明天就要进场了，会议日程翻到最后，我的感受是：今年 AI 圈真正值得听的东西，不在 keynote 的大屏上，而在那些“吵”得最凶的讨论里。这份攻略就是帮你提前把今年 AI 到底在“吵”什么理清楚，方便明天进场后能在最短时间内看懂台上台下的分歧，不至于听完一场圆桌只觉得“两边都说得有道理，但不知道谁对谁错”。
AI 行业发展到今天，纯跑分和参数已经不是唯一焦点，路线选择、商业模式和价值观的争吵反而成了主线。开闭源、Scaling Law、Agent、安全对齐、评测体系，这五个话题几乎可以肯定会在明天的任何一个分会场反复出现。你不需要全听懂，但至少要知道谁在吵、吵什么、哪句话值得记下来、哪个提问能问出真东西。
1. 今年 AI 圈都在“吵”什么：先看清三条矛盾线
1.1 表面看是技术之争，底层其实是路线和利益之争
把今年所有论坛和圆桌的争吵汇总一下，能归纳成三条相互交叉的矛盾线。
第一条是技术路线之争，核心问题是“继续堆规模还能不能换来真正的智能提升”。一方认为 Scaling Law 还没到头，只要算力、数据、参数继续扩张，能力就会继续涌现，现在唱衰的人只是没看到长线曲线。另一方认为预训练阶段的规模红利已经明显衰减，接下来应该把资源转向推理阶段的精细优化、合成数据和测试时计算这些新方向。技术博主喜欢把这场争论描述成“大力出奇迹”和“精耕细作”的对立，但严格来说两方并不是完全互斥，真正的分歧在于资源应该往哪投。
第二条是利益之争，最典型的体现就是开源和闭源的对立。开源方说开放生态才能让技术被最大规模地使用，闭源方说我投入了巨额资金和算力，理应通过闭源授权回收成本并保证质量可控。这背后不只是技术理念，更是商业模式和行业话语权的争夺，所以它吵得最凶，因为每一句话后面都站着真金白银。
第三条是价值之争。AI 能力释放得越快，安全对齐的压力就越大。有人怕 AI 被滥用，有人怕过度安全导致模型“变笨”。这个分歧在学术会议上有，在商业发布会的问答环节更明显，而且往往是全场最容易冷场又最能炸场的话题。
1.2 今晚先做三件小事，明天少走一半弯路
攻略不是让你临时抱佛背一堆术语，而是用最小的成本建立基本判断框架。我个人建议今晚只花半小时做三件事。
第一件事，把五张“立场速查卡”记在手机备忘录里。你要记的不是跑分，而是每个话题的核心分歧点。第二件事，打开明天会议议程，把所有带“圆桌”“辩论”“问答”字样的 session 标红，这些环节才是真正会吵起来的地方，keynote 大多是单方面输出，很难听到冲突。第三件事，写下三个自己的问题，不用宏观，但必须是具体问题，比如“你们端侧模型在断网环境下的实际准确率能到多少”，现场提问的时候，具体问题比宏观问题管用得多。
为了方便你躺在床上临时抱佛脚，我把五个话题的速查卡先放在这里。
| 话题 | 核心分歧 | 现场最容易识别的信号 |
|---|---|---|
| 开闭源 | 开放生态 vs 商业回报与可控性 | 是否公开权重、训练数据和评测方法 |
| Scaling Law | 继续堆规模 vs 精耕细作提效率 | 演讲里反复出现“算力”还是“推理成本” |
| Agent | 真生产力 vs 演示型 Demo | 敢不敢现场跑完整任务并给失败率 |
| 安全对齐 | 能力释放 vs 风险控制 | 有没有可复现的红队报告 |
| 评测体系 | 榜单分数 vs 真实体验 | 敢不敢现场跑自己准备的刁钻任务 |
这三件小事做完，你进场时就已经比一半参会者有准备了。
2. 第一场大戏：开源与闭源，到底该不该把模型放出来
2.1 双方到底在争什么
开源闭源这个话题的激烈程度，过去几年一直是逐年上涨的。支持开源的开发者会说，模型权重公开意味着任何人可以在本地部署、微调、二次开发，学术研究可以复现，中小企业可以降低使用门槛，整个生态也会因为社区贡献而加速进化。反对的声音也不弱：模型如果是开源的，恶意使用者可以拿去做钓鱼邮件和深度伪造；开源模型没法做集中管控，一旦出现安全缺陷，连打补丁都找不到一个统一出口；更现实的一点是，开源会削弱闭源厂商的商业护城河，让投入巨额研发成本的团队难以通过授权获取合理回报。
这不是简单的好与坏，而是开放程度与可控性、商业可持续性之间的权衡。我见过很多开发者在私下说得更直白：闭源旗舰的推理能力确实强，但用起来要忍受不透明的更新和越来越贵的接口费用；开源模型虽然可控，但能力落差需要自己花精力去补。所以你会发现，现场辩论时很多人表面在谈技术，实际上在谈“我愿意为不可见的能力付出多少成本”和“我愿意为自由放弃多少性能”。
2.2 明天现场怎么看风向
看风向不要只看 PPT 上写了多少个“开源”，要看他们发布的内容属于哪一层。模型权重是否公开、训练数据是否公开、评测方法是否公开、商业使用条款是否放得很宽，这四者可以排列组合出很多种“伪开源”。到时候你现场对比这四个答案，基本就能判断对方是真心拥抱开放，还是只是把它当营销标签。
另一个值得观察的点是厂商自己的使用姿态。有些团队嘴上说开源，但自家主力产品反而是闭源接口，这种“双重标准”往往会被观众当场追问。反过来，如果一家创业公司宣布把底座模型开源，但同时提供托管服务和微调工具，那说明它在尝试“开源获客、服务收费”的新商业模式，这也是今年一个值得记下来的行业信号。听完这场之后，还有一个附加任务：看看展台工作人员怎么介绍自己的模型能力，如果他们把“可本地化部署”放在第一页，那大概率是在对标开源社区做差异化。
3. 第二场大戏：堆算力还能走多远，Scaling Law 是不是到顶了
3.1 “大即是好”正在被认真挑战
Scaling Law 可以理解成“大力出奇迹”的学术版：模型越大、数据越多、算力越强，能力就越强。这个逻辑确实带来了一轮又一轮的进步，但今年质疑的声音明显比以往更具体，也更技术化。数据瓶颈是第一个现实难题：人类生产的高质量文本快被用完，继续凑数只会引入更多噪音。能源和算力成本是第二个约束：训练一次超大模型的成本已经高到只有极少数团队才扛得住，边际收益却在下降。更关键的是，很多研究者在尝试复现超大模型收益时发现，同等规模下收益并没有想象中那样稳定。
所以代表“精耕细作”的一方开始提出新方案：在推理阶段让模型多“想”一会儿，也就是测试时计算；用合成数据来缓解真实数据枯竭；用混合专家架构降低单次推理成本；把大模型的能力蒸馏到更小的模型上。这些路线的共同点是：不再把“更大”当作唯一目标，而是把“同样的成本下获得更强的实际效果”当作目标。
3.2 现场听到这些词，你就知道风向变了
明天听 session 的时候，不需要去记那些复杂曲线，你只需要竖起耳朵捕捉几个关键词。如果演讲者反复提“推理效率”“延迟预算”“成本敏感”，说明他站在精耕细作派。如果他反复提“数据规模”“参数量”“算力集群”，说明他还是规模派。两派博弈最精彩的地方在于，新品发布往往两边都沾：PPT 前半段讲规模，后半段突然讲效率优化，这种骑墙本身就是行业焦虑的表现。
到问答环节，你可以用一个百试百灵的提问探测态度：“请问贵团队下一步研发重点是把底座模型做得更大，还是把推理做得更聪明？”不管对方回答哪个，你都能从他的补充说明里听出真实预算投向。另外，展台如果有配套的推理应用 demo，可以仔细观察它的响应速度：如果一个号称“超大底座”的产品在 demo 中表现得又慢又卡，那你基本就能判断，规模派的叙事和落地派的产品之间的鸿沟，明年还会继续拉大。
4. 第三场大戏：Agent 到底是未来，还是又一场大型 Demo
4.1 争议的焦点：稳定性和评测都没有跟上
Agent 这个概念今年火得不能再火，几乎每场发布会都会说“我们进入了 Agent 元年”。但如果把标签摘下，掰开看，Agent 的核心争议其实在于：它到底能稳定完成任务，还是只能在精心设计的 demo 里完成任务。
做工程的朋友应该都懂，Agent 的本质很像一个实习生：理解目标、拆解步骤、调用工具、处理反馈。问题是，这个实习生在理想环境里表现惊艳，一旦遇到页面改版、权限缺失、接口报错、中间结果异常，很容易陷入死循环。多步任务的失败率是 Agent 落地最大的坎，而很多厂商不愿意公开真实任务的成功率，只愿意给你看精选案例。
评测体系也没有跟上。传统基准测的是“一次作答”，Agent 测的却是“多轮决策链”，两者完全不是一回事。所以今天你在现场会看到立场对立得很明显：做应用的团队说“Agent 已经到生产力边界了”，做研究的团队却说“连可靠的评估集都没建好，谈元年太早”。
4.2 现场验证 Agent 的五个提问
看 Agent 相关 demo 时，我建议你把“哇”的情绪收起来，带着五个问题去审视。
第一个，如果这一步调用外部工具失败，Agent 会自动重试还是直接崩溃？第二个，中间步骤出错时的日志是否可追溯，用户能干预到哪一层？第三个，多步任务的平均完成率和极端情况完成率分别是多少，能不能给数据？第四个，整个任务跑下来的 token 成本是多少，你有没有考虑过真实业务每天跑几百次的情况？第五个，你们 Agent 在测试环境和生产环境的性能差别有多大？
这五个问题问完，基本没有 demo 团队能全部正面回答。这不是刁难，而是帮你自己判断：这个 Agent 是工程团队打磨过的可交付产品，还是演示团队专门调的舞台剧本。真正有底气的团队会主动把失败案例放出来讲，因为他们知道失败模式才最能体现工程质量。
5. 第四场大戏：安全对齐和能力释放，正在拔河
5.1 远虑和近忧，两边都很真实
AI 安全的争论，在会场里可以看见两个完全不同的层次。一层谈远虑，讨论强人工智能会不会在未来某天带来不可控风险，话题偏向结构性和哲学性，参与者多是研究者和政策观察者。另一层谈近忧，聚焦当下大模型已经出现的幻觉、越狱、隐私泄露、恶意滥用，参与者多是工程师和安全产品经理。
两拨人虽然都叫“安全”，但诉求差别极大，所以很容易吵起来。近忧派觉得远虑派在空谈，不如多拿几个真实攻击样本做红队测试；远虑派觉得近忧派视野太窄，只盯着眼前 bug 而看不到系统性问题。更微妙的是，安全对齐本身也在和能力释放拔河：用户希望模型“有边界但不要过度拒绝”，开发者希望模型“安全但不显得笨”，而安全团队希望在发布前把风险降到足够低。三者之间存在真实的张力。
现场有一个很有意思的观察方式：安全团队的演讲通常比较谨慎，喜欢讲原则和框架；工程团队的演讲则偏向展示能力边界和失败案例。如果你能把两场连起来听，会发现他们经常在同一个问题上给出完全不同的优先级排序，这就是当天最有价值的冲突。
5.2 安全问题怎么问才不会冷场
直接问“你们模型安全吗”是一个错误问题，对方只要回答“我们高度重视安全”，你就得不到任何信息。更聪明的问法是把安全拉回到具体场景里，比如：“遇到用户反复诱导越狱时，你们是倾向于强硬拒绝导致对话中止，还是尝试柔性拦截保持对话继续？”这个问题背后其实是安全策略与用户体验的取舍，对方再怎么公关，也会在回答里泄露产品策略。
还有一个值得关注的细节，就是看对方有没有发布可复现的红队报告。不是说所有团队都必须公开安全细节，但一个愿意分享攻击方法、防御失败案例的团队，通常比只展示“我们通过了严格的检测机制”这句话的团队更值得信任。今年很多安全讨论已经从“要不要安全”进化到了“安全如何不被当作营销话术”，你明天听到这句话的时候，就知道辩论又深了一层。
6. 第五场大戏：榜单分数和真实体验，到底该信哪个
6.1 刷榜、污染与评测失效：分数越来越不值钱
评测是今年最少上热搜但后台吵架最凶的话题之一。标准的跑分基准，比如各种选择题和推理题集，已经越来越难分辨模型之间的真实差异，因为榜单前排的分数早就饱和了，每家都在小数点后两三位互相较劲。另一个问题是数据污染，某个模型的训练语料可能已经包含评测题的答案，测试集再也没法保证“未知”。
更麻烦的是，传统评测考的是“一次性回答”，而真实用户使用 AI 时在意的是“多轮对话一致性”“长文本理解”“工具调用流畅度”“指令遵循稳定性”，这些维度很难被单一分数代表。所以现在陆续有人提出用人类偏好对齐率、用户留存率、真实任务完成率来替代旧基准，但新标准还没有形成江湖地位，于是你在现场会看到一种有趣的错位：厂商在发布会上放榜单图，研发人员在私下吐槽榜单图毫无意义。
6.2 现场鉴别宣传水分的技巧
明天逛展台，吹牛指数最高的地方往往是评测分数海报。我的经验很简单：每看到一个高分，就追问三个问题。第一个，这个分数是在哪个基准上测的？第二个，该基准的测试集最近一次更新是什么时候？第三个，有没有跟真人盲测做过对比？真正有实力的团队不怕你多问一句，最害怕你问测试集时效性的团队，背后多半是刷分高手。
另外，你可以在展台让他们现场跑一个你事先准备好的小任务，最好是你自己行业里那种有点刁钻但很真实的任务。演讲稿可以反复排练，现场跑任务很难完全造假。这个办法看起来笨，但我在过去两年里用它淘汰了至少一半不合格的“宣传型 demo”。记住，分数只能给你一个起跑线，真正决定取舍的一定是那个“现场跑得怎么样”的第一印象。
7. 明天现场实操攻略：去哪听、怎么听、怎么聊
7.1 最容易听到真话的四个地方
会场的正式 session 固然要听，但真正的信息密度在四个容易被忽略的地方。
第一，圆桌结束后的自由提问时段，主持人和嘉宾来不及打圆场，冲突会直接暴露。第二，展台的一对一交流时间，销售和工程师同时在场，技术问题会让销售被工程师抢答，这时候你能听到更真实的边界。第三，茶歇和晚宴的饭桌，大家聊的是对同一个话题的真实抱怨，比台上体面话生动得多。第四，社交群里散场后的长消息，很多演讲者会在当天晚上把不便当面说的补充观点写在大段文字里，值得刷一遍。
建议你提前规划路线，不要把时间全花在主会场大屏前。带一个方便移动的位置感，去小会议室听圆桌，信息密度比大 keynote 高出数倍。
7.2 现场不踩雷的提问话术
提问是现场获取信息的最高效方式，但提问水平直接决定回答质量。通用型提问“你怎么看待未来 AI 发展”只会得到通用型回答，等于白问。你需要把问题变得可回答、可验证、带情境。一个实用句式是：“在某个具体场景下，你会如何权衡两个目标？”比如，“在客服场景下，你会优先保证响应速度还是回答准确率？”这种问题看似二选一，其实能让对方把真实的优先级排序讲出来。
另一个好用的句式是“如果你的方案失败了，最可能的原因是什么”。这个问题听上去有点冒犯，但恰恰能让有经验的工程师打开话匣子，因为他大概率已经踩过这个坑。要尽量避免的提问类型包括：索要商业机密的，对方必然拒绝；评价竞争对手的，对方必然说官话；引用网上八卦的，对方会发现你不是业内人士，反而失去交流兴趣。把问题设定在具体场景里，把自己放在“想解决问题”而不是“想考倒对方”的位置上，对话自然就会有质量。
7.3 会后复盘清单
散场不等于结束，当晚的复盘比现场听一天更重要。我个人习惯按四步走。
第一，把会上记下的冲突话题和不同立场整理成一张“观点地图”，标注哪一派说了什么；第二，把在展台拿到的所有 demo 截图和回复记录归档，一个月后再回看，会发现当初的判断哪些准、哪些被带偏了；第三，挑一个自己领域内真正要解决的问题，用会上听到的方法跑一个最小验证；第四，把没想明白的问题写成一段三句话的总结，留到下一次参会前翻出来继续追。
复盘看起来费时间，但正是这个动作，能把一次“听个热闹”变成一次“看懂门道”。
我参加过的 AI 会议不算少，最大的体会是：行业的热点每半年就会换一批关键词，但真正值得关注的永远是“谁在为什么目标做取舍”。明天你只要带着这份攻略，把五个吵架话题的立场先摆好，再去找真实案例和现场实跑，基本就不会被 PPT 带着走。希望你在现场找到自己的答案，也希望会后你能带着一个具体的新认知回来，而不只是手机里多了一堆合照。
