从AGI-Next前沿峰会，看清大模型公司的两条路：ToB向左，ToC向右

这次 AGI-Next 前沿峰会，更像一次行业“分岔口”的确认。

在清华大学基础模型北京市重点实验室与智谱联合发起的圆桌上，唐杰、杨植麟、林俊旸、姚顺雨与杨强院士罕见同台。讨论的焦点，不再是谁更接近 AGI，而是中国大模型行业正在不可逆地走向分化。

这种分化，并非简单的 ToB 与 ToC 之争，而是对智能价值如何兑现的不同选择：一条路，把模型嵌入生产流程，押注确定性的生产力；另一条路，进入真实生活场景，押注体验、规模与长期心智。

几乎在同一时间，智谱与 MiniMax 相继上市，前者锚定 ToB，后者押注 ToC。当峰会共识与上市路径相互印证，中国大模型行业也正式走到了一次真正的分岔口。

同一张牌桌，不同走法

在AGI-Next峰会的圆桌讨论中，“分化”成为贯穿始终的核心议题。

横跨中美行业的姚顺雨、深耕阿里千问的林俊旸、掌舵智谱的唐杰，以及见证多轮AI周期的杨强，从不同视角解读了ToB与ToC的分化本质，形成了诸多共识。

作为曾任职于OpenAI、如今扎根国内AI行业的“跨语境者”，姚顺雨对分化的感知最为直接。他在峰会中明确提出：“ToC和ToB已经明显发生了分化，这是最核心的感受。”

在他看来，这种分化的根源在于两类用户对“AI智能”的价值认知完全不同。对于ToC用户而言，大部分时候并不需要极致的强智能，“今天用ChatGPT和去年相比，解抽象代数的能力变强了，但大部分人感受不到。在中国，很多用户用AI更像是用搜索引擎的加强版，甚至不知道该如何激发它的智能。”

当然，ToC的核心瓶颈也并非技术本身，而是“额外的Context（上下文）和Environment（环境）”。现场姚顺雨就举了一个例子：“当你问‘今天该吃什么’，AI回答不好不是因为模型不够大，而是它缺少‘你今天很冷’‘活动范围有限’‘家人的饮食偏好’这些上下文信息。如果能把微信聊天记录等场景信息导入，AI才能真正给ToC用户带来价值。”

但ToB市场完全是另一套逻辑，“智能越高，生产力越高，能赚的钱就越多，这一切都是强相关的。”姚顺雨观察到，在美国市场，很多企业愿意为最强的模型支付溢价，“一个200美元/月的顶级模型，能把10个任务中的八九个做对；而50美元/月的模型可能只做对五六个。对于年薪20万美元的工程师来说，为了避免监控错误任务的额外成本，他们愿意为顶级模型买单。”

除了用户端的差异，姚顺雨还提到了商业模式的分化，ToC领域“垂直整合”依然成立，模型与产品需要紧密耦合迭代；但ToB领域更倾向“模型与应用分层”，好的模型会吸引更多应用层公司来适配，形成生态效应。

阿里千问的林俊旸则从“自然演化”的角度解读分化。他认为，大模型公司的分化不是刻意规划的结果，而是在与市场的交互中自然形成的，“Anthropic不是一开始就赌Coding，而是因为和企业客户交流得多，才发现了这个巨大的机会。”

这种自然分化的核心，是“服务真实人类”的价值导向。林俊旸强调：“无论ToB还是ToC，我们最终都是在服务人。ToC产品也会进一步分化，比如有的偏向医疗，有的聚焦法律，关键是找到自己要服务的核心用户。”

同时，他提到中美市场的一个关键差异，“美国的API厂商都没想到，Coding的Token消耗量会这么大，但在中国，Coding的Token消耗还远远没达到这个水平。”这种差异也决定了中国公司的分化路径不能完全照搬硅谷。“中国的SaaS市场和美国不同，企业的付费意愿、使用习惯都有本土化特征，需要在交流中找到适合自己的机会。”

对于ToC的未来，林俊旸认为“个性化（Personalization）”是核心方向：“过去的推荐系统靠用户数据让体验更好，今天的AI要成为真正的Copilot，也需要持续理解用户。但AI时代的个性化衡量指标和推荐系统不同，不是‘点击量’‘购买量’，而是‘是否真正懂用户’，这是当前的技术挑战。”

作为智谱的核心负责人，唐杰的分享更具实践色彩。他坦言，智谱选择Coding这条ToB路径，是团队反复争论后的“主动下注”。“2023年很多大模型一起上线，但每家的用户都不多。我们意识到，单纯做通用Chat不是解决问题的办法，必须找到一个具体的方向深耕。最后我们赌了Coding，把所有精力都放在了上面。”

此外，唐杰同样表示ToB路径需要长期聚焦。他认为，早期大模型行业的“同质化竞争”已经结束，“自从DeepSeek出来之后，通用模型的战争就已经落幕了，接下来的关键是找到自己的细分战场。”

对于ToB和ToC的选择，唐杰认为这本质上是“价值判断”，“Agent也好，大模型也罢，能不能成关键看三个因素：一是解决的问题有没有价值，二是做事的成本高不高，三是做应用的速度快不快。ToB的价值更明确，就是提升企业生产力，只要能解决具体问题，就能获得商业回报。”

杨强教授则从工业界与学术界的跨领域视角，补充了分化的深层逻辑。他认为，当前工业界在大模型领域“领头疯跑”，学术界相对滞后，但这种差距正在缩小，“当大模型进入稳态后，学术界需要跟上，解决工业界没来得及解决的基础问题，比如‘智能的上界在哪里’‘资源如何在训练和推理间分配’。”

这种协同对于ToB和ToC的分化发展都至关重要。比如ToB领域的联邦学习，需要学术界提供理论支撑，帮助通用大模型与本地隐私数据结合；ToC领域的持续学习，也需要学术界解决“记忆噪音”的问题，“人类通过睡觉清理学习噪音，AI能不能借鉴这种模式？这可能孕育新的计算范式。”

两条路线，正在被现实验证

峰会关于“分化”的共识，已在真实的行业实践中清晰显现。近期智谱以ToB核心业务冲刺IPO、Minimax凭ToC产品登陆港交所的动态，正是这一趋势的具象化体现。事实上，从头部科技巨头到细分赛道创业者，都已在两条路径上各有布局、深耕细作，形成了差异化的竞争格局。

ToB 路径的核心，不止于模型多强，而在生产力是否可被感知。这也恰好呼应了姚顺雨在峰会上反复强调的一点：智能水平越高，转化为生产力的空间才越大，商业价值才真正成立。

在工业场景中，这一逻辑已经率先跑通。科大讯飞以星火大模型为核心技术底座，依托羚羊工业大模型等垂直产品形态，将人工智能能力深度融入AI 质检、智能排产等核心生产环节，相关应用早已跳出概念验证范畴，进入规模化落地与复制阶段。

金融行业则是 ToB 大模型的另一块深水区。比如，通义千问联合多家银行推出的智能风控平台，整合企业经营、舆情及供应链等多维数据建模，不仅显著提升信贷风险识别精准度，还将特定场景下的贷款审批周期进行压缩。这类基于行业数据训练的垂直模型，一方面补足了通用模型在专业场景中的适配短板，另一方面也通过本地化部署回应了金融机构对数据安全与合规的核心关切。

而智谱的路径则更接近 ToB 模式下的“商业样本”。围绕编程与研发场景打造的工具体系，已服务超过 1.2 万家企业，凭借 GLM 系列模型的强编码与推理能力，形成了标准化的 MaaS 服务模式。

当然，ToB 并非一条轻松的路。国内企业整体付费意愿仍在培育期，行业标准化程度参差不齐，多数公司仍处在从“标杆项目”走向“规模复制”的爬坡阶段。

也正因如此，ToB 赛道正在显现出更清晰的分工趋势：头部大模型厂商专注于基础模型和算力、算法的持续迭代，而大量垂直 SaaS 与行业服务商则负责将模型能力拆解、嵌入到具体业务流程中。这种“基础模型 + 行业解决方案”的分层协作，正在成为现实可行的落地路径。

相比之下，ToC 路径考验的不是行业理解力，而是对用户真实需求的捕捉能力。正如林俊旸在峰会上所言，关键并不在于“能做什么”，而在于“用户愿不愿意用”。

就拿 MiniMax 来看，以情感陪伴、AI 视频生成等产品切入海外市场，2026 年 1 月登陆港交所并获得超额认购，成为 ToC 路径中最具代表性的案例之一。但这条赛道的竞争，远不止一家公司的故事。

在国内，字节跳动的豆包是 ToC 大模型产品的典型样本。通过“全场景覆盖 + 年轻化运营”，豆包在短时间内完成了用户规模的快速积累。

据字节跳动官方发布的 2025 年 12 月数据，截至 2025 年底，其 DAU 已突破1亿，成为国内首个亿级日活 AI 原生应用。更关键的是，豆包并未停留在“通用聊天”，而是深度嵌入抖音、今日头条等内容生态，推出短视频脚本生成、热点解读、学习资料整理等高频场景功能。

垂直 ToC 工具同样展现出强生命力。以办公工具“WPS AI”为例，其聚焦办公场景这一高频垂直领域，深度适配文档创作、数据分析、演示文稿制作等多元办公需求，提供从文案生成、格式优化到数据可视化、多模态内容创作的全链路智能辅助，2025年6月数据显示，WPS AI月活跃用户达2951万，累计年度付费个人用户超4179万。其优势并不在模型规模，而在于精准匹配职场人、学生等不同群体的办公痛点，解决了通用大模型在办公场景下格式适配差、功能冗余的问题，充分印证了垂直场景深耕的商业价值与用户粘性。

MiniMax 的实践，也折射出 ToC 路径的另一面，机遇与压力并存。据其招股书预披露信息，公司海外收入占比超过 73%，验证了国产 ToC 大模型的出海潜力；但次日留存率约 41.9%、盈利效率仍待提升，也提醒市场，ToC 并非 “流量即胜利” 的简单逻辑。高频使用、长期留存和付费转化，仍需要持续的产品打磨与运营投入。

从更长周期看，ToC 大模型正在从“聊天工具”走向“嵌入式能力”。小米将自研大模型融入音箱、车载系统，打造全场景 AI 助手；喜马拉雅推出 AI 播客生成工具，直接服务内容创作者。这些探索共同指向一个方向：当模型不再是独立产品，而成为用户日常体验的一部分，ToC 的商业边界才会真正被打开。

真正的竞争，从分化开始

随着智谱、MiniMax 等公司相继走向资本市场，中国大模型行业的分化正在加速。从 AGI-Next 前沿峰会的讨论来看，未来三到五年，行业很可能形成ToB 与 ToC并行成熟、各自演进的格局。但这并不意味着路径清晰、风险消失，相反，两条路线都正在进入真正的“硬仗阶段”。

对 ToB 路径而言，挑战首先来自现实环境。姚顺雨在峰会上直言，中国 SaaS 市场在付费基础、决策机制和落地复杂度上，与美国存在显著差异。很多企业对大模型的认知，仍停留在“效率辅助工具”，而非生产力重构的核心引擎。这直接导致一个结果：企业愿意试用，但未必愿意长期、稳定地为之付费。

更深层的问题在于结构性约束并存——付费意愿不足、需求高度分散、部署复杂度高。不同行业、不同规模的企业，对模型能力、部署方式和数据安全的要求差异巨大，如何在标准化产品与深度定制之间取得平衡，成为 ToB 公司绕不开的核心难题。

从峰会形成的共识来看，ToB 的突破方向正在收敛为两类能力：一是垂直行业深度，通过长期行业积累建立技术与数据壁垒。智谱在 Coding 场景上的聚焦只是一个缩影，医疗、金融、工业等领域也在逐步形成各自的“行业模型路径”。二是工程化与生态能力，尤其是在私有化部署、数据合规与安全隔离等关键问题上，真正降低交付成本，并通过与 SaaS 厂商、硬件厂商协同，把大模型嵌入企业原有工作流，而不是强行重构系统。

在此之外，姚顺雨还强调了一个常被低估、但极具潜力的突破口——教育市场。他指出，拉开人与人差距的并不是 AI 本身，而是“会不会用 AI”。对 ToB 公司而言，未来的价值不只在于卖产品，更在于帮助企业建立使用 AI 的能力，包括工程师培训、方法论沉淀与最佳实践输出，本质上是从“产品交付”升级为“能力交付”。

相比之下，ToC 路径承受的压力来自另一端。其核心矛盾并不在技术，而在于需求极度碎片化与商业化可持续性同时承压。用户使用场景横跨学习、办公、创作与娱乐，产品稍有偏差就可能被迅速替代，且竞争早已不限于大模型公司之间，传统互联网平台与创业团队持续抬高获客成本。

因此，ToC 的进化方向正从“功能堆叠”转向更明确的两条路径：其一是极致个性化。林俊旸在峰会上反复强调“记忆”和“场景理解”，目标是让 AI 成为真正懂用户的 Copilot，而非一次性工具；其二是场景化深耕，不再追求“大而全”，而是围绕高频、强需求场景持续打磨，如教育辅导、内容创作或特定职业工具，通过深度体验建立长期粘性。

与此同时，一种更具现实意义的模式正在浮现。C 端积累的交互经验、个性化能力和用户理解，反向赋能 B 端客户，形成“双轮驱动”。MiniMax 将个性化技术输出给线下商家，正是这一思路的具体体现。

从更高层面看，分化并不意味着割裂。未来，无论是 ToB 与 ToC 之间，还是模型层与应用层之间，都将形成更明确的互补关系：ToB 需要 ToC 的场景理解能力，ToC 依赖 ToB 的底层模型与工程能力，“模型 + 场景”的分工格局正在逐步成型。

杨强教授在峰会上提到的工业界与学术界协同，同样是长期机会之一。当大模型进入相对稳态后，学术界将更多聚焦智能效率、记忆机制等基础问题，为 ToB 与 ToC 的下一阶段演进提供新的技术源头。

对创业者而言，分化反而意味着空间。林俊旸引用 Manus CTO 的观点指出，“真正有意思的是长尾问题”。头部大模型公司不可能覆盖所有细分场景，而这正是创业团队的生存区间——无论是小众行业的 ToB 方案，还是特定人群的 ToC 工具，只要定位清晰，依然有机会建立稳定价值。

放眼全球竞争格局，中国大模型公司的分化路径，也将深刻影响其国际竞争力。姚顺雨认为，中国公司在“追赶”阶段已展现出极强执行力，但在引领新范式上仍有差距；林俊旸则判断，三年内中国公司成为全球最领先 AI 企业的概率“低于 20%”，核心约束在于算力规模与冒险投入——美国公司拥有更大规模的算力池，并将相当一部分用于下一代探索，而中国公司的算力更多服务于交付与现有业务。

不过，唐杰与杨强都给出了更积极的判断。前者认为，90 后、00 后创业者的冒险精神正在显著增强；后者则以互联网发展为例指出，中国在应用层创新上已经完成过超越，AI 作为赋能技术，同样可能在 ToC 领域率先跑出全球领先的产品形态。

回看 AGI-Next 峰会的观点碰撞，以及智谱、MiniMax 的上市实践，可以清晰地看到，国内大模型行业已经走出“同质化竞争”的早期阶段，正在进入差异化选择与路径固化的新阶段。

“如果我们笨笨地坚持，也许走到最后的就是我们。”这是唐杰在 AGI-Next 前沿峰会上的一句话，也是当下中国大模型行业最贴切的注脚。

在智谱、MiniMax相继走向资本市场之后，行业的分水岭已不再是谁更像“通用大模型”，而是谁选对了路径、并能长期走下去：是把大模型变成企业生产力，还是做成真正懂用户的产品；是优先交付确定性，还是为下一代能力保留试错空间。

分化不是失败，而是成熟的信号。ToB 拼效率与耐力，ToC 拼体验与规模，答案只有时间给出。

本文来自微信公众号“AI大模型工场”，作者：西梅汁，编辑：星奈，36氪经授权发布。