如何跨越AI“同质化”困境与商业深水区？智源王仲远、银河通用王鹤、面壁智能李大海激辩：真壁垒在“场景闭环”，Scaling Law潜力无限

“对于一家专注于AI模型研发的企业而言，其长期的价值究竟源自何处？其核心的竞争优势又体现在哪里？甚至有人提出尖锐质疑，认为AI大模型公司最终可能会像传统的水电供应行业一样，虽然规模庞大但利润微薄。”

6月12日下午，徽声在线记者在第八届北京智源大会大模型产业论坛现场看到，会场内座无虚席，就连侧面的空地上也站满了热情的观众。在圆桌讨论环节刚刚拉开帷幕之际，主持人蓝驰创投管理合伙人陈维广便抛出了这些引人深思的问题。

这些问题背后，折射出的是整个AI行业正在经历的深刻变革。陈维广指出，大模型技术正从最初的狂热探索阶段，逐步迈向商业落地的深水区。与此同时，头部模型在第三方评测中的表现日益趋同，一款新模型发布后，往往在半年内就会有竞品迎头赶上，达到相似的核心性能水平。

在这场以“如何定义大模型时代的长期价值”为主题的圆桌对话中，智源研究院院长王仲远、银河通用创始人兼CTO（首席技术官）王鹤、面壁智能CEO（首席执行官）李大海，围绕技术“护城河”、Scaling Law的潜力边界、安全规则等关键议题，展开了深入而务实的探讨，给出了贴近产业实际的判断与思考。

图片来源：主办方供图

跳出评测榜单的“自嗨”陷阱：真正的壁垒在于“场景闭环”

针对“AI大模型公司无护城河”的观点，智源研究院院长王仲远首先给出了明确的否定回应。

王仲远认为，大模型的性能迭代远未触及天花板，行业的最终格局远未尘埃落定。无论是“一超多强”还是“多巨头并立”，甚至能力趋同，都有可能成为未来的行业态势。但当下，显然不是下结论的时候。他直言不讳地指出，当前各类评测榜单的参考价值有限，五花八门的排名让人眼花缭乱，不少结果甚至无法复现验证，缺乏科学性和严谨性。

“是骡子是马，拉出来遛遛。”在王仲远看来，真正的竞争壁垒在于大模型在真实场景中的落地能力。那些敢于进行真机现场演示的具身企业，以及勇于深入产业场景解决实际问题的大模型公司，才有可能跑通数据闭环，构建起真正的竞争壁垒。

身处具身智能赛道的银河通用创始人王鹤，则从实体产业的角度出发，给出了独到的见解。他认为，同质化焦虑更多集中在纯语言模型领域，若将视野拓展至多模态、视频理解等更广泛的领域，行业仍存在诸多变数和机遇。

王鹤透露，当前具身智能的技术路线正从VLA（视觉语言动作模型）向WAM（世界动作模型）收敛，行业整体仍处于GPT-1到GPT-2的早期发展阶段，谈同质化还为时尚早。未来，随着行业进入Scaling（规模化）阶段，一切都将加速发展，因此行业现在亟需大量资金支持，以推动技术的快速迭代和应用的广泛落地。

在王鹤看来，具身智能真正的“护城河”并非单一的模型能力，而是一整套完整的技术体系。这包括从源头的数据供给能力，到数据的提炼工艺，再到硬件迭代与软硬协同设计的功底，最后是模型吞吐融合与整套产品的交付能力。这是一场综合实力的比拼，时至今日，全球范围内尚未出现如此完整的一体化产品，因此其“护城河”仍然相当深厚。

面壁智能CEO李大海也表示不认同“AI大模型公司无护城河”的说法。他以Anthropic为例，指出这家当下美国估值增长最快的大模型公司，其核心竞争力从来不是“足够通用”，而是在通用底座之上，将代码能力做到了独步天下。

“大模型不能只有横向的通用能力，还必须有纵向的长板。”李大海说，“那纵向这部分能力怎么来？其实我很认同王鹤讲的闭环理念。”

李大海认为，必须将大模型视为引擎，引擎的设计与优化要与应用场景紧密协同。脱离应用场景谈模型能力，是没有实际意义的。他特别强调，一定要将技术的通用性和商业的通用性区分开来。通用的商业场景是很少的，往往好的商业化需要模型进行非常极致的优化。“护城河”可以有很多种形式，每个公司找准自己的方向后，都有可能实现好的发展。

“Scaling Law远未触及尽头”

在“护城河”争议之外，技术层面也有不少声音认为，互联网预训练数据已经枯竭，模型性能提升出现放缓迹象，Scaling Law已经面临失效。但在这场对话中，三位嘉宾却高度一致地给出了否定的答案。

王仲远表示：“从我个人的观点来看，我还是比较坚信Scaling Law还远未触及尽头。”他指出，目前后训练与推理侧的优化已经带来了新一波的能力跃升。Agent（智能体）、递归自进化等方向的探索证明，哪怕预训练数据见顶，AI的整体能力依然在持续提升。王仲远强调，提升的不一定是模型参数本身，而是整个系统的能力边界。AI正在变成能落地执行的生产力工具，为各行各业带来变革。同时，整个Scaling Law的曲线还在往上走，甚至带有指数增长的倾向。

王鹤则直言不讳地表示，银河通用和他本人都是Scaling Law的坚定信徒。他透露，对于行业从VLM到WAM的转向，早在WAM范式出现之前，银河通用就在VLA路线上用合成数据做了大量规模化实验，并证明了这条路的可行性。

“如今来看，具身智能正在迎来一个非常光明的Scaling up的时间点，这得益于WAM世界动作模型的出现。”王鹤说。他解释道，在VLA时代，所有数据都必须附带动作标签，Scaling只能依靠高成本的机器人数据。而在WAM时代，可以大规模复用人类视频数据，数据获取的局限性被直接打破，为具身智能的发展提供了广阔的空间。

王鹤预判，未来两年具身智能将全面迎来自己的GPT-3.5时刻。但要实现这一目标，需要千万小时级的高质量数据、百亿级的资金投入，再叠加成熟的大模型能力，才能叩开这一发展阶段的大门。

李大海则从端侧视角出发，补全了Scaling Law的另一块版图。他认为，端侧是Scaling Law的重要延伸领域，其核心落脚点在“技能”上。面壁智能提出的知识密度定律表明：大模型整体智能等于知识密度乘以参数量。虽然端侧设备资源受限，但知识密度的提升和量化技术的进步，使得模型可以在不增加资源消耗的前提下持续扩容，为端侧AI的发展提供了可能。

李大海表示，具身机器人本质上也是终端设备的一种，其模型能力和技能优化空间巨大。真正的瓶颈在于硬件物理条件而非算法本身。针对“端侧落地是因为云端太贵”这一观点，李大海指出这是Token（词元）经济学的一部分。以手机、汽车为例，消费者不会为AI能力每月订阅付费，终端厂商必须算清后续成本账。端云协同是必然方向，端侧资源虽有限，但凡是端侧能承担的任务就应优先放在端侧处理，这样综合成本才最低。

技术狂奔之后，安全规则体系将在实践中逐步完善

技术狂奔的另一面，是挥之不去的安全隐忧。当Agent开始自主执行任务，当具身机器人走入真实的物理空间，“AI会不会伤害人类”这一曾经只存在于伦理课上的思辨题，如今已经成为产业落地必须直面的现实风险。

关于这一问题，三位嘉宾也给出了各自的思考。王仲远表示，人和AI该如何共处，是行业需要深入思考的问题。任何新技术诞生，都会经历从恐惧到适应再到融入社会的过程。配套的治理体系、权责划分、政策规则等，都会在这个过程中逐步建立和完善。他以自动驾驶为例，软件厂商、硬件厂商、用户的责任边界，也是在技术落地的过程中一点点厘清的。AI智能体未来必然会经历同样的阶段。

王鹤从工业落地的实际经验出发，给出了更具象的观察。他接触的工业客户，无论面对传统机器人还是具身机器人，最看重的永远是工序成功率。设备出故障导致产线停摆，造成的经济损失和人工操作失误没有区别。对现阶段的工业场景来说，道理很简单：机器人必须先把活干得和人一样好，同时能承担对应的责任，这是最基本的要求。

真正的难题在于更远的未来，当具身机器人既要做体力活，又要做复杂决策时，人机之间的权责边界就会变得非常模糊。

王鹤以代码智能体为例进行说明：代码出了漏洞责任在使用者，那放到产线上，机器人出了问题责任在谁？怎么区分是技术缺陷还是管理疏漏？如果未来整个场景完全由AI主导，责任又该由谁承担？这些问题没有现成答案，但一定会在行业的落地探索中，慢慢形成公认的规则体系。

李大海则给出了最为直白的回答：“人类社会本来就是吃一堑长一智走过来的。”他拿民航安全规则举例，每条看似繁琐的规定背后都是事故换来的教训。在李大海看来，借助人工智能技术，发现、修补安全漏洞的效率得到了大幅提升。新技术落地难免遭遇问题、吸取教训并付出试错成本，但相比以往，试错代价会更低，这也是积极的一面。另一方面，企业和政府都很重视安全底线：企业从早期就主动承担社会责任，比如通过网信办的安全备案，确保大模型内容生成符合安全标准。但归根结底，吃一堑长一智的规律或许难以彻底规避。“安全问题总会从意想不到的角度冒出来，然后成为教训，推动社会治理不断完善。”