本文源自 ONE2X 内部文档，提出中美依托不同资源禀赋分化出两条 AGI 路线。模型产品化是推理模式破局关键，规模化搭建可回流数据的智能运行 “环境”，将成为下一阶段智能增长核心引擎。

——欢迎见证智能的人民史观写在前面

本文的基础是 6月时 ONE2X 的内部文档

最近接连见证了 GLM5.2 时刻、K3 时刻、以及 Deepseek 的内部分享，振奋之余我们也看到美国政府开始考虑禁止开源模型，在和一些朋友交流讨论时提到了一些文中的观点，大家觉得很有意思，有人建议我分享出来

将文中关于公司内相关信息做了处理后便有了本文

本文试图思考和回答的问题如下：

• 实现 AGI 存在的不同路线以及核心驱动力是什么
• 如何在模型智能不占优势的情况下获得竞争优势并形成可持续提升的利润获取能力
• 在渐进式 AGI 的实现的过程中，我们该如何进行产品工作

本文是从产品视角出发，以理念和方法的形而上分析为主，所以不会对技术细节、市场数据、产品执行作深入展开

文中核心观点和推演并非清谈式的思想实验，而是有我们在 ONE2X 实际工作中的观察、实践、以及思考作为基础

如果这些经验能够为其他人带来微小的帮助，这既会是我们乐于看到的，也将是我们的荣幸TL;DR

• 由于底层经济要素禀赋不同，提升智能会形成两种模式：训练推动与推理拉动，对应分会演化出阶跃式与渐进式两条 AGI 路线
• 模型产品化是推理拉动模式下模型能力提升以及商业模式破局的可行之道，也是渐进式 AGI 路线的必由之路
• 让「环境」 scalable 将成为下一阶段智能提升的重要动力，这将是 AI 产品的重要价值与历史使命

AGI 的南坡与北坡

AGI 的底层要素

提升模型智能的工作围绕以下五种基本要素开展：

数据

模型智能的第一性要素，分为存量数据与增量数据

存量数据（公域可得数据，私域非公开数据）已经开始触顶

模型智能的真正的胜负手与长期竞争点在于增量数据（面向模型智能提升目标而被生产），增量数据又可分两类——封闭域问题（有明确对错、可自动验证，如代码是否正确）与开放域问题（无标准答案、reward 难以定义，如网页是否好看）

能源

归根结底是电，

决定模型智能应用规模的上限，电力的天花板就是算力的天花板

算法

本质上是人才密度

顶尖研究者的绝对数量、聚集程度、交流环境决定了算法迭代创新速度

芯片

分训练芯片与推理芯片

两者的供给约束、成本结构、地缘可得性的差异决定了智能发展的速度与模式

资本

包括资产定价（市场愿意用何种估值逻辑来定价）与资金来源（钱从哪来、要求什么回报、能容忍多长的周期等）

不同组织在上述要素的先天禀赋不同，在发展过程中会自然的基于自身禀赋的相对比较优势主动选择或者被动形成最优竞争策略

智能发展的不同模式

当前 AGI 的竞争主要集中在中国和美国，若将国家视为组织，二者在上述要素的相对比较优势显然不同，在竞争中必然会形成了两种不同的模式

注：除以国家作为组织分类维度外，公司维度也存在相对比较优势的差别，本文主要以国家维度进行讨论

训练推动模式——美国模式

禀赋相对优势在于：存量数据丰富，高价值场景（金融、医疗、法律）带来的增量数据以及更易获取的高质量封闭域数据（数学、代码、科学），人才密度大且信息流动效率高，最强训练芯片不设限的获取能力，充裕的资本并且愿意为宏大叙事买单的市场

与之对应的理性选择会是：构建闭源系统，在高价值场景下训练出具有独占性的模型效果，用有限的 token 供给获取超额利润

该模式的逻辑是「垄断溢价」：当我拥有你造不出但不得不使用的商品时，便可以对此商品拥有定价权，token 可以卖得不用多，但利润可以很厚

推理拉动模式——中国模式

相对优势在于：广阔的开放域场景与标注人口红利，充沛且低价的电力供应，（可能）越来越便宜的推理芯片

与之对应的理性选择会是：针对特定的模型效果做训练与推理效率的极致优化，模型开源或者低价，用海量 token 供给通过与能源与推理芯片的结合来获取规模化利润

该模式的逻辑是「规模经济」，即，在特定模型智能效果上成本足够低，通过海量 token 供应来获得整体系统收益

两条 AGI 路线

两种模式的差别将影响智能提升工作的方式，所以自然会生长出了两条不同的 AGI 路线

阶跃式 AGI（对应训练推动）

其理念在于：存在有限的「大问题智能」值得投入海量资源来从训练端攻克，一旦攻克这些问题，更广泛的智能问题会被阶跃式地批量解决，例如，数学、代码、科学推理就是这样的「大问题智能」

这条路线下 AGI 被视为若干可被集中突破的核心，在方法层面偏好封闭、中心化、自上而下

渐进式 AGI（对应推理拉动）

其理念在于：不存在少数一劳永逸的取胜之匙，AGI 的实现是需要由无数场景问题下的智能搜集和学习逐步点亮的，例如视频处理、软件开发、游戏制作，每一个都是一个独立的单点智能问题，需要被单独地、渐进地解决，模型能力也随之渐进提升

这条路线瞄准广泛的真实世界场景中分布着的新智能，AGI 的实现在于把一个又一个真实场景的智慧持续地、规模化地变成可学习数据并内化进模型，在方法层面偏好开放、分布式、自下而上

AGI 史观

需要强调是两条路线的目标相同，从更长的时间来看也并不互斥，二者在特定阶段甚至会实现阶段性融合

阶跃式的突破会成为渐进式发展时模型能力新的 baseline，渐进式收集的智慧数据也会反哺涌现出智能的阶跃式发展

但在一个具体的时间点上，一个组织仍然需要选择把资源和精力押在哪一边

从组织视角，对于 AGI 路线的选择某种程度也是一个组织从世界观层面对「英雄史观」还是「人民史观」做出的选择：

• 阶跃式 AGI 是英雄史观的：AGI 由少数大问题推动，普通场景是被裹挟前进的历史尘埃
• 渐进式 AGI 则是人民史观的：AGI 由无数普通场景里的无数普通智慧累积而成，每一个领域内用户的每一次「行动」，对整体智能都有意义

本文将以渐进式 AGI 模式为讨论基础，不仅因为中国 AGI 的先天禀赋，也因为我们更相信后一种历史观，在后文的论证中我们也会看到该路线如何能在模型效果劣势的情况下切实走通技术-产品-商业一体的 AGI 道路

渐进式 AGI 的矛盾与合题

推理拉动模式下，模型能力提供者需要直面一个系统级别的结构化矛盾

该矛盾可表述为：「模型-能源-推理芯片」系统的全局战略最优目标与模型能力提供者个体的局部商业最优目标并不一致

这种「不一致」可能会让模型智能的持续提升缺乏长期动能，延缓甚至被封住通往更高智能的道路

推理拉动模式的困局

在模型能力无法达到独占效果时，推理拉动模式是建立在针对特定模型能力提供开源或者低价的 token 服务这一基础之上的，该策略的合理性在于：

• 短期内，能够截断闭源模型系统的部分收入，延缓模型能力竞争的差距扩大甚至缩短差距
• 长期看，能够支撑起对推理芯片和电力的巨大需求，形成「模型-推理芯片-电力」战略的全局最优解

在该模式下，模型供应商拥有双重身份，除了作为「模型-推理芯片-电力」全局商业模式中的关键组成部分，自身也是拥有商业目标的独立个体，这就要求其拥有持续获取利润以及不断提升利润率的能力

但在该模式下模型能力提供者实际面临着如下困境：

数据回流

开源/API 模式下，数据不回流或者仅能局部碎片化回流，高价值的行为轨迹数据无法被模型提供者完整回收，无法形成「推理-训练」的模型效果优化闭环，极大约束模型能力拓展至非 RLVR 的开放问题领域

高智慧数据获取

特定领域的顶尖用户通常只会选择效果最优模型，并且通常会构建自己独特的工作流，这意味着模型供给者在推理模式下会比训练推动模式下更难获取代表更高智慧用户的方法数据，而这对于提升模型智能至关重要

价值中心转移

模型无法形成差异化的能力时，token 的利润率将被持续挤压，从而导致模型效果提升动力被削弱（需要资本、政策的长期支持），在「模型—推理芯片—电力」模式下，价值中心则便不可避免地向其他环节（推理芯片、电力）转移

因此推理拉动模式下，模型 token 将天然向 commoditize 滑落，从商业层面不断减弱智能长期的发展动力

上述矛盾是结构化且不可避免的，推理拉动模式下要实现渐进式 AGI，需要对该矛盾完成合题，其中的关键是要让 token 拥有溢价

矛盾的合题：模型产品化

经过前文分析，要在推理模式下真正实现渐进式 AGI 路线，需要解决如下问题：

• 如何在更多开放域问题内拿到代表更高智慧的完整的用户轨迹数据
• 如何在模型效果劣势的情况下引入领域专家
• 如何构建能够持续提升 token 利润率的商业系统

我们认为这些问题的答案是：模型产品化

这里的模型产品化泛指在模型能力之外构建的所有服务，如知识经验（prompt/skills）、Agent 框架（harness/loop）、GUI （codex canva、claude design）均在此范畴

我们认为模型产品化是推理拉动模式下模型厂商实现局部商业目标的必然，原因如下：

「收集什么数据、数据是什么格式、如何获取和处理」等，可以从模型的需求出发反向设计

我们可以提前定义一个开放任务的轨迹数据格式以及标准（带结果 reward、带过程监督、带语义、多模态、长程），再据此设计产品里用户的每一个操作，让用户「正常使用」的过程，自动产出模型需要学习的数据

把对高智慧用户的捕获从「如何提供更强的模型」变成「如何用构建独特用户价值」

通过为领域专业用户提供符合其需求的工作系统，可以让高智慧用户的选择理由不再是「谁的模型更聪明」，而是「谁的系统能提供给更独特的场景价值」

「升维竞争」，用相同智慧程度的 token 拿到更高利润率

当模型不再单纯提供 token 时，竞争的维度就从「token 价值」变成了「token 被组织后的价值」，让竞争脱离「比谁的 token 更便宜」，通过在特定的模型能力光谱位置构建出稀缺的、不可替代的用户价值，让相同智能的 token 获得完全不同的定价

事实上，因为模型提供的智能服务具备「服务价值取决于使用方式」、「服务能力随着使用迭代」的特点，注定了模型服务不是类似水、电、通信等标准化、静态的基础服务

产品化不仅是推理拉动模式下模型厂商的必然选择，也已经在训练驱动模式下的模型厂商中逐渐成为共识

Scale 环境：智能增长的新引擎

模型的产品化意味着不应当将模型与应用视为割裂的、仅凭 API 脆弱连接的两个独立对象，而应将二者视为统一系统中两个高度融合的模块

在 ONE2X，我们用「生成系统」来指代这种「模型-应用」一体化的系统

生成系统

「生成系统」概念是 Kahneman 的双系统理论的 AI 版，将模型与应用分别与 System 1 和 System 2 进行对应：

• 模型=System 1：是模型能力的直觉反应，来自在海量数据上习得的「无需思考」的本能，这种本能迅速且强大，但缺乏边界、难以控制、也不对任何目标负责
• 应用=System 2：是模型能力的运行环境，就像人类的慢思考，System 2 把 System 1 的直觉约束进一个可控制、可验证、可积累的空间

正如人类思考的 System 1 和 System 2 是一个统一系统，「生成系统」中的「模型」和「应用」也是一体化的，二者需要统一设计、统一运行、统一迭代

这种对模型-应用一体化系统的理解已经可以在 claude code、cursor、codex 等产品中体现，未来必然会在更多的领域场景中被实践

环境

本文的「环境」并非指代 RL 训练中的环境，而是指抽象程度更高的「智能可运行环境」（包括人类智能和模型智能），其既能够作为模型产品化的应用结果，也可以经过技术改造成为支持 RL 训练的环境，以下提到「环境」时均指代「智能可运行环境」

「环境」的设计原则

在「环境」中，所有信息都必须被有效 token 化，即可被模型理解与学习

所以无论是运行中使用到的 assets、还是提前设计好的 method 、亦或是 人和 agent 的活动过程，都需要被表达成模型能够理解和操作的 token

因为只有「环境」内的所有信息都是 token 化的，这些信息才能够无损地回流到模型中；反之，如果产品里有大量信息是以模型看不懂的形式存在的（比如纯粹的 GUI log、未被语义化的人类操作），那么这些信息就会成为 trajectory 数据的漏点

「环境」的构成

语言规范：能够对特定领域问题进行完备表达的语言体系，兼具精确性与低门槛，实现自然语言和机器语言互译，实现信息的有效 token 化

Context system：模型智能运行的空间（包含边界、资产、工具），如 prompt engineering、context engineering、agent harness/loop 都属于此范畴，即通过控制输入模型的 context 来塑造模型输出的能力

Editor：人类智能活动的边界，展示运行结果，响应人类意图、完成模新的智慧注入

有效的「环境」的特征

• Long-horizon：「环境」必须面向长程任务构建，并且必须能完备记录和组织长程的 trajectory，而不能是单步的输入输出对
• Multi-modal： 真实的领域问题往往是多种模态数据交织在一起的，运行环境必须能承载并语义化所有这些模态，否则它收集到的就只是一份完整智慧的语言或者代码投影
• RLable（可被改造为 RL 环境）：模型运行环境能稳定地产出能 reward 的长程推理轨迹，并且支持在技术上支持被改造为可进行 RL 训练的环境（更低延迟、更低运行成本、可观测且回溯的 checkpoint），实现对开放域问题从「冷启动」获得数据到「工业化」提升智能的跨越

AGI 原型机

AGI 原型机：是指在特定领域内，可以自动完成全部经济环节活动，能够基于市场反馈自我优化，并最终实现经济收益大于运行成本的系统

我们认为在推理驱动模式下，渐进式 AGI 是通过在一个个领域内构造出 AGI 原型机来逐步实现的

而构建「环境」则是创造 AGI 原型机的起点，具体来说：

• 每一个「环境」，都能够持续为模型提供特定领域的多模态长程推理数据，从而提升模型在该领域的智能
• 每一个「环境」，都能凭借它所构建出的独特价值（而非模型效果），有机会吸引到该领域内的高智慧用户，并随模型能力提升不断筛选出更高智慧的用户
• 每一个「环境」，都能随着智慧飞轮的转动而不断提高经济环节活动的覆盖度以及执行效果

所以每一个「环境」在发展过程中，必然朝该领域的 AGI 原型机演化

我们认为：模型智能的提升将按照 scale 训练、scale 推理、scale 环境的路径逐步推进

而规模化构建「环境」将成为渐进式 AGI 路线下全新的智慧增长引擎

面向能够规模化构建「环境」和 AGI 原型机这一目标，我们正在探索 TokenOS 这种全新的产品形态：

• TokenOS 是以「模型能够生产出代表智慧的 token 」这一 AI 时代最本质的特征为基础进行设计的
• TokenOS 作为「生成系统」概念的产品具象，是面向渐进式 AGI 路线的中心化系统级产品，按照一种与 MaaS（token 售卖）、独立 AI 应用（claude code、cursor、codex）不同的产品理念进行设计
• TokenOS 将完全使用模型输出的 token 来构建不同领域的「环境」，并将环境中产生的信息有效 token 化，实现系统内提供的所有能力来自模型的 token，产生的所有智慧 token 也能归于模型

注：TokenOS 是我们正在进行的产品工作，所以此处不做展开讨论AI

产品工作再认识

ONE2X 从成立之初便将产品按照「环境」的标准进行建设，但是规模化生产环境与单个领域进行「环境」设计有很大不同，并且需要与模型结合进行重新思考

产品哲学

与传统软件产品、单纯的模型产品、垂直 AI 应用产品不同，有着全新的产品哲学：

语义化

「环境」中的所有信息都必须是语义化的，从而保证模型对应用的可理解、可生成、可学习

Intention first, intention last

环境中的所有元素，都应当能够响应意图，都能作为意图的入口，所有的行为（包括 GUI 行为）也能够被编译成为意图

在「环境」向 AGI 原型机进化的过程中，行动（how）、目标（what）会逐渐被模型吃掉，人类最终保留的可能只有意图（why）

From edit to replace

对于一项模型尚未完全掌握的能力，先用以人类算力为主的 edit 方式标注和搜集数据，再转化为以机器算力为主的 replace 方式批量高效合成数据是实现开放域问题可被学习的更高效路径不是而是

这里我们结合自身的实践与思考也有一些理念层面的 tips：

「模型即产品」的真实含义

并非模型能力就是产品，有了模型就不需要做产品，而是要把模型当成产品来思考以及开展工作，反过来也是一样：产品即模型

模型能力越强，产品价值越弱

AI 应用正在经历行业的「至暗时刻」，但我们依然乐观，从「生成系统」的理念来看，模型（system 1） 和应用（system 2）必然是交替上升的，能力越强的模型必然需要更加强大的产品，模型能力的提升也需要更加丰富的产品（环境）来提供数据，system 2 从最初的 prompt engineering 到今天的 agent xx，不但没有消失，反而越来越厚

并非所有用户/数据都有价值

专业用户价值>>普通用户价值，语义化数据价值>>无语义数据价值，方法/过程数据价值>>结果数据价值

海量用户可能会产生完全无价值的数据，少量专业用户也许就可以对模型能力带来大幅提升

GUI 不会消失

GUI 的角色从服务人类用户行动转变为展示结果以及意图搜集，在模型能力发展的过程中，由于需要对大量领域环境数据进行搜集（即从 edit 到 replace 的过渡），甚至我们预测会反直觉的出现一个 GUI 繁荣期

RL 并不万能

RL 是获得有效数据的手段而非目的本身，对于真实世界中大量的开放域任务，结合「环境」先完成冷启动数据搜集是更高效的提升模型智能方式

Sutton 本人也认可构建更好的环境有巨大价值，而如何构建「环境」本质是一个产品和商业问题

结语

我们愿意相信并选择渐进式 AGI 路线源于一些非常朴素的认知：

没有免费午餐，缺乏数据的智能不会无端涌现

人民史观，历史进程会受少数英雄角色影响，但最终依然由更更广泛的人民决定，智能的提升也会是如此

实事求是，相比于在真正智能问题之外的无谓竞争，为更多领域问题建立起「环境」，让更多泛开放域问题可被学习是当下更有价值且更需要被关注的问题

AGI 叙事走到今天，早已脱离了单纯的技术、产品、商业范畴，与 benchmark、ARR、公司估值同时变化的是地缘政治、大国博弈、甚至已经是一场新的没有硝烟的战争

从微观来看，我们将会迎来以 byte 为基本单位的软件、互联网所主导的信息经济体系受到巨大冲击甚至萎缩瓦解，而以 token 为基本单位的信息经济体系正在逐步建立的大剧变与全新机遇

上升到更宏观的视角，我们认为 AGI 叙事将会是新旧世界秩序的分割线、不同文明理念和权力主张的放大器、甚至是全新社会理念的催化剂

所以即使在 AI 如此被关注的今天，大模型代表的 AGI 对未来的影响依然是被绝大多数人低估的

大幕在此揭开了一角，而我们也何其有幸能够一窥那即将上演的新时代并参与其中