楊植麟對話羅福莉等人：OpenClaw帶來的智能體爆發（全文分享）

文 | 哀佳

ID | BMR2004

2026年3月27日上午，中關村論壇平行論壇AI開源前沿論壇在京舉行。

其中，“圓桌對話—OpenClaw與AI開源” 作為重磅環節，由月之暗面創始人楊植麟主持，智譜華章CEO張鵬、無問芯穹CEO夏立雪、小米大模型負責人羅福莉、港大教授黃超等嘉賓受邀出席。

當前，AI開源已成為加速技術創新與產業變革的關鍵力量，圍繞近期備受關注的開源項目OpenClaw、Token工廠、推理效率等問題，幾位嘉賓展開了討論。

智譜華章CEO張鵬認為：“OpenClaw的出現讓大家意識到，AI不再是程序員或者說極客們的這種專利，普通人也可以比較方便地來使用頂尖模型的能力.”

小米 MiMo 大模型負責人羅福莉表示：“OpenClaw帶來的更多是一個想象力隨時隨地的擴展，Claude Code只能在我的桌面上去延展我的創意，但是在OpenClaw，我可以隨時隨地。”

作為基礎設施服務商，無問芯穹聯合創始人兼 CEO夏立雪認為：“OpenClaw對于整個AI系統和生態都帶來了機遇和挑戰。現在所有能夠用到的資源，想要支撐起這樣一個快速增長的時代是不夠的。”

香港大學助理教授 & 博士生導師、Nanobot 團隊負責人黃超認為，未來真正讓“龍蝦們”真的沉淀下來，成為大家搬磚的工具，成為真正的Co-worker ，還是需要靠整個開源生態的努力。

以下是本次圓桌討論的完整內容呈現：

01

OpenClaw帶來的核心價值與挑戰

主持人（楊植麟）：歡迎各位。今天邀請到各位重磅嘉賓，覆蓋了不同的層面：從模型層到底層的算力層，再到上面的Agent層。很高興今天能跟大家一起來探討，最主要的關鍵詞是“開源”和“Agent”。

那我們就先從第一個問題開始，這個問題是給所有人的：現在最流行的OpenClaw，大家就使用這個OpenClaw或者類似的產品，有什么覺得最有想象力或者印象深刻的是什么？然后從技術的角度來看，如何看待今天OpenClaw和相關的Agent的演進？我們要不從張鵬這邊開始。

張鵬（智譜華章CEO）：好，感謝主辦方給我們機會跟大家來交流。確實很早我就開始自己來玩這個OpenClaw，當時還不叫OpenClaw，最早叫CloudBot。然后來折騰這些事情自己動手來搞，畢竟也是程序員出身，玩這些東西還是有一些自己的體驗。

我覺得這個事情它可能給大家帶來的最大的一個突破點，或者說新鮮的一個點就在于，可能這件事情不再是程序員或者說極客們的這種專利，普通人也可以比較方便地來使用頂尖的這些模型的能力，尤其是在編程方面的能力。

我到現在為止，跟大家在交流過程當中更愿意把OpenClaw稱作腳手架。它提供的是一種可能性，在模型的基礎上搭起來一個很牢固的、很方便的，但是又很靈活的這樣的一個腳手架。大家可以按照自己的意愿去使用很多的底層模型提供的很新奇的一些東西。原來自己的一些想法受限于自己不會寫代碼，或者不會一些技能，那今天終于可以通過很簡單的交流就可以把它完成。所以這個事情對我來說是一個非常大的一個沖擊，或者說讓我重新認識了這樣一件事情。

夏立雪（無問芯穹聯合創始人兼CEO）：對，其實我最開始用OpenClaw的時候是不太適應的，因為我習慣于這種跟大模型聊天的這種交流方式，然后發現OpenClaw感覺好像反應好慢這種感覺。但是后來我意識到一個問題就是，它和之前的這種聊天機器人有一個很大的不一樣，它其實應該是一個能夠幫我完成一個大型任務的人。所以，我后面開始給它提交一些更復雜的任務，發現它能夠做得很好。

這件事情對我來說有一個很大的感觸，模型從最開始的按照token去聊天，到現在能夠變成一個Agent，變成一個龍蝦能夠幫你去完成任務，它對于我們整個AI的想象力空間已經做了一個很大的提升。但同時，它對于整個系統能力的要求也變得很大，這是為什么我一開始用OpenClaw會覺得它有點卡的原因。

我們作為基礎設施層這樣一個廠商，我其實看到的是，OpenClaw對于整個AI大型系統和生態都帶來了更多的機遇和挑戰。現在所有能夠用到的資源，想要支撐起這樣一個快速增長的時代是不夠的。

比如說就拿我們公司來說，我們公司在1月底開始基本上每兩周token量就翻一翻，到現在基本上翻了10倍。上次見到這個速度還是當時3G的時候手機流量的那種感覺。所以我現在有種感覺，就是現在的token用量，就跟當年我們有100兆每個月的手機流量一樣。這種情況下，其實我們所有的資源是需要進行更好的優化，進行更好的整合，然后讓我們的每一個人，不僅僅在AI領域，而是在整個社會上鮮活的人，都能夠去把這個OpenClaw的AI能力給調用起來。所以作為基礎設施的玩家，其實對這個時代是非常激動和感觸的，而且認為這里邊有很多的優化空間，是我們仍然應該去探索應該去嘗試的。謝謝。

羅福莉（小米MiMo大模型負責人）：我自己是把OpenClaw當做Agent框架的一個非常革命性和顛覆性的一個事件來看待的。雖然我知道就是其實我身邊所有在進行非常深度coding的人，可能他的第一選擇還是Claude Code。但是我相信只有用OpenClaw的人會獨特的感受到，這個框架它其實有很多在Agent框架上的設計，最近是領先于Claude Code，包括最近Claude Code有很多最新的更新，其實都是向OpenClaw去靠近。我自己去使用OpenClaw的話，我感覺這個框架給我自己帶來更多是一個想象力的隨時隨地的一個擴展，Claude Code可能最開始只能在我的桌面上，然后去延展我的創意，但是在OpenClaw我可以隨時隨地去延展我的創意。

我后面發現，其實OpenClaw帶來的主要核心價值在于兩個，第一個是它是開源，開源其實是一個非常有利于整個社區去深入、去參與、去重視改進去投入到Agent框架，這是非常重要的前置條件。像OpenClaw、像Claude Code這樣的一些Agent框架，我認為它很大的一個價值是，把國內的可能沒有非常接近于閉源模型，但是水平還是在次閉源模型的這樣賽道上的模型上限給拉到非常高。在絕大部分的場景，其實我們能發現它的任務的完成度已經非常接近于Claude的最新的模型，然后同時它又把下限給保證得非常好。因為它可以靠一套Harness的系統或者說可以靠它的Skills的體系等等，很多的設計保證它的任務的完成度和準確率。所以我覺得，OpenClaw從一個基礎大模型的角度來說，它是保證了基礎大模型的下限，然后拉伸了它的上限。

此外，我自己認為OpenClaw它其實給整個社區帶來的價值是，它更多去點燃了大家發現原來在大模型外的這一層，更重要的Agent的這一層，它有非常多的想象力和空間可以做，然后這是我看到最近社區有更多除了研究員以外的人參與到了AGI的變革當中，然后也有更多人去接觸到更強的Agent框架Harness或是Skateboard等等，一定程度上去替代自己的工作，釋放自己的時間，去做更有想象力的事情。

黃超（香港大學助理教授&博士生導師、Nanobot團隊負責人）：從交互模式上來講，為什么OpenClaw這次會爆火，我感覺首先可能第一個，就是給了大家一種更有活人感的一種感覺。

比如說，我們其實做Agent也有一兩年了，但之前包括像Cursor，Claude Code這些Agent，大家給人感覺更強的是一種有種工具感。OpenClaw它首先交互模式以這種IM軟件嵌入的方式，讓大家可能更有一種活人感。更接近于自己想象中的人的概念，這可能是交互模式上的。

另外一個，它帶給整個大家的啟發是說，Agent Loop這種非常簡單但高效的框架也是再次被證明，會讓我們重新思考，是否需要一個All-in-one非常強大的智能體，然后能夠幫我們做很多事情。還是需要一個比較好的，類似于一個輕量級操作系統或者腳手架一樣的一個小管家。通過一個小的OpenClaw，或者是龍蝦的操作系統，生態可以去把整個的這種包括讓大家都玩起來，撬動整個生態里面所有的工具，包括隨著像Skills或者Harness這些，越來越多的人可以去設計更面向于像OpenClaw這樣的一些系統里面的一些應用，然后去賦能于各行各業。它其實和天然整個開源生態結合的非常緊密，所以我覺得這兩點其實相對來說是帶給我最大的一個啟發。

02

要實現更快的推理速度，要打造更高效的token工廠

主持人（楊植麟）：那順著這個，想問一下張鵬。最近智譜也發布了新的GLM-4-Turbo模型，然后我理解對這個Agent能力做了很大的增強。所以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，以及就是說我們也觀察到有一個這種提價的策略，反映了什么樣的一個影響呢？

張鵬（智譜華章CEO）：好，這是個很好的問題，就是前兩天確實我們也緊急更新了一波，這個事其實是在我們整個發展目標當中的一個階段，最主要的目的還是要主打一個從原來的簡單的對話到干活。也是剛才各位講的非常贊同的一點，就是OpenClaw真的讓大家覺得大模型不再是簡單的，能夠聊天，真的能幫我干活。但這個干活的背后隱含的這個能力需求是非常高的，就是它需要自己去長程的做任務的規劃，不斷地重試，不斷地去壓縮自己的上下文，然后debug等等，還有可能涉及到多模態信息的處理。

所以這個對模型本身能力的要求，其實是有跟傳統的面向對話的機器人的這種通用泛用模型有一些不一樣的。所以GLM-4-Turbo在這方面做了一些專門的加強。尤其是剛才你提到的，比如說我們要它干活長程的72小時，如何能夠不停地自己去loop這個事，這里邊是做了很多的一些工作。

另外，就是大家也提到，關于這個token消耗量的問題。讓它這個聰明的模型，讓它干這種復雜的任務，其實token的消耗量是非常巨大的。可能一般人可能體會不出來，但是只會看到自己的賬單上的那個錢在不停地往上飆。在這方面我們也做了一些優化，在面臨復雜任務的時候，會用更高效的token效率去完成這些事情。主要在這幾個方面你做了一些優化。但本質上的模型的架構還是一種就是多用協同的這樣的一種通用的模型的這個架構，只是在能力上有一些偏向性的加強。

那么提價這個事情也順便的向大家解釋，我們現在不再是簡單的問一個問題，模型回答。它背后有思考的這個鏈路是很長的，然后包括很多任務，它通過寫代碼的方式跟底層的這些基礎設施進行打交道，還要去debug隨時的改正自己的錯誤。其實這個消耗量非常非常的大。完成一個任務可能它需要的token量是原來的回答一個簡單的問題的token量的可能十倍甚至百倍。所以這個價格上是需要成本上是有一定的提高的。所以我們又把它回歸到一個正常的商業價值上來。長期靠低價的競爭，也不利于整個行業的發展。所以這是我們的一個考量吧，也讓我們能夠持續在商業化的路徑上有一個很好的良性閉環，不斷地去優化模型的能力，能夠持續地給大家提供更好的模型和token服務。

主持人（楊植麟）：非常好的這個分享。其實因為現在有這個開源模型，然后跟這個推理算力開始形成一個生態？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量的爆炸，也逐漸從訓練時代變成了這個推理時代。所以想請教一下夏立雪，就是說從Infra的層面，這個這個推理時代，對于這個無問芯穹來說，它意味著什么？

夏立雪（無問芯穹聯合創始人兼CEO）：我們是一個誕生在AI時代的一個基礎設施的廠商。然后我們現在也為Kimi、為智譜，包括也跟小米MiMo去做合作，然后讓大家能夠把我們這樣一個token工廠更高效地給用起來。

當然，我們也在跟很多高校跟院所也在合作，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？我們怎么能夠一步步地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。

那當前眼下的一個問題，其實就是剛剛大家在聊到的，現在整個token這樣的暴增，對于我們的系統效率帶來了更大優化的需求，包括價格的增長，也是大家在這個需求下的一種解決方式。

我們其實一直以來都是從這種軟硬件協同的方式來去做布局和解決的。包括我們接入了能夠看到的幾乎所有種類的這種計算芯片，我們把國內的十幾種芯片和幾十個不同的算力集群都給統一連接起來。這樣我們能夠去解決AI這樣一個系統中，對于算力資源的一個緊缺的問題。當資源不足的時候，最好的辦法就是：第一，把能夠用的資源都用起來；第二，讓每一個算力都用在刀刃上，讓每一個資源都發揮出最大的轉化效率價值。

所以在這個時代，我們在當前要解決的就是，怎么能夠去進一步地打造一個更高效的token工廠。

為此，我們做了很多的優化，包括讓這個模型和硬件上的各種顯存進行最優質的適配，包括我們也在看，會不會在最新的模型結構和硬件結構下進行一些更深度的化學反應。我們打造了一個標準化的token工廠，面向Agent的時代，我們認為Agent更像是一個人，我們能夠交給他一個任務。

我其實很堅定地認為，當前的很多云計算時代的設施其實是為服務一個程序、服務一個人類工程師所設計的，而不是為AI設計的。有點像我們做了一個基礎設施，然后它上面有一個接口，這個接口是為人類工程師做的，然后在上面要再包一層再去接入Agent。那這種方式其實是用人的操作能力限制了Agent的發揮空間。

我舉一個例子，比如Agent能夠做到秒到毫秒級別去思考和發起任務，那這件事情其實在我們之前其實是沒有做好這個準備的，因為人類大概發起的任務是分鐘級別的。那我們這樣的一些功能其實是需要進一步的能力，我們將它稱作真正的云原生Agent Infra，我們需要打造一個更智慧化的token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，就是真正AGI的時代到來的時候，那我們認為連基礎設施都應該是一個智能體。就是我們認為我們自己這次打造的這套工廠本身也應該是一個能夠自我進化、自我迭代的。而它能夠形成一個自組織，然后相當于它有一個CEO，這個CEO是一個Agent，他可能是一個Claude在管理整個基礎設施，然后根據他的AI客戶的需求，自己去提需求迭代自己的基礎設施。然后這樣AI和AI之間才能夠去更好地形成耦合。

所以，我們也在做一些比如我們能夠讓Agent和Agent之間更好地通信，然后做cash tocash這樣一些復制的能力。所以我們其實一直都在思考就是基礎設施和AI的發展不應該是一個隔離的狀態，而是應該產生非常豐富的化學反應。那這件事情才是我認為真正的做到所謂的軟硬協同，做到這種算法和基礎設施的協同。這也是無問芯穹一直想實現的一個自己的使命。謝謝。

主持人（楊植麟）：接下來想問問福莉。小米最近也是通過發布新的模型，包括開源一些背后的技術，我覺得對這個社區做出了很大的貢獻。所以想問一下，小米在做大模型方面，你覺得會有什么獨特的優勢？

羅福莉（小米MiMo大模型負責人）：我覺得，我們先拋開小米在做大模型方面有什么獨特優勢，這個話題我更想談一下，中國做大模型的團隊在做大模型上的一個優勢。我覺得這個話題更具備更廣泛的一個價值。

其實在大概兩年前，我看到，中國的基礎大模型團隊已經在開始了一個非常好的突破。這個突破叫做我們在怎么在有限的算力，尤其是在一些為互聯帶寬受限的一些算力的情況下，怎么去突破這些低端算力的限制，然后去做一些看似是為了效率妥協的一些模型結構的創新。這個變革是我們怎么在算力一定的情況下，去發揮算力最高的智能水平。

雖然在今天我們其實我們自己的國產芯片也好，尤其是推理芯片以及我們的訓練芯片，其實是不再受這個限制，但是我們能看到在這樣限制的情況下，催生了我們對于更高的訓練效率、更低的推理效率的模型結構的全新的探索。就像最近的這種Hybrid的Spas或是LinearTuning的結構，DSA、NSA，然后Kimi也有KSA，然后小米也有新的面向下一代結構的High Spas的結構。這是區別于MiMo v2這一代結構，我們面向于Agent的這個時代去思考的，如何在Agent的這個時代，我們去做更好的模型結構創新。

我為什么覺得結構創新是如此的重要？是因為我們其實剛剛探討到OpenClaw這個話題。OpenClaw其實大家如果真實使用會發現你越用越好用，越用越聰明。那么它的一個前提是你的推理的context。其實long-context是一個我們談論了很久的一個話題，但是其實真正現在你發現能有一個模型，它在long-context的情況下表現非常好，性能非常的強勁，推理成本非常的低。其實很多模型它不是做不到比如1兆或10兆的context，而是因為它去推1兆、10兆它的成本太貴了，速度太慢了。

那么怎么能做到在這個情況下，推的成本夠低、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，從而去激發在只有long-context的情況下，去完成更高復雜度的任務。可能我們才能在這樣10兆甚至100兆context的情況下，實現模型的自迭代。

所謂模型的自迭代就是它可以在一個復雜的環境里邊，依靠于超長的context，然后完成對自我進化。進化有可能是對Agent框架本身的，也有可能是對模型參數本身的，我們認為long-context本身其實就是對參數的一個進化。

所以，其實怎么實現一個long-context-efficient的架構，以及怎么在推理側做到long-context-efficient，其實它是一個全方位的競爭。除了我剛剛提到的在預訓練做好一個long-context-efficient的架構，這個可能是我們一年前就去探索的一個問題。而當今你怎么做到long-context這種真實的這種長程距離的任務上的一個穩定性，和非常高上限的一個效果，這是我們現在后訓練再去迭代的創新的一個范式。

我們在思考怎么去構造更有效的學習算法，然后怎么去采集到真實的1兆、10兆、100兆上下游里邊，真的都具有長期依賴的這種文本，以及結合復雜的環境產生的這個trajectory。這是我們現在在后訓練正在經歷的事情。但是我能看到更長期的事情是，由于大模型本身在飛速的進步，由于我們有Agent的框架更好的一個加持，我們能看到就像剛剛立雪說的，我們推理需求，我相信在今年已經發生的事情是在過去一段時間內已經近十倍的一個增長，那么今年整個token的增長會不會到100倍？那么這里邊其實我們又到了另外一個維度的競爭，這個競爭就是算力，或者說是推理芯片，甚至下到能源。所以我認為如果我們大家去思考這個問題，我會從大家身上學到更多。

主持人（楊植麟）：非常有insight的分享。那下面想問一下黃超，因為你也開發了一些非常有影響力的Agent的項目，包括也有很多社區的粉絲。然后想問一下，你自己覺得說從Agent的Harness或者說應用的層面，接下來會有什么技術方向是你覺得比較重要，可能大家需要去關注？

黃超（香港大學助理教授&博士生導師、Nanobot團隊負責人）：感謝植麟。我覺得首先就是如果我們是把Agent的一些技術抽象出來，它關鍵幾個點，比如說planning，然后還有就是memory和tool use這幾個模塊。

比如說從planning來講的話，我覺得現在的問題就是還是面向于一些長程任務或者非常復雜的一些上下文，比如說500步甚至是更長的步數的，很多模型我覺得它不一定能夠去做很好的planning，是因為我覺得它本質上可能不具備這樣的一個隱性的知識，特別是在一些很多一些垂直領域。這塊可能planning我覺得未來可能是需要去對于很多把已有的各種一些比如復雜任務的知識，把它固化到模型里面去做，這塊我覺得可能會是一個點。

當然其實從memory來看的話，我覺得memory帶給我們的一種感受就是好像它永遠都會存在著一個信息壓縮不準確，包括搜不準這樣一些問題。我覺得這是整個memory的挑戰。然后現在包括你的整個長程任務的體現，還有一些復雜場景的話，其實memory就會暴增，這其實是帶來一個對memory的壓力。但是現在其實包括像各類龍蝦（OpenClaw），其實大家都采用的是最簡單的一些像文件系統，這樣markdown格式的一些memory，通過我們是否去共享一些文件這樣的方式來去做。

我覺得其實未來memory應該是做類似于會走向一些分層的設計，包括如何去更加地讓memory做得更通用。因為其實老實講，現在我覺得整個memory機制其實很難做到很通用。因為比如coding場景的、deep research的、多媒體領域的，其實它的整個數據的模態差別會很大。如何去對這些memory進行很好的檢索，更高效地利用，我覺得這個永遠是在做一個tradeoff。

然后當然另外的一點就是說，現在其實龍蝦讓大家對于創建Agent的門檻大幅降低之后，其實未來可能不止一個龍蝦，未來可能每個人會擁有一群龍蝦。

在這樣一群龍蝦相比一個龍蝦，那它的上下文暴增，我覺得大家可以想象會非常的大。我覺得這個也是帶給memory的一個壓力。現在其實還沒有一套很好的機制如何去管理這種一群龍蝦帶來的上下文。因為這個我們感覺特別是對于復雜的coding、科研發現這種，我覺得這個其實帶給不管是模型還是整個的Agent的一個架構，其實都是壓力挺大的。然后對于整個tool use這塊的話其實就是skill。現在skill的話我覺得存在的問題，首先就是現在看似確實會有很多skill，但是高質量的skill我們覺得是比較少的。低質量skill會很影響整個Agent完成任務的一個完成度。然后，skill很多時候也會存在一些惡意注入的問題。所以我們覺得從tool use這塊的話，我覺得可能得需要靠整個社區，然后來去把怎么樣子把整個skill發展得更好，甚至如何去通過這種在執行過程中去進化出來一些新skill。所以我覺得這個可能是整個不管是從planning、memory還是skill里面，我們覺得當下Agent的可能存在的一些痛點和未來可能會潛在的一些方向。

03

未來12個月內的發展趨勢：生態、自進化、可持續

主持人（楊植麟）：那最后我們來一個開放式的展望，所以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你的期望。那這次我們先從黃超這邊開始。

黃超（香港大學助理教授&博士生導師、Nanobot團隊負責人）：我感覺12個月在AI看起來應該好遙遠，都不知道12個月之后會發展成什么樣子。

首先我感覺可能從我這邊的話，我感覺一個詞應該是“生態”吧。我覺得未來其實現在龍蝦讓大家這么活躍了，但是我覺得未來Agent真的要去從真正的個人出手，特別是轉換我們打工的人，我覺得還是很重要的。

現在大家很多時候玩龍蝦也是一個新鮮感，可能是覺得好玩。但是我覺得，未來可能真正得讓龍蝦們真的沉淀下來，真的應該是成為大家的一個搬磚的工具，或者是成為真正的一個Co-worker這樣一個狀態。所以我覺得這塊的話可能真的是需要整個生態的努力，包括整個開源這塊其實就是一個很重要的，把所有的相關的一些技術探索，然后包括整個模型的很多技術都看出去之后，就會需要整個生態大家一起來共建，不管是對于這種模型的迭代，還是對于這種Skills平臺的迭代，還有各種工具的。我覺得這塊都需要去更好地去面向龍蝦去創造更好的生態。

我自己感覺比較明顯的就是，未來的很多軟件，包括現在有了龍蝦，大家又會再考慮一個問題，就是未來軟件是不是還是會給人用的嗎？我們相信可能未來大部分很多的軟件，都不一定會是面向人類的。因為人類是需要GUI，但可能是面向Agent原生的去使用的。那這樣我感覺一個比較有趣的，就是人只會去使用讓自己快樂的GUI，有可能會有這樣的一個感受。所以我覺得現在整個的生態，又從不管是GUI還是MCP又轉到了CLI這樣的一個模式。所以我覺得這個就是需要一個整個生態，就需要生態去把不管是軟件系統，還是我們的整個的這種數據，還是整個的這種就是各種的一些各種技術，其實都需要把它變成Agent原生化Agent Native的模式。這樣能夠才能讓整個的這種Agent的發展可能會更加豐富。

羅福莉（小米MiMo大模型負責人）：我覺得把這個問題說想到一年，我覺得非常有意義。如果說要用一個詞來描述接下來一年，我覺得AGI歷程里邊最關鍵的一個事情的話，我認為會是自進化。雖然這個詞它是一個非常有點玄幻的一個概念，我覺得在過去一年大家也多次提到，但是我也是最近才對這個詞有了一個更深的一個體會，或者說具體自進化這個事怎么做，會有一個更務實的一個實操可行的方案。

其實我們之前在Chat的那個范式下，根本沒有發揮出來這個預訓練模型它的上限。然后這個上限現在是被Agent的框架給激活到了。我們現在觸到了它可能當它執行更長時間的任務的時候，然后我們發現這個模型它可以自己去學習和進化。很簡單一個嘗試就是說，當你在限額的一種框架里邊給它疊加一個可以verify的這樣的一個條件限制，然后再給它設置一個loop，然后讓這個模型就不停下來持續去迭代優化這個目標。我們就能發現這個模型會持續拿出更好的方案。如果這樣的一種自進化能持續，現在其實已經能跑一兩天了，其實國內的模型基本上能跑一兩天了。當然跟任務的難度有關。我們發現它在一些科學研究上，比如去探索一個更好的模型結構，然后因為模型結構它有評估標準，比如我們看更低的PPL，這是一個評估標準。然后在這種很確定的任務上，我們發現它已經能自主地運化和執行兩三天了。

從我的角度上來看，我覺得自進化是一個唯一可以創造一個新的東西的地方。它不是去替代我們現有的人的生產力，而是說它是像頂尖的科學家一樣去探索出來這個世界上沒有的一個東西。然后我其實在一年前，我會覺得這個時間歷程會拉大三到五年。但是也就是在近期，我會覺得這個時間歷程確實我們應該縮小到最近一到兩年。可能我們就可以讓大模型疊加一個非常強的自進化的一個Agent的框架，實現對于科學研究的一個至少成指數級的一個加速。

我最近已經發現，我們做大模型研究的同學，基本上其實它的workflow是非常不確定的，是高度創造力的。然后其實我們發現借助Claude Code加非常頂尖的模型，然后基本上已經能夠加速我們自己的研究效率近10倍了。所以我很期待這樣的一種方式，輻射到更廣的學科和領域。然后我覺得自進化是非常重要的。

夏立雪（無問芯穹聯合創始人兼CEO）：我的關鍵詞叫可持續投資。因為我也看到了現在整個發展還在一個長期持續的一個過程中，我們也希望它是能夠有長久生命力的。這里邊我們作為技術設施角度看到的一個很大的問題，就是我們的資源終究是有限的。那就像我們當年在講可持續發展一樣，我們現在作為一個token工廠，能否給大家提供持續穩定，然后大規模能夠用起來的這些token，讓我們頂尖的模型真正能夠繼續為更多的下游去服務，是我們看到的一個很重要的問題。所以我們現在也是需要的，就相當于把整個的視角放寬到剛剛說到的整個生態，從最早的能源轉化到算力，然后再轉化到token，最終再轉換成GDP，這樣的一個鏈路能夠去進行一個持續的經濟化的迭代。

包括我們其實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進行打通和整合。

我也認為這個可持續其實也是想把我們中國特色的token經濟學給做起來。因為其實我們在之前的時代，我們是叫Made in China，我們會發現我們能夠把中國低價的這種制造能力，然后變成好的商品輸出到全球。我們現在想做的就是有點像AI Made in China，就是我們能夠把中國的這些能源上的優勢，然后通過這些token工廠，可持續地轉化成為優質的token輸出到全球。成為一個世界的token工廠，這是我想要在今年看到的，整個中國給世界的人工智能帶來的價值。

張鵬（智譜華章CEO）：我就簡單說一點，未來12個月面臨的最大的問題可能就是算力。因為剛才說到所有的技術，包括智能體框架讓很多人有很好的創造力，效率提升10倍。但前提條件就是大家能夠用得起，用得起來。你不能因為說算力不夠，一個問題提出去，讓他思考半天，你不給我答案，這個肯定是不行的。

也是因為這樣的一些原因，可能甚至連我們研究的進展，包括很多想要做的一些事情其實都受阻了。前兩年，我記得是張亞勤院士應該也是中關村論壇上說“沒卡沒感情，談卡傷感情”。我就今天又到了這個地步了。但情況又不一樣了，就是你剛才講的，就是可能我們又到了推理的階段。轉向推理階段是因為需求正在爆發，十倍百倍的爆發。那也就是說，過去十倍，其實需求是一百倍。那還有很大量的需求沒有滿足，怎么辦？我們當然可以一起來想想辦法。

主持人（楊植麟）：感謝各位的精彩分享，謝謝大家！