广告
加载中

亿邦智库:OpenAI没有发明什么吗?AI泡沫真要破灭了吗?

亿邦智库黄斌 2026-07-29 12:55
亿邦智库黄斌 2026/07/29 12:55

邦小白快读

EN
全文速览

这篇文章澄清了关于杨植麟评价OpenAI的舆论误解,拆解了AI产业的核心真相,整理了清晰的干货内容。

1.杨植麟并非贬低OpenAI,他的发言核心是戳破美国AI被构建出的技术神话,也并非宣称AI泡沫要破灭。从技术史实来看,OpenAI确实没有发明核心底层技术,其成果属于工程组合式创新,而非基础科学突破,但这种组合创新本身也是划时代的成就,值得认可。

2.文章清晰梳理了生成式AI从20世纪50年代发展至今的完整脉络,指出AI发展是全球多方长期参与的渐进过程,并非某个团队的突发灵光一现。

3.文章总结了大模型未来发展的三大主线,普通读者可以快速理清AI产业的未来发展走向。

本文分析了AI产业的发展现状与未来趋势,能为品牌布局AI、把握消费趋势、落地AI应用提供参考。

1.技术认知层面,OpenAI的成功是工程集成创新而非不可复制的基础科学突破,国内开源大模型已经在权威榜单超越海外闭源模型,达到全球一流水平,品牌不需要迷信海外大模型,可依托国内技术低成本布局AI应用。

2.发展方向层面,大模型未来发展核心方向是场景落地,品牌做AI应用要结合自身行业数据、用户消费场景深度融合,也就是文中提到的模数共振,才能打造出真正贴合用户需求、有实用价值的AI产品。

3.外部环境层面,当前国家和地方都出台了智能体发展的扶持政策,品牌布局AI场景化应用有政策红利可依托,消费端也越来越看重AI的实际效用,场景化落地的AI产品更容易获得用户认可。

本文梳理了AI大模型产业的最新动态、政策方向与机会风险,能给AI领域卖家或者计划结合AI转型的卖家提供明确指引。

1.政策层面,2026年国家和地方都出台了智能体相关的专项扶持政策,对重点项目给予资金支持,智能体是明确的政策鼓励发展方向,卖家可以积极争取政策扶持。

2.产业认知层面,原有的美国AI不可追赶的神话已经被打破,开源大模型路线已经被验证可行,卖家可以依托开源大模型降低研发成本,不用过度投入追求从零开发大模型。

3.机会层面,未来大模型的三大发展方向中,细分领域结合行业数据、场景落地AI存在大量市场空白,卖家可以优先切入细分场景做落地,规避通用大模型的红海竞争,同时要警惕炒作AGI的泡沫,重点聚焦落地价值。

本文分析了AI产业的发展逻辑与未来方向,能给工厂推进数字化转型、AI赋能生产设计提供启示。

1.认知层面,当前AI的核心创新是工程集成创新,并非高不可攀的基础科学突破,国内已经有开源大模型达到全球顶尖水平,工厂不用对AI转型有技术畏难心理,可以依托成熟的国内AI能力推进改造,成本更低,适配性更强。

2.转型方向层面,未来AI发展的核心方向是和具体场景深度结合,工厂数字化转型要遵循模数共振的方向,把大模型的通用能力和工厂生产、设计、供应链等具体场景的精准数据结合,才能真正产生实用价值,提升生产效率。

3.政策层面,国家已经出台了智能体相关的扶持政策,工厂推进AI数字化转型有政策支持,可以抓住政策红利推进转型,抢先获得技术升级带来的竞争优势。

本文梳理了AI产业的最新发展动向与客户痛点,给AI服务商指明了行业发展方向,提供了清晰的行动参考。

1.行业发展趋势方面,大模型发展已经从追求参数规模的模型中心,转向追求场景落地的场景中心,未来三大发展主线是极致工程化、模数共振、智能体场景融合,整个产业正在向落地端转移,服务商的机会也在落地端。

2.客户痛点方面,当前很多客户存在对通用大模型的盲目迷信,也有不少客户对海外大模型有盲目崇拜,国内AI的能力没有得到正确认知,同时客户的核心需求是适配自身行业的落地AI,而非通用大模型。

3.解决方案方面,服务商可以抓住智能体发展的政策红利,聚焦细分行业,将通用大模型和客户的行业精准数据结合,打造贴合客户具体场景的AI解决方案,依托国内成熟开源大模型打造高性价比产品,打破海外的认知壁垒。

本文分析了当前AI产业对平台的需求,以及产业发展的风向,给AI平台商的发展、运营、生态布局提供参考。

1.需求变化方面,当前产业端对AI平台的需求,已经从提供通用大模型能力,转向提供支持场景化智能体开发的基础设施,产业已经进入场景中心的发展阶段,平台需要调整自身服务方向。

2.生态布局方面,目前国内开源大模型已经取得了全球顶尖成绩,开源路线已经被验证可行,平台可以围绕开源大模型构建开发生态,吸引更多中小开发者入场,打造更开放的产业生态。

3.风险规避方面,平台不要过度渲染AI的神秘性和不可追赶性,也不要过度炒作AGI概念制造泡沫,要聚焦工程落地和场景价值,同时要紧跟国家智能体相关的政策导向,围绕政策支持的方向调整招商、运营方向,合规发展抓住产业红利。

本文梳理了当前AI大模型产业的新动向、新问题,给AI相关领域研究者提供了丰富的研究素材与新的研究方向。

1.产业新动向方面,当前国内开源大模型已经实现了在权威榜单超越全部海外闭源模型的突破,大模型发展正在从模型中心向场景中心转移,智能体成为核心发展方向,国家也出台了国内首份专门针对智能体的国家级政策文件,产业发展范式出现了新变化。

2.新问题与新命题方面,文章提出当前全球AI产业存在资本和技术加速主义共同构建的AI神话叙事,这种认知壁垒会影响后发国家AI产业发展,同时杨植麟提出AGI的真正瓶颈不是技术,而是组织形式,这是值得深入研究的新命题。

3.商业模式研究方面,本文验证了开源大模型路线的可行性,打破了只有闭源模式才能做出顶尖大模型的固有认知,为AI产业商业模式研究提供了新的样本,同时AI技术与哲学的结合也为交叉研究提供了新方向。

返回默认

声明:快读内容全程由AI生成,请注意甄别信息。如您发现问题,请发送邮件至 run@ebrun.com 。

我是 品牌商 卖家 工厂 服务商 平台商 研究者 帮我再读一遍。

Quick Summary

This article clarifies public misconceptions over Yang Zhilin's comments on OpenAI, unpacks core truths about the AI industry and shares structured, actionable insights.\n1. Yang did not disparage OpenAI. The core of his argument is to debunk the constructed "American AI tech myth", and he did not claim an AI bubble is about to burst. From a technical history perspective, OpenAI did not invent core underlying technologies; its achievements stem from combinatorial engineering innovation rather than foundational scientific breakthroughs. That said, this type of combinatorial innovation is itself a landmark achievement that deserves full recognition.\n2. The article maps the full evolution of generative AI from the 1950s to today, showing that AI progress is a gradual process built on long-term contributions from multiple stakeholders worldwide, rather than a sudden eureka moment from a single team.\n3. It outlines three core future development trajectories for large language models, allowing general readers to quickly grasp the future direction of the AI industry.

This article analyzes the current state and future trends of the AI industry, offering actionable insights for brands looking to integrate AI into their strategy, align with consumer trends and roll out AI applications.\n1. On technical understanding: OpenAI's success is rooted in integrated engineering innovation, not an unreplicable foundational scientific breakthrough. Domestic open-source large models have already outperformed foreign closed-source models on authoritative benchmarks, reaching a world-class level. Brands do not need to over-rely on foreign large models; they can build AI applications at lower cost by leveraging domestic technology.\n2. On development direction: The core future of large models lies in industry-specific use case integration. To build AI products that truly meet user needs and deliver practical value, brands must integrate AI with their own industry data and user consumption scenarios, following the "model-data synergy" framework outlined in the article.\n3. On the external environment: Both central and local Chinese governments have introduced supportive policies for AI agent development. Brands building scenario-based AI applications can leverage these policy dividends, and consumers increasingly prioritize practical AI utility, making scenario-focused AI products more likely to win user acceptance.

This article sorts through the latest developments, policy directions, opportunities and risks in the large AI model industry, providing clear guidance for AI-focused sellers and sellers planning AI-powered transformations.\n1. On policy: By 2026, both central and local Chinese governments have launched targeted support policies for AI agents, offering funding for key projects. AI agents are a clear policy-prioritized growth area, and sellers can actively pursue policy support for their projects.\n2. On industry understanding: The long-held myth that U.S. AI is uncatchable has been broken, and the open-source large model development path has been proven viable. Sellers can leverage open-source large models to cut R&D costs, rather than overinvesting in building large models from scratch.\n3. On opportunities: Among the three core future development directions for large models, there is massive untapped market potential in integrating AI with industry-specific data and use cases in niche segments. Sellers can prioritize entering these niche scenarios to avoid the red ocean competition of general-purpose large models, while avoiding the hype around AGI bubbles and focusing on delivering tangible落地 value.

This article analyzes the development logic and future direction of the AI industry, offering insights for factories advancing digital transformation and integrating AI into production and design.\n1. On industry understanding: Today's core AI innovation is integrated engineering innovation, not an unattainable foundational scientific breakthrough. Chinese open-source large models already reach a global top-tier level, so factories do not need to feel intimidated by AI transformation. They can leverage mature domestic AI capabilities to drive upgrades, with lower costs and better industry adaptation.\n2. On transformation direction: The core future of AI development lies in deep integration with specific use cases. Factories pursuing digital transformation should follow the "model-data synergy" framework: combining the general capabilities of large models with granular data from specific factory scenarios including production, design and supply chain to generate real practical value and improve production efficiency.\n3. On policy: China has introduced supportive policies for AI agent development, so factories advancing AI-powered digital transformation can access policy support, seize policy dividends to push forward transformation, and gain an early competitive advantage from technology upgrading.

This article sorts through the latest industry developments and core customer pain points in the AI sector, outlining clear development directions and actionable guidance for AI service providers.\n1. On industry trends: Large model development has shifted from a model-centric focus on scaling parameter size to a scenario-centric focus on real-world落地. The three core future development trajectories are extreme engineering optimization, model-data synergy, and AI agent scenario integration. The entire industry is shifting toward the落地 end, where service providers will find their biggest opportunities.\n2. On customer pain points: Many customers blindly overtrust general-purpose large models, and many have undue reverence for foreign large models, leading to undervaluation of domestic AI capabilities. The core customer need is industry-specific AI solutions tailored to their use cases, not general-purpose large models.\n3. On solutions: Service providers can leverage policy dividends for AI agent development, focus on niche vertical industries, integrate general-purpose large models with granular industry-specific customer data to build AI solutions tailored to specific customer scenarios, and deliver high-cost-performance products built on mature domestic open-source large models to break down cognitive barriers around foreign technology.

This article analyzes current industry demand for AI platforms and emerging industry trends, offering reference for development, operations and ecosystem building for AI platform operators.\n1. On changing demand: Industry demand for AI platforms has shifted from providing general-purpose large model capabilities to providing infrastructure that supports scenario-based AI agent development. The industry has entered a scenario-centric development stage, so platforms need to adjust their service orientation accordingly.\n2. On ecosystem building: Chinese open-source large models have already achieved top-tier global results, and the open-source development path has been proven viable. Platforms can build developer ecosystems around open-source large models, attract more small and medium-sized developers, and build a more open industry ecosystem.\n3. On risk mitigation: Platforms should not overhype AI as an uncatchable, mysterious technology, nor overhype the AGI concept to inflate a bubble. They should instead focus on engineering落地 and scenario value, align with national policy directions for AI agents, adjust investment attraction and operations around policy-supported areas, and grow compliantly to capture industry dividends.

This article sorts through new developments and emerging issues in the current large AI model industry, providing rich research materials and new research directions for AI-focused researchers.\n1. On new industry developments: Chinese open-source large models have already achieved a breakthrough by outperforming all foreign closed-source models on authoritative benchmarks. Large model development is shifting from a model-centric to scenario-centric approach, with AI agents emerging as a core development direction. China has also released the country's first national policy specifically targeted at AI agents, marking a shift in industry development paradigms.\n2. On new problems and research questions: The article points out that the global AI industry has an "AI myth" narrative constructed by capital and technological accelerationism, and this cognitive barrier hinders AI industry development in latecomer countries. Yang Zhilin also proposes that the real bottleneck for AGI is not technology, but organizational forms, which is a new proposition worthy of in-depth research.\n3. On business model research: This article validates the feasibility of the open-source large model development path, breaking the long-held assumption that only closed-source models can deliver top-tier large model performance. This provides new empirical samples for research on AI industry business models, and the integration of AI technology and philosophical inquiry also opens up new directions for interdisciplinary research.

Disclaimer: The "Quick Summary" content is entirely generated by AI. Please exercise discretion when interpreting the information. For issues or corrections, please email run@ebrun.com .

I am a Brand Seller Factory Service Provider Marketplace Seller Researcher Read it again.

【亿邦原创】2026年7月,月之暗面CEO杨植麟的一段公开发言在人工智能行业激起千层浪。他直言“OpenAI没有发明任何新东西,只是把世界上已有的技术组合在了一起”。这番言论迅速被媒体冠以“拆穿美国AI神话”的标题传播开来。

问题在于:杨植麟是在贬低OpenAI吗?如果只看新闻标题,答案似乎是肯定的。但如果深入技术演变的脉络,我们会发现这并非简单的商业舆论对攻,而是一次对AI发展底层叙事的冷静拆解——其矛头所指,并非OpenAI这家公司本身,而是围绕美国AI所构建的一套“技术神话”话语体系。

01“OpenAI没有发明新东西”:一个科学技术史实的陈述

杨植麟的核心论点并不复杂:OpenAI所使用的底层技术,几乎全部来自外部。

Transformer架构来自Google 2017年的论文《Attention is All You Need》;人类反馈强化学习(RLHF)是DeepMind和其他学术机构早已探索的方向;海量算力依赖英伟达的GPU;训练数据来自互联网公开信息。从这个角度看,OpenAI的确没有造出“新轮子”,而是把别人造的轮子、发动机和沙发一起拼成了“第一辆能跑的汽车”。

这一判断并非杨植麟首创。早在2023年ChatGPT引爆全球关注之际,国内就有多位技术负责人表达过类似观点。中国科学院自动化研究所人工智能伦理与治理中心主任曾毅在当时明确指出:“ChatGPT是工程技术的组合式创新,它展示了语言工程的进步与用户交互体验的显著提升”。清华大学张亚勤也谈到,大模型已经做了多年,2020年GPT-3的出现可以算是大模型的第一次成功,ChatGPT“第一次有一个界面让普通用户使用”。

这些来自不同背景的专家在2023年得出的判断,与杨植麟在2026年的说法高度一致——ChatGPT及其背后的技术路线,本质上是工程集成而非基础科学突破。用杨植麟的话说,从“基础科学突破”角度看,OpenAI确实没有发明新物理定律或新数学公式。

但这并不意味着OpenAI的成就无足轻重。“组合”这个动作本身就是一种难得的创新——把几万张GPU连起来稳定跑几个月不崩盘,是系统级工程奇迹;把RLHF调教得让AI“像人话”而不是胡言乱语,是算法工程绝活。正如有人打的那个比方:iPhone没有发明触摸屏、没有发明CPU、没有发明操作系统,但把三者组合成“滑动解锁”的那个瞬间,就是划时代创新。

02 从“智能魔星”到ChatGPT:一条被低估的技术长河

要理解杨植麟说法的深层含义,还可以回顾一下生成式人工智能的技术演变历程。生成式AI的理论基础最早可追溯至20世纪50年代。1950年,图灵提出了著名的“图灵测试”,预示了AI内容生成的可能性。1957年,计算机完成了历史上第一首完全由计算机“作曲”的音乐作品。随后几十年间,马尔可夫链、隐马尔可夫模型等概率模型为生成式模型奠定了理论基础。

2012年深度学习的技术路线得到了认可。及至2017年,更是一个关键转折点。Google发表了Transformer架构论文,通过自注意力机制更新了语义间分词的关系描述,开辟了自然语言处理的新计算逻辑。2018年,首批基于Transformer的GPT和BERT相继发布。此后,大模型的发展进入快车道。

但在公众视野之外,中文聊天机器人的探索要早得多。笔者的个人经历可以作为一个微观注脚:2012年左右,一款名为“智能魔星”的软件已经在展示人工智能在聊天机器人领域的应用。根据当时的用户记录,“智能魔星”的功能包括:上网自动搜索问题并找回答案、记住用户描述的信息、对已知信息进行整合推理并给出答案。其核心目标是让机器人具备一定的学习能力和交互性。尽管以今天的标准来看,“智能魔星”的技术能力相当初级,但它在十多年前就已经触及了今天大模型所追求的若干核心方向——信息检索、记忆、推理与问答。

这说明一个事实:生成式AI的技术演进是一条漫长的、多方参与的渐进之路,而非某个天才团队在某个时刻的灵光一现。Transformer不是OpenAI发明的,RLHF不是OpenAI首创的,大规模分布式计算的基础设施更不是OpenAI搭建的。OpenAI的真正贡献在于:它第一个把所有这些“零件”以正确的方式组合在一起,并在足够的规模上验证了这条路径的可行性。

03“语言即世界”:维特根斯坦哲学的工程实现

如果说杨植麟的发言只是重复了“ChatGPT是工程组合”这个已有共识,那它不会引发如此大的波澜。真正值得深究的,是OpenAI成功背后两个更深层的意义——而这恰恰是杨植麟“拆穿神话”这一表述的真正靶心。

第一个深层意义:维特根斯坦“语言即世界”哲学的成功。

路德维希·维特根斯坦在1921年的《逻辑哲学论》中写道:“世界即所发生的一切。”他进一步提出,“我的语言的界限意味着我的世界的界限”——这就是著名的“语言即世界”命题。

这一哲学命题在21世纪被AI以意想不到的方式“验证”了。当GPT-4突破万亿参数规模时,其语言生成能力已触及维特根斯坦“语言界限即世界界限”的哲学命题。有学者指出,维特根斯坦的“语言即世界”命题为AI语言模型提供了本体论奠基,“图像论”揭示了早期符号主义AI的表征逻辑,“语言游戏说”则为自然语言处理的实践转向提供了哲学依据。

更深层地看,当前的生成式AI之所以能够产生看似“智能”的输出,本质上是因为人类语言与文字记录本身已经构成一个巨大的、自洽的符号系统——波普尔意义上的“世界3”。这个世界3是人类对现实世界(世界1)的映射、记录、抽象与重构的产物。语言中蕴含着人类数千年来积累的知识、逻辑、因果关系和思维模式。

大语言模型所做的,并非“理解”人类世界以及这个世界3的内容,而是通过海量文本训练,学习到这个符号系统内部的各种统计规律、关联模式和结构特征。当用户输入一个问题时,模型不是在“思考”,而是在这个巨大的符号网络中沿着概率最高(根据“温度”的设置而有变化)的路径进行“导航”。计算机的神经网络并没有产生人的大脑神经网络所具备的意向性、意识或真正的理解能力。

换言之,ChatGPT展示的“智能”,本质上是人类语言世界自身逻辑的外化——是“世界3”通过大规模计算被重新激活和呈现。这恰恰印证了维特根斯坦的判断:语言本身就是世界的边界。当AI掌握了足够多的语言数据,它就在统计意义上“掌握”了语言所承载的世界图景。

04  “神话”:技术加速主义与“AI神秘主义”的全球叙事

第二个深层意义:美国华尔街技术加速主义对AI智能神秘主义的全球化管控能力。

这才是杨植麟言论最希望戳破的“神话”。

2023年ChatGPT问世后,围绕OpenAI迅速形成了一整套叙事:AGI即将到来、人类将被超越、OpenAI掌握了某种“秘密sauce”、美国在AI领域拥有不可逾越的领先优势。这套叙事在资本市场引发了巨大反响,也塑造了全球AI产业的竞争格局和资源分配逻辑。

但如果我们冷静审视就会发现,这套叙事建立在两个前提之上:第一,把工程集成成功等同于基础科学突破;第二,把规模效应神秘化为某种不可复制的“魔法”。前者让OpenAI获得了“发明者”的声望溢价,后者则制造了一种“美国AI不可追赶”的认知壁垒。

杨植麟的发言正是要打破这两重叙事。他指出,“AGI的真正瓶颈不是技术,而是组织形式”——传统公司根本无法构建AGI,需要全新的组织范式。这句话的潜台词是:OpenAI的成功固然有技术因素,但更大程度上是组织创新和资本意志的产物。它不是不可复制的“神迹”,而是一种可以被分析和学习的工程与管理模式。

事实上,杨植麟自己的公司月之暗面正在用行动验证这一判断。2026年7月,月之暗面发布的开源权重模型Kimi K3在Arena.ai的Frontend Code Arena编程榜单中以1679分登顶,七个细分领域中在六个领域位居第一——这是开源模型首次在该权威榜单超越全部海外闭源模型。Kimi K3的综合能力被评估为全球第三,仅次于Anthropic的Claude Fable 5和OpenAI的GPT-5.6 Sol。

这一成绩证明了杨植麟的核心论点:OpenAI所开创的技术路线是可以被追赶和超越的,创新的路径不止闭源一条。所谓的“美国AI神话”,不过是技术加速主义与资本叙事共同构建的认知框架。

05 未来之路:工程极致化、“模数共振”与智能体深度融合

理解了上述分析,我们就能更清晰地看到杨植麟发言的真正指向:他不是在贬低OpenAI的成就,也不是认为什么“AI泡沫要破灭了”,而是在重新定义什么是真正的“创新”。

杨植麟本人在不同场合表达过对AI发展方向的判断。他认为,规模定律之后,大模型发展的下一个范式是强化学习。AI产品接下来发展的重要能力应是更深入的推理能力,能够把短链路的简单问答变成更长链路的组合式任务操作。他还提到,“测试时扩展”(test-time scaling)——模型在实际推理时能通过某种方式“变得更强”,而不只是依赖训练时的参数堆料——是过去一年AI领域的重要突破方向。

从这些判断,结合对AI产业的分析,我们可以勾勒出大模型未来的三条主线:

第一条主线是工程化的极致方向。算力规模的持续扩大、训练方法的不断优化、推理效率的持续提升——这些仍然是推动大模型能力边界拓展的核心动力。OpenAI所开创的“大力出奇迹”路线远未走到尽头,只是需要更多维度的工程创新来延续。

第二条主线是与精准数据管理深度结合的“模数共振”。大模型的通用能力固然惊人,但真正有意义的AI应用,必然要与特定领域的数据、知识和业务逻辑深度结合。纯粹的通用大模型如同一个博学但缺乏专长的人——什么都知道一点,但什么都做不到顶尖。未来的AI应用,需要在大模型的通用能力与精准的行业数据管理之间形成共振,才能产生真正有实用价值的智能系统。

第三条主线是大模型与场景化软件系统的深度结合——智能体应用。 这并非当前业界普遍讨论的简单Agent或执行Loop循环的大模型外挂,而是与应用场景深度融合的“软硬脑”结合体。关于这一方向的理论探索,笔者曾于2003年发表过《关于知识-机器互动机制的可能性的探讨》一文。该文提出运用计算机系统对修正了的“三个世界”相互作用理论和逻辑推理进行模拟验证,建议在类似于虚拟现实系统的预设运算环境中加入非人为控制的知识或物理信息,期待某种新知识产生。文章的核心关切在于:知识如何在人与机器的互动中产生、传递和演化?机器能否在特定条件下“生成”超越既有知识框架的新内容?这些思考在当时属于科学技术哲学与计算机科学的交叉前沿,而今天大模型与智能体的结合恰恰在工程层面回应了这一理论追问——当大模型作为“世界3”的激活器与特定场景的物理信息系统(“世界1”的数字化映射)深度耦合时,知识便不再是被动存储的静态资源,而是在人-机-环境的持续互动中动态生成的活性要素。

这一方向已经得到国家政策层面的明确支持与规范引导。2026年5月,国家网信办、国家发展改革委、工业和信息化部联合印发《智能体规范应用与创新发展实施意见》,这是我国首份专门针对智能体的国家级政策文件。在地方层面,北京市也于2026年7月23日正式发布《关于加快智能体引领发展的若干措施》,围绕技术、应用、产业、生态四大方面推出十项具体举措,对关键技术攻关、共性平台和示范应用等重点项目给予资金支持。

智能体方向的兴起,标志着大模型发展从“模型中心”向“场景中心”的范式转移。大模型本身只是“大脑”,而智能体是“大脑+身体+环境”的完整系统。正如维特根斯坦所说,语言的意义不在于其指称的抽象对象,而在于它在特定“生活形式”中的使用方式。AI的价值同样如此——不在于模型参数有多大、榜单排名有多高,而在于它能否嵌入具体的人类实践场景,在真实的使用中产生真正的效用。大模型与场景化软件系统的深度结合——智能体——正是这一哲学洞见在工程技术层面的最终落脚点。

结语

回到最初的问题:杨植麟是在贬低OpenAI吗?

从技术事实的角度看,他说的是真话——OpenAI确实没有发明任何根本性的新技术。从产业竞争的角度看,他是在为中国AI的开源路线正名——Kimi K3的成绩已经证明这条路是走得通的。从更宏观的角度看,他是在挑战一种被资本和市场反复强化的叙事——那种将美国AI神秘化、神圣化的认知框架。

但这一切都不意味着OpenAI的成就不值一提。把已有的技术组合成第一个可工作的大规模语言模型,在“傻技术蛮算力”的方向上坚持投入直到“涌现”发生——这本身就是一种值得尊重的战略远见和工程勇气。杨植麟的批评恰恰建立在对这种成就的充分承认之上——他只是拒绝将这种成就神化为不可逾越的壁垒。

正如有评论者所说,杨植麟这样说的原因,“不是为了贬损对方,而是给自家团队和国内投资人打气——技术就在那里,就看我们怎样追赶,怎样超越了”。

这或许才是理解杨植麟言论最准确的视角:不是一场商业舆论对攻,而是一次对AI技术发展逻辑的清醒审视——以及在这个审视基础上,对中国AI产业未来路径的一次坚定宣告。

亿邦智库将持续关注产业互联网发展与企业数据要素竞争力提升,并报道相关发展的新成果与新案例。联系邮箱为:huangbin@ebrun.com

文章来源:亿邦智库

广告
微信
朋友圈

FAQ回顾

杨植麟对OpenAI的技术路线有什么评价?

杨植麟认为OpenAI并未发明根本性底层新技术,其所用Transformer架构、RLHF等技术均来自外部,核心价值是将已有技术完成系统级工程集成,验证了大模型技术路径的可行性,该成就值得肯定,但不必将其神化为不可逾越的壁垒。

大模型未来的主要发展方向有哪些?

大模型未来发展有三条核心主线:一是持续推进工程化极致优化,提升算力、训练方法与推理效率;二是实现与精准行业数据管理深度结合的“模数共振”,落地垂直场景价值;三是与场景化软件系统深度融合发展智能体应用,推动从“模型中心”向“场景中心”转移。

我国针对智能体产业发展有哪些支持政策?

2026年5月国家网信办、发改委、工信部联合印发《智能体规范应用与创新发展实施意见》,是我国首份专门针对智能体的国家级政策文件;2026年7月北京发布《关于加快智能体引领发展的若干措施》,围绕技术、应用、产业、生态四大方面推出十项举措,对重点项目给予资金支持。

Kimi K3大模型的技术水平如何?

2026年7月月之暗面发布的开源权重模型Kimi K3,在Arena.ai的Frontend Code Arena编程榜单以1679分登顶,七个细分领域中六个位列第一,是首个在该榜单超越全部海外闭源模型的开源模型,综合能力被评估为全球第三。

这么好看,分享一下?

朋友圈 分享

APP内打开

赞 +1
+1
微信好友 朋友圈 新浪微博 QQ空间
关闭
收藏成功
发送
/140 0