China AI leaders comparison · 2026-08-04
中国四条 AI 路线：都不放弃 scaling，分歧在下一瓶颈
梁文锋、唐杰、杨植麟、闫俊杰 · 证据分级 · 商业含义 · 反证清单
证据警告
四人的公开材料质量不对称：梁文锋 2026 路线来自未确认泄露稿；唐杰本轮全部为二手；杨植麟 benchmark 为公司自述；闫俊杰业绩会最硬，但世界模型与具身缺一手表述。比较的是“当前公开路线”，不是技术事实排名。
一页看懂
| 人物 | 下一瓶颈 | Agent | 长期路线 | 商业姿态 |
|---|---|---|---|---|
| 梁文锋 | 持续学习 | 当前台阶，仍不能替代长期员工 | 自迭代之后再具身 | 开源、低价、克制；产品是副产物 |
| 唐杰 | 智能效率、记忆 | 长程自治、多 Agent 社会 | 认知架构、自训练、多模态 | 两年重投 AGI；需用财报验真 |
| 杨植麟 | token 效率、长上下文 | 集群并行与强化学习 | 重做 optimizer / attention 基本件 | C 端与开源双轨，单位经济缺失 |
| 闫俊杰 | 多 Agent 系统效率 | 系统本体，不是外挂 | 全模态、平台化、同事级协作 | 智能密度 × Token 吞吐量 |
共同判断
Scaling 仍是地基
没人真正放弃 scaling；分歧是下一单位算力应投向持续学习、记忆、长上下文还是多 Agent。
没人真正放弃 scaling；分歧是下一单位算力应投向持续学习、记忆、长上下文还是多 Agent。
单模型指标不够
四人都把未来能力放到更长任务、更多上下文或多 Agent 系统中。
四人都把未来能力放到更长任务、更多上下文或多 Agent 系统中。
成本下降伴随调用上升
token 更便宜不等于总成本下降；Agent 和长上下文可能扩大 token 需求。
token 更便宜不等于总成本下降；Agent 和长上下文可能扩大 token 需求。
模型层主动让利
开源、低价和效率叙事普遍存在，利润池可能向托管、工作流、数据和责任层迁移。
开源、低价和效率叙事普遍存在，利润池可能向托管、工作流、数据和责任层迁移。
关键分歧
持续学习 vs 上下文
梁文锋要参数/系统层持续学习；杨植麟更倾向用长上下文承载记忆，两者不是同一问题。
梁文锋要参数/系统层持续学习；杨植麟更倾向用长上下文承载记忆，两者不是同一问题。
Agent 是台阶还是系统本体
梁文锋认为 Agent 会走完；闫俊杰把多 Agent 视为未来系统形态。
梁文锋认为 Agent 会走完；闫俊杰把多 Agent 视为未来系统形态。
世界模型
梁文锋明确降权；唐杰用认知/记忆替代；杨植麟用上下文替代；闫俊杰无证据。不能误写成四人共同反对。
梁文锋明确降权；唐杰用认知/记忆替代；杨植麟用上下文替代；闫俊杰无证据。不能误写成四人共同反对。
商业化
DeepSeek 把商业视为副产物；MiniMax 把吞吐量直接写进平台价值；智谱和 Moonshot 处于中间。
DeepSeek 把商业视为副产物；MiniMax 把吞吐量直接写进平台价值；智谱和 Moonshot 处于中间。
对 jaiv1 五条预测的影响
不调整 F-01～F-05 置信度
管理层路线只能解释未来产品和成本可能怎么变，不能代替合同、收入、毛利、续费和事故数据。最值得加入 2026-10-19 复查的是：每成功任务 token、Agent 人工接管率、开放权重托管份额、私有化交付成本和平台 API 毛利。
决定性验证清单
- 持续学习是否有跨月任务和真实环境更新，而非把历史全部塞进上下文。
- Agent 集群的每任务成本、延迟和失败率是否优于单 Agent。
- 长上下文是否在真实工作流中胜过检索与外部记忆。
- 多模态能力是否转化为付费、留存或新工作流，而非 demo。
- 开源和低价能否建立可持续现金流，而不是持续融资补贴。