看完AGI-Next 2026后，我总结的几条核心判断

核心判断一：分化

• 领域分化：AI将迎来To C和To B方向的分化。以“今天吃什么”为例，再强的模型也难以给出准确回答，因为缺少上下文和具体情景；因此To C更注重上下文工程、长记忆与个性化数据服务，To B则因用户付费意愿强，市场会向强模型集中，出现强/弱模型分化。
• 路线分化：“垂直能力整合”与“模型和应用分层”两条技术路线开始分化；做模型和做应用的公司业务模式不同，后续路线也会相应分离。Anthropic Finance案例说明B端生产交付环节为AI工具公司提供试错空间，促进围绕业务场景的端到端任务优化。

核心判断二：新范式

• Scaling Law持续：通过增加计算资源提升模型性能，关键变量包括模型参数、数据量、计算量。
• 新范式探索：self-learning、active learning、continual learning等路径本质是让AI在人类不介入下自主定义奖励函数、交互方法与训练任务。
• 制约与方向：新范式面临的最大制约是想象力，如何证明范式实现仍待回答；强化学习潜力大，未来环境本身可能提供Prompt。
• 安全与评估：新范式需处理安全挑战、方向注入、评估标准以及长任务中的噪声清理等问题。
• 多模态：原生多模态是模型进化的重要方向，模型处理多维复杂信息的能力仍有较大提升空间。

核心判断三：智能体

• Coding与Agent：Coding是通往Agent的必经之路，模型+Agent能反映AI产品能力。
• 托管式服务：Agent可能成为后台长期独立运行的托管式在线服务，依赖self-evolution和active learning；长尾任务被完美解决时，用户能感受到AI价值。
• 关键问题：Agent是否真正创造价值、任务完成的真实成本（调用API与Agent的取舍）、应用公司能否保持迭代速度并最终与模型厂商分清边界。

核心判断四：全球AI竞赛

• 中国优势：中国AI能力有望进入全球第一梯队，最大优势是规模效应和极高的复现效率。
• 核心与瓶颈：长期关键是能否出现更多敢于突破范式的人；现实瓶颈包括高性能算力需要时间、To B市场成熟度和付费意愿不足、抄袭盗版问题。
• 中美算力差异：差异体现在量级（中国处于弱势）和结构（美国偏向下一代技术研究，中国需应对任务交付量爆发的算力瓶颈）。
• 倒逼创新：中国有更紧迫的行动力推动算法与AI Infra联合优化，有望实现软硬结合的下一代模型结构与芯片架构。