AI圈的会一年比一年难开但一年比一年值得去。难开是因为会上的信息密度实在太高正反双方各有各的逻辑稍不留神就被带偏值得去是因为那些正在决定行业走向的争论只有在现场听原话、看实机、问细节才能真正分辨出哪些是产品演示哪些是技术底座的变化。我在这个行业里写了五六年参加过无数场发布会、技术论坛和圆桌讨论今年最大的感受就一个字吵。从Scaling Law撞不撞墙到开源闭源谁走得更远再到Agent到底能不能真干活几乎每一场对话都有人在拍桌子。这篇文章就是为明天要去现场的你准备的一份今年的AI争论地图外加一套从入场、听会、逛展到复盘的全流程攻略。不管你是开发者、产品经理还是想借这个机会拓展业务的从业者按照这份攻略走至少能保证你听完一天下来心里有数手里有料回去能跟人讲清楚今年AI到底在吵什么。1. 先把“论战场”摊开今年AI吵的是哪几件事1.1 Scaling Law的“撞墙说”与“换挡说”Scaling Law中文常说“规模定律”大意是模型规模、数据量、算力按比例放大模型能力也会稳定提升。过去三年这个定律几乎就是整个行业的信仰赌的就是一件事继续堆料能力继续涨。今年这场架吵的正是这个信仰还灵不灵。一方认为预训练阶段已经吃到数据红利的天花板互联网上高质量文本快被用完了再堆数据边际收益明显下滑模型参数也不是越大越好因为训练成本、推理成本、部署成本全部跟着涨。另一方则认为Scaling Law没有死只是换了挡——重心从预训练阶段的扩大规模转移到了推理阶段的扩大计算。典型做法是让模型在回答前多思考几步或者用搜索、工具调用、验证机制反复校正相当于给模型加了一个考场验算环节。用生活里的话说以前拼的是题库容量现在拼的是解题策略。这个分歧直接影响你的技术选型。如果认同换挡说你关注的重点就不该是“谁家又开源了一个百亿参数大模型”而应该是“谁家在推理时计算、后训练、强化学习上做得更深”。明天听发布会的时候多留意一个细节对方讲的是更大的模型还是同样模型下更强的推理能力。这两者代表的投入方向完全不同也决定了你客户现场的体验上限。1.2 开源与闭源的生态拉锯开源和闭源的争论今年吵得尤其凶。闭源一方的主张很直接最顶尖的能力必须集中投入、集中维护通过API化交付才能保证体验和营收开源一方则拿着一些性能逼近闭源模型的开源权重举例说生态的胜利才是最终胜利开发者可以自己部署、微调、改代码不受服务商约束。两边各有各的商业逻辑也各有各的技术底气。对普通从业者来说这个争论真正影响的是你今天用什么方式把AI用到自己的产品里。选择闭源API上手最快效果通常也最好但缺点是黑盒依赖服务商的定价策略选择开源部署自由度最高数据不出内网但你需要自己处理部署、运维、微调、安全这些问题。没有绝对的好坏只有匹配不匹配。我见过不少团队一上来就追求“全流程自主可控”去搞开源结果模型是跑起来了产品却迟迟没法上线也见过团队图省事全用API结果业务增长之后成本高到难以承受。所以到现场听的时候别急着站队先想想自己的资源禀赋。明天在会场上还有个更细的看点各家说的“开放”其实不是一个意思。有的开放的是API接口有的开放的是模型权重有的只是开放了技术报告。这几种“开放”的商业含义差别巨大听的时候一定要当场问清楚。1.3 AGI定义的罗生门AGI通用人工智能这个词今年被用得越来越频繁也越来越混乱。有人认为AGI就是在所有认知任务上达到人类水平有人认为能自主完成长链条工作的系统就算AGI还有人的标准宽松到“能力在大多数任务上超越我”就算。这些定义之间的差距不是学术口味的差别而是目标设定的差别的。定义上的混淆会带来严重的沟通成本。一个团队说“我们距离AGI只差一步”另一个团队说“现在谈AGI都是在讲故事”两边可能都对因为他们说的根本不是同一个东西。很多时候大家吵的不是事实是定义。你在旁边听如果只记住结论很容易得出“大佬们意见不合”这种没有信息量的判断。所以我建议现场听的时候把AGI这个词当成一个品牌词而不是技术词来听。倒不是说他们没在做事而是判断一个团队有没有真正进展不应该听它把目标命名为AGI还是强人工智能而要看它拿出来的系统能完成哪些以前做不到的具体任务。目标口号可以宏大交付结果必须具体。2. 吵到应用层的三个焦点2.1 Agent到底能不能“自己干活”Agent是今年被提到最多的概念之一。争论的起点是大模型已经很强了但如果只是聊天窗口里的一问一答价值实在有限真正的价值应该是让模型自己用工具、调用接口、完成任务这就是所谓的智能体。吵得凶的原因很简单理想很性感现实很骨感。很多演示视频里Agent可以一口气完成查资料、写方案、发邮件的全流程看着非常震撼可真放到可交互的版本里任务稍长就会掉链子工具调用错了、上下文记不住了、一步校验不过来就卡住了。这一点论坛嘉宾和展台演示人员基本各有各的剧本一个讲逻辑一个讲实机两边经常对不上。我个人的建议是听Agent话题时不要去争论“Agent是不是伪需求”而是去关注三个具体指标端到端任务完成率、失败后的自动恢复能力、跨工具调用的稳定性。这三个指标里只要有一个能打这个Agent就是有真实价值的。至于哪个团队都解决不掉的难题反而是今年最有意思的机会点——问题越大说明留给做好的人的空间越大。2.2 多模态融合锦上添花还是底层重构大模型最初主要处理文本后来能看图再后来能生成图、生成视频、听懂语音、做实时翻译。这一步一步的打通让很多应用场景发生了根本变化。以前要做视频理解得先转文字再抽帧现在直接喂视频给模型就能处理。今年关于多模态的争论更多是关于融合的深度。有人认为多模态只是给文本模型加了个输入输出扩展本质还是原来的语言能力也有人认为视觉、音频这些信息进入模型之后会让模型的空间推理、物理常识、时序理解出现质的提升是一个新范式的开始。这个争论对不对普通人很难当场验证但我有一个相对可靠的判断方式看它是不是真的让同一个模型统一处理了多种信息而不是在外面套一层转写、转译模块。前者是底层融合后者只是工程外包。展台上一句话就能问明白。还有一个值得听的点是端侧模型。今年不少厂商在推手机、电脑上也能跑得动的模型主打隐私、离线、低延迟。这个方向与云上大模型不是替代关系而是分工关系。明天你如果看到“端云协同”这种提法可以追问一句多少任务在端上完成多少需要上云切换标准是什么。这个回答直接决定它在真实场景里的体验表现。2.3 安全对齐与能力释放的拉锯安全对齐简单说就是让AI的行为靠谱不胡说、不伤人、不帮人干坏事。今年这方面的争论越来越大。一方认为能力越强的模型越需要严格对齐甚至应该在发布前完成大量红队测试和价值观校准另一方则担心过度对齐会牺牲模型的能力和创造性让AI变得束手束脚。这两种主张背后都不是谁更正确而是风险与收益的权衡。对从业者来说这个问题直接影响你需要的模型是放得开还是信得过。同样是文档总结银行业务和内容创作的容忍度完全不同。银行业务宁可模型保守一点也不希望它自由发挥内容创作则希望模型有更强的发散性哪怕偶尔出错也能接受。如果你所在场景对稳定性高度敏感那安全对齐就不是一个可以跳过的环节而是产品上线的前置条件。在现场听安全相关的分享时重点不要放在“他们安全不安全”这种结论上而要放在他们做了哪些具体的评测、遇到了哪些失败案例、用什么手段解决这些过程信息上。过程比结论更值钱因为结论往往是立场过程才是可复用的方法。3. 明天参会前先做这四件小事3.1 把议程当成“争论地图”来读很多人的参会习惯是当天到了再挑场次这样容易错过关键东西。我的做法是前一天晚上把议程从头到尾读一遍标出每个论坛的核心冲突点。比如某个时段是“AGI路线之争”那我就提前把正反双方过去半年的公开观点各找两三篇看完知道他们各自的论据和软肋在哪里。这样做的好处是你到现场听的不是孤立的一句话而是一个有前情提要的连续话题。对方一开口你就能判断这句话是在延续旧观点还是出现了新论据。同样是说“Scaling Law遇到瓶颈”一个对过去研究有了解的人能听出他这句话是对谁的回应、在哪个环节上做了修正信息密度完全不一样。如果这次活动没有公开完整议程那就更简单了按讲者名单去查他们最近半年的公开演讲和文章梳理出每个人的惯用观点。到现场之后你会发现这些人的发言大概率还是围绕自己一贯的主张展开但偶尔也会有观点反转那是全场最值得记录的时刻。3.2 给每家厂商贴上“阵营标签”我习惯在笔记本上画一张简单的信息表按厂商列出几列技术路线是偏规模还是偏效率开放度是API开放还是权重开放主打场景是通用助手还是垂直Agent。听起来很粗但非常管用。因为很多厂商的发言都是包装过的标签能帮你快速回到骨架层面做对比。就像吃一道复杂的菜配料表可能很长但烹饪流派就那么几种。先分清流派再看细节你会发现会场里90%的演讲都在围绕前面提到的三四个争论点反复论证。看到这一点你就不会轻易被表面的热闹牵着走也更清楚哪些厂商是在同一维度上竞争哪些其实根本不在一个赛道。这个表格不需要很精确能帮你在听的过程中快速归档信息就够了。我每次参会回来这张表都会成为后续写作和决策的底稿比会议资料本身有用得多。3.3 列出自己的三个问题出发前先写下你最近工作中最困扰的三个AI问题。不要写“AI会取代我吗”这种宏大问题而要写具体的问题比如“我们的业务数据能不能安全地用来微调一个本地模型”“Agent在客服场景的可靠率目前到底是多少”“视频生成成本降到什么水平才适合做量产”。这三个问题是你一整天的导航仪。无论听演讲还是逛展台你都在用现场信息去回答这三个问题。一天下来哪怕其他信息全忘了只要能针对这三个问题各拿到一个有依据的答案这趟就没白跑。我见过太多人开完会回来聊起会场热闹头头是道但一问到自己业务该怎么改还是两眼一抹黑就是因为没有带着问题去。这三个问题也不要太技术化最好是你明天就能用来做判断的问题。比如“要不要下一个季度接入Agent功能”“我们当前的模型底座要不要换”这种问题能在现场得到真实素材回去就能直接推动决策。3.4 打包好现场装备最后说一点看起来很小但很影响体验的事。大型活动现场网络有时会非常拥挤截图发不出来是常事圆桌座位旁不一定有插座会后想整理录音结果发现手机存储不足。建议出发前把录音软件、云笔记、离线地图都准备好手机充到满电再带一个轻薄的充电宝。我还会在手机日历里给每个重点场次设置提前十分钟的闹钟。因为现场人流大换场需要走很远很多好位置只有提前几分钟才能坐到。有些热门论坛会排长队宁可早到十分钟也不要卡着点冲过去结果连门都进不去。这些小细节决定了你这一天是在追场还是在认真听。还有一个小建议穿一双舒服的鞋。听起来太琐碎但一天会下来展馆面积动辄几万平方米步数轻轻松松过两万。脚疼的时候注意力是撑不住的。4. 现场听会和逛展别被节奏带走4.1 主论坛听什么分辨产品叙事和技术叙事主论坛是全场信息浓度最高的地方但也最容易听成新品发布会。我的建议是把演讲拆成两层来听产品叙事和技术叙事。产品叙事讲的是“我们为客户提供了什么”“我们解决了什么问题”语气通常是激昂的价值是面向市场的技术叙事讲的是“我们用了什么架构”“我们改进了哪个模块”语气是平实的价值是面向开发者的。判断一个演讲值不值得细究就看它技术叙事的含量有多高。如果全程都在讲场景和理念没有具体的技术参数、没有公开的评测方法、没有可复现的案例那这部分内容的参考价值就非常有限。听的时候把那些你不熟悉的技术名词原样记下来会后逐个去查。不要在现场试图理解所有东西。信息过载时最有效的策略反而是“存疑并记录”而不是“强行理解后得出一个错误判断”。尤其是那些你没听过的架构名往往会成为后续判断技术路线的重要线索。4.2 展台实测的五个追问展台是整个活动里最实在的地方因为它有能上手演示的实机。但展台也是最容易“被剧本”的地方。任何厂商都不会主动展示自己系统失败的样子但你可以用五个问题逼出更多信息。第一你现在演示的这个东西跑的是哪个模型、哪个版本问清版本才能判断这是新成果还是老功能。第二能不能换一个我提供的输入试一下即兴输入无法提前排练它的成功与否最能反映系统的真实水平。第三这个功能的失败率大概是多少对方不一定给出精确数字但犹豫的表情和模糊的表述本身就是信息。第四有没有公开的技术文档或者测试集敢直接给文档的团队通常更自信也更经得起推敲。第五你们和某开源方案相比核心差异是什么这个问题能快速暴露对方是自研还是套壳也最能问出真正的护城河。这几个问题最好在展台前当着同伴的面问让对方帮你捕捉回答中的含糊之处。一个人听会容易漏细节两个人互相补充效果会好很多。4.3 圆桌讨论怎么捞干货圆桌讨论是“吵架”浓度最高的地方也是信息价值最参差的地方。有的嘉宾很坦诚会直接说“我们内部也还在纠结”有的嘉宾则永远在品牌话术里打转。想在有限时间里捞到最多干货最需要的是快速判断每个人值不值得听。我的策略是先听十分钟判断每位嘉宾的发言风格谁在给事实谁在讲立场谁在背稿子。锁定那些讲事实、讲过程的嘉宾之后他们说的每一句话都值得记录。而那些背稿子的嘉宾可以留到会后通过公开资料补课现场就不需要占据太多注意力。圆桌最后通常有开放问答环节这是现场观众唯一可以直接向嘉宾提问的机会。准备问题的原则是“越小越好”不要问“你怎么看AI的未来”要问“如果你只保留一个评测指标你会用什么”。小问题逼出真答案大问题只换来大话。哪怕只提一个问题也比全程只听不开口的值回票价。5. 现场信息过滤这些年最常见的几个信息陷阱5.1 新名词不等于新进展AI圈的造词速度比技术迭代速度还快。每隔几周就会冒出一个新概念包装得像是未来已来。但拆开看很多只是旧技术的重新组合甚至只是换了个好听的名字。在现场我常用的判断标准是这个新名词背后有没有一个可验证的量化结果如果只有形容词和愿景没有基准测试、没有样例输出、没有对比实验那它就还处于概念阶段。概念本身不一定是坏事但你不能把概念当成已落地的事实来做决策。遇到新名词先别兴奋把它当作一个待验证的信息留给后面查证。5.2 演示成功学分清录播和实机我最怕的一种现场演示是“预先录制好的视频”。视频里的AI永远表现完美但现实中你让它多做一步就会暴露原型机的稚嫩。这种演示不是没有价值但它的价值是路线展示而不是能力证明。分辨方法很简单看演示时确认操作是否是现场实时进行的如果对方说“这是离线生成的”就要追问“那在线交互版本什么时候能真正体验”。真正成熟的产品不怕即兴会害怕即兴的往往是还没到成熟期的原型。这个区别直接决定了你今天看到的成果能不能在短期内变成你能用的东西。5.3 参数与测评数字的滥用参数量、上下文长度、训练数据量这些数字很容易让人产生“越大越好”的错觉。但实际经验告诉我们参数量大不代表推理能力强上下文长不代表真能记住关键信息跑分高不代表真实业务里好用。明天在现场任何厂商报数字的时候你都可以在心里补一句这些数字做了什么评测评测集是谁出的和谁比的在什么硬件上跑的四个问题问下来数字的含金量基本就见底了。真正有底气的团队会主动给出评测细节避而不谈的数字的参考价值就要大打折扣。提示这不是让你变得愤世嫉俗而是让你把现场信息当作证据而不是结论。证据越多你回去之后做的判断就越扎实。6. 散会之后把“吵架”变成自己的判断6.1 当晚复盘三件事一天会下来如果不在当晚复盘第二天基本只剩零散印象。我的习惯是当晚回到住处先把录音粗听一遍把每个重点场次整理成五到十行的摘要再把白天拍的照片和截图按厂商归档最后把在展台得到的几个回答写成结构化的笔记。这一套动作花不了太多时间但能让现场信息的留存率高出一个数量级。很多时候会场上没来得及想明白的问题是在复盘时突然想通的。因为脱离现场嘈杂环境之后逻辑链条会清晰很多。你可能会发现本来争论不休的两个厂商其实底层技术路线完全一致只是包装不同也可能发现上午让你心动的Demo复盘时再想一想其实并不适配你的业务场景。6.2 建立自己的“观点-证据表”这是一个很个人化的工作方法。我会在复盘时建一个两列的表格左边是今天听到的各方观点右边是对应的支撑证据。比如听到“Agent已经可以替代初级运营人员”右边就写“展台实测十条任务成功七条失败时无法自动恢复”。观点可以很精彩但当观点落在证据旁边时它的分量会立刻变得客观。做完这一步你再向同事或团队转述时讲出来的就不只是“今天听到有人说……”而是“今天看到了什么、实测了什么、据此我们部门可以怎么做”。这就是信息转化为判断的过程。很多时候你在会场上的情绪波动会影响判断但一份白纸黑字的观点-证据表能帮你保持清醒。6.3 回到业务争论与你的关系最后把这些争论放回你自己的业务坐标里。一个技术团队不需要在“开源vs闭源”这种大话题上站队但需要决定自己的应用跑在什么样的底座上一个产品团队不需要相信AGI五年内到来但需要设计路线图一个决策者不需要看懂所有技术细节但需要知道哪些信号是真正的天花板变化哪些只是行业噪音。说到底今年AI吵得再凶最终都要回到一个起点你用它是什么场景解决什么问题产生什么价值。别人吵出的是方向你能用的是方案。把这两者分清楚这场会对你来说才算真正值了。我自己这些年参会的体会是会前的准备和会后的复盘价值加起来至少和现场听会同等重要。很多人以为参加行业活动是去吸收信息其实真正的收获从来都是在主动提问和整理思考中发生的。明天进场之前把议程拿出来重新读一遍写下自己的三个问题然后带着这份攻略去现场找答案吧。