听到 DeepMind CEO 聊中国 AI，有一句话尽头逆耳：中国 AI 毫无更变，只不外是跟进速率可怕。
这话，听着是不是很熟悉？
前两年叙事里，这果然成了西方对咱们的想维定势，他们负责「从 0 到 1」的发明，咱们负责「从 1 到 100」的内卷。
哪怕咱们跑得再快，在他们眼里，充其量也即是个「劳作的侍从者」。
说真话，这种论调昔日咱们很难反驳。因为你掀开任何一个海外主流榜单，放眼望去，清一色的好意思国居品；比如：OpenAI、Google、Anthropic。但偏见这东西，最怕硬数据。
今天（12 月 23 日），全球公认最难刷榜、最崇拜「盲测体验」的大模子竞技场 LMArena ，更新了排行；在宽阔好意思国模子的重重包围里，百度文心 ERNIE-5.0-Preview-1203 杀了出来，以 1451 分拿下了国内第一。
这个分数意味着什么？
海外舞台上，文心已成为国产 AI 的优秀代表，在 LMArena 排行前 10，朝上了 Claude Sonnet4.5、GPT-5.2 等前沿模子，是前 20 里独一的非好意思国模子，冲破了好意思国驾驭。
当独一的中国名字出现时榜单前方，当咱们的 AI 依然不再得志于「跟跑」时，中好意思 AI 的这盘棋，逻辑是不是依然变了？
智远分析认为，跑赢这事儿，不行光靠气运，也不行全靠「堆显卡」，我成心翻了一下文心 5.0 Preview 背后的技艺文档，发现百度在练几门很狡滑的「内功」，这亦然它能解围的中枢原因。
第一，最中枢底座是一个「原生」的生命体。
注意这个词：原生全模态（Native Omni-modal）；以前许多所谓「多模态」模子是「对付」出来的，给大模子外挂一个看图的眼睛、外挂一个听声息的耳朵。
这种后期和会诚然能用，但各感官之间是割裂的；文心 5.0 不不异。它袭取了「原生全模态长入建模」技艺。
打个比喻：
它像一个天生具备视、听、说智商的生命体；从教师的第一天起，文本、图像、音频、视频即是和会在一王人学习的。
是以，它能平直解析视频里的心境，平直看懂图片里的逻辑，这种"出厂建造"级别的互异，让它的解析和生成智商，平直上了一个台阶。
图释：LMArena 最新榜单，文心 5.0 Preview 以 1451 分杀入全球前十，稀疏 GPT-5.2，成为前 20 名中独一的非好意思国模子 。
第二招，是「大块头」也有「大颖慧」。
文心 5.0 参数目达到了惊东说念主的 2.4 万亿。这是现时业界已公开参数模子里的「巨无霸」。
不绝咱们认为，模子越大越清苦、越烧钱；百度用了一种「超大规模搀和大家模子（MoE）架构」，解决了个悖论。
肤浅说，这 2.4 万亿参数像一个雄壮的大家库，在处理具体问题时，只激活其中不到 3% 的关系大家来干活；在 LMArena 这种拼响应、拼逻辑的盲测里，这种架构上风相配昭彰。
第三招，是「想考」与「看成」的合体。
文心 4.5 启动就悉力于于「知行合一」，突破了仅基于想维链优化的范式，在想考旅途中蚁集用具调用，构建了和会想考和看成的复合想维链，模子解决问题智商获取权贵栽植。
同期，蚁集多元长入的奖励机制，结束了长距离想维和看成链的端到端优化，权贵栽植了跨领域问题解决智商。
是以，不行把它肤浅归纳为弯说念超车。
从「拼接」走向「原生」，从「堆参数」走向「MoE」，从「单点问答」走向「智能体想考」，这 1451 分的背后，是技艺道路的质变。
当不再盲目堆算力，启动在架构、想考智商上找突破口时，打赢 GPT-5.2，也就不是什么不可想议的事了。
不可想议，不是我残害能说了算。毕竟，刷榜这事儿，中国不爱干，干了也没用，能把技艺用到应用中，才是真身手。
DeepMind 以为中国 AI 零落更变，原理是咱们太热衷于「应用」，但智眺望来，这恰正是中西方视角的错位。
硅谷更变时时在履行室的白板上，追求算法"从 0 到 1 "；而中国更变，长在土壤里，长在车间里，长在代码行里，追求产业的"从 1 到 100 "。
我认为，反驳「无更变论」最有劲的兵器，是看能不行解决好意思国 AI 根底没遭受过、甚而遐想不到的复杂难题。比如说：在大国重器里，解决「物理宇宙」的硬伤。
来望望文心大模子在百行万企的应用：
中车集团传奇过吗？造高铁的阿谁。以前作念高铁的气动外形商量，那是纯物理活儿，更是个「苦力活」。
因为空气看不见摸不着的，商量师商量一个车头，好不好用，必须得扔进风洞履行室里吹。
跑一次数据，波及海量的流膂力学计较，可能要耗时好几个月，况兼风洞履行的老本极高，不错说是"烧钱又烧时分"。
现时呢？一切变了。
他们把文心大模子用在了空气能源学仿真上。基于百度飞桨的科学计较智商，大模子学习了海量的历史履行数据，它依然「懂」了风的法例。
有了这个「外挂」，昔日几个月的履行周期，现时最快几分钟就能算出末端。商量师有一个新看法，坐窝就能跑出数据考据，更变的迭代速率快了成百上千倍。
更科幻的是，他们还搞了个「诬捏传感器」。
这又是什么黑科技呢？这样说吧，高铁上有许多精密部件没法装置实体传感器的（比如空间太小，或者环境太恶劣）。
以前这些地方出了问题，只可靠猜或者靠熟习。但现时，诈欺大模子坚毅的推演智商，能凭现存的电流、电压等外围数据，AI 就能在诬捏宇宙里"推算"出中枢部件的及时景色。
这好比给列车装了一对透视的"天眼"，把故障检测的准确率硬生生在现存传感器检测的基础上再栽植了 10%；这 10%，关乎中国高铁的安全，关乎的是亿万乘客的生命。
再比如：国度电网。以前巡检电塔，那是工东说念主拿命去爬，风吹日晒。现时靠无东说念主机 + 大模子，一年巡检 500 万基杆塔，东说念主工登塔次数平直减少了 40% 。
这种把 AI 塞进高铁和电网里，解决物理宇宙硬伤的智商，DeepMind 见过吗？
若是说工业是「硬度」，那代码即是「速率」；咱们都知说念 AI 能写代码，但能不行进中枢业务流？顺丰科技给了一个很吓东说念主的谜底 。
大众可能不知说念顺丰的业务系统有多复杂。它不仅有物流舆图，还有运单流转、仓储治理 ......
这些系统里，千里淀海量的、只消顺丰东说念主懂的「专有常识」。通俗通用大模子，你问它"怎么优化运单路由"，它只可给你讲一堆正确的鬼话。
但顺丰用的文心快码（Baidu Comate），走了一条不同的路。
它通过 RAG（检索增强生成） 技艺，像外挂硬盘不异，无缝接入了顺丰里面雄壮的私域代码库和文档库；当重要员敲下一转代码时，AI 无须瞎猜了。
平直在顺丰千里淀了十几年的技艺财富里短暂检索，找到最匹配的逻辑，生成代码。效果何如样呢？现时顺丰全公司，日均 20% 的代码是由 AI 生成的 。
畸形于每五个字代码里，就有一个是 AI 写的。目田了顺丰 1000 多名设备者的分娩力，让他们从无聊的「搬砖」中开脱出来，去想考更复杂的物流算法 ；这是实打实的新质分娩力。不炫技，在给企业省钱、增效。
智远再说一个应用场景最稀缺的例子：社会治理。
在好意思国，AI 处理圭臬英语也许很容易。但在中国，处理老匹夫夹杂着方言、心境振奋、逻辑芜杂的投诉，是对 AI 解析力的极致考验。
北京市海淀区的「接诉即办」系统，每月受理量十几万，以前靠东说念主工听灌音、打标签，根底搞不外来。
因为数据量太大了，况兼曲直结构化的。现时接入文心大模子后，它不仅能更懂东说念主性，还能从一堆叨唠里精确索要诉求，自动分类填单 。
数据反差极其锐利：
以前作念肤浅地点统计要 3 天，现时只消 1 分钟；画个图表以前要 5 天，现时 30 分钟处置；这是给雄壮的城市治理装上了一个及时想考的"大脑"，让治理者能听懂每一句东说念主间焰火。
终末，若吵嘴要说咱们不懂基础科学，那就去上海交大望望。
传统科学履行，其实很笨。就像爱迪生试灯丝不异，要在履行室里进行车载斗量次的访佛试错，耗时耗力 。
上海交大基于文心大模子搞了个 AI for Science 平台 。现时，只消输入分子 SMILES 序列，5 秒钟之内就能检索出响应流程、响应要求和关系文件 。
这个后果，平直登上了 Nature Computational Science 的封面 。
Nature Computational Science 是什么？不懂行的认为这仅仅一篇论文，但在学术圈，这本《当然》旗下的顶级子刊，代表着「计较 + 科学」交叉领域的最高门槛。
能上封面，意味着中国 AI 除了作念应用，还能界说基础科学的畴昔范式。
是以，当看到 AI 启动教悔化学响应，启动商量高铁外形，启入耳懂老匹夫方言，启动替重要员写两成的代码时，还会以为中国事侍从者吗？
终末，智远想说一个细想极恐的细节。保重 LMArena 的一又友会知说念，哪怕你看到了它排在国内第一、全球前十，别忘了，它的名字后缀里还挂着一个词：Preview（预览版）。
什么道理？
也就说，击败 GPT-5.2、把不少好意思国模子甩在死后的「文心 5.0」，如故一个「未全都体」；这就像武林能手过招，对方还没拔剑，仅仅试探性地出了一掌。
智眺望到榜单后，问了下熟悉的东说念主，他们说：文心大模子 5.0 郑再版，冒失率会在 1 月份肃肃上线。
试想一下，一个 Preview 版块依然能在竞技场里撕开铁幕，那经过一个月打磨后的郑再版，又会拿出什么样的性能呢？
若是只盯着分数，可能又看走眼了，因为现时大模子上榜大众保重少了，智远以为，这事儿还有更深的一层意味。咱们不仅要问文心 5.0 还能得若干分，更要问一个终极问题：
当技艺代差被抹平之后，中好意思 AI 的终局竞争到底拼什么？拼谁的模子多 10 分？如故拼谁的参数大一倍？ 都不是。
拼谁能把技艺酿成像水和电不异，流进每一个通俗东说念主的生存里。
这亦然智远认为，百度在模子高下功夫的地方；它不仅我方在进化，它还带着通盘这个词生态在进化；以后要把它用到 AI 搜索里、百度文库网盘里、以及企业作事场景里，岂不是成了降本提效的「日用品」？
是以，当 DeepMind 还在哄笑咱们「应用快」的时候，他们可能没意志到：应用，本人即是一种巨大的技艺壁垒。
因为应用会产生数据，数据会反哺模子，模子进化了又带来更好的应用；这是一个正向出动的雪球。 而文心模子，是在雪球的中心。
是以，回到 DeepMind 那句无礼的评判。
当中国名字出现时榜单前方，当咱们的 AI 深远到高铁与政务的毛细血管，当"预览版"能同台竞技时，非论硅谷如故 DeepMind，偶而都该换一副眼镜看中国 AI 了。
承认别东说念主的优秀，并不丢东说念主。
在这个时间，更变莫得时分末端，莫得驾驭权；它不错发生在加州的履行室里，也不错发生在中国的高铁车间里。
中好意思 AI 的故事，是「双强并峙，各登山顶」。这，才是 AI 赛场上的真相。我也相比期待啥时候上线郑再版。
