大部分人其实可能还是在 ， 呃 ， 尤其在中国 ， 对吧 ， 就更更多像是一个搜索引擎的加强版 。 然后， 呃 ， 很多时候你也不知道该怎么样去去用 ， 去把它的这个智商给激发出来 。
但是对于 to B 来说 ， 我觉得很很很明显的一点就是说 ， 呃 ， 智能越高 ， 很多时候就代表生产力越高 ， 就代表你可以赚的钱越多 。
就是这些东西都相关联 。 那那对于 to B 来说 ， 呃 ， 还有一个很明显的点就是说 ， 大部分时候其实 ， 呃 ， 很多很多人他就愿意用最强的模型 。
对 ， 可能一个模型他他他是 200 美元一个月 ， 呃 ， 第二强或者或者差一些的模型是是 50 美元一个月或 20 美元一个月 。
我们我们今天发现的就是很多 ， 呃 ， 很多很多起码美国的人他是会愿意花那个溢价去去用最好的模型 ，因为可能他的年薪是 20 万美元 ，他他他愿意去 ，他每天比如要做 10 个任务 ， 对吧 ？
那那一个一个像 Opus 4.5 这样一个非常强的模型 ，他可能会 ， 呃 ，10 个任务八九个就直接做对了 。 那那那差的模型他可能做对五六个 。
那那那问题就是说 ， 你不知道这五这五六个是哪五六个的的情况下， 那你就需要花很多额外的精力去去去去监控这个事情 。
那其实我觉得无论是人还是模型 ，在 to B 这个市场上就发现了一个很很很很有意思的现象 ， 就是说那个强的模型和稍微差一点或者弱的模型 ， 它的这个分化会变得越来越明显 。
对 ， 呃 ， 我觉得这是这是这是第一点观察 。 然后第二点观察就是说 ， 呃 ， 垂直整合 ， 垂直整合这条路和模型应用分层这条路的的的的区别 。
我觉得我觉得一个比较好的例子可能就是 ， 呃 ， 比如 ChatGPT Agent， 呃 ， 相相对比于就是说 ， 呃 ， 比如用 Claude 或者 Gemini 加上像 Manus 这样的应用层的的产品 。
呃 ， 我觉得一方面就是说 ， 呃 ， 我觉得过去大家会认为就是说 ， 呃 ， 当你有这个垂直整合能力 ， 你就肯定会做得更好 ，但起码今天来看 ， 呃 ，并不一定 。
首先就是说 ， 呃 ， 模型层和应用层需要的能力还是挺不一样 。 呃 ， 对于对于对于 ， 尤其是对于 to B 或者生产力这样的这样的场景来说 ， 呃 ， 可能更大的预训练 ， 呃 ， 还是一个非常关键的事情 。
那这个事情可能对于产品公司确实也很难做 。 但是呢 ， 想要把这样一个特别好的模型用好 ， 呃 ， 或者说这样的模型它有它的溢出能力 ，其实也需要在应用侧或者说在环境这一侧做很多很多相应的事情 。
所以 ， 呃 ， 我们会发现其实在 ， 呃 ，to C 的应用上， 垂直整合还是成立的 。 就无论是 ChatGPT 还是还是豆包 ， 还是各种这样 to C 的 app， 呃 ， 模型就是和和产品是非常强耦合 ， 去去紧密迭代 。
但对于 to B 来说 ， 呃 ， 这个趋势似乎是相反的 。 就是说 ， 呃 ， 模型在变得越来越强 ， 越来越好 ，但是也同样还是会有更多 ， 呃 ， 应用层的东西想要去利用这样的这个好的模型去去在不同的生产力环节 。
对 ， 这是我的两个观察 。
那个我我再 follow 顺雨一个问题啊 ，因为因为你有了一个新的身份嘛 ， 就是在中国这个市场上， 那你接下来的你想的这个 bet 会是什么 ？
有有有哪些鲜明的这个特点或者关键词吗 ？ 现在能能给能给大家 share 的吗 ？
对 ， 我我觉得腾讯肯定还是一个 ， 呃 ，to C 基基因更强的的的的公司 ， 所以我觉得我们会 ， 呃 ， 会思考就是说怎么样能够让让今天的大模型或者说 AI 的发展能够更 ， 呃 ， 给用户提供更更多价值 。
但我觉得我我觉得一个很核心的思考就是说 ， 呃 ， 我们发现很多时候我们的 ， 呃 ，bottleneck 可能在 to C 这一端 ，不是更大的模型或者更强的强化学习 ， 或者或者更或者更强的这个 real real model。
很多时候可能是额外的 context 和和 environment。 就我我最近经常举的一个例子就是说 ， 呃 ， 比如说比如说我我想问我今天该去吃什么 ， 那其实你今天问 ChatGPT 和你去年问 ChatGPT 或者明年问 ChatGPT 这个事情可能都会很差 ， 对吧 ？
因为这个事情你想要变好 ，不是说你需要更大的模型 ， 更强的预训练 ， 更大更强的强化学习 ， 更多的这个 agent 环境 ， 或者更多的这个这更强的这个搜索引擎 。
这个问题的 ， 呃 ，bottleneck 可能是你需要更多的额外的输入 ， 或者说我们叫 context， 对吧 ？ 比如说如果他知道啊 ， 今天我我我其实特别特别冷 ， 然后我我需要吃点暖暖和的 ， 对吧 ？
然后我在今天在这个范围活动 ， 可能可能我老婆在在在另一个地方 ， 然后他他想吃什么 ， 各种各样的这些事情 。
那那其实回答这样的问题是更更多的 bottleneck， 我觉得是是额外的 context。 那 ， 呃 ， 比如说我和我和老婆聊聊了很长时间 ， 天天对吧 ？
那那那其实我们可以把这聊天记录从微信转发给元宝 ， 或者说 ， 呃 ， 把这些额外的输入去去去用好的话 ， 我觉得其实反而会给用户带来很多 ， 呃 ， 额外的价值 。
所所以我觉得 ， 呃 ， 这是我们对 to C 上的思考 。 然后我觉得做 to B 在中国确实是一个非常难的事情 ， 对吧 ？
就是这些生产力的生产力的革命 ， 呃 ， 包括包括现在我们今天很多中国的公司其实做 coding agent 其实也是要去打海外市场 。
呃 ， 我我我觉得这方面的话 ， 呃 ， 我们会我们会思考怎么去把自己给先先服务好 。 就是说 ， 呃 ， 我觉得我觉得像 ， 呃 ， 创业公司做做比如 coding 这个事情和大公司做 coding 这个这个事情 ， 可能一个区别就是说 ， 呃 ， 作为大公司 ， 它本身就已经有很多各种各样的应用场景 ， 各种各样的 ， 呃 ， 需要生产力变得更好的地方 。
那 ， 呃 ， 如果我们的模型能够在这些地方做得更好 ，不仅这个模型它会有自己独特的优势 ， 呃 ，不仅我们的这个这个公司本身能得到很好的发展 。
我觉得很重要一点就是说 ， 呃
， 对于真实世界更 ， 呃 ，diverse 的这个场景的数据的捕捉 ， 我觉得会是个很有意思的事情 。 那比如说像 Claude， 对吧 ？Anthropic 它是一个创业公司 ， 包括 ， 呃 ， 那那那那他们想要去做更多的这个 coding agent 的数据 ，其实就是需要通过各种数据厂商去去标这些数据 ， 然后这些数据厂商它其实是需要利用啊 ， 各种各样的这个软件工程师去去去去想我要去标什么样的数据 ， 怎
么去怎么去弄 。 那 ， 呃 ， 那那这个事情可能最后 bottleneck 就是说 ， 那你你数据公司一共就这么几家 ， 它一共就招了这么多人， 那那它可能 ， 呃 ， 最终你的 diversity 是会受限 。
但是如果你是一个 10 万人的公司 ， 可能会有一些 ， 呃 ，有意思的尝试 ， 怎么去真的把真实世界的数据给利用好 ，而不是仅仅依赖于标注商或者说 ， 呃 ， 呃 ，distillation。
嗯 ， 明白 。 多谢多谢顺雨 。 那个我接下来 Q 一下那个俊旸啊 ， 就是你你怎么看接下来千问未来的一个生态位或者分化的一个 bet？
因为你后面重点重点讲了那个全模态的方向嘛 。 对对 ，因因为之前阿里有阿里云更点更多 ， 比如说在 to B 很强 ， 对吧 ？
那那接下来可能你你也提了这个全模态可能更多 to C 的 ， 对吧 ？ 对 ， 我不知道这方面是怎么思考 。
对 。
那就理论上我是不能评论公司的 。 对 ，但但但但是但是我觉得公公司也不一定有那么多基因之分 ， 一代一代的人可能就塑造了这一些公司 。
比如说今天顺雨到了腾讯之后， 腾讯可能就是变成一个有着顺雨基因的公司 。 所以 ， 所以那那那接下来这一句其实我也想注入一些 ， 比如说我们自己对 AGI 的理解 。
嗯 ，因为我觉得今天 ， 呃 ，to B 和 to C 也好 ， 我们其实是在服务真实的人类 ， 所以我们其实想的这个问题是应该怎么让人类世界会变得更好 。
就你就算做 to C 的产品 ，其实也会在分化 。 比如说今天 ， 呃 ， 我觉得 OpenAI 已经更像一个平台了 ，但是你 to C 的话 ， 你其实最终你要服务真实的这批用户究竟是谁 ？
那今天可能有很多 AI 可能会 ， 比如说我会更偏向 medical， 更偏向 law，但是它可能是自然形成 。 我愿意相信 Anthropic， 它可能不是说今天我觉得 coding 真的很厉害 ， 然后我就 bet on 它 ，因为我知道他们跟这个 business 交流真的非常多 。
这个可能也是我们自己做的还不够好的一个点 。 虽然我们拥有巨大的这个优势 ， 当然也有可也有可能中国这个 SaaS 市场这个跟美国确实是不太一样啊 ，他们确实是非常的频繁的跟客户去进行交流 ， 那其实就很容易去发现这个很大的这个机会 。
今天我其实跟美国的很多 API 厂商聊起来 ，其实他们都没有想到就是 coding 的这个 token 消耗量居然会这么大 。其实在中国其实还真的没有那么大的 ， 就至少从我这边来看 。
呃 ，但是在美国的话 ，他就说就基本上就是全都是 coding。 那这个事情我觉得不是所有人都能 bet 到的 。 那今天 ， 呃 ，Anthropic 在做更多跟 finance 相关的一些东西 ， 我觉得也是他们自己在跟客户当中去看到这个机会 。
所以我觉得可能大家的分化的话 ， 可能是自然的分化 。 所以我更愿意去 ， 呃 ， 相信 AGI 做 AGI 该做的这个事情 ， 然后顺其自然 。
这个是我们该做的事情 。
多谢多谢俊旸 。 那个杨强老师 ， 对您您的分化这个问题 。
对 ， 呃 ， 对分化的问题哈 。 对 ，其实我更想聊一下工业界和学术界的分化 ， 这个可能是横跨美国和中国 。
这 ， 呃 ， 就说一直以来呢 ， 学术界是一个观望者 ， 工业界在领头在往前疯跑啊 ， 搞得现在很多学术界的人， 呃 ，也在做工业界的事 ， 像我们唐杰老师 。
哈哈 ， 所以这个这这这是一个好事哈 。 就好像 ， 呃 ， 物理学啊 ， 天体物理学刚刚开始的时候是以观测为主啊 ， 伽利略的望远镜 ， 然后才出现牛顿 。
所以呢 ， 我觉得后面一个阶段 ， 当我们有了 ， 呃 ， 众多的这个稳定的大模型进入一个稳态的时候呢 ， 呃 ， 我们学术界应该跟上来 。
那学术界跟上来要解决什么问题呢 ？ 就是工业界可能还没来得及解决的一些问题 。 呃 ， 这也是我一直在考虑的问题 ， 就是说智能上界在哪里啊 ？
就是比方说给你一定的资源 ， 计算资源或者能源资源 ， 那么 ， 呃 ， 你能做到多好啊 ？ 呃 ， 那可以更细一点啊 ， 就比方说我们把这个资源怎么分配 ， 哪些分配在 ， 呃 ， 训练上， 哪些分配在推理上啊 ？
其实我我在 ， 呃 ， 很早就做 AI 哈 ， 所以我九九十年代初 ， 呃 ， 就思考过 ， 就做过一个小实验 ， 就是说我们如果有一定的 ， 呃 ， 投入在 ， 呃 ，在这个记忆上面 ， 那么这个记忆能够帮助推理多少啊 ？
然后呢 ， 这个帮助会不会变成一个反向的 ， 就是说你记得太多了 ， 反而你记得噪音会干扰你的推理 ， 那么有没有一个平衡点啊 ？
这些问题我觉得今天还是适用的 ， 还是一个 fundamental 的问题 。 然后呢 ， 我我最近也在想另外一个问题 ， 就是 ， 呃 ， 大家学计算机的都必必定上一个计算机理论课 ， 里面有一个重要的定理叫哥德尔的 ， 呃 ，不完备定理啊 ， 就是说大概的意思就是一个一个系统 ， 就像我们一个大模型 ， 它是不能自证清白的啊 ， 就是说它有必定是有一些幻觉是不可能消消灭掉
的 。 啊 ， 那可能呢 ， 你给 ， 呃 ， 一给更多的资源 ， 它会消灭的更多 。 所以这样科学问题就就来了 ， 就是说你你多少资源能换取多少的这个 ， 呃 ， 这个比如幻觉的降低或者错误率的降降低 ， 那么这个是有一个平衡点的 。
这个平衡点特别像什么呢 ？ 特别像经济学 ， 就是经济学的风险和这个收益的一种一种平衡啊 。 所以我们这呢也叫也叫就是说无免费午餐定理 。
所以这样像这些东西呢 ， 我觉得今天就特别的适合数学界啊 ， 算法界和就是学术界和工业界一起来做研究啊 。
所以我我觉得这是一孕育着一个巨大的突破啊 。 然后呢 ， 刚才 ， 呃 ， 唐杰老师也提到持续学习 ， 我觉得持续学习特别好的一个一个问题是什么呢 ？
就是说它里面有一个时间的概念 ， 就是你在持续的不断的学的过程当中 ，但是你会发现呢 ， 比方说你把不同的 Agent 给给串联起来 ， 每一个 Agent 呢都不能做到 100% 的话 ， 那么你在 n 个以后呢 ， 它的那个 ， 呃 ，是按指数下降的 ， 它它的那个 ， 呃 ， 能力 ， 那么你怎么样能够保证它不下降 ？
我觉得人类呢是用一个方法来做这个事 ， 我们第一天有学习 ， 第二天会 ， 呃 ，在第一天的一些噪音的基础上学习 ， 那么这样你你的能力就就类似大模型会下降啊 。
但是人类有一个方法就是睡觉睡眠啊 。 所以呢 ， 我建议大家去看一本书叫 ， 呃 ， 我们为什么睡觉啊 ， 是一个 MIT 的两个教授写的 ， 那个里面就写的非常非常非常好玩 ， 就是 Why We Sleep。他说呢 ， 就是每天晚上睡觉呢 ，其实是是在 ， 呃 ，是在清理啊 ， 清理这这些噪音 ， 使得第二天你可以把这个 ， 呃 ， 准确率呢持续的提升 ， 就不至于是两个错误率的叠
加啊 。 所以像像这些的 ， 呃 ， 理论的研究孕育着一种新的计算模式啊 。 所以我们今天可能比较关注 ， 呃 ，Transformer 啊 ，Agentic Computing，但是我觉得有有必要去做一些探索 ， 新的探索啊 。
这个是我回答你的问题 ， 就是工业界和学术界 ， 呃 ， 要拉起啊 。
感谢感谢严强老师 。 那个唐唐老师 ，因因为我我们从那个外部的感受上， 智谱今天更像是走了 Anthropic 这条路线 ， 就是 coding 非常非常强 ， 这个搒单上也非常靠前了 。
就是包括您刚才讲的这个 long horizon 的这种长城的 Agent 呢 ，也是接下来的 。 我不知道您您对分化这个主题对 。
我倒觉得就回到一个最本质的一个问题吧 ， 就是早期的时候确实是当时那个做基 ， 我觉得最本质还是做基础模型 ， 智能上界这肯定是最本质的 。
但是当时二二零二三年吧 ， 我记得是那个时候我们是第一个做出那个 chat 的 ， 所以当时我们第一个想法就是把赶紧把 chat 扔到网上上线了 。
但但当然了 ， 后来呢 ，其实结果是国家有相关的统一规定嘛 ， 就等到八九月份大家一起来上 。 但一起来上的时候 ， 我第一个感受是十来个大模型都上来了 ，而且每一家其实用户都没有那么的多 ， 都没有那么的多 。
当然今天分化的更严重 。 后来我经过一年的思考吧 ， 就我觉得其实这个可能它已经它不是它不是真的解解决问题 ， 它可能甚至是在我们原来我的我的我的第一个预判 ， 我是说它会替代搜索 。
到今天呢 ， 我相信大家很多人在开始用这个模型替代搜索 ，但是并没有替代谷歌 。 就谷歌其实反而反过来一仗呢 ， 把这个把自己的搜索革命了 ， 就是谷谷歌自己做了搜索的改进 。
所以那从这个角度上， 这一仗呢 ， 我觉得自从 DeepSeek 出来之后， 我感觉已经结束了 ， 就没有了 ， 这场已经结束了 。
那从 DeepSeek 出来之后呢 ， 应该思考的是下一个 bet 是什么东西 ， 就下一仗是什么东西 。 我觉得下一章呢 ， 我是年初的时候 ， 我们当当团队讨论了争论了好久吧 ， 就是下一章肯定是要让 AI 做一件事情 ，但做这件事情是什么 ， 确实可以可以 bet 一下 。
而且那个时候其实广密还到我们那跟我们交流啊 ，其实广密的那个知识特别渊博 ，他思考问题很深邃 ， 就他当时在交流对我启发也非常的大 。
就原来我们没我还没有没有想到 ，但是后来那次确实让我启发非常大 。 后来我们团队有几个晚上嘛 ， 就争论好多晚上争论到最后， 你可以叫我们运气吧 ，但另外一方面我们也是 bet， 就是 bet 这个 coding。
后来我们就把所有的精力吧就放在了 coding 上 。
对 ， 这个就是我觉得有 bet 是一个特别有意思的 。 那个就是就是我我的一个感受 ， 就是说过去一年中国不仅是开源很强 ，而且大家有了自己的 bet 那个 ，而且接下来有可能分化这个更深 ，因为不只是大家都在追求通用能力 ，但是大家都有自己的资源禀赋 ， 把擅长的那个点做得更好 。
那那接下来我觉得有一个 ， 呃 ， 第二个比较有意思的问题 ， 就是因为今天这个时间点特别特殊 ， 那个一个是预训练过去走了三年， 对吧 ， 大家都说可能今天走到了七八成的收益了 。
那个 R 强化学习可能今天大家也都成为共识 ， 可能走到了比比如说四五十的一个一个空间了 ，但是后面空间大家 skill 数据啊 ， 环境可能空间很大 。
那今天硅谷呢 ，也都在讨论接下来新的一个范式 ， 就是唐老师刚才也提到叫自主学习 ， 自我学习 。
那个就是 ， 呃 ， 我我觉得是挺因为因为今天这个会的主题是接下来的展望 next， 我觉得这个是一个特别这个这个值得去聊的一个话题 。
要要不我们先从那个顺语开始 ， 那个因为你你你你从这个这个领先的 OpenAI 待过 ， 就是对于下一个范式这个是怎么思考的 ？
下一范式23:57
因为因为 OpenAI 是一个为人类叫叫推进了前两个范式的一家公司 。 那那对第三个范式从从你的一个观察来讲 ， 就是能给大家带来一些分享吗 ？
对 ， 现在自主学习是一个非常热门的词 ， 就是在硅谷大街小巷咖啡馆里面 ， 呃 ， 大家都在谈论 ， 呃 ， 几乎已经形成了一个共识 。
我 ， 呃 ， 根据我的观察 ， 可能每个人对这个东西的定义和 ， 呃 ， 看法都不一样 。 我我讲两点吧 ， 我觉得第一点就是说我我觉得这个事情的 bottleneck 其实不是 ， 呃 ， 方法论 ，而是数据或者任务 ， 对吧 ， 就是当我们在谈论自主学习的时候 ， 它到底是在什么样的一个场景下， 基于什么样一个奖励函数去去去去做自我去去做的 ， 对吧 ， 就是说你在聊天
的时候变得越来越个性化 ， 是一种 ， 呃 ， 自主学习 。 呃 ，在写代码的时候就是越来越熟悉每个公司独特的环境或者文档 ， 是一种自主学习 。
呃 ， 你去探索这个新的科学 ， 然后， 呃 ，在这个过程中就像一个博士一样 ， 从完全不了解这个有机化学是什么 ， 到变成这个领域的专家 ， 这也是一种自主学习 。
但我觉得每一种自主学习其实 ， 呃 ， 挑战或者说 ， 呃 ， 方法论可能都不太一样 。 然后我觉得第二点就是说 ， 呃 ， 我我不知道这是不是个非共识 ，但我觉得这个事情其实已经在发生了 ， 对吧 ， 就是说很很明显的 ChatGPT 它它是在利用这个用户数据在不断的 ， 呃 ， 拟合人的人的人的人的这个 ， 呃 ， 聊天的风格是什么 ，是聊天的感觉越来越好 ， 对吧 ， 这
那那这是不是一种这个自我学习 ？ 那今天 Claude Code 它已经 ， 呃 ， 写了 Claude Code 这个项目的 95% 的 ， 呃 ， 代码 ， 从某种程度来说 ， 呃 ， 它在帮助它自己变得更好 。
那那这是不是一种 ， 呃 ， 自我学习 ？ 我记得我们当时 2022 年 23 年的时候做 SWE Agent 其实 ， 呃 ， 我我我去硅谷 AGI House 去去 ， 呃 ， 宣传这个工作 ， 我当时写了 ， 呃 ， 一个第一页这个 introduction 的 slide， 就是说啊 ， 这个 ASI 的这个最重要的点就是自主学习 。
那今天的 AI AI 系统其实本质上它都像是一个 ， 它它它都有两部分 ， 对吧 ， 它首先它有个 new network， 它是一个一个一个模型 ，其次它有个代码库 ， 对吧 ， 就是你怎么去用这个模型是用来做推理还是用来做 Agent， 它它相应的有个代码库 ， 对吧 ， 就是说我们今天看 Claude Code 这个这个这个系统 ， 对吧 ， 它本质上也有两部分 ， 一部分是比如 Opus 这个这个 new network， 另一部分是怎
么样去使用这个 new network 的一大堆相应的相应的代码 ， 就是无论是这个 kernel GPU 的还是更往上的这个部署环境的 ， 或者说它的这个前端 ， 或者它的这个 ， 呃 ， 环境 ， 呃 ， 它的这个 interface 应该什么样 。
那 ， 呃 ， 当时我我想说的点就是说 ， 那其实我们做 SWE Agent 最最大的一个初衷就是说 ， 呃 ， 如果有一天 SWE Agent 它能自己去 improve SWE Agent 这个 repo， 那它是不是就是一种一种 AGI？
那我觉得今天 Claude Code 已经在 ， 呃 ， 大规模的在做这个事情 ，但是 ， 呃 ， 可能人们意识不到 ， 或者说 ， 呃 ， 这些自主学习的例子可能还没有 ， 呃 ， 还在还在还局限在每一个特定的场景下， 没有 ， 呃 ， 让人感觉到这个非常大的威力 。
但但我我觉得就是说这个事情已经在发生了 ， 只是说可能它学习的效率 ， 或者说它受它场景的限制 ， 呃 ，有各种各样的问题 。
那那可能这个事情我我个人的看法是它可能会更像一个渐变 ，而不像一个突变 。 当然当然这个 ， 呃 ， 我也很有可能是错的 。
对 ， 哎 ， 我我在 follow 顺语一个问题啊 ， 就是有一些人对自主学习是个比较乐观 ， 那个觉得 26 年是能看到一些信号的 。
那那从你从你看来 ， 你觉得自主学习看到信号还有哪些实际的问题要突破呢 ？ 比如说 long context 也好 ， 这个模型的这个并行采样也好 ， 或者其他 ， 你从从你看来 ， 你感觉接下来还有哪些的关键条件具备了这个信号才会发生 ？
很多人说 26 年才能看到一些信号 ，但我觉得 25 年其实已经有些信号了 ， 对吧 ， 比如说 Cursor 他们现在做的他们的 autocomplete model， 对吧 ， 它其实就是每几个小时就会用最新的用户数据去去不停的学习 ， 包括他们现在新的 composer model 其实也是 ， 呃 ，在使用这些真实的环境下的 ， 呃 ， 数据去训练 。
当然 ， 呃 ， 大家觉得这个东西可能还没有特别石破天惊 ，是因为他们受限于他们没有预训练能力 ，他们的这个 ， 呃 ， 模型效果确实还不如 Opus， 对吧 ，但我觉得这个很显然已经是一个信号 。
那 ， 呃 ， 我觉得其实最大的 bottleneck 是想象力 ， 对吧 ， 就是说假设有一天就就我们可以很容易想象 ， 比如说强化学习或者推理这个范式 ， 它它如果实现大概是个什么样 ， 对吧 ， 就是说我们可以想象一个 O1 这样的 blog post 说啊 ， 我们在这个数学题上面 ， 呃 ， 本来是 10 分 ， 现在变成了 80 分 ， 然后我我通过这个强化学习有非常长的思维链去做了这
个事情 。 但比如说如果 26 年或者 27 年我们有一个范式的发生 ， 对吧 ， 就是说啊 ， 一个 blog post 说我宣布了一个这个新的模型或者新的系统 ， 它实现了自我学习 ， 那那我们应该用一个什么样的任务 ， 然后它应该是个什么样的效果 ， 你你会相信它实现了 ， 比如说它它会是一个这个这个赚钱的交易系统 ， 它它它它开始赚很多钱 ， 就像这个 winning winning bench 的
这个这个延伸 ， 还是说 ， 呃 ， 它真的解决了一个就是人类之前没法解决的科学问题 ， 还是还是别的 ， 对吧 ， 那那我觉得可能先要想象到那个 blog post 是长什么样的啊 。
对 ， 哎 ， 顺语那个因为因为 OpenAI 已经立了两次范式的这个创新了 ， 你你觉得如果 26 27 年有新的范式出来 ， 全球范围内你感觉哪一家公司继续立的这个范式创新的概率最大 ？
如果如果说一家公司 。
呃
， 可能 OpenAI 还是会大概率更大 ，但是我觉得 ， 呃 ，因为它商业化各种各样的 ， 呃 ， 变化 ， 我觉得 ， 呃 ， 它的这个创新的基因已经被削弱 ，但是我觉得它可能还是最有可能诞生新范式的地方 。
对 。
多谢多谢顺语 。 那个俊阳 ， 你你你对下一个范式对 26 27 年这个有什么这个这个要展开的 ？
是不是 2026 啊 ？
啊 ， 那我们就聚焦在 26 吧 。 对 。
嗯 ， 如果从更实际一点来讲的话 ， 可能刚才讲的这个范式也还在比较早期的这个阶段 ，因为今天讲这个 RL 这个事情 ， 嗯 ， 实际上我们的 RL 的 compute 还没有 scale 的那么的充分 ， 所以很多潜力其实没打出来 。
就是今天我们还看到很多 infra 这个问题在在在这里边发生吧 ，但全球范围内我觉得类似的这个问题也都还存在 。
但如果要说下一代这个范式的话 ， 我觉得一个 ， 呃 ， 自主学习 ， 呃 ， 之前跟一个朋友聊到就说人类不能让这个 AI 变得更厉害 ， 就是 ， 呃 ， 比如说你跟这个 AI 不断的交互 ， 你只会让它上下文变得越来越长 ， 然后这个 AI 只会变得越来越笨 ， 这个这个是一个很烦人的这个事情 。
那 test time scaling 这件事情的话 ，是不是真的能够发生 ？ 这个这个我觉得还是挺值得去思考 ， 就是说你能吐更多的 token， 然后能让你变得更强 。
我至少觉得 O 系列 ， 呃 ， 它一定程度上实现了这个事情 ，但有没有可能比如说像 Anthropic 说的 ， 我真的干 30 个小时是真的能够干出来很难的这个任务 。
我觉得今天大家去做那种 AI scientist 这个事情其实还挺有意义的 ，因为你在挑战一些很难的 ， 甚至是做人类未曾做到的这个事情 ，有没有可能通过 test time scaling 去进行实现 ？
呃 ， 那么从这个角度上来说的话呢 ，AI 肯定是需要这个自主进化的 ，但究竟你是不是要更新参数 ， 这个我觉得见仁见智 ， 可能大家都有不同的这个技术手段去实现这个事情 。
但我觉得还有第二个点是 AI 有没有可能实现更强的主动性 ， 就是说我环境可能就是我的输入的信号 ， 比如说我现在的 AI， 你必须得 AI， 呃 ， 必须得有人类去 prompt 它 ， 然后你才能够启动它 。
那有没有可能环境就能 prompt 它 ， 自己能自主思考去做一些做一些事情 ？ 但这也引发了一个新的问题 ， 就是安全的问题 。
就我非常担心安全的这个问题是 ， 呃 ，其实不是很担心今天他讲一些不该说的话 ， 最担心的事情是他做一些不该做的事 。
嗯 ， 就比如说他今天主动的产生一些想法 ， 往这个会场里边扔一颗炸弹这种事情 ， 嗯 ， 我们肯定是不希望这些不安全的这个事情发生 。
但就像培养小孩一样 ， 我们可能要给他注入一些正确的这个方向 ，但主动学习可能会是挺重要的一个范式 。
是的是的 。 那个俊阳又提了一个主动性 ， 主动性其实也也可能是 26 年非常关键的一个 bet。 对 ， 我我在 follow 俊阳一个问题 ， 就是 ， 呃 ， 如果自主学习 26 年看到信号 ， 你感觉可能是在哪些任务上做什么样的任务会先看到 ？
是模型训练模型了 ， 最强的模型可以提升自己了 ， 还是说自动化的 AI 研究员了 ？ 就是你你有期待在哪些地方先看到吗 ？
就我觉得自动化的 AI 研究员可能甚至都不是那么需要自主学习 ， 我觉得可能很快 AI 训 AI 这件事情就可以可以实现 。
就我看着我们的同学每天在干的这个事情 ， 我都觉得 Claude 很快就能把他们替代掉 。 但但是 ， 嗯 ， 我我我我觉得可能是更持续的理解用户这件事情 ， 比如说 personalization 这件事情其实还挺重要的 。
就就比如说过往我们在做推荐系统的时候 ，其实用户这个信息它是持续的输入 ，是会让你整个系统变得更强 。
虽然它的算法其实是很简单 ，但今天在 AI 的这个时代 ， 它是不是能够更懂你 ， 就是你的这些信息的输入是你 ， 呃 ， 成为最好 。
我们过去讲那个 Copilot，但其实今天连 Copilot 都没有实现 ， 就是能不能真真的成为我的 Copilot 的这个这个问题 。 所以所以我觉得如果说自主学习的话 ， 可能会是在跟人的这个交互上， 比如说 personalization 这一件事情上可能就能做到 。
但是以什么指标来进行衡量 ， 我觉得稍微有点不太好说 ，因为在推荐的时代的话 ，personalization 你做的这个越好的话 ， 那么别人可能就点的越多 ， 买的越多 。
但是在 AI 的这个时代 ， 覆盖到人类的生活的方方面面的时候 ， 呃 ， 真正的 personalization 的衡量的指标是什么 ， 我们其实不太知道 。
所以今天我感觉可能更大的从技术上的挑战是说我们今天的 evaluation 不知道该怎么做 ， 这个可能是我们更值得研究的问题吧 。
记忆与个性化35:29
明白 。 对 ， 俊阳 ，因为你说到了那个主动嘛 ， 包括个性化 ， 你感觉如果实现记忆这个点 ， 这个 26 年能看到技术的大突破性的这个跨越吗 ？
嗯 ， 我我个人观点是大量的技术其实所谓的突破性的话都是一些观测问题 ， 它其实都是在线性的发展的 ， 只是人类对它的这个感受非常的强烈而已 。
包括像 ChatGPT 的出现 ，其实对于我们做大模型的来说 ，其实就是在线性的这个增长 。 那现在的话大家就是在做这个 memory 这个事情 ， 呃 ， 你说这个技术方案对还是不对呢 ？
我觉得很很多方案也没有什么对错之分 ，但是做出来这个效果 ， 至少我拿我们自己这个献个丑 ， 就是我们自己的这个 memory 呢 ， 它看起来好像知道我过去干了什么 ，但只是记起来过去的这个事情 ， 每次都会叫一遍我的名字 ，但其实并不显得你很聪明 。
但但你的 memory 有没有可能到某一个这个临界点的时候 ， 呃 ， 让人觉得说 ， 呃 ， 你结合你的这个这个 memory 真的能够 ， 嗯 ， 就像生活当中的人一样 。
就过去大家讲这个电影这个 Her，Her 的话其实它就真的很像这个人嘛 ， 就理解你的 memory 可能就是在那一下人类的这个感受就觉得突然间迸发 ， 那可能就是那个 。
那我觉得多多少少也需要一年时间吧 。 很多时候其实我觉得技术也没有发展那么快 ， 只是大家比较卷 ， 觉得每天都有这个新的东西 ，但其实技术就是在线性的发展 ， 只是我们可能是在观测的角度在处于一个指数上升的这个这个阶段 ， 比如说 coding 的能力的一点点提升 ， 可能就能带来很多的这个生产价值 ， 大家可能就觉得 AI 发展很快 ，但从技术的这
个进展上来说 ， 可能我们就多干一点点这个事情 ，因为每天看我们自己做这个事情都还真的挺土的 ， 就解的解的那些 bug 就真的都不好意思拿出来跟大家讲 ， 就是非常的丑陋 。
那那如果这样做我们都已经能够做到这样的成绩的话 ， 那那我觉得可能未来 ， 呃 ， 算法 infra 结合的更好的话 ， 可能能更加大有可为 。
多谢多谢俊阳 。 那个杨强老师 ， 对 ， 呃 ， 对 ， 我呃 ， 我一直以来是做这个 ， 呃 ， 联邦学习 ， 联联邦学习的主要思想就是说 ， 呃 ， 多个中心大家协作 ， 呃 ， 那么我我现在越来越多的看到 ， 呃 ， 很多 ， 呃 ， 就是有本地资源不足 ，但是本地的数据又有很多的隐私和安全的要求 ， 所以这样呢 ， 我们我们就可以想象就是现在大模型的能力越
来越强 ， 那这种通用性大模型和本地的这种 ， 呃 ， 特殊性的小模型或者是 ， 呃 ， 领域专家的模型 ， 呃 ， 如何协作 ， 呃 ， 我觉得这种协作变得越来越 ， 呃 ， 可能啊 。
像 ， 呃 ， 像美国我看到 Zoom 就是 ， 啊 ， 黄学东他们做的叫 ， 呃 ，Federated AI 系统 ， 就是他做了一个很大的一个基座 ， 这个基座大家都可以插进来 ， 然后呢 ，他就可以在一个 ， 呃 ，decentralized 的状态下能够既保护隐私又能够和通用大模型有效的沟通协作 ， 呃 ， 我觉得这种 ， 呃 ， 开源模式特别好 ， 一个是知识的开源 ， 一个是 ， 呃 ， 这个 code 的方面的开源啊 ， 模模型模型阶段
。 所以呢 ， 我我觉得 ， 嗯 ， 尤其在像医疗金融这样的场景下， 呃 ， 会越来越多看到这样的现象发生 。
多谢多谢杨强老师 。 那个联邦学习 ， 对 ， 唐老师 ， 对 ， 呃 ， 我其实对今年会有比较大的那个范式革新 ， 我倒是挺 positive 的 。
我觉得我倒不说太细吧 ，因为那几个点呢 ， 我都就像我刚才讲的那个 ， 包括持续学习啊 ， 还有 memory， 甚至模型架构 ， 甚至动物模态 ， 我觉得都有可能出现新的范式的变革 。
但我觉得一个大的趋势 ， 我来说一下为什么会产生这样的一个范式吧 ， 我觉得原来呢 ，其实是工业界跑的呢 ， 远远快于这个学术界 。
就是我记得在去年还有前年的时候 ， 回到清华呢 ， 跟好多老师聊天的时候说能不能做大模型 ， 很多老师是第一没卡 ，不是没卡 ，是卡的数量几乎为零 。
那么就是工业界呢 ，是有 1 万片 ， 那个学校呢 ，是零片或者一片 ， 那个倍数是 1 万次 。 但是呢 ， 到到现在的时候 ， 很多学校呢 ， 已经有很多卡了 ， 已经有很多 ，而且很多老师呢 ， 已经开始做了很多大模型的相关研究了 ， 包括硅谷那边有很多老师都开始做这种 ， 甚至模型架构啊 ， 持续学习啊 ， 这些相关的研究 。
所以它已经不是一个原来我们都总觉得工业界在 dominate 这些 ，其实今天我觉得在 2025 年底到 2026 年初的时候 ， 我觉得这一现象不大存在了 ， 可能还有 10 倍的差 ， 这里 1 万片 ， 那里 1,000 片 。
但是呢 ， 它已经孵化出种子了 ， 我觉得在学术界它有这个创新的基因 ，有这个可能性了 。 这是我觉得是第一个 。
第二个呢 ， 我觉得一个创新的出现 ， 它一定是某个事情呢 ， 它有大量的投入 ，并且它的 efficiency 变成平静了 。
那么现在呢 ，在这个整个大模型里面投入已经巨大 ，但是那个 efficiency 并不高 ，也就是我们继续 scaling， 你说有没有收益呢 ？
肯定是有收收益的 。 比如说原来我们是 data， 你比如从那个 2020-2025 年初 ， 当时呢 ， 可能 10 个 TB 的数据 ， 那现在 30 个 T， 甚至我们可以 scaling 到 100 个 T，但 100 个 T 你 scaling 上去以后， 你的收益有多少 ， 还有你的计算 cost 有多少 ， 你就变成这么一个问题啊 。
你不创新 ， 这个这个就变成一个你可能花掉了 10 个亿 ， 花掉了 20 个亿 ，但是你的收益很小 ， 就不值得了 。
那另外一方面呢 ， 对于新的这种智能创新 ， 假如我们每一次我们都要重新一个基座 ， 再重新很多 RL， 像 24 年出了 RL 的时候呢 ， 大家很多人会觉得我接着训嘛 ，他就收益比较的有 ，但到今天的时候你再继续疯狂的叫 RL， 收益也是有的 ，但就没有那么 significant 了 ， 还是一个收益效率的问题 。
就可能我们未来呢 ，也许可以定一个 ， 一方面呢 ， 我们继续要 scaling up。 我刚才其实讲的 ， 我在台上好像讲了一个 ， 我说那是反正最笨的办法就是 scaling，因为 scaling 我们肯定有收益 ， 所以这是一个典型的一个工程做法 。scaling 肯定会带来智能的一个一个上界的一个提升 ， 毫无疑问 ， 你只要 get it on more data。
但是第二个方法呢 ， 就是我觉得应该定一个叫 intelligence efficiency， 就是说智能的效率 ， 我们获得智能的效率 ， 就是我们用多少的投入能获得这个智能智能的增量 。
如果我们能用更少的获得它增量 ，而且我们现在已经变成一个平静了 ， 假如能能用更少的一个范式获得同样智能提升 ， 这个它就变成一个平静式的事情 。
所以我是觉得 2026 年一定有这么一个范式的发生 。 当然我们也 step back， 我们也在努力 ， 我们希望这个发生在我们身上 ，但也不一定 。
Agent战略42:20
对 ， 我我跟唐老师也是这样 ， 非常乐观的这个 ，因为其实每个领先的模型公司 ， 每年它的计算量实际上是每年 compound 有 10 倍左右 ，其实大家手上的计算资源多了 ，而且人才也也涌入的越来越多 ， 对吧 ？
那个其实大家手上的卡片多 ， 做的实验多了 ，其实它它它就是一个实验工程 ，有可能某个点就出来了 。 对 ， 那个刚刚唐老师也聊到一个怎么衡量智能水平的这个这个点 ， 我觉得第三个就是我们可以一起聊一下这个 Agent 这个战略 ，因为那个最近我跟很多研究员聊 ， 大家都提到对 26 年还有一个很大的预期 ， 说 Agent 今天可以在后台 ， 比如说推理 3-5 个小时， 做人
类呃 ， 比如说 1-2 天的工作量 ， 大家期待说 26 年可以做人类正常你工作个一周到两周的工作量 。 那那这也是一个非常大的一个变化 ，因为它不再只是一个工具 ， 那个就是唐老师提的说只是一个 chat，而是说真的在自动化 ， 你整一整天甚至一周的这个这个任务流嘛 。
那个那那这样的话 ，其实 26 年有可能是 Agent 真的就要创造经济价值的关键的一年 。 那个所以所以 Agent 这个问题 ， 我们可以这个呃让大家展开聊一下 ，因为大家呃也是顺宇刚才提的这个垂直整合嘛 ， 既有模型又有 Agent 的产品 ， 包括呃我们看到硅谷的几个公司也都从模型到 Agent 也是端到端都做了 。
那个呃因为顺宇你你花了很多时间做 Agent 的研究嘛 ， 那个你对 26 年这个 Agent， 比如说 long horizon 的这种 Agent， 这个真的能 automate 这个人类 ， 比如说一周到两周的工作 ， 这个对 Agent 的战略 ， 包括从模型的模型公司的出发点 ， 会怎么思考这个问题 ？
嗯 ， 我我觉得还是像呃我我我觉得还是像刚刚说的 ， 就是说我觉得在 to C 和 to B 可能不太一样 。
对 ， 目前看起来的话 ， 呃我觉得 to B 的情况就是呃
现在它已经达到了一个就是在在不断上升的这个曲线 ， 目前看起来好像没有要变慢的趋势 ， 对吧 ？ 就是说我觉得按超越这公司很有意思一点 ， 就是说呃它基本上不做什么创新 ， 对吧 ？
就是说它就是觉得呃这个你模型预训练对吧 ， 变大了 ， 然后这个呃老老实实的把把 RL 这些东西做好 ， 然后你只要后续对吧 ， 你只要预训练不断的变大 ， 后训练不断的就去把这些真实世界的任务给给给给做好 ， 那它就会越来越聪明 ， 然后它就会带来越来越多价值 。
然后我觉得艾超配这个公司很有意思一点 ， 就是说呃从某种程度来说做 to B 其实你的呃所有的目标之间是更一致 ， 就是说你的模型的智能越高 ， 然后你解决的任务就越多 ， 你解决任务越多 ，在 to B 下你带来的收入就越大 ， 那所有事情就 align。
那做 to C 的一个问题就是说呃我们都知道就是 DAU 或者说这些产品的指标其实是和呃模型的智能很多时候是不相关的 ， 或者说甚至有相反的关系 。
那呃我觉得这是 antropic 就是这个能够聚焦的另一个很重要原因 ， 就是说它只要真的把模型越做越好 ， 那它的收入就越来越高 ， 所有事情全部都是非常非常 aligned。
呃目前看起来我觉得 to B 才我觉得就是或者说生产力的这种 Agent 我觉得才刚刚开始 ， 就是呃很多时候就是我我觉得现在两可能除了模型之外有两个 bottleneck， 对吧 ？
一个是就是环境问题 ， 或者说 deployment 问题 。 我我我我我觉得就是说呃我我之前在 OpenAI 之前我在一个叫 Sierra 的公司实习过 ， 就这是一个 to B 的客服公司 。
呃我觉得在 to B 公司工作过还是有很很多收获 ， 我觉得最大的收获就是说我我感觉即使今天模型不再变好了 ， 就是所有的模型训练全部停止了 ，但是我们就是把这些模型去部署到就这个世界上各种各样的公司 ， 那它可能能带来现在今天已经能带来今天比如 10 倍或者 100 倍的的的收益 ， 或者说可能一对 GDP 都能够产生一个 5% 到 10% 的影响 。
当然今天我觉得它对 GDP 的影响还远远不到 1%。 呃我觉得第二点就是说可能教育非常重要 。 对 ， 就是呃我我我观察就是说现在人和人的差距在拉大 ， 就是因为呃更多时候不是说 AI 替代替代了人的工作 ，而是说会使用这些工具的人在替代那些不会使用那些工具的人。
就像当年电脑刚被发明出来 ， 就是你你如果去转身去学会学习编程 ， 呃 versus 你你还在使用计算尺 ，在使用使用算盘 ， 那那那这个差距差距巨大 。
我觉得可能今天中国能做的一个最大的有意义的事情 ，其实就是更好的教育 ， 就教育大家怎么用更好的去使用呃像 Claude Code 或者或者 ChatGPT 这样的产品 。
当然 Claude Code 可能在中国用不了 ，但是我们可以用 Kimi 或者智谱这样呃国产的模型 。
多谢多谢顺宇 。 那个俊阳对那个对 Agent 的这个想法 ， 包括因为千问也有一个生态嘛 ， 就是说千问自己做 Agent 以及扶持这个这个生态的通用 Agent， 对你你也可以展开讲一讲 。
对 。
嗯 ， 这这里可能涉及一个产品哲学的问题 ， 当然当然 Manus 确实很成功 ，但是呃套套壳是不是个未来 ， 这这本身也是个是个话题 。
那我觉得今天到这个 timing， 我其实比较同意你的观点 ， 叫模型及产品 。 这个呃我跟 TML 的人聊 ，他们那个叫 researchers product，其实我挺喜欢这个这个事情 ， 然后包括我看我的视角看 OpenAI， 我觉得还挺多这种事情 ， 就挺多 researcher 自己能够成为产品经理 ，end to end 把这个东西给做起来 ， 包括今天我们自己内部的 researcher 都想做更多面向真实世界的一些呃东西 。
那我其实愿意相信说接下来的 Agent 的话呢 ，是可可以做到刚才所说的这个事情 ，而且跟刚才所提的 self-evolvement 以及 self 呃那个呃主主动学习 ，其实都 active learning 其实都有比较强烈的这个关系 。
比如说他能干这么长这个时间 ，他其实自己就得在这个过程当中进化 ，并且他要决定去干什么东西 ，因为他收到这个指令是一个非常 general 的一个任务 。
所以我们现在 Agent 其实已经开始越来越变得是那种托管式的 Agent，而不是说我我要不断跟你来来回回交互的那一种形式 。
那从这个角度上来说 ， 它对模型的这个要求其实是很高 ， 就是说模型就是这个 Agent 本身 ，Agent 就是这个产品本身 。
如果他们都是这个一体化的话 ， 那么今天也许呃做基础模型本身也其实也就是在做这个产品 。
那从这个角度上来说的话 ， 我觉得如果不断提升模型能力的这个上限 ， 包括 test time scaling 能做上去的话 ， 它确实能够做到这个事情 。
但我觉得还有一个点是跟环境交互有关系 ， 就我们现在交互的这个环境还不是很复杂 ， 就这些都还是电脑的这个环境 。
呃我有朋友是做那个就是跟 AI for Science 比较相关的 ， 那 AI for Science 呢 ， 比如说今天你干 Alpha 4 这一个事情 ，其实呢你你你最后干出来它还没有到那一步 ， 就距离这个比如说就举个例子 ， 比如制药这一件事情啊 ， 你你其实你就算今天用今天 AI， 可能不一定能帮到你那么多 ，因为你要去做试实验 ， 你要去要去做这些事情才能得到反馈 。
有没有可能我们未来这个 AI 能够环境复杂到可能是真实的人类世界环境 ， 就操这个指挥这个机器人就去做这个呃试实验 ， 去加快这个效率 。
否则的话 ， 比如按照现在这个人类的这个效率现在其实非常低了 ， 我们甚至还要雇佣很多外包来去在这个呃这个实验环境里面去做实验 。
对 ， 如果如果能达到这一个点的话 ， 可能才是我想象当中说 Agent 能够做 ， 就是人类要做很长时间活 ，而不是说仅仅是在电脑当中， 比如说写个文件啊这一些东西 。
这些东西我觉得可能今年很快就可以完成 ，但我觉得接下来三年到五年的时间可能呃这个这个事情可能会更加有意思一些 。
那这个的话可能又要跟具身智能结合在一起了 。
那个我我想 follow 俊阳一个尖锐点的问题啊 ， 从你的角度看来 ， 通用的 Agent 这个机会是创业者的吗 ？
通用Agent之争51:01
还是说模型公司是一个时间问题 ， 总会把通用 Agent 做好的 ？
呃我我我不能我不能因为我做基础模型我就去做这个创业导师 ， 我我做不了这个事情 。 那那那那我只能借这个成功人士的那句话吧 ， 就这个 Peak 他说他说呃他他做通用 Agent 最最有意思的事情呢 ， 就是呃长尾呃反而是更值得关注的这个事情 ， 或者是说今天 AI 更大的魅力是在长尾 ， 就说呃你你如果是马太效应 ， 你这个头部的这个东
西呢 ，其实挺容易解决 。 当当年做推荐的时候呢 ，其实我们就看到那个推荐其实非常的集中， 商品都是在这个头部 ，但我们其实是想把尾部这个东西推过去 。
但是呃我当时做就非常的遭殃 ， 就我作为一个干 NLP 和多模态的人， 碰到这个推荐系统 ， 然后我去干这个解马太效应 ， 那基基本上是这个奔着死路去的 。
但但我觉得今天的所谓的 AGI 其实就在解这个问题 ， 就说你做通用 Agent 是能不能把这个长尾的问题给解决 。
就说今天我一个用户 ， 我真的寻遍各处 ， 我都找不到能够帮我解这个问题的 ，但就在那一刻 ， 我感受到了 AI 的能力 ， 就是全世界任何一个角落我寻遍各处都找不到 ，但是你却能帮我解决 ， 可能这就是 AI 最大的魅力 。
所以你说要不要去做这个通用的这个 Agent 呢 ， 我觉得见仁见智 。 如果你觉得你是一个套壳高手 ， 套的可以比这个模型公司做的更好 ， 我觉得可可以去做 。
但如果你没有这个信心的话 ， 这这个事情可能是留给模型公司做这个模型及产品的时候 ，因为他们遇到问题的时候 ，其实我只要训训模型 ， 我只要稍稍卡 ， 我可能这个问题可能就就解决 。
对 ， 所以见仁见智吧 。
对 ，其实解决长尾的问题 ， 模型公司就是说算力加数据 ， 好像你解决起来也挺快的 ， 对吧 ？
嗯 ， 今天 RL 最有意思的这个地方 ， 我觉得是我们发现修问题比以前容易 ，以前以前修问题很难 。
我举一个 B 端客户的一个情况 ，他们说我们自己要做 ST 啊 ， 你能不能告诉我这个通用数据怎么配比 ？ 那每次我们都很头痛 ，因为我们觉得对方不太会做 ST，他那个数据就非常的垃圾 。
嗯 ，他可能觉得他的非常的有用 ，但今天有了 RL 之后， 你可能真的很很小的一个数据点 ， 然后甚至你都不需要这个标注 ， 你只要有这个 query，有这个 reward， 这个东西稍微训训 ， 然后合并起来其实也也非常的容易 。
这可能是今天这个呃技术的这个魅力吧 。
嗯 ， 多谢多谢俊阳 。 那个杨强老师 。
啊 ， 对 ， 我我我觉得 Agent 呃出现呢 ， 应应该有四个阶段 。 呃呃就是看我们我们看一个是目标的定义 ，是由人为定义的还是自动定义的目标 。
第二个呢是说规划 ， 呃就是中间的这个 action， 呃规划也可以由人来定义 ，也可以由呃自动呃 AI 自动定义 。
所以这样呢就自然的就分分为四个阶段了 。 我觉得我们现在在一个非常初级的阶段 ， 就是目标也是人定义的 ， 然后规划也是由人来做的啊 。
所以现在的这些 Agent 的呃呃 definition 的这些呃软件系统 ， 基本上是一个更高级的一个 very high level programming language。 呃但是我预料呢未来会呃出现呃一个大模型观察人的工作 ， 然后把人的尤其是这种 process data 给使用起来 。
呃最后呢就是目标也可以是呃 AI 来大模型来定义 ， 然后规划也可以是由大模型来定义 。 所以呢 Agent 应该是由大模型内生的一个一个 native 的一个一个系统啊 。
多谢多谢杨强老师 。 唐老师 。
呃对 ， 我我觉得那个 Agent 确实它有几个几个决定了这个 Agent 未来的走势吧 。 我觉得第一个呢就是说这个 Agent 它本身有没有解决人类的一个事情 ，而这个事情呢它是不是有价值的 ，而价值有多大 。
如果你说比如说原来 Agent 像 GPTS 出来也是做了很多很多 Agent，在那个时候呢其实你会发现那个 Agent 都很简单 ， 都非常简单 ， 最后发现 problem 就解决了 。
那这个时候那些大部分 Agent 慢慢就死掉了 。 所以我觉得第一个是解决这个 Agent 这个事情它有多有价值 ， 然后以及真的能不能帮到人， 这是第一个 。
第二个呢就是说白了是做这个事情呢咱们 cost 有多大 。 就是如果 cost 特别大 ， 那那这个时候其实也是一个问题 。
那刚才其实那个俊阳也说的 ， 那也许我调用一个 API 就能把这个问题解决了 。 那但是反过来呢 ， 假如调个 API 就能解决 ， 那么这个 API 它本身有可能它觉得这当这件事情价值很大的时候 ， 它就会把它做进去 ， 它就会把它做进去 。
这是个矛盾 ， 这是个非常矛盾的事 。 就基座和应用永远是个矛盾 。 最后一个维度呢就是做应用的速度 ， 就是你如果说我有个时间窗 ， 我能够啪拉开半半年的时间窗 ， 我迅速的把这个应用满足了 ， 半年以后要么迭代 ， 要么怎么着 ， 反正总之你能往前走 。
我觉得这是一个说说白了大模型时代到现在呢更多的是在拼速度拼时间 。 也许一个决策是正确 ， 就像你刚才说 ，也许我们 beta 代码正确了 ， 那也许我们就会在这个方面走得更远一点 。
但是也许 beta 失败了以后就半年半年就没了 。 所以今年我们只是在呃 coding 在 Agent 这块我们 beta 了一点点 ， 所以我们还现在我们 coding 啊调用量这些都还不错 。
所以我觉得也更多的也是一个 beta 吧 ， 做 Agent 可能未来也是一个 beta。
多谢多谢 。 那个因为过去模型公司既要追这个通用能力 ， 可能它的优先级上就没有花那么多精力去探索 。其实那个通用能力追上来之后呢 ，其实我们也更多的期待 26 年这个智谱千问有更多自己的 Claude Code 时刻和 Manus 时刻 。
我我觉得这个是非常值得去预期的吧 。 那个因为第四个问题也是最后一个问题 ， 我觉得比较有意思啊 ， 就是因为这个活动包括这个时间点 ， 我觉得是更多值得去展望真的未来 。
中国胜算57:11
这个就是我其实挺想问这个大家一个问题 ， 就是在三年和五年以后， 全球最领先的 AI 公司是一个中国团队的这个概率有多大 ？
然后我们从今天的一个跟随者变成一个未来的引领者 ， 这个文化包括关键条件到底是还有哪些去需要去做好的 ？
就是未来三到五年， 就我在想这个这个概率有多大 ，以及需要哪些关键条件 。 因为因为舜宇 ，因为你你是经历过这个这个硅谷跟中国两个这个体感的 ， 呃你你对这个概率的判断和需要哪些关键条件的判断是怎么样的 ？
对这个我觉得概率还挺高的 ， 呃我还是挺乐观的 。 因为呃目前看起来就是说呃任何一个事情它既然就它它一旦被发现出来 ，在中国都会很快的做的 ， 就是能够能够去 catch up， 或者说能够去去去复现 ， 然后能够去在很多局部去做得更好 。
我觉得这个事情就包括之前制造业对吧 ， 电动车这样的例子已经呃不断的发生 。 那我觉得可能呃几个比较关键的点 ， 一个可能是就是呃中国的光刻机到底能不能突破 ， 对吧 ？
就是说如果最终就是说算力变成了 bottleneck， 我们能不能解决这个算力问题 。 那算力目前看起来就是说我们有很好的电力优势 ， 我们有很好的基础设施的优势 ， 呃可能主要的瓶颈一个就是这个产产能 ， 包括这光刻机 ，以及就是呃这个软件生态 。
但但如果这个问题解决 ， 那我觉得会是个很大的帮助 。 我觉得可能另一个问题就是呃除了 ToC 之外， 能不能有个更成熟或者更好的 ToB 的市场 ， 或者说可能有没有机会在国际的商业环境去去去竞争 。
因为今天我们看到很多这个呃做做生产力 ， 或者说做 ToB 的这些这些模型或者应用 ， 它还是会诞生在美国 。
因为啊那里的支付意愿更强 ， 那里这个 ToB 的文化更好 。在中国今天在中国内做这个事情很难 ， 所以大家都会选选择出海 ， 或者做国际化的这个事情 。
呃我觉得这两个可能是呃比较大的客观上约束 ，但我觉得可能还有更重要的是主观上的主观上的这个概念 。
就是说呃我最近最近因为也在跟很多人聊天 ， 我之前的感受就是说在中国其实有非常非常多非常强的人才 ， 然后呃任何一个事情只要它被证明能做出来 ， 就是很多人都会去呃非常非常积极的去去尝试 ，并且想要甚至做得更好 。
但我觉得今天中国还是呃就这种想要突破新的范式 ， 或者做这种非常冒险事情的人可能还是呃不够多 。
当然就这里面可能有就经济环境 ， 商商业环境 ， 包括这文化的因素 ，但是呃我我觉得可能如果增加一点的话 ， 就是主观上能不能有没有更多就是有这种创业精神或者冒险精神的人， 真的想要去做呃这种呃前沿探索 ， 或者新的范式突破的事情 。
因为因为目前来看一个范式一旦被发生 ， 那那我们可以用很少的卡 ， 很高的效率去去去去去 catch up， 或者说甚至局部做得更好 。
但是呃我们到底能不能去引领新的范式 ， 我我觉得这可能是今天中国呃就是唯一要解决的 ， 墨书来说唯一要解决的问题 。
因为其他所有事情 ， 无论是商商业还是产品设计 ， 还是这种 catch up 做工程 ， 我们都已经呃某种程度上比美国做得更好 。
对 ， 哎我在 follow 舜宇一个问题啊 ， 那个你对中国的这个呃 lab 里面的研究文化有什么要呼吁的吗 ？ 因为其实这个因为你也感受过 OPAN 也好 ， 或者说这个弯曲的呃 deep mind 的这种研究文化 ， 就这两就中国的这个研究文化跟美国的这个研究文化有什么差异的地方 ？
研究文化1:01:10
就是这个你你感觉包括这个研究文化对作为一个 AI native 的公司有哪些根本性的影响 ？ 就是你你对这个有有有呼吁或者建议的吗 ？
对 ， 我觉得每一个地方的研究文化都很不一样 。 可能就是比如美国不同实验室之间的区别 ， 可能比中美之间的区别还还要大 。
就在中国也一样 ， 呃我我个人觉得可能有有有两点吧 。 一点就是说呃我觉得中国大家还是更喜欢做就是更更更安全的事情 ， 对吧 ？
就比如说今天预训练这个事情已经已经被证明可以做出来了 ， 那这事情其实也非常难做 ， 对吧 ？
就是有很多很多技术问题要解决 ，但是只要这事情一旦被证明能做出来 ， 那我觉得我们都很有信心 ， 就是说呃几个月或者一段时间内就把这东西搞清楚 ， 然后去去去 。
但是如果今天要让一个人说啊 ， 我跟你说要探索一个比如长期记忆 ， 或者说持续学习 ， 对吧 ？ 然后这个事情大家也不知道怎么做 ， 能不能能不能做起来 ， 那那这个的话我觉得还是呃还是比较困难 。
但但当然的话 ， 我觉得可能也不只是说啊 ， 大家更喜欢做确定性的事情 ，不太愿意做这种创新的事情 。
我觉得也也有很重要一点 ， 就是说呃文化的积累 ，以及就是说整体整体的整体的认知 ，其实是一个呃需要时间沉淀的事情 。
我觉得对 ， 就是呃可能真的就是说在 OpenAI， 比如说做 RL 这个事情 ， 它可能是 22 年就开始做了 ， 那那国内可能是 24 年开始做 ， 那对这个东西的理解可能会会有一些差异 。
那我觉得或者说中国 RL 没有 skill up 的这么大 ， 那我那我觉得可能很多也就是是个时间问题 。 就是说当你积累的这个文化或者底蕴更深 ， 从某种潜移默化的程度 ， 可能会影响人的这个呃做事方式 ，但是它很微妙 。
我觉得很难很难就是说通过这些搒单这些东西去去去去体现 。 当然就说到搒单 ， 我觉得第二点我想有一些的观察 ， 就是说我觉得在中国大家还是对于呃刷搒 ， 或者说这些数字会看得会看得更重一些 。
呃我觉得这一点上我觉得可能像像 Anthropic， 我觉得可能就会做得比较好 。 就是包括我觉得可能 DeepSeek 做的也比较好的一点 ， 就是说呃他们可能没有那么关注这个这个搒单的数字 ， 可能会更注重就是说第一什么是做什么是正确的事情 ， 第二是呃什么是你自己体验能能体验出来好还是不好 。
那呃我我觉得这个还是呃挺有意思的 。 就就是说呃因为你看 Claude 的模型 ， 它可能在很多编程或者软件工程搒单上可能也不是最高 ，但是大家都知道这个东西是是是是最好用的 。
那我我我觉得这个还是呃需要大家呃能够去
需要大家能够去就是说走出这些搒单的束缚 ， 能够能够去去去坚持 ， 就是说自己觉得什么是正确的 ， 或者什么是好的 。
多谢多谢舜宇 ， 俊阳那个概率和条件 。
你你这个问题本身是一个危险的问题 ， 理论上这个场合是可以泼冷水的 。 但是我我嗯如如果从概率上来说的话 ， 我我我可能想说一下中国和我感受到的呃美国的差异吧 。
就比如说美国的 compute 呃可能整体比我们大一到两个数量级 ，但是我看到是不管是 OpenAI 还是 Anthropic，他们大量的 compute 其实投入到的是下一代的 research 当中去 。
呃我们今天的话呢 ， 相对来说捉襟见肘 ， 光交付的话可能就已经占据了我们绝大部分的这个 compute。 那这个会是一个比较大的差异在在这里边 。
这可能会是一个嗯可能是一个历史以来就有的这个问题 ， 就是呃创新是发生在这个有钱的人手里 ， 还是这个穷人的手里 。
那穷人不是没有机会 ，因为我们觉得这些富哥真的很浪费卡 ，他们在炫这么多东西 ， 可能炫了很多也没什么用 。
但但今天穷的话 ， 你其实会想 ， 比如说你今天所谓的算法 infra 联合优化这个事情 ，其实其实如果你真的很富的话 ， 你真的没有什么动力去做做这个做这个事情 。
那我觉得可能更进一步 ， 刚才舜宇也提到光刻机的这个这一个问题 ， 就是未来有可能还有一个点是 ， 如果从软硬结合的角度 ，是不是真的有可能 end to end 的做出来 ， 比如说我们下一代这个模型结构和这个芯片 ，其实都有可能是一起把它给做出来的 。
呃我特别记得我在 21 年的时候 ， 当时我们在做大模型 ， 用 Ali 做芯片 ， 然后就来找我说啊 ， 能不能预测一下呃三年之后这个模型是不是 transformer， 三年之后这模型是不是多模态啊 ， 为什么是三年呢 ？
他说我们需要三年的时间才能流片 。 然后我当时给他回答是这个三年之后在不在阿里巴巴我都不知道呢 。
但但最后呃我我今天还在阿里巴巴 ， 然后他果然还是 transformer，他还是多模态 。 我就非常的懊悔 ， 为什么当时没有去催他去做 。
但当时我们这个交流其实非常鸡同鸭讲 ，他给我讲了一大堆东西 ， 我完全听不懂 ， 然后我给他讲 ，他也不知道我们在做什么 ， 就错过了这个机会 。
但这个机会有没有可能再来一次啊 ？ 我我们虽然是一群穷人 ，但是是不是有可能穷则生变 ？ 那我觉得比如说创新的机会可能是发生在这里 ，但我觉得可能啊 ， 我们需要改变的是 ， 比如说我我觉得今天我们的教育在变好 ，因为嗯我我我感受 ， 比如说我我属于这个九九十年代靠前一些的舜宇 ， 这种属于九十年代靠后一些 。
我们团队里面好多这个 00 后， 我就我就感觉大家这个冒险精神变得越来越越来越强 。 当然美国人他天然有非常强烈的这个冒险精神 ， 一个很典型的例子就是当时这个电动车刚出来的时候 ， 甚至这个天棚会漏水的情况下， 甚至可能你开车他可能会意外身亡的情况下， 依然有很多这个富豪们他都愿意去做这个事情 。
但在中国 ， 我相信富豪们是不会去干这个事情 ， 大家会做一些很安全的这个事情 。 但今天大家的冒险精神开始变得更好 ， 中国的比如说营商环境也在变得更好的这个情况下， 我觉得是有可能带来一些这个创新的概率没那么大 ，但真的有可能 。
如果派一个数字呢 ？
概率与心态1:08:19
你说百分之多少 ？
对 ， 三年到五年后， 中国最领先的那个公司是一家中国公司的概率 。
我我我觉得 below 20% 吧 ， 我觉得 20% 已经非常的乐观了 ，因为这里真的有很多历史积淀的这个原因在在这里边 。
OK， 明白 。 哎 ， 我再 follow 一个问题 ， 就是你内心的那个 ， 比如说呃中国的模型跟美国的模型这个这个差距 ， 它这个 dynamic 变化有的地方在追上来 ，有的地方他们的算力又又在拉大 ， 你内心这个这个 gap 变大的这个恐惧感强吗 ？
嗯 ， 今今今天你干这一行就不能恐惧 ， 必须得有非常 chill 的心态啊 。 从从我们心态上来说 ， 就是能干这行已经非常不错了 ， 就是就是就是能能够做做大模型这件事情已经非常的这个幸运了啊 。
那那就是说我我觉得还是看你的初心是什么 ，因为其实刚才呃舜宇提到一个点说呃你的你的模型可能不一定那么强 ，在 C 端的里边其实其实是 OK 的 。
那我我可能转换成另外一个角度去思考这个问题是啊 ， 我们的模型为人类社会带来什么样的这个价值 ， 那只要我去相信我这个东西能够为人类社会带来充分的这个价值 ， 能够帮助人类的话 ， 它就算不是最强的 ， 我也愿意接受 。
多谢多谢俊阳 。 那个杨老师 ，因为您经历过很多 AI 的这个周期嘛 ，也看过这个很多的中国这个 AI 的公司变成世界最强嘛 ， 就是您对这个这个问题的判断 。
对 ， 我们可以回顾一下互联网的发展哈 ， 一开始也是从美国开始 ，但是中国很快就赶上 ，而且应用呃像微信啊呃就是呃世界第一的呃 ， 所以我想 AI 的话是一个技术 ， 它是一个 enabling 的技术 ， 它并不是一个呃终端的产品呃 ，但是我们我们中国有很多的聪明才智 ， 会把这个产品发发发发挥到极致啊 ，不管是 to B 还是 to C，但是我可能更好更看好 to C，因为因为呃因为百花
齐放啊 ， 中中国人这个群思广益 ，但是呢 to B 呢可能有一些具体的限制 ， 像付费医院呢 ， 像呃呃企业文化等等这些可能也在改变 。
但是我我最近也特别的呃观察一些商业方面 ， 像跟商学院的一些同学探讨呃 ， 比方说美国有一个公司叫 Palantir， 它的一个呃理念呢 ， 就是说现在不管 AI 现在发展到什么阶段 ， 我总是能在 AI 里面发现一些好的东西 ， 应用在企业上呃 ， 那么中间肯定是有 gap， 我我们要给它呃拟合呃 ， 它有一个办法叫本体 ， 它它用一个本体的方法 。其实呢呃我观察了一下， 大概的思
想就是我我们以前做的迁移学习 ， 就是说把一个呃 general 的 solution 能够应用应用到一个具体的实践当中呃 ， 用用一个本体来做一个知识的迁移啊 ， 这个方法非常的巧妙呃 ， 当然它是通过一种呃工程的方法叫呃前端工程师呃 FDE 来来解决的 。
但不管怎么样呢 ， 我觉得像这种就非常值得我们学习啊 ， 我觉得中国的企业像 AI native 的公司应该发呃发展出这样的一些呃呃 to B 的一些 solution 来 ， 我我我相信会的 。
所以呢 ， 我觉得 to C 肯定是百花齐放的 ，to B 呢可能也会很快的跟上来 。
多谢多谢杨老师 。 那个唐老师 。
呃首先我觉得确实也要承认吧 ， 就是在这个中美 ， 我觉得无论从研究啊 ， 还有这个尤其是企业界的这个这个 AI lab 吧 ， 我觉得是有和美国是有差距的 ， 就是这是第一个 。
但我觉得也是在未来中国吧 ，其实现在慢慢变得越来越好 ， 尤其是 90 后 00 后这一代起来 ， 我觉得慢慢变得真的是远远好过之前我有一次在有一次那个 yourself 的一个会上， 我说过一句话 ， 我说我们这一代是最不幸的 。他说为什么呢 ？
我说我们这一代呢 ，其实你看我们上一代还在呢 ， 我们我我我们现在还上一代也在也在也在继续工作 ， 我们也在工作 ， 所以我们还没有出头之日 。
然后很不幸的下一代已经出已经出来了 ， 现在世界已经交给下一代了 ， 已经把我们这一代无缝的给跳过了 。
那其实开玩笑的 ，但我觉得最有意思的是什么呢 ？ 我觉得可能未来中国也许的机会吧 ， 第一个就是一群聪明人真的敢做特别冒险的事 ， 我觉得现在是有的 ， 现在是有的 。00 后这一代 ， 包括 90 后这一代是有 ， 包括俊阳啊 ，Kimi 啊 ， 还有舜宇啊 ， 这些都是愿意 ，而且非常敢愿意冒风险来做这样的大冒险的事 。
我觉得第二个倒是确实是咱们的可能这个环境要更好一些 ， 无论从国家的环境 ， 就是这个我的意思是说 ， 比如说大企业和小企业之间的竞争 ， 那创业企业之间的一些问题 ， 还有这个包括给这个包括我们的营商环节 ， 比如说让这个给他像刚才那个俊阳说的我还在做交付 ，其实这些都我觉得把这个环境如果 build 的更好 ， 让大家一群聪明人又敢
于冒险的聪明人有更多的时间去做这样创新的事情 ， 比如说让俊阳这样的去做有更多时间来做创新的事情 。
我觉得这是第二个 ，也许是我们政府啊 ， 包括我们国家可以来帮忙改善的一个事情 。 第三个我倒觉得是源自于是回到我们自己每一个人自己身上了 ， 就是我们能不能坚持 ， 就是我们能不能愿意在一条路上呢 ？
我们敢做 ， 我们敢冒险 ，而且环境也还不错 ，是吧 ？ 我觉得环境肯定不会是最好的 ， 永远不要想着环境是最好的 。
如果我觉得我们恰恰也可能也是幸运吧 ， 我们在经历一个环境 ， 从也许原来可能没那么好慢慢变得更好的一个时代 ， 那我们我们是经历者 ，也许就是这个财富 ， 包括这个经历收获最多的人。
那如果我们笨笨的坚持 ，也许走到最后的就是我们 。 感谢大家 。
对 ， 感谢感谢唐老师 。 那个对 ， 那个所以我们也很想呼吁说 ， 应该更多的资源资金投到中国的 AJ 行业 ， 那个有更多的算力 ， 然后让更多的 AI 的年轻的研究员搓卡 ， 就是有可能搓个三五年， 中国也有三五个自己的伊利啊 ， 对吧 ？
这是我们未来三五年很期待的 。 感谢感谢大家 。
好 ， 非常感谢 。 好 ， 感谢大家 。
对 ， 那个接下来邀请张院士来来对今天有一个压轴的这个点评 。 对 。