AGI-Next 2026：全球华人引领AGI领域新趋势

刚刚过去的 AGI-Next 2026 信息密度极高，充满了 Visionary 的光辉。

这场由清华大学基础模型北京市重点实验室、智谱 AI 发起的盛会，汇聚了张钹院士、杨强院士等学术界代表，以及唐杰教授、月之暗面杨植麟、阿里 Qwen 技术负责人林俊旸、腾讯首席 AI 科学家姚顺雨等中国大模型核心主力。拾象创始人及 CEO 李广密也作为 panel 主持人参与其中。

华人已经成为 AGI 中不可忽视的力量，中国团队开发的开源模型在全球Tier 1 中占据一席之地，预计在 2026 年这一地位将更加稳固。我们期待在 2026 年见证更多全球华人在 AGI 领域的突破性探索。

本文由「海外独角兽」对整场活动所有主题发言、对谈讨论中的核心观点进行总结提炼，同时推荐大家阅读活动实录全文，更全面地感受 AI 领域最聪明大脑的思考与洞察。

•模型分化已成趋势，背后的原因多元，包括 To B 和 To C 场景需求差异，对模型竞争格局的慎重考量，以及不同 AI labs 的战略选择。

•To B 领域将出现强模型和弱模型之间的分化，差距会越来越大。在 To C 场景中，模型的任务瓶颈往往不在于模型的大小，而在于 Context 和 Environment 的缺失。

•自主学习成为新范式，2026 年几乎所有 AI 研究都将投入这一方向。

•Scaling 仍将继续，是技术、数据与 taste 共同演进的结果，探索前沿智能不会因潜在风险而停止。

•模型即 Agent，Agent 即产品。

•中美 AI 之间算力差异不仅是绝对量级上的差距，更是结构性的差异。美国的算力不仅比中国多 1-2 个数量级，更有相当一部分被投入到了下一代关键技术的探索中。

关键词 01

分化

1.结合中美两地观察，姚顺雨认为 AI 领域分化有两个角度：1）To C 和 To B 之间发生分化；2）“垂直整合”和“模型和应用分层”两条路线之间也开始分化。

2.对于 To C 来说，大多数用户在大多数时候并不需要很强的智能。他们对模型智能提升的体验并不强烈。To C 的瓶颈往往不是模型不够大，而是 Context 和 Environment 的缺失。

3.问题的解决方法在于真正的个性化数据。例如，在合规前提下利用微信聊天记录等 Context，可能比盲目追求更强的预训练模型更能给用户带来价值。

4.To B 逻辑下，用户（企业）愿意为“最强模型”支付溢价。因此，在 To B 市场内部，强模型与弱模型的分化会越来越明显。

关键词 02

新范式

自主学习

8.Scaling 仍将继续。唐杰教授认为 Scaling 需要区分两个方向：已知路径和未知路径。

•已知路径通过不断增加数据和算力，持续探索能力上限，但本质上是一种“偷懒”的方法。

•未知路径是寻找尚未明确的新范式。让 AI 系统自己来定义奖励函数、交互方法、甚至训练任务来做 Scaling。

9.杨植麟将 Scaling Law 总结为一种把能源转化为智能的视角。其核心在于高效逼近智能上限。Scaling 是技术、数据与审美的共进，探索前沿智能不会因潜在风险而停止。

10.自主学习的目标是让模型具备自反思与自学习能力。通过持续的自我评估与自我批判，模型能够逐步分辨哪些行为是有效的，哪些路径还有优化空间。