楊植麟/張鵬/夏立雪/羅福莉/黃超，談龍蝦，談“Token經濟學”

文｜周鑫雨 王欣逸 鐘楚笛

編輯｜周鑫雨

Token，在技術語境下，是模型處理文本時的最小單位；在商業語境下，則成了AI服務最主流的計費方式。

近期，讓Token被黃仁勛、吳泳銘等人，拔高到“經濟學”概念的導火索，是當下全球最火的開源Agent框架——俗稱為“龍蝦”的OpenClaw。

它第一次讓Agent的概念突破極客圈層，走向普羅大眾；同時，運行龍蝦龐大的Token消耗，也讓習慣使用免費ChatBot的普通用戶，第一次感知到：智能，是一種昂貴的、需要購買的資源。

2026年3月27日，中關村論壇。在主題為“OpenClaw與AI開源”的圓桌上，五位分別來自大模型、算力、Agent領域的中國AI一把手，因為開源和Token，聚在了一起。

論壇。

模型層的幾位玩家，月之暗面創始人楊植麟、智譜CEO張鵬、小米MiMo大模型負責人羅福莉，都在不久前，發布了自己的OpenClaw框架，或是將自己的模型能力，與OpenClaw做了適配；

香港大學助理教授兼博士生導師黃超，曾帶領團隊，僅用4000行代碼，就開發出了OpenClaw的平替，Nanobot；

這幾家模型公司的算力合作方，無問芯穹聯合創始人夏立雪，今年1月以來最大的感受則是：龍蝦帶來的Token消耗速度，可以媲美曾經3G剛普及的時代，手機流量的消耗速度。

OpenClaw給行業帶來巨量的Token商機，但對于這幾位AI從業者而言，這是一種“甜蜜的煩惱”，意味著更多的挑戰。

對模型層的玩家而言，有限的算力，依舊是最大的掣肘。

張鵬直言，AI技術，包括智能體框架，讓很多人的創造力和效率提升了10倍，然而，背后算力的需求提升了100倍。站在算力供給的一方，夏立雪也承認，Token需求的暴增，對算力廠商的系統效率帶來了更大的優化需求。

如何在有限的算力中，發揮算力的最智力水平，在羅福莉看來，這一問題的解決方案，恰恰是中國大模型公司的優勢，比如DeepSeek V2、V3在MoE架構上的創新。

她提到，如何實現一個Long-Context Efficient（高效長上下文）的架構，以及在推理側如何做到Long-Context Efficient，會成為全方位的競爭。

在Agent應用的層面，黃超認為，龍蝦給大家帶來的思考是：我們是否還需要一個All in one的強大智能體？在他看來，龍蝦代表的是一個輕量級的操作系統、一個工具的腳手架，但它卻能撬動生態中的所有工具。

同時，他發現，當下的Agent生態還存在各種問題。比如，Skill（技能文檔）的質量參差不齊；龍蝦依然沒有一套很好的機制，去管理用戶的上下文。

幾位形成的共識是：未來，要為Agent設計模型架構、做架構層的創新。

模型的自進化，是羅福莉在Agent框架中看到的可能。“Chat范式根本沒有發揮預訓練模型的上限。”她提到，Agent在長時間執行任務的過程中，也在激活模型的上限。

黃超總結，未來，整個AI生態，不管是軟件系統，還是數據，都需要變成Agent Native模式。

當然，還有算力——夏立雪提出，面向Agent時代，需要打造Agentic Infra、打造更智能的Token工廠，“讓Token工廠本身也能自我迭代、自我進化”。

以下是《智能涌現》對圓桌的整理，為了保證閱讀體驗，文字略經編輯：

楊植麟：日常使用OpenClaw或者類似的產品時，你們覺得最有想象力，或印象深刻的是什么？從技術的角度，你們如何看待今天OpenClaw，以及相關Agent的演進？

張鵬：我很早就開始玩OpenClaw了，當時還不叫OpenClaw，最早它叫Clawdbot。畢竟是程序員出身，玩這些東西，多少還是有一些自己的體會。

OpenClaw帶來的最大突破，或者說新鮮的地方在于，這件事不再只是程序員或者極客的專利。普通人也可以比較方便地用到頂尖模型的能力，尤其是在編程和智能體這方面。

所以我更愿意把OpenClaw稱為腳手架。它提供的是一種可能性，在模型的基礎上搭起一個既牢固、方便，又足夠靈活的框架。大家可以按照自己的意愿，去調用底層的各種模型，以及模型所帶來的一些新奇的能力。

原來自己有想法，但受限于不會寫代碼的人，今天可以通過簡單的交流，就能完成自己的想法。所以這個事情對我來說沖擊非常大吧，或者說讓我重新認識了一些事情。

夏立雪：我最開始用OpenClaw是不太適應的，因為我習慣和大模型聊天，相比之下OpenClaw的反應好慢。

但后來我意識到一個問題，它和之前的聊天機器人有一個很大的不同：OpenClaw是一個能夠幫我完成大型任務的人。所以當我開始交給它更復雜的任務時，它能做得非常好。

這件事給我的觸動很大。從最初模型按Token聊天，到現在變成一個Agent、一個龍蝦幫你完成任務，這極大地提升了AI的想象力空間。

同時它對系統能力的要求也變得很高，這也是為什么我一開始用OpenClaw會覺得有點卡的原因。

作為基礎設施層的廠商，我看到的是，OpenClaw對整個AI大型系統和生態都帶來了更多機遇和挑戰。因為以我們現在所能調動的資源，想要支撐這樣一個快速增長的時代，其實是不夠的。

舉個例子，我們公司從1月底開始，基本上每兩周Token量就翻一番，到現在基本上已經翻了十倍。上次見到這個增速，還是3G時代看手機流量的時候。現在的Token用量，就像當年我們每個月用100兆手機流量一樣。

在這種情況下，我們所有的資源都需要更好地優化、整合。不僅是在AI領域，在整個社會上，每一個鮮活的人都能把像OpenClaw這樣的AI用起來。

所以我作為基礎設施的玩家，內心是非常激動和感慨的，這里面還有很多的優化空間，值得我們去探索和嘗試。

羅福莉：OpenClaw對于Agent框架而言，是一個非常革命性和顛覆性的事件。

雖然我身邊所有在進行深度Coding的人，第一選擇還是Claude Code，但我相信只有用過OpenClaw的人，才能感受到它在Agent框架上的設計性，是領先于Claude Code的，包括最近Claude Code的更新都是向OpenClaw靠近的。

我使用OpenClaw的感受是，這個框架帶來想象力是可以隨時隨地擴展的。

OpenClaw帶來的核心價值有兩個。一是開源。開源是一個非常有利于整個社區深入參與、投入到Agent框架的前置條件。

OpenClaw、Claude Code這類Agent框架，一個很大的價值在于，國內那些與頂尖閉源模型尚有差距、但在閉源賽道上具備一定實力的模型，其能力上限能被拉到非常高的水平。

在絕大多數場景下，這些模型的任務完成度已經可以非常接近Claude最新模型的表現。

同時靠一套Harness（治理機制）系統、Cache 2 Cache（一種數據緩存機制）Skills 體系等諸多設計又可以保證下限，保證它任務的完成度和準確率。

所以從基座大模型的角度來看，OpenClaw實際上是保證了模型的下限，同時拉伸了它的上限。

此外，OpenClaw給整個社區帶來的價值在于，它更多地點燃了大家，讓人們發現：在大模型之外，Agent這一層還有非常多的想象力和發揮空間。

這也是我看到，最近社區里除了研究員之外，有更多人開始參與到這場AGI變革中來。大家借助更強的Agent框架，比如Harness、Scaffold（腳手架）等，在一定程度上替代了自己的工作，并且也釋放出更多時間，去做更有想象力的事情。

黃超：可以從兩個層面來理解OpenClaw的爆火。

首先是交互模式，我們做Agent也有一兩年了，但之前像Cursor、Claude Code這些工具，給人的感覺更多是工具感。而OpenClaw首次使用以IM（即時通訊）軟件嵌入的方式，讓人感覺更有活人感，更接近于自己想象中的個人賈維斯的概念。

其次是架構和生態層面的啟發。

一方面，它是簡單高效的Agent Loop架構，這再次驗證了Agent Loop架構的價值。

另一方面，它也讓我們重新思考一個問題：我們需要的到底是一個all in one的超級智能體，還是一個輕量級的操作系統、一個像腳手架一樣的小管家？

OpenClaw通過這樣一個龍蝦的超系統或生態，可以讓整個社區能以更玩起來的心態，撬動整個生態里所有的工具。

隨著Skills、Harness等能力的出現，越來越多的人可以去設計面向這類系統的應用，去賦能各行各業。它天然就與開源生態結合得非常緊密。

這兩點，是它帶給我們最大的啟發。

楊植麟：順著OpenClaw的討論，想問一下張鵬，最近智譜也發布了新的GLM 5-Turbo模型，對Agent能力做了增強。

能不能給大家介紹一下，這個新模型和其他模型的不同之處？以及模型漲價了，這個反映了什么樣的市場的信號？

張鵬：前兩天我們確實緊急更新了一波，這其實本來是我們整個發展路標中的一個階段，只是提前放了出來。最主要的目的，就是實現從對話到干活的跨越。

剛才各位也講到了我非常贊同的一點，OpenClaw 讓大家真切地感受到，大模型不再只是聊天，而是真的能幫我們干活。

但干活背后隱含的能力要求其實非常高：它需要自己去長程規劃任務、不斷重試、壓縮上下文、debug，還可能要處理多模態信息等等。

這些對模型能力的要求，跟傳統面向對話的通用模型是很不一樣的。GLM 5-Turbo正是針對這些方面做了專門的加強，尤其是大家提到的——讓它持續干活，甚至72小時不停地自我循環，這里面我們做了很多的工作。

另外，關于Token消耗量的問題。讓一個聰明的模型去完成復雜任務，Token的消耗量是非常巨大的，一般人可能體會不到，只會看到賬單上的錢在不停往下掉。

所以在這方面我們也做了優化，在面臨復雜任務時，模型能以更高的Token效率來完成。

本質上，模型的架構依然是一個多任務協同的通用模型架構，只是在能力上做了一些偏向性的加強。

至于提價的問題，也可以很順暢地跟大家解釋。我們現在不再是簡單地問一個問題、模型回答，它背后的思考鏈路非常長。很多任務要通過寫代碼的方式與底層基礎設施打交道，還要debug、隨時修正錯誤，這個消耗量非常大。

完成一個任務所需的Token量，可能是原來回答簡單問題的十倍甚至百倍，所以價格和成本確實有所提高。

模型變更大了，推理成本也相應提高了，我們也希望把它回歸到正常的商業價值上。長期靠低價競爭，對整個行業發展并不利，這也是我們的一個考量。

這樣也能讓我們在商業化路徑上形成良性閉環，持續優化模型能力，不斷給大家提供更好的模型和Token服務。

楊植麟：開源模型，以及推理算力，現在形成一個生態。各種各樣的開源模型可以在各種各樣的推理算力上，去給用戶提供更多的價值。

隨著Token消耗量的爆炸，現在也從訓練時代變成了推理時代。想請教一下立雪，從Infra的層面，推理時代對于無問來說意味著什么？

夏立雪：我們是一個誕生在AI時代的基礎設施的廠商，然后我們現在也為Kimi，智譜，包括也在跟MIMO去做合作，讓大家能夠把我們的Token工廠更高效地給用起來。

但是我們也在跟很多高校、科研院所也在合作，所以我們其實一直都在思考一件事情，就是AGI時代需要的基礎設施它會是什么樣子的？

然后我們怎么能夠一步步地去在這個過程中去實現它和推演它？我們現在也是做好了充分的準備，也看到了短期、中期和長期不同階段我們需要解決的問題。

眼下要面對的，就是剛才大家聊到的——由OpenClaw這類Agent框架帶起來的Token量暴增。這對我們的系統效率提出了更高的優化需求，包括價格的調整，其實也是在這個需求下的一種解決方式。

而我們一直以來，都是從軟硬件打通的路徑去做布局和解決的。比如，我們接入了幾乎所有能看到的各類計算芯片，把國內幾十種芯片、幾十個不同的算力集群統一連接起來，去應對AI系統中算力資源緊缺的問題。

因為在資源不足的時候，最好的辦法是：第一，把能用的資源都用起來；第二，讓每一份算力都用在刀刃上，發揮出最大的轉化效率。

當前我們要解決的核心問題就是：如何進一步打造更高效的Token工廠。這方面我們做了很多優化，包括讓模型與硬件的顯存等各種技術做最優適配，也在探索最新的模型結構與硬件架構之間，是否能發生更深度的化學反應。

但解決當下的效率問題，其實只是打造了一個標準化的Token工廠。面向Agent時代，我們認為這還不夠。就像剛才提到的，Agent更像是一個人，我們可以直接交給它一個任務。

我其實很堅定地認為，當前很多云計算時代的基礎設施，本質上是為服務一個程序、為服務人類工程師而設計的，而不是為AI設計的。

我們基礎設施上的接口是為人類工程師做的，在這之上要再包一層，再去接入Agent，用人的操作能力限制了Agent發揮空間。

比如，Agent能夠做到秒到毫秒級別的思考和發起任務，這件事情在底層的K8S（Sparse）等能力上，還沒有做好準備。

人類發起的任務是分鐘級別的，這意味著這些功能需要進一步的能力，我們將它稱作Agentic的Infra，即打造一個更智慧化的工廠，這是我們無問芯穹現在正在做的事情。

從更長遠的未來來看，真正的AGI時代到來的時候，我們認為連基礎設施都應該是一個智能體。

我們所打造的這套工廠本身也應該是能夠自我進化、自我迭代的，它能夠形成一個自主的組織，有一個Agent CEO，可能由一個Claw管理整個基礎設施，并根據AI客戶的需求，自己去提需求來迭代自己的基礎設施。

這樣AI和AI之間才能更好的形成耦合，我們也在做一些讓Agent-to-Agent之間更好地通信的能力，以及做Cache-to-Cache的復制能力。

基礎設施和發展不應該是隔離的狀態，而應該產生非常豐富的化學反應，這樣才能真正做到所謂的軟硬協同，即算法和基礎設施的協同，這也是無問芯穹一直想實現的使命。

楊植麟：接下來想問問福莉，最近小米通過發布新的模型以及開源背后技術，對社區也做出了很大貢獻。你認為小米在做大模型方面有什么獨特的優勢？

羅福莉：我們先拋開小米在做大模型方面有什么獨特優勢的話題，我更想談一下中國的做大模型的團隊在做大模型上的優勢，這個話題更具備廣泛的價值。

兩年前，中國的基座大模型團隊已經取得了非常好的突破，在有限的算力做了一些看似是為了效率妥協的模型結構的創新，如DeepSeek V2、V3系列的MoE等。

在算力一定的情況下發揮出最高的智能水平，這是DeepSeek給國內所有基座大模型團隊的勇氣、信心。

在今天，我們自己的國產芯片，尤其是推理芯片以及訓練芯片，已經不再受限制。

但是我們也能看到，“限制”催生了我們對更高的訓練效率、更低的推理效率的模型結構進行全新探索。

比如最近的Hybrid（混合注意力機制）、Sparse（稀疏注意力機制）和Linear Attention（線性注意力）的結構，包括DSA、NSA、Kimi的KDA，以及小米也有面向下一代結構的HySparse結構，這是區別于MIMO-V2這一代結構，我們面向于Agent時代去思考的如何做更好的模型結構的創新。

我為什么覺得結構的創新如此重要，是因為OpenClaw這個話題。

大家如果真實地用OpenClaw，會發現它越用越好用、越用越聰明。這一前提是推理的Context。

Long Context（長上下文）是我們談論了很久話題。我們期待模型在Long Context下表現非常好、性能非常強勁且推理成本非常低。很多模型是做不到1兆或10兆的Context，因為它的成本太貴了、速度太慢了。

如果模型能做到在1兆或10兆的Context的情況下，推理的成本夠低、速度夠快，才會有真正的高生產力價值的任務交給這個模型，激發在Long Context下完成更高復雜度的任務，在10兆甚至100兆Context的情況下，實現模型的自迭代。

模型的自迭代，是指模型可以在復雜的環境里依靠于超強的Context完成對自我進化，可能是對Agent框架本身的，也有可能是對模型參數本身的，因為Long Context本身就是參數的進化。

怎么實現Long Context Efficient（高效長上下文）架構，以及怎么在推理側做到Long Context Efficient，這是全方位的競爭。在預訓練做Long Context Efficient的架構，這是我們一年前就去探索的問題。

而當今如何做到Long Context，在長程距離任務上達到非常高上限的效果，是后訓練需要再去迭代創新的一個范式。

后訓練正在經歷的事是，怎么去構造更有效的學習算法，怎么去采集到真實的在1兆、10兆及100兆上下文里都具有長距依賴的文本，以及結合復雜的環境產生的trajectory。

由于大模型本身在飛速的進步，由于我們有Agent框架的加持，在過去一段時間里，我們能看到推理需求，已經實現了近10倍的增長，今年整個Token的增長有可能到100倍。

這讓競爭也進入了另一個維度：算力，或者說是推理芯片，甚至是能源。

楊植麟：非常有Insight的分享。下面想問一下黃超，你開發了一些非常有影響力的Agent項目，包括NanoBOT，也有很多社區的粉絲。從Agent的Harness層面，接下來有什么比較重要的技術方向需要大家去關注的。

黃超：把Agent的技術抽象，關鍵是這幾個點：Planning、Memory和Tool use。

Planning現在還是面向于一些長程的任務或者非常復雜的算法，比如500步甚至更長步數的。未來，Planning可能需要把已有的比如復雜任務的知識，固化到模型里去做。

Skill和Harness（控制、治理機制）緩解了Planning里面帶來的錯誤，一些比較高質量的Skill，本質上也是在模型上完成比較難的一些task。

Memory一直存在著信息壓縮不準確、搜不準等問題，在長程任務和一些復雜場景，Memory就會暴增，對 Memory 帶來壓力。

各類的龍蝦都采用的是最簡單的類似Markdown格式的Memory。未來Memory可能會走向一些分層的設計，包括如何讓Memory做得更通用。

現在的Memory機制很難做到很通用，比如說Coding場景、Deep Research、多媒體領域之間，整個數據模態的差別會很大。如何這些Memory進行檢索索引，讓它更加高效的，我覺得這是在做一個Trade off。

另外，龍蝦讓大家創建Agent的門檻大幅降低之后，我們可以預見，未來可能不止一個龍蝦，可能每個人會擁有一群龍蝦。一群龍蝦相比于一個龍蝦，其上下文的暴增會非常大，給Memory也帶來壓力。

目前還沒有很好的機制來管理一群龍蝦，在復雜的Coding和科研發現等場景中，會帶來一定的上下文壓力。無論是模型本身，還是整體的Agent架構，壓力都很大。

Tool use的核心仍然是Skill。此前MCP的質量無法保障以及安全性等問題，在Skill中依然存在。雖然現在看起來Skill 數量很多，但高質量的Skill相對較少，低質量Skill會直接影響Agent任務的完成度。

另外，Skill還存在惡意注入等安全問題，使得整體系統的可靠性受到影響。在Tool use層面，可能需要依賴社區來共同建設和優化Skill，在執行過程中動態進化出新Skill的能力。

楊植麟：剛剛羅福莉和黃超通過不同的視角討論一個問題，隨著任務復雜度的增加，上下文會暴漲，從模型層面可以去提升原生上下文長度；

從Agent Harness層面，剛剛說的Planning、Memory，包括Multi-Agent的Harness，實現在一個特定的模型能力下支持更復雜的任務，這兩個方向接下來也會產生更多的化學反應。

最后是一個開放式的展望，想請各位用一個詞來描述一下，接下來12個月大模型發展的趨勢以及我們的希望。

黃超：生態。

現在龍蝦讓大家這么活躍，未來Agent真的是要去從真正的個人助手轉換為打工人。現在可能大家很多時候玩龍蝦是新鮮感，未來可能真正得讓龍蝦們沉淀下來，成為大家的搬磚的工具，或者成為coworker的狀態。

這需要整個生態的努力，開源也很重要。相關的技術探索和模型的技術都開源出去之后，需要整個生態一起來共建。無論是對于模型的迭代、Skills平臺的迭代以及各種工具，都需要面向龍蝦創造更好的生態。

我自己感覺比較明顯的是未來的很多軟件都不一定會是面向人類的。整個生態不管是GUI（圖形界面）、MCP（模型上下文協議）、CLI（命令行界面），還是軟件系統、數據和技術，都需要把它們變成Agent Native的模式，讓Agent發展更加豐富。

羅福莉：把問題縮小到一年，非常有意義。按照我對AGI（通用人工智能）的定義，5年后已經實現了。

如果要用一個詞來描述接下來一年，AGI歷程里最關鍵的是：自進化。

雖然這個詞有點玄幻，過去一年大家也多次提到，但我最近才對這個詞有了更深的體會，或者說對自進化具體怎么做，有了更務實的操作方案，原因在于借助于了很強大的模型。

之前Chat的范式，根本沒有發揮出預訓練模型的上限。這個上限現在被 Agent框架激活了。當它執行更長時間的任務的時候，我們發現模型可以自己去學習和進化。

很簡單一個嘗試，當你在現有的框架里，給模型疊加一個可以verify的條件限制，再設置一個Loop（重復指令），然后讓模型持續迭代、優化目標。

我們發現，模型會持續拿出更好的方案。這樣的一種自進化，現在國內的模型基本能跑一兩天，當然跟任務的難度有關。

在科學研究上，比如探索一個更好的模型結構——因為模型結構有評估標準，比如更低的PPL（困惑度）——在這種很確定的任務上，我們發現，模型已經能自主優化、執行兩三天了。

從我的角度來看，自進化是唯一可以創造新東西的地方。它不是替代現有的人的生產力，而是像頂尖的科學家一樣，去探索出世界上沒有的東西。

一年前，我覺得自進化的時間歷程會拉到3-5年。但近期，時間歷程應該縮小到1-2年，我們就可以讓大模型，疊加一個非常強的自進化Agent框架，實現對科學研究成指數級的加速。

我們組內做大模型研究的同學，workflow是非常不確定的，是高度創造力的。我們發現，借助Claude Code ，加非常頂尖的模型，基本上已經能夠把我們的研究效率加速近10倍。

所以我很期待，這一種范式輻射到更廣的學科和領域。

夏立雪：我的關鍵詞叫“可持續Token”。現在AI的發展還在長期持續的過程中，我們也希望它有長久的生命力。

作為基礎設施，我們看到的一個很大的問題，就是資源終究是有限的。就像當年的可持續發展概念一樣，我們現在作為Token 工廠，能否給大家提供持續、穩定，能夠大規模用起來的Token，讓頂尖的模型能夠繼續為更多的下游服務，是一個很重要的問題。 我們現在需要把視角放寬到整個生態：最早的能源，轉化到算力，再轉化到Token，最終再轉換成人的GDP——這樣一條鏈路，要進行持續的經濟化迭代。

我們不止在把國內的各種算力用起來，也在把這些能力輸出到海外，讓全球的資源都能夠打通和整合。我想把中國特色的“Token經濟學”做起來。

在之前的時代，我們講“Made in China”。我們能夠把中國低價的制造能力，變成好的商品，輸出到全球。

我們現在想做的有點像“AI Made in China”。我們能夠把中國能源上的優勢，直接通過Token工廠，可持續轉化成優質的Token，輸出到全球，將來成為世界的Token工廠。

這是我今年想看到的中國給世界人工智能帶來的價值。

張鵬：大家都在仰望星空，我就落地一點，未來12個月面臨的最大的問題，可能就是算力。

所有的技術，包括智能體框架，讓很多人的創造力與效率提升了10倍。但前提條件是，大家能夠用得起來，不能因為算力不夠，導致一個問題讓Agent思考半天，也不給我答案。

也是算力的原因，甚至我們研究的進展其實都受阻了。前兩年，張亞勤院士說了一句話：談卡傷感情，沒卡沒感情。

今天又到了這個地步，但情況又不一樣了。我們轉向了推理的階段，因為需求真的在十倍、百倍的爆發，還有很大的需求沒有被滿足，怎么辦？我們大家一起來想想辦法。

歡迎交流！