2026年世界杯期间，十余家国产大模型参与“人机大战”竞猜，成为场外最受关注的话题之一。由中国科学院自动化所孵化的企业中科紫东太初打造的新一代科研原生智能体平台ScienceClaw，上线世界杯足球专项分析板块，因对多场赛果的预测准确率较高而引发讨论。

　　但在王金桥看来，猜球从来不是这个平台的目的。作为中国科学院自动化所副总工程师、研究员、博导，紫东太初大模型中心主任、中科紫东太初董事长，他更关心的是预测背后的东西——多智能体推演、数据驱动的决策方式，以及大模型如何真正进入科研和物理世界。

　　世界杯落幕后，21世纪经济报道对话王金桥。在采访中，他谈到了AI猜球的价值、国产大模型技术路线的分化、紫东太初坚持五年的多模态路线、物理AI的初级阶段，以及开源、算力、资本化和人才这些行业绕不开的命题。

　　“模型不可能成为六边形战士，”他说，“未来的大模型一定是通专结合。”

　　从猜球到科学推演：大模型的能力边界与人的创造性

　　《21世纪》：世界杯期间，十余家国产大模型参与了“人机大战”的竞猜，紫东太初推出的新一代科研原生智能体平台ScienceClaw，在世界杯赛事预测上的表现与准确率备受外界关注。这个平台是基于怎样的考虑推出的？

　　王金桥：ScienceClaw不是为了世界杯预测才做的。我们在今年三月底四月初推出这个平台，个人版开源，企业版是网页形态，基础模型免费。它主要服务于教育和科研的自动化流程——从数据分析、文献分析，到方案生成、方案创新、方案验证，再到干湿闭环的综合实验，本质上还是围绕科学研究和科学发现展开的。

　　用它预测世界杯，源于赛前新华社的一篇约稿，主题就是人工智能对世界杯的预测。我们便在ScienceClaw平台上专门开设了一个版面，基于大模型技术和互联网公开数据——球员、球队、教练过往100场比赛的记录，以及各自的风格与打法——用数据驱动的方法对整场比赛进行推演。平台还会随着比赛进程、伤病情况、主教练战术调整和位置变化，实时修正分析和预测。

　　《21世纪》：这个推演和修正背后，是怎样的技术链条？

　　王金桥：核心是一个多智能体协同的过程。每场比赛双方各11名球员，即22个智能体，再加上教练。我们依托历史数据和大模型，把每个球员作为一个智能体进行能力建模和画像，再通过多智能体强化学习，对每个球员的进攻、防守和犯规进行奖励和惩罚，最终对球员个人能力和球队整体能力进行综合加权，得出比赛结果的预测。

　　推演对象不只是球员，还包括教练，甚至包括某个位置上可能上场的替补球员。这实际上是一个智能体集群的推演——最多的时候，48支队伍的所有球员和教练会同时进行推演。

　　《21世纪》：支撑推演的数据都是怎么采集的？够用吗？

　　王金桥：主要来自互联网公开数据和各球队官网的历史数据，以俱乐部、国家队和主教练的官方数据为主。缺口在于那些不公开的数据——每个球员的训练情况、球队的技战术打法、主教练如何管理球队。这些在官网上体现不出来，我们能拿到的更多是球员的场上表现：跑动距离、控球次数、射门次数、犯规次数、体能和状态。但恰恰是那些不公开的训练数据，对比赛预测非常关键。

　　《21世纪》：跳出赛事本身，你怎么评价AI猜球这件事的价值？

　　王金桥：我们更多是把它放在与专家比较的场景中看。从数据驱动的角度看，大模型学习了各类历史数据——每位主教练的执教战绩，每位球员的控球、过人、射门数据，因此能从统计意义上更客观地预测比赛走向。

　　在这一客观现实之上，就要发挥教练和球员的优势。比如主教练可以借助它实时判断如何换人更科学；比如把梅西放到右边路，他能更好地拉开空间，而不是所有球都一味从中路交给他。换句话说，教练需要灵活调整战术，去打破AI基于历史数据给出的“定式”——历史数据很客观，实力差距是真实存在的，所以首先要客观认清现实；其次，在客观基础上发挥人的创造性，用从未采用过的战术去对付这个对手。

　　这一届最成功的例子就是佛得角队，小组赛阶段基本没输过球。这证明了球员斗志和主教练战术体系的重要性。我们认为，AI模型对球员训练、排兵布阵、提升球队综合作战能力都有很大价值，也为大众提供了一个更客观的分析视角。但足球是圆的——如何改变预测的结果，本身就是对主教练和球员最好的挑战。

　　《21世纪》：这次整体预测准确率很高，但也有失手的时候，比如巴西那场。误差来自哪里？

　　王金桥：巴西那场最根本的原因是内马尔的伤病。他此前一直没有出场，状态没有完全恢复；而在他缺阵的前几场，维尼修斯等球员之间的配合非常流畅，桑巴足球已经踢出了风格。但内马尔一上场，整个战术就变为以内马尔为核心——他是球队原来的绝对主力，但状态又没有恢复，战术体系难免出现混乱。如果那场内马尔不上，我认为巴西取胜的概率会大很多。

　　当然这也取决于教练承受的压力——没有内马尔的巴西队，外界会觉得不像一支五星巴西；但内马尔在没有与球队充分磨合的情况下登场，也未必能发挥球队的整体优势。大多数场次我们的预测还是比较准的，只是比分上存在一些差异。

　　大模型的分化与物理世界的挑战：没有“六边形战士”

　　《21世纪》：这次世界杯竞猜中，国产大模型的表现分化明显。你认为这种分化反映了国产大模型在技术路线上的哪些差异？

　　王金桥：各家的架构其实差不多，都是以Transformer为基础的语言模型或多模态模型，都走“预训练+微调+强化学习”的技术路线。最核心的差异在于数据配比不同，因为面向的场景和领域不同。

　　我们认为，未来大模型的能力一定会走向差异化，不可能有一个模型是“六边形战士”，什么都很强——它的天花板就是高质量语料库的天花板，很多专业语料根本获取不到。就像欧洲的专业球探，看小孩踢两脚球就知道这是未来的“亚马尔”、未来的“梅西”和未来的“C罗”，这种专业和经验的数据，往往掌握在少数人手里。

　　因此各家的路径已经出现明显分化：智谱主要发力AI Coding和长上下文，这与Kimi的路线比较接近——把模型做得足够大、足够稀疏，同时追求长记忆、长上下文，能够处理长程任务；通义千问和豆包是中文知识问答的典型代表，主要服务于互联网场景，需要先把自家云上的B端、C端客户转化为大模型客户，这个定位更像OpenAI的GPT——知识面广，聊天和办公能力强；混元的技术路线与之相近，但腾讯有微信和游戏，模态更为多元。在我们看来，混元和MiniMax比较相似，都走多模态路线，MiniMax在视频生成和出海方面都有布局。

　　数据配比和数据偏见的不同，最终决定了模型能力的差异。

　　《21世纪》：你怎么看物理AI当前的竞争现状和未来趋势？

　　王金桥：物理AI目前正处于初级阶段。大模型分不清东南西北、时间长短，它必须被放到空间中去具身体验——真实世界需要本体，数字世界需要建立自身的方位感，理解前后左右、距离远近，这是要解决的世界知识问题。其次，它要掌握常识、定理和规律。比如拿起一瓶水，看一眼就知道是500毫升、需要多大的力、该抓哪个位置，这需要物理知识。气球里装的是氢气还是二氧化碳，结果完全不同——氢气一松手就飞了，二氧化碳一松手就落地。这些物理、化学、材料层面的知识，对大模型真正走进物理世界非常重要。

　　目前行业在做两件事：一是把数字空间对接到物理空间。物理空间的训练成本高，依赖真机操作；数字空间成本低，但一比一建模的成本同样不低，因此要解决两个空间的映射问题。二是行为泛化——在真实世界中，给定一个任务，模型能自动完成拆解，怎么抓、怎么拿、用多大的力，都能泛化出来。这些问题目前都还没有解决，大家也还没想好如何把物理、材料以及微观、宏观层面的知识和数据与模型结合起来。摩擦力、重力、力学定律的适用都是有条件的，月球上和地球上就不一样——这些定理是客观规律，不是大模型预测出来的。两个范式如何融合，是所有从业者都在探索的方向。

　　《21世纪》：真机数据仍然较贵，企业如何突破这一难题？

　　王金桥：真机数据确实贵。它需要人穿戴遥操作设备控制机械臂去抓取物品——人自己抓取很容易，但遥操作机器人抓取效率很低，不复杂的动作一小时只能采集30到50次，装配场景更复杂，成功率也不高。

　　因此从今年开始，数据采集走向了“无本体采集”：人通过手持末端执行器，以及穿戴各类感知设备，自己去做任务获取数据，一小时可以采集三四百次，效率大幅提升。采集方式的变化，说明整个技术路径仍在持续演进。

　　我认为数据路线未来会像大模型一样分成三段：第一段，用合成数据、视频数据和无本体数据做预训练，精度要求不必太高；第二段，微调阶段再使用真机数据，降低对真机数据的依赖；第三段，用强化学习做动作的对齐和校正。

　　《21世纪》：如果人手操作数据成为主流，你认为这会带动一个新行业、创造一批新增就业岗位吗？

　　王金桥：会的。一方面是数据素材本身；另一方面，装配、质检等工业场景本来就是人在操作，只不过过去这些数据没有被收集起来。现在工人在正常作业的同时，就能把数据转化为价值、用于训练模型。我们认为这是一条非常可行的路。

　　走向AGI的现实路径：开源、算力、商业闭环与交叉人才

　　《21世纪》：聊完技术，想谈几个产业层面的问题。行业对于开源和闭源之争从未停止，你如何看待开源的价值？

　　王金桥：我认为开源是加速行业发展非常重要的一个方向。一方面，开源能让最新的成果迅速获得认可——Kimi K3的稀疏新架构、对Attention机制计算方式的改变，通过开源迅速被各个大模型吸收，推动了整个行业的繁荣。另一方面，开源可以聚集更多力量在社区中不断修正、改进——一家公司的研发团队再大也不过数百人，开源之后，社区在使用中发现问题会自然反馈，再迭代优化，加速模型的进化。

　　此外，开源能让产业认识到模型的价值。企业试用之后觉得有用，但真要和自己的产业结合，还涉及行业知识、幻觉、工具调用、算力节省等问题，仍然需要定制化，最终还是要回来与模型方合作。

　　印象最深的是DeepSeek。当年OpenAI的o1在2024年9月发布，是第一个实现“快思慢想”的模型，能在解题过程中不断修正自己的结果。大家知道是强化学习做的，但不知道具体怎么做。DeepSeek开源之后，全世界都掌握了用强化学习训练思考模型的方法。我们也会坚持开源开放——8月份就将开源多模态世界模型。我们认为，开源是走向AGI、实现知识共享、加速产业认知最重要的路径，也是中国模型走向世界的一条路。

　　《21世纪》：近期多位国际科技领袖在社交平台上公开表达对中国AI发展的认可，这释放出怎样的信号？

　　王金桥：人工智能的竞争中不能只有美国，还需要百花齐放的中国模型。至于模型蒸馏，从业者在从事人工智能研发的过程中总会借鉴不同模型的优势，借助模型高效处理数据，这很正常。外界对模型蒸馏的质疑本身，其实也说明AI界对Kimi模型迭代速度之快感到惊讶。我们观察到，国内的开源模型——一个是Kimi，一个是DeepSeek——在国外的部署量迅速增加，在整个AI社区的影响力持续提升，逐渐赢得了属于中国模型的一席之地，也得到了不少行业协会的认可。

　　《21世纪》：你怎么看国产大模型在算力上的紧缺现状？

　　王金桥：这是现实的约束。早期大模型能力有限，整个行业对模型调用的需求远没有现在这么大。从今年年初OpenClaw（“龙虾”）出圈开始，龙虾把技能封装起来，大模型真正成为生产力工具——每个人的生活、办公、出行都已离不开它。这时模型既要持续迭代训练，又要支撑不断增加的用户侧的推理调用，整体需求特别大。中国今年的词元消耗量已经是美国的2.5倍，说明各行业真正把大模型当成了生产力工具。

　　算力方面，今年最大的变化是国外的“越级迭代”——头部公司把算力进一步向模型研发集中，国外模型一个月就更新一代。这对算力的要求非常高，需要多个十万卡集群，因为不能保证每次训练都成功，必须预留试错成本。国内的情况则是，英伟达高端芯片供应受限，国产算力产能又不足——今年华为的昇腾基本被字节、阿里、腾讯这些大厂买断了，其他企业难以获得充足的算力。这是现实，产能缺口短期内难以解决，会长期存在。存储也一样，大模型要有记忆就要有存储，需求大幅增长，市场普遍认为这将带动整个半导体行业的繁荣。

　　《21世纪》：商业化上，Kimi和DeepSeek近期都传出了融资或上市的消息。你认为大模型公司发展到一定阶段，一定要走向资本市场吗？

　　王金桥：从两方面看。第一，投资人需要退出机制，这是最重要的。第二，估值体量达到一级市场难以承载的水平，必然考虑登陆二级市场。这两家公司一起步估值就会很高，后续真正需要的都是大额资金，小额资金对其意义不大，而实现AGI需要的资金量还很大，上市融资是一个重要的募资手段。

　　说到底，到目前为止，我们认为人工智能技术已经成熟，但整个商业闭环还没有完全走通，OpenAI、Anthropic也一样。最主要的原因是算力太贵，而用户使用的词元价格每年还在下降。这是整个行业商业化面临的问题和挑战。

　　《21世纪》：商业模式上还有一个矛盾：推理成本在快速下降，但免费时代似乎在结束。目前已经有大厂开始让员工自费购买词元额度。你怎么看价格和使用之间的关系？

　　王金桥：当模型还不能像人一样解决问题的时候，必须持续教育市场，因此每个模型都需要一个免费的入口，让用户了解模型的能力，Claude也一样，只是每天免费回答的问题更少、响应更克制。第二，要培养用户的付费意愿，像OpenAI、Anthropic那样，让用户真正愿意为知识付费——类似工业软件按年授权的服务费模式。国内很多用户的习惯是愿意为硬件付费、不愿为软件付费，这需要持续的市场教育。

　　这几年已经改变了很多：过去大家觉得大模型不该收费，现在大家也愿意为收费产品充值，说明用户对模型的依赖在持续加深。而且模型推理成本在以每年约15%的速度下降——GPT最新版本的API基本已降到每百万词元1美元，我们认为明年会降到几美分。成本下降很快，但真正要获取高价值的词元，用户还是愿意付费的。关键是养成这种习惯，否则行业难以建立更好的商业模式。

　　《21世纪》：回顾紫东太初从成立到今天，你对国产大模型发展节奏和方向的判断有没有发生过变化？

　　王金桥：多模态这条技术路线我们一直在坚持——从多模态感知、多模态认知，到多模态思考、多模态协同、多模态交互，持续提升智能的上限。变化在于我们逐渐聚焦了，要在每个方向都做到很强，投入会非常大，因此模型要更加聚焦于数理化、天地生领域的理解、推理和交互能力。我们希望在这个领域成为国际一流——让科研人员真正把科研AI当作生产力工具，让紫东太初成为科研人员的伙伴。

　　大模型的趋势是从工具走向伙伴，真正与人交互、与人协同式地思考，一方面提升智能的上限，另一方面加速人的成果产出。

　　《21世纪》：最后，你认为现在AI行业最缺哪类人才？

　　王金桥：交叉型人才。梁文锋也说过，中国的AI人才并不缺乏。缺的是两种：一种是把模型转化为产品的人——技术发展太快，既要懂模型，又要懂产品和用户需求，这类产品经理最缺乏；第二种是既懂AI又懂行业知识的解决方案专家——他知道如何用AI让企业迅速建立相对于同行的优势。至于模型训练人才，我觉得并不匮乏，基本都是刚毕业的年轻人，现在是“00后”的天下。