在2026年7月举行的WAIC世界人工智能大会现场，除了数百款大模型集中亮相，更令人关注的是，头部大模型厂商正在集体向上“摸高”——整个行业都在探索人工智能能力的上限，以及智能化边界究竟能够延伸到哪里。

提到Kimi的K3，2.8万亿参数这一数字在WAIC现场确实引发了广泛讨论。不少参会人士在与第一财经记者交流时都提到，更大的参数规模似乎正在重新证明一件事：参数量提升，确实有机会带动模型智能化水平持续跃升，这一路径正在被行业再次验证。

科大讯飞相关业务负责人给出了一个颇具代表性的分析：推动这一趋势的力量主要有三层，分别是Scaling Law形成的行业共识、Agent智能体自动化落地需求，以及长任务处理能力的现实刚需。这三种力量叠加，正在把基础大模型再次推向同一条发展主线。

阶跃星辰的印奇则给出了更为激进的判断：到了2026年，AI大模型能力正跨越一个关键临界点。人工智能已经从过去只能连续执行数秒任务，逐步演进到能够独立持续工作数十小时。换句话说，整个AI行业正站在通向AGI的重要起点之上。

更大规模参数量

Kimi K3的2.8万亿参数，不仅在国内AI行业掀起热议，甚至引起了美国投资机构Atreides Management的关注。其管理合伙人Ga vin Baker评价称，K3可能会成为AI行业的重要转折点，它有望阻止少数几家拥有极高推理利润率的实验室，对AI生态其他层形成垄断甚至挤压。对于Anthropic和OpenAI来说，这未必是好消息，但对全球更多AI公司而言，反而是一项利好。

在WAIC现场，虽然不少大模型厂商并未明确发布新一代模型，但多位与会人士都透露，更大规模参数量将成为下一代基础模型的重要标配。

以MiniMax为例，此前发布的M3总参数约为428B，但市场反响相对平淡。一位负责人坦言，主要原因在于M3整体性能较为均衡，却缺乏足够突出的差异化亮点。根据行业信息，MiniMax下一代模型暂定代号M3 Pro，总参数也将超过2万亿，并计划开源，重点提升复杂推理能力与多步骤Agent智能体任务执行表现。虽然MiniMax方面尚未正式确认，但相关负责人表示，整个行业趋势都在朝着两万亿参数规模推进——因为这条技术路线已经被Anthropic验证过，也是当前缩小能力差距最快的路径之一。

Anthropic的Claude系列，从2024年的Sonnet到2025年的Opus 4，再到2026年的Fable 5，几乎每一次参数规模的大幅提升，都伴随着模型能力边界的明显扩展。这条发展路径已经被证明具备可行性。

科大讯飞的业务负责人也表示，公司同样在布局万亿参数大模型。目前行业内正逐步形成一种更清晰的模型分层：千亿级模型更强调性价比，主要承担日常通用任务和简单业务场景；万亿级超大模型则承担“摸高”角色，重点攻克复杂推理、智能体自动化，以及替代人工完成高阶复杂任务等方向。

多元化探索路径

商汤科技徐立对此则显得更加开放：当前大模型厂商的“摸高”路径还没有真正收敛，但也正因为路线尚未统一，AI行业才展现出百花齐放、多元探索的格局。

在商汤举办的圆桌论坛上，多模态大模型成为绕不开的核心话题。当前行业内部一直存在“语言为核”和“多模态为底”两种技术路线之争。复旦大学邱锡鹏教授认为，语言依然是人类高阶推理与逻辑认知的核心载体，同时也是人工智能理解世界的重要依托。多模态的价值不在于替代语言，而在于通过模态对齐补足信息缺口。他进一步判断，现阶段模型的最大短板并非融合技术本身，而是对真实应用场景中情境理解能力的不足。未来通用人工智能的发展形态，很可能会演进为“基础大模型+多模态交互基础设施”，依靠完整工程体系补齐现实场景中的交互认知短板。

阶跃星辰的张祥雨则从智能的第一性原理出发，认为人类已知的智能进化路径都离不开多模态交互。单一语言模型本质上只是对文本静态知识的一维压缩，无法完整复刻物理世界中的时空关系、因果逻辑以及行为交互。不论是生物自然智能，还是机器人、数字生命等新型智能体，都需要依靠多模态能力完成对四维世界的建模，这也构成了纯语言模型难以突破的能力边界。

从另一个角度来看，如果将传统语言数据比作互联网长期沉淀形成的“化石能源”，新加坡南洋理工大学刘子纬副教授认为，这部分数据存量已接近枯竭，后续增长空间相对有限。而多模态交互数据，才是支撑AI长期演进与持续进化的“新能源”。语言只是现实高维世界的低维投影，AI发展趋势正在从“脱实向虚”转向“脱虚向实”。数字场景任务仍可以由语言模型承接，但在制造业、具身智能等高价值物理世界场景中，只有原生多模态能力才能支撑智能的新一轮涌现。

跳出模态路线之争，阿里巴巴达摩院赵德丽认为，行业分歧背后的本质问题在于学习范式仍然滞后。当前语言模型之所以领先，本质上是建立在静态高质量文本数据和传统模仿学习范式之上的阶段性红利。但进入动态智能体时代后，语言模型与视觉模型其实都面临同一个核心瓶颈——它们无法从真实环境中的稀疏交互反馈里实现自主学习和自我进化。与其执着于模态路线之争，不如优先构建可在线进化的自主学习范式，这才是下一代人工智能实现突破的关键。而多模态，正是支撑智能体持续迭代和进化的核心训练场。

整体来看，当前行业主流采用的“语言基座+多模态外接”嫁接式架构，依然存在原生缺陷，尚难以支撑通用人工智能的真正跃迁。未来AI大模型的下一轮核心瓶颈，更可能集中在学习范式、记忆机制以及自主进化能力等关键能力层面的持续提升。