北京
出品｜搜狐科技
作者｜常博碩
編輯｜楊 錦
今天，在中關村論壇人工智能主題日的AI開源前沿論壇上，最受關注的莫過于“OpenClaw與AI開源”的圓桌討論。
這場“龍蝦盛宴”，匯聚了當前中國大模型領域的頂尖大腦：月之暗面創始人楊植麟、智譜華章CEO張鵬、無問芯穹聯合創始人兼CEO夏立雪、小米MiMo大模型負責人羅福莉以及香港大學助理教授、Nanobot團隊負責人黃超。
五位嘉賓分別代表了模型層、底層算力、終端應用以及前沿學術研究的頂級水平。
隨著OpenClaw的爆火，“小龍蝦”成了新的熱詞，人們對人工智能的期待也開始從“能聊天”轉向“能干活”。本次圓桌的五位行業大佬不僅對OpenClaw進行了技術路徑的拆解，也對未來一年甚至更長周期內，中國AI如何在全球開源浪潮中定位、如何解決算力瓶頸、如何實現模型自進化等做了深度交流。
智能體千千萬，為何龍蝦如此火？
圓桌論壇伊始，主持人楊植麟便拋出了一個直擊當下熱點的問題：如何看待OpenClaw及其相關Agent的演進？
作為大模型領軍人物，張鵬首先分享了他對OpenClaw的獨特理解。在他看來，OpenClaw最重大的意義在于打破了極客與普通人之間的技術壁壘，他將其生動地比喻為一種“腳手架”。
在他看來，龍蝦提供的是一種可能性，在模型的基礎之上搭起一個很牢固、很方便、但又很靈活的腳手架。
“原來自己的一些想法受限于不會寫代碼，或者不會其他技能，今天可以通過很簡單的交流就能完成。”
這種從對話機器人到生產力工具的轉變，讓張鵬重新認識到了模型能力的邊界，AI不再僅僅是信息的搬運工，而是想法的實現者。
夏立雪則從基礎設施的角度切入。他坦言，自己最初使用OpenClaw時曾因其響應速度而感到不適，但隨后他意識到，這種“慢”源于其底層任務邏輯的根本改變。
他認為，OpenClaw是一個能夠承接大型、復雜任務的Agent，將AI的想象力空間從單純的文字聊天提升到了任務執行的新高度。
與此同時，夏立雪敏銳地觀察到，這種演進對系統能力提出了近乎苛刻的要求。
“我們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。”他解釋道：“就拿我們公司來說，從1月底開始，基本每兩周我們的Token量就翻一番，到現在基本上翻了十倍。”
這種爆發速度讓他聯想到了3G時代手機流量的激增。但作為基礎設施廠商，夏立雪無疑是激動的。
“這種情況下，所有的資源需要進行更好地優化和整合，讓每一個人，不僅僅是AI領域的人，而是整個社會上每一個鮮活的人，都能夠把OpenClaw，把這樣的AI能力給用起來。”
羅福莉則將OpenClaw定位于Agent框架的革命性事件，將其與ClaudeCode進行深度對比。她直言：“我相信只有用過OpenClaw的人，才會獨特地感受到這個框架其實有很多在Agent框架上的設計是領先于ClaudeCode的，包括最近ClaudeCode有很多更新，其實都是在向OpenClaw靠近。”
她認為，OpenClaw的領先之處首先在于其開源屬性，這是點燃社區參與熱情的前置條件。同時，羅福莉深刻地指出，OpenClaw的核心價值在于“保底”與“拔高”。它通過Harness系統和Skills體系保證了任務完成度的下限，同時又將次閉源模型的上限拉升到了接近閉源頂尖模型的水平。更重要的是，它讓研究員之外的更多大眾參與到AGI變革中，利用Scaffold等機制釋放人類時間，去從事更有想象力的創造。
從交互體驗層面，黃超給出了一個極具人情味的詞匯——“活人感”。
他認為，OpenClaw之所以能從Cursor、ClaudeCode等一眾Agent中脫穎而出，是因為它以IM軟件嵌入的方式打破了冷冰冰的“工具感”，更接近人們心中“賈維斯”式的個人助理形象。
黃超進一步闡述道，OpenClaw證明了AgentLoop這種簡單高效框架的生命力，它讓業界開始思考：我們需要的或許不是一個全能的超級AI，而是一個輕量級的、像操作系統腳手架一樣的小管家。
Token大爆發、模型大漲價，AI的盡頭是什么？
在探討完共性問題后，楊植麟將話題引向了針對各位嘉賓核心領域的深度追問，試圖從模型架構、算力基座、后訓練范式以及AI的未來進行深入剖析。
針對智譜最近發布的GLM-5-Turbo模型及模型漲價的問題，張鵬現場做出了回應。張鵬直言，由于干活邏輯下的Token消耗量是簡單對話的十倍甚至百倍，模型推理成本也隨之提高，長期低價競爭不利于行業良性閉環。
他表示，只有建立健康的商業模式，才能持續優化模型能力并提供優質的Token服務。
隨著OpenClaw帶動整個行業Token量暴增，對系統效率提出了更大的優化需求。
夏立雪詳細描繪了無問芯穹正在打造的“Token工廠”：“我們接入了幾乎所有種類的計算芯片，把國內十幾種芯片和幾十個不同的算力集群統一連接起來，解決AI系統中算力資源緊缺的問題。”
“在這個時代，當前我們要解決的就是怎么進一步打造一個更高效的Token工廠。這里我們做了很多優化，包括讓模型和硬件上的各種顯存、各種基礎進行最優適配，也在看會不會在最新的模型結構和硬件結構下進行更深度的化學反應。”
夏立雪進一步表示，現有的云計算基礎設施是為“分鐘級”響應的人類工程師設計的，而Agent需要的是毫秒級的任務發起。
在他的愿景中，真正的AGI時代，基礎設施本身就應該是一個智能體，由一個“CEO Agent”來管理算力集群，通過Cache-to-Cache實現Agent之間的高效通信。這種“AI管理AI”，才是未來基礎設施進化的終極形態。
羅福莉則分享了在算力受限背景下，中國模型團隊如何通過結構創新實現“反向突破”。她提到，DeepSeek等團隊在有限帶寬下通過MoE和MLA等結構創新，為行業注入了極大的信心。
羅福莉認為，結構創新的核心在于實現“高效長上下文”。她指出，長上下文本質上是參數的一種進化，只有在1M、10M甚至100M的上下文中實現極低的推理成本和極快的速度，模型才能在復雜環境中實現“自進化”。
黃超則對智能體的技術痛點進行了精細拆解，涵蓋了規劃、記憶和工具使用三個模塊。他指出，當前模型在500步以上的長程任務中表現不佳，本質是缺乏垂直領域的隱性知識。
“在記憶層面，記憶模塊一直存在一些痛點，比如信息壓縮不準確、檢索不精準等，而當模型處理長程任務、復雜場景時，對記憶的需求會急劇增加，這也給記憶模塊帶來了巨大壓力。”
“說實話，當下的記憶機制很難實現通用化，比如編碼、深度研究、多媒體等不同領域，數據模態的差異很大，如何為這些不同模態的內容打造高效的記憶檢索引擎，一直是一個權衡取舍的過程，這也是記憶模塊長期需要解決的問題。”
在黃超看來，早期的MCP所存在的問題，現在的Skills體系依然存在，雖然看似有很多技能Skill，但高質量的Skill其實很少，低質量的Skill會嚴重影響智能體的任務完成度。所以需要整個社區共同努力，去完善Skills體系，甚至探索如何讓技能模板在執行過程中進化出一些新的Skills。
中國能成為世界Token工廠嗎？
在論壇的最后，五位嘉賓對未來12個月的AI趨勢做了自己的展望。
黃超認為，未來最重要的將是生態。Agent轉變為 “打工人”，離不開整個生態的貢獻。
對于未來，他提出了自己的觀點：“未來大部分的軟件都不一定是面向人類的。未來的軟件系統將不再是為了取悅人類感官的GUI而存在，而是全面轉向Agent Native（智能體原生）。”
在這種范式下，人類或許只保留享受快樂的界面，而繁重的業務邏輯將通過CLI（命令行接口）由智能體在后臺高效完成。
對羅福莉而言，接下來一年AGI歷程中最關鍵的一個事是“自進化”。“ 自進化唯一可以創造新的東西的地方，它不是去替代我們現有的人的生產力，像頂尖的科學家一樣去探索這個世界上沒有的東西。”
她敏銳地洞察到，過去Chat范式的交互其實極大地限制了預訓練模型的智能上限，而Agent框架正是激活這一上限的方式。通過在框架中疊加可驗證的條件限制并設定Loop，模型能夠表現出驚人的自我迭代能力。
“借助Claude Code或其他非常頂尖的模型，基本上能夠加速我們研究效率近十倍。我覺得自進化是非常重要的。”
夏立雪則從基礎設施的角度提出了“可持續Token”的概念。他認為，AI的發展不應是資源的竭澤而漁，而應形成從能源到算力，再轉化到Token，最終映射到GDP的閉環鏈路。
他希望未來中國可以利用能源與制造業優勢，通過高效的“Token工廠”向全球輸出高質量、可持續的Token服務，讓中國真正成為世界級的AI能源中樞。
最后，張鵬直言不諱地指出，無論智能體框架如何賦能創造力，如果算力供給跟不上爆發式增長的Token需求，所有的愿景都將是空中樓閣。
“前兩年我記得有句老話叫‘沒卡沒感情，談卡傷感情’，我覺得今天又到了這個地步了，但情況又不一樣：我們到了推理階段，轉向推理階段是因為需求真的在爆發, 還有大量的需求沒有滿足。”
運營編輯 |曹倩審核｜孟莎莎
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
