AI最瘋狂的一周，該知道的8大共識都在這了

智東西
作者 GenAICon 2026

短短8天，全球AI領域發生的重磅新聞，發布節奏之密、信息密度之高、資金體量之大、涉及玩家之廣，堪稱驚心動魄。

從4月16日到24日，Anthropic Claude Opus 4.7、阿里Qwen3.6-Max、月之暗面Kimi K2.6、OpenAI ChatGPT Images 2.0、螞蟻Ling-2.6-flash、小米MiMo-V2.5-Pro、騰訊Hy3、OpenAI GPT-5.5、DeepSeek-V4等9款前沿模型扎堆發布。

同一時期，亞馬遜和谷歌相繼表示分別擬向Anthropic投資250億美元和400億美元，馬斯克SpaceX宣布擬以600億美元收購AI編程獨角獸Cursor，DeepSeek啟動外部融資的傳聞亦沸沸揚揚。

這一周大事串聯起來，映射出5個清晰的趨勢：

• AI競爭的核心戰場已從“聊天”轉向“干活”；
• 中美AI頭部梯隊基本形成，并在持續沖鋒；
• 中國AI在開源和成本效率上展現出獨特競爭力；
• 算力基礎設施將成為影響AI競賽節奏的關鍵因素；
• “投資+競爭+合作”的新型多重產業關系正在確立。

值此期間，4月21日至22日，2026中國生成式AI大會（北京站）圓滿舉行。

大會由智東西主辦、智猩猩聯合主辦，集結73位產學研投嘉賓，圍繞“奔赴AGI 重塑未來”主題，通過1場開幕式、3場專題論壇、6場技術研討會，全景式解析AI產業的產業脈絡、創新范式、Token經濟與中國機會。

議題跨度很大，從大語言模型、多模態模型、世界模型、智能體、AI眼鏡等前沿模型與應用，到數據、芯片、存儲、通信、云服務等基礎設施。

嘉賓們各抒己見，聊痛點，講預判，立足當下，探討未來，分享內容之豐富，非常挑戰大腦容量。

一個明確的共識是，國產AI戰場，已經從模型層擴展到生態層。

我們整理了開幕式和3場專題論壇的嘉賓們分享的重點信息，希望能對你有啟發。

1、大模型怎么變強？達到垂域專家水平只是時間問題

2、小心養龍蝦、買token踩坑！聊聊大模型服務商不會告訴你的那些事

3、從Claude Code泄露代碼，總結6個反共識觀點

4、OpenClaw之后，智能體時代的中國機會在哪里？

5、世界模型的多重路徑：視頻生成、多模態原生統一、3D生成

6、Token消耗量爆發，國產AI基礎設施如何協同與進化？

7、大模型下半場，競爭焦點變成場景、數據、品味

8、從“龍蝦”、AI眼鏡到token管理，拆解國產智能體落地潮

一、大模型怎么變強？達到垂域專家水平只是時間問題

在開幕式上，中國人民大學高瓴人工智能學院教授趙鑫的演講圍繞一個根本問題：大模型怎么變強？

首先，大尺寸模型仍具有顯著的性能優勢，通過預測下一個詞的預訓練范式能夠建立非常強的基礎能力；在后訓練方面，一個重要方向是RLVR（基于結果監督的強化學習），能針對垂直領域提升模型能力，提供了超越“預測下一個詞監督訓練”的另一條Scaling路線，為復雜智能體環境的訓練構建了可行的訓練途徑。

接下來，讓大模型學會使用工具，如搜索信息、用編程解決問題等。代碼執行增強的推理鏈，解題過程更簡潔清晰，顯著提升推理效率。

隨著任務復雜度提升，模型需要進行大量輪次的交互，上下文窗口的管理成為挑戰。有兩種思路：一是通過模型自主壓縮上下文，二是使用文件來作為上下文的外部存儲介質。

在多模態深度搜索場景中，圖片、視頻等內容若直接token化，會急劇膨脹上下文。一個解決方案是搜索結果先寫入本地文件系統，同時生成簡短摘要進入上下文窗口，后續需要時再按需加載，從而實現穩定的百輪級多模態搜索。

▲趙鑫

給大模型一臺虛擬電腦（如終端/沙盒），可在非代碼領域激發通用能力。

大規模訓練需要大量多樣化的環境，手動創建幾萬個環境不現實。近期研究顯著增加了智能體類數據的引入，比如DeepSeek-V3.2在強化學習中顯著增加構造的智能體任務和配套環境，這些仿真環境旨在低成本高效合成大規模訓練數據。

怎么模擬復雜環境呢？大多數智能體操作僅需輕量的沙盒，如果采用基于Docker環境訓練代碼智能體的方法，可擴展瓶頸會集中在Docker執行層。此時可以用大模型代替Docker提供執行反饋，來減少對真實Docker的創建需求。

當前多智能體系統的核心挑戰在于長程任務的穩定性，這需要制定合適的工作流。

對此，高瓴人工智能學院開源的AiScientist系統，將決策層與專家層分開，編排器專注階段級決策，專家負責復雜子任務，讓文件成為智能體協調“總線”，從而實現復雜編排與協作。

最后，趙鑫教授分享了三點預判：

1、模型能力擴展受限于人的認知。目前可利用算力的方式仍然有限，突破需要新的擴展范式。

2、大模型達到垂直領域專家水平只是時間問題，廣義AGI仍然困難。類似“下一個token預測”和RLVR這樣的重要訓練擴展范式，估計還需要出現1～2次，才能推動廣義AGI的實現。

3、大部分創新是工程創新，AGI需要更多本質創新。模型能力與Harness的發展是螺旋上升、互相適配的，基礎設施補強模型短板，模型提升后再推動基礎設施演進；技術難以形成持久的護城河，人才、數據更為關鍵。

二、小心養龍蝦、買token踩坑！聊聊大模型服務商不會告訴你的那些事

清程極智聯合創始人師天麾點破了當前token行業亂象——買token藏有很多坑。

同一個模型，在不同服務商處購買，效果不同，最終花費不同，服務質量可能差別巨大。

有次評測，他們發現某個服務商的模型明顯有問題，問過后，服務商承認用的是int4。這種量化能把成本壓得非常低，但是模型效果很差。

提供同一個模型，報價便宜的服務商反而可能用起來總成本更高，因為緩存命中率不一樣。

緩存命中率是一個非常影響總成本的指標。各家服務商因為技術不同，緩存命中率相差很大，好的能超過80%，差的緩存幾乎跟沒有一樣。

但服務商不會告訴客戶這件事。

▲師天麾

AI Ping團隊對國內30多家服務商的600個大模型API服務進行了測試，服務商包括模型廠商、互聯網大廠、云上市公司和MaaS廠商。

根據他們的測試，大型服務商（如云廠商、電信運營商），在提供相同的模型服務、價格相近的情況下，各家服務性能可能相差5倍甚至更多。

他們觀察到，近期國內各家服務商的服務質量，相比去年年底明顯差了很多。許多服務商不能給中小客戶保證質量，響應慢、有明顯性能問題。

“養龍蝦”等行業熱潮火爆，導致token供不應求，又貴又慢。token服務又是黑盒，行業發展很快，也很亂，那怎么選對token服務商？

師天麾安利了清程極智研發的AI Ping：它對用戶關心的大模型服務指標做了全面評測和匯總，并提供篩選排序和智能路由功能，以便用戶對不同大模型API服務進行7×24評測和按需調用服務。

三、從Claude Code泄露代碼，總結6個反共識觀點

Pine AI首席科學家李博杰重點聊了聊從Claude Code泄露代碼中的收獲。

在他看來，Claude Code源碼里的五層權限判斷、錯誤恢復、安全防護工具集、反蒸餾防御機制等設計，還有用做研究的方法做產品，都非常值得學習。

▲李博杰

李博杰還分享了從中總結出的6個反共識觀點：

1、圖形界面（GUI）的價值將逐漸降低，軟件價值正從界面轉向數據治理，沒有數據壁壘的SaaS大概率被干掉。

智能體閱讀和思考速度遠超人類，但操作GUI的速度比人慢，因此GUI對智能體不友好。

Claude Code就是典型的GUI價值低、業務邏輯與數據治理價值高的產品形態，51萬行源碼里沒有一個產品級GUI。

2、上下文是人類避免被AI取代的護城河。

AI能訪問的上下文遠低于一個人類員工，比如吃飯時聊出來的設計目的、屎山代碼里的坑、沒表達出來的內心想法。

告訴AI合適的上下文，也是用好AI的關鍵。

3、AI原生組織，本質是用AI替代傳統的“上傳下達”層級結構。

Anthropic、Kimi等公司的中層大幅壓縮，實現良好的上下文共享，讓高層看到基層信號，讓基層直接看到戰略上下文。

“砍掉高層的手腳，砍掉中層的屁股，砍掉基層的腦袋”，這個段子在AI原生公司中不成立了。

4、哪些人會被AI替代？

頭部（高價值決策與創造）和尾部（與物理世界深度集成的工作）相對安全，腰部（執行型、無泛化能力的標準化工作）最為危險。

AI是技術能力的放大器，推動非技術能力的重要性比重上升。學習新知識、適應新場景的能力很關鍵。

一人公司（OPC）不是一個人能開發App，大多數獨立開發者的瓶頸不是寫不出代碼，而是獲客、信任、運營這些稀缺能力。

5、“模型即Agent”遠遠不夠。

真正的智能體里有一堆復雜的Harness來兜底解決模型搞不定的部分，代碼量遠超工具+提示詞本身。只有模型公司同時控制應用層和兜底工程。

Agent= Model x Harness。大模型提供“大腦”，而Harness提供了“手腳”和“韁繩”，包括上下文怎么給、工具怎么調用、出錯怎么恢復、安全怎么保障、緩存怎么共享、并行怎么協調等。

6、應用層公司的護城河在技術之外。

Harness里的“屎山”反映了模型內部模型團隊和應用團隊之間的張力，是應用層短期的技術杠桿，但是技術優勢會被模型公司的飛輪吃掉。

頂尖模型的差距還會繼續拉大，中端模型將趨于商品化。應用層公司的長期護城河是數據、渠道、拍照、用戶信任、網絡效應等等。

四、高端對話：OpenClaw之后，智能體時代的中國機會在哪里？

高端對話環節由智東西聯合創始人、總編輯張國仁主持，三位嘉賓均在智能體領域頗有建樹，分別是香港大學助理教授&博士生導師、Nanobot團隊負責人黃超，網易有道LobsterAI項目負責人、智能硬件研發負責人王寧，峰瑞資本投資合伙人陳石。

黃超團隊的Nanobot開源項目僅用約4000行代碼，實現了原版OpenClaw用43萬行（現已超百萬行）代碼的核心功能。

王寧團隊的LobsterAI是國內大廠第一個開源的桌面級智能體產品，1周獲得超過3k star，還被OpenClaw創始人Peter Steinberger發文夸贊。

陳石有超過15年的連續創業經歷，曾任阿里高管，曾經是一名快樂的程序員和用戶增長專家，如今也是一位對AI行業深入跟蹤觀察的投資人。

▲從左到右：張國仁、黃超、王寧、陳石

1、智能體行業變化太快，2026年會是標志性一年

黃超：智能體演進太快了，去年底MCP普及到現在的Skill和Harness，僅三四個月。2026年可能是智能體生態爆發的一年，智能體的能力邊界擴展需要整個Skill生態、環境交互體系的協同成熟。

王寧：OpenClaw大大加速整個智能體落地進程，各行業都認識到智能體能幫企業干活、提效、掙錢。去年Chat類產品一直在找營收來源，比如靠廣告，其實沒掙太多錢。今年可能是Agent產品商業化爆發的起點，真正能向用戶和企業收費的Agent產品出現。

陳石：從去年下半年到今年年初，AI行業最大的變化是智能體開始在應用層掙錢了，不再只是英偉達掙錢。OpenClaw開啟新的智能體范式，今年可能是AI真正能被大眾用起來的一年。

2、工程粗糙卻范式創新，OpenClaw為何能改變AI行業？

黃超：它的交互模式是創新的，看似簡單的設計，讓社區感受到智能體更加主動。此前的智能體工具感太重，OpenClaw點燃了人們對”通用個人助手”的長期期待。

王寧：類比移動互聯網早期，很多App最初都是小團隊做的、很粗糙，但商業模式和用戶場景滿足得很好。OpenClaw做了類似的事。

陳石：它也許在工程上還比較粗糙，但應用范式創新對行業影響非常大。

3、OpenClaw降溫了？現象級產品完成歷史使命

陳石：當前OpenClaw本身可能并不是一個特別優質的產品，但它是一個象征意義重大的現象級產品，它的核心定位是在“開放域里做無終點的事”，這是人類歷史上是第一次讓普通用戶用AI在數字世界中進行不設限制的探索。之前的智能體產品包括Claude Code、Claude Cowork和Manus都不在這個定位。OpenClaw更像是普通人心中的“數字助手”或者“數字伙伴”的形象。

王寧：DeepSeek 也是大概火了兩個月，但之后它讓“推理能力”快速滲透到了各行各業。OpenClaw也有點類似，它也加速了Agent產品走向更廣泛的行業應用。熱度會回落，但能力滲透一旦開始，真正的行業價值才剛剛開始釋放。

黃超：降溫可能是因為token燒得多，事情做得沒達到預期。OpenClaw完成了它的使命，建立了智能體在用戶中的心智。熱度下去說不定是好事，可以讓大家沉淀下來思考：什么時候需要讓OpenClaw變成真正能幫我們搬磚的打工人。

4、高質量Skill很少，Harness極其重要

黃超：雖然很多to-use模塊從MCP進化到Skill，Skill像MCP工具調用說明書，但MCP存在的問題，Skill也存在，比如質量控制不好。

Skill很多，但高質量的Skill很少，檢索與匹配效率低下。未來需要專門的平臺對高質量Skill進行管理和分發。

Harness與模型能力相輔相成。長程任務是一大工程挑戰，上下文極度爆炸、實時環境交互復雜、中斷現象普遍，Harness顯得極其重要。

5、當前AI行業的商業邏輯與創業建議

陳石：當前AI行業的商業邏輯與移動互聯網時代有根本性差異，不能做線性外推。

移動互聯網時代有個著名的商業模式是“羊毛出在豬身上”，免費獲客、廣告變現，但其前提是單用戶使用成本很低。但AI產品用戶使用越多，Token消耗越大，當前的成本遠高于廣告的eCPM，在商業上根本跑不通。

未來AI行業大部分的收入將被token生產與分發環節的公司收走。智能體能夠獨立存在的機會，在于廣泛收集人類的上下文（操作軌跡、使用場景、業務邏輯、行業知識），形成模型廠商搶不走的數據壁壘，用戶用得越多，越依賴，護城河越深。

建議早期智能體創業公司優先考慮“前向收費”，做不到就不要盲目擴張，說明還沒拿出能讓用戶愿意付費的產品。另一個建議是“軟飯硬吃”，利用中國制造業供應鏈優勢，在通過軟件掌握用戶需求和產品技術積累后，做出軟硬件一體的產品，這類產品到海外很能打。

6、中國版下一代智能體框架，機會在哪？

王寧：OpenClaw給國內大模型廠商帶來了新的機會，國內模型價格大概只有海外模型的1/10，能力上又相差無幾，特別適合”龍蝦”場景。

企業級Agent也有一些新的機會。國內已有不少國企和私企尋求將智能體產品在公司內普及，并與內部系統打通，需求涵蓋辦公自動化、OA、財務、ERP和數據安全等場景。

黃超：國內一直有應用創新基因，有信心國內機構能打造出下一代真正成為打工人的智能體。

五、世界模型的多重路徑：視頻生成、多模態原生統一、3D生成

語言只是人類感知世界的通道之一，圖像、聲音、3D空間等多模態才構成了物理世界的原始語言。

在世界模型方向，三位嘉賓從不同角度的分享，拼在一起很有意思。

1、智象未來姚霆：多模態創作智能體走向全模態，即將發布HiDream-O1-Image圖像大模型

智象未來（HiDream.ai）聯合創始人兼CTO姚霆分享說，隨著語言模型與多模態大模型能力飛速躍升，多模態創作智能體的技術底座已基本成型，并將走向全模態世界模型。

▲姚霆

通用智能體的核心能力是：上下文管理、工具調用、開放域對話與任務自動化，典型場景如定鬧鐘、訂外賣、制定旅行規劃。

在此基礎上，多媒體創作智能體還需解決專業性、協作性、一致性與可控性問題。其典型任務包括圖文內容創作、視頻高光時刻剪輯、從故事到腳本到分鏡再到成片的完整視頻生成鏈路等。

當前多模態生成模型的主流架構存在一個缺陷：文本編碼與視覺編碼相互獨立，信息交互單向，且視覺VAE編碼器會造成信息損失。

下一代架構的核心思路是將所有模態統一輸入到一個Unified Transformer，同時完成理解與生成，實現無損編碼+原生交互，走向“原生全模態”。

基于上述架構，智象未來即將發布HiDream-O1-Image系列模型，并將開源一個8B參數量的版本，該開源模型在6項基準測試中達到與FLUX.2、Qwen-Image同量級甚至略優的水平，并適配本地部署和低代碼智能體調用場景，同步，智象未來以此架構為基礎，逐步構建智象下一代世界模型。

圍繞多媒體創作需求，智象未來提出HiDream Agent OS基礎設施，分為工具層、Skill層、Harness層，可實現工具、創意、經驗可復用。

該團隊已推出全能創作智能體vivago Agent、視頻剪輯智能體HiClip Agent、影視創作智能體幀贊等智能體工具，其中幀贊已累計制作AI短劇漫劇超過5000分鐘。

姚霆認為，多媒體創作智能體的終極目標，是讓創作回歸靈感本身，將重復性、工具性的工作交給智能體，讓人專注于真正屬于人的創造力。

2、北京大學袁粒：大語言模型快到頭了，多模態原生統一才是未來方向

北京大學深圳研究生院助理教授&研究員、博士生導師袁粒認為，大語言模型已逼近極限，多模態原生統一才是未來，沒有多模態原生統一，就沒有真正的世界模型。

同時，他認為將token翻譯成“詞元”是默認大模型以語言為中心，這也是為什么GPT-5數不清人有幾根手指，大模型只專注語言這一模態，無視其他物理模態（比如視覺），無法真正讓其走向物理AI。

多模型協作的方式在數字世界尚可運行，但在物理世界存在兩大致命缺陷——高延遲和信息損失。以機器人搬水為例，這個任務對人類來說很簡單，當前絕大多數機器人仍無法流暢完成。

人類大腦構建的世界模型天然是多模態、統一的。當前所謂的“世界模型”，本質上仍是單模態模型。只有實現多模態原生統一，才能構建出真正理解物理世界的世界模型。

▲袁粒

構建多模態原生統一架構，面臨五大技術挑戰：如何定義“原生多模態”、自回歸建模與擴散建模融合、多模態視覺編碼器統一、消解模態沖突、訓練數據清洗和標注等。

袁粒團隊在多模態理解、生成、架構與統一方向均有一些代表性工作。例如，其Helios原生實時視頻架構采用自回歸+擴散Transformer，無需KV Cache等加速技巧，單卡可達近實時生成。

袁粒還展示了由其課題組多模態統一方法生成的圖像，無論是現實復雜場景生成還是數學虛擬生成都遠超其余同期模型水平。

3、VAST梁鼎：3D+視頻，或許才是世界模型的終態

VAST CTO梁鼎分享說，3D生成模型正在從單點能力走向完整的生產管線覆蓋，高模與低模兩條關鍵技術路線并行發展，Tripo大模型在游戲、工業、家裝、潮玩等行業已產生實質影響，VR/XR與具身智能仿真環境的建設也高度依賴3D能力。

圍繞這兩條技術路線和對應生產需求，VAST已經推出了行業SOTA的兩款AI3D大模型：Trpo H3.1和Tripo P1.0。

Tripo H3.1追求高視覺質量與貼圖精細度，適用于3D打印、工業設計、實體制造等對視覺還原度要求高、無需實時渲染的場景。

Tripo P1.0專為實時渲染引擎設計，核心優勢包括直接從圖片生成低模、生成速度快、生成結果具備拓撲友好和UV友好的特性等，適用于游戲管線制作、UGC生成式玩法、移動端3D資產生成等。

▲梁鼎

單個資產的生成只是起點，完整的3D制作管線還涉及部件拆分、貼圖編輯、骨骼綁定等環節。目前低模上的拆件與綁骨能力、場景級別的自動化生成、從視頻中提取動畫的能力等仍待突破。

當前世界模型的構建存在兩派：視頻原生派與3D原生派。這與早年3D生成領域2D升維與3D原生的路線之爭很相似。視頻路線的優勢是生成效果好、訓練數據充足，但存在長時序記憶難、多人一致性難、推理成本高等局限性。3D路線的難點在于制作門檻與畫質上限。

梁鼎認為，兩條路線最終很可能走向融合，世界模型的終態或許是3D與視頻共同驅動的統一方案，3D在其中將扮演不可或缺的結構性角色。

六、Token消耗量爆發，國產AI基礎設施如何協同與進化？

無論是前沿模型訓練，還是蓬勃發展的AI應用推理浪潮，都對AI基礎設施中的計算、存儲、互連架構提出更高的協同要求，算力層也正從成本中心演變為以token為計量維度的利潤中心。

如何推動token成本持續下降，是擺在AI基礎設施供應商們面前的共同考題。

在AI算力基礎設施專題論壇，嘉賓們從計算、存儲、網絡、云服務等不同維度，分享推動國產AI算力走向普惠的可行路徑。

具身智能芯片方案如何支撐機器人集群算力需求？企業使用算力面臨哪些主要痛點？芯片架構設計如何提升能效比？誰是提升token生產效率的隱形障礙？國產AI算力生態怎樣形成聚合？來聽聽他們的答案。

1、芯橋張鑫：具身智能需要跨節點算力協同

芯橋半導體解決方案副總裁張鑫談道，隨著具身智能機器人從單點執行走向群體智能，算力問題也從單點性能提升轉向跨節點協同與分層調度。

受制于電池續航、板卡面積等條件，單臺機器人的算力存在物理上限。對此，芯橋半導體提出了五位一體、軟件協同的“大腦-小腦-肌肉”架構，通過分布式方案來支撐機器人集群算力需求。

其中，在決策層，X200芯片提供682TOPS峰值算力、819.2GB/s HBM2E帶寬，支持50-100臺機器人協同作業；在感知層，S200邊緣計算芯片提供128GB顯存、66W被動散熱、4800FPS極速解碼，以便機器人實時處理感知數據。

芯橋還提供宏觀任務調度與集群管理、精細單元控制與實時狀態監控等功能。

▲張鑫

2、Hammerspace王殿清：別浪費了GPU服務器本地存儲

Hammerspace資深解決方案架構師王殿清說，AI產業正從模型軍備競賽轉向推理效率、基礎設施重構的系統性競爭。存儲基礎設施存在數據分散、傳輸費時費力等不便，GPU服務器本地存儲一直未得到充分利用。打破存儲孤島是AI走向大規模落地的關鍵基礎條件。

高性能存儲設備的速度遠超外部存儲，卻因為存儲孤島、不受保護、難以在本地存儲和外部共享存儲間移動數據等問題，一直未被使用。以千節點集群為例，每節點數百TB的本地盤如果僅作臨時緩存，浪費的存儲空間可達數百PB。

Hammerspace Tier 0技術可將GPU服務器磁盤配置為一個或多個NFS導出，由軟件統一納管，形成為一個全局可見、共享的存儲層。Meta便基于標準架構，利用現有服務器、網絡、GPU，節省了多達數百萬美元。

▲王殿清

3、GMI Cloud蔣劍彪：今年算力市場呈四大變化

GMI Cloud中國區總裁蔣劍彪分享了2026年AI產業的4大核心趨勢：1）推理成AI基礎設施的主要市場；2）智能體推動token消耗千倍級增長，主要客戶普遍提前鎖定算力資源；3）AI編程引爆一人公司（OPC）模式，成AIGC應用下一個關鍵增長引擎；4）智算中心從存儲倉庫轉向算力工廠，追求極致算力密度、能效比與token吞吐量。

GMI Cloud是一家領先的AI Native Cloud服務商，是全球七大Reference Platform NVIDIA Cloud Partner之一，擁有遍布全球的數據中心，為企業AI應用提供最新、最優的GPU云服務，為全球新創公司、研究機構和大型企業提供穩定安全、高效經濟的AI云服務解決方案。

蔣劍彪預告說，GMI Cloud面向龍蝦智能體（Claws Agents）的全新生態產品The GMI Claw Marketplace即將上線，將面向企業用戶和AI開發者，提供一站式端到端解決方案。

▲蔣劍彪

4、九章云極張磊：讓算力像水電一樣管夠

九章云極DataCanvas解決方案專家張磊總結說，企業使用算力有三大痛點——買不起、用不滿、管不好。九章云極以AI原生基礎設施與智算云為核心，希望將算力轉化為標準化的普惠AI資源。

作為普惠算力的核心載體，九章云極提出了算力服務單位“度”，定義1度算力=312TFLOPS*1小時，以便將不同算力卡通過統一技術指標換算為一個標準度量單位。用戶可按需購買、秒級啟用，僅對有效計算時間付費，徹底避免了硬件資源閑置與浪費，顯著降低了AI研發與使用的門檻與總擁有成本（TCO）。

面向AI原生時代，九章云極打造的Token Factory將算力從成本中心轉化為可創造業務價值的增長中心，以token吞吐量作為核心效率指標，直接支撐企業AI競爭力提升。智算云平臺上打造了AI開發一站式賦能與模型調用服務能力，并支持跨區域、跨廠商的算力資源統一調度與智能編排，為大模型訓練、推理、智能體開發等全場景提供高效、穩定、彈性的算力支撐。

▲張磊

5、DDN李凡：疏通AI算力工廠的數據管道

DDN中國技術總監李凡談道，AI基礎設施的競爭已從單一硬件性能轉向系統工程能力，英偉達從2016年起就在其內部集群采用DDN AI數據智能平臺。由DDN提供支持的AI工廠，GPU利用率可達99%，顯著降低電力消耗和空間占用。

KV Cache是當前分布式推理場景的存儲熱點，對動態擴展性與元數據性能的要求超過峰值吞吐。DDN EXA/Infinia KV cache fabric方案可30倍加速推理和智能體，同時保障低延遲和低成本。

▲李凡

DDN雖為美國公司，但中國本土研發團隊已從數人擴展至80人，并深度參與國產算力生態，正與國產網絡、國產算力、大模型廠商合作，推進系統級工程實踐。

國產SSD供應商大普微旗下多款大容量QLC產品已完成DDN全平臺測試認證，支持智能體數據大容量存儲，提供更快的token響應。雙方將繼續深化合作，推出更強的PCIe 5.0 SSD產品組合。

▲大普微DapuStor高級總監黃明達

6、光羽芯辰姜漢：存算一體翻倍提升AI芯片能效比

光羽芯辰產品市場總監姜漢認為，端側AI生態不能由單一價值鏈玩家獨立推動，需聯合從操作系統層到App層的全棧合作伙伴共同構建。作為一家端側AI大模型芯片創企，光羽芯辰已與頭部手機廠商、頭部PC廠商達成商業合作，未來還考慮應用于具身智能機器人場景。

光羽芯辰是一家由AI頭部企業與存儲頭部企業等合資設立的公司，已完成多輪融資。該公司提出了將存算一體架構與3D異構集成技術相結合的端側AI解決方案，并率先將該方案實現于AI芯片產品中。

相比傳統架構，其存算一體架構可實現5倍能效比、10倍帶寬，響應延遲降至1/10。光羽芯辰也提供硬件級可信執行環境，并與OpenClaw等框架無縫集成，以加速端側AI應用落地。

▲姜漢

7、上海AI Lab蔡政：為國產AI芯片快速搓出高性能算子

上海人工智能實驗室DeepLink團隊工程師蔡政強調，高性能算子體系是英偉達生態的核心護城河，也是國際AI競爭的核心戰場，將各類基礎設施、模型能力、芯片技術、應用場景協同，關鍵在于一個性能好、覆蓋廣、可演進的算子體系。

目前國內算子開發面臨門檻高、調優難、架構差異大且迭代快、遷移易損失性能等挑戰。

2025年KernelBench首次系統性評估了大模型自動生成高性能算子的能力，結論是即使最先進的模型在One-shot場景下，首輪算子通過率（編譯正確+精度正確）普遍不超過90%，甚至剔除掉生成了但是沒有實際運行的結果之后，矯正后的算子通過率普遍不超過55%。

對此，DeepLink團隊提出KernelSwift智能體進化架構，更充分地探索Kernel Search Space和利用Test Time Compute。在KernelBench L1/L2/L3測評中，該系統在英偉達平臺上整體性能領先，并且生成的算子代碼已經應用于生產級推理引擎SGLang和LMDeploy。

KernelSwift通過DeepLink自研AI編譯器DLCompiler的協同，實現了對華為昇騰、沐曦、寒武紀、海光、平頭哥、天數智芯等主流國產芯片的支持，跨平臺兼容率達90%。

▲蔡政

8、探微芯聯張羽：打造對標英偉達NVLink的國產互聯方案

探微芯聯超節點與推訓平臺技術專家張羽談道，大模型對顯存有極致要求，單芯片擴展已逼近物理瓶頸，Scale-up超節點是未來長期的主要發展方向，通過高性能互聯突破單GPU計算容量、存儲容量和訪存容量的限制。

探微芯聯以scale-up互聯資源池為核心，通過自研的ACCSwitch芯片與XPU端的ACCLink，將計算、內存、存儲、CPU四大資源池整合成一個統一的計算系統，并圍繞芯片提供驅動軟件棧，形成scale-up域互聯整體解決方案。

其方案可幫助計算卡廠商、DRAM廠商、存儲廠商構建對標英偉達NVLink生態的國產scale-up超節點系統。

▲張羽

9、圓桌討論：Token爆發元年，國產AI算力如何從可用到好用？

AI算力基礎設施專題論壇的圓桌討論由千芯智算董事長陳巍主持，三位嘉賓分別是芯橋半導體解決方案副總裁張鑫、DDN中國技術總監李凡、探微芯聯超節點與推訓平臺技術專家張羽。

陳巍談道，根據國家統計局的數據，今年3月，我國日均token調用量已突破140萬億，較2024年初的1000億增長超過1400倍。AI推理已不再是單純的堆卡堆算力，而是進入token工廠時代，每生成一個token，都在極致考驗計算芯片、存儲、互連架構的協同。

隨著推理時代到來，傳統基礎設施已無法滿足智能體和長鏈路任務的需求。站在token爆發元年的風口之上，國產AI算力如何從可用邁向好用？這個議題非常具有現實意義。

▲從左往右：陳巍、張鑫、李凡、張羽

幾位嘉賓分享的一些共識觀點包括：

（1）token成本是國產算力從可用到好用的關鍵命題，更低成本、更高token產出效率是前提。

（2）系統工程化協作是短板。發展計算、存儲、互聯、網絡、運維的一體化工程能力，才能真正釋放token工廠的潛力。

（3）中國團隊在模型量化等軟件層的能力已接近或超越國際水平，制程、良率等硬件層差距客觀存在，場景化需求可能會抹平部分技術差距。

（4）Scale-Up超節點是確定性長期趨勢，是國產AI算力生態整合的關鍵抓手。

（5）AI下一個爆發點尚待觀望。未來Agent長時序主動執行將改變計費體系，對硬件成本、集群效率的要求將更嚴苛。

計算方面，張鑫談到AI芯片設計正向定制化模型需求靠攏，例如針對矩陣計算做專項硬件加速（參考Groq思路），可同時實現資源節省、性能提升與成本下降，建議加強芯片層與落地場景的溝通，推動硬件針對專屬場景的定制化改造。

在他看來，智能體落地不是單一模型運算，而是多模型在不同場景、不同節點、不同步驟的分場景拆解，是否需要專用芯片支撐仍在探索中。

存儲方面，李凡提出存儲架構割裂（HBM、DRAM、SSD各自孤立）是當前制約token生產效率的隱性障礙，只有打通才能真正釋放算力。

他認為，中國AI推理基礎設施的token輸出效率已超越國外水平，現階段主要問題是工程配合與生態整合不足，仍處于堆卡堆資源的初期階段，缺乏計算、網絡、存儲、運維的系統級協作。

通信方面，張羽提到計算、存儲、互聯三者之間存在此消彼長的平衡難題，把存儲做成HBM類混合存儲可行，但會將壓力轉移到通信側。

他建議，芯片內部的平衡、芯片間互聯的平衡、存儲的平衡三者需統一建模，建議構建性能建模工具，拆解大模型推理任務中的算子（通信算子、訪存算子、計算算子），預估各階段計算量、訪存帶寬需求，尋找計算與通信細粒度overlap的最優點，從而實現最大化性能。

張羽預計未來3~5年，計算卡廠商、存儲廠商將逐步融入統一的Scale-Up超節點生態。

七、大模型下半場，競爭焦點變成場景、數據、品味

在大模型專題論壇上，6位演講嘉賓分別從模型能力演進、基礎設施重構、行業應用落地等維度展開分享。

模型層面，“任務完成度”成為廠商關注重點，即能否在真實場景中交付穩定、可靠的結果。

基礎設施層面，AI訓練和推理需要全新的數據存儲基礎設施，AI token工廠的每一層都需要被重新設計。

應用層面，“理解場景”與“理解人”成為AI落地的必修課。大模型不能再僅僅滿足于簡單生成，而要能理解語言之外的意圖、業務邏輯乃至心理。

1、智譜李子玄：Long Horizon成AI編程新重點

智譜Z.ai負責人李子玄認為，AI編程的競爭焦點正從單點生成轉向“Long Horizon（長程任務）”能力。

他澄清，Long Horizon并非長度的比較，而是要求模型執行任務的過程中保持目標與邏輯不失真，能從失敗中迭代優化，交付高質量的結果。

GLM-5.1正是體現這一能力的模型。

結合自身實踐，李子玄提出，如今的AI研究員要像產品經理一樣懂場景，評測已經成為引領模型發展的重要管理方法。而在PMF方面，企業需要進行前瞻布局與技術儲備，才能在技術拐點到來時捕捉機遇。

▲李子玄

2、阿里云王作書：AI將帶來全局性機遇

阿里云千問大模型解決方案資深總監王作書觀察到，大模型已走過學術奠基、產業投入階段，步入了商業加速期。當前，模型推理能力顯著增強，多模態融合與開源生態日趨成熟，AI正從“聊天”進化為核心生產力。

為此，阿里巴巴成立ATH事業群，圍繞“創造token、輸送token、應用token”升級了其AI戰略，目前已圍繞著文本、多模態等多條主線研發模型，最新成果包括Qwen3.6系列模型、Qwen3.5-Omni、萬相2.7等。

王作書透露，阿里大模型團隊未來的三大技術目標為提升知識規模和效率、增強智能水平和多模態融合。

她還提出了價值四象限的概念：未來AI將創新力/勞動力為縱軸、產品力/生產力為橫軸持續擴展，推動消費電子、生產系統等升級，帶來全局性機遇。

▲王作書

3、焱融科技張文濤：AI競爭本質是數據競爭

焱融科技CTO張文濤觀察到，AI的競爭本質上是數據的競爭，無論是訓練還是推理，都對高性能、低延遲、去孤島化的數據存儲基礎設施有著迫切需求。

焱融應對上述挑戰的思路是打造一套全棧AI存儲解決方案。具體來看，該公司的全閃存儲一體機產品F9000X采用了冷熱數據智能分層、彈性網絡等技術，使得每GiB/s帶寬成本下降60%，并在MLPerf Storage v2.0測試中排名榜首。

面向推理場景，焱融推出了涵蓋DRAM到本地盤再到遠端共享存儲的多級KVCache緩存管理系統YRCache，并通過智能預取、異步卸載、零拷貝等技術實現加速。

同時，焱融科技也提供了企業全域數據管理平臺DataInsight，可以統一納管分散在各處的數據孤島，形成統一視圖，并支持自定義數據流向，給大模型訓練提供便利。

▲張文濤

4、連信數字/連心云黃杏：理解“人”是AI進入真實世界的關鍵

連信數字/連心云洞見研究院院長黃杏認為，現實中的管理者、面試官、家長等群體，常常需要借助語言之外的信息來理解他人。同樣，當前AI雖擅長處理語言，但若想真正融入真實世界，就必須理解人心。

連信數字洞見研究院匯聚了心理學、算法與大數據的跨學科精英，“洞見人和”人本世界（心理）大模型以全球多源數據為底座，通過多模態感知與神經符號AI的深度融合，改變了傳統的“經驗驅動”分析，通過智能循證分析實現了對人類的深度洞察與全面刻畫。

這一模型已在公安、教育、司法、安全生產等行業落地實戰，并已覆蓋20多個省市，累計2000萬+人群。

在大會現場，黃杏宣布，即日起，連信的所有模型能力與原生Agent將通過連心云能力平臺正式對外開放，賦能更多行業場景。

▲黃杏

5、上海AI Lab張鴻杰：統一多模態模型的關鍵不是技術選型

上海AI Lab青年研究員張鴻杰介紹，目前統一多模態大模型主要采用純自回歸、純擴散與其他融合上述架構的折中方案。但他認為關鍵不是選路線，而是在統一上下文中實現理解與生成各有所長，讓不同模態采用最適合的預測方式。

基于這一判斷，上海AI Lab研發了InternVL-U，一個4B參數的統一多模態大模型。具體來看，InternVL-U擁有統一上下文，但目標照模態實現自適應。這一模型采用InternVL 3.5的主干完成理解和推理，并把像素合成交給MMDiT，從而實現語義建模和視覺生成的分工。其理解與生成的視覺表征也完全解耦，理解用ViT高層語義特征，生成用VAE淺層重建特征，避免沖突。

目前，InternVL-U模型、數據管線與評測工具鏈均已開源，張鴻杰也呼吁社區一同參與到統一多模態模型的發展中來。

▲張鴻杰

6、商湯大裝置盧國強：AI系統的核心使用者，將從人轉變為Agent

商湯大裝置產品總經理盧國強認為，行業正從“AI原生”邁向“Agent原生”新階段，未來AI系統的核心使用者將從人轉變為Agent，交互方式、度量衡與安全邊界將因此發生根本性變化，帶來對Agent原生基礎設施的需求。

從具體設計上來看，Agent原生系統應讓每一層都變得可發現、可理解、可操作。其中，算力層將由成本中心轉變為利潤中心，成為“收入工廠”；平臺層則通過token統一度量衡，實現智能化與標準化；應用層需要實現“AI賦能AI”，使AI具備自主迭代能力。

基于此，商湯大裝置在2026年將愿景從“AI數字工廠”升級為“AI Token Factory”。這一工廠的原材料是算力、模型與數據，生產線是推理引擎、緩存與調度，產品是token，其每一層都需要進行重新審視與設計，以更好服務Agent的需求。

▲盧國強

7、圓桌討論：AI下半場，大模型的演進與終局

大模型專題論壇的圓桌討論由中信證券首席計算機行業分析師楊澤原主持，四位嘉賓分別是智譜Z.ai負責人李子玄、阿里云千問大模型解決方案資深總監王作書、上海AI Lab青年研究員張鴻杰、商湯大裝置產品總經理盧國強。

▲從左到右：楊澤原、李子玄、王作書、張鴻杰、盧國強

4位嘉賓先是結合自身背景談了幾個熱點話題。

編程模型方面，李子玄談道，在該領域保持領先的關鍵在于“品味”，也就是對技術趨勢的判斷力。對場景進行細致挖掘、通過coding plan等渠道獲取反饋也很重要。

談及全模態模型，王作書認為此類模型同時擁有“眼睛、嘴巴、耳朵”，將推動智能邊界向三個方向拓展，分別是感知邊界、推理邊界和交互邊界，最終在視頻理解、自動駕駛、實時音視頻交互提供更強的能力與更擬人的體驗。

小尺寸多模態模型與大型原生多模態模型孰優孰劣？張鴻杰稱，后者雖然架構優美，但訓練代價大，也無法繼承現有模型的能力。相比之下，前者可在其他模型基礎上外擴生成編輯能力，性能上限也不低。小模型在數據方面的短板可以結合Agent補齊，不必單打獨斗。

基礎設施方面，盧國強分享說，盡管商湯大裝置已經預判未來算力需求會大幅增長，但其增幅仍然遠遠超出預期。在推理時代，模型獲得的輸入要遠大于模型的輸出，這對基礎設施的每一層都提出挑戰，尤其是緩存效率。

嘉賓們也就幾個共同話題分享了觀點。

模型架構、能力和場景迭代方面，多模態、空間智能、長鏈路等被頻繁提及。李子玄總結道，目前模型迭代的本質是智能提升和token效率優化的循環，新應用場景可能會因推理速度和穩定性的提升而迎來爆發。

年初的龍蝦熱讓Harness走進主流視野。4位嘉賓認為，Harness可能會被模型逐漸內化，或是與具體行業和場景結合得更為密切。

王作書談道，當前Harness是模型的放大器，但長期看會變成基礎設施被隱藏，模型向下做深邏輯與工具調用能力，Harness向上融入行業。張鴻杰覺得共生與內化是漸進過程，多模態的Harness比文本更具挑戰。盧國強提出模型決定上限，而Harness決定下限，兩者缺一不可。李子玄則預判，未來模型可能會自己“上發條”，不再依賴Harness，人只負責補充上下文。

談及廠商的全棧自主能力，幾位嘉賓都認可其商業價值，但也不主張絕對化，而是要做好權衡與生態協同。全棧自主的落腳點最終仍是提供優質、穩定、高效的服務與商業價值。

八、從“龍蝦”、AI眼鏡到token管理，拆解國產智能體落地潮

在AI智能體專題論壇，8位嘉賓分別從底層架構、技術演進、模型創新、硬件載體、垂直場景落地及企業級管控工具等方面，拆解智能體商業化路徑。

從大廠打造的開源桌面級“龍蝦”產品、智能體底層架構創新，到AI編程、AI營銷、AI眼鏡、token管理等賽道，他們正在推動智能體更好地幫人們做事。

1、網易有道王寧：20余天速成國內首個桌面級“龍蝦”

網易有道LobsterAI項目負責人、智能硬件研發負責人王寧分享說，他們經過20余天快速打磨，2月19日正式推出國內大廠的第一個開源桌面級“龍蝦”LobsterAI。

其內部認為，OpenClaw是Agent時代的Linux系統，因此他們將有道“龍蝦”底層架構切換為OpenClaw，上層保留自研GUI與業務流程，通過進程通信實現兼容。

他提到Agent產品的未來新機遇包括Agent向各領域滲透、Skill即服務、開源生態共建、AI Native工作流、多Agent協作、Agent原生硬件等。

▲王寧

2、階躍星辰袁微：Agent技術核心轉向外部環境構建

階躍星辰算法專家袁微提到AI Agent的演進包括三個階段，分別是提示詞工程時代、上下文工程時代、Harness Engineering時代，當下焦點已從模型本身轉向構建完善外部運行環境，是Agent從Demo走向產品的關鍵。

當前處于Agent能力躍遷拐點，技術核心從模型競賽轉向系統工程與環境構建，Harness + OpenClaw是將基礎模型能力轉化為企業級可交付Agent產品的關鍵方案。其中，Harness是Agent的腳手架，對應系統層，OpenClaw是Agent的調度引擎。

▲袁微

3、華為林煒哲：DLLM Agent有望成為下一代Agent系統基石

華為中央研究院先進計算與存儲實驗室大模型算法專家林煒哲提到，Diffusion模型在同等訓練條件的智能體場景下，比AR Agent更快、規劃更優、端到端效率更高。

他們研究發現，DLLM Agent在同等序列長度、輪次約束下，能保持與AR Agent一致的任務精度，同時還能實現信息搜集調用量顯著下降、任務拆分更精準、搜索輪次更少、耗時更短，疊加輕量采樣算法可大幅提高精度，而AR Agent疊加復雜算法會顯著增加消耗，進一步拉開性能差距。

林煒哲認為，DLLM Agent有望成為下一代Agent系統重要基石。

▲林煒哲

4、雷鳥創新程思婕：兩大判斷定調眼鏡是下一代AI最佳載體

如今智能眼鏡進入爆發期，蘋果、小米、阿里等大廠入局，賽道轉向紅海。雷鳥創新AI負責人程思婕拋出結論：眼鏡是下一代AI的最佳載體。其兩大判斷依據是，眼鏡是最佳的全域數據采集終端和隨身智能體載體。

一方面，眼鏡可以全天候貼身佩戴、無感采集第一人稱交互數據、搶占物理世界原生數據入口，另一方面，其適配原生語音交互，支持一句話完成任務、打造個人隨身外腦、下一代個性化推薦系統。

此外她認為，相較于機器人，智能眼鏡作為AI載體的優勢是，可以通過數據飛輪實現數據閉環與模型迭代，僅作為輔助決策的“外腦”，無需底層控制，從而規避機器人的數據瓶頸、底層控制難題。

▲程思婕

5、阿里云沈林：5個準則打通Agent上下文環境數據構造

阿里云高級技術專家沈林分享了EventHouse實踐的5個準則：

（1）Think like an Agent，給你的Agent足夠的信息感知能力；

（2）給你的信息編寫一本“圖書館館藏目錄”；

（3）知識不是“信息囤積”，和你的Agent做好“知識對賬”；

（4）每次知識迭代都是一次生產級變更發布；

（5）“簡單”、“可靠”不是錦上添花，而是很多行業的入場券。

▲沈林

6、極狐馭碼宋健：AI Coding已進入準交付級編程階段

AI Coding是AI技術落地的高價值入口，但目前市場上對AI Coding存在“玩具論”和“萬能論”兩大暴論。極狐馭碼資深AI解決方案架構師宋健認為兩種觀點均有失偏頗，AI Coding已進入準交付級編程階段，有實用價值但仍需工程團隊投入時間學習和實踐。

AI Coding智能體的五大關鍵技術是模式、規則、工作流、MCP、Skills，模式是將智能體預先劃分成不同角色、規則是為智能體定規矩、工作流類似寫腳本、MCP是擴展智能體能力的工具箱、Skills是原子化的功能插件，協同用好這些關鍵技術和功能是企業實施AI Coding的關鍵。

▲宋健

7、Noumena AI趙歡：AI營銷增長潛力僅次于編程

Noumena AI（物自體科技）聯合創始人、產品算法負責人趙歡的判斷是，營銷是僅次于AI Coding領域的爆發式增長場景，且與Coding場景邏輯完全不同。

營銷場景面臨數據割裂、人員流失導致經驗丟失、平臺算法迭代快、品牌方難以適配等痛點。Noumena AI推出了營銷行業的龍蝦產品GrowClaw，不僅能解決典型的營銷問題比如內容洞察，達人篩選，內容運營，投流分享等，還可以適配持續維護狀態、持續更新、多方協作的營銷業務系統。

針對OpenClaw穩定性差、非技術用戶上手難問題，趙歡稱他們在內部打造了“龍蝦醫院”和“龍蝦學院”，以實現Agent故障自動診斷以及AI自動學習、快速為業務提供Skill等。

▲趙歡

8、清程極智李浩瑞：首發企業級token管理工具，即將開源

清程極智技術專家李浩瑞首次正式發布了其企業級token管理新品ATM（Agent Token Manager），該產品后續將開源。

ATM的核心功能是本地聚合網關、Agent身份級管控、智能路由下放、本地數據存儲、Agent原生適配，他們實測顯示，本地網關融合云端、本地大模型后使得成本降低70%。

為了幫助企業在AI轉型中進行token管控與質量追蹤，清程極智的AI Ping可以在MaaS層通過持續模型服務評測，提供高質量低價格token；ATM是本地網關，在本地通過Agent身份級管控實現精細化企業內部治理。

▲李浩瑞

9、圓桌討論：OpenClaw x Harness Engineering，AI智能體的范式革命

圓桌討論環節由智東西聯合創始人、智猩猩總經理何峰主持，四位嘉賓分別是階躍星辰算法專家袁微，雷鳥創新AI負責人程思婕，清程極智技術專家李浩瑞，Noumena AI（物自體科技）聯合創始人、產品算法負責人趙歡。

嘉賓們探討了當下OpenClaw與Hermes Agent之間的“養蝦、養馬”爭論、Skill是否會吃掉App等諸多熱點話題。

▲從左到右：何峰、袁微、程思婕、李浩瑞、趙歡

袁微站在模型團隊角度稱，OpenClaw開啟了AI智能體爆發元年，當下Agent實現生產級交付的最大瓶頸是模型研發，因為市面上的通用Benchmark很難對應每個人需求，因此他們試圖通過收集專家意見、用戶的實際體驗、自建Benchmark等方式，讓模型體驗和大多數人體感保持一致。

作為硬件廠商的代表，程思婕認為Skills會逐步替代App，而當下Skill變成App的壁壘在生態層面，需要大廠開放自己的原子能力。圍繞OpenClaw與眼鏡的結合，雷鳥創新制定了三步戰略，第一步是面向開發者，讓眼鏡作為輸入入口快速接入OpenClaw，第二步打通App讓其絲滑連接Agent，第三步是內部自研類似框架。

作為Token服務商，李浩瑞提到一個現象，Hermes Agent出來后，OpenClaw的Token消耗在下降，這進一步說明，越來越聰明、越來越懂用戶的Agent是技術上的大趨勢。企業內部管理Token的最大難點，就是不知道Token消耗流去了哪里，這也是他們打造本地Token管理工具的原因。

在營銷這一垂類場景，趙歡認為，OpenClaw是產品形態革新，能大幅降低非技術人群AI使用門檻，未來模型會逐步吃掉Harness，垂類廠商需構建領域護城河。他們判斷一個場景是否真正適合Agent落地的兩個視角是，本身的技術場景匹配度，以及場景商業價值、落地困難程度。

結語：生成式AI產業開始告別“早期階段”

今年AI產業依然在飛速變化。年初的“養龍蝦”熱潮帶動token消耗量爆發，密集迭代的各類大模型持續帶來新的驚喜，業界已經對基準測試分數祛魅，轉而更看重真實的任務完成度，新一輪AI基建潮正如火如荼開展。

被業界期盼已久的DeepSeek-V4，也交出了一份具有開創意義的答卷：不僅繼續做到大幅壓低成本和性能領先，而且寫出了一個打破海外芯片依賴的新敘事。

這場空前的產業爆發之中，還有一些需要面對的問題。

模型迭代速度之快，正在給企業用戶帶來選擇疲勞。相比追逐新模型，企業更需要的是建立與模型無關的架構能力。

模型能力與安全的矛盾也在激化。Anthropic手握強大的Mythos模型卻不敢全面發布，ChatGPT Images 2.0生成的圖像已經以假亂真，其他旗艦模型同樣面臨網絡安全風險的審慎評估。前沿能力的發布正成為一個越來越沉重的決策。

與此同時，炒作性宣傳和情緒生意也在侵蝕行業的判斷力，真正的技術進展反而被淹沒在噪聲之中。在DeepSeek-V4新聞稿的結尾，有一句引自《荀子》的名言：“不誘于譽，不恐于誹，率道而行，端然正己。”也愿生成式AI道路上的前行者們，都有類似的定力。

而AI產品最終需要以真實的商業回報來驗證。頭部企業交出了快速增長的收入成績單，同時也在尋求巨額算力資源采購，但這種支出比收入增長更快的模式會持續多久，答案要等到新一代基礎設施真正投入運營之后才能揭曉。

AI正在不可逆轉地走向產業化，開始觸及軟件開發、知識工作和人機交互的底層范式。但截至目前，這個新型技術產業仍處于地基澆筑期，至于最終建成的大廈是什么模樣，可能連建設者自己都還無法完全想象。

2026年這個春天，生成式AI產業開始告別它的“早期階段”。