问题：从“比参数”走向“比落地”，应用价值何以衡量 近期，大模型在全球范围内快速迭代，产业竞争从单纯追求规模与指标，逐步转向可用性、可靠性与场景适配能力的比拼。
1月10日，由清华大学基础模型北京市重点实验室等机构发起的AGI-Next前沿峰会圆桌讨论中，与会嘉宾围绕大模型的发展方向、下一代技术范式、智能体应用前景以及我国在新一轮产业竞争中的机遇等议题展开研判。
与会者普遍认为，行业正在出现明显分化：企业端强调把智能转化为生产率，消费端则更依赖产品形态创新与用户教育，智能提升并不必然带来活跃度和黏性同步增长。
原因：需求结构与商业逻辑不同，倒逼产业路线分岔 一方面，企业端需求更“硬”。
在运营、研发、客服、风控、供应链等环节，智能水平直接影响成本、效率与决策质量，投入产出关系相对清晰，企业更愿意为能力更强、稳定性更高的模型与工具付费。
与会嘉宾指出，在这一市场中，智能体仍处在上升通道：当其能稳定完成更长链条、更复杂的流程任务，价值会以可量化方式体现。
另一方面，消费端需求更“软”。
不少产品仍被用户视作“增强版检索”或“辅助工具”，真正高频、刚需的使用场景尚在形成。
由于用户目标不明确、使用门槛与信任成本较高，即便模型能力提升，也可能难以直接转化为用户规模与留存增长。
此外，消费端产品往往要求更强的端到端整合与体验一致性，导致技术迭代与产品打磨并行推进、节奏更为复杂。
影响：产业组织形态重塑，竞争焦点从模型本体转向系统能力 与会观点认为，随着市场分化加深，产业结构正出现两条并行路线：其一是垂直一体化路径，强调模型、工具链、内容与产品体验的强整合，更常见于面向大众的应用；其二是分层协作路径，模型、平台与应用创新相对解耦，面向企业的解决方案更加多元，生态伙伴可在不同行业与流程中进行二次开发。
更重要的是，决定产品价值的因素正在外溢到模型之外，包括上下文信息组织、企业知识与数据治理、业务流程再造、权限与合规体系、以及与真实环境的交互能力。
嘉宾还提到，智能体未来可能从“自动完成数小时工作”迈向“以周为单位的复杂任务承接”，并有望与更复杂环境交互，甚至与具身系统结合，推动应用边界扩展。
对策：强化本土化工程能力与风险治理，产学研协同突破关键瓶颈 与会专家提出，我国在推动大模型走向产业深水区时，需要以问题为牵引补齐短板。
一是做强本土化解决方案。
由于国内企业数字化基础、软件生态与海外存在差异，简单照搬国外路径难以奏效。
面向企业的落地更需要“工程化迁移能力”，即把模型能力嵌入既有系统与流程，形成可交付、可运维、可审计的产品与服务。
二是推动产学研协同攻关。
学界可在智能上限、资源分配机制、持续学习与记忆建模等基础问题上提供理论牵引；产业界则在真实业务数据、流程约束与安全合规上提供验证场景。
尤其是对“幻觉”等不确定性输出问题，需要通过评测体系、数据治理、对齐与可追溯机制等综合治理，提升可靠性与可控性。
三是聚焦“让模型真正做事”。
与会者认为，面向检索与问答的竞争正在趋于成熟，下一阶段更关键的是在编码、自动化流程与复杂任务执行上形成突破，使智能体成为可用的生产工具。
前景：持续学习、记忆与多模态或催生新范式，2026年值得关注 多位嘉宾研判，围绕持续学习、记忆能力与多模态交互的技术演进，可能推动新一轮范式变化。
随着工具调用、任务规划与长程执行能力增强，智能体有望从“助手”向“协作者”升级，并在企业运营与专业工作场景中率先形成规模化收益。
综合技术成熟度、应用改造周期与商业化节奏等因素，2026年被多位与会者视为智能体释放显著经济价值的关键观察窗口。
人工智能产业的分化演进，既是技术成熟度的客观反映，也是市场规律的必然选择。
在追赶全球技术浪潮的同时，中国更需要立足本土市场需求，构建产学研协同的创新体系。
正如专家所言，决定技术价值的从来不是参数规模，而是解决实际问题的能力。
当产业界越过技术炫技阶段，真正聚焦价值创造时，人工智能才能释放其改变世界的巨大潜能。