3月27日，中關(guān)村論壇大會(huì)期間，一場(chǎng)主題為OpenClaw與AI開(kāi)源的圓桌人頭攢動(dòng)，主持人是月之暗面創(chuàng)始人楊植麟，嘉賓包括智譜華章CEO張鵬、無(wú)問(wèn)芯穹聯(lián)合創(chuàng)始人兼CEO夏立雪、小米MiMo大模型負(fù)責(zé)人羅福莉、香港大學(xué)助理教授黃超，各方針對(duì)時(shí)下熱點(diǎn)和未來(lái)發(fā)展給出了自己的觀點(diǎn)。

過(guò)去兩年，大模型的主線還是“更聰明地回答問(wèn)題”，從 OpenClaw 爆火開(kāi)始，行業(yè)的敘事已經(jīng)悄然切換——AI不再只是對(duì)話者，而是開(kāi)始成為“干活的人”。

OpenClaw的意義，恰恰在于它像一個(gè)“腳手架”，把原本分散在模型、工具、算力之間的能力重新組織起來(lái)，讓普通用戶也能調(diào)用原本只屬于工程師的復(fù)雜能力。從寫(xiě)代碼、調(diào)接口，到執(zhí)行長(zhǎng)任務(wù)、自動(dòng)調(diào)試，這種能力的下沉，本質(zhì)上是在降低“創(chuàng)造力的門(mén)檻”。與此同時(shí)，它也放大了另一面：token消耗呈指數(shù)級(jí)增長(zhǎng)，推理成本迅速抬升，基礎(chǔ)設(shè)施開(kāi)始承壓，整個(gè)行業(yè)被迫進(jìn)入“推理時(shí)代”的真實(shí)考驗(yàn)。

也正因此，圍繞OpenClaw展開(kāi)的討論，早已超出一個(gè)產(chǎn)品或框架本身。它牽動(dòng)的是一整套新的問(wèn)題：模型如何支撐長(zhǎng)上下文與復(fù)雜規(guī)劃？基礎(chǔ)設(shè)施如何適配毫秒級(jí)調(diào)用與海量token？多Agent協(xié)作、記憶管理、工具生態(tài)如何形成閉環(huán)？以及最現(xiàn)實(shí)的——算力與成本，能否跟上這場(chǎng)爆發(fā)式需求。

在這場(chǎng)對(duì)話中，產(chǎn)業(yè)鏈各方的參與者給出了各自的答案，也共同勾勒出一個(gè)清晰趨勢(shì)：未來(lái)12個(gè)月，大模型競(jìng)爭(zhēng)的核心，將從“誰(shuí)更聰明”，轉(zhuǎn)向“誰(shuí)能讓AI真正工作起來(lái)”。

以下為對(duì)話實(shí)錄，經(jīng)編輯：

OpenClaw帶來(lái)的變革

楊植麟：很榮幸今天能邀請(qǐng)到各位重磅嘉賓，覆蓋了從模型層到底層算力層，再到上層Agent層的不同層面。今天最主要的關(guān)鍵詞是開(kāi)源和Agent。

我們先從第一個(gè)問(wèn)題開(kāi)始——現(xiàn)在最流行的OpenClaw，大家日常使用OpenClaw或類(lèi)似產(chǎn)品時(shí)，覺(jué)得最有想象力或印象深刻的是什么？從技術(shù)角度如何看待OpenClaw和相關(guān)Agent的演進(jìn)？

張鵬：我很早就開(kāi)始玩OpenClaw，當(dāng)時(shí)還不叫OpenClaw，最早叫Clawdbot。作為程序員出身，自己動(dòng)手折騰這些東西有一些獨(dú)特體驗(yàn)。

OpenClaw最大的突破點(diǎn)在于，這件事不再是程序員或極客們的專(zhuān)利，普通人也可以方便地使用頂尖模型的能力，尤其是在編程和智能體方面。

我更愿意把OpenClaw稱(chēng)作"腳手架"。它在模型基礎(chǔ)之上搭起了一個(gè)牢固、方便又靈活的腳手架，大家可以按照自己的意愿使用底層模型提供的新奇能力。原來(lái)一些想法受限于不會(huì)寫(xiě)代碼或其他技能，今天終于可以通過(guò)簡(jiǎn)單交流完成。這對(duì)我來(lái)說(shuō)是一個(gè)非常大的沖擊，讓我重新認(rèn)識(shí)了這件事。

夏立雪：我最開(kāi)始用OpenClaw時(shí)不太適應(yīng)，因?yàn)榱?xí)慣了跟大模型聊天的交流方式，感覺(jué)OpenClaw反應(yīng)很慢。但后來(lái)我意識(shí)到，它和之前的聊天機(jī)器人有一個(gè)很大不同，它應(yīng)該是一個(gè)能幫我完成大型任務(wù)的"人"。

當(dāng)我開(kāi)始提交更復(fù)雜任務(wù)時(shí)，發(fā)現(xiàn)它能做得很好。這讓我感觸很深，模型從最初按token聊天，到現(xiàn)在能變成Agent、變成Claw幫你完成任務(wù)，對(duì)整個(gè)AI的想象力空間做了很大提升。但同時(shí)，它對(duì)系統(tǒng)能力的要求也變得很大，這也是為什么一開(kāi)始會(huì)覺(jué)得有點(diǎn)卡。

作為基礎(chǔ)設(shè)施層廠商，我看到OpenClaw給整個(gè)系統(tǒng)和生態(tài)帶來(lái)了更多的機(jī)遇和挑戰(zhàn)。我們現(xiàn)有的資源想要支撐這樣一個(gè)快速增長(zhǎng)的時(shí)代是不夠的。以我們公司為例，從一月底開(kāi)始，基本上每?jī)芍躷oken量翻一番，到現(xiàn)在翻了十倍。上次見(jiàn)到這個(gè)速度還是3G時(shí)代手機(jī)流量的感覺(jué)。

現(xiàn)在的token用量就像當(dāng)年每月一百兆手機(jī)流量的時(shí)代，所有資源需要進(jìn)行更好地優(yōu)化和整合，讓每一個(gè)人都能把OpenClaw這樣的AI能力用起來(lái)。作為基礎(chǔ)設(shè)施玩家，我對(duì)這個(gè)時(shí)代是非常激動(dòng)和感觸的，認(rèn)為這里邊有很多的優(yōu)化空間值得探索。

羅福莉：我把OpenClaw當(dāng)作框架的一個(gè)非常革命性和顛覆性的事件來(lái)看待。雖然身邊進(jìn)行深度coding的人第一選擇還是Claude Code，但只有用過(guò)OpenClaw的人會(huì)獨(dú)特地感受到這個(gè)框架在Agent框架設(shè)計(jì)上的領(lǐng)先性。最近Claude Code的很多更新其實(shí)都在向OpenClaw靠近。

OpenClaw給我?guī)?lái)更多是想象力的隨時(shí)隨地?cái)U(kuò)展。Claude Code最開(kāi)始只能在桌面上延展創(chuàng)意，但OpenClaw可以隨時(shí)隨地延展創(chuàng)意。

OpenClaw的核心價(jià)值在于兩點(diǎn)：

第一是開(kāi)源。開(kāi)源是非常有利于整個(gè)社區(qū)深入?yún)⑴c、改進(jìn)、投入一線框架的重要前置條件。像OpenClaw、Claude Code這樣的Agent框架，把國(guó)內(nèi)可能沒(méi)有非常接近閉源模型、但水平仍在頭部賽道上的模型上限拉到非常高。在絕大部分場(chǎng)景中，任務(wù)完成度已經(jīng)非常接近最新模型，同時(shí)把下限保證得非常好，靠一套Harness系統(tǒng)或Skills體系等諸多設(shè)計(jì)，保證任務(wù)完成度和準(zhǔn)確率。

從基座大模型角度來(lái)說(shuō)，OpenClaw保證了模型的下限，拉伸了它的上限。此外，大家發(fā)現(xiàn)原來(lái)在大模型之外，更重要的Agent層有非常多想象力和空間可以做。我看到最近社區(qū)有更多除了研究員以外的人參與到AGI變革中，更多人借助更強(qiáng)的Agent框架替代自己的工作，釋放時(shí)間去做更有想象力的事情。

黃超：從交互模式來(lái)講，OpenClaw這次爆火的第一個(gè)原因，是給了大家一種更有"活人感"的感覺(jué)。我們做Agent也有一兩年了，但之前像Cursor、Claude Code這些Agent給人更強(qiáng)的是工具感。OpenClaw第一次以IM軟件嵌入的方式，讓大家更有活躍感，更接近想象中個(gè)人賈維斯的概念。

另一個(gè)啟發(fā)是，它的架構(gòu)——Agent loop這種非常簡(jiǎn)單但高效的框架再次被證明。這讓我們重新思考，是否需要一個(gè)all-in-one非常強(qiáng)大的智能體幫我們做很多事情，還是需要一個(gè)像輕量級(jí)操作系統(tǒng)或腳手架一樣的小管家？

OpenClaw可以通過(guò)一個(gè)小的super system生態(tài)，讓整個(gè)社區(qū)更有"玩起來(lái)"的心態(tài)，撬動(dòng)整個(gè)生態(tài)里的所有工具。隨著Skills或Harness等越來(lái)越多人設(shè)計(jì)更面向OpenClaw系統(tǒng)的應(yīng)用，賦能各行各業(yè)。這與整個(gè)開(kāi)源生態(tài)結(jié)合得非常緊密。這兩點(diǎn)帶給我們最大啟發(fā)。

OpenClaw改變了什么

楊植麟：順著OpenClaw的話題，想問(wèn)張鵬，最近智譜發(fā)布了新的GLM-5 Turbo模型，對(duì)Agent能力做了很大增強(qiáng)。能否介紹一下這個(gè)新模型與其他模型的不同之處？我們也觀察到有提價(jià)策略，這反映了什么市場(chǎng)信號(hào)？

張鵬：這是個(gè)很好的問(wèn)題。前兩天我們確實(shí)緊急更新了一波，這在我們整個(gè)發(fā)展路標(biāo)中是其中一個(gè)階段，提前放出來(lái)。最主要目的還是要主打從原來(lái)簡(jiǎn)單的對(duì)話到干活。正如剛才各位講的，OpenClaw真的讓大家覺(jué)得大模型不再是簡(jiǎn)單聊天，真的能幫我干活。

但"干活"背后隱含的能力需求非常高。它需要自己長(zhǎng)程做任務(wù)規(guī)劃、不斷重試、壓縮上下文、debug等，還可能涉及多模態(tài)信息處理。這對(duì)模型本身能力的要求與傳統(tǒng)的面向?qū)υ挼耐ㄓ梅河媚Ｐ筒灰粯?。GLM-5 Turbo在這方面做了專(zhuān)門(mén)加強(qiáng)，尤其是讓它能7×24小時(shí)不停地loop。

關(guān)于token消耗量，讓聰明模型干復(fù)雜任務(wù)，token消耗量非常巨大。一般人可能體會(huì)不出來(lái)，只會(huì)看到賬單上的錢(qián)不停往下掉。這方面我們也做了優(yōu)化，面臨復(fù)雜任務(wù)時(shí)用更高效的token效率完成。本質(zhì)上模型架構(gòu)還是多任務(wù)協(xié)同的通用架構(gòu)，只是能力有偏向性加強(qiáng)。

提價(jià)這事很好解釋。我們現(xiàn)在不再是簡(jiǎn)單問(wèn)一個(gè)問(wèn)題他回答，背后思考鏈路很長(zhǎng)。很多任務(wù)通過(guò)寫(xiě)代碼方式與底層基礎(chǔ)設(shè)施打交道，還要debug、隨時(shí)改正錯(cuò)誤，消耗量非常大。完成一個(gè)任務(wù)需要的token量可能是原來(lái)回答簡(jiǎn)單問(wèn)題的十倍甚至百倍。所以價(jià)格上需要成本提高，模型變得更大，推理成本相應(yīng)提高，我們把它回歸到正常商業(yè)價(jià)值。長(zhǎng)期靠低價(jià)競(jìng)爭(zhēng)不利于整個(gè)行業(yè)發(fā)展，這讓我們能在商業(yè)化路徑上有良性閉環(huán)，持續(xù)優(yōu)化模型能力。

楊植麟：現(xiàn)在開(kāi)源模型和推理算力開(kāi)始形成生態(tài)，各種開(kāi)源模型可以在各種推理算力上為用戶提供更多價(jià)值。隨著token量暴漲，逐漸從訓(xùn)練時(shí)代變成推理時(shí)代。想請(qǐng)教夏立雪，從infra層面，推理時(shí)代對(duì)無(wú)問(wèn)意味著什么？

夏立雪：我們是誕生在AI時(shí)代的基礎(chǔ)設(shè)施廠商，現(xiàn)在和Kimi、DeepSeek等合作，也在跟小米MiMo合作，讓大家能把token工廠更高效用起來(lái)。

我們一直在思考，AI時(shí)代需要的基礎(chǔ)設(shè)施會(huì)是什么樣子？怎么一步步實(shí)現(xiàn)和推演？我們做好了充分準(zhǔn)備，看到短期、中期、長(zhǎng)期不同階段需要解決的問(wèn)題。

當(dāng)前的問(wèn)題就是OpenClaw帶起來(lái)的token暴增，對(duì)系統(tǒng)效率帶來(lái)更大優(yōu)化需求。價(jià)格增長(zhǎng)也是需求下的一種解決方式。我們一直以來(lái)從軟硬件打通方式布局解決，接入了幾乎所有種類(lèi)的計(jì)算芯片，把國(guó)內(nèi)幾十種芯片和幾十個(gè)不同算力集群統(tǒng)一連接起來(lái)，解決算力資源緊缺問(wèn)題。資源不足時(shí)，最好辦法是，第一把能用資源都用起來(lái)，第二，讓每個(gè)算力都用在刀刃上，讓每個(gè)資源發(fā)揮最大轉(zhuǎn)化效率價(jià)值。

我們要打造更高效的token工廠，做了很多優(yōu)化，讓模型和硬件上各種顯存、技術(shù)進(jìn)行最優(yōu)適配，也在看最新模型結(jié)構(gòu)和硬件結(jié)構(gòu)下能否進(jìn)行更深層次化學(xué)反應(yīng)。

但解決當(dāng)前效率問(wèn)題只是打造了標(biāo)準(zhǔn)化token工廠，面向Agent時(shí)代還不夠。Agent更像一個(gè)人，能交給他一個(gè)任務(wù)。當(dāng)前很多云計(jì)算時(shí)代的基礎(chǔ)是為服務(wù)程序、服務(wù)人類(lèi)工程師設(shè)計(jì)的，而不是為AI設(shè)計(jì)的。

有點(diǎn)像我們做了一個(gè)基礎(chǔ)設(shè)施，上面接口是為人類(lèi)工程師做的，再包一層接入Agent，這種方式用人的操作能力限制了Agent發(fā)揮空間。舉例來(lái)說(shuō)，Agent能做到秒到毫秒級(jí)別思考和發(fā)起任務(wù)，但之前底層K8s等能力沒(méi)做好這個(gè)準(zhǔn)備，因?yàn)槿祟?lèi)大概發(fā)起任務(wù)是分鐘級(jí)別的。

我們需要進(jìn)一步優(yōu)化，打造更智慧化的調(diào)控工廠，這是無(wú)問(wèn)芯穹正在做的事。從更長(zhǎng)遠(yuǎn)的未來(lái)，真正AGI時(shí)代到來(lái)時(shí)，連基礎(chǔ)設(shè)施都應(yīng)該是智能體。

我們打造的這套工廠本身應(yīng)該是能自我進(jìn)化、自我迭代的自主組織，相當(dāng)于有個(gè)CEO，這個(gè)CEO是Agent，可能是CLaw在管理整個(gè)基礎(chǔ)設(shè)施，根據(jù)AI客戶需求自己提需求、迭代基礎(chǔ)設(shè)施，這樣AI和AI之間才能更好耦合。我們也在做讓Agent和Agent之間更好通信等能力。

我們一直思考基礎(chǔ)設(shè)施和AI發(fā)展不應(yīng)該是隔離狀態(tài)，而應(yīng)該產(chǎn)生豐富化學(xué)反應(yīng)。這才是真正做到軟硬協(xié)同、算法和基礎(chǔ)設(shè)施協(xié)同，也是無(wú)問(wèn)芯穹想實(shí)現(xiàn)的使命。

楊植麟：接下來(lái)問(wèn)問(wèn)羅福莉。小米最近發(fā)布新模型、開(kāi)源一些背后技術(shù)，對(duì)社區(qū)做出很大貢獻(xiàn)。小米在大模型方面有什么獨(dú)特優(yōu)勢(shì)？

羅福莉：先拋開(kāi)小米有什么獨(dú)特優(yōu)勢(shì)，我更想談中國(guó)做大模型的團(tuán)隊(duì)在大模型上的優(yōu)勢(shì)，這個(gè)話題更具廣泛價(jià)值。

大概兩年前，我看到中國(guó)基座大模型團(tuán)隊(duì)已經(jīng)開(kāi)始非常好的突破。這個(gè)突破是，在有限算力下，尤其在NV-Link互聯(lián)帶寬受限的算力情況下，怎么突破低端算力限制，做一些看似為效率妥協(xié)的模型結(jié)構(gòu)創(chuàng)新。像DeepSeek V2、V3系列、細(xì)粒度MoE和MLA等。

但后面能看到，這些創(chuàng)新引發(fā)的是變革，在算力一定情況下，怎么發(fā)揮一定算力的最高智能水平。這是DeepSeek帶給所有國(guó)內(nèi)機(jī)構(gòu)、大模型團(tuán)隊(duì)的一個(gè)勇氣和信心。

雖然今天國(guó)產(chǎn)芯片尤其是推理芯片和訓(xùn)練芯片不再受這個(gè)限制，但在這樣的限制下催生了我們對(duì)更高訓(xùn)練效率、更低推理效率的模型結(jié)構(gòu)全新探索。像最近的Hybrid Sparse Attention或Lite Attention架構(gòu)，DeepSeek的DSA、Kimi也有 KSA，小米也有面向下一代的架構(gòu)。

這是區(qū)別于MoE這一代架構(gòu)，面向AGI時(shí)代思考如何在Agent時(shí)代做更好模型架構(gòu)構(gòu)創(chuàng)新。為什么架構(gòu)創(chuàng)新如此重要？

大家真實(shí)去用OpenClaw會(huì)發(fā)現(xiàn)，越用越好用、越用越聰明的前提是推理的context。

Context是我們談?wù)摵芫玫脑掝}，但現(xiàn)在真正發(fā)現(xiàn)有模型在long-context情況下表現(xiàn)非常好、性能強(qiáng)勁、推理成本低。很多模型不是做不到1M或10M context，而是推1M、10M成本太貴、速度太慢。

怎么做到在1M或10M context情況下推理成本夠低、速度夠快，這樣才會(huì)有真正高生產(chǎn)力價(jià)值的任務(wù)交給模型，從而激發(fā)在long-context情況下完成更高復(fù)雜度任務(wù)，才可能在10M甚至100M context情況下實(shí)現(xiàn)模型自迭代。

所謂模型自迭代，就是它可以在復(fù)雜環(huán)境里依靠超長(zhǎng)context完成自我進(jìn)化。這個(gè)進(jìn)化有可能是對(duì)Agent框架本身，也有可能是對(duì)模型參數(shù)本身。我們認(rèn)為long-context本身就是對(duì)參數(shù)的進(jìn)化。所以怎么實(shí)現(xiàn)long-context efficient架構(gòu)，以及怎么在推理側(cè)做到long-context efficient，是全方位競(jìng)爭(zhēng)。

除了預(yù)訓(xùn)練做好long-context架構(gòu)（這是一年前就探索的問(wèn)題），當(dāng)今怎么做到在真實(shí)長(zhǎng)距離任務(wù)上的穩(wěn)定性和非常高上限效果，是后訓(xùn)練再迭代的創(chuàng)新范式。我們?cè)谙朐趺礃?gòu)造更有效的機(jī)器學(xué)習(xí)算法，怎么采集到真實(shí)在1M、10M、100M上下文里都具有長(zhǎng)期依賴的文本等，這是我們現(xiàn)在后訓(xùn)練正在經(jīng)歷的事。

更長(zhǎng)期的事是大模型本身飛速進(jìn)步，加上Agent框架更好加持。像夏立雪說(shuō)的，推理需求今年已發(fā)生近十倍增長(zhǎng)，今年整個(gè)token增長(zhǎng)會(huì)不會(huì)到100倍？這里又到了另外維度競(jìng)爭(zhēng)——算力或推理芯片，甚至下到能源。

楊植麟：下面問(wèn)問(wèn)黃超。你開(kāi)發(fā)了一些非常有影響力的Agent項(xiàng)目，包括NanoBot，也有很多社區(qū)粉絲。從Agent harness或應(yīng)用層面，接下來(lái)有什么技術(shù)方向你覺(jué)得比較重要、大家需要關(guān)注？

黃超：如果把Agent技術(shù)抽象出來(lái)，關(guān)鍵幾個(gè)點(diǎn)是planning、memory和tool use。

Planning方面，現(xiàn)在問(wèn)題還是面向長(zhǎng)任務(wù)或非常復(fù)雜上下文，比如500步甚至更長(zhǎng)部署。很多模型不一定能做很好planning，本質(zhì)上可能不具備隱性知識(shí)，特別是在復(fù)雜垂直領(lǐng)域。未來(lái)可能需要把已有的各種復(fù)雜任務(wù)知識(shí)固化到模型里面。Harness一定程度上緩解了planning帶來(lái)的錯(cuò)誤，因?yàn)樗峁└哔|(zhì)量skill，本質(zhì)上是蓋住模型去完成比較難的task。

Memory方面，memory永遠(yuǎn)存在信息壓縮不準(zhǔn)確等問(wèn)題。長(zhǎng)任務(wù)和復(fù)雜場(chǎng)景下memory會(huì)暴增，帶來(lái)壓力?，F(xiàn)在各類(lèi)CLaw都采用最簡(jiǎn)單文件系統(tǒng)，這種markdown格式的memory，通過(guò)共享文件方式來(lái)做。未來(lái)memory應(yīng)該走向分層設(shè)計(jì)，包括如何更通用。

現(xiàn)在memory機(jī)制很難做到很通用。Coding場(chǎng)景、Deep Research、多媒體領(lǐng)域數(shù)據(jù)模態(tài)差別很大，如何對(duì)這些memory做很好檢索索引、更高效，永遠(yuǎn)在做rade-off。

另外，OpenClaw讓創(chuàng)建Agent門(mén)檻大幅降低后，未來(lái)可能不止一個(gè)CLaw。我看到Kimi也有Agent Swarm機(jī)制，未來(lái)每個(gè)人會(huì)擁有一群CLaw。一群CLaw相比一個(gè)CLaw，上下文暴增會(huì)非常大，這也是帶給memory的壓力?，F(xiàn)在還沒(méi)有很好機(jī)制管理一群CLaw帶來(lái)的整個(gè)上下文，特別是復(fù)雜coding、科研發(fā)現(xiàn)，帶給模型和Agent架構(gòu)壓力挺大。

Tool Use方面，skill現(xiàn)在存在一些問(wèn)題。MCP當(dāng)時(shí)存在質(zhì)量不保障、安全問(wèn)題，現(xiàn)在skill也存在類(lèi)似問(wèn)題?？此拼_實(shí)會(huì)有很多skill，但高質(zhì)量skill比較少，低質(zhì)量skill會(huì)影響Agent任務(wù)完成度，還有就是skill注入安全問(wèn)題。

從tool use這塊，可能需要靠整個(gè)社區(qū)把skill發(fā)展更好，甚至通過(guò)執(zhí)行過(guò)程中進(jìn)化出新skill。這是planning、memory和skill當(dāng)下存在的痛點(diǎn)和未來(lái)潛在方向。

楊植麟：可以看到兩位嘉賓從不同視角討論同一個(gè)問(wèn)題——隨著任務(wù)復(fù)雜度增加，上下文會(huì)暴漲。模型層面可以提升原生上下文長(zhǎng)度，Agent harness層面像planning、memory、multi-Agent harness也能在特定模型能力下支持更復(fù)雜任務(wù)。這兩個(gè)方向接下來(lái)會(huì)有更多化學(xué)反應(yīng)，提升任務(wù)完成難度。

未來(lái)12個(gè)月，大模型向何處去

楊植麟：最后來(lái)個(gè)開(kāi)放式展望。請(qǐng)各位用一個(gè)詞描述接下來(lái)12個(gè)月大模型發(fā)展趨勢(shì)及期望。從黃超開(kāi)始。

黃超：生態(tài)。

12個(gè)月在AI看起來(lái)好遙遠(yuǎn)，都不知道12個(gè)月后會(huì)發(fā)展成什么樣。

我覺(jué)得一個(gè)詞應(yīng)該叫生態(tài)?，F(xiàn)在CLaw讓大家活躍，但未來(lái)Agent真的要真正從個(gè)人助手轉(zhuǎn)換為"打工人"很重要?，F(xiàn)在大家玩CLaw也是新鮮感、好玩，但未來(lái)真的得讓CLaw們沉淀下來(lái)，成為大家的搬磚工具，成為真正的AI worker。這需要整個(gè)生態(tài)的努力。

開(kāi)源很重要，把所有相關(guān)技術(shù)探索、模型都開(kāi)出去后，需要整個(gè)生態(tài)一起來(lái)共建。不管是模型迭代、skills平臺(tái)迭代還是各種工具，都需要更好面向CLaw創(chuàng)造更好生態(tài)。

未來(lái)很多軟件可能不一定會(huì)面向人類(lèi)，因?yàn)槿祟?lèi)需要GUI，可能是面向Agent原生使用的。人會(huì)只使用讓自己快樂(lè)的GUI。整個(gè)生態(tài)又從GUI或MCP轉(zhuǎn)到CLI模式，需要整個(gè)生態(tài)變成Agent原生、Agent-native模式，才能讓Agent發(fā)展更加豐富。

羅福莉：自主化

把問(wèn)題縮小到一年很有意義。五年從我心目中對(duì)于AGI定義而言已經(jīng)實(shí)現(xiàn)了。如果用一個(gè)詞描述接下來(lái)一年AGI歷程最關(guān)鍵的事情，我認(rèn)為是自主化。

雖然這個(gè)詞有點(diǎn)玄幻概念，過(guò)去一年大家多次提到，但我最近才對(duì)它有更深體會(huì)，具體怎么做會(huì)有更務(wù)實(shí)可行的方案。

借助強(qiáng)大模型，之前在chat范式下根本沒(méi)發(fā)揮預(yù)訓(xùn)練模型上限，現(xiàn)在被Agent框架激活到了。觸到上限后執(zhí)行更長(zhǎng)時(shí)間任務(wù)時(shí)，發(fā)現(xiàn)模型可以自己學(xué)習(xí)和進(jìn)化。

很簡(jiǎn)單嘗試：在現(xiàn)有框架疊加可verify的條件限制，設(shè)置loop讓模型不停迭代優(yōu)化目標(biāo)，就能發(fā)現(xiàn)模型會(huì)持續(xù)拿出更好方案。這種自主化國(guó)內(nèi)模型基本能跑一兩天，當(dāng)然跟任務(wù)難度有關(guān)。在一些科學(xué)研究上，比如探索更好模型結(jié)構(gòu)（有評(píng)估標(biāo)準(zhǔn)如更低PPL），在這種確定任務(wù)上已能自主運(yùn)行兩三天。

從我的角度，自主化是唯一可以創(chuàng)造新東西的地方。它不是替代現(xiàn)有生產(chǎn)力，而是像頂尖科學(xué)家一樣探索世界上沒(méi)有的東西。

一年前我覺(jué)得時(shí)間歷程會(huì)拉到3-5年，但近期覺(jué)得應(yīng)縮小到最近1-2年。我們可以讓大模型疊加非常強(qiáng)的自主化Agent框架，實(shí)現(xiàn)科學(xué)研究至少指數(shù)級(jí)加速。最近組內(nèi)做大模型研究的同學(xué)workflow非常不確定、高度創(chuàng)造力，借助Claude Code加非常頂尖模型已基本能加速研究效率近十倍。期待這種范式輻射到更廣學(xué)科和領(lǐng)域，自主化非常重要。

夏立雪：可持續(xù)Token。

我的關(guān)鍵詞叫可持續(xù)Token?，F(xiàn)在整個(gè)發(fā)展還在長(zhǎng)期持續(xù)過(guò)程中，希望有長(zhǎng)久生命力。作為基礎(chǔ)設(shè)施角度看到的很大問(wèn)題是資源終究有限，就像當(dāng)年講可持續(xù)發(fā)展。

作為token工廠，能否給大家提供持續(xù)穩(wěn)定、大規(guī)模能用的token，讓頂尖模型真正繼續(xù)為更多下游服務(wù)，是很重要的問(wèn)題。需要把視角放寬到整個(gè)生態(tài)，從最早能源轉(zhuǎn)化到算力，再轉(zhuǎn)化到token，最終轉(zhuǎn)化成GDP鏈路，進(jìn)行持續(xù)經(jīng)濟(jì)化迭代。不止把國(guó)內(nèi)各種算力用起來(lái)，也在把這些能力輸出到海外，讓全球資源打通整合。

這也是想把中國(guó)特色token經(jīng)濟(jì)學(xué)做起來(lái)。之前時(shí)代是Made in China，能把中國(guó)低價(jià)制造能力變成好商品輸出全球?，F(xiàn)在想做的是AI Made in China——把中國(guó)能源優(yōu)勢(shì)通過(guò)token工廠持續(xù)轉(zhuǎn)化成優(yōu)質(zhì)token輸出全球，成為世界的token工廠。這是我想要在今年看到的中國(guó)給世界人工智能帶來(lái)的價(jià)值。

張鵬：算力。

我就簡(jiǎn)短一點(diǎn)，大家可能都在仰望星空，我就落地一點(diǎn)。未來(lái)12個(gè)月面臨的最大問(wèn)題可能就是算力。

所有技術(shù)包括智能體框架讓很多人有很好創(chuàng)造力、效率提升十倍，但前提條件是大家能夠用得起、用得起來(lái)。不能因?yàn)樗懔Σ粔?，?wèn)題提出讓他思考半天也不給答案，這肯定不行。也因?yàn)檫@種原因，可能連研究進(jìn)展、很多想做的事都受阻了。

前兩年我記得沈向洋院士應(yīng)該也是在中關(guān)村論壇說(shuō)了一句話："沒(méi)卡沒(méi)感情，談卡傷感情"。我覺(jué)得今天又到了這個(gè)地步，但情況又不一樣了——我們又到了推理階段。推理階段是因?yàn)樾枨笳嬖诒l(fā)，十倍百倍爆發(fā)。需求是100倍，還有大量需求沒(méi)滿足怎么辦，大家一起來(lái)想想辦法。

楊植麟：感謝各位的精彩分享！(本文作者 | 張帥，編輯 | 楊林)