机器之心原创

当整个人工智能行业都在为「如何给程序员打造更快的马」而疯狂投入时，一支特立独行的团队选择「直接去造汽车」。

「大模型的发展，更像一场篮球比赛才刚刚打完第一节。所有人都在用第一节的比分去判断整场比赛的胜负，但我们认为，还有第二、三、四节要打。」蔻町智能（AIGCode）创始人兼 CEO 宿文用这样一个比喻，为当前略显拥挤的 AI 编程赛道，提供了一个不同的观察视角。

自 2022 年底 ChatGPT 引爆全球以来，AI 编程被普遍认为是大语言模型最快、最确定能实现严肃商业化（PMF）的一个赛道。从 GitHub Copilot 的成功，到科技大厂和创业公司纷纷推出自己的编程助手，行业似乎已经形成一种共识：AI 是程序员的「副驾驶」，其核心价值在于提升代码编写效率。

然而，宿文和他的蔻町智能，正试图证明这是对终局的误判。在与机器之心的最近一次访谈中，宿文拆解了他对 AI 编程的三大「非共识」判断。

非共识一：基座模型仍处「婴幼儿期」

网络结构创新是破局关键

在许多人眼中，大模型的基座之战似乎已尘埃落定。后来者尤其是创业公司，只能在应用层寻找机会。宿文对此的看法截然不同：「我们认为大模型技术，或者说基座模型的发展，还处于婴幼儿时期。」

他指出，现有以 Transformer 为基础的模型架构，在学习机制和知识压缩效率上存在根本性问题。「尽管 MoE 通过专家分工解决了部分计算效率问题，但其专家之间是 “扁平” 且缺乏协作的，整体上仍是一个依靠简单路由机制的 “黑盒”。」

蔻町智能从成立第一天起，就选择自研基座模型。他们的破局点，正是在于对模型网络结构的持续迭代和创新。「我们在 MoE 的基础上，继续向后迭代，最终采用了在推荐搜索领域已经非常成熟的 PLE（Progressive Layered Extraction）架构。」

他解释道，从 MoE 到 MMoE，解决的是专家的解耦问题；再到 PLE，则进一步解决了专家解耦后可能产生的冲突和信息损耗问题，实现了对任务共性与个性的精细化提取。

宿文表示，网络结构创新使他们的模型在知识压缩和长逻辑链条的理解上，具备了与主流模型不同的潜力。

蔻町智能研发的新模型 AIGCoder 架构图，通过解耦的专家模块（De-coupled Experts）改良传统模型，利用多头专家感知注意力（MHEA）负责动态激活专家，定制化门控（CGC）负责精细整合信息，实现了在不增加计算开销的前提下，通过架构创新应对大模型扩展时遇到的瓶颈。

实验数据显示，无论是单个关键模块（左）还是整合后的完整架构（右），AIGCoder（橙色曲线）的训练效率均比基线模型（蓝色曲线）提升超过 1.3 倍。

非共识二：「避开大厂赛道」是个伪命题

在 AI 领域，创业者常常听到一句劝诫——不要做大厂发展道路上的业务，否则会被轻易碾压。

宿文却认为这是个伪命题。「如果真的是一件大事，为什么大厂会不做？更精准的说法应该是，“避免去摘低垂的果实”。」

「真正的护城河，不在于选择一个大厂看不上的 “缝隙市场”，而是在同一个领域里，解决比大厂更复杂、更深入的问题。」

「现在的许多 Coding 产品用工程化的方式集成各种 API，生成一个前端尚可的 Demo，这就是 “低垂的果实”。蔻町智能的策略，是通过底层技术创新，实现真正的 “All-in-one”。」

这种一体化的思路，也体现在宿文对 Agent 发展的看法上。他表示当前行业习惯性地将技术栈划分为 Infra、基座、OS、Agent 等层次，「这很像是对上一代 PC 互联网和移动互联网的技术架构的简单映射，这样 “刻舟求剑” 式的对新技术做定义意义不大。」

他强调，在新范式下，各个技术环节是深度耦合的。「奔着解决问题的角度，我们就把它一体化地解决。在最终效果没有出来之前，过早分工反而不利于提效。」

蔻町智能把 AI for Coding 划分为 L1 到 L5 五个阶段：

L1：类似低代码平台，目前不是主流；

L2：Copilot 产品，辅助程序员，根据提示生成代码，代表产品有 GitHub Copilot、Cursor；

L3：Autopilot 产品，能端到端地完成编程任务，不需要程序员介入；

L4：多端自动协作，让多个协作用户能直接把软件创意变成某个完整的产品；

L5：能够自动迭代，升级为成熟的软件产品。

宿文表示：「目前大部分 AI Coding 产品集中在 L2 阶段，而 AutoCoder 从一开始就定位在 L3。」

从 L2 到 L3，并非简单的量变。「将编程助手做到极致，并不会自然而然地通向端到端软件生成。」两者需要解决的技术问题、优化的方向，基本上没有大的重合：前者（Copilot）优化的是「写代码效率」，核心是上下文理解与精准补全；后者（Autopilot）解决「不写代码」的问题，核心是对复杂业务逻辑的理解、拆解与长逻辑链条的生成。

此外，L2 需要与 IDE（集成开发环节）深度融合，对大厂俩说有天然优势，对创业公司而言，则可能是一条事倍功半的险路。

非共识三：个性化应用市场即将爆发，

新增需求远超存量替代

坚持 L3 不仅是技术上的选择，也是宿文和他的团队对市场未来的判断。尽管行业普遍认同 AI 编程的终极目标在于赋能每一个人，但在实现路径上，由于 AI 技术瓶颈与普通用户相关知识的缺失，主流看法认为，当下最现实的路径，是先辅助程序员，解决存量市场的效率问题。

宿文则认为这恰恰是一种「战略绕行」，因为 L2 无法自然演进到 L3，所以沿着 L2 走，不仅无法抵达终点，更可能错失真正的蓝海——那个被现有开发模式压抑的、由海量个性化需求构成的增量市场。

「新增的需求远远大于存量的替代。程序员不会消失，但一个全新的、数倍于现有规模的市场会爆发。」

「很像是有了滴滴才有了网约车市场，有了美团才有了外卖市场，」他类比说：「以前人们打车、点外卖的大量潜在需求被高昂的成本和复杂的流程所压抑，一旦有了低成本、高效率的供给方式，市场便会迎来爆发式增长。」

在软件开发领域，对于大量的中小企业、创业者，甚至大企业的业务部门而言，都存在被压抑的需求。宿文举例，一个业务部门想为内部开发一套培训系统，传统模式下，从漫长的需求沟通、高昂的开发投入，到最终交付物偏离预期的风险，整个过程动辄数月，且试错成本极高。

蔻町智能希望将这个流程重塑为：「只要上午能明确定义需求，下午就能看到一个可直接上线部署的产品。」

蔻町智能最新发布的端到端软件生成产品 AutoCoder，定位「全球首款前后端一体化的应用与软件完整生成平台」，能够同时生成高度可用的前端、数据库和后端。例如，用户输入「帮我生成一个科技公司官网」，平台不仅生成用户可见的前台页面，也同步生成供企业员工管理网站内容和用户数据的后台系统。

AutoCoder 的受众不仅包括产品经理、设计师等专业人士（Prosumer），更涵盖了大量非技术背景的个人从业者、小型企业主（如咖啡店、健身房）、初创团队的非技术创始人等。这些人有明确的数字化需求，但被传统开发的高门槛挡在门外。

宿文引用了一个数据：海外一家类似理念的公司，其产品的月度访问量，在短时间内已经达到了发展近 20 年的 GitHub 的十分之一，并且 GitHub 的数据本身并未下滑。这意味着一个新的、增量用户的市场正在被激发。

当然，L3 这条路最直接的质疑就是——端到端生成的软件出了 Bug 怎么办？宿文的回应是：

「与其花费数小时去寻找一个 Bug，为什么不花几分钟重新生成一个正确的版本呢？」随着软件生成的边际成本趋近于零，迭代和试错的自由度将被前所未有地释放。

结语

自研基座模型，选择更难的端到端路径，瞄准被压抑的增量需求——这三个非共识但逻辑自洽的判断，构成了蔻町智能的核心战略和发展路径。

当然，选择一条少有人走的路，必然伴随着质疑和不确定性。正如汽车在诞生之初，远没有马车跑得快，甚至开几公里就散架。蔻町智能的「汽车」能否在性能、稳定性和可靠性上，快速迭代到可以与成熟的「马车体系」相抗衡甚至超越的阶段，仍需时间和市场的检验。

但毫无疑问，这场关于 AI 编程的篮球赛才刚刚开始。一个挑战者已经选择用自己的方式，去打一场完全不同的比赛。从用户的角度，我们也乐于期待一个软件创造权力被彻底平权的未来。

金达威：公司在美国的收入主要来自美国子公司在美国的收入和国内子公司出口美国的收入证券日报网讯金达威9月17日在互动平台回答投资者提问时表示，公司在美国的收入主要来自两方面，1、美国子公司在美国的收入，该部分基本不受中美贸易的影响；2、国内子公司出口美国的收入，主要以辅酶Q10为主