AI大模型时代，模型与应用的生态边界、企业的选择策略与未来智能的形态正在被重新定义。
模型公司真的会“吞噬”所有应用吗？应用公司如何在快速变化的范式中找到“不变的内核”？在实际落地中，应用者如何克服根深蒂固的“Mental Block”并选择“最合适的模型”？在本次深度对话中，蓝驰创投投资合伙人付强与四位来自模型和应用前沿的行业领袖——月之暗面冯铮、牵手科技CEO李育炜、元理智能创始人兼CEO张帆、大千科技创始人兼CEO裘梦婷，围绕这些关键问题展开了精彩的探讨。
从模型性能的至高性到应用选择的经济学，从消除企业内部的“Mental Block”到对AGI的终极期待，他们的洞察与实践，为理解大模型时代的商业策略与技术演进提供了深刻的启发。对话内容精选如下：
付强：我们回顾人类历史，从蒸汽机、电到互联网，会发现所有技术创造价值，都是从最开始那个关键点，逐渐扩散到整个世界的方方面面的过程。当一个技术能应用在生活中，具体解决人的问题的时候，才是真正创造价值的过程。今天请到的几位嘉宾，正是在不同生活场景中让AI产生实效的实践者。先请大家做一个自我介绍，尤其是怎么用AI的。
月之暗面 冯铮：我是来自月之暗面的冯铮，公司专注基础大模型。许多朋友可能通过Kimi APP、网页或API接触过我们的模型能力。今年7月，公司开源了1T参数的Kimi K2模型，国内国外已有大量开发者调用API。Kimi的API有和Claude非常接近的性能，但是价格远远低很多，给大家更多的开发选择。在网页端也上线了两款模型级产品：Researcher能独立完成复杂研究，平均进行近百次搜索并生成万字报告和精美分享页；而新推出的Agent产品OK Computer，则可以通过MCP调用实时数据源进行数据分析，并利用生成模型建造网站。
牵手科技 李育炜：我是来自牵手科技的李育炜，我们专注于AI婚恋的垂直赛道。我们看到AI的出现可能可以完全取代红娘的角色，但传统的红娘角色在交付和解决用户的实际问题上还是不可取代。AI有没有可能让红娘平权，让所有的普通人能以很低的成本接触到非常专业、高效的服务，是目前正在尝试去实现的东西。
元理智能 张帆：我是来自元理智能的张帆。我们是一家帮助企业去构建可自我进化的智能体的公司，希望能够帮助模型从基础智能转化为生产力。我之前在智谱负责商业产品和商业化，当时所有的努力都在解决供给侧（芯片、基座、API）的问题。但世界除了供给侧，还需要需求侧，需要帮助企业找到场景，让他们更加容易地把智能转化为生产力。公司的目标就是帮助企业用智能解决真正的商业问题。
大千科技 裘梦婷：我是来自大千科技的裘梦婷。与专注效率的公司不同，我们致力于做以快乐情绪为导向的多人互动叙事娱乐产品，提供线下和线上两种场景。产品形态是用户与朋友们各自扮演角色，在虚拟故事中领取任务并完成，其间的所有行为会产生有趣的叙事并被视觉化表达。线下是4-6人、1-1.5小时的“哈哈哈”社交新形式，全程无需阅读；线上则是轻量化、游戏化的互动综艺形态。AI在产品中承担两大角色：一是脚本导演，负责收敛玩家发散的表达并持续推进剧情；二是视觉导演，将理性表达转化为情绪化的视觉传达，生成有趣的小短片。
付强：我们听到过一句话，AI应用都是套壳，没有价值，没有壁垒。三位应用方如何看待？认为壁垒在哪里？
大千科技 裘梦婷：泛娱乐行业的核心壁垒在于能否将经验、审美和体感等感性因素编码为数据化规则。由于娱乐业静态数据少，壁垒在于能否利用用户在真实场景中产生的动态交互数据，并依据定制的规则反向生成可消费的内容。例如，短剧的最小创作单元是台词，以秒级为单位，关注在每句台词里放置多少个情绪点。这就是一个将经验级的优质内容规则化，并以最小创作单元，通过数理形式与算法团队定义和磨合的典型案例。
因此，娱乐行业的应用壁垒主要有两点：首先是对本行业是否有定义Benchmark的能力，能够将偏感性、非理性化的审美和经验进行编码。其次是能否在此过程中积累大量的动态交互数据，并能够反向提升输出能力。这是我们在应用领域的核心壁垒。
元理智能 张帆：从企业视角，“套壳”的关键在于模型含量。理想状态是模型含量占到50%左右，如同电动汽车在“电”的基础上做了远超50%的深度工作。单纯接入API、编写Prompt并包装成简单应用缺乏壁垒。应用发展经历三个阶段：
第一阶段是Workflow（工作流）：按规则系统执行，壁垒在于流程中Prompt或RAG的独有性。第二阶段是模型的自主决策：放弃固定规则，壁垒依赖于获取更多不同的Context（上下文）和预设。第三阶段是深度融合：既保留模型Planner（规划能力），又能对其干预，使模型基于企业自身场景做出最优解。
牵手科技 李育炜：婚恋服务的壁垒在于其人与业务的紧密结合，服务必须有人参与，很难被简单剥离或“套壳”复制。该业务的关键是双向满意，与单向电商不同，其变量是高度不稳定的、连续的，需要实时解决信息并寻找平衡点。这种服务是随时根据业务演进的，无法通过简单的套壳方式实现。
付强：那我们换一个问题给模型公司。还听到过一种观点，即模型原教旨主义者认为模型会吞噬世界，吞噬所有应用，认为应用层的壁垒都不是壁垒，未来将是模型的天下。您是否认同这个观点？您如何看待模型吞噬世界这件事？
月之暗面 冯铮：这个问题很难回答。我们的观点是“模型即产品”。模型泛化能力强，在像Researcher或OK Computer这类领域中，模型公司进行探索能实现更优效果和性能，因此在这些领域竞争最激烈，模型公司会更具优势、后发制人。
然而，模型公司不会吞噬所有应用，因为应用场景过于庞大。模型公司的重任是探索智能的上限（如从提供工具转变为直接交付报告/结果），这对于模型公司才是更有趣和努力的方向。同时，我们会通过 API 将能力提供给所有开发者，以满足世界上海量未被满足的需求。此外，应用中并非100%都是模型，还有其他逻辑、内容和结构，模型成本下降也会带来新的商业模式空间。因此，“模型吞噬一切”的观点不准确。
付强：现实世界场景复杂多元，模型是赋能而非接管所有场景，这也是应用公司的机遇。接下来，请大家分享自己最大的 “Mental Block”（思维障碍）、因此踩了什么坑、以及如何克服的。
月之暗面 冯铮：模型的性能就是一切，用户能感知到好的模型产品。性能提升，即使是相同产品用户也会觉得不同。例如，Kimi OK Computer的报告在闲鱼上被二次转卖，显示出智能提升的巨大价值。对我们而言，提升智能始终是最重要的事。
付强：我想追问一句，既然你说学到的是提升智能最重要，那是不是说明你们曾经有过不认为提升智能是最重要的时期？
月之暗面 冯铮：我们一直都是这么认为的，只是随着模型性能的逐步提升，大家对这一认知的信念和信心在逐渐增强，越来越坚定了。
牵手科技 李育炜：我们最初的“思维障碍”是追求单方面输出结果最好的模型。但在模型落地业务后发现，真正需要的是最合适的模型，它必须综合评估调用速度、成本和稳定性等因素。这个教训导致在模型采用和业务展开时，推翻了大量原有设想，进行了大规模重构。
元理智能 张帆：从企业的角度来看，我们看到了很多挑战，因为整个时代的范式变化非常快。例如，仅从模型的应用范式来看，在2023年，大家认为做应用的公司必须有自己的模型，所以涌现了Character AI、Inflection等一批公司。但到2024年，范式变了，模型与应用开始分离，出现了像Cursor、Perplexity这样没有自建模型，但能将应用做得很好的公司。
进入2025年，又发现很多与产业结合的垂类模型开始出现，无论是面向C端的还是面向B端的法律、医疗等模型。因此，企业需要不断地适应这种范式变化。从更底层的逻辑来讲，我们应该更清晰地思考如何分离变化中的事物，去寻找不变的内核。我们经常用一个比喻：模型相当于一个大海的海平面，它不断在升高。如果选择修筑灯塔，它就会不断被淹没；所以应该思考如何去构建一艘船，即如何与模型本身的能力进行解耦，能够持续应用其最新的智能，并在其上构建模型做不到的事情。这是每一个企业家都应该仔细思考的方向。
大千科技 裘梦婷：我们遵循“要犯错就快速犯错、犯小错”的原则，因此在大错上没有让人特别印象深刻的。但总结了两点重要经验：一是在行业应用方面，我们做To C内容娱乐产品时，意识到当前模型能力更适合做“生产力工具”而非简单的“工具”，就好比专业厨师的刀而非家用刀；我们最初尝试用“工具”生产To C消费级内容失败了，因为内容达不到用户要求，只有转向生产力工具，选准使用者，通过交互才能产生达到消费级的内容。二是组织内部推广AI编程时，遇到的巨大障碍并非模型性能不足，而是人类与AI之间的Context（上下文）对齐能力，我们通过投入大量时间进行多维度需求判定和加入Checkpoints，不断拉齐人与AI的上下文，才显著提升了交付能力。
付强：我想展望一下未来，鉴于今天的AI正在成长，我想首先听听应用者的期待。你们希望AI接下来能诞生出什么样的能力，以及这种能力又将如何赋能到你们自身的产品或业务？
元理智能 张帆：我有一个底层的假设：智能是否是无限的？回顾人类过去5000年，我们的脑容量没有发生显著变化，今天每个人所创造的生产力本质上是通过教育、分工和协作带来的。这就引出了一个最底层的逻辑：智能到底是不是对称的？我们过去常说大模型智力不对称，它一方面能拿奥数金牌，另一方面却数不出一个单词里有多少个字母。
大家普遍认为这是模型的缺陷，但我认为这恰恰是智能的特性，而非缺陷，因为人本身也是不对称的。因此，我认为AI进一步发展，如果真正要进入产业，它必须从“为知识建模”转向“为生产力建模”。应该以生产力为导向，在基座模型之上构建教育、分工和协作的能力。其核心原因在于，我们相信在不同场景中，环境不同，模型的智能就应该不对称。
因此，我对于未来AI最大的期待，就是找到一个通用的方法来适配这种智能的不对称性。我们正在尝试的是用一种类似于强化学习与商业结合的方式，让模型变成一个在环境内自进化的系统，以业务结果为导向，形成无数的分支来放大基座模型的能力，从而转化为生产力。其中最关键的就是如何让模型为学习建模。这是我对模型未来最大的期待。
大千科技 裘梦婷：我们的期待是反推到公司内部培养行业新人时关注的一个关键指标——迭代能力，即模型新增知识的学习能力，它要在不遗忘旧知识的同时，精准找到新增知识与历史知识的内在逻辑关系。在这个过程中，会尤其关注模型具备更强的多模态窗口学习能力，以利用行业内不断产生的动态新增能力、技能和知识，实现长期、动态的自主学习能力，例如通过观看专业行业视频就能内化并学习新增的部分知识，这将极大提升行业交付能力。
牵手科技 李育炜：从当下现实角度来看，最大的期待是模型能更便宜、更快。我认为便宜也是一种能力，如果能做到足够快和足够便宜，很多质变的结果应该已经发生。从未来来看，肯定是在等待AGI的实现，这只是一个时间问题。
付强：那么他们希望的模型能力会实现吗？什么时候能实现？我听说从降低成本到AGI还有很远的距离。不同人许下的愿望——从应用者的期待到降低成本和实现AGI——模型公司未来将有可能在什么时候兑现这些愿望？
月之暗面 冯铮：这些都不能称之为愿望，因为很快都能实现。大模型公司之所以有信心，是因为从算法角度看，强化学习已提供了模型逐步提升学习能力的可见路径，只是需要时间历练。智能显著提升可能在两年、三年、四年、五年这样的维度上就能实现。同时，成本优化也非常重要，它将解锁新的商业模式，尤其中国公司在这方面优势明显，会带来很多新的可能性。
付强：在这里我想追问一句，在模型公司的人看来，什么是AGI？你们是在瞄准这个目标做事吗？
月之暗面 冯铮：公司名字“月之暗面”的由来就是探索AGI。通俗地讲，AGI最初指的是模型能做到一个普通人能做的工作，但现在大家已默认将标准提高到了“模型能做所有普通人能做的所有工作”。基于现有的基础设施、算法结构和发展趋势，即使是这个高标准的AGI，也非常有机会在最近几年内实现。
付强：我们下一个话题来聊一聊中美模型生态。今天的主题是“东方既白”，中美的模型生态无论在技术能力、成本还是“朋友圈”上都有很大差异。我想听听各位应用者，在将应用落地到实际场景中时，是如何选择模型的？选择时考虑了哪些点？是否会用到海外模型？各自的优势和劣势是什么？中国的模型优势又是如何帮助你们的应用成功的？
牵手科技 李育炜：现在还是从比较现实的角度出发。在需要做一些比较复杂的计算、推理要求苛刻的场景，可能会使用一些海外的模型。而在量大管饱的情况下，我们基本会选择中国模型，这是一个非常现实的选择角度。而且在处理特定中文场景和中文问题时，国内模型的输出结果往往比国外模型要好很多。
元理智能 张帆：从我的视角来看，分两方面。如果是个人在使用AI，我觉得你肯定会用最好的模型，但坦率地说，国外的模型与国内相比，性能已经很接近了。个人应用上即使差个2%，对于个人来讲，可能迭代思考十次就值回了投入。
但从企业应用的角度来看，大家应该更关注于如何应用模型，而不是选择哪个模型，因为基座模型性能差异已收敛到很小的范围。在企业应用和特定领域应用中，我们应该在基座模型之上构建场景的最优解，基座模型的微小差异已经不重要了。我推荐每个人都应该使用国产模型，性价比更高，灵活性更好。
大千科技 裘梦婷：从我们内部的角度来讲，这不是一个纯粹的中美模型选择问题，因为在大部分场景中，中美模型已处于平分秋色的状态。本质上是企业要定位自己，并根据不同阶段选择不同的模型策略：第一阶段是定义Benchmark，只选最好的；第二阶段小规模放量，依据第一阶段获得的用户体感所定义的性能指标去选择；第三阶段大规模放量，时延和性价比是第一优先级的决策逻辑；到最后一个阶段，行业成熟并积累垂类数据壁垒后，则会演化为做小模型训练或模型微调。因此，企业需要精准定位自己当前阶段来制定模型决策策略。
付强：中国模型有没有可能在不远的将来成为那个大家口中的“最好的”？如果有可能，我们该如何走到那里？
月之暗面 冯铮：我认为，今天中国模型已经是最好的之一了，这本身已是巨大进展。中国大模型公司用着美国对标公司1%的资源，却达到了非常接近的效率水平，这表明我们的效率可能是美国同行的100倍。很多美国开发者反而更倾向于选择中国模型，例如有知名美国投资人提到将很大工作量迁移到了K2模型上，一家估值近100亿美金的美国代码云服务公司的CEO也在推特上列出详细指标，称K2的模型性能准确度比其他美国最前沿模型高50%，所以，这件事正在发生，我们非常有信心。
付强：好的，那我们今天最后一个问题，也是最简单的问题，请各位分享一句愿景，你们希望怎样用AI在你的产品、你的服务上改变世界？
大千科技 裘梦婷：AI在某种程度上是对各种生产力效率的提升。比较期待的是，在情绪获得这件事情上，我们能够极大地效率化，让更多的人在疲惫、痛苦或任何情绪状态不好的时候，让“让你快乐”这件事情变得简单、变得高效。
元理智能 张帆：我们期望把基础模型的基础智能转化为业务的生产力。希望可以在每一个企业自己的领域内，快速去实现自己的AGI乃至ASI（通用超级智能），从而转化为生产力，带来更多的需求侧发展，进而为供给侧带来更多的资源。
牵手科技 李育炜：现在肯定是想先解决中国的单身问题、脱单问题。那未来我们希望有机会能解决一下中国的人口问题。
月之暗面 冯铮：目标是探索智能的上限，希望更好地提升大家工作和学习的效率，这样人们能有更多的时间可以娱乐和生活。
付强：那我们的目标就是支持各位，让各位的梦想都实现。