2025，中国大模型不信“大力出奇迹”？

生成式AI狂奔三年，2025迎来架构创新的大年，三条脉络交织演进，伴随着Scaling law（规模定律）遇到天花板的争议，开始定义AI进化的新范式。

第一条脉络是认知的深化：从“直觉”走向“逻辑”。2025 年一线模型的共识性演进，是通过强化学习（RL）配合更长的中间推理，让模型从近似 System 1（快思考）的快速模式匹配，逐步过渡到更接近 System 2 （慢思考）的多步推理。

第二条是维度的突破：从“语言”到“物理空间”。 李飞飞强调的“空间智能”（Spatial Intelligence）让AI的演进逻辑从“理解描述世界的符号（语言）”开始进化到“理解世界本身（物理）”。

第三条是效率的重构：从“暴力美学”到“性价比”。 在产业落地层面，技术的演进逻辑最终回归到极致的算力效能比。为了支撑深度推理和空间理解，模型架构必须变“轻”。

以MoE（混合专家模型）和稀疏注意力（Sparse Attention）为代表的架构革新，成为解决无限上下文（Infinite Context）算力崩塌问题的关键。

2025年12月，在腾讯科技HiTechDay上，以《模型再进化：2025，智能重新定义世界》为主题的圆桌论坛，正是围绕大模型进化的深度、维度、效率三条线索展开。

华中师范大学人工智能教育学部助理教授熊宇轩为嘉宾主持，三位嘉宾北京智源人工智能研究院院长王仲远、面壁智能联合创始人、首席科学家刘知远、峰瑞资本投资合伙人陈石分别从各自的领域，解读2025对于大模型进化的深入观察。

王仲远指出，大模型的进化正在经历“从Learning from Text到Learning from Video”的质变。视频数据中蕴含了丰富的时空信息与动态交互线索，为模型学习物理世界动态演变规律提供了关键的数据来源，同时也是当前最容易规模化获取的一类多模态数据，是AI“从数字世界迈向物理世界”的关键桥梁，也为具身智能（Embodied AI）的爆发提供了构建“世界模型”的底座。

刘知远提出的“密度法则”（Densing Law）认为，如同芯片摩尔定律，AI的未来在于不断提升单位参数内的“智能密度”。他大胆预言，未来的算力格局将是“云端负责规划，端侧负责做事（执行）”，到2030年，我们甚至有望在端侧设备上承载GPT-5级别的能力，这正是中国AI在算力受限环境下实现突围的核心路径。

回归到大模型公司落地的现实，陈石认为，中美、开源与闭源形成的“双核驱动”格局已定，商业化的“护城河”已演变为“算力、能力、生态”的三层金字塔。在ToB与ToC的夹缝中，“ToP（ToProfessional的专业型用户）”将率先跑通商业闭环。

对于创业者而言，机会不再浮于表面，而在于“在大模型难以触及的行业深处”，努力建立一个能够跨越模型迭代周期的商业结构。

以下为圆桌实录，不改变原意的情况下有删减调整：

01 2025年大模型进化的三大关键词

熊宇轩：首先请各位嘉宾用最简单的语言总结一下，2025年让您印象最深刻的模型能力进化的关键词、关键技术，以及大模型产品。

王仲远：我认为2025年很重要的变化是大语言模型进入到相对成熟的阶段，开始进行效能优化和商业化落地。同时，多模态技术进入到了一个突破变革的新阶段，人工智能正在加速从数字世界迈向物理世界。

刘知远：大家看到的是智能体、深度思考，以及大模型在数学、代码等专科上变得越来越强。我想它背后的关键词应该是强化学习。

陈石：我从另一个角度观察，觉得有一个关键词叫“双核驱动”。这是两层意思：第一，开源大模型和闭源大模型双核驱动。第二，中国和美国两个国家的企业和人才的双核驱动。特别是2025年，中国的大模型迎来了破局之年，这是让我们最激动的。

02 Scaling Law见顶了吗？模型迭代的新范式

熊宇轩：最近OpenAI和Google的SOTA模型之间的竞争非常白热化，一个趋势是单纯堆算力、堆参数的边际效益在递减。

第一个问题给到王院长，您认为在2025年，所谓Scaling Law是否触及到了天花板？如果参数不再是唯一的标准，智源目前在训练范式上有哪些核心的新红利？

王仲远：我认为Scaling Law是否见顶要分模型类别来看。在大语言模型上，因为互联网文本数据的枯竭，它的性能提升速度不像原来那么快了。但另一方面，近期像Gemini 3 Pro以及智源发布的悟界·Emu3.5，都是在多模态上发现了新的提升点。

我认为大模型的提升，会从原来仅从文本中学习（Learning From Text）进化到从视频中学习（Learning From Video）。视频数据的量级是互联网文本数据的百倍、千倍乃至万倍，这些数据还没有被非常有效地用来做多模态模型的训练，这是未来大模型新的发展机会。

熊宇轩：下一个问题请问刘教授，面壁一直主张提升模型“能力密度”。我们过去的惯性思维是小模型意味着智商缩水，但面壁发布的MiniCPM系列模型完成了一些越级挑战。

您认为小模型变聪明的物理极限上限在哪里？未来是否会出现云端负责规划、端侧负责执行的格局？

刘知远：它一定有一个物理上限。我们提出的“密度法则”发现了一个类似于芯片摩尔定律的大模型发展规律，即我们可以做到每100天，就让模型的密度变得更高。正如芯片的摩尔定律是通过技术创新实现的，我们也需要通过更精细的技术创新，把更多知识压缩到更小的空间里去。

从动态的眼光看，这个密度会持续提升。它的物理极限是什么，还需要我们对人工智能的技术理论有更好的建构。此外，端云协同也一定会是未来。我们不需要一个AI的杨振宁来服务每个人的生活，但我们需要在云上有非常多方面的专家，端和云一定要有分工。

熊宇轩：下一个问题请问陈总，在投资人眼里，2025年大模型公司的“护城河”是否发生了改变？以前我们总说算力、数据为王，现在是否变成了能力、应用或生态为王？

陈石：大模型是一个赢家通吃的行业，全球留不下几家。它的“护城河”是多元化的，我理解是三层结构。

最底层是算力的获取、组织和有效利用。第二层是模型的能力，这关乎模型的上限，如果不能一直维持在SOTA（State-of-the-art）的领域，就会慢慢落伍。第三层最重要的是生态，包括是否能通过应用触达用户、是否有合作伙伴共同触达用户、以及能否通过前两者源源不断地获得数据反馈。所以基础是算力，中间是能力，上面是生态。

03 从玩具到工具：智能体的商业化瓶颈

熊宇轩：2025年被称为“智能体的商业化元年”，但用户普遍反馈DEMO很丰满，实战很骨感。想请问王院长，您认为目前智能体从玩具变成工具，最卡脖子的技术点是什么？

王仲远：我认为有三方面原因。

第一，基础模型的能力仍有欠缺，尤其在最核心的推理能力上还有提升空间。

第二，当模型进入各行各业解决领域问题时，需要根据领域数据做进一步训练/对齐，但现在经常会出现“翘翘板效应”，即某方面能力增强时，其他能力又减弱。

第三，模型的记忆和遗忘机制存在问题。人类学会开车后不会突然忘记炒菜，但模型在这方面还有很多问题需要解决。

熊宇轩：下一个问题想请问刘教授，面壁在端侧智能体上做了一些探索，您认为端侧和云端做智能体最大的区别是什么？如何解决手机算力有限的情况下，智能体既要反应快又要想得深的矛盾？

刘知远：端侧是智能体落地非常重要的方面，包括具身机器人、车、PC和手机。终端是距离用户最近的地方，能满足隐私、实时、稳定的需求。但挑战在于端侧算力有限，这需要我们用更高的“密度”让模型具备更强的能力。

端侧智能体距离用户最近，需要对全模态数据有很好的感知理解能力，对用户有很好的个性化服务能力，并对外有很好的行动指令生成能力。这和主要处于数字世界的云端智能体是比较大的区别。

熊宇轩：陈总，您认为2025年最能赚到钱的Agent是什么样的？是B端替代初级员工的员工，还是C端的个人生活伴侣？

陈石：我去年曾提出一个观点：在 ToB 和 ToC 之间，其实存在一个ToP（To Professional）的高价值地带，也就是面向‘超级用户’或‘专家型用户’的市场。

纵观中美，目前 AI 行业变现效率最高的正是 ToP。无论是火热的 AI Coding，还是创作者经济中的付费工具，逻辑都是如此。即便 ChatGPT 拥有海量周活，绝大多数也只是‘打酱油’的免费用户，真正贡献商业价值的还是付费的专业人士。

关于未来演进，我有三个看法：

1.ToB（企业侧）是‘攻坚战’：它正逐渐渗透，但门槛很高。企业对流程和合规极其敏感，所以目前落地最好的是‘流程型 Agent’——比如保险银行的合规审查、客服或营销助手，嵌入特定环节实现自动化。但在中国，ToB 的全面爆发依然很难。

2.ToC（消费侧）还很遥远：为什么 ToC 现在挣不到钱？一是因为能力不够，现在的 AI 体验并没有显著超越移动 App，无法独立存在；二是因为载体缺失，手机和 PC 已是存量，没有新硬件带来新的流量红利。

3.商业模式存在悖论：互联网沿用的是‘羊毛出在猪身上’的广告模式（注意力经济）。但这在 AI 时代不成立——除非依靠端侧模型，否则云端模型的 Token 成本远高于广告带来的 ECPM 收益，这一账算不过来。所以 ToC 还需要经历漫长的迭代。”

04 奔向物理世界，具身智能的挑战

熊宇轩：我们知道具身智能是下一波浪潮中非常重要的一环。

第一个问题给到王院长，智源今年发布的具身智能大模型RoboBrain对于促进具身智能的落地有什么作用？

王仲远：具身智能产业还处在非常早期，需要有足够的耐心。智源在这方面布局较早，我们发布的“悟界”系列大模型，承载了智源的预判：人工智能正从数字世界迈向物理世界。其中，世界模型和具身大脑与具身智能的关系最为密切。

我们10月底发布的多模态世界模型Emu3.5，它从视频中学习时空、因果、意图等信息，致力于预测下一个时空状态（Next-State Prediction），而不仅是生成视频。在具身大脑方面，我们发布的RoboBrain系列模型，包含了对外界的感知、规划、决策能力，用大脑模型监督小脑模型的学习，使其具备更强的泛化性。目前RoboBrain已和国内30多家机器人企业开展合作，进行适配和落地。

熊宇轩：请问刘教授，机器人对实时性要求很高，在您的构想中，未来机器人应该有多少“脑容量”留在本地？

刘知远：未来具身机器人应该也会有“大小脑”之分。离行动和感知越近的，越需要留在本地；需要长时间深度思考的，可以放在“大脑”部分，甚至利用云端资源。至于边界在哪，现在还很难准确判断，因为软硬件都在快速迭代。

但根据主流芯片厂商的规划，我们可以保守估计，到2030年，一个类似手机的端侧芯片可以承载一个接近600亿参数的模型。如果我们沿用“密度法则”，届时在机器人、PC、手机上，至少能加载GPT-5以上级别的模型能力。

熊宇轩：接下来问到陈总。站在2025年的时间节点，如果您有一大笔钱，您是投给做极致灵巧手的硬件公司，还是投给做通用机器人大脑的软件公司？

陈石：如果二选一，无疑智能是最重要的。今天的大模型AI要走向物理世界，物理智能是代表智能跃迁的未来。但反过来说，硬件也可以反哺软件，特别是在中国这个环境里，硬件比重可能会更重一点。

最理想的应该是软硬结合，就像iOS一样。所以我们投资的公司，原先做硬件的也会做软件，做软件的也会做硬件。

05 开源生态与中国AI的突围之路

熊宇轩：最后想请问王院长，您认为智源的开源生态，是否能够成为对抗封闭生态的关键一极？

王仲远：智源从成立之初就坚持开源、开放的精神。我们这样做不是为了对抗谁，而是因为人工智能行业过去几十年的快速发展，离不开开源开放的生态。

无论是学者第一时间公开研究成果，还是企业基于开源项目做优化，都推动了技术的进步。未来几十年，我们依然需要坚持这种精神，才能推动技术的普惠和产业化落地。

熊宇轩：请问刘教授，您认为端侧的高效模型，会不会是中国AI弯道超车的重大机会？

刘知远：我认为不只是端侧。我们提出的“密度法则”不仅适用于端侧，也适用于云侧。通过技术创新提升模型密度，可以降低云上模型的训练和使用成本。这对于在算力上存在短板的中国具有非常重要的意义。过去两年，我们并没有因为算力被“卡脖子”而妨碍AI的快速发展。以DeepSeek和面壁智能为代表的国内许多团队，都高度重视高效大模型技术，这是我们取得这场科技革命竞争优势的独特技术路径。

熊宇轩：最后一个问题给到陈总，展望2026年，您能给创业者一句最关键的建议吗？

陈石：我特别赞同前面两位老师说的，开源大模型可能是中国一个国运级的机会。我们集全国的力量支持几个好的开源模型，在这个基础上拼应用、拼生态，是很好的路径。

至于给创业者的建议，就一句话：上半句是“在大模型难以触及的行业深处去寻找创业机会”，下半句是“你要努力建立一个能够跨越模型迭代周期的商业结构”。通俗点说，就是不要做太通用的东西，要建立一个能充分享受模型红利、而又不会被模型迭代所淘汰的商业模式。

熊宇轩：中国AI的突围之路，既需要开源生态的包容，也需要端侧创新的精准发力，更需要资本和科研之间的同频共振。

希望今天圆桌论坛的思维碰撞能给大家带来启发，谢谢三位嘉宾非常精彩的分享，谢谢大家！

本文来自微信公众号“腾讯科技”，作者：郭晓静，编辑：徐青阳，36氪经授权发布。