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“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”。

　　，只有让模型在具备明确对错判定的“关卡系统”中自我迭代，才能实现落地。

　　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

　　行业共识认为中国在旧范式上的反超胜率很高，但在引领新范式上的胜率可能

　　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。

　　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。

　　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。

　　他们认为，大模型竞争已从单纯的“聊天”能力和榜单分数，转向能够进入真实环境、可验证并完成复杂任务的智能体阶段。行业普遍预计，2026年将不再是“更强模型之年”，而是模型真正跑通业务流程、创造商业价值的关键年份。

　　针对投资者最为关心的“中国能否反超”这一议题，峰会传递出的情绪冷静而现实。尽管中国具备极强的工程复现与制造逻辑下的追赶能力，但多位核心人物将中国在下一代范式中领先的概率评估为不超过20%。这种谨慎源于中美在算力投入结构上的本质差异——美国倾向于投资“下一代研究”的高风险探索，而中国目前的算力更多被交付与产品化占据。

　　从“更会聊”到“能做事”：评估坐标发生质变

　　大模型行业的评估坐标系已发生根本性位移。唐杰表示，Chat这一代的问题已“差不多解决”，行业重心正从“更会聊天”转向“能完成任务”。过去市场追逐的是模型在考卷上的“分数”，而现在的核心指标变成了在真实环境中的“跑通率”。

　　对于企业而言，AI如果仅是更聪明的框，其价值有限；但如果AI能将任务执行的成功率从偶然变为必然，则意味着生产力的质变。因此，唐杰、杨植麟等四位行业领袖达成共识：AI正在从Chat走向Thinking、Coding与Agent。

　　在这一阶段，RLVR成为关键技术路径。唐杰强调，在数学、编程等结果可判定的领域，模型可以通过闭环自我探索；但在网页交互等复杂任务中，“可验证空间”稀缺。未来的竞争门槛，不是让模型多想几步，而是建立足够复杂、真实且可判分的“关卡系统”，让模型在其中通过“刷经验”实现迭代。

　　商业化分歧：ToB的高溢价与垂直分层

　　随着技术重点转向Agent，商业化路径也出现了明显的分化。姚顺雨指出，toC与toB的逻辑将渐行渐远。在toC市场，用户体验的提升并不必然带来留存提升；但在toB市场，企业最恐惧的不是慢，而是“错且不可控”。

　　此外，行业对“垂直整合”的看法也在修正。姚顺雨观察到，在toB领域，模型层偏向“硬核工业化”，拼的是预训练与算力；而应用层偏向“业务工程化”，拼的是流程与交付。这导致未来toB市场可能走向分层结构：最强的模型配合最懂场景的应用团队，而非单纯的“模型即产品”。这对中国公司是一个警示：不能只盯着榜单，而需关注在具体业务链路中的落地与迭代能力。

　　中国反超的概率：乐观预期下的结构性瓶颈

　　关于“中国领先概率”的讨论，峰会呈现出一种“结构性冷静”。尽管市场热衷于讨论“崛起”与“占榜”，但林俊旸等业内人士将中国领先新范式的概率上限压至20%。

　　这种谨慎评估基于中美在算力使用上的结构性差异：

　　美国将大量算力投向“下一代Research”，具备高容错率，旨在赌未来；中国则将大量算力用于交付与产品化，旨在“先活下来”。

　　姚顺雨指出，中国在复现与工程化上极强，一旦路径被证明可行，能迅速做得更好。但真正的难点在于能否引领如长期记忆、自主学习框架等“新范式”，而不是在旧范式里“刷榜”。

　　算力瓶颈、软硬生态的完善度，以及toB市场的付费意愿，构成了制约中国模型发展的“三道门槛”。如果生态系统只奖励确定性的榜单数字，而将冒险精神挤出组织结构，那么反超将难以实现。