AI 的下一次突破在哪里？｜AI CLOUD 100 CHINA 2026 · 主论坛对话精选

10月16日，第五届 AI Cloud 100 China 榜单发布暨 CEO 大会在上海静安圆满举行，900余位观众到场。来自 AI 产业、科研与投资领域的嘉宾齐聚一堂，从前沿技术到产业应用，从创业实践到全球市场，展开深入交流。

主论坛围绕下一次 AI 突破展开讨论；硅谷、香港、赛道及互动分会场，则从湾区创业与跨境协同、香港发展资源、不同技术方向与产品实践等角度延伸议题。展区体验与现场交流热烈，讨论持续至深夜。

其中，主论坛对话“Where Will the Next AI Breakthrough Come From?”聚焦持续学习、世界模型、行业模型与自动化研究。靖亚资本创始合伙人何沛与四位一线探索者共同讨论：AI 的下一步，究竟会突破什么？

对话嘉宾包括无涯智远创始人、北京大学人工智能研究院助理教授张牧涵，心洲科技 Mindverse 创始人陈锴杰，Abaka AI 联合创始人兼 COO 赵云飞，以及远程参与的普林斯顿大学 AI Lab 研究员张伊凡。以下为对话精选，依据现场实录精简整理。

01 / 从“记住资料”到真正学会

何沛：张老师，你提出 AI 需要持续学习。大家现在讲长上下文、各种各样的记忆系统，这些不能解决问题吗？你看到的问题是什么？

张牧涵：现在一个 AI 系统里，有模型架构与参数本身，也有上下文。前者定义模型是什么，后者决定这次推理依赖什么。我们认为，光靠上下文推理，没有办法解决模型持续学习的问题。

上下文窗口一直在变大，但它有计算和存储成本，也需要足够的长文本数据来训练，不可能无限扩充。这让我想到一个类比：上下文推理很像人的短期工作记忆。换一个新的对话，如果之前的信息没有被带进来，它就不再参与这次推理。

但人并不是只有短期记忆。我们会不断把短期工作记忆变成长期记忆，巩固经验、增加能力。对模型来说，我们想探索的就是参数这一层：让模型能够修改自己的参数，持续进化。

我们公司的名字“无涯智远”，取自“吾生也有涯，而知也无涯”。我们希望未来的模型不是出厂之后就保持不变，而是在实际工作中继续学习。

何沛：有点像人参加培训之后的内化，不能学过就忘了。但这里有一个问题：你基于某个版本的基模持续学习，半年、一年后，基模出了新版本，之前学到的东西还能迁移过去吗？

张牧涵：如果采取传统的反向传播训练，成本会很高，相当于重新训练一遍，参数不能直接迁移到下一版。我们希望在持续学习上取得突破，让参数改变的成本足够低、速度足够快，再把过去形成的知识快速转化为新基模的参数增量。

何沛：从记住资料到学习内化，你觉得最难的槛是什么？

张牧涵：就是模型如何快速内化新知识、新技能、新经验。我觉得这是下一代模型的突破点。我们已经有一些初步的技术突破，看到了一些很有希望的进展。

02 / 数据公司的护城河，是提前知道模型需要什么

何沛：前沿模型公司为什么要向第三方采购数据？现在需要什么样的数据，解决什么问题？

赵云飞：如果把 AI 生态比作一个厨房，我们有点像切墩的那一位：把菜从地里拔出来，洗干净、切好，再交给训练模型的“厨师”。

经常有人问，过几年模型都训练好了，是不是就不需要数据公司了？但我们看到，变化的是需求量和需求方向，整个生态对数据的依赖并没有下降。从文本、期刊文献，到图片、视频，再到世界模型、代码和机器人任务，都在产生新的需求。有些素材在网上能找到，有些则需要实际采集和标注。

比如机器人叠衣服，为什么总是叠不好？人很小的时候就在积累对物理世界的理解，但机器人未必有这些基础。它涉及的不只是一个动作，而是跨任务的理解。成功的经验和失败的案例，都是有价值的数据。

何沛：你们除了做数据，也建立了 AI 研究团队。为什么一家数据公司，要养一个这么贵的研究团队？

赵云飞：确实很贵。有人问我们的护城河是什么，是标注员特别聪明吗？我觉得一个词可以概括：Know-how。你要知道三个月、六个月以后，大模型公司会需要什么数据。

客户对时间非常敏感。有一次，我们上午开始谈订单，下午再问什么时候要数据，对方的意思就是当天下午要交付。所以，如果能够提前判断下一步训练的方向，把数据准备好，对我们就是很大的优势。我们做研究团队，也是希望通过与模型公司、顶尖院校的交流合作，提前做这些准备。

何沛：不是被动等客户提要求，而是提前预判。那从你们的观察来看，下一个突破可能在哪里？

赵云飞：我个人比较看好世界模型。现在可以生成一个能交互的三维空间，但有没有真正理解这个世界？下一步行动会怎样影响它？这是正在突破的地方，也会是迈向 Physical AI 很重要的一步。

03 / 做应用之后，为什么开始自己训练模型？

何沛：锴杰，你们很早就做过个人 Agent，现在重点又转向企业服务。能不能分享一下，这背后是怎么想的？

陈锴杰：我们做过个人 Agent，帮你写小应用、管理生活、订票。当时做着做着就发现，要让应用有独特的体验，后面的模型能力就得越来越强。

比如订票要越来越准，双十一能不能找到最好的优惠，能不能管理好购物清单？这些能力在通用模型里面没有被很好地训练过。要把这些领域做好，仅仅基于通用模型做工程优化是不够的，必须要自己训练。

我们从23年底就开始自己训练模型，最初是希望这些模型能够加强自己的应用。到今年我们发现，内部研究员积累的能力变得很强，同时市面上越来越多应用公司、垂直领域公司和传统企业，也希望有自己的模型能力。那我们就把已有的后训练能力和基础设施，开放出来变成一个可以商业化的平台。这就是今天我们做企业服务的基础。

何沛：我们做投资也看到，早期很多应用被叫作“套壳”，但现在越来越多应用公司想训练自己的模型。为什么大家不约而同地往这边走？

陈锴杰：如果调用前沿的闭源模型API是非常昂贵的，同时直接应用于具体的领域，表现也未必最优。那么具体领域的应用公司基于通用模型来做服务、或者搭建产品，再来做商业化就不是一个好的选择。比如很火的法律AI公司Harvey，在他调用 Open AI 或者 Anthropic 的模型来商业化的时候，毛利都长期为负数，直到他选择基于中国的开源模型，和Fireworks来合作后训练自己的模型之后，毛利才逐渐转正。

中国市场在过去几个月里也发生了这样的变化，对于性能、成本的综合考虑，以及可以将数据持续沉淀在自己训练模型之中，使得大家开始想拥有自己的后训练模型。

04 / 自动化研究：什么可以交给 AI，什么还很难？

何沛：伊凡，你现在感兴趣的方向是 Auto Research。怎么让 AI 自动做研究？未来人类研究员会不会慢慢让位于 AI 研究员？

张伊凡：Auto Research 本质上就是 Automating AI Research。研究过程中，我们要写代码、跑实验、观察结果，这些工作有不少已经能被 Coding Agent 的范式覆盖。

但研究 AI 本身又有一些区别。它需要启动 GPU 任务，要做环境适配，还要考虑如何控制变量。GPU 训练存在随机性，实验结果不一定能完全重复。如何刻画这些性质，让实验可复现、可验证，是很重要的问题。

从组织上看，自动化研究也可能减少沟通和管理成本。大模型研究有时也是组织问题：人很多，不一定做得更好，职责重叠、沟通成本都会产生影响。如果能让一个精简团队借助自动化研究提高效率，我觉得是很有前景的方向。

何沛：如果人类研究员是 100 分，现在的 AI 研究员大概能到多少分？

张伊凡：至少在某些垂直任务上，我觉得已经能够达到甚至超过人类，比如编写 GPU kernel，也就是 GPU 计算内核。但做得还不够好的，是开放性问题：什么是一个好的算法？什么是一个好的任务、好的环境？这些比较主观，难以提供可验证的奖励。

如果是哪个内核运行得更快、哪种训练算法更稳定、训练出的模型指标更高，就有相对明确的评价标准。这类问题也正是很多研究员在做的，所以更容易推进自动化。

何沛：研究的是新东西，成果怎么评价？有没有比较成熟的做法？

张伊凡：比如 NanoGPT Speed Run，大家从头训练模型，比较谁用的时间更短。它有客观的评分标准，不完全依靠主观判断。

何沛：从你在北美研究一线的观察，下一步突破可能发生在哪里？

张伊凡：模型的架构和学习算法，还有很多空间没有被充分利用。如果能通过研究降低预训练成本，现在加速两倍、三倍，未来能不能加速更多？这就可能找到算力和数据之外的第三个方向：Scaling Research。通过研究本身的进步，提高模型训练的效率。

05 / 真正的个人 Agent，应该和你一起成长

何沛：作为创业者，大家对未来都有自己的判断。未来两三年，出现什么现象，会打破你现在的预判？就像我们做投资，每个下注都有一个假设，最怕的是这个假设错了。你们想过这个问题吗？

陈锴杰：我觉得未必会让之前的东西都变错，但会增加很多变量。我和张老师是一派的，我认为持续学习会带来巨大的变量。

今天的API完全没有粘性，每次调用都是通过提示词改变结果。如果未来每次调用之后，相关的经验都能被模型学会，就会很不一样，甚至会带来颠覆性的变化。比如靖亚做投资分析，一定有自己的思考和经验。如果这些能够通过使用过程沉淀下来，就像专门为靖亚训练了一个模型一样。

今天哪个模型更好、更便宜，大家就可能切过去。但如果模型积累的是你自己的经验，切到别处就没有了，切换成本会越来越高。

现在的大模型像一个“超级博士生”，但还不能随着企业一起成长。一个从创业开始就陪企业成长、了解所有背景的人，即使智力水平一样，对企业的意义也很不一样。如果持续学习能做到这一点，模型公司的竞争格局就可能发生变化。这是让我很兴奋的地方。

何沛：相当于每个人都有一个专门为自己训练的模型。张老师赞同吗？

张牧涵：非常赞同。我们是一派的，但可能技术路线不一样。

何沛：除了个性化，还有主动性。个人 Agent 不只是等用户提问，而是主动发现需要处理的事情。你怎么看？

张牧涵：我觉得主动性和个性化是深深绑定的。它要非常了解你，理解你过去的情境，跟着你每天一起成长，从你见过、听过和交流过的事情里学习偏好。拥有了这些理解，它才有可能更主动地行动。