6月12日，在智源大会一场圆桌会议上，蓝驰创投管理合伙人陈维广作为主持人直白地提出了一个问题：

“有人认为不管是打榜还是第三方评价，近年顶级模型在快速趋同，今天这个模型Benchmark数据很高，两个月后其他大模型就跟进了，甚至开源模型和闭源模型的差距也仅3～6个月，那么大模型公司未来的长期价值以及护城河来自哪里？”

这个结论遭到其他三位的否定，智源研究院院长王仲远表示，榜单并不完全可信，但大模型整体性能的迭代尚未到达瓶颈。坚定端侧AI的面壁智能CEO李大海也指出，大模型技术还远远没有收敛。

银河通用CTO王鹤则认为，LLM（大语言模型）仍然存在着很多的变数，多模态大模型变数更多，目前具身智能仍处于GPT1～GPT2，当行业进入scaling阶段时，一切都会加速。

但这个问题确实是行业内外以及投资者所关心的。过去SWE-bench等各类评测榜单是衡量模型排名的标尺，而随着技术成熟和Agent等应用场景，单一榜单数据已无法说明模型具体落地能力。同时，不乏Scaling law红利变小的论调出现。

6月12日，在“跨越技术成熟曲线：如何定义大模型时代的长期价值？”圆桌上，蓝驰创投管理合伙人陈维广、智源研究院院长王仲远、银河通用CTO王鹤与面壁智能CEO李大海同台，围绕大模型公司的护城河、行业发展空间等议题展开讨论。

这展现的是一场关于投资界和技术界的观点碰撞。当大模型走过性能高速发展阶段，两个领域之间关于大模型能力共同的评价标准出现松动，面对失效的榜单和边际递减的scaling曲线，什么才是衡量大模型能力的新尺度？

2026北京智源大会开幕 图源智源官方

以下为对话实录，有部分删减：

【1】谈大模型企业护城河：大模型技术还没有收敛

陈维广：整个行业里大家都有一个疑问，大模型这几年发展迅速，但同时也能看到，不管是打榜还是第三方评价，顶级模型在快速趋同。今天某个榜单数据很好，过两个月其他人就跟进了。

再加上Token价格快速下探，开源模型也发展很快，甚至有人说开源和闭源的差距也就三到六个月。也有质疑认为，大模型公司最终就像卖水卖电，有量无价。那在这种情况下，一个AI模型公司的长期价值来自哪？护城河在哪？

王仲远：坦率讲，我个人并不完全认同这种观点。因为现在大模型整体的性能迭代还没有到达瓶颈，它可能有多种演化格局和阶段，比如一超多强、多个巨头，或者最终像大家说的能力差不多。

现阶段，从实际情况来看，榜单确实不那么可信，有时候我自己都看得眼花缭乱，很多结果也没办法完全验证。但俗话说“是骡子是马拉出来溜溜”，能拉出来溜的，通常能让人们有体感。像面壁的端侧智能，真需要进实际场景；像银河，要真敢展示真机、敢做现场展示。这些敢于亮真活的模型公司，是有底气的，也能在一些场景里找到数据闭环。

所以今天可能还完全下不了结论，说将来这些公司会不会趋同、护城河在哪。人工智能技术还没收敛，还在快速迭代演进，各种可能和结果都有可能出现。

王鹤：LLM里头仍然有很多变数。如果再往后看一步，多模态、VLM或者视频生成，变数就更多了。

以具身智能来讲，整个行业刚刚在往收敛的方向发展。

具身智能还处于GPT-1到GPT-2的阶段，往未来看，行业进入Scaling以后，一切都会快速加速，所以现在需要更大规模的资金。今天无论在资金体量、数据还是模型水平上，都还是跟在LLM后面几年的状态。

那真正的护城河是什么？对具身智能来说，它是一个体系：既有源头的数据供给，又有对不同种类数据（不管是合成数据、人类/p>

李大海：受两位嘉宾的启发，我想到大模型应该是我们以前说的所谓的梯型人才，它必须得是通用的，但是它仅仅是通用的，和其他人同质化是没有意义的，它一定得有它长板的部分。

举个例子，现在大家都知道，现在美国大模型的当红炸子鸡是Anthropic，Anthropic之所以强、之所以被追捧，是因为它的coding能力做到了独步天下，在它是通用模型的前提之上做到的这一步，所以才得到了现在大家的认可和非常亮眼的商业成绩。所以大模型光是有横向部分是不够的，一定得有纵向部分。

而纵向部分，我很认同刚才王鹤老师讲的，我会用另一个词叫闭环，就是我们一定要把大模型当成一个引擎，当成一个发动机，但是这个发动机的设计和能力的持续极致优化需要跟整车去协同。

而且事实上从过去两年大模型的发展，我们看到一个非常重要的趋势就是模型在内化成一个系统，模型是以一个系统的方式去演进，包括现在做Agentic的强化学习，其实就是带着整个agentic系统去做模型的进一步训练。

我觉得面向未来接下来需要去处理的、很重要的一个方向可能是上下文记忆，这个当前大家在用harness方式在做，但是我认为纯harness方式是不够的，它一定是harness加上模型的强化学习，这就是一个特别典型的例子。

我认为大模型的技术还远远没有收敛，同时在任何一家模型公司，都必须要把技术的通用性跟商业的通用性分开，其实通用的商业是很少的，很多时候要做好商业是需要模型在这个方向上做非常极致的优化，所以护城河可以有很多，每个公司找准自己的方向后，都可以有好的发展。

【2】谈Scaling law是否失效：没有失效，开始变得更加多样化

陈维广：有一个行业内一直在拷问的话题，尤其是去年，大家说Scaling Law的红利变小了，甚至有人说训练做得越多，模型能力也没有很大提升，所以去年有一波做强化学习、做后训练的，至少可以把能力做到一个比较好的水平。大家感觉，接下来大语言模型是不是会有一些瓶颈、边际效应不太大，王老师您怎么看？

王仲远：从我个人的观点，我还是比较坚信scaling还远没有到尽头。去年媒体上有很多关于scaling law是不是已经失效的一些探讨，但实际上从我们接触的大模型训练公司，包括从今天的时间点再回过头来看，很显然已经证明了scaling没有失效，只不过它开始变得更加多样化。

去年为什么大家会有Scaling失效的看法？一个重要原因是，大语言模型使用的互联网数据已经用完了。互联网数据只有一份，语言模型又主要靠预训练来提升性能，数据用完了，预训练的性能就会遇到瓶颈。

但实际在过去两年，大家通过后训练以及推理，已经有了进一步的能力提升；再往后通过Agent，包括今天开幕式圆桌上探讨的“递归自净化”，这些都已经证明了：即使互联网数据可能用完了，AI的能力依然在持续提升。不一定是模型本身的能力提升，而是整个系统的能力越来越强，而且也不仅仅是聊天工具，也开始可以是执行工具。

所以我们非常相信，整个Scaling的曲线还在。

陈维广：Physical AI和大语言模型还是比较不一样，甚至有行业人士说VLA还没搞完，怎么忽然出现搞世界模型的？王鹤老师您有什么看法？

王鹤：银河通用和我本人非常deeply believe in scaling。WAM范式还没有出现之前，在VLA这个范式里头，我们就先用合成数据做了大量的scaling。当时我们主要专注一个事情就是抓取，看一个技能能不能通过scaling来变成一个真正的基模。我们用仿真数据10亿帧证明了，只要把数据scale到这种程度，抓取可以完全是Zero-shot（零样本）。这是我们2025年初的工作，今天来看，仍然靠真实世界的遥操数据，没有像达到Grasp VLA Zero shot抓取能力的模型出现。

但是我们立即就发现，从合成数据的角度上讲，那么更多的任务超越Grasp，什么时候能完全合成完？我在遥操路线刚刚出来的时候就讲过，不可能什么东西都靠遥操，如果什么都靠遥操，我们很难scaling。但今天我想说的是，具身智能正在迎来一个非常光明的Scaling时间点，就是因为WAM——世界动作模型。

WAM跟World Model不太一样。今天我们讲World Model其实是一个很宽泛的概念，前几天李飞飞老师也把World Model分成了好几类，有的是World Model做simulator，有的是World Model做视频生成。而我们今天讲的

所以你可以想象，一个机器人看人干这件事，它虽然没有action label，但是把人怎么做的行为、大致的course motion（运动轨迹）学到了。这样我们就能大量借用人类视频——主要是第一视角视频——来帮助具身往更diverse的任务和场景、更全面的技能去scale up。

所以我感觉今天具身的预训练正在迎来一个蓬勃发展的状态，因为在数据的获取上，我们已经没有类型上的局限性了。我能够预测，未来两年具身将全面到达一个GPT-3.5向ChatGPT转变的关键预训练milestone。现在对我们来说是真正好的时机。

但这也意味着行业需要千万小时级别的高质量数据，以及百亿以上单年的投入，公司同时具备这两项加上大模型的能力，才能真正拿到冲刺ChatGPT的入场券。

陈维广：根据这样的分析，是不是意味着现在在外面为了世界模型（for Physical AI）融资的全部都不靠谱？

王鹤：不是，WAM也算是一种世界模型。但我个人看，很多World Model里面的一些key feature，比如这个东西能当simulator让机器人做强化学习，在我看来今天不能说全部靠谱。

我们也有很多工作拿World Model当differentiable simulator，希望它能交互。但是希望World Model先把全世界任何东西都simulate、都能交互，再训出具身智能，我觉得不应该是这样的。

因为我们人也不能把全世界所有东西都simulate、都精确知道下一步的物理状态，但我们照样可以interact with everything。所以我并不觉得成为一个成熟的World Simulator是建立具身智能ChatGPT的前提条件。

陈维广：大海老师，行业里通常会有challenge，认为云端至少过去几年看到scaling law，终端可能不能scale，您是什么看法？

李大海：我觉得简单的答案就是肯定都在scaling。其实面壁提出来的知识密度定律跟scaling这两个东西整合一下，它就是一个公式：大模型的智能等于大模型的知识密度乘以参数量。

所以今天还有声音在质疑scaling到底是不是失效的时候，云端的coding模型在变得越来越大。我们都知道Opus的模型越来越大，国内所有的coding模型也在越来越大，同时端侧模型也在越来越大。

面壁在去年给主机厂落地端侧模型只能落1个B，不是我们只能做1个B的模型，是因为那个时候智能终端上可以支撑模型跑起来的算力和带宽只有这么大。今天这个模型已经从1个B涨到4个B了，明年可能就变成几十个B，速度涨得非常快。

端侧其实就是资源受限，其实具身也是一个终端，具身大脑也是一个端侧模型。所以这个问题在模型层面上完全是有非常大的空间去做scaling，受限的是物理条件。

并且我们会看到，就算是大语言模型，在长上下文上做更好的任务处理，也依然有非常大的scaling空间，其实现在并没有做得特别好。大家做一个简单的理解：人的大脑做长上下文任务是做得非常优秀的，而且低功耗。但大模型在这个方向上，不管是成本还是效果都远远落后于人脑，所以这背后还有非常大的空间，这个空间就是scaling的空间。

所以我们觉得道阻且长，现在远远没有收敛。行业里面常常会用一些阶段性的认知来做出一些叙事，让更多的听众听得懂，但我们的观察是这些叙事的保质期非常短，我们在不断打破这个认知。

陈维广：刚才说的端侧模型从1个B到4个B，是指端侧硬件变得更厚吗？

李大海：对，我们也在用更多的技术让模型能够变得更大。因为知识密度变高了，各种比如量化技术提升了，所以我们用更大的模型量化完以后，用的内存、资源是一样的，这些都是手段。

陈维广：市场上也有一个说法，端侧模型会起来，主要是因为大家觉得云端模型太贵了，都在想办法把计算放到终端。这个理论能成立吗？

李大海：我认为这是Token经济学的一部分。尤其对于终端厂商来说，这是一个非常清晰的算账方式。在中国，大家都知道老百姓买手机、买汽车不可能去订阅。我买了一台手机，不会想着给手机厂商每个月交19块钱。

所以对于想给用户提供好的设备上AI体验的设备厂商来说，他就面临这个选择：后续的成本到底怎么负担？从算账的角度讲，端和云一定要协同，因为端侧资源有限，不可能做和云端一样的工作。但凡端侧能做的，大家尽量还是希望能在端上做，这样成本肯定是最低的。

陈维广：行业外的人会时常challenge做AI的、做具身的说：行，我相信你们，不管是做端侧、云端还是具身AI，你们能提升效率3倍5倍甚至10倍，我相信你。可是最终如果出问题的话，谁来背这个黑锅？

你们有思考过这个问题或者客户有提出这个问题吗？至少我知道做agent的时常被客户挑战说：如果我完全把这个agent自动去完成任务，出问题谁来承担？

王仲远： 比如说自动驾驶、辅助驾驶，以前其实已经趟过一遍这样的路了。到底全责谁来定？是软件厂商、硬件厂商还是用户？AI后续包括智能体也会有类似的过程和阶段。

一方面我们看到了技术对生产力的提升，如果它已经提升了3倍5倍，那这种技术就一定是没办法被阻碍的，它最终会在社会、工业、生活中变得越来越流行、越来越普遍。另一方面，如果出现故障或问题，责任的划分是整个社会治理体系、政策层面的问题。我相信人类已经经过了这么多年、这么多次的技术浪潮，会有办法解决的。

王鹤：其实机器人在工业自动化当中的应用，跟未来具身智能机器人在各行各业的应用，既有不同也有很强的相似性。

如果我们交付给工业客户，他不管你是具身的还是传统的，主要看你做这道工序的成功率是多少。交付以后，如果某一个环节失败导致产线停工，跟员工出错导致产线停工一样，就是罚钱。所以如果我们今天讲对经济活动的影响，很简单：具身智能机器人一定要做到像人一样干好活，并且在经济任务上能负责任。

更长远的其实是具身机器人与人类在一些复杂决策、又有体力又有脑力的交付当中，怎么讲清楚权责。我觉得从现在agent的大面积使用来看，未来能慢慢给出我们一个方向和方案。

比如今天使用这么多coding agent，写了bug到底是谁的责任？肯定还是使用这个coding agent的人，他的使用没有做很全面的评测。未来在产线里使用具身机器人，谁为他负责？是不是也是产线的管理者，背后是技术漏洞还是管理漏洞？再往更远的未来，全部都是AI、没有任何人类，谁为它负责？我相信我们会一步步探索出背后的体系。

九派财经记者：林婉娜

编辑：万珮

【来源：九派新闻】

声明：此文版权归原作者所有，若有来源错误或者侵犯您的合法权益，您可通过邮箱与我们取得联系，我们将及时进行处理。邮箱地址：jpbl@jp.jiupainews.com

【来源：九派新闻】

声明：转载此文是出于传递更多信息之目的，若有来源标注错误或侵犯了您的合法权益，请作者持权属证明发至邮箱newmedia2023@xxcb.cn，我们将及时更正、删除。内容咨询及合作：19176699651；yuanshipeng@xxcb.cn。

举报/反馈