杨植麟、张鹏、夏立雪、罗福利：聊Agent未来与虾价趋势
OpenClaw小龙虾的热潮吹到了北京中关村论坛会议上。就在刚刚，3月27日，月之暗面创始人杨植麟主持了一场围绕OpenClaw与AI开源的讨论。来自模型、算力与应用层的多位核心从业者——包括智谱华章CEO张鹏、无问芯穹联合创始人兼CEO夏立雪、小米MiMo大模型负责人罗福莉及香港大学助理教授黄超作为嘉宾，围绕Agent技术演进、Token需求爆发以及开源生态重构展开对话。在这场对话里，智谱华章CEO张鹏回应了近期的涨价热潮，也坦言，当前最大的问题是对算力的需求。杨植麟也问罗福莉，小米的模型是怎么做的？罗福莉虽未正面回答，但透露了技术路线，面向 Agent 时代的新探索。
免费影视、动漫、音乐、游戏、小说资源长期稳定更新！ 👉 点此立即查看 👈
以下为对话实录：
杨植麟： 很荣幸今天能邀请到各位重磅嘉宾。大家覆盖了不同层面：从模型层，到底层算力层，再到更上层的 Agent 层。今天也非常高兴能和大家一起探讨这个话题。我们今天最核心的两个关键词，一个是“开源”，一个是“Agent”。
我们先从第一个问题开始，这个问题想请每位嘉宾都谈一谈。最近最火的无疑是 OpenClaw。大家在日常使用 OpenClaw 或类似产品时，觉得最有想象力、最让你印象深刻的地方是什么？另外，从技术角度来看，你们如何看待今天 OpenClaw 以及相关 Agent 的演进？我们先从张鹏开始。
张鹏： 好。先感谢植麟的邀请，也感谢主办方给我这个机会，和大家一起交流。其实我很早就开始玩 OpenClaw 了。那时候它还不叫 OpenClaw，最早叫 Clawdbot。我自己一直在折腾这些东西，毕竟也是程序员出身，所以对这类产品一直有比较直接的体验。
我觉得，这件事给大家带来的最大突破，或者说最大的“新鲜感”，在于它不再只是程序员或者极客的专属工具了。普通人也可以比较方便地使用顶尖模型的能力，尤其是在编程和智能体相关的能力上。
所以到现在为止，我在和大家交流时，更愿意把 OpenClaw 称作一种“脚手架”。它提供的是一种可能性：在模型能力之上，搭起了一个足够稳固、足够方便、同时又足够灵活的脚手架。大家可以按照自己的意愿，去调用底层模型提供的各种新能力。很多过去受限于“不会写代码”或“缺乏其他专业技能”而无法实现的想法，今天只需要通过很简单的交流，就有机会把它真正做出来。对我来说，这件事的冲击非常大，也让我重新认识了这类产品的意义。
夏立雪： 其实我最开始使用 OpenClaw 的时候，并不太适应。因为我已经习惯了和大模型对话式交互的方式，所以一开始会觉得它的响应有点慢。
但后来我意识到，它和过去聊天机器人最大的不同在于：它不是一个只负责“聊天”的东西，而更像是一个能够帮我完成大型任务的人。所以，当我后来开始给它布置一些更复杂的任务时，我才真正发现，它其实可以完成得很好。
这件事让我感触很深。模型从最开始按Token进行对话，到今天变成一个Agent，变成一个“龙虾”，真正开始帮你完成任务，这极大拓展了我们对 AI 的想象空间。但与此同时，它对整个系统能力的要求也显著提高了。这也是为什么我一开始会觉得它“有点卡”。
作为基础设施底层的厂商，我看到的是，OpenClaw给整个 AI 背后的大型系统和生态都带来了更多机遇和挑战。因为我们今天所有可调用的资源，想要支撑这样一个快速增长的时代，其实还是不够的。就拿我们公司来说，从一月底开始，我们的Token量基本上每两周就翻一倍，到现在已经增长了十倍。上一次看到这种增长速度，还是 3G 时代手机流量快速普及的时候。
所以我现在有一种很强烈的感觉：今天的Token用量，就像当年大家每个月只有100MB手机流量时的那个阶段。这就是时代变化的一个信号。在这样的背景下，我们的资源一定要被更好地优化、更好地整合，才能让每一个人——不只是 AI 行业里的人，而是整个社会中每一个鲜活的个体——都真正把 AI 能力用起来。
所以，作为基础设施领域的从业者，我对这个时代非常激动，也非常有感触。我认为这里面还有大量优化空间，但我们依然应该持续探索、持续尝试。谢谢。
罗福莉： 我自己会把OpenClaw看作Agent框架层面一个非常革命性、也非常颠覆性的事件。虽然我知道，我身边很多做深度Coding （编程）的人，第一选择可能仍然是 Claude Code，但我相信，只要真正用过OpenClaw，你就会很明确地感受到，这个框架在很多设计上其实是领先的。包括最近Claude Code的不少更新，在我看来，某种程度上也是在向OpenClaw靠近。
就我自己的使用体验来说，这个框架给我带来的，更多是一种“随时随地扩展想象力”的可能。最开始，我只能在桌面端延展自己的创意；但后来我发现，OpenClaw真正的价值在于，它让你可以在更多场景里持续推进自己的想法。
我觉得OpenClaw最核心的价值主要有两点。第一，它是开源的。开源非常有利于整个社区深入参与、持续改进，并且不断投入到这个框架之中。第二，像OpenClaw、Claude Code这样的框架，本身就是一个非常重要的前置条件。我认为，它们很大的价值在于，把国内那些还没有完全逼近闭源模型、但已经位于开源模型赛道前列的模型，上限显著拉高了。
在绝大多数场景里，我们会发现，它的任务完成度已经非常接近Claude最新的模型；同时，它又把下限保障得很好。因为它可以依靠一整套harness（集成架构） 系统、skills 体系，以及很多初步但有效的设计，来保证任务完成度和准确率。
所以，从基座模型的角度来看，我认为这类框架一方面保证了基座大模型的下限，另一方面又拉伸了它的上限。除此之外，我觉得它给整个社区带来的另一个重要价值，是点燃了大家对于Agent层的想象力。大家开始意识到，在大模型之外、也就是更重要的Agent这一层，其实还有非常大的空间可以做。
这也是为什么最近社区里，除了研究员之外，越来越多的人开始参与到这场AGI变革中。也有越来越多的人，开始借助更强的框架，比如harness、scaffold（脚手架）等，在一定程度上替代自己的工作、释放自己的时间，去做更有想象力的事情。
黄超： 我感觉，从交互模式上来看，OpenClaw这次之所以会爆火，首先是因为它给了大家一种更强的“活人感”。我们其实做这类事情也有一两年了，但之前像Cursor、Claude Code 这类 Agent，给人的感觉更多还是“工具感”。
而这一次，我们看到它通过IM （即时通讯）软件嵌入的交互方式，让大家更容易产生一种“这是一个个人 AI”的感觉，也更接近大家想象中的Jarvis （漫威漫画中钢铁侠（Tony Stark）的人工智能助手）那样的概念。我觉得，这是它在交互模式上带来的一个非常重要的变化。
另外，它带给大家的另一个启发，是它的架构本身。像Agent Loop（智能体循环）这样一种非常简单、但又非常高效的框架，再一次被证明是成立的。
同时，它也让我们重新思考：我们到底需要的是一个非常强大的智能体，替我们做很多事；还是需要一个更轻量级、像操作系统或脚手架一样的小管家？
我觉得它带来的是另一种可能：通过一个像OpenClaw这样的轻量级“龙虾操作系统”生态，把整个社区真正调动起来，撬动生态里的各种工具。随着skills、harness（集成架构） 这些组件越来越丰富，也会有越来越多的人开始设计更适用于OpenClaw这类系统的应用，并进一步赋能各行各业。
所以我觉得，它天然就和开源生态结合得非常紧密。这两点，是它给我带来的最大启发。
杨植麟： 顺着刚才大家一直在讨论OpenClaw，我也想接着问张鹏一个问题。我们看到最近智谱发布了新的GLM-5-Turbo 模型。我理解，这个模型在相关能力上也做了很大的增强。能不能请你给大家介绍一下，这个新模型和其他模型相比，有哪些不同之处？另外，我们也观察到，你们最近有一个提价策略。这个策略反映了怎样的市场信号？
张鹏： 前两天我们确实紧急更新了一版。当然，这其实是我们整个发展目标中的一个阶段，只是把它提前拿出来了。
这次更新最主要的目标，还是从原来“简单对话”的能力，进一步走向“真正干活”的能力。刚才各位提到的一点我非常赞同：OpenClaw让大家第一次明确感受到，大模型不再只是会聊天，而是真的能帮我做事。
但“干活”这件事背后，对模型能力的要求其实非常高。它需要自己进行长程任务规划，不断尝试、不断压缩上下文、不断 debug（调试），甚至还可能涉及多模态信息处理。
所以，这对模型本身的能力要求，和传统面向对话机器人的通用模型其实是不一样的。GLM-5-Turbo就是在这些方面做了针对性的强化。尤其像刚才提到的这种长程任务——比如让它连续工作72个小时，能够持续不断地自行 loop 执行——我们在这方面做了很多工作。
大家刚才也提到了Token消耗量的问题。让一个更聪明的模型去执行更复杂的任务，资源消耗其实是非常巨大的。普通用户未必能直观感受到这一点，但最终一定会体现在账单上。所以，我们也针对这方面做了一些优化，让模型在面对复杂任务时，能够以更高的效率完成执行。这是这次优化的几个重点方向。
但从本质上来说，它的模型架构仍然是一种多任务协同的通用模型架构，只是在能力侧做了更有针对性的增强。至于提价，这件事也比较容易解释。因为现在已经不是简单地问一个问题、模型给出一个回答了。它背后的思考和推理链路会变得很长，还会通过写代码的方式与底层基础设施交互，不断调试，并随时修正自己的错误。这意味着整体消耗量会非常大。完成一个任务所需要的Token量，可能是回答一个简单问题时的十倍，甚至百倍。因此，价格上相应做一些调整，本质上是成本变化的自然结果。模型更大了，能力更强了，对应的服务成本也提高了，所以我们希望把它逐步拉回到一个正常的商业价值区间。
因为长期依赖低价竞争，其实并不利于整个行业的发展。这也是我们的一个重要考量。我们希望通过这样的方式，在商业化路径上形成一个更健康的闭环，持续优化模型能力，并更长期、稳定地为大家提供更好的模型和相应的Token服务。
杨植麟： 非常好的分享。其实现在开源模型和推理算力正在逐渐形成一个新的生态。各种各样的开源模型，可以部署在不同的推理算力平台上，为用户提供更多价值。随着 Token量的爆发，整个行业也可能正在从训练时代逐步走向推理时代。所以我想请教一下立雪，从基础设施层面来看，这个推理时代对无问芯穹意味着什么？
夏立雪： 感谢植麟。确实，因为我们是一家诞生于 AI 时代的基础设施厂商，现在也在为Kimi、智谱等公司提供服务，也在和MiniMax等团队合作，帮助大家把我们这样的“Token 工厂”更高效地用起来。同时，我们也在和很多高校、科研院所合作。
所以，我们其实一直都在思考一件事：AGI 时代所需要的基础设施，到底应该是什么样子，以及我们应该怎样一步一步在这个过程中去实现它、推演它。对这件事，我们已经做了比较充分的准备，也看到了短期、中期和长期几个不同阶段需要解决的问题。
当前最现实、最紧迫的问题，其实就是刚才大家聊到的：像OpenClaw这类Agent产品带动了整个Token需求的暴增，而这种暴增对系统效率提出了更高要求。从某种意义上说，价格上涨也是在这种需求压力之下形成的一种应对方式。
我们一直以来都是从软硬件协同的角度去做布局和解决方案设计。包括我们接入了几乎所有能看到的主流计算芯片，把国内十几种芯片、几十个不同的算力集群统一连接起来。这样，我们就能够更好地解决AI系统中算力资源紧缺的问题。因为在资源不足的时候，最好的办法，第一是把所有可用资源都尽可能用起来；第二是让每一份算力都真正用在刀刃上，让每一份资源都发挥出最大的转化效率和价值。
所以，在当下这个阶段，我们要解决的核心问题，就是如何进一步打造一个更高效的Token工厂。围绕这一点，我们做了很多优化。比如，让模型与硬件、显存等各类资源实现最优适配；也在持续观察，最新的模型结构与硬件结构之间，是否还能形成更深层次的“化学反应”。
但如果只解决眼前的效率问题，其实还不够。我们现在做的，本质上还是一个标准化的Token工厂；可面向 Agent 时代，我们认为这远远不够。因为正如刚才大家所说，Agent更像是一个“人”，我们可以直接把任务交给它去完成。
而我一直非常坚定地认为，当前很多云计算时代的基础设施，本质上还是为程序和人类工程师设计的，而不是为AI设计的。它更像是：我们先做出一套基础设施，再提供一个给人类工程师使用的接口，然后再在外面包一层，接入Agent。这种方式，其实是在用人类操作系统的逻辑，限制Agent的发挥空间。
我举个例子。Agent可以在秒级甚至毫秒级完成思考并发起任务，但我们过去很多底层API和系统能力，其实并没有为这种调用频率做好准备。因为对人类来说，发起一个任务通常是分钟级别的，而不是毫秒级的。所以，我们需要新的能力来适配这种变化。我们把它理解为一种面向Agent的基础设施，也就是要打造一个更智能化的调度引擎。这正是我们现在在做的事情。
再往更长远的未来看，当真正的AGI时代到来时，我们甚至认为，连基础设施本身都应该是一个智能体。也就是说，我们正在打造的这套工厂，本身也应该具备自我进化、自我迭代的能力，能够形成一个自主运转的组织。可以把它理解为：这个系统内部甚至会有一个“CEO”，而这个CEO本身也是一个Agent。它会负责管理整个基础设施，并根据AI客户的需求，自主提出需求、迭代能力、优化系统。
只有这样，AI与基础设施之间才能形成更好的耦合。我们也在做一些相关探索，比如让Agent与Agent之间可以更高效地通信，实现cache-to-cache（缓存到缓存）这类能力。我们一直在思考，基础设施的发展不应该是一个割裂的过程，不应该只是“我接收一个需求，再去机械执行”，而应该不断产生更丰富的化学反应。
我认为，只有做到这一点，才真正实现了所谓的软硬协同，也真正实现了算法与基础设施的协同。
杨植麟： 接下来想问问福莉。小米最近发布了新的模型，也在持续推进开源和背后的相关技术，我觉得这对整个社区做出了很大的贡献。所以也想请你谈谈，你觉得小米在做大模型这件事上，有什么独特的优势？
罗福莉： 我想先把“小米做大模型有什么独特优势”这个问题放一放。我更想谈的，其实是中国大模型团队在做基座模型这件事上的整体优势，因为我觉得这个话题更有普遍价值。
大概从两年前开始，我就已经看到，中国的基座模型团队在这个方向上出现了非常重要的突破。这个突破在于：在有限算力，尤其是在NVLink互联带宽受限的情况下，我们如何突破这些硬件条件带来的限制，去做一些看起来像是在为效率妥协、但本质上却是模型结构创新的工作。比如DeepSeek V2、V3系列中的细粒度MoE（混合专家模型）和MLA（多头潜在注意力）等。后来我们看到，这类创新其实带来了一场真正的变化。
这个变化在于：当算力预算相对固定的时候，我们如何把同样一份算力所能达到的智能水平推到最高。我觉得DeepSeek的出现，给了国内所有基座模型团队很大的勇气和信心。虽然到了今天，我们自己的国产芯片，无论是推理芯片还是训练芯片，都已经在不断进步，但正是在此前那种受限环境下，反而逼出了我们对“更高训练效率、更低推理成本”的全新探索。
比如最近出现的hybrid sparse、linear attention等结构方向。包括DeepSeek的相关探索，Kimi的相关方案，以及小米面向下一代模型结构所做的一些研究。它们都指向同一个问题：当我们进入Agent时代之后，模型结构到底应该如何进一步演化。
我为什么认为结构创新如此重要？因为刚才我们一直在讨论OpenClaw。只要你真正用过OpenClaw，就会发现它往往是“越用越好用，越用越聪明”。而它成立的一个前提，就是推理阶段必须拥有足够长的context。Long context（长文本）其实已经是一个被讨论了很久的话题，但直到今天，大家才真正开始意识到：不是模型做不到百万级甚至千万级上下文，而是如果推理成本太高、速度太慢，这件事就没有现实价值。
所以，真正关键的问题是：你能不能在100万甚至1000万级context的情况下，把推理成本打下来，把速度提上去。只有在这种前提下，用户才会愿意把真正具有高生产力价值的任务交给模型，模型也才有机会在长上下文环境中完成更高复杂度的任务。甚至可以说，只有到了1000万级、上亿级上下文的阶段，我们才可能真正看到模型的自我迭代能力被释放出来。
所谓模型的自我迭代，就是它能够在一个复杂环境里，依靠超强的上下文能力，完成对自身的持续进化。这个进化既可能发生在框架层，也可能发生在模型参数层。因为在我看来，长上下文本身其实就是对参数能力的一种外延和增强。
所以，未来真正的竞争会是一个全方位的竞争：一方面，你能不能做出原生适配长上下文的模型架构；另一方面，你能不能在推理侧真正把 long-context efficiency 做出来。除此之外，还包括你能否在预训练阶段就把这类架构打牢，以及在后训练阶段，能不能把模型在真实长程任务上的稳定性和能力上限继续往上推。
我们现在也在思考，怎样构造更有效的学习算法；怎样采集在100万、1000万、甚至更长上下文里，真正具有长期依赖关系的文本；以及怎样结合复杂环境，生成高质量的轨迹数据。这些，都是我们正在持续推进的事情。
但我能看到的更长期趋势是：随着大模型本身在飞速进步，再叠加Agent框架的加持，推理需求一定会继续迅速增长。就像刚才立雪提到的，过去一段时间里，Token需求已经增长了接近十倍。那么今年，整个Token需求会不会增长到一百倍？这其实已经把竞争带到了另一个维度：不仅是模型之间的竞争，也是算力、推理芯片，甚至能源层面的竞争。
杨植麟： 对，非常有洞见的分享。下面想问一下黄超。你也开发了一些非常有影响力的Agent项目，包括像nanobrowser这样的项目，在社区里也积累了很多用户和粉丝。想请你谈谈，从技术或者应用层面来看，接下来有哪些值得重点关注的方向？
黄超： 感谢植麟。我觉得，如果把Agent技术抽象出来，核心大致有几个模块：planning、memory 和 tool use。
先说planning（计划）。我觉得现在最大的问题，仍然出现在长程任务和复杂上下文上。比如一个任务可能需要500步，甚至更多步骤，很多模型未必能够做好规划。我认为，本质上还是因为模型不具备足够的隐性知识。尤其是在很多复杂的垂直领域，这个问题会更加突出。未来一个很重要的方向，是把已有的复杂任务知识更系统地固化到模型中。
当然，从skills（能力）的角度来看，包括harness在内的很多机制，本质上也是在缓解planning过程中带来的错误。因为高质量的skill，其实就是在帮助模型完成一些本来较难的任务。这是planning这一部分。
再说memory（记忆）。我的感受是，memory始终会面临一些根本性问题，比如信息压缩不准确、表达失真等。随着长程任务和复杂场景越来越多，memory的需求也会迅速膨胀，这本身就会给整个系统带来很大压力。
但现在，包括各种“龙虾”在内，很多系统采用的memory方案其实都还比较简单，例如基于文件系统、Markdown文件，或者通过共享文件的方式来管理memory。我觉得未来的memory很可能会走向分层设计，同时也要想办法让它更加通用。因为说实话，当前的memory机制其实很难做到真正的通用。比如coding 场景、deep research 场景、多模态场景，它们的数据模态差异都非常大。如何针对这些不同类型的memory做更好的检索和索引，并进一步提高效率，我觉得这会一直是一个关键方向。
另外一点是，OpenClaw这类系统把创建Agent的门槛大幅降低之后，未来可能不会只有一个Agent。比如我们已经看到，Kimi也在尝试Agent Swarm这样的机制。也就是说，未来每个人可能拥有的不是一个“龙虾”，而是一群“龙虾”。
而一群Agent所带来的上下文规模，相比单个Agent会大得多。这也会进一步加大memory的压力。现在其实还没有一套特别成熟的机制，去管理这种多Agent带来的海量上下文。尤其是在复杂coding、科研发现这类任务中，不管是对模型本身，还是对整个Agent架构，压力都会很大。
最后是tool use。我觉得在这一块，现在整个skill生态仍然存在不少问题。MCP当年暴露出来的一些问题，其实在今天依然存在，比如质量缺乏保障，以及潜在的安全风险。现在虽然skill很多，但高质量的skill其实仍然偏少。低质量的skill会显著影响Agent完成任务的效果；与此同时，skill本身也可能存在恶意注入等问题。
所以在这一块，我觉得很大程度上还是需要依靠整个社区，一起把skill生态建设得更好。甚至进一步思考，怎样让系统在执行过程中演化出新的skill。总的来说，我觉得无论是planning、memory，还是skill，都是当前一线最现实的痛点，也都是未来非常重要的演进方向。
杨植麟： 可以看到，刚才两位嘉宾其实是从不同视角讨论了同一个问题。随着任务复杂度不断提升，上下文规模也会迅速膨胀。一方面，模型层面可以继续提升原生上下文长度；另一方面，在Agent和harness层面，像刚才提到的planning、memory以及各类辅助机制，也能够帮助模型在既有能力边界内支撑更复杂的任务。我觉得这两个方向接下来会进一步产生化学反应，从而提升系统完成复杂任务的能力。
最后，我们做一个开放式展望。想请各位用一个词，来描述接下来12个月大模型发展的趋势，以及你们的期待。
黄超：说实话，在AI领域，12个月听起来都已经很遥远了，甚至很难判断12个月之后会发展成什么样。但如果一定要用一个词来概括，我会选“生态”。
我觉得现在OpenClaw让整个社区非常活跃，这是一个很好的开始。但未来Agent真正重要的，不只是成为个人助手，而是要进一步转化为真正能一起工作的“打工人”，或者说coworker。现在很多人使用它，可能更多还是出于新鲜感，或者觉得好玩。但未来，只有当这些“龙虾”真正沉淀下来，成为大家稳定的生产工具、协作伙伴，这件事才算真正跑通。
而这件事离不开生态的共同建设。开源在这里面非常重要。因为只有把相关的技术探索、模型能力、工具能力持续开放出来，整个生态才可能共同推进。无论是模型本身的迭代，还是 skills 平台的演进，或者各种工具链的完善，我觉得都需要围绕 Agent 去建立一个更好的生态。
从我自己的观察来看，未来一个很明显的问题是：软件到底还是不是主要给人用的？我觉得未必。未来很多软件可能不再以人类为中心，因为人类需要GUI（图形用户界面），但很多系统可能会越来越偏向Agent-native，也就是原生面向Agent使用。
这样一来，人类可能只会保留那些真正让自己感到愉悦的交互，而大量真正执行性的工作，会逐渐转移给Agent。所以我觉得，现在整个生态其实已经在发生变化：从GUI、MCP（模型上下文协议），逐渐转向 CLI（命令行界面）这种模式。接下来，不管是软件系统、数据结构，还是各种技术栈，本质上都需要朝着 Agent-native 的方向重构。只有这样，整个 Agent 生态的发展才会更加丰富。
罗福莉： 我觉得，把这个问题收缩到一年的尺度非常有意义。因为如果把时间拉到五年，在我对AGI的理解里，很多事情几乎已经是必然会发生的了。所以，如果要用一个词来概括接下来一年里AGI进程中最关键的一件事，我会选“进化”。
虽然这个词听起来有一点抽象，但我最近对它有了更具体、也更务实的理解。过去一年，大家已经多次提到这件事，但直到最近，我才真正开始感受到，“自进化”这件事其实已经开始具备比较可行的实现路径。
其中一个很重要的原因在于，随着模型能力增强，我们逐渐意识到，在过去那种单纯对话式的范式下，预训练模型的上限其实并没有被真正发挥出来。而今天，这个上限正在被Agent框架逐步激活。
我们现在已经摸到这个边界了。尤其是当模型开始执行更长时间的任务时，我们会发现，它其实能够自己学习、自己进化。一个很简单的实验是：在现有框架上，叠加一个可验证的目标约束，再给它设置一个loop，让它持续围绕这个目标进行迭代优化。你就会发现，模型会不断拿出更优的方案。
如果这种自进化机制可以持续运转，那么它的潜力会非常大。现在其实很多国内模型已经能够稳定跑上一到两天了。当然，这和任务难度有关。比如在一些科研任务中，模型去探索更优的结构设计，因为这类任务存在明确的评估标准，例如更低的 PPL（Perplexity，困惑度），这就意味着它具备可验证性。在这种确定性较强的任务上，我们已经看到，模型能够自主优化并持续执行两三天。
所以从我的角度来看，自进化是一个真正可能创造新东西的方向。它不是简单地替代人类已有的生产力，而是像顶尖科学家一样，去探索世界上原本还不存在的东西。一年前，我还会觉得这个过程大概要三到五年；但到了最近，我反而觉得这个时间窗口应该缩短到一到两年。
也就是说，我们可能很快就能看到：在一个很强的自进化Agent框架加持下，大模型对科学研究带来至少指数级的加速。因为我最近已经很明显地观察到，我们组内做大模型研究的同学，他们的workflow本身就是高度不确定、又高度依赖创造力的。而在这种情况下，借助Claude Code，再结合非常顶尖的模型，研究效率基本上已经可以提升接近十倍。
所以我非常期待这种范式未来能够辐射到更广泛的学科和领域。我觉得，这会是一件非常重要的事情。
夏立雪： 我的关键词是“可持续”。因为我看到，整个行业的发展仍处在一个长期演进的过程中，我们也希望它具备长久的生命力。从基础设施角度看，一个非常现实的问题是，资源终究是有限的，就像我们过去谈“可持续发展”时反复强调的那样。
我们现在作为一家Token工厂，能否持续、稳定、大规模地向外提供可用的Token，让顶尖模型真正持续服务更多下游场景，这是我最关注的问题。因此，我们也需要把视角进一步放宽到整个生态：从最早的能源转化，到算力，再到Token，最终转化为GDP，形成一条可以持续进行经济化迭代的完整链路。
而且，我们不只是要把国内各种算力资源真正用起来，也在尝试把这些能力输出到海外，让全球资源能够更好地打通和整合。所以我所说的“可持续”，其实也包括把具有中国特色的Token经济学真正做起来。过去我们讲的是Made in China。大家会发现，我们能够把中国具备成本优势的制造能力，转化为优质商品并输出到全球。
今天我们想做的，有点像AI Made in China。也就是说，把中国在能源等方面的优势，通过Token工厂持续转化为高质量的Token，并输出到全球，最终成为全球的Token 工厂。这是我希望在今年看到的，中国为世界人工智能发展带来的价值。
张鹏： 我尽量简短一点。前面大家可能都在仰望星空，那我就稍微落地一些。我认为，未来 12 个月最关键的问题，可能还是算力。
因为刚才大家已经提到，不管是模型能力，还是智能体框架，确实都在显著提升创造力和生产效率，很多场景下甚至可以带来十倍级的效率提升。但前提是，大家得用得起，也用得上。不能因为算力不够，用户提了一个问题，结果模型想了半天还给不出答案，这显然是不行的。
也正因为如此，我们很多研究进展，包括很多原本想做的事情，事实上都会受到制约。前两年业界有一句话，叫“讲卡伤感情，没卡没感情”。我觉得，今天某种程度上又回到了这个阶段，只不过这一次的背景已经不一样了。
因为我们现在正在真正转向推理阶段，而之所以会转向推理阶段，是因为需求正在爆发，而且是十倍、百倍地爆发。刚才也提到，过去一段时间需求可能已经增长了十倍，但真实需求也许是一百倍，那还有大量需求没有被满足。这个问题怎么办？我想，这可能需要我们一起想办法。谢谢。
相关攻略
中国人工智能基础模型行业正步入商业化加速阶段。摩根大通认为，随着模型质量持续改善并开始转化为更快的需求增长，大模型能力将决定定价权，较强与较弱公司之间的差距将日益扩大。据追风交易台，3月27日摩根大
今年3月，AI圈最热闹的话题莫过于“Token”与“龙虾”。这不是代币与餐桌上的海鲜，而是AI时代的计价单位，以及一批以Open Claw为代表的AI操作系统，它们像当年的Windows一样，试图成
AI正在走向“为了采取正确行动而思考”。编译整理｜莘歆来源 | 盒饭财经（ID：daxiongfan）头图及封面来源 | 网络及即梦制作在X（推特）上宣布离职后的22天，林俊旸发了一篇长文。3月2
文｜任倩具身数据层的全球竞赛正在迅速升温。NVIDIA Research在2026年发布EgoScale数据与训练框架，在Ego-centric人类操作视频上训练VLA模型，用 20,854小时带动
编辑 | 王凤枝谷歌新算法引发股价大跌之后，存储行业给出了明确的回应：反应过度了。事情的起因，是谷歌研究院刚刚发布了一项名为TurboQuant的新技术。这项技术的亮相，确实让原本火热的内存芯片市场
热门专题
热门推荐
学习通网页版入口为https: www chaoxing com，平台提供分类课程导航、分段视频播放、在线文档预览、交互式习题、多端同步、扫码登录、离线缓存、讨论区管理、直播互动
在制作ppt时，巧妙运用取色器可以让页面色彩搭配更加协调、美观，提升整体视觉效果。那么，ppt该如何使用取色器来吸取屏幕颜色呢？一、常见ppt软件中的取色器位置不同的ppt软件，取
《我的咸鱼卡组》绯塔进阶队：英雄选用冥王之眼潘多拉，核心士兵搭配哪吒、仙灵女巫，辅以旅行青蛙和萨满大祭司。阵容成型快，攻防兼备，兼顾PVE推图与PVP竞技，属万金油配队。英雄与士兵
IT之家 3 月 27 日消息，OPPO 最新今天在微博公布了 Enco Clip 2 耳机的外观，4 月正式登场。从渲染图片可以看到，这款耳机拥有高光金、深空灰两种配色可选，采用耳夹式设计，高光金
IT之家 3 月 27 日消息，OPPO K15 Pro 系列手机已官宣将于 4 月 1 日发布。IT之家注意到，OPPO K15 Pro 手机已现身 OPPO 正式，公布了部分配色、设计、版本等信