广州防火门胶 如何跨越“同质化”与商业水区? 智源仲远、银河通用鹤、面壁智能李大海激辩: 真壁垒在“场景闭环”, Scaling Law远未见顶

“作为AI模型公司广州防火门胶，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大模型公司终会像水电样，有量价。”

6月12日下午，《每日经济新闻》记者在八届北京智源大会大模型产业论坛上注意到，现场座虚席，甚至会场侧面的空地上都站着许多观众。圆桌环节刚开场，主持人蓝驰创投管理伙人陈维广抛出了以上刻的问题。

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水区，与此同时，头部模型在三评测中的表现逐渐趋同，款模型发布后，不出半年就会有竞品追平其核心能。

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，智源研究院院长仲远、银河通用创始人兼CTO（席技术官）鹤、面壁智能CEO（席执行官）李大海围绕技术“护城河”、ScalingLaw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。

告别评测榜单“自嗨”：真壁垒在“场景闭环”

对于没有“护城河”的观点广州防火门胶，智源研究院院长仲远先给出了否定答案。

仲远认为，大模型的能迭代远未触及瓶颈，行业终局远未定型，多强、多巨头并立乃至能力趋同都有可能，但当下非下结论的时刻。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，不少结果甚至法复现验证。

“是骡子是马拉出来遛遛”，在仲远看来，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鹤，他的视角偏向实体产业。他认为同质化焦虑多集中在纯语言模型域，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（视觉语言动作模型）向WAM（世界动作模型）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（规模化）阶段后，切都会加速，因此行业现在亟需大量资金。

在鹤的判断里，具身智能真正的“护城河”不是单的模型能力，而是整套完整体系。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，后是模型吞吐融与整套产品的交付能力，这是场综实力的比拼。时至今日，全球范围内还没有出现如此完整的体化产品，所以它的“护城河”还是相当的。

李大海也表示不认同“护城河”的说法。他以Anthropic为例，这当下美国估值增长快的大模型公司，核心竞争力从来不是“足够通用”广州防火门胶，而是在通用底座之上把代码能力做到了步天下。

“大模型不能只有横向的通用能力，须有纵向的长板。”李大海说，“那纵向这部分怎么来？其实我很认同鹤讲的闭环”。

李大海认为，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，定要把技术的通用和商业的通用分开。通用的商业是很少的，往往好的商业化是需要模型做非常致优化的。“护城河”可以有很多，每个公司找准自己的向以后，应该都可以有好的发展。

“Scaling远没有到尽头”

“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，模型能提升已经出现放缓，ScalingLaw已经面临失。但在这场对话里，三位嘉宾度致地给出了否定的答案。

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，后训练与理侧的优化已经带来了新波能力跃升。Agent（智能体）、递归自进化这些向的探索证明，哪怕预训练数据见顶，AI的整体能力依然在持续提升。仲远指出，提升的不定是模型参数本身，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ScalingLaw的曲线还在往上走，甚至带有指数增长的倾向。

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的转向广州防火门胶，泡沫板橡塑板专用胶鹤则透露早在WAM范式出现之前，银河通用就在VLA路线上用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，具身智能正在迎来个非常光明的Scalingup的时间点，就是因为WAM世界动作模型。”鹤说。在VLA时代，所有数据都须附带动作标签，Scaling只能靠成本的机器人数据。而在WAM时代可以大规模复用人类数据，数据获取的局限直接被破。

鹤预判，未来两年具身智能将迎来自己的GPT-3.5时刻，但需要千万小时的质量数据、百亿的资金投入，再叠加成熟的大模型能力，才能叩开这发展阶段的大门。

李大海则从端侧视角，补全了Scaling的另块版图。李大海认为，端侧是ScalingLaw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法。针对“端侧落地是因为云端太贵”这观点，李大海则指出这是Token（词元）经济学的部分。以手机、汽车为例，消费者不会为AI能力每月订阅付费，终端厂商须清后续成本账。端云协同是然向，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，这样综成本才低。

技术狂奔后，安全规则体系会在实践中得出

技术狂奔的另面，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，而是产业落地须直面的现实风险。

关于这问题，三位嘉宾也给出了各自的思考。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点点厘清的，AI智能体未来然会经历同样的阶段。

鹤从工业落地的实际经验出发，给出了具象的观察。他接触的工业客户，不管面对传统机器人还是具身机器人，看重的永远是工序成功率。设备出故障致产线停摆，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样好，同时能承担对应的责任，这是基本的要求。

真正的难题在远的未来，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。

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？如果未来整个场景由AI主，责任又该由谁承担？这些问题没有现成答案，但定会在行业的落地探索中，慢慢形成公认的规则体系。

李大海则给出了为直白的回答：“人类社会本来就是吃堑长智走过来的。”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、修补安全漏洞的率得到了大幅提升。新技术落地难遭遇问题、吸取教训并付出试错成本，但相比以往，试错代价会低，这也是积的面。另面，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安全标准。但归根结底，吃堑长智的规律或许难以规避。“安全问题总会从意想不到的角度冒出来，然后成为教训，动社会理不断完善。”相关词条:罐体保温施工     异型材设备     锚索    玻璃棉    保温护角专用胶

奥力斯    PVC管道管件粘结胶价格     联系人：王经理    手机：18231788377（微信同号）    地址：河北省任丘市北辛庄乡南代河工业区/p>

1.本网站以及本平台支持关于《新广告法》实施的“极限词“用语属“违词”的规定，并在网站的各个栏目、产品主图、详情页等描述中规避“违禁词”。
2.本店欢迎所有用户指出有“违禁词”“广告法”出现的地方，并积极配合修改。
3.凡用户访问本网页，均表示默认详情页的描述，不支持任何以极限化“违禁词”“广告法”为借口理由投诉违反《新广告法》广州防火门胶，以此来变相勒索商家索要赔偿的违法恶意行为。