在今年AI创造者嘉年华期间，硅星人创始人兼CEO骆轶航与月之暗面（Kimi）技术副总裁付强，就K2模型诞生背后的“反常识”决策、Kimi追逐AGI的路径等核心议题展开深度对话。以下为经整理的对话实录及核心观点分析，呈现大模型技术发展的新思考。
一、重返预训练：反潮流背后的“Token效率”突破
1. 架构选择：不纠结“标新立异”，聚焦“好用”本质
针对K2模型采用与DeepSeekV3相似架构的疑问，付强表示，架构并非大模型竞争的核心——“汽车都长四个轮子，比拼的不是造五个轮子的车，而是车好不好开”。选择成熟架构的关键优势在于可重用既有推理资源，尤其K2定位为开源模型，需兼顾性能与部署效率。尽管架构相似，但K2在超参数（如MoE专家数量更多、注意力头数减半）、数据集选择、第一层dense模型紧致度等细节上进行优化，最终表现因这些差异而显著不同。
2. 反趋势决策：预训练仍有空间，拒绝“训练次数崇拜”
当行业趋势转向后训练、强化学习以逼近Agent时，Kimi却暂停K1.5的RL流程，重返预训练，这一“反潮流”举动源于对Scaling Law的重新判断。付强指出，行业中“Scaling Law到头了”的观点需辩证看待，预训练的瓶颈并非“投入不足”，而是“如何从有限数据中挖掘更多价值”。他反对“训练成本越低、次数越多越好”的简单逻辑——互联网高质量语料总量有限，若模型已学完所有公开知识，重复训练无法提升智能。Kimi的突破方向是提升“Token Efficiency（Token使用效率）”，让模型从同一段文本中挖掘更深层信息。
3. 智能提升路径：从“背书”到“举一反三”
付强以“7+5=12”举例说明Token Efficiency的实现逻辑：传统训练是“背书式”记忆等式本身，而高效训练需让模型理解等式背后的关联（如转化为12-7=5，掌握加减互逆关系）。类比到文本学习，模型需从Token中挖掘隐含信息——如诗句背后的历史背景、文字演化中的漏记与抄错，通过多维度比对和演化分析，实现“读10万字书，学出20万字内容”的效果。他认为，提升Token Efficiency至少能将Scaling Law“撞墙”时间推迟半年到一年，是当前预训练的核心突破点。
二、开源战略：让社区成为“共同演化”的推动力
1. 开源价值：小团队的“借力进化”逻辑
作为规模小于美国头部AI公司的团队，Kimi选择开源的核心诉求是构建“社区反馈-模型迭代”的循环。付强表示，开源能让开发者基于K2打造多样化应用，这些应用场景和用户反馈会启发Kimi的下一代模型研发方向。“我们欢迎社区做出更酷炫的产品，只要始终比社区快半步，就能将这些启发吸收到新模型中”。此外，开源也是技术能力的“公开验证”——相比闭源模型依赖工程化Trick（如按问题领域调用特定子模型），开源模型的性能可被开发者直接部署、测试，更能体现真实智能水平。
2. 开源与AGI：拒绝“临时解法”，坚守通用智能
付强引用《The Bitter Lesson》（《苦涩的教训》）强调，AGI的实现无法依赖“复制人类既有知识”或“拆解问题片段”，而需追求智能的通用化。Kimi开源的深层逻辑是向行业证明：通过提升模型原生智能，而非临时的工程优化，同样能解决专业问题。“我们希望走向AGI，而不是停留在‘用户提问时答得好’的表层体验”。
三、Agent与Coding：AGI的“能力标尺”与“进化载体”
1. Agent的本质：模型原生能力，而非“外部套壳”
针对行业热词Agent，付强提出“赛车与赛车手”的类比：第三方Agent公司如同赛车手，通过调用模型API（赛车参数）发挥性能，但受限于逆向工程和模型更新的不确定性；而第一方模型公司需在构建基座时就融入Agent能力，实现“端到端训练”。他以数学学习为例——教小朋友“首项加末项”的口诀（类似第三方Agent的Workflow模仿），远不如让他通过大量做题自主悟规律（类似第一方模型的原生能力），后者的泛化性和智能层级更高。“好的Agent应像K2，原生具备调用工具、突破问题的能力，而非依赖后期Fine-tune”。
2. 选择Coding：AGI的“客观智能标尺”
Kimi将Coding作为重点发力领域，核心原因在于其“客观可验证”的特性——代码能否跑通是即时反馈，可作为模型智能的清晰衡量标准；而情绪价值、文本华丽度等指标缺乏客观评判依据。付强认为，AGI的发展需聚焦“智能程度越高，问题解决概率越大”的领域，Coding正是这类领域的代表。从实际表现看，K2在Coding评测中成绩优异，OpenRouter调用次数及顶级IDE厂商的接入也印证了市场认可。他强调：“能做好Coding的模型，一定能做好逻辑清晰的Writing；但擅长华丽Writing的模型，未必能解决复杂Coding问题，Coding是智能的基础。”
四、AGI的终极路径：模型与人类“共同演化”
谈及模型的价值观与未来，付强回归《The Bitter Lesson》的核心观点：AGI的发展应赋予模型“人类演进中的核心能力”——掌握工具、感知世界、自主交互与实验。“别把模型当宠物圈养，要让它像人类祖先钻木取火一样，自己做实验、从错误中总结”。他设想，未来模型不仅能在代码上做实验，还能开展物理、化学实验，通过与世界的持续交互不断进化，这才是AGI的终极方向。“模型的价值不在于提供情绪价值，而在于以更高智能解决问题；而实现这一目标的关键，是让它获得与人类共同演化的机会”。
结语：大模型发展的“去浮躁”与“重本质”
付强的对话透露出Kimi在AI浪潮中的“反浮躁”姿态：不追逐架构标新立异，而是深耕Token Efficiency；不沉迷短期流量，而是通过开源构建长期进化循环；不依赖工程Trick，而是坚守原生智能的提升。这种“重本质”的思路，或许为大模型从“工具”走向“AGI”提供了一条扎实路径——当行业不再纠结于表面创新，而是聚焦模型与世界的交互、与人类的共同演化，AGI的曙光才会真正临近。