作者| 范亮

編輯|張帆

封面來源|視覺中國

2025年11月，OpenClaw首次在GitHub上公開發布。至2026年春節前夕，該項目已在各大媒體中嶄露頭角，引發了行業的廣泛關注。春節過后，OpenClaw迅速破圈，“裝龍蝦”“養龍蝦”迅速演變為全民熱議的話題。

相較于傳統認知中依賴既定提示詞和框架進行“機械運作”的AI Agent，OpenClaw展現出更高的自主性與靈活性，為大模型賦予了操作軟件系統的“手腳”，能夠自主完成網頁抓取、數據追蹤及文件處理等復雜任務。

這一盛況與2025年初DeepSeek引發的熱潮頗為相似。在產品實現現象級普及后，產業界與資本市場迅速響應：一方面，MiniMax、智譜等科技企業紛紛宣告接入OpenClaw，掀起了一場“百蝦大戰”；另一方面，二級市場中的優刻得、云賽智聯等相關概念股也迎來了顯著的上漲。

那么，這股“龍蝦熱潮”究竟具備多強的持續性？在產業鏈中，又有哪些企業將脫穎而出成為真正的贏家？

需要哪些硬件？

目前OpenClaw一個較受歡迎的部署方案為Macmini本地部署，這實際上已經指明了OpenClaw發酵后利好的硬件方向。

簡單來看OpenClaw的工作流，用戶通過飛書等窗口發出需求指令，大模型分析用戶指令并規劃工作方案，最后OpenClaw在本地執行各類腳本，完成各類操作，并將操作結果存儲在本地。

大模型的解析與規劃環節主要依賴云端調用模型廠商的API來完成，這直接消耗了模型廠商的算力資源。而本地腳本的執行則占用Macmini等終端設備的CPU與內存資源。特別是當用戶利用OpenClaw進行大批量文件處理或復雜任務時，對內存的性能需求將迅速增長。此外，若用戶需長期保留執行結果，還將產生數據存儲需求。

綜合來看，OpenClaw生態所依賴的核心硬件矩陣主要涵蓋三大類別：云端GPU、本地CPU、內存和存儲。即便用戶采用MiniMax、智譜等企業提供的云端OpenClaw部署方案，其核心硬件邏輯依然適用。因為云端OpenClaw同樣運行于服務商的專屬服務器中，在執行網頁抓取、數據追蹤及文件處理等操作時，不可避免地需要消耗大量的云端CPU和內存等資源。

倘若OpenClaw能夠實現大規模的商業化普及，無疑將為算力、CPU及存儲產業開辟出增量市場。原因在于，出于各類條件約束，用戶難以將其布置在工作或學習的主力電腦，轉而尋求選擇云端或本地其他硬件的“第三空間”。

這一方面是出于安全性考慮。OpenClaw具有讀寫本地文件和執行代碼的極高權限。出于數據安全和隱私保護的考量，物理隔離（使用另一臺電腦）成為最安心的解決方案。

另一方面是避免搶占主力資源。OpenClaw的定位是“自動輔助工作”。如果其在執行過程中占用了大量的CPU和內存，導致用戶正常使用電腦時出現嚴重卡頓，就會本末倒置。

因此，穩妥的選擇是，要么選擇采用其他廠商云端部署的方案（損失一定便利性）；要么購買專門的主機或采用舊電腦。

整體來看，這一趨勢將會產生算力、CPU、存儲的增量需求。

利好哪些公司？

聚焦于本地部署場景，新增的硬件采購需求主要集中在電腦主機（以Macmini為代表）、NAS（網絡附屬存儲設備）以及VPS（虛擬專用服務器）三大領域。需要指出的是，VPS雖在形態上表現為虛擬機，但在商業本質上依然相當于購買了底層的硬件資源。

電腦主機方向，目前國內主流電腦消費品牌如聯想、同方電腦(現屬于軟通動力)、雷神科技均具備電腦主機產品。此外，面向B端的企業如智微智能也擁有電腦主機產品。

NAS方向，雖然相關產品在國內仍屬于小眾，但國內擁有相關產品的上市公司已包括綠聯科技、海康威視、聯想集團，其中綠聯科技為國內消費級NAS龍頭。

VPS方面，國內云廠商均可提供類似服務，獨立云廠商如優刻得、青云科技、金山云均是受益者。

在終端硬件的基礎之上，中游產業鏈的整機代工及組裝廠商同樣迎來了發展紅利。其中華勤技術、龍旗科技、聞泰科技、工業富聯等老牌消費電子ODM廠商均具備相關能力，此外浪潮信息、中科曙光、紫光股份等云廠商的設備供應商也可從中受益。

進一步向產業鏈上層溯源，GPU、CPU、存儲芯片等核心零部件的“賣鏟人”角色無疑是最后的贏家。從CPU角度看，國內的主要參與者包括海光信息與龍芯中科兩大上市巨頭。

除了上述對硬件產業鏈的全面利好外，本輪行情與上一輪DeepSeek引發的接入潮類似。眾多軟件企業紛紛宣布接入OpenClaw，當市場情緒處于高位時，這些軟件企業同步也具備了短期上漲的潛力。

長需求還是短泡沫？

OpenClaw所引發的現象級狂熱，最終能否轉化為實質性的長期利好，關鍵在于“搶裝潮”之后使用的可持續性。

當前一個關鍵的阻礙在于使用成本。即便不考慮額外的硬件購買支出，用戶接入大模型API后所消耗的Token費用也是一筆不小的開支。

根據APIYI統計，用戶每一輪簡單問答消耗token數約在1萬量級，進行30輪代碼聊天消耗token數約180萬，上傳文檔后聊天消耗token數約60萬。此外，由于OpenClaw在每輪對話中把最近的6條消息記錄全部拉取并發送給大模型，token消耗（特別是token輸入）也會滾雪球般上升，盡管各大模型多會提供上下文緩存服務，但并非可以百分百觸發。

以MiniMax-M2.5模型的計費價格為例：每百萬Token輸入價格為2.1元，輸出價格為8.4元。僅考慮輸入價格的影響，當多輪對話后Token消耗滾動至數百萬規模時，新一輪對話消耗的Token費用可能會高達數元甚至十余元人民幣。

在高頻使用場景下，用戶每月的API支出可達數百元至數千元不等，年度支出則會達到數千元至數萬元不等。

作一個跨領域的對比，根據《數字消費發展報告（2025）》，2.72億“Z世代”網民是數字內容消費的主力群體，且生成式人工智能使用率超70%。2025年上半年，我國數字內容（包括游戲、視音頻支出）消費總額約4200億元，年化數字8400億元。將這筆支出全部歸集到2.72億“Z世代”網民，人均年支出約3000元人民幣。

因此，對OpenClaw這類尚在探索中的效率工具而言，其能否在消費金額上打敗傳統的“愛好支出”，仍是一個有待冷靜思考的問題。但這一挑戰也為大模型產業的發展提供了另一個指引方向：如果Token價格（而非模型性能）成為阻礙OpenClaw擴張的核心因素，那么未來“降本”可能會成為大模型商業化應用的關鍵推動力。

*免責聲明：

本文內容僅代表作者看法。

市場有風險，投資需謹慎。在任何情況下，本文中的信息或所表述的意見均不構成對任何人的投資建議。在決定投資前，如有需要，投資者務必向專業人士咨詢并謹慎決策。我們無意為交易各方提供承銷服務或任何需持有特定資質或牌照方可從事的服務。