🔗 原文链接：https://www.infoq.cn/article/iHkvlLuTCWNJv27eJ1XY

📅 原始发布日期：2026 年 5 月 8 日

📝 来源：InfoQ 深度访谈

📌 核心问题

2026 年，人工智能正处于阶梯式发展的平台期。预训练 Scaling Law 的红利趋近耗竭，可用于模型训练的互联网高质量数据见顶，继续扩大模型规模的边际收益显著下降。后训练范式同样存在局限——奖励函数的设计复杂度已经堪比当年的特征工程，本质上是在既定框架内反复调优。

在这样的背景下，OpenAI 与 Anthropic 几乎在同一时间抛出最新模型更新（Codex 5.3 与 Claude 4.6），被开发者社区解读为一个清晰信号：大模型能力正在逼近阶段性上限，而行业正在集体寻找新的突破口。Agent，正在成为这个突破口的核心载体。

中关村人工智能研究院副院长郑书新认为，Agent 不仅仅是大模型的应用层封装，它本身就是基座模型——是当前业界押注智能性提升的主要技术路线。预训练数据见顶后，Agent 通过与环境交互、调用工具来发现全新的高价值合成数据，可能存在新的 Scaling Law。

📊 关键数据与事实

  • 中美算力差距：xAI 已有 80 万张 H100 级别集群，国内头部六小龙基本在 5 万张上下
  • 中美数据差距：美国正在系统性采集长程、复杂、高难度的专业级数据，单条价值可达上千美金
  • Coding Agent 落地案例：斯坦福和中关村学院均开设零代码 AI Agent 编程课程，零基础学生四个半天即可产出可运行 Demo
  • 产业判断：2026 年将是 Agent 在真实场景中集中落地的关键一年
  • 模型竞争格局：Kimi K2.5 作为 Agentic 模型表现亮眼，基座模型中 GLM-4.7 领先，DeepSeek-V3.2、Qwen3、MiniMax-M2.1 也都不错

🏗️ 技术架构与核心观点

  • 阶梯式跃迁规律：AI 发展遵循阶梯式跃迁，当前处于平台期，需要全新范式突破
  • Agent = 基座模型：Agent 不是应用层封装，而是通过环境交互发现新数据、可能存在新 Scaling Law 的基座模型
  • 预训练瓶颈到合成数据解法：预训练数据见顶后，合成数据的本质是在超高维语言空间中搜索新有价值数据
  • 下一代突破方向：运行时学习（Runtime Learning）、记忆机制、自我迭代训练、内在动机驱动的奖励机制
  • Coding Agent 颠覆：从团队打磨 3 个产品到个体开发 100 个产品，概率和路径被彻底改变

🔑 关键洞察

Agent 是基座模型而非应用封装 — 预训练 Scaling Law 红利耗竭后，Agent 通过与环境交互、调用工具来发现全新高价值合成数据，这可能是通向 AGI 的新 Scaling Law。不是给大模型加个壳，而是让大模型在行动中自我进化。
中美核心差距不在技术路线而在数据与算力 — 技术路线已趋于透明，但美国正在系统性采集专业级高质量数据（单条价值上千美金），算力集群规模是国内 16 倍。这意味着我们更需要巧妙精细的设计，省着用才能做出东西。
Coding Agent 正在重塑软件开发的基本逻辑 — 从一个团队精心打磨 3 个产品变成个体快速开发 100 个产品。零基础跨背景学生四个半天即可独立做出产品，这种能力复制在以前不可想象。
垂域模型的生存空间可能只是讲故事的空间 — 通用大模型（GPT-5.2、Gemini 3）已经非常强大，很难找到某个垂域能超越它们的专用模型。做垂域应用应该基于通用模型做好 UI 和范式，而非自研垂域模型。

💭 引发思考

这篇访谈最令人深思的观点是：Agent 不是大模型的应用层，而是大模型进化的下一段。当预训练数据见顶、后训练收益递减时，让模型在真实环境中行动、犯错、学习，本质上是在开辟一条全新的数据获取通道。这与强化学习的核心思想一脉相承——通过与环境交互来发现人类未曾标注的知识。

另一个值得警惕的信号是中美在数据层面的差距。美国头部公司已经在系统性地采集编程、金融、法律、咨询等领域的专家级知识数据，这些数据推理链条长、多轮交互、涉及多种工具调用。这种数据壁垒一旦形成，可能比算力差距更难追赶。对于国内从业者来说，如何在数据层面建立自己的护城河，可能是比追赶模型能力更紧迫的问题。

📚 相关阅读

  • InfoQ 原文：OpenAI 与 Anthropic 双雄打擂台 — https://www.infoq.cn/article/iHkvlLuTCWNJv27eJ1XY
  • 36 氪同步报道：https://www.36kr.com/p/3671545639183236

逍遥云初 | 2026.05.15