未來是“駕馭工程”的天下。

責(zé)編 | 王啟隆

出品丨AI 科技大本營(yíng)（ID：rgznai100）

在 GTC 2026 上，黃仁勛請(qǐng)來了一組很少會(huì)同時(shí)出現(xiàn)在一張桌子上的嘉賓：LangChain 的 Harrison Chase、Cursor 的 Michael Truell、Reflection AI 的 Misha Laskin、Perplexity 的 Aravind Srinivas、Thinking Machines Lab 的 Mira Murati，以及 Mistral 的 Arthur Mensch、OpenEvidence 的 Daniel Nadler、AI2 的 Hanna Hajishirzi、Black Forest Labs 的 Robin Rombach、AMP 的 Anjney Midha。

這場(chǎng)圓桌的題目聚焦于Open Models（開放模型）。但整整 80 分鐘聽下來，他們討論的遠(yuǎn)不只是“開源模型和閉源模型誰(shuí)更強(qiáng)”。

黃仁勛上來先給這場(chǎng)討論定了調(diào)。他說，外界花了很多時(shí)間討論最前沿的閉源模型和閉源實(shí)驗(yàn)室，它們當(dāng)然非常重要，“在很多方面，它們奠定了整個(gè)行業(yè)的基礎(chǔ)”。但在這之外，AI 還有更豐富的多樣性：模型應(yīng)該如何被創(chuàng)造、如何被整合進(jìn)應(yīng)用、如何在不同行業(yè)里落地，答案都不只一種。

他給出了一個(gè)很醒目的判斷：從總體規(guī)模看，open models 聚合起來已經(jīng)是世界上第二大的模型群；而在不同的行業(yè)和應(yīng)用里，它們很可能最終會(huì)成為世界上最大的模型群。

在黃仁勛看來，未來不是 A 或 B，不是一個(gè)模型打敗另一個(gè)模型，而是“系統(tǒng)模型的組合”。這也是整場(chǎng)圓桌最穩(wěn)定、最清晰的一條主線。

這場(chǎng)對(duì)話雖然打著 “Open Models” 的標(biāo)題，但嘉賓們幾乎很快就把話題推到了更深一層：模型已經(jīng)不再是唯一主角，真正成形的是由模型、工具、連接器、agent、控制平面和企業(yè)治理構(gòu)成的新系統(tǒng)。也正是在這個(gè)意義上，這場(chǎng)圓桌比起一場(chǎng)“開源模型討論”，更像一次對(duì)下一階段 AI 產(chǎn)業(yè)結(jié)構(gòu)的集體定義。

1. 黃仁勛怎么給這場(chǎng)圓桌“定題”？

黃仁勛的開場(chǎng)并不長(zhǎng)，但信息量很大。

他先把熟悉的敘事放在前面：OpenAI、Anthropic、Gemini、xAI 這些前沿實(shí)驗(yàn)室當(dāng)然重要，閉源 frontier model 當(dāng)然重要，甚至可以說它們構(gòu)成了整個(gè)產(chǎn)業(yè)的第一推動(dòng)力。接著他馬上把問題往外推了一步：如果把 AI 只理解成少數(shù)幾家實(shí)驗(yàn)室制造的最強(qiáng)模型，那對(duì)整個(gè)產(chǎn)業(yè)的理解就太窄了。

他說，models are a technology, just as transistors are a technology, not a product。模型是一種技術(shù)，就像晶體管是一種技術(shù)，而不是最終產(chǎn)品；Open Model 是技術(shù)，ChatGPT 才是產(chǎn)品。這句話其實(shí)給整場(chǎng)圓桌劃出了一條邊界：嘉賓們討論的不是聊天機(jī)器人市場(chǎng)，而是“模型作為技術(shù)底座”之后，產(chǎn)業(yè)究竟會(huì)怎么長(zhǎng)出來。

今天的世界當(dāng)然需要專賣的 AI 產(chǎn)品，也需要把模型直接作為產(chǎn)品售賣的公司；但與此同時(shí)，整個(gè)產(chǎn)業(yè)也需要一個(gè)更大的生態(tài)，讓不同行業(yè)、不同公司把模型當(dāng)作技術(shù)素材，進(jìn)一步加工成自己的產(chǎn)品、系統(tǒng)和服務(wù)。

因此，當(dāng)黃仁勛拋出第一個(gè)問題——“人們對(duì)于 OpenAI 這類大模型公司和生態(tài)中其他公司，到底有哪些誤解”——這其實(shí)已經(jīng)不是一個(gè)簡(jiǎn)單的開源 vs 閉源問題，而是在追問：除了“最強(qiáng)模型公司”和“應(yīng)用公司”這兩種熟悉角色之外，AI 軟件棧里還會(huì)出現(xiàn)什么新的角色？

2. 模型不再是全部，真正成形的是“系統(tǒng)”

如果只摘出這一場(chǎng)圓桌里最反復(fù)出現(xiàn)的一個(gè)判斷，那就是：AI 不再只是模型，AI 正在變成系統(tǒng)。

Cursor 聯(lián)合創(chuàng)始人兼 CEO Michael Truell 說，過去大家總以為 AI 軟件層只有兩類公司：一類是做超大通用基礎(chǔ)模型、通過 API 對(duì)外提供能力的公司；另一類是基于這些模型做應(yīng)用產(chǎn)品的公司。

但在他看來，現(xiàn)在正在出現(xiàn)并迅速壯大的，其實(shí)是第三類公司：它們一方面使用市場(chǎng)上最好的模型 API，另一方面也在模型和 agent 層面做大量自己的工作。

Michael Truell 的意思很明確：未來的軟件棧不會(huì)只是“底層模型 + 上層應(yīng)用”這么簡(jiǎn)單。隨著 agent 變得越來越復(fù)雜，能不能把不同模型、不同工具、不同執(zhí)行流程組織起來，本身就會(huì)成為一類新的核心能力。

他提到，AI 最開始只是“調(diào)用一個(gè)模型”，后來開始加入工具調(diào)用，接下來的一兩年里，會(huì)出現(xiàn)真正意義上的新型 agent——它們會(huì)像同事一樣承擔(dān)需要數(shù)小時(shí)甚至數(shù)天的復(fù)雜任務(wù)。到了這種復(fù)雜度，單一模型未必是最優(yōu)解，不同模型有不同長(zhǎng)處，于是系統(tǒng)會(huì)把一個(gè)復(fù)雜任務(wù)拆分給不同模型處理。

他說，未來會(huì)出現(xiàn)大量復(fù)合型 agent，它們未必依賴某一個(gè)最強(qiáng)模型，而是通過編排，讓整個(gè)系統(tǒng)“比任何單一模型都更聰明”。

Perplexity CEO Aravind Srinivas 說得更直接：AI 不是模型，AI 是系統(tǒng)，是計(jì)算機(jī)。

他拿自家的 Perplexity Computer 舉例，說他們想做的就是把 coding、寫作、多模態(tài)生成等一切 AI 能做的事情組織成一個(gè)編排系統(tǒng)，把各種工具、模型、文件系統(tǒng)連接器、多云資源接到一起，讓用戶只需要把任務(wù)交出去，不需要再自己操心“哪個(gè)模型擅長(zhǎng)什么”。

Aravind 用了一個(gè)很形象的比喻：sub-agents 像樂手，模型只是樂器，AI 真正替你完成的工作，才是那場(chǎng)交響樂。

在他的描述里，open 和 closed 也不是非此即彼的對(duì)立。開放模型往往在 token 效率和成本效率上表現(xiàn)更好，閉源模型則可能更擅長(zhǎng)編排、推理和工具調(diào)用。最終模型會(huì)越來越像工具本身，就像文件系統(tǒng)、連接器一樣，是整套系統(tǒng)里的一個(gè)部件。

這也是這場(chǎng)圓桌里一個(gè)非常有代表性的轉(zhuǎn)變：沒有人真的把 open 和 closed 簡(jiǎn)化成道德立場(chǎng)或路線之爭(zhēng)。相反，越靠近實(shí)際產(chǎn)品和 agent 運(yùn)行層的嘉賓，說得越具體：開放模型有開放模型的價(jià)值，閉源模型有閉源模型的價(jià)值，真正的系統(tǒng)往往會(huì)把兩者都吸收進(jìn)去。

LangChain CEO Harrison Chase 則把這套思路概括成一個(gè)新詞：harness engineering（駕馭工程）。

這幾天筆者在各個(gè)地方看下來，我感覺這個(gè)詞將會(huì)是接下來一段時(shí)間的熱詞。

所謂 harness engineering，基本上就是模型周圍的一切：它怎么連接工具，何時(shí)調(diào)用什么 prompt，用什么 sub-agent，給不同 sub-agent 配什么模型。哪怕是閉源實(shí)驗(yàn)室，也在做同樣的事情。以 Claude Code 為例，大家當(dāng)然會(huì)夸模型本身很強(qiáng)，但真正讓它變得好用的，還有圍繞模型構(gòu)建出來的那層 harness。

Harisson 他們和開發(fā)者打交道時(shí)，越來越多討論的不是“該用哪個(gè)模型”，而是“怎樣為特定環(huán)境搭一個(gè)剛剛好的 harness”。

這其實(shí)也回應(yīng)了過去一年 AI 領(lǐng)域非常常見的一句輕蔑判斷——“某某產(chǎn)品不過是個(gè) wrapper”。在這場(chǎng)圓桌里，幾乎沒有人再把 wrapper 看成一個(gè)低價(jià)值的詞。相反，大家越來越承認(rèn)，真正把模型變成生產(chǎn)力的，往往正是這些被過去低估的部分：上下文管理、工具接入、路由、記憶、工作流、權(quán)限和執(zhí)行策略。

Reflection AI CEO Misha Laskin 也補(bǔ)了一層。他說，關(guān)于模型公司有兩個(gè)很常見的誤解。

第一個(gè)誤解是，以為模型公司只是“做了一個(gè)模型”。實(shí)際上，當(dāng)你買一個(gè)商業(yè)模型時(shí)，你買到的是從芯片、編排、軟件、推理到產(chǎn)品的整套棧。開放的價(jià)值就在于，其他人也可以沿著整個(gè)鏈路，從頭到尾去重新優(yōu)化這套系統(tǒng)。

第二個(gè)誤解是，以為開放模型天然落后于 frontier。Misha Laskin 認(rèn)為，這只是當(dāng)前階段的現(xiàn)象，不是根本規(guī)律。在他看來，open 和 closed 在本質(zhì)上沒有不可逾越的分界；模型是“知識(shí)基礎(chǔ)設(shè)施”，而“基礎(chǔ)知識(shí)設(shè)施天然趨向開放”。

Thinking Machines Lab 創(chuàng)始人 Mira Murati ，也是我們熟悉的那位曾經(jīng)的 OpenAI 前 CTO，她則把“開放”放進(jìn)更大的創(chuàng)新過程里來看。

她說，現(xiàn)在進(jìn)步非常快，一切都處在指數(shù)級(jí)曲線上，而且節(jié)奏高度壓縮。要學(xué)習(xí)的東西太多，不可能都由少數(shù)大型實(shí)驗(yàn)室獨(dú)自完成。大量聰明人缺的不是能力，而是獲取知識(shí)和工具的機(jī)會(huì)，因此 openness 在這里會(huì)變得非常重要——不僅是模型本身，還有基礎(chǔ)設(shè)施、數(shù)據(jù)和研究洞見。

她特別提到，很多人會(huì)把開放看成一種零和選擇，仿佛越開放，就越不利于商業(yè)化。但她并不同意。她舉了自家團(tuán)隊(duì)的一個(gè)早期決定：開放后訓(xùn)練的 API，讓更多研究者可以在 open models 之上繼續(xù)做后訓(xùn)練。

從這幾位的回答看，所謂 open models 的意義，已經(jīng)明顯不只是“有沒有開放權(quán)重”這么單一的問題，而是：誰(shuí)能參與后訓(xùn)練，誰(shuí)能參與架構(gòu)演化，誰(shuí)能把模型帶進(jìn)自己的系統(tǒng)，誰(shuí)能在自己的 domain 里重新定義它。

3. 從生成式到推理再到 agent，拐點(diǎn)為什么會(huì)在這兩年出現(xiàn)？

黃仁勛把過去一段時(shí)間的 AI 演進(jìn)總結(jié)成三個(gè)階段：Generative AI、Reasoning、Agentic systems。

他還拋出了一個(gè)很值得注意的判斷：過去大家總把注意力集中在預(yù)訓(xùn)練上，討論“記憶”“泛化”“基礎(chǔ)知識(shí)”這些能力。但在他看來，未來算力的主要消耗，很可能不會(huì)繼續(xù)集中在預(yù)訓(xùn)練，而會(huì)更多轉(zhuǎn)向后訓(xùn)練。因?yàn)榛A(chǔ)知識(shí)只是起點(diǎn)，真正讓模型獲得技能、變成可以落地的系統(tǒng)，后訓(xùn)練會(huì)越來越關(guān)鍵。

這個(gè)判斷，也正好對(duì)應(yīng)了現(xiàn)場(chǎng)幾位嘉賓的共同感受：過去一年最明顯的變化，不是模型多知道了一些事實(shí)，而是它們開始真的“會(huì)做事”了。

在這個(gè)問題上，幾位嘉賓各自給出了不同的拐點(diǎn)判斷。

Misha Laskin 把時(shí)間線拉得更早。他說，真正讓自己從理論物理轉(zhuǎn)到 AI 的，不是語(yǔ)言模型，而是 AlphaGo。那是他第一次看到一個(gè)大規(guī)模的“超智能 agent”。在他眼里，AlphaGo 最重要的一點(diǎn)是：它不會(huì)停止學(xué)習(xí)，問題更多只是一個(gè)經(jīng)濟(jì)學(xué)問題——你愿意投入多少算力，讓它再變強(qiáng) 10 倍。現(xiàn)在 RL 已經(jīng)開始在語(yǔ)言模型上奏效，在他看來，未來解決基礎(chǔ)科學(xué)問題也可能逐步變成一個(gè)算力和經(jīng)濟(jì)性的命題。

這個(gè)視角和很多今天只從 LLM 出發(fā)理解 agent 的看法不太一樣。Misha Laskin 的意思是，agent 并不是語(yǔ)言模型時(shí)代憑空誕生的概念，而是一條更長(zhǎng)的演進(jìn)線索；只是語(yǔ)言模型和 RL 終于在這一輪開始匯合，把 agent 從少數(shù)特例推向了更廣泛的知識(shí)工作。

Michael Truell 給出的答案則非常現(xiàn)實(shí)：去年整個(gè)經(jīng)濟(jì)層面 AI 最重要的故事，就是 coding 開始真正 work 了。

他認(rèn)為，coding 市場(chǎng)無論在客戶價(jià)值，還是技術(shù)上限上，都還有很大空間；而去年在 coding 上跑通的能力，今年會(huì)開始向其他領(lǐng)域遷移。他還特別提到，personal productivity agents（個(gè)人生產(chǎn)力智能體）正在非常快地增長(zhǎng)。

Harrison Chase 也認(rèn)同 coding 的關(guān)鍵地位。他說，很多今天我們看到的 agent，本質(zhì)上都長(zhǎng)得很像 coding agent。因?yàn)?coding agent 所具備的很多能力，其實(shí)天然就有通用性。你可以寫代碼，代碼又可以進(jìn)一步去幫助你完成發(fā)郵件、調(diào)用服務(wù)、操作工作流等一系列任務(wù)。

他提到，直到大約一年前，那種“LLM 在循環(huán)里不斷調(diào)用工具”的簡(jiǎn)單 agent 算法，其實(shí)并不好用。后來開始變得可行，一方面是模型本身大幅變強(qiáng)了，另一方面也是大家逐漸摸清楚了應(yīng)該給這套 harness 接上什么樣的工具。

這句話其實(shí)很重要，因?yàn)樗f明 agent 的拐點(diǎn)并不只是“模型突然變聰明了”，而是模型能力、工具接口和系統(tǒng)工程在同一時(shí)間段里完成了某種對(duì)齊。

Aravind Srinivas 則把這個(gè)轉(zhuǎn)折點(diǎn)具體落在了工具能力上。他說，從 o1 到尤其是 o3，這些模型開始變得很擅長(zhǎng)“導(dǎo)航工具”。與此同時(shí)，整個(gè)生態(tài)也在圍繞工具、MCP、連接器去組織。到了去年底，模型已經(jīng)明顯變得更會(huì)用文件、更會(huì)用 CLI。

他的判斷是，之所以 coding 的成功會(huì)向更廣泛的世界轉(zhuǎn)移，是因?yàn)橐坏┠Ｐ蜕瞄L(zhǎng)操作控制臺(tái)，它就突然獲得了進(jìn)入幾乎所有知識(shí)工作的能力。

這里的關(guān)鍵詞并不是 coding 本身，而是CLI、files、tools這些接口。對(duì)于人類來說，很多軟件世界的工作本來就是通過這些抽象接口被組織起來的；而一旦模型學(xué)會(huì)使用同樣的接口，它就相當(dāng)于獲得了進(jìn)入這些工作的“通行證”。

Mira Murati 的總結(jié)最簡(jiǎn)潔：ChatGPT 把 AI 帶進(jìn)了公眾視野，而 coding 讓它的“有用性”一下子被放大了。

黃仁勛自己則補(bǔ)了一句極具代表性的話：幾乎所有工作，都可以在某種程度上被表述成 code。
在他的理解里，這就是 coding 為什么如此重要的原因。

從這段討論可以看到，coding 在現(xiàn)場(chǎng)并沒有被當(dāng)成一個(gè)狹義行業(yè)，而更像一個(gè)原型場(chǎng)景：它具備明確的目標(biāo)、標(biāo)準(zhǔn)化的接口、可驗(yàn)證的輸出、可回滾的錯(cuò)誤，以及持續(xù)迭代的反饋閉環(huán)。也正因如此，coding agent 一旦成立，它對(duì)其他知識(shí)工作具有天然的外溢性。

4. OpenClaw 為什么突然成了圓桌中心？

在這場(chǎng)圓桌里，agent 雖然被頻繁提起，但幾位嘉賓的描述并不完全一樣。

Michael Truell 說的是會(huì)承擔(dān)數(shù)小時(shí)、數(shù)天復(fù)雜任務(wù)的復(fù)合型智能體；Aravind 說的是編排系統(tǒng)和多智能體；Harrison 說的是 harness engineering；黃仁勛則不斷把問題往“工業(yè)應(yīng)用”和“企業(yè)平臺(tái)”方向推。

把這些回答放在一起，大致能拼出他們對(duì) agent 的共同定義：它不只是一個(gè)能回答問題的模型，也不只是一個(gè)帶了幾個(gè)工具的聊天框，而是一個(gè)能夠持續(xù)處理任務(wù)、調(diào)用外部資源、拆分工作步驟、在不同模型之間路由，并在一定時(shí)間跨度內(nèi)保持狀態(tài)的執(zhí)行系統(tǒng)。

這也是為什么 Michael Truell 會(huì)用 “co-workers” 來形容接下來的 agent。因?yàn)閷?duì)他來說，agent 的關(guān)鍵不再是“像不像人”，而是“能不能穩(wěn)定承擔(dān)工作”。

而黃仁勛對(duì)此的興趣顯然也不只停留在 demo。他在整場(chǎng)對(duì)話中不斷追問的問題，其實(shí)都是：

• 這些 agent 到底在什么條件下才真正有用？

• 它們和模型本身是什么關(guān)系？

• 它們進(jìn)入企業(yè)時(shí)要補(bǔ)上哪些缺口？

• 如果 agent 成為新的應(yīng)用入口，那產(chǎn)業(yè)結(jié)構(gòu)會(huì)如何重排？

這也是為什么，圓桌進(jìn)行到中段時(shí)，話題會(huì)自然集中到一個(gè)項(xiàng)目上：OpenClaw。

這場(chǎng)對(duì)話進(jìn)入中段后，黃仁勛把話題明確轉(zhuǎn)向了OpenClaw。

他給出的評(píng)價(jià)非常高：OpenClaw 是個(gè)“大事”，它把 agentic systems 帶進(jìn)了消費(fèi)者的認(rèn)知；它呈現(xiàn)出了現(xiàn)代計(jì)算機(jī)的一種新樣子。黃仁勛直接追問：OpenClaw 到底是什么？它在計(jì)算機(jī)科學(xué)上、工業(yè)上為什么重要？一年之后它會(huì)變成什么？

這段追問很值得注意。因?yàn)辄S仁勛并沒有把 OpenClaw 當(dāng)成一個(gè)“有趣的開源項(xiàng)目”來聊，而是明確把它視為一個(gè)理解agentic systems（智能體系統(tǒng)）的窗口。

幾位嘉賓的回答，基本把他們對(duì) agent 的理解都濃縮了進(jìn)去。

Misha Laskin 的表述最有畫面感。他說，單獨(dú)的模型其實(shí)并不那么有用，它們更像“沒有身體的大腦”。而 OpenClaw 做的，是為今天這種形態(tài)的模型找到了合適的“形態(tài)學(xué)結(jié)構(gòu)”——它給大腦裝上了四肢，讓它進(jìn)入電腦。

這句話幾乎把整個(gè) agent 討論壓縮成了一個(gè)比喻：模型代表的是認(rèn)知能力，而真正讓這種能力產(chǎn)生現(xiàn)實(shí)效用的，是它能不能進(jìn)入一個(gè)身體、進(jìn)入一個(gè)環(huán)境、進(jìn)入一個(gè)可以執(zhí)行動(dòng)作的系統(tǒng)。

Mira Murati 則說，模型只是一般能力的來源。要把這種一般能力變成真正的用途，你還需要把許多與模型正交的能力補(bǔ)齊：上下文連接、進(jìn)入你的數(shù)據(jù)、進(jìn)入你的業(yè)務(wù)域。OpenClaw 的價(jià)值就在于，它讓 agent 可以在特定領(lǐng)域里運(yùn)作起來，把這些能力串在一起。

Michael Truell 認(rèn)為，OpenClaw 之所以重要，是因?yàn)樗讶ツ晔紫劝l(fā)生在專業(yè)軟件工程師身上的變化，第一次以一種更廣泛的形式展示給了更多人。它標(biāo)志著 AI 正在從“回答你”轉(zhuǎn)向“替你采取行動(dòng)”。

這句話其實(shí)非常接近許多普通用戶第一次接觸 agent 時(shí)的感受。聊天機(jī)器人時(shí)代，AI 的核心體驗(yàn)是“我問，它答”；而一旦 agent 真正進(jìn)入電腦、瀏覽器、文件系統(tǒng)、終端、消息渠道，交互結(jié)構(gòu)就會(huì)發(fā)生變化：用戶開始把任務(wù)委托出去，而不是只索取一個(gè)答案。

Harrison Chase 則點(diǎn)出了 OpenClaw 身上三個(gè)很值得注意的特征。

第一，它是always-on的，是主動(dòng)的，會(huì)給你發(fā)消息。這對(duì)開放模型尤其重要，因?yàn)槿绻粋€(gè) agent 每隔 10 分鐘就要運(yùn)行一次，成本會(huì)立刻變成一個(gè)核心問題。

第二，agent 的“身份”開始出現(xiàn)了。它不再只是一次性會(huì)話，而像是一個(gè)可持續(xù)存在的角色。

第三，是“記憶”。你和它交互，它會(huì)記住；而且它甚至可以通過代碼修改自己的指令。

如果說前面幾位更強(qiáng)調(diào) OpenClaw 讓 agent 獲得了身體，那 Harrison Chase 這里強(qiáng)調(diào)的，其實(shí)是另外兩個(gè)層面：持續(xù)性和人格連續(xù)性。一個(gè)始終在線、主動(dòng)行動(dòng)、擁有記憶、還能調(diào)整自身行為策略的 agent，已經(jīng)明顯不同于我們熟悉的“每次打開一個(gè)新窗口重新聊天”的聊天機(jī)器人。

黃仁勛順著這個(gè)問題繼續(xù)問了 Harrison 一個(gè)很尖銳的問題：如果 OpenClaw 這樣的開源 agent 已經(jīng)這么強(qiáng)了，那為什么還需要 LangChain 這樣的公司來幫助大家構(gòu)建 agent？

Harrison Chase 的回答很直接：因?yàn)槲磥聿粫?huì)只有一個(gè)通用 agent。會(huì)有做法律工作的 agent、做銷售的 agent、寫代碼的 agent。它們會(huì)由不同模型驅(qū)動(dòng)，擁有不同 harness 和不同工具。LangChain 這類平臺(tái)的價(jià)值，正在于幫助開發(fā)者和企業(yè)把這些 harness 針對(duì)垂直場(chǎng)景和生產(chǎn)環(huán)境做深度定制。

這其實(shí)也回答了開源通用 agent 和企業(yè)專用 agent之間的關(guān)系：OpenClaw 這樣的項(xiàng)目可以把一種新范式暴露給大眾，讓大家第一次看到“會(huì)行動(dòng)的 AI”到底長(zhǎng)什么樣；但一旦進(jìn)入垂直行業(yè)和企業(yè)環(huán)境，通用 agent 很快就要被定制化、被約束、被接入特定系統(tǒng)。

黃仁勛最后給出的總結(jié)是：OpenClaw 作為通用 agent 已經(jīng)很有能力，但大量專用 agent 仍然不可替代；而且這些專用 agent 必須放進(jìn)企業(yè)內(nèi)部的飛輪里，持續(xù)學(xué)習(xí)、持續(xù)改進(jìn)。

Aravind Srinivas 則用一句非常像口號(hào)的話，為這一段作了收束：computers are cool again（計(jì)算機(jī)這玩意又開始變得很酷了）。

他說，OpenClaw、computers、co-workers，這些背后的核心概念是：一種新的計(jì)算機(jī)正在形成，而它的 runtime 是 GPU。token 變成了新的基本消耗單位，未來會(huì)出現(xiàn)大量本地算力與服務(wù)端算力混合的運(yùn)行方式。

這句話聽起來像金句，但它在這場(chǎng)圓桌里的上下文其實(shí)很明確：如果 agent 是未來的新應(yīng)用形態(tài)，那么計(jì)算機(jī)本身也會(huì)因此被重新定義。它不再只是一個(gè)等待用戶輸入、然后被動(dòng)執(zhí)行命令的設(shè)備，而可能逐漸變成一個(gè)運(yùn)行著多個(gè) agent、持續(xù)處理任務(wù)、在本地與云之間混合調(diào)度的新系統(tǒng)。

5. OpenClaw 帶來的，不只是一個(gè)項(xiàng)目，而是一種“現(xiàn)代計(jì)算機(jī)”想象

請(qǐng)走上一批大神們，黃仁勛在現(xiàn)場(chǎng)直接又迎來另一批嘉賓上臺(tái)。

第二輪 panel 開始前，他又一次把 OpenClaw 放到了一個(gè)更夸張的位置上。老黃說，OpenClaw 是歷史上最受歡迎的開源項(xiàng)目，它向世界展示了 agentic systems 的能力和愿景，是現(xiàn)代計(jì)算機(jī)的一個(gè)完美代表。

接著他甚至用半開玩笑的方式講到 OpenClaw 在中國(guó)引發(fā)的 “Claw mania”：人們?cè)陴B(yǎng)“龍蝦”，這些“龍蝦”互相交流、組建公司、找工作。

玩笑的背后其實(shí)還是同一個(gè)問題：如果第一個(gè)真正有能力的開源 agentic system 已經(jīng)出現(xiàn)，它在工業(yè)層面的意義是什么？

Arthur Mensch 給出的回答是，這件事在個(gè)體層面已經(jīng)證明了“任務(wù)委托給 AI”是成立的；但一旦到了企業(yè)層面，情況就復(fù)雜得多。因?yàn)槠髽I(yè)不是一個(gè)人，它是一個(gè)組織。組織里有不同崗位、不同權(quán)限、不同數(shù)據(jù)邊界，因此“委托給 AI”這件事不再只是能力問題，而是治理問題。

也就是說，OpenClaw 的流行本身已經(jīng)說明了一件事：人們開始愿意把 agent 當(dāng)作一個(gè)持續(xù)存在的執(zhí)行角色來看待。但它越往前走，越會(huì)逼出新的問題——這些問題不再是“模型會(huì)不會(huì)用電腦”，而是“誰(shuí)授權(quán)、誰(shuí)觀察、誰(shuí)負(fù)責(zé)、誰(shuí)能關(guān)停”。

6. 對(duì)企業(yè)來說，真正棘手的不是 agent 會(huì)不會(huì)干活，而是該怎么管它

如果說第一輪 panel 更多在討論“agent 為什么成立、系統(tǒng)為什么重要”，那么第二輪 panel 最核心的議題，就是：當(dāng) agent 真的開始進(jìn)入企業(yè)，問題立刻從能力轉(zhuǎn)向治理。

Mistral 聯(lián)合創(chuàng)始人兼 CEO Arthur Mensch 說，OpenClaw 這類系統(tǒng)證明了一件事：在個(gè)體層面，人們確實(shí)已經(jīng)可以把很多任務(wù)委托給 AI。但一旦到了組織層面，問題就變得復(fù)雜得多。因?yàn)槠髽I(yè)不是單個(gè)用戶，它有數(shù)據(jù)問題、治理問題，需要不同人把任務(wù)委托給 AI，還要知道 AI 在哪里拿數(shù)據(jù)、怎么行動(dòng)、如何被觀察、如何統(tǒng)一管理。

Arthur Mensch 說，真正的瓶頸在于，你需要一套基本原語(yǔ)，去提供正確的治理和可觀測(cè)性，并把所有東西放在同一個(gè)控制平面之下。

這段話和第一輪 panel 的“AI 是系統(tǒng)”正好首尾相接：個(gè)人用戶可以接受一個(gè) agent 在自己的電腦上跑來跑去，但企業(yè)不行。企業(yè)不會(huì)只問“它夠不夠聰明”，而會(huì)馬上追問：它能看到什么？它能做什么？它做了什么？它出錯(cuò)了怎么辦？它能不能被審計(jì)？能不能被暫停？能不能被隔離？

黃仁勛在這里給出了一句全場(chǎng)最值得反復(fù)引用的話：

一個(gè) agent 會(huì)做三件事：訪問敏感信息、執(zhí)行代碼、對(duì)外通信。企業(yè)應(yīng)該允許 AI 同時(shí)擁有其中兩項(xiàng)能力，但通常不該讓它三項(xiàng)全開，除非它就是 CEO。

這句話很快把“企業(yè) agent”與“個(gè)人 agent”區(qū)分開了。個(gè)人用戶可以容忍更高的不確定性，但企業(yè)不行。企業(yè)面對(duì)的是治理、安全、策略、合規(guī)，這些因素會(huì)把 agent 的部署難度迅速抬高。

而且這句話也把企業(yè) agent 的風(fēng)險(xiǎn)結(jié)構(gòu)說得非常清楚：

• 如果它能訪問敏感信息，又能執(zhí)行代碼，就要限制它對(duì)外溝通；

• 如果它能訪問敏感信息，又能對(duì)外溝通，就不能讓它任意執(zhí)行；

• 如果它能執(zhí)行代碼，又能對(duì)外溝通，就必須嚴(yán)格限制它的數(shù)據(jù)權(quán)限。

這不是一個(gè)抽象的“安全很重要”判斷，而幾乎像一條可操作的設(shè)計(jì)原則。

AI2 的 Hanna Hajishirzi 隨后把問題進(jìn)一步推進(jìn)到“信任”層面。她說，既然大家都期待 agent 能接觸我們的數(shù)據(jù)，那么問題就會(huì)變成：我到底有多放心讓它進(jìn)入我的私人郵箱、進(jìn)入我的私人記錄？在她看來，open models 的作用就非常重要，因?yàn)?strong>如果是開放模型，她會(huì)更愿意讓它接觸自己的私有數(shù)據(jù)。

這種表態(tài)其實(shí)代表了企業(yè)和科研界對(duì)開放模型的一種非常典型的期待：不是簡(jiǎn)單地因?yàn)楸阋耍且驗(yàn)榭梢姟⒖蓹z驗(yàn)，因此更容易建立信任。

對(duì)于很多企業(yè)來說，這種“可見性”甚至比性能差幾個(gè)點(diǎn)更重要。因?yàn)橐坏?agent 被放進(jìn)公司內(nèi)網(wǎng)、郵件系統(tǒng)、財(cái)務(wù)流程、客戶數(shù)據(jù)和對(duì)外渠道里，模型本身已經(jīng)不只是一個(gè)計(jì)算對(duì)象，而是一個(gè)具有執(zhí)行后果的系統(tǒng)組件。

7.Coding 不是唯一前沿，視覺、機(jī)器人和物理世界也在被納入同一條曲線

雖然 coding 和 agent 幾乎主導(dǎo)了整場(chǎng)討論，但 Black Forest Labs 聯(lián)合創(chuàng)始人兼 CEO Robin Rombach 還是把話題往外拉了一步。

他說，現(xiàn)在很多進(jìn)展確實(shí)來自模型在編程上變得越來越強(qiáng)，而編程的好處是“可驗(yàn)證”。但前沿遠(yuǎn)不止編程 一個(gè)方向。他們正在做的一個(gè)方向就是視覺智能。所有機(jī)器人和 agent 只要與現(xiàn)實(shí)世界發(fā)生交互，視覺內(nèi)容就會(huì)變得非常關(guān)鍵。

Robin Rombach 提到，他們已經(jīng)看到一個(gè)明顯趨勢(shì)：這些模型正被越來越多地部署進(jìn) physical AI 和機(jī)器人之中。

這段回答的意義，在于它提醒大家：coding 之所以現(xiàn)在最顯眼，不代表整個(gè) AI 前沿已經(jīng)收斂成 “寫代碼” 這一件事。編程的確是最早被驗(yàn)證的一個(gè)高價(jià)值接口，因?yàn)樗Y(jié)構(gòu)化、可驗(yàn)證、可迭代；但一旦 agent 要進(jìn)入真實(shí)世界、工業(yè)流程、機(jī)器人和空間環(huán)境，視覺和物理交互就會(huì)重新成為核心。

AMP 創(chuàng)始人 Anjney Midha 則順著這個(gè)方向補(bǔ)充說，大家必須提醒自己，AI 有很多條 frontier，而不只是 coding 一條。雖然今天行業(yè)都被 coding 的驚人進(jìn)展吸住了目光，但“bitter lesson”（苦澀的教訓(xùn)，強(qiáng)化學(xué)習(xí)經(jīng)典文章）仍然在起作用。

他回憶說，四年前 Dario 和 Tom 給他打電話，說他們剛發(fā)了一篇 GPT-3 相關(guān)論文，想成立一家新公司，名字叫 Anthropic。當(dāng)時(shí)沒有多少人真相信 bitter lesson 會(huì)繼續(xù)成立。但今天，在他看來，行業(yè)已經(jīng)有了一個(gè)明確結(jié)論：收入會(huì)隨著計(jì)算資源規(guī)模化而變得可預(yù)測(cè)。

這個(gè)表述很值得注意。過去技術(shù)圈討論 bitter lesson，更多是說“性能會(huì)隨著數(shù)據(jù)和算力而擴(kuò)展”；而在今天的創(chuàng)業(yè)和產(chǎn)業(yè)語(yǔ)境里，這句話已經(jīng)被翻譯成了更直接的商業(yè)語(yǔ)言：不僅能力會(huì)擴(kuò)展，收入也會(huì)隨著算力擴(kuò)展。

Anjney Midha 說，前沿創(chuàng)新的最小單元，其實(shí)是一個(gè)“高度聚焦、人才密集、又能拿到巨大算力”的團(tuán)隊(duì)。他在這場(chǎng)圓桌上看到的，正是一批這樣的創(chuàng)業(yè)公司。只要讓合適的人拿到足夠多的算力，agentic progress 還會(huì)繼續(xù)往前推。

在這場(chǎng)圓桌里，這個(gè)說法也與黃仁勛后面提到的 AI foundry / AI factory 形成了呼應(yīng)：如果未來真正限制前沿創(chuàng)新的，不再是“有沒有想到一個(gè)好點(diǎn)子”，而是“有沒有辦法拿到足夠計(jì)算資源”，那算力供給方式本身就會(huì)成為產(chǎn)業(yè)結(jié)構(gòu)的一部分。

8. 行業(yè)落地會(huì)從哪里先爆發(fā)？Daniel Nadler 說是那些多步驟、可預(yù)測(cè)、重復(fù)出現(xiàn)的工作

談到行業(yè)場(chǎng)景時(shí)，OpenEvidence CEO Daniel Nadler 給出了一個(gè)非常清晰的判斷。

他說，agent 特別擅長(zhǎng)的，是那種多步驟、重復(fù)性強(qiáng)、而且每一步都相對(duì)可預(yù)測(cè)的工作流。這樣的范式幾乎存在于所有行業(yè)里，而醫(yī)療就是其中最典型的一個(gè)。

Daniel Nadler 特別舉了醫(yī)生工作的例子。他說，很多人以為醫(yī)生的核心工作就是診斷和開藥，但現(xiàn)實(shí)中，醫(yī)生的大量時(shí)間花在寫給保險(xiǎn)公司的事先授權(quán)書上。那些任務(wù)本質(zhì)上就是多步驟 agentic system 的完美用例，因?yàn)樗鼈兗戎貜?fù)、又流程化，同時(shí)還涉及大量私密且安全敏感的信息。

他舉的場(chǎng)景很具體：當(dāng)保險(xiǎn)公司拒賠時(shí)，不必等醫(yī)生醒來再去手動(dòng)處理，agent 可以自動(dòng)發(fā)起申訴，從患者病歷里拉取信息，幫病人爭(zhēng)取到關(guān)鍵治療。Daniel Nadler 認(rèn)為，這種場(chǎng)景的影響規(guī)模會(huì)非常大。

這段發(fā)言之所以有力量，是因?yàn)樗选癮gent 落地”從抽象的辦公室生產(chǎn)力，拉回到了真實(shí)行業(yè)流程。它不是在討論“AI 能不能替代醫(yī)生”，而是在討論那些真正耗費(fèi)專業(yè)人士時(shí)間、但又并不需要最頂級(jí)創(chuàng)造力的重復(fù)勞動(dòng)。

而且，這也是整場(chǎng)圓桌里一個(gè)很明顯的共識(shí)：agent 最先大規(guī)模進(jìn)入的，不一定是那些最光鮮、最復(fù)雜、最需要類人智慧的工作，而很可能是那些流程明確、邊界清楚、重復(fù)度高、又高度依賴信息系統(tǒng)的工作。

它們都不是“最像人類創(chuàng)造力”的工作切片，但都足夠標(biāo)準(zhǔn)化、足夠可驗(yàn)證，也足夠值得自動(dòng)化。

9. 為什么這么多人都在強(qiáng)調(diào)開放模型？

在圓桌后半段，黃仁勛又把問題重新拉回題面：我們到底該知道些什么，才能不低估 open models 的發(fā)展能力？

這一次，幾位嘉賓給出的答案都很具體，而且各自強(qiáng)調(diào)的點(diǎn)并不完全一樣。

Arthur Mensch 先從 Mistral 的歷史講起。他說，Mistral 在 2023 年之所以迅速被認(rèn)識(shí)，很大程度上就是因?yàn)?Mistral 7B。Mistral 從一開始就想在開放模型的基礎(chǔ)上建立企業(yè)業(yè)務(wù)。

為什么他們相信 open models 應(yīng)該成為 AI 軟件的基礎(chǔ)？Arthur 總結(jié)了兩個(gè)最核心的原因：可控和定制化。

在他看來，AI agent 處在執(zhí)行層，因此企業(yè)一定會(huì)想控制它到底部署在哪里，也一定會(huì)想確保自己擁有“總開關(guān)”。而另一方面，agent 在虛擬世界里很強(qiáng)，但現(xiàn)實(shí)世界中的企業(yè)往往有自己的物理資產(chǎn)、業(yè)務(wù)流程和專有知識(shí)，這些 IP 都需要被寫進(jìn)模型里，因此可定制性就變得非常關(guān)鍵。

Arthur 還提到，Mistral 發(fā)布 La Plateforme，就是為了把模型和各種數(shù)據(jù)源連接起來。與此同時(shí)，開放模型還可以分?jǐn)傃邪l(fā)成本，這也是他們樂于參與 NeMo coalition 的原因。

Arthur Mensch 這段回答里的三個(gè)關(guān)鍵詞其實(shí)很有代表性：

• 控制權(quán)

• 定制化

• 研發(fā)成本共享

這三點(diǎn)把開放模型從一個(gè)“意識(shí)形態(tài)概念”拉回了非常實(shí)際的企業(yè)動(dòng)機(jī)。

Daniel Nadler 從“專業(yè)化”角度解釋了 open models 的價(jià)值。他說，閉源的千億參數(shù)模型很像一個(gè)“800 歲的父母”：它們長(zhǎng)期沿著某種固定方向被訓(xùn)練和強(qiáng)化，所以很擅長(zhǎng)以自己的方式理解世界；但如果你想讓它們換一種方式看世界，這就會(huì)變得非常困難。

這應(yīng)該也是我最近看過最有意思的舉例。

而現(xiàn)實(shí)社會(huì)恰恰是高度專業(yè)化的。一個(gè)公司里，CEO 的思考方式和總法律顧問的思考方式就完全不同。醫(yī)療領(lǐng)域更是如此，你需要世界級(jí)心臟科專家、神經(jīng)科專家、腫瘤學(xué)專家。Daniel Nadler 認(rèn)為，未來一定會(huì)出現(xiàn)這些專家的數(shù)字孿生，而 open models 正是這種專業(yè)模型的必要基礎(chǔ)。

這段發(fā)言的重點(diǎn)在于，Daniel Nadler 把 open models 的價(jià)值解釋成了塑形能力。超大的通用閉源模型當(dāng)然很強(qiáng)，但恰恰因?yàn)樗鼈兲蟆⑻墒臁⑻珡?qiáng)，它們也更難被徹底塑造成某個(gè)行業(yè)、某種職業(yè)角色、某種風(fēng)險(xiǎn)偏好的數(shù)字專家。開放模型則提供了更大的改造空間。

Hanna Hajishirzi 則把“可定制性”推進(jìn)得更深一層。她說，大家通常只看到模型訓(xùn)練完成后的最終快照，但實(shí)際上，模型的形成是一個(gè)很長(zhǎng)的過程。如果能把這個(gè)過程的不同部分開放出來，就會(huì)釋放出幾乎無限的定制空間。

她提到，自己的團(tuán)隊(duì)構(gòu)建 OLMo 時(shí)，并不只是開放了一個(gè)結(jié)果模型，而是把完整的開發(fā)周期都盡量展開——包括數(shù)據(jù)、模型權(quán)重和基礎(chǔ)設(shè)施，讓研究者可以在整個(gè)鏈路上繼續(xù)做實(shí)驗(yàn)、繼續(xù)搭建。她認(rèn)為，對(duì)這些基礎(chǔ)設(shè)施的訪問，會(huì)開啟下一代先進(jìn)模型架構(gòu)。

Hanna Hajishirzi 的這段回答很重要，因?yàn)樗选伴_放”從一個(gè)靜態(tài)結(jié)果，重新定義成了一個(gè)動(dòng)態(tài)過程。不是只有權(quán)重是否公開才叫開放，數(shù)據(jù)、訓(xùn)練、基礎(chǔ)設(shè)施、架構(gòu)探索這些環(huán)節(jié)是否可被接續(xù)，也同樣重要。

Robin Rombach 的答案則是“創(chuàng)新擴(kuò)散”。他認(rèn)為，開放模型會(huì)帶來創(chuàng)新、研究和競(jìng)爭(zhēng)的擴(kuò)散。這也是為什么，無論是做 frontier models，還是做更專用、可以上設(shè)備端的 open models，現(xiàn)在都是一個(gè)非常令人興奮的時(shí)刻。在 Robin 看來，所有這些不同的 frontier，最好都擁有某種開放組件。

他的關(guān)注點(diǎn)更像一個(gè)研究者兼創(chuàng)業(yè)者視角：如果沒有開放環(huán)節(jié)，創(chuàng)新就會(huì)過度集中在少數(shù)機(jī)構(gòu)內(nèi)部；而一旦有了開放組件，研究、應(yīng)用和競(jìng)爭(zhēng)就會(huì)在更大范圍內(nèi)擴(kuò)散。

Anjney Midha 的說法最有保留。他明確表示，并不同意“開放模型在所有場(chǎng)景下都嚴(yán)格優(yōu)于閉源模型”這種說法。某些場(chǎng)景里，閉源模型完全可以非常出色。但在 defense、healthcare 這類高風(fēng)險(xiǎn)、任務(wù)關(guān)鍵型應(yīng)用里，你必須真正信任系統(tǒng)會(huì)在高壓情況下正常表現(xiàn)；而能被你內(nèi)省、能被你檢查的開放系統(tǒng)，會(huì)更容易建立這種信任。

同時(shí)，他還提出了另一個(gè)常被忽略的前提：如果想讓 frontier 級(jí)別的 open models 持續(xù)發(fā)展下去，行業(yè)不僅需要 open models，也需要open infrastructure。他說，大家需要一種可以安全共享的基礎(chǔ)設(shè)施機(jī)制，既能承擔(dān)基線負(fù)載，又能在高峰時(shí)靈活擴(kuò)縮。這也是 AMP 正在做的事：建設(shè)一個(gè) AI grid。

這實(shí)際上把“開放”又往下推了一層。開放不只是模型權(quán)重的開放，也不只是后訓(xùn)練接口的開放，而可能還意味著：算力和基礎(chǔ)設(shè)施也需要某種共享機(jī)制，否則開放模型的發(fā)展最終還是會(huì)被巨額計(jì)算資本卡住。

10. “開放”到底開放什么？從模型權(quán)重，到研究過程，再到基礎(chǔ)設(shè)施

如果把第二輪 panel 關(guān)于開放的回答放在一起，可以看到現(xiàn)場(chǎng)其實(shí)至少在討論三種不同層面的 open：

第一層，是最常見的open weights（開放權(quán)重）。

也就是模型權(quán)重是否開放，用戶能否自行部署、微調(diào)和控制。

第二層，是open post-training / open customization（開放后訓(xùn)練和開放自定義）。

Mira Murati 提到的后訓(xùn)練 API，Arthur Mensch 提到的控制與自定義，其實(shí)都落在這層：就算不是所有東西都全量開放，只要后訓(xùn)練和定制化能力開放出來，更多參與者就能在通用能力上繼續(xù)往前推。

第三層，是open research / open infrastructure。

Hanna Hajishirzi 的 OLMo，Anjney Midha 的 AI grid，Robin Rombach 所說的 open component，講的都是這件事：開放不該只停留在最終產(chǎn)物，而應(yīng)該覆蓋更長(zhǎng)的創(chuàng)新鏈條。

也正是在這個(gè)意義上，黃仁勛這場(chǎng)圓桌 panel 雖然題目是開放模型，但它談?wù)摰钠鋵?shí)是一個(gè)更大的命題：AI 的開放生態(tài)究竟能不能成為一條獨(dú)立、可持續(xù)、并且能夠支撐產(chǎn)業(yè)級(jí)創(chuàng)新的路線。

雖然兩輪 panel 的嘉賓構(gòu)成不同、側(cè)重點(diǎn)不同，但把整場(chǎng) 80 分鐘連起來看，仍然能看到幾個(gè)非常穩(wěn)定的共識(shí)。

第一，模型是基礎(chǔ)，但不再是終點(diǎn)。

無論是 Michael Truell 說的第三類公司，Aravind 說的編排系統(tǒng)，還是 Harrison Chase 說的 harness engineering，大家都在反復(fù)強(qiáng)調(diào)：最終交付價(jià)值的，不再只是模型本身，而是模型如何被放進(jìn)系統(tǒng)。

第二，coding 不是偶然，而是 agent 的第一個(gè)大規(guī)模驗(yàn)證場(chǎng)。

幾位嘉賓都承認(rèn)，過去一年 coding 先跑通了。這不只是因?yàn)槌绦騿T更愛嘗鮮，而是因?yàn)?coding 本身具備可驗(yàn)證、可迭代、工具接口標(biāo)準(zhǔn)化等一系列特征，因此成了 agent 的天然試驗(yàn)田。

第三，OpenClaw 之所以重要，不只是因?yàn)樗穑且驗(yàn)樗?agent 具象化了。

在嘉賓們的描述里，OpenClaw 的價(jià)值不只是“開源社區(qū)很熱鬧”，而是它第一次把 agent 變成一種大眾可以感知的計(jì)算體驗(yàn)：always-on、主動(dòng)、可記憶、能行動(dòng)。

第四，企業(yè)落地的難點(diǎn)不是“會(huì)不會(huì)”，而是“怎么管”。

Arthur Mensch、Hanna Hajishirzi 和黃仁勛都把話題拉到了治理、安全、信任和控制平面上。企業(yè)要的是一個(gè)可治理的 agent，而不是一個(gè)只在 demo 里聰明的 agent。

第五，開放模型的意義，不只是省錢，而是控制、定制和信任。

無論是 Arthur 說的可控和定制化，Daniel Nadler 說的專業(yè)模型，還是 Hanna 說的完整開發(fā)鏈條開放，現(xiàn)場(chǎng)都在不斷強(qiáng)調(diào)：開放模型的價(jià)值，最終會(huì)體現(xiàn)在企業(yè)和行業(yè)能否把 AI 真正塑造成自己的系統(tǒng)。

尾聲：黃仁勛真正想談的，也許是“AI factory”

在整場(chǎng)對(duì)話最后，黃仁勛把這些零散的討論重新歸攏到一個(gè)更大的框架里。

他說，AI factory 或 foundry這個(gè)概念會(huì)變得越來越重要。接下來這一年，人們會(huì)開始看到它真正成形——企業(yè)不必自己大到足以獨(dú)占大量算力，也能獲取所需的計(jì)算資源和部署能力。

在他的總結(jié)里，現(xiàn)在行業(yè)至少已經(jīng)看到兩個(gè)明顯的拐點(diǎn)：

第一個(gè)拐點(diǎn)，是agentic systems 的時(shí)代已經(jīng)開始。

第二個(gè)拐點(diǎn)，是足夠強(qiáng)的模型開始與 agentic systems 融合，形成真正有商業(yè)價(jià)值的企業(yè)平臺(tái)。

黃仁勛最后一句話說得很直白：今年會(huì)是“真實(shí)商業(yè)經(jīng)濟(jì)學(xué)”開始起飛的一年。

這句話前面其實(shí)鋪了很長(zhǎng)的邏輯鏈。

先是 frontier models 打開能力上限，接著是 reasoning 和 tool use 把模型推進(jìn)到可執(zhí)行階段，再之后是 coding 和 OpenClaw 這類項(xiàng)目把 agentic systems 變成可見的產(chǎn)品形態(tài)，最后企業(yè)開始追問治理、控制、可定制和基礎(chǔ)設(shè)施……

因此，“business economics take off” 在這里不是一句輕飄飄的行業(yè)口號(hào)，而是說：當(dāng)這些條件開始同時(shí)成立時(shí)，AI 才真正開始從“驚艷演示”進(jìn)入“可規(guī)模化經(jīng)營(yíng)”。

如果把整場(chǎng)圓桌連起來看，這句話并不只是對(duì)開源模型的樂觀判斷，也不是單純?cè)诳?agent。更準(zhǔn)確地說，它是在描述這樣一個(gè)趨勢(shì)：

模型還會(huì)繼續(xù)進(jìn)步，閉源和開源會(huì)繼續(xù)并存；

但真正的產(chǎn)業(yè)落點(diǎn)，越來越會(huì)出現(xiàn)在系統(tǒng)層、agent 層、企業(yè)控制層和基礎(chǔ)設(shè)施層。

從 coding 到醫(yī)療，從個(gè)人 co-worker 到企業(yè) agent，從 open weights 到 open infrastructure，越來越多問題開始往同一個(gè)方向收束：AI 不再只是一個(gè)模型接口，而是在長(zhǎng)成一整套新的計(jì)算與生產(chǎn)系統(tǒng)。

把這些嘉賓的言論放在一起，會(huì)看到他們并沒有給出一個(gè)整齊劃一的結(jié)論。相反，他們共同勾勒出的，是一張正在展開的新地圖：

• 底層仍然有越來越強(qiáng)的 frontier models

• 中間長(zhǎng)出 orchestration、harness、agent runtime、control plane

• 上面長(zhǎng)出 coding、醫(yī)療、企業(yè)流程、視覺智能、機(jī)器人等應(yīng)用層

• 周圍則是開放模型、開放研究、開放基礎(chǔ)設(shè)施與企業(yè)治理之間的新平衡

這張地圖最大的變化，也許就是：AI 的主戰(zhàn)場(chǎng)，已經(jīng)不再只是“誰(shuí)訓(xùn)練出了最強(qiáng)模型”，而是“誰(shuí)能把模型變成真正可運(yùn)行、可治理、可擴(kuò)展的系統(tǒng)”。

而這場(chǎng) 80 分鐘圓桌的價(jià)值，也正在于它把這件事說得足夠直接。

（投稿或?qū)で髨?bào)道：zhanghy@csdn.net）

"48 小時(shí)，與 50+ 位大廠技術(shù)決策者，共探 AI 落地真路徑"

由 CSDN&奇點(diǎn)智能研究院聯(lián)合舉辦的「全球機(jī)器學(xué)習(xí)技術(shù)大會(huì)」正式升級(jí)為「奇點(diǎn)智能技術(shù)大會(huì)」。

2026 奇點(diǎn)智能技術(shù)大會(huì)將于 4 月 17-18 日在上海環(huán)球港凱悅酒店正式召開，大會(huì)聚焦大模型技術(shù)演進(jìn)、智能體系統(tǒng)工程、OpenClaw 生態(tài)實(shí)踐及 AI 行業(yè)落地等十二大專題板塊，特邀來自BAT、京東、微軟、小紅書、美團(tuán)等頭部企業(yè)的 50+ 位技術(shù)決策者分享實(shí)戰(zhàn)案例。旨在幫助技術(shù)管理者與一線 AI 落地人員規(guī)避選型風(fēng)險(xiǎn)、降低試錯(cuò)成本、獲取可復(fù)用的工程方法論，真正實(shí)現(xiàn) AI 技術(shù)的規(guī)模化落地與商業(yè)價(jià)值轉(zhuǎn)化。

這不僅是一場(chǎng)技術(shù)的盛宴，更是決策者把握 2026 AI 拐點(diǎn)的戰(zhàn)略機(jī)會(huì)。