Yoky｜ yokyliu@pingwest.com

周華香 ｜zhouhuaxiang@pingwest.com

月之暗面的CEO楊植麟問智譜CEO張鵬：

你們最近模型怎么做的，最近怎么漲價了？

這不是什么狗血模型公司商戰(zhàn)的情節(jié)，而是中關(guān)村論壇上剛剛結(jié)束的一場論壇里的對話。

3月27日，中關(guān)村論壇最受關(guān)注的一場圓桌論壇，月之暗面創(chuàng)始人楊植麟少有的沒有擔(dān)任分享嘉賓，而是作為主持人，和無問芯穹聯(lián)合創(chuàng)始人兼CEO夏立雪、智譜華章CEO張鵬、小米MiMo大模型負責(zé)人羅福莉及香港大學(xué)助理教授黃超一起討論了今天開源最重要的話題。

一些核心的信息和觀察包括：

1. Token量爆發(fā)式增長帶來的算力結(jié)構(gòu)變革

由OpenClaw帶動的算力結(jié)構(gòu)變革，無問芯穹分享：從一月底開始，Token調(diào)用量每兩周翻一倍，到現(xiàn)在已增長十倍。夏立雪形容：“上一次看到這種增長速度，還是3G時代手機流量快速普及的時候。”

2. OpenClaw拉高了中國開源模型能力的上限

羅福莉認為，OpenClaw的核心價值不僅是改變交互形態(tài)，更是把國內(nèi)那些尚未完全逼近閉源模型、但已位于開源模型賽道前列的模型，上限顯著拉高：讓稍弱一點的模型也能達到Claude Code的水平。

3. 基礎(chǔ)設(shè)施應(yīng)該“智能體化”

夏立雪提出，未來基礎(chǔ)設(shè)施本身也應(yīng)該是一個智能體：能自我進化、自我迭代，形成自主組織。它應(yīng)該有一個「CEO」是一個Agent，能根據(jù)AI客戶的需求，自主迭代基礎(chǔ)設(shè)施。

4. 楊植麟Sharp提問張鵬為何漲價？

作為主持人的楊植麟變得更Sharp。他問張鵬兩個問題：GLM最新的迭代思路是什么？你們最近為什么漲價？直接切入商業(yè)和技術(shù)核心。張鵬講道復(fù)雜任務(wù)的Token消耗是簡單問答的十倍甚至百倍，漲價是回歸正常商業(yè)價值的必然。

5.小米的模型是怎么做的？

楊植麟問小米怎么做模型？羅福莉雖未正面回答，但透露了技術(shù)路線：最近的 Hybrid Sparse、Linear Attention 結(jié)構(gòu)：DSSA；Kimi 有 KDA，小米的下一代架構(gòu)叫 Highest Bus。這是面向 Agent 時代的新探索。

6. 超長Context是模型自迭代的前提

超長Context是模型“越用越好用”的前提。但推理成本和速度是瓶頸。只有達到10M/100M Context，才能實現(xiàn)真正的模型自迭代：模型在復(fù)雜環(huán)境中依靠超強Context完成自我進化。

7. Harness將作為Agent的關(guān)鍵設(shè)計

Harness（以及Skills體系）被認為是緩解Planning錯誤、提升任務(wù)完成度的關(guān)鍵設(shè)計。從模型層面的Long Context，到Harness層面的Memory/Harness，是讓特定模型支持更復(fù)雜任務(wù)的兩個互補方向。

8、Agent釋放了Chatbot沒有發(fā)揮預(yù)訓(xùn)練模型的上限

原來的 Chatbot 沒有把模型預(yù)訓(xùn)練的能力釋放出來，直到 Agent 框架出現(xiàn)。現(xiàn)在通過外部工具的協(xié)調(diào)，包括任務(wù)拆解與驗證機制的引入、多工具鏈的靈活組裝、以及面向長時間任務(wù)的持續(xù)迭代閉環(huán)。模型正在從單純的內(nèi)容生成，邁向能夠自主創(chuàng)造新事物的能力躍遷。

9、現(xiàn)在Skills太亂了，質(zhì)量不夠，需要開源社區(qū)解決

現(xiàn)在 Skills 確實很多，但高質(zhì)量的很少。低質(zhì)量 Skills 會嚴重影響任務(wù)完成度，還存在惡意注入等安全問題。這需要靠整個社區(qū)一起解決：如何把 Skills 發(fā)展得更好，甚至讓 Agent 在執(zhí)行過程中能自主進化出新的 Skills。

10、Agent原生軟件交互：從GUI到CLI

整個生態(tài)從GUI、MCP又轉(zhuǎn)到了CLI模式。未來大部分軟件不一定面向人類，人類需要GUI，但軟件和生態(tài)可能更多面向Agent原生去使用。

以下是圓桌對話實錄：

楊植麟： 很榮幸今天能邀請到各位重磅嘉賓。大家覆蓋了不同層面：從模型層，到底層算力層，再到更上層的 Agent 層。今天也非常高興能和大家一起探討這個話題。我們今天最核心的兩個關(guān)鍵詞，一個是“開源”，一個是“Agent”。

我們先從第一個問題開始，這個問題想請每位嘉賓都談一談。最近最火的無疑是 OpenClaw。大家在日常使用 OpenClaw 或類似產(chǎn)品時，覺得最有想象力、最讓你印象深刻的地方是什么？另外，從技術(shù)角度來看，你們?nèi)绾慰创裉?OpenClaw 以及相關(guān) Agent 的演進？我們先從張鵬開始。

張鵬： 好。先感謝植麟的邀請，也感謝主辦方給我這個機會，和大家一起交流。其實我很早就開始玩 OpenClaw 了。那時候它還不叫 OpenClaw，最早叫 Clawdbot。我自己一直在折騰這些東西，畢竟也是程序員出身，所以對這類產(chǎn)品一直有比較直接的體驗。

我覺得，這件事給大家?guī)淼淖畲笸黄疲蛘哒f最大的“新鮮感”，在于它不再只是程序員或者極客的專屬工具了。普通人也可以比較方便地使用頂尖模型的能力，尤其是在編程和智能體相關(guān)的能力上。

所以到現(xiàn)在為止，我在和大家交流時，更愿意把 OpenClaw 稱作一種“腳手架”。它提供的是一種可能性：在模型能力之上，搭起了一個足夠穩(wěn)固、足夠方便、同時又足夠靈活的腳手架。大家可以按照自己的意愿，去調(diào)用底層模型提供的各種新能力。很多過去受限于“不會寫代碼”或“缺乏其他專業(yè)技能”而無法實現(xiàn)的想法，今天只需要通過很簡單的交流，就有機會把它真正做出來。對我來說，這件事的沖擊非常大，也讓我重新認識了這類產(chǎn)品的意義。

夏立雪： 其實我最開始使用 OpenClaw 的時候，并不太適應(yīng)。因為我已經(jīng)習(xí)慣了和大模型對話式交互的方式，所以一開始會覺得它的響應(yīng)有點慢。

但后來我意識到，它和過去聊天機器人最大的不同在于：它不是一個只負責(zé)“聊天”的東西，而更像是一個能夠幫我完成大型任務(wù)的人。所以，當(dāng)我后來開始給它布置一些更復(fù)雜的任務(wù)時，我才真正發(fā)現(xiàn)，它其實可以完成得很好。

這件事讓我感觸很深。模型從最開始按 Token 進行對話，到今天變成一個 Agent，變成一個“龍蝦”，真正開始幫你完成任務(wù)，這極大拓展了我們對 AI 的想象空間。但與此同時，它對整個系統(tǒng)能力的要求也顯著提高了。這也是為什么我一開始會覺得它“有點卡”。

作為基礎(chǔ)設(shè)施底層的廠商，我看到的是，OpenClaw 給整個 AI 背后的大型系統(tǒng)和生態(tài)都帶來了更多機遇和挑戰(zhàn)。因為我們今天所有可調(diào)用的資源，想要支撐這樣一個快速增長的時代，其實還是不夠的。就拿我們公司來說，從一月底開始，我們的 Token 量基本上每兩周就翻一倍，到現(xiàn)在已經(jīng)增長了十倍。上一次看到這種增長速度，還是 3G 時代手機流量快速普及的時候。

所以我現(xiàn)在有一種很強烈的感覺：今天的 Token 用量，就像當(dāng)年大家每個月只有 100MB 手機流量時的那個階段。這就是時代變化的一個信號。在這樣的背景下，我們的資源一定要被更好地優(yōu)化、更好地整合，才能讓每一個人——不只是 AI 行業(yè)里的人，而是整個社會中每一個鮮活的個體——都真正把 AI 能力用起來。

所以，作為基礎(chǔ)設(shè)施領(lǐng)域的從業(yè)者，我對這個時代非常激動，也非常有感觸。我認為這里面還有大量優(yōu)化空間，但我們依然應(yīng)該持續(xù)探索、持續(xù)嘗試。謝謝。

羅福莉： 我自己會把 OpenClaw 看作 Agent 框架層面一個非常革命性、也非常顛覆性的事件。雖然我知道，我身邊很多做深度 Coding 的人，第一選擇可能仍然是 Claude Code，但我相信，只要真正用過 OpenClaw，你就會很明確地感受到，這個框架在很多設(shè)計上其實是領(lǐng)先的。包括最近 Claude Code 的不少更新，在我看來，某種程度上也是在向 OpenClaw 靠近。

就我自己的使用體驗來說，這個框架給我?guī)淼模嗍且环N“隨時隨地擴展想象力”的可能。最開始，我只能在桌面端延展自己的創(chuàng)意；但后來我發(fā)現(xiàn)，OpenClaw 真正的價值在于，它讓你可以在更多場景里持續(xù)推進自己的想法。

我覺得 OpenClaw 最核心的價值主要有兩點。第一，它是開源的。開源非常有利于整個社區(qū)深入?yún)⑴c、持續(xù)改進，并且不斷投入到這個框架之中。第二，像 OpenClaw、Claude Code 這樣的框架，本身就是一個非常重要的前置條件。我認為，它們很大的價值在于，把國內(nèi)那些還沒有完全逼近閉源模型、但已經(jīng)位于開源模型賽道前列的模型，上限顯著拉高了。

在絕大多數(shù)場景里，我們會發(fā)現(xiàn)，它的任務(wù)完成度已經(jīng)非常接近 Claude 最新的模型；同時，它又把下限保障得很好。因為它可以依靠一整套 harness 系統(tǒng)、skills 體系，以及很多初步但有效的設(shè)計，來保證任務(wù)完成度和準確率。

所以，從基座模型的角度來看，我認為這類框架一方面保證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，我覺得它給整個社區(qū)帶來的另一個重要價值，是點燃了大家對于 Agent 層的想象力。大家開始意識到，在大模型之外、也就是更重要的 Agent 這一層，其實還有非常大的空間可以做。

這也是為什么最近社區(qū)里，除了研究員之外，越來越多的人開始參與到這場 AGI 變革中。也有越來越多的人，開始借助更強的框架，比如 harness、scaffold 等等，在一定程度上替代自己的工作、釋放自己的時間，去做更有想象力的事情。

黃超： 我感覺，從交互模式上來看，OpenClaw 這次之所以會爆火，首先是因為它給了大家一種更強的“活人感”。我們其實做這類事情也有一兩年了，但之前像 Cursor、Claude Code 這類 Agent，給人的感覺更多還是“工具感”。

而這一次，我們看到它通過 IM 軟件嵌入的交互方式，讓大家更容易產(chǎn)生一種“這是一個個人 AI”的感覺，也更接近大家想象中的 Jarvis 那樣的概念。我覺得，這是它在交互模式上帶來的一個非常重要的變化。

另外，它帶給大家的另一個啟發(fā)，是它的架構(gòu)本身。像 agent loop 這樣一種非常簡單、但又非常高效的框架，再一次被證明是成立的。

同時，它也讓我們重新思考：我們到底需要的是一個 all-in-one、非常強大的智能體，替我們做很多事；還是需要一個更輕量級、像操作系統(tǒng)或腳手架一樣的小管家？

我覺得它帶來的是另一種可能：通過一個像 OpenClaw 這樣的輕量級“龍蝦操作系統(tǒng)”生態(tài)，把整個社區(qū)真正調(diào)動起來，撬動生態(tài)里的各種工具。隨著 skills、harness 這些組件越來越豐富，也會有越來越多的人開始設(shè)計更適用于 OpenClaw 這類系統(tǒng)的應(yīng)用，并進一步賦能各行各業(yè)。

黃超： 所以我覺得，它天然就和開源生態(tài)結(jié)合得非常緊密。這兩點，是它給我?guī)淼淖畲髥l(fā)。

楊植麟： 順著剛才大家一直在討論 OpenClaw，我也想接著問張鵬一個問題。我們看到最近智譜發(fā)布了新的 GLM-5-Turbo 模型。我理解，這個模型在相關(guān)能力上也做了很大的增強。能不能請你給大家介紹一下，這個新模型和其他模型相比，有哪些不同之處？另外，我們也觀察到，你們最近有一個提價策略。這個策略反映了怎樣的市場信號？

張鵬： 前兩天我們確實緊急更新了一版。當(dāng)然，這其實是我們整個發(fā)展目標中的一個階段，只是把它提前拿出來了。

這次更新最主要的目標，還是從原來“簡單對話”的能力，進一步走向“真正干活”的能力。剛才各位提到的一點我非常贊同：OpenClaw 讓大家第一次明確感受到，大模型不再只是會聊天，而是真的能幫我做事。

但“干活”這件事背后，對模型能力的要求其實非常高。它需要自己進行長程任務(wù)規(guī)劃，不斷嘗試、不斷壓縮上下文、不斷 debug，甚至還可能涉及多模態(tài)信息處理。

所以，這對模型本身的能力要求，和傳統(tǒng)面向?qū)υ挋C器人的通用模型其實是不一樣的。GLM-5-Turbo 就是在這些方面做了針對性的強化。尤其像剛才提到的這種長程任務(wù)——比如讓它連續(xù)工作 72 個小時，能夠持續(xù)不斷地自行 loop 執(zhí)行——我們在這方面做了很多工作。大家剛才也提到了 Token 消耗量的問題……

前兩天，我們確實緊急更新了一版模型。當(dāng)然，這其實是我們整個發(fā)展目標中的一個階段，只是把它提前拿出來了。

這次更新最主要的目標，還是讓模型從原來的“簡單對話”能力，進一步走向“真正干活”的能力。剛才各位提到的一點我非常贊同：OpenClaw 讓大家第一次明確感受到，大模型不再只是會聊天，而是真的能夠幫人做事。

但“干活”這件事背后，對模型能力的要求其實非常高。它需要自己進行長程任務(wù)規(guī)劃，不斷嘗試、不斷壓縮上下文、不斷調(diào)試，甚至還可能涉及多模態(tài)信息處理。所以，這對模型本身能力的要求，和傳統(tǒng)面向?qū)υ挋C器人的通用模型并不完全一樣。GLM-5-Turbo 就是在這些方面做了針對性的強化。尤其是剛才提到的長程任務(wù)，比如讓模型連續(xù)工作 72 個小時，并且能夠持續(xù)自主地 loop 執(zhí)行，我們在這方面做了很多工作。

大家剛才也提到了 Token 消耗量的問題。讓一個更聰明的模型去執(zhí)行更復(fù)雜的任務(wù)，資源消耗其實是非常巨大的。普通用戶未必能直觀感受到這一點，但最終一定會體現(xiàn)在賬單上。所以，我們也針對這方面做了一些優(yōu)化，讓模型在面對復(fù)雜任務(wù)時，能夠以更高的效率完成執(zhí)行。這是這次優(yōu)化的幾個重點方向。

但從本質(zhì)上來說，它的模型架構(gòu)仍然是一種多任務(wù)協(xié)同的通用模型架構(gòu)，只是在能力側(cè)做了更有針對性的增強。至于提價，這件事也比較容易解釋。因為現(xiàn)在已經(jīng)不是簡單地問一個問題、模型給出一個回答了。它背后的思考和推理鏈路會變得很長，還會通過寫代碼的方式與底層基礎(chǔ)設(shè)施交互，不斷調(diào)試，并隨時修正自己的錯誤。

這意味著整體消耗量會非常大。完成一個任務(wù)所需要的 Token 量，可能是回答一個簡單問題時的十倍，甚至百倍。因此，價格上相應(yīng)做一些調(diào)整，本質(zhì)上是成本變化的自然結(jié)果。模型更大了，能力更強了，對應(yīng)的服務(wù)成本也提高了，所以我們希望把它逐步拉回到一個正常的商業(yè)價值區(qū)間。

因為長期依賴低價競爭，其實并不利于整個行業(yè)的發(fā)展。這也是我們的一個重要考量。我們希望通過這樣的方式，在商業(yè)化路徑上形成一個更健康的閉環(huán)，持續(xù)優(yōu)化模型能力，并更長期、穩(wěn)定地為大家提供更好的模型和相應(yīng)的 Token 服務(wù)。

楊植麟： 非常好的分享。其實現(xiàn)在開源模型和推理算力正在逐漸形成一個新的生態(tài)。各種各樣的開源模型，可以部署在不同的推理算力平臺上，為用戶提供更多價值。隨著 Token 量的爆發(fā)，整個行業(yè)也可能正在從訓(xùn)練時代逐步走向推理時代。所以我想請教一下立雪，從基礎(chǔ)設(shè)施層面來看，這個推理時代對無問芯穹意味著什么？

夏立雪： 感謝植麟。確實，因為我們是一家誕生于 AI 時代的基礎(chǔ)設(shè)施廠商，現(xiàn)在也在為 Kimi、智譜等公司提供服務(wù)，也在和 MiniMax 等團隊合作，幫助大家把我們這樣的“Token 工廠”更高效地用起來。同時，我們也在和很多高校、科研院所合作。

所以，我們其實一直都在思考一件事：AGI 時代所需要的基礎(chǔ)設(shè)施，到底應(yīng)該是什么樣子。以及，我們應(yīng)該怎樣一步一步在這個過程中去實現(xiàn)它、推演它。對這件事，我們已經(jīng)做了比較充分的準備，也看到了短期、中期和長期幾個不同階段需要解決的問題。

當(dāng)前最現(xiàn)實、最緊迫的問題，其實就是剛才大家聊到的：像 OpenClaw 這類 Agent 產(chǎn)品帶動了整個 Token 需求的暴增，而這種暴增對系統(tǒng)效率提出了更高要求。從某種意義上說，價格上漲也是在這種需求壓力之下形成的一種應(yīng)對方式。

我們一直以來都是從軟硬件協(xié)同的角度去做布局和解決方案設(shè)計。包括我們接入了幾乎所有能看到的主流計算芯片，把國內(nèi)十幾種芯片、幾十個不同的算力集群統(tǒng)一連接起來。這樣，我們就能夠更好地解決 AI 系統(tǒng)中算力資源緊缺的問題。因為在資源不足的時候，最好的辦法，第一是把所有可用資源都盡可能用起來；第二是讓每一份算力都真正用在刀刃上，讓每一份資源都發(fā)揮出最大的轉(zhuǎn)化效率和價值。

所以，在當(dāng)下這個階段，我們要解決的核心問題，就是如何進一步打造一個更高效的 Token 工廠。圍繞這一點，我們做了很多優(yōu)化。比如，讓模型與硬件、顯存等各類資源實現(xiàn)最優(yōu)適配；也在持續(xù)觀察，最新的模型結(jié)構(gòu)與硬件結(jié)構(gòu)之間，是否還能形成更深層次的“化學(xué)反應(yīng)”。

但如果只解決眼前的效率問題，其實還不夠。我們現(xiàn)在做的，本質(zhì)上還是一個標準化的 Token 工廠；可面向 Agent 時代，我們認為這遠遠不夠。因為正如剛才大家所說，Agent 更像是一個“人”，我們可以直接把任務(wù)交給它去完成。

而我一直非常堅定地認為，當(dāng)前很多云計算時代的基礎(chǔ)設(shè)施，本質(zhì)上還是為程序和人類工程師設(shè)計的，而不是為 AI 設(shè)計的。它更像是：我們先做出一套基礎(chǔ)設(shè)施，再提供一個給人類工程師使用的接口，然后再在外面包一層，接入 Agent。這種方式，其實是在用人類操作系統(tǒng)的邏輯，限制 Agent 的發(fā)揮空間。

我舉個例子。Agent 可以在秒級甚至毫秒級完成思考并發(fā)起任務(wù)，但我們過去很多底層 API 和系統(tǒng)能力，其實并沒有為這種調(diào)用頻率做好準備。因為對人類來說，發(fā)起一個任務(wù)通常是分鐘級別的，而不是毫秒級的。所以，我們需要新的能力來適配這種變化。我們把它理解為一種面向 Agent 的基礎(chǔ)設(shè)施，也就是要打造一個更智能化的調(diào)度引擎。這正是我們現(xiàn)在在做的事情。

再往更長遠的未來看，當(dāng)真正的 AGI 時代到來時，我們甚至認為，連基礎(chǔ)設(shè)施本身都應(yīng)該是一個智能體。也就是說，我們正在打造的這套工廠，本身也應(yīng)該具備自我進化、自我迭代的能力，能夠形成一個自主運轉(zhuǎn)的組織。可以把它理解為：這個系統(tǒng)內(nèi)部甚至?xí)幸粋€“CEO”，而這個 CEO 本身也是一個 Agent。它會負責(zé)管理整個基礎(chǔ)設(shè)施，并根據(jù) AI 客戶的需求，自主提出需求、迭代能力、優(yōu)化系統(tǒng)。

只有這樣，AI 與基礎(chǔ)設(shè)施之間才能形成更好的耦合。我們也在做一些相關(guān)探索，比如讓 Agent 與 Agent 之間可以更高效地通信，實現(xiàn) cache-to-cache 這類能力。我們一直在思考，基礎(chǔ)設(shè)施的發(fā)展不應(yīng)該是一個割裂的過程，不應(yīng)該只是“我接收一個需求，再去機械執(zhí)行”，而應(yīng)該不斷產(chǎn)生更豐富的化學(xué)反應(yīng)。

我認為，只有做到這一點，才真正實現(xiàn)了所謂的軟硬協(xié)同，也真正實現(xiàn)了算法與基礎(chǔ)設(shè)施的協(xié)同。這也是我一直想去完成的一件事。謝謝。

楊植麟： 接下來想問問福莉。小米最近發(fā)布了新的模型，也在持續(xù)推進開源和背后的相關(guān)技術(shù)，我覺得這對整個社區(qū)做出了很大的貢獻。所以也想請你談?wù)劊阌X得小米在做大模型這件事上，有什么獨特的優(yōu)勢？

羅福莉： 我想先把“小米做大模型有什么獨特優(yōu)勢”這個問題放一放。我更想談的，其實是中國大模型團隊在做基座模型這件事上的整體優(yōu)勢，因為我覺得這個話題更有普遍價值。

大概從兩年前開始，我就已經(jīng)看到，中國的基座模型團隊在這個方向上出現(xiàn)了非常重要的突破。這個突破在于：在有限算力，尤其是在 NVLink 互聯(lián)帶寬受限的情況下，我們?nèi)绾瓮黄七@些硬件條件帶來的限制，去做一些看起來像是在為效率妥協(xié)、但本質(zhì)上卻是模型結(jié)構(gòu)創(chuàng)新的工作。比如 DeepSeek V2、V3 系列中的細粒度 MoE 和 MLA 等。后來我們看到，這類創(chuàng)新其實帶來了一場真正的變化。

這個變化在于：當(dāng)算力預(yù)算相對固定的時候，我們?nèi)绾伟淹瑯右环菟懔λ苓_到的智能水平推到最高。我覺得，DeepSeek 的出現(xiàn)，給了國內(nèi)所有基座模型團隊很大的勇氣和信心。雖然到了今天，我們自己的國產(chǎn)芯片，無論是推理芯片還是訓(xùn)練芯片，都已經(jīng)在不斷進步，但正是在此前那種受限環(huán)境下，反而逼出了我們對“更高訓(xùn)練效率、更低推理成本”的全新探索。

比如最近出現(xiàn)的 hybrid sparse、linear attention 等結(jié)構(gòu)方向。包括 DeepSeek 的相關(guān)探索，Kimi 的相關(guān)方案，以及小米面向下一代模型結(jié)構(gòu)所做的一些研究。它們都指向同一個問題：當(dāng)我們進入 Agent 時代之后，模型結(jié)構(gòu)到底應(yīng)該如何進一步演化。

我為什么認為結(jié)構(gòu)創(chuàng)新如此重要？因為剛才我們一直在討論 OpenClaw。只要你真正用過 OpenClaw，就會發(fā)現(xiàn)它往往是“越用越好用，越用越聰明”。而它成立的一個前提，就是推理階段必須擁有足夠長的 context。Long context 其實已經(jīng)是一個被討論了很久的話題，但直到今天，大家才真正開始意識到：不是模型做不到百萬級甚至千萬級上下文，而是如果推理成本太高、速度太慢，這件事就沒有現(xiàn)實價值。

所以，真正關(guān)鍵的問題是：你能不能在 100 萬甚至 1000 萬級 context 的情況下，把推理成本打下來，把速度提上去。只有在這種前提下，用戶才會愿意把真正具有高生產(chǎn)力價值的任務(wù)交給模型，模型也才有機會在長上下文環(huán)境中完成更高復(fù)雜度的任務(wù)。甚至可以說，只有到了 1000 萬級、上億級上下文的階段，我們才可能真正看到模型的自我迭代能力被釋放出來。

所謂模型的自我迭代，就是它能夠在一個復(fù)雜環(huán)境里，依靠超強的上下文能力，完成對自身的持續(xù)進化。這個進化既可能發(fā)生在框架層，也可能發(fā)生在模型參數(shù)層。因為在我看來，長上下文本身其實就是對參數(shù)能力的一種外延和增強。

所以，未來真正的競爭會是一個全方位的競爭：一方面，你能不能做出原生適配長上下文的模型架構(gòu)；另一方面，你能不能在推理側(cè)真正把 long-context efficiency 做出來。除此之外，還包括你能否在預(yù)訓(xùn)練階段就把這類架構(gòu)打牢，以及在后訓(xùn)練階段，能不能把模型在真實長程任務(wù)上的穩(wěn)定性和能力上限繼續(xù)往上推。

我們現(xiàn)在也在思考，怎樣構(gòu)造更有效的學(xué)習(xí)算法；怎樣采集在 100 萬、1000 萬、甚至更長上下文里，真正具有長期依賴關(guān)系的文本；以及怎樣結(jié)合復(fù)雜環(huán)境，生成高質(zhì)量的軌跡數(shù)據(jù)。這些，都是我們正在持續(xù)推進的事情。

但我能看到的更長期趨勢是：隨著大模型本身在飛速進步，再疊加 Agent 框架的加持，推理需求一定會繼續(xù)迅速增長。就像剛才立雪提到的，過去一段時間里，Token 需求已經(jīng)增長了接近十倍。那么今年，整個 Token 需求會不會增長到一百倍？這其實已經(jīng)把競爭帶到了另一個維度：不僅是模型之間的競爭，也是算力、推理芯片，甚至能源層面的競爭。

所以，如果大家繼續(xù)深入思考這個問題，我相信我也會從各位身上學(xué)到更多。

楊植麟： 對，非常有 insight 的分享。下面想問一下黃超。你也開發(fā)了一些非常有影響力的 Agent 項目，包括像 nanobrowser 這樣的項目，在社區(qū)里也積累了很多用戶和粉絲。想請你談?wù)劊瑥募夹g(shù)或者應(yīng)用層面來看，接下來有哪些值得重點關(guān)注的方向？

黃超： 感謝植麟。我覺得，如果把 Agent 技術(shù)抽象出來，核心大致有幾個模塊：planning、memory 和 tool use。

先說 planning。我覺得現(xiàn)在最大的問題，仍然出現(xiàn)在長程任務(wù)和復(fù)雜上下文上。比如一個任務(wù)可能需要 500 步，甚至更多步驟，很多模型未必能夠做好規(guī)劃。我認為，本質(zhì)上還是因為模型不具備足夠的隱性知識。尤其是在很多復(fù)雜的垂直領(lǐng)域，這個問題會更加突出。未來一個很重要的方向，是把已有的復(fù)雜任務(wù)知識更系統(tǒng)地固化到模型中。

當(dāng)然，從 skills 的角度來看，包括 harness 在內(nèi)的很多機制，本質(zhì)上也是在緩解 planning 過程中帶來的錯誤。因為高質(zhì)量的 skill，其實就是在幫助模型完成一些本來較難的任務(wù)。這是 planning 這一部分。

再說 memory。我的感受是，memory 始終會面臨一些根本性問題，比如信息壓縮不準確、表達失真等。隨著長程任務(wù)和復(fù)雜場景越來越多，memory 的需求也會迅速膨脹，這本身就會給整個系統(tǒng)帶來很大壓力。

但現(xiàn)在，包括各種“龍蝦”在內(nèi)，很多系統(tǒng)采用的 memory 方案其實都還比較簡單，例如基于文件系統(tǒng)、Markdown 文件，或者通過共享文件的方式來管理 memory。我覺得未來的 memory 很可能會走向分層設(shè)計，同時也要想辦法讓它更加通用。因為說實話，當(dāng)前的 memory 機制其實很難做到真正的通用。比如 coding 場景、deep research 場景、多模態(tài)場景，它們的數(shù)據(jù)模態(tài)差異都非常大。如何針對這些不同類型的 memory 做更好的檢索和索引，并進一步提高效率，我覺得這會一直是一個關(guān)鍵方向。

另外一點是，OpenClaw 這類系統(tǒng)把創(chuàng)建 Agent 的門檻大幅降低之后，未來可能不會只有一個 Agent。比如我們已經(jīng)看到，Kimi 也在嘗試 Agent Swarm 這樣的機制。也就是說，未來每個人可能擁有的不是一個“龍蝦”，而是一群“龍蝦”。

而一群 Agent 所帶來的上下文規(guī)模，相比單個 Agent 會大得多。這也會進一步加大 memory 的壓力。現(xiàn)在其實還沒有一套特別成熟的機制，去管理這種多 Agent 帶來的海量上下文。尤其是在復(fù)雜 coding、科研發(fā)現(xiàn)這類任務(wù)中，不管是對模型本身，還是對整個 Agent 架構(gòu)，壓力都會很大。

最后是 tool use。我覺得在這一塊，現(xiàn)在整個 skill 生態(tài)仍然存在不少問題。MCP 當(dāng)年暴露出來的一些問題，其實在今天依然存在，比如質(zhì)量缺乏保障，以及潛在的安全風(fēng)險。現(xiàn)在雖然 skill 很多，但高質(zhì)量的 skill 其實仍然偏少。低質(zhì)量的 skill 會顯著影響 Agent 完成任務(wù)的效果；與此同時，skill 本身也可能存在惡意注入等問題。

所以在這一塊，我覺得很大程度上還是需要依靠整個社區(qū)，一起把 skill 生態(tài)建設(shè)得更好。甚至進一步思考，怎樣讓系統(tǒng)在執(zhí)行過程中演化出新的 skill。總的來說，我覺得無論是 planning、memory，還是 skill，都是當(dāng)前一線最現(xiàn)實的痛點，也都是未來非常重要的演進方向。

楊植麟： 可以看到，剛才兩位嘉賓其實是從不同視角討論了同一個問題。隨著任務(wù)復(fù)雜度不斷提升，上下文規(guī)模也會迅速膨脹。一方面，模型層面可以繼續(xù)提升原生上下文長度；另一方面，在 Agent 和 harness 層面，像剛才提到的 planning、memory 以及各類輔助機制，也能夠幫助模型在既有能力邊界內(nèi)支撐更復(fù)雜的任務(wù)。我覺得這兩個方向接下來會進一步產(chǎn)生化學(xué)反應(yīng)，從而提升系統(tǒng)完成復(fù)雜任務(wù)的能力。

最后，我們做一個開放式展望。想請各位用一個詞，來描述接下來 12 個月大模型發(fā)展的趨勢，以及你們的期待。

黃超： 那這次先從我開始。說實話，在 AI 領(lǐng)域，12 個月聽起來都已經(jīng)很遙遠了，甚至很難判斷 12 個月之后會發(fā)展成什么樣。但如果一定要用一個詞來概括，我會選“生態(tài)”。

我覺得現(xiàn)在 OpenClaw 讓整個社區(qū)非常活躍，這是一個很好的開始。但未來 Agent 真正重要的，不只是成為個人助手，而是要進一步轉(zhuǎn)化為真正能一起工作的“打工人”，或者說 coworker。現(xiàn)在很多人使用它，可能更多還是出于新鮮感，或者覺得好玩。但未來，只有當(dāng)這些“龍蝦”真正沉淀下來，成為大家穩(wěn)定的生產(chǎn)工具、協(xié)作伙伴，這件事才算真正跑通。

而這件事離不開生態(tài)的共同建設(shè)。開源在這里面非常重要。因為只有把相關(guān)的技術(shù)探索、模型能力、工具能力持續(xù)開放出來，整個生態(tài)才可能共同推進。無論是模型本身的迭代，還是 skills 平臺的演進，或者各種工具鏈的完善，我覺得都需要圍繞 Agent 去建立一個更好的生態(tài)。

從我自己的觀察來看，未來一個很明顯的問題是：軟件到底還是不是主要給人用的？我覺得未必。未來很多軟件可能不再以人類為中心，因為人類需要 GUI，但很多系統(tǒng)可能會越來越偏向 Agent-native，也就是原生面向 Agent 使用。

這樣一來，人類可能只會保留那些真正讓自己感到愉悅的交互，而大量真正執(zhí)行性的工作，會逐漸轉(zhuǎn)移給 Agent。所以我覺得，現(xiàn)在整個生態(tài)其實已經(jīng)在發(fā)生變化：從 GUI、MCP，逐漸轉(zhuǎn)向 CLI 這種模式。接下來，不管是軟件系統(tǒng)、數(shù)據(jù)結(jié)構(gòu)，還是各種技術(shù)棧，本質(zhì)上都需要朝著 Agent-native 的方向重構(gòu)。只有這樣，整個 Agent 生態(tài)的發(fā)展才會更加豐富。

羅福莉： 我覺得，把這個問題收縮到一年的尺度非常有意義。因為如果把時間拉到五年，在我對 AGI 的理解里，很多事情幾乎已經(jīng)是必然會發(fā)生的了。所以，如果要用一個詞來概括接下來一年里 AGI 進程中最關(guān)鍵的一件事，我會選“進化”。

雖然這個詞聽起來有一點抽象，但我最近對它有了更具體、也更務(wù)實的理解。過去一年，大家已經(jīng)多次提到這件事，但直到最近，我才真正開始感受到，“自進化”這件事其實已經(jīng)開始具備比較可行的實現(xiàn)路徑。

其中一個很重要的原因在于，隨著模型能力增強，我們逐漸意識到，在過去那種單純對話式的范式下，預(yù)訓(xùn)練模型的上限其實并沒有被真正發(fā)揮出來。而今天，這個上限正在被 Agent 框架逐步激活。

我們現(xiàn)在已經(jīng)摸到這個邊界了。尤其是當(dāng)模型開始執(zhí)行更長時間的任務(wù)時，我們會發(fā)現(xiàn)，它其實能夠自己學(xué)習(xí)、自己進化。一個很簡單的實驗是：在現(xiàn)有框架上，疊加一個可驗證的目標約束，再給它設(shè)置一個 loop，讓它持續(xù)圍繞這個目標進行迭代優(yōu)化。你就會發(fā)現(xiàn)，模型會不斷拿出更優(yōu)的方案。

如果這種自進化機制可以持續(xù)運轉(zhuǎn)，那么它的潛力會非常大。現(xiàn)在其實很多國內(nèi)模型已經(jīng)能夠穩(wěn)定跑上一到兩天了。當(dāng)然，這和任務(wù)難度有關(guān)。比如在一些科研任務(wù)中，模型去探索更優(yōu)的結(jié)構(gòu)設(shè)計，因為這類任務(wù)存在明確的評估標準，例如更低的 PPL，這就意味著它具備可驗證性。在這種確定性較強的任務(wù)上，我們已經(jīng)看到，模型能夠自主優(yōu)化并持續(xù)執(zhí)行兩三天。

所以從我的角度來看，自進化是一個真正可能創(chuàng)造新東西的方向。它不是簡單地替代人類已有的生產(chǎn)力，而是像頂尖科學(xué)家一樣，去探索世界上原本還不存在的東西。一年前，我還會覺得這個過程大概要三到五年；但到了最近，我反而覺得這個時間窗口應(yīng)該縮短到一到兩年。

也就是說，我們可能很快就能看到：在一個很強的自進化 Agent 框架加持下，大模型對科學(xué)研究帶來至少指數(shù)級的加速。因為我最近已經(jīng)很明顯地觀察到，我們組內(nèi)做大模型研究的同學(xué)，他們的 workflow 本身就是高度不確定、又高度依賴創(chuàng)造力的。而在這種情況下，借助 Claude Code，再結(jié)合非常頂尖的模型，研究效率基本上已經(jīng)可以提升接近十倍。

所以我非常期待這種范式未來能夠輻射到更廣泛的學(xué)科和領(lǐng)域。我覺得，這會是一件非常重要的事情。

夏立雪： 我的關(guān)鍵詞是“可持續(xù)”。因為我看到，整個行業(yè)的發(fā)展仍處在一個長期演進的過程中，我們也希望它具備長久的生命力。從基礎(chǔ)設(shè)施角度看，一個非常現(xiàn)實的問題是，資源終究是有限的，就像我們過去談“可持續(xù)發(fā)展”時反復(fù)強調(diào)的那樣。

我們現(xiàn)在作為一家 Token 工廠，能否持續(xù)、穩(wěn)定、大規(guī)模地向外提供可用的 Token，讓頂尖模型真正持續(xù)服務(wù)更多下游場景，這是我最關(guān)注的問題。因此，我們也需要把視角進一步放寬到整個生態(tài)：從最早的能源轉(zhuǎn)化，到算力，再到 Token，最終轉(zhuǎn)化為 GDP，形成一條可以持續(xù)進行經(jīng)濟化迭代的完整鏈路。

而且，我們不只是要把國內(nèi)各種算力資源真正用起來，也在嘗試把這些能力輸出到海外，讓全球資源能夠更好地打通和整合。所以我所說的“可持續(xù)”，其實也包括把具有中國特色的 Token 經(jīng)濟學(xué)真正做起來。過去我們講的是 Made in China。大家會發(fā)現(xiàn)，我們能夠把中國具備成本優(yōu)勢的制造能力，轉(zhuǎn)化為優(yōu)質(zhì)商品并輸出到全球。

今天我們想做的，有點像 AI Made in China。也就是說，把中國在能源等方面的優(yōu)勢，通過 Token 工廠持續(xù)轉(zhuǎn)化為高質(zhì)量的 Token，并輸出到全球，最終成為全球的 Token 工廠。這是我希望在今年看到的，中國為世界人工智能發(fā)展帶來的價值。

張鵬： 我盡量簡短一點。前面大家可能都在仰望星空，那我就稍微落地一些。我認為，未來 12 個月最關(guān)鍵的問題，可能還是算力。

因為剛才大家已經(jīng)提到，不管是模型能力，還是智能體框架，確實都在顯著提升創(chuàng)造力和生產(chǎn)效率，很多場景下甚至可以帶來十倍級的效率提升。但前提是，大家得用得起，也用得上。不能因為算力不夠，用戶提了一個問題，結(jié)果模型想了半天還給不出答案，這顯然是不行的。

也正因為如此，我們很多研究進展，包括很多原本想做的事情，事實上都會受到制約。前兩年業(yè)界有一句話，叫“講卡傷感情，沒卡沒感情”。我覺得，今天某種程度上又回到了這個階段，只不過這一次的背景已經(jīng)不一樣了。

因為我們現(xiàn)在正在真正轉(zhuǎn)向推理階段，而之所以會轉(zhuǎn)向推理階段，是因為需求正在爆發(fā)，而且是十倍、百倍地爆發(fā)。剛才也提到，過去一段時間需求可能已經(jīng)增長了十倍，但真實需求也許是一百倍，那還有大量需求沒有被滿足。這個問題怎么辦？我想，這可能需要我們一起想辦法。謝謝。

楊植麟： 好，感謝各位的精彩分享，謝謝大家。

點個“愛心”，再走 吧