從AGI-Next前沿峰會，看清大模型公司的兩條路：ToB向左，ToC向右

作者｜西梅汁

編輯｜星奈

媒體｜AI大模型工場

這次 AGI-Next 前沿峰會，更像一次行業“分岔口”的確認。

在清華大學基礎模型北京市重點實驗室與智譜聯合發起的圓桌上，唐杰、楊植麟、林俊旸、姚順雨與楊強院士罕見同臺。討論的焦點，不再是誰更接近 AGI，而是中國大模型行業正在不可逆地走向分化。

這種分化，并非簡單的 ToB 與 ToC 之爭，而是對智能價值如何兌現的不同選擇：一條路，把模型嵌入生產流程，押注確定性的生產力；另一條路，進入真實生活場景，押注體驗、規模與長期心智。

幾乎在同一時間，智譜與 MiniMax 相繼上市，前者錨定 ToB，后者押注 ToC。當峰會共識與上市路徑相互印證，中國大模型行業也正式走到了一次真正的分岔口。

01同一張牌桌，不同走法

在AGI-Next峰會的圓桌討論中，“分化”成為貫穿始終的核心議題。

橫跨中美行業的姚順雨、深耕阿里千問的林俊旸、掌舵智譜的唐杰，以及見證多輪AI周期的楊強，從不同視角解讀了ToB與ToC的分化本質，形成了諸多共識。

作為曾任職于OpenAI、如今扎根國內AI行業的“跨語境者”，姚順雨對分化的感知最為直接。他在峰會中明確提出：“ToC和ToB已經明顯發生了分化，這是最核心的感受。”

在他看來，這種分化的根源在于兩類用戶對“AI智能”的價值認知完全不同。對于ToC用戶而言，大部分時候并不需要極致的強智能，“今天用ChatGPT和去年相比，解抽象代數的能力變強了，但大部分人感受不到。在中國，很多用戶用AI更像是用搜索引擎的加強版，甚至不知道該如何激發它的智能。”

當然，ToC的核心瓶頸也并非技術本身，而是“額外的Context（上下文）和Environment（環境）”。現場姚順雨就舉了一個例子：“當你問‘今天該吃什么’，AI回答不好不是因為模型不夠大，而是它缺少‘你今天很冷’‘活動范圍有限’‘家人的飲食偏好’這些上下文信息。如果能把微信聊天記錄等場景信息導入，AI才能真正給ToC用戶帶來價值。”

但ToB市場完全是另一套邏輯，“智能越高，生產力越高，能賺的錢就越多，這一切都是強相關的。”姚順雨觀察到，在美國市場，很多企業愿意為最強的模型支付溢價，“一個200美元/月的頂級模型，能把10個任務中的八九個做對；而50美元/月的模型可能只做對五六個。對于年薪20萬美元的工程師來說，為了避免監控錯誤任務的額外成本，他們愿意為頂級模型買單。”

除了用戶端的差異，姚順雨還提到了商業模式的分化，ToC領域“垂直整合”依然成立，模型與產品需要緊密耦合迭代；但ToB領域更傾向“模型與應用分層”，好的模型會吸引更多應用層公司來適配，形成生態效應。

阿里千問的林俊旸則從“自然演化”的角度解讀分化。他認為，大模型公司的分化不是刻意規劃的結果，而是在與市場的交互中自然形成的，“Anthropic不是一開始就賭Coding，而是因為和企業客戶交流得多，才發現了這個巨大的機會。”

這種自然分化的核心，是“服務真實人類”的價值導向。林俊旸強調：“無論ToB還是ToC，我們最終都是在服務人。ToC產品也會進一步分化，比如有的偏向醫療，有的聚焦法律，關鍵是找到自己要服務的核心用戶。”

同時，他提到中美市場的一個關鍵差異，“美國的API廠商都沒想到，Coding的Token消耗量會這么大，但在中國，Coding的Token消耗還遠遠沒達到這個水平。”這種差異也決定了中國公司的分化路徑不能完全照搬硅谷。“中國的SaaS市場和美國不同，企業的付費意愿、使用習慣都有本土化特征，需要在交流中找到適合自己的機會。”

對于ToC的未來，林俊旸認為“個性化（Personalization）”是核心方向：“過去的推薦系統靠用戶數據讓體驗更好，今天的AI要成為真正的Copilot，也需要持續理解用戶。但AI時代的個性化衡量指標和推薦系統不同，不是‘點擊量’‘購買量’，而是‘是否真正懂用戶’，這是當前的技術挑戰。”

作為智譜的核心負責人，唐杰的分享更具實踐色彩。他坦言，智譜選擇Coding這條ToB路徑，是團隊反復爭論后的“主動下注”。“2023年很多大模型一起上線，但每家的用戶都不多。我們意識到，單純做通用Chat不是解決問題的辦法，必須找到一個具體的方向深耕。最后我們賭了Coding，把所有精力都放在了上面。”

此外，唐杰同樣表示ToB路徑需要長期聚焦。他認為，早期大模型行業的“同質化競爭”已經結束，“自從DeepSeek出來之后，通用模型的戰爭就已經落幕了，接下來的關鍵是找到自己的細分戰場。”

對于ToB和ToC的選擇，唐杰認為這本質上是“價值判斷”，“Agent也好，大模型也罷，能不能成關鍵看三個因素：一是解決的問題有沒有價值，二是做事的成本高不高，三是做應用的速度快不快。ToB的價值更明確，就是提升企業生產力，只要能解決具體問題，就能獲得商業回報。”

楊強教授則從工業界與學術界的跨領域視角，補充了分化的深層邏輯。他認為，當前工業界在大模型領域“領頭瘋跑”，學術界相對滯后，但這種差距正在縮小，“當大模型進入穩態后，學術界需要跟上，解決工業界沒來得及解決的基礎問題，比如‘智能的上界在哪里’‘資源如何在訓練和推理間分配’。”

這種協同對于ToB和ToC的分化發展都至關重要。比如ToB領域的聯邦學習，需要學術界提供理論支撐，幫助通用大模型與本地隱私數據結合；ToC領域的持續學習，也需要學術界解決“記憶噪音”的問題，“人類通過睡覺清理學習噪音，AI能不能借鑒這種模式？這可能孕育新的計算范式。”

02兩條路線，正在被現實驗證

峰會關于“分化”的共識，已在真實的行業實踐中清晰顯現。近期智譜以ToB核心業務沖刺IPO、Minimax憑ToC產品登陸港交所的動態，正是這一趨勢的具象化體現。事實上，從頭部科技巨頭到細分賽道創業者，都已在兩條路徑上各有布局、深耕細作，形成了差異化的競爭格局。

ToB 路徑的核心，不止于模型多強，而在生產力是否可被感知。這也恰好呼應了姚順雨在峰會上反復強調的一點：智能水平越高，轉化為生產力的空間才越大，商業價值才真正成立。

在工業場景中，這一邏輯已經率先跑通。科大訊飛以星火大模型為核心技術底座，依托羚羊工業大模型等垂直產品形態，將人工智能能力深度融入AI 質檢、智能排產等核心生產環節，相關應用早已跳出概念驗證范疇，進入規模化落地與復制階段。

金融行業則是 ToB 大模型的另一塊深水區。比如，通義千問聯合多家銀行推出的智能風控平臺，整合企業經營、輿情及供應鏈等多維數據建模，不僅顯著提升信貸風險識別精準度，還將特定場景下的貸款審批周期進行壓縮。這類基于行業數據訓練的垂直模型，一方面補足了通用模型在專業場景中的適配短板，另一方面也通過本地化部署回應了金融機構對數據安全與合規的核心關切。

而智譜的路徑則更接近 ToB 模式下的“商業樣本”。圍繞編程與研發場景打造的工具體系，已服務超過 1.2 萬家企業，憑借 GLM 系列模型的強編碼與推理能力，形成了標準化的 MaaS 服務模式。

當然，ToB 并非一條輕松的路。國內企業整體付費意愿仍在培育期，行業標準化程度參差不齊，多數公司仍處在從“標桿項目”走向“規模復制”的爬坡階段。

也正因如此，ToB 賽道正在顯現出更清晰的分工趨勢：頭部大模型廠商專注于基礎模型和算力、算法的持續迭代，而大量垂直 SaaS 與行業服務商則負責將模型能力拆解、嵌入到具體業務流程中。這種“基礎模型 + 行業解決方案”的分層協作，正在成為現實可行的落地路徑。

相比之下，ToC 路徑考驗的不是行業理解力，而是對用戶真實需求的捕捉能力。正如林俊旸在峰會上所言，關鍵并不在于“能做什么”，而在于“用戶愿不愿意用”。

就拿 MiniMax 來看，以情感陪伴、AI 視頻生成等產品切入海外市場，2026 年 1 月登陸港交所并獲得超額認購，成為 ToC 路徑中最具代表性的案例之一。但這條賽道的競爭，遠不止一家公司的故事。

在國內，字節跳動的豆包是 ToC 大模型產品的典型樣本。通過“全場景覆蓋 + 年輕化運營”，豆包在短時間內完成了用戶規模的快速積累。

據字節跳動官方發布的 2025 年 12 月數據，截至 2025 年底，其 DAU 已突破1億，成為國內首個億級日活 AI 原生應用。更關鍵的是，豆包并未停留在“通用聊天”，而是深度嵌入抖音、今日頭條等內容生態，推出短視頻腳本生成、熱點解讀、學習資料整理等高頻場景功能。

垂直 ToC 工具同樣展現出強生命力。以辦公工具“WPS AI”為例，其聚焦辦公場景這一高頻垂直領域，深度適配文檔創作、數據分析、演示文稿制作等多元辦公需求，提供從文案生成、格式優化到數據可視化、多模態內容創作的全鏈路智能輔助，2025年6月數據顯示，WPS AI月活躍用戶達2951萬，累計年度付費個人用戶超4179萬。其優勢并不在模型規模，而在于精準匹配職場人、學生等不同群體的辦公痛點，解決了通用大模型在辦公場景下格式適配差、功能冗余的問題，充分印證了垂直場景深耕的商業價值與用戶粘性。

MiniMax 的實踐，也折射出 ToC 路徑的另一面，機遇與壓力并存。據其招股書預披露信息，公司海外收入占比超過 73%，驗證了國產 ToC 大模型的出海潛力；但次日留存率約 41.9%、盈利效率仍待提升，也提醒市場，ToC 并非 “流量即勝利” 的簡單邏輯。高頻使用、長期留存和付費轉化，仍需要持續的產品打磨與運營投入。

從更長周期看，ToC 大模型正在從“聊天工具”走向“嵌入式能力”。小米將自研大模型融入音箱、車載系統，打造全場景 AI 助手；喜馬拉雅推出 AI 播客生成工具，直接服務內容創作者。這些探索共同指向一個方向：當模型不再是獨立產品，而成為用戶日常體驗的一部分，ToC 的商業邊界才會真正被打開。

03真正的競爭，從分化開始

隨著智譜、MiniMax 等公司相繼走向資本市場，中國大模型行業的分化正在加速。從 AGI-Next 前沿峰會的討論來看，未來三到五年，行業很可能形成ToB 與 ToC并行成熟、各自演進的格局。但這并不意味著路徑清晰、風險消失，相反，兩條路線都正在進入真正的“硬仗階段”。

對 ToB 路徑而言，挑戰首先來自現實環境。姚順雨在峰會上直言，中國 SaaS 市場在付費基礎、決策機制和落地復雜度上，與美國存在顯著差異。很多企業對大模型的認知，仍停留在“效率輔助工具”，而非生產力重構的核心引擎。這直接導致一個結果：企業愿意試用，但未必愿意長期、穩定地為之付費。

更深層的問題在于結構性約束并存——付費意愿不足、需求高度分散、部署復雜度高。不同行業、不同規模的企業，對模型能力、部署方式和數據安全的要求差異巨大，如何在標準化產品與深度定制之間取得平衡，成為 ToB 公司繞不開的核心難題。

從峰會形成的共識來看，ToB 的突破方向正在收斂為兩類能力：一是垂直行業深度，通過長期行業積累建立技術與數據壁壘。智譜在 Coding 場景上的聚焦只是一個縮影，醫療、金融、工業等領域也在逐步形成各自的“行業模型路徑”。二是工程化與生態能力，尤其是在私有化部署、數據合規與安全隔離等關鍵問題上，真正降低交付成本，并通過與 SaaS 廠商、硬件廠商協同，把大模型嵌入企業原有工作流，而不是強行重構系統。

在此之外，姚順雨還強調了一個常被低估、但極具潛力的突破口——教育市場。他指出，拉開人與人差距的并不是 AI 本身，而是“會不會用 AI”。對 ToB 公司而言，未來的價值不只在于賣產品，更在于幫助企業建立使用 AI 的能力，包括工程師培訓、方法論沉淀與最佳實踐輸出，本質上是從“產品交付”升級為“能力交付”。

相比之下，ToC 路徑承受的壓力來自另一端。其核心矛盾并不在技術，而在于需求極度碎片化與商業化可持續性同時承壓。用戶使用場景橫跨學習、辦公、創作與娛樂，產品稍有偏差就可能被迅速替代，且競爭早已不限于大模型公司之間，傳統互聯網平臺與創業團隊持續抬高獲客成本。

因此，ToC 的進化方向正從“功能堆疊”轉向更明確的兩條路徑：其一是極致個性化。林俊旸在峰會上反復強調“記憶”和“場景理解”，目標是讓 AI 成為真正懂用戶的 Copilot，而非一次性工具；其二是場景化深耕，不再追求“大而全”，而是圍繞高頻、強需求場景持續打磨，如教育輔導、內容創作或特定職業工具，通過深度體驗建立長期粘性。

與此同時，一種更具現實意義的模式正在浮現。C 端積累的交互經驗、個性化能力和用戶理解，反向賦能 B 端客戶，形成“雙輪驅動”。MiniMax 將個性化技術輸出給線下商家，正是這一思路的具體體現。

從更高層面看，分化并不意味著割裂。未來，無論是 ToB 與 ToC 之間，還是模型層與應用層之間，都將形成更明確的互補關系：ToB 需要 ToC 的場景理解能力，ToC 依賴 ToB 的底層模型與工程能力，“模型 + 場景”的分工格局正在逐步成型。

楊強教授在峰會上提到的工業界與學術界協同，同樣是長期機會之一。當大模型進入相對穩態后，學術界將更多聚焦智能效率、記憶機制等基礎問題，為 ToB 與 ToC 的下一階段演進提供新的技術源頭。

對創業者而言，分化反而意味著空間。林俊旸引用 Manus CTO 的觀點指出，“真正有意思的是長尾問題”。頭部大模型公司不可能覆蓋所有細分場景，而這正是創業團隊的生存區間——無論是小眾行業的 ToB 方案，還是特定人群的 ToC 工具，只要定位清晰，依然有機會建立穩定價值。

放眼全球競爭格局，中國大模型公司的分化路徑，也將深刻影響其國際競爭力。姚順雨認為，中國公司在“追趕”階段已展現出極強執行力，但在引領新范式上仍有差距；林俊旸則判斷，三年內中國公司成為全球最領先 AI 企業的概率“低于 20%”，核心約束在于算力規模與冒險投入——美國公司擁有更大規模的算力池，并將相當一部分用于下一代探索，而中國公司的算力更多服務于交付與現有業務。

不過，唐杰與楊強都給出了更積極的判斷。前者認為，90 后、00 后創業者的冒險精神正在顯著增強；后者則以互聯網發展為例指出，中國在應用層創新上已經完成過超越，AI 作為賦能技術，同樣可能在 ToC 領域率先跑出全球領先的產品形態。

回看 AGI-Next 峰會的觀點碰撞，以及智譜、MiniMax 的上市實踐，可以清晰地看到，國內大模型行業已經走出“同質化競爭”的早期階段，正在進入差異化選擇與路徑固化的新階段。

“如果我們笨笨地堅持，也許走到最后的就是我們。”這是唐杰在 AGI-Next 前沿峰會上的一句話，也是當下中國大模型行業最貼切的注腳。

在智譜、MiniMax相繼走向資本市場之后，行業的分水嶺已不再是誰更像“通用大模型”，而是誰選對了路徑、并能長期走下去：是把大模型變成企業生產力，還是做成真正懂用戶的產品；是優先交付確定性，還是為下一代能力保留試錯空間。

分化不是失敗，而是成熟的信號。ToB 拼效率與耐力，ToC 拼體驗與規模，答案只有時間給出。