9月12日，AI创新者大会暨第三届提示工程峰会（PEC 2026）在北京中关村东升科技园众智园举办，主题为“Won Token， Won World”（赢得Token，赢得世界）。作为本届大会的第一个核心环节，主题为“2027，我们需要怎样的模型？”的开场对话率先展开。
本次对话由PEC发起人、至顶科技创始人兼CEO高飞主持，中国信息通信研究院人工智能研究所所长魏凯，面壁智能多模态首席科学家、清华大学人工智能学院助理教授姚远，清智资本及清智孵化器负责人张煜，清华大学人工智能学院助理教授、元环智能创始人兼首席科学家刘子鸣四位嘉宾，围绕模型能力与评测、计算与部署形态、模型架构与前沿研究、产业应用与创业机会四个维度展开讨论。
高飞在开场直指一个现象：眼下，模型更新的速度已经快到让大家有些应接不暇：新模型发布，Benchmark刷新，能力边界扩张，几乎成了AI行业最熟悉的节奏。但与此同时，模型能力扩张、benchmark设计、企业侧应用落地是否也在沿着同样速率同步发展？这一问题成为整场对话的起点。
PEC发起人、至顶科技创始人兼CEO高飞
话题一：模型演进与应用体感，进化速度和扩散速度的落差
从产业层面，魏凯援引信通院的一组观察数据指出：今年上半年平均每2.8天就有一个前沿模型发布。魏凯认为，模型指标和用户体感之间存在落差，落差可以拆成三个方面。
第一是Benchmark本身的局限：“模型公司都希望把最好的一面呈现给外界，但是Benchmark分数其实只是对模型能力一个非常稀疏的采样。模型能力是非常全面的，如果用户实际使用时，刚好和Benchmark采样的点不一样，就可能产生落差。”第二是模型本身越来越难被准确测量：“一套Benchmark无法穷举真实世界中的所有场景，模型越趋向通用，对它进行完整评价也越困难。”而第三个原因，在魏凯看来更加值得产业注意：“现在模型能力的进化速度，远远超过了技术在行业里扩散的速度。我们已经有了很好的模型，但是把模型真正用起来的水平其实是滞后的。用户自身的知识、数据治理、知识库，包括自己的环境能不能支持这个模型施展手脚，这些都会造成更大的落差。”
中国信息通信研究院人工智能研究所所长魏凯
从创投层面，张煜的观察同样围绕速度。清智本身孵化了上百家AI公司，张煜观察到一个明显的速度错位问题：一方面，现在模型变化快，新模型出来后，旧模型会被替代。另一方面，模型发展的速度，远远超过模型应用推广的速度。“很多基于模型做应用的创业公司，应用刚刚做出来，还没有推广，新的模型又上来了，一下就把它覆盖掉了，这确实是很大问题。”
这种变化，一方面影响创业群体的关注点，另一方面甚至影响创业公司的产品架构。张煜观察到，首先，“大家正在从追求模型的能力，慢慢转移到追求解决问题的能力。因为模型能力发展特别快，但是应用没有那么快，最终还是要解决问题。”其次，一些新兴创业公司最初设计产品时，就已经开始考虑如何适应模型的快速迭代，不会绑定一个专有模型，而是在不同的模型体系里做适配，提前做一些接口和相关预研。
清智资本及清智孵化器负责人张煜
从落地层面，姚远判断不同的智能路径：“智能不可能只存在于云端，一定是云端和端侧并存的方式。”面壁智能选择的端侧智能路线，建立在需求和技术两条线上。
需求侧，智能的发展与过去计算的发展具有一定相似性。“今天的计算体系既有云计算，也有PC和手机上的个人计算。随着芯片能力持续提高，很多过去必须依赖大型计算系统完成的任务，已经能够在个人设备上直接运行。”这种趋势同样会发生在智能领域：“端侧模型首先解决的是一些非常现实的问题，比如隐私、数据保护、无网络环境、低延迟以及功耗。只要技术条件允许，很多用户天然会希望一部分智能直接发生在自己的设备上。”
技术侧，姚远提到一个现象：“100B模型能够达到的性能，可能再过一年，10B的模型也能达到了。这说明模型的‘智能密度’正在逐渐提高。”姚远认为，这也是端侧模型与云端模型在设计逻辑上的重要区别。“云端模型更追求智能的容量，目标是在一个模型中装入尽可能多的能力。端侧智能更多要看智能的密度，目标是在功耗、内存和推理速度都严苛限制的条件下跑出一个好效果。”因此，对于端侧智能而言，问题已经不是单纯把模型缩小，而是如何把每一个参数、每一份算力用得更有效率。
面壁智能多模态首席科学家、清华大学人工智能学院助理教授姚远
从模型层面，刘子鸣借用《三国演义》“天下大势，分久必合，合久必分”这句开篇指出：“当下Foundation Model处在‘合’的阶段，一个通用模型解决所有问题，但久而久之‘分化’也会随之而来。”刘子鸣指出，这种分化首先来自通用模型自身的能力边界：“现在我们希望一个通用模型能够解决所有问题，它确实能够很好解决文本和符号相关的问题，包括Coding、Math，这些问题可能只占我们真实世界的30%。但剩下的70%是跟物理世界相关的，包括世界模型、AI for Science，这些是现在Transformer范式没有办法完全包含进来的。”
为什么会出现这样的差异？刘子鸣解释，“自然语言、代码、数学公式等信息，本身已经经过人类长期抽象和符号化，已经压缩过一遍。Transformer只不过是我们找到的第一个能够把这块‘压缩饼干’吃下去的模型，因为它胃容量很大。”下一步需要突破的，可能正是那些尚未被充分符号化的领域。刘子鸣指出，“不同的领域，尤其是那些没有被符号化的领域，都应该有各自适合的模型，还等待着我们去发现。”
清华大学人工智能学院助理教授、元环智能创始人兼首席科学家刘子鸣
话题二：从数字世界到物理世界，模型演化的下一站
随着大模型从通用信息处理，进一步进入企业生产系统、终端设备和物理环境，产业需要解决的问题也从模型能力本身，延伸到数据组织、软硬件协同和新的模型架构。在第二轮讨论中，高飞将问题进一步指向未来：“当模型能力继续提高，中国AI产业还需要建设哪些基础能力？模型从数字空间走向物理空间之后，哪些技术问题会变得更加突出？当基础模型自身能够完成越来越多任务，应用层和创业公司的价值又将如何建立？”
模型能力之外，魏凯把中国AI产业最紧迫的基础能力首先落在数据侧。“我们观察发现，很多企业已经不再去做基础模型或者垂直模型的研发微调，而是需要把自己积累的、不能出域的数据，做好整理、加工、治理，变成语义，变成可以被Agent操作的本体。”魏凯认为，这会成为大量企业未来亟需持续建设的能力，成为自身一个很宽、很深的护城河。围绕这一方向，中国信通院也在推动企业级语义层、本体建模等相关研究。魏凯表示，这类能力本质上是在模型与企业真实资产之间搭桥，“如果没有这个桥梁，模型很难真正进入企业工作”。
面壁智能正在把多模态积累延伸到机器人赛道，如果说手机和PC仍然主要处理数字世界中的信息，那么具身智能机器人则要求模型直接感知并作用于真实环境。姚远认为，这构成了具身智能模型与此前多模态模型之间最重要的变化，就是从数字空间走向物理空间。
姚远指出，物理智能范式下有两个突出特点。第一是数据稀缺的问题：“物理世界最大的区别是，我们并没有像互联网一样现成的数据，让模型可以大量学习。所以现在很多重要问题，都是围绕怎么解决数据稀缺性展开。”第二是数据和硬件绑定的问题：“物理数据的准确性要和硬件绑定在一起才能得到验证。而信息世界的数据在哪里采到都统一有效，物理智能因此需要更宽、更延展的infra定义，以及和整个链路上的硬件绑定。”因此，进入物理智能阶段之后，模型、数据和硬件之间的关系也会更紧密：“在物理智能的范式下面，模型和硬件可以快速协同设计，一起定义、一起进化。”
围绕模型能力扩张对创业者的影响，张煜给出了一个反直觉的双边观察：一边，小型和年轻团队往往表现出更快的适应速度。“越是小的公司，越是年轻的公司，它驾驭新东西的能力往往越强，跟着新事物的速度越快。有的小公司没有几个人，但是跟得特别快，做出来的东西也非常前沿，甚至会提前看新的模型发展，提前做准备。”另一边，组织规模越大也越可能形成路径依赖：“公司一大，有了体系，船大就不好掉头。而且总想把自己的能力加入模型，希望扩大自己的价值，但这个过程有时候也可能和模型本来的能力发生冲突。”
张煜由此推出更长远判断，随着模型进一步增强，一些过去被认为属于企业内部知识和经验的能力，也需要重新评估：“人类所有能够传承的知识，首先一定是人类能够理解的，第二是能够写下来、记录下来的。凡是有规律性的事情，能够描述出来的，也许模型用不了多长时间，就可能做得比人类更好。”但这并不意味着应用公司的价值会随之消失，张煜强调：应用端还会涉及硬件、优化、美学设计、流程、推广、培训等一整套环节。因此，相比依赖某一个模型暂时不具备的单点能力，完整解决真实问题的能力，可能成为应用公司更加稳定的价值来源。
刘子鸣看到的下一步突破有两个方向。一是世界模型：即使人类已经掌握了牛顿力学等基本规律，一个具体系统里的初始条件、边界条件以及复杂环境，也未必能够完全通过符号表达出来，“物理世界很多东西是很难被符号化的。”二是AI研究：“现在很多人在做AI研究，绝大多数还是用现在的大语言模型去做。在我看来，有点像猴子试错，你给猴子无穷长时间、很多次试错机会，它总能打出一本《红楼梦》，但过程极其低效。背后的根源在于，AI背后的科学，我们还没有写出这本教科书。”在刘子鸣看来，“AI研究现在还处在‘亚里士多德时代’，还远远没有到达‘牛顿时代’。”模型能力已经快速发展，但如何形成一套更加系统的“AI科学”，并进一步利用AI参与模型研究本身，仍有大量基础问题需要探索，而这也是元环智能的研究方向。
话题三：从企业选型到创业方法论，2027年从业者需要什么能力
模型演进正在进一步加快技术能力的普及速度，也在改变企业、创业者和研究团队之间的竞争方式。对企业而言，单纯获得模型已经不是主要门槛，能否理解模型能力边界、建立适配自身业务的数据和知识体系更为重要；对创业者而言，技术功能的领先周期正在缩短，快速学习和商业化能力的重要性进一步提高；对研究团队而言，在有限资源条件下寻找更高效的方法，也可能打开新的创新空间。围绕面向2027的准备，高飞在最后一轮将问题落到具体从业者：“当模型仍将持续变化，今天最需要建立的能力是什么？”
魏凯从用户角度出发，对模型的未来期待归为三重：更聪明、更安全、同时保持合理的使用成本。除三重期待之外，他给企业的建议是回到能力边界的清晰认知：“企业到底想要模型做什么？”只有在明确任务、数据、安全、成本以及业务流程之后，模型选型才具有真正的判断依据。
姚远最期待的是“端侧模型的智能密度”：“整体上，我们还是坚持提高智能密度。从模型结构、训练、高效训练以及高质量数据等几个方面，让模型的智能密度越来越高。”做法上，面壁智能继续在模型结构、训练方法、高效训练和高质量数据几个方向推高智能密度，让端侧模型达到大规模落地的水准；全工全模态也在持续推进，让端侧AI从今天的“能用”走向明年“好用”。
张煜表示，过去投资项目往往同时关注技术先进性和落地能力，而今天创业者本身还需要更快速更新知识体系：第一是快速迭代自己的技能和知识；第二是更加关注场景和商业化；第三是培养想象力和创造力：“随着AI能力增强，模型的推理能力把底层工程能力补上，所以人类的想象力和创造力可能会变得更加重要。”随着模型逐步降低技术实现门槛，如何提出新的需求、找到新的产品形态和商业场景，也将成为创业团队的重要差异。
刘子鸣把视角放在小型AI实验室的机遇上。一方面，如果小团队完全沿用大型实验室的资源投入模式，优势并不明显，所以可以采用“巧劲”：“如果让语言模型去‘摇奖’，堆很多算力，给它无穷长的时间、无穷多的预算，它总能够摇出一些东西。但是我们希望追求的是一个更高效、更聪明的东西。”另一方面他认为，优秀研究者的能力，并不是来自实验数量本身，而是能够从有限实验中形成抽象认知：“模型设计空间、训练空间其实非常大。一个研究者可能只做过1000个或者1万个实验，如果靠穷举肯定不够。但是顶尖的AI研究员能够从比较少的实验里面抓大放小，进行一定的压缩，抓到背后的本质。”
谈及AI研究的未来，刘子鸣认为，“AI研究本身还具有一个不同于传统物理实验的特点，物理世界需要很多闭环，需要你去做实验。但是AI的世界，它自己就能够形成闭环。”在这一背景下，小型AI Lab的机会未必来自资源规模，而可能来自新的模型架构、研究方法以及人机协作方式。
面向2027，大模型的演进仍将持续，但技术发展的衡量维度正在变得更加丰富。从能力提升到效率优化，从数字空间到物理世界，从模型本身到数据、硬件和应用体系，人工智能正在进入更加系统化的发展阶段。如何让持续增长的模型能力更好地服务真实需求，也将成为产业下一阶段共同探索的重要课题。
