“作为一家AI模型公司，它的长期价值来自哪？它的护城河来自哪？甚至有些人非常质疑，AI大模型公司最终会像卖水卖电一样，有量无价。”

　　6月12日下午，

　　这些问题背后，是整个行业正在经历的现实。陈维广提到，大模型正从技术狂热阶段步入商业落地的深水区，与此同时，头部模型在第三方评测中的表现逐渐趋同，一款模型发布后，不出半年就会有竞品追平其核心性能。

　　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王鹤、面壁智能CEO李大海围绕技术“护城河”、Scaling Law的上限、安全规则等关键问题，给出了贴近产业真实的判断与思考。

　　王仲远认为，大模型的性能迭代远未触及瓶颈，行业终局远未定型，一超多强、多巨头并立乃至能力趋同都有可能，但当下绝非下结论的时刻。他直言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。

　　“是骡子是马拉出来遛遛”，在王仲远看来，真正的壁垒在真实的落地能力中。敢于做真机现场演示的具身企业，敢于扎进产业场景解决实际问题的大模型公司，才有底气跑通数据闭环，构建真正的竞争壁垒。

　　身处具身智能赛道的银河通用创始人王鹤，他的视角更偏向实体产业。他认为同质化焦虑更多集中在纯语言模型领域，若将视野延伸至多模态、理解，行业仍存在很多变数。

　　当前具身智能的技术路线正从VLA向WAM收敛，行业整体仍处于GPT-1到GPT-2的早期阶段，谈同质化为时尚早。未来，行业进入Scaling阶段后，一切都会加速，因此行业现在亟需大量资金。

　　在王鹤的判断里，具身智能真正的“护城河”不是单一的模型能力，而是一整套完整体系。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。时至全球范围内还没有出现如此完整的一体化产品，所以它的“护城河”还是相当深的。

　　李大海也表示不认同“无护城河”的说法。他以Anthropic为例，这家当下美国估值增长最快的大模型公司，核心竞争力从来不是“足够通用”，而是在通用底座之上把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，必须有纵向的长板。”李大海说，“那纵向这部分怎么来？其实我很认同王鹤讲的闭环”。

　　李大海认为，必须把大模型当成引擎，引擎的设计与优化要和应用场景协同，脱离应用谈模型能力没有意义。他特别强调，一定要把技术的通用性和商业的通用性分开。通用的商业是很少的，往往好的商业化是需要模型做非常极致优化的。“护城河”可以有很多，每个公司找准自己的方向以后，应该都可以有好的发展。

　　“护城河”争议之外，在技术层面不少声音认为，互联网预训练数据枯竭，模型性能提升已经出现放缓，Scaling Law已经面临失效。但在这场对话里，三位嘉宾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，我还是比较坚信Scaling还远没有到尽头。”目前，后训练与推理侧的优化已经带来了新一波能力跃升。Agent、递归自进化这些方向的探索证明，哪怕预训练数据见顶，AI的整体能力依然在持续提升。王仲远指出，提升的不一定是模型参数本身，而是整个系统的能力边界，它正在变成能落地执行的生产力工具。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。

　　王鹤则直言银河通用和他本人，是Scaling坚定不移的信徒。而对于行业从VLM到WAM的转向，王鹤则透露早在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可行。

　　“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，就是因为WAM世界动作模型。”王鹤说。在 VLA 时代，所有数据都必须附带动作标签，Scaling只能靠高成本的机器人数据。而在WAM时代可以大规模复用人类数据，数据获取的局限性直接被打破。

　　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，补全了Scaling的另一块版图。李大海认为，端侧是Scaling Law的重要延伸，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=知识密度×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，使模型可以在不增加资源消耗的前提下持续扩容。

　　李大海表示，具身机器人本质上也是终端，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。针对“端侧落地是因为云端太贵”这一观点，李大海则指出这是Token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，这样综合成本才最低。

　　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”不再是伦理课上的思辨题，而是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，都会在这个过程中逐步建立。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，不管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。

　　真正的难题在更远的未来，当具身机器人既要做体力活，又要做复杂决策，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：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。”