作者 ｜ InfoQ

策劃 ｜ 李忠良

論壇介紹：本次論壇是 2026 年 6 月 12 智源大會核心技術論壇之一，由藍馳創投管理合伙人陳維廣擔任主持人，邀請到智源研究院院長王仲遠、銀河通用創始人兼 CTO 王鶴、面壁智能 CEO 李大海三位行業頂尖技術專家，圍繞大模型行業最具爭議的五大核心問題展開深度對談。嘉賓從學術研究、技術創業和產業落地三個維度，分享了對大模型未來發展的獨家判斷。

核心觀點速覽：

1. 大模型技術遠未收斂，不存在普遍趨同的終局，真正的護城河來自數據閉環、軟硬協同設計和垂直場景的極致深耕

2. Scaling Law 遠未失效

   ，已從純語言模型擴展到多模態和具身智能，WAM（世界動作模型）將開啟具身智能的規模化時代

3. 端側與云端將長期協同發展，終端大模型的 scaling 空間巨大，由硬件算力升級和量化技術進步共同驅動

4. AI 安全與責任劃分將遵循 "邊實踐邊完善" 的路徑，參考自動駕駛等技術的發展歷程，逐步建立行業標準和治理體系

5. 中國 AI 具備全球最完整的供應鏈、最豐富的落地場景和數量最多的年輕人才三大獨特優勢，具身智能將是中國實現彎道超車的核心賽道

陳維廣：大家下午好，非常榮幸擔任本次論壇的主持人。主辦方給我的主題是：在大模型技術的成熟曲線上，我們該如何跨越？又該如何定義大模型的長期價值？今天也非常非常榮幸，能邀請到這三位嘉賓，他們能從三個不同的角度來去一起探討這個主題。

大模型這幾年發展得比較快，可是同時大家也能看到，不管是打榜還是一些第三方的評價，頂級模型的趨勢在快速趨同。今天可能某某的 benchmark 數據很好，兩個月后其他人就跟進了。再加上 token 的價格也快速在下探，還有一點就是開源模型也發展比較快，甚至有人說開源模型跟閉源模型的差距也就 3 到 6 個月。

在這種情況下，如果作為一個 AI 模型公司，它的長期價值來自哪？它的護城河來自哪？甚至有些人非常質疑說，AI 大模型的公司最終就會像賣水賣電的有量無價。我第一個問題就是，王鶴老師，從你的角度，你感覺 AI 的企業，尤其是這些大模型公司，它未來的長期價值以及護城河在哪里？

王鶴：我覺得這個問題其實更多表達了大家對數字世界里的智能，或者說對 LLM 這項技術現狀的判斷。但就像仲遠博士剛剛講的，LLM 本身仍然存在很多變數，如果再往后看多模態、VLM（視覺語言模型）或者視頻生成，變數就更多了。

我本人主要從事具身智能領域，我認為整個行業剛剛在往收斂的方向發展。過去幾年行業有 VLA（視覺語言動作模型），也有 World Model（世界模型），現在我認為整個行業正在向著 WAM（世界動作模型）的方向迭代：一個模型既能夠做未來的預測，又能夠做動作執行的預測；同時它既能夠吸收人類的無動作標簽數據，又能夠吸收機器人的有動作標簽數據。

具身智能現在的發展階段，大概處在 GPT-1 到 GPT-2 這樣的水平。往未來看，一旦行業進入 scaling（規模化）階段，一切都會快速加速，這也意味著行業現在需要更大量的資金投入。

面向未來，具身智能真正的護城河是一個完整的體系：既有源頭的數據供給，又有對不同種類數據（合成數據、人類數據、機器人數據）的提煉能力，還有硬件迭代和軟硬 co-design 的能力，最后是模型的融合水平和向客戶交付硬件的整套能力。這是迄今為止全世界范圍內都沒有出現過的綜合型產品形態，所以它的護城河相當深，未來不管是做垂類應用的深度還是廣度，都有無窮的潛力。

陳維廣：所以是要做"六邊形戰士"，面面俱到。大海老師怎么看？

李大海：我覺得場上嘉賓的觀點是一致的，都不認同"大模型沒有長期壁壘"這個結論。受兩位嘉賓啟發，我突然想到：大模型應該是我們以前說的"T 形人才"——它必須得是通用的，但僅僅是通用的、和其他人同質化是沒有意義的，它一定得有自己的長板。

舉個例子，現在美國大模型領域的當紅企業是 Anthropic，它之所以強、被追捧，是因為它在通用模型的前提之上，把 Coding 能力做到了獨步天下，因此才獲得了現在的估值、行業認可和非常亮眼的商業成績。所以大模型光是有橫向的通用能力是不夠的，一定得有縱向的長板。

另一方面，縱向長板怎么來？我非常認同王鶴老師講的，我會用另外一個詞叫閉環：一定要把大模型當成一個引擎、一個發動機，但這個發動機的設計和能力的持續極致優化，必須要和"整車"去協同，不能脫離應用空談性能。你造的是 F1 賽車還是買菜車，對應的發動機需要做完全不同的特化。

從過去兩年大模型的發展來看，一個非常重要的趨勢是：模型正在以內化成一個系統的方式演進，包括現在我們做的 agentic 強化學習，其實就是帶著整個智能體系統去做模型的進一步訓練。面向未來，上下文記憶是一個非常重要的待突破方向，現在大家都在用 harness 的方式解決，但我認為這個方式不夠，必須是 harness 加上模型的強化學習才行。

總結一下：我認為大模型的技術還遠遠沒有收斂，同時任何一家模型公司都必須把技術的通用性和商業的通用性分開——真正通用的商業場景其實很少，要做好商業往往需要模型在特定方向上做極致的優化。只要每個公司找準自己的方向，都能構建起自己的護城河。

陳維廣：仲遠院長怎么看這個問題？

王仲遠：坦率來講，我個人并不完全認同"模型趨同、沒有護城河"的觀點。因為現在大模型整體的性能迭代還沒有到瓶頸，我們還沒辦法斷言最終會不會所有模型都趨同，未來可能是一超多強、多個巨頭并存，也可能是大家能力相近，有很多種演化格局。

現階段來看，榜單其實并不那么可信。各種各樣的榜單看得人眼花繚亂，很多結果也沒辦法完全驗證。老話講"是騾子是馬拉出來溜溜"，那些敢于做真機展示、敢于進入實際場景落地的模型公司，是有底氣的，也能夠在真實場景中找到數據閉環。

所以今天還沒辦法下定論說未來模型公司都會趨同、沒有護城河。智能技術還沒有收斂，還在快速迭代演進，各種可能性和結果都有可能出現。

陳維廣：看來這個行業大家很容易黑白分明，立刻就想下"大模型沒有長期壁壘"的結論。但聽你們介紹，場景、數據，包括剛才大海老師說的閉環能力都非常重要。從投資角度，我們接觸的創業團隊也很多，發現團隊的基因差異其實很大：做大模型的團隊有實驗室氛圍，做應用的團隊更關注場景和需求。當然也不是說做大模型的就做不了應用，但確實這兩種團隊的文化和取向完全不一樣，這也會逐漸形成一定的壁壘。

接下來是行業一直在拷問的一個問題：尤其是去年，大家感覺 scaling law 的紅利變小了，甚至有人說預訓練做得越多，模型能力也沒有很大提升，所以去年有一波做強化學習、做后訓練的熱潮，后訓練至少可以把能力做到一個比較好的水平，包括剛才螞蟻的李老師也提到了 deep deep sheet 和 reasoning 能力的出現。所以行業就感覺，是不是接下來純語言模型的發展會遇到瓶頸，邊際效應遞減？仲遠院長，你怎么看這個問題？

王仲遠：從我個人的觀點，我其實還是比較堅信scaling 還遠沒有到盡頭。去年之所以媒體上會有很多關于 scaling law 是不是已經失效的探討，但實際上從技術領域，從我們接觸的很多大模型實際訓練的公司，以及從今天這個時間點再回過頭來看，很顯然已經證明了 scaling 沒有失效，只不過它變得更加多樣化了。

去年大家會有"scaling 失效"這種論調，其中一個很重要的原因是大語言模型所使用的互聯網數據已經用完了。大家覺得互聯網數據只有一份，而語言模型以前主要靠預訓練來提升性能，那預訓練的數據用完了，性能自然就會遇到瓶頸。但實際上在過去兩年，大家通過后訓練以及推理優化，已經迎來了新一波的能力提升。

再往后通過 agent，包括今天智源大會早晨開幕式的圓桌上也探討到了遞歸自進化，這些都已經證明了：即使互聯網數據可能用完了，AI 的能力依然在持續提升——不僅僅是模型本身的能力提升，更是整個系統的能力越來越強，而且也開始從聊天工具變成執行工具。所以我們還是非常相信整個 scaling 的曲線還在延續，如果大家去看近期發布的很多模型，能力甚至呈現出指數級躍升的傾向。

早晨我其實也問了一下朱軍，他的觀點相對謹慎一些。可是我們看到了很多的模型，確實它的能力依然在快速提升。另外，智源研究院的定位一直是"做高校做不了、企業不愿意做或現階段不愿意做的事"，去探究下一個智能的曲線。

過去兩年我們把重心放在多模態，用 Next Token Prediction 的方式去探究多模態的 Scaling。事實上我們發現，像物界 Emu3、Emu3.5，已經呈現出了一個多模態的 Scaling 范式：當我們復用了大規模現在的大語言模型的智算基礎設施，數據和參數的增加確實帶來了能力的提升。而我們的數據依然只用了不到 1%，參數也只有百億級，但已經看到了非常明顯的性能提升。

所以多模態的 scaling 范式，我們認為已經找到了至少一條可行的路徑。當技術成熟的時候，我們就交給產業去做，然后我們又開始往下一個方向——物理世界的世界基座模型去探究，看看在世界模型上有沒有 scaling 的范式。今天早晨我們也分享了正在研發當中的物界 Physics，它就在探究世界模型的 scaling 方式到底是什么。

所以我對這個問題還是非常樂觀的：不管是已經成熟的語言模型、AI coding、數字世界的大模型，還是最終我們進入到物理世界的世界基座模型，依然還有非常多的 scaling 空間需要去探究。

陳維廣：王鶴老師這邊，因為 Physical AI 可能跟大語言模型還有點不一樣，對不對？甚至有一些行業人說，VLA 都還沒搞完，為什么突然間出現這么多搞世界模型的？你有什么看法？

王鶴：是這樣的，銀河通用和我本人是 deeply believe in scaling 的。其實在 WAM（世界動作模型）這個范式還沒有出現之前，在 VLA（視覺語言動作模型）的范式里，我們就先用合成數據做了大量的 scaling。當時我們主要 focus 在一件事情上——抓取。我們想看看一個技能能不能通過 scaling 來變成一個真正的基模。

我們用了 10 億幀仿真數據證明了：只要你把數據 scale 到這個程度，抓取就可以完全做到Zero-Shot（零樣本）。在真實世界隨便給我一個東西，我們的端到端 GRASP VLA 模型，就能直接零樣本解決這個問題。這是我們 2025 年初的工作，到今天為止，仍然沒有一個靠真實世界遙操數據訓練出來的模型，能達到我們這個 GRASP VLA 的零樣本抓取能力。

但是我們立即就發現了一個問題：從合成數據的角度上講，更多的任務超越抓取之后，什么時候能完全合成完？從真機遙操的角度，我在遙操路線剛剛出來的時候就講過：什么東西都靠遙操是不行的，如果什么都靠遙操，我們很難 scaling。

但今天我想說的是，具身智能正在迎來一個非常光明的 scaling up 的時間點，就是因為 WAM（世界動作模型）。WAM 跟一般的 World Model 不太一樣：今天大家講的 World Model 是一個很寬泛的概念，前幾天李飛飛老師也把 World Model 分成了好幾類，有的是當 simulator

用的，有的是用于生成視頻的。而我們講的 WAM，它是以 action 為最核心，用未來的預測當做視覺層面對動作的 planning。

最關鍵的是，WAM 不需要動作標簽。所以你可以想象一個機器人看人干一件事，它雖然沒有 action label，但是它能把人的行為、大致的 course motion 學到。這樣我們就能大量借用人類的第一視角視頻，來幫助我們的具身智能往更多樣化的任務、更多樣化的場景、更全面的技能去 scale up。

這里也說一句：如果大家在 arXiv 上搜索 world action model，全世界第一篇 WAM 的論文就是銀河通用在 2025 年 3 月份掛到 arXiv 上的。這個路線在我今天看來，能夠真正把無盡的環境和任務融合進具身的基模訓練里頭。所以我認為 WAM 確實定義了一個超越 VLA 的新范式——因為 VLA 里所有東西都需要有 action label，它的 scaling 只能靠 robot data，但我們今天加入了 human data，真正迎來了 scaling up 的廣闊空間。

甚至今年 4 月份的時候，NVIDIA Gear 具身智能實驗室的主任，他在紅杉的一個演講里直接就說出來了：robotics 的 end game 就是 WAM。所以我感覺今天具身智能的預訓練正在迎來一個蓬勃發展的狀態，因為在數據獲取的類型上，我們已經沒有局限性了。

我能夠預測：往未來看兩年，具身智能將全面到達一個從 GPT-3.5 向 ChatGPT 轉變的關鍵預訓練 milestone。所以現在對我們來說是真正好的時機。但這也意味著，行業需要千萬小時的高質量數據，以及百億以上的單年投入，再加上大模型的能力，這三項加起來，才能成為沖刺具身智能"ChatGPT 時刻"的入場券。

陳維廣：非常興奮的 moment。所以我把這個問題稍微延展一下，是不是根據你這樣的分析，意味著現在這些為了"世界模型"融資的公司全部都不靠譜？WAM 是不是靠譜？

王鶴：這個 WAM 也算是一種世界模型。但是我個人看，很多 World Model 它里面的一些 key feature，就比如這個東西能當 simulator，讓機器人做強化學習。

在我看來，今天不能說全部靠譜，我們也有很多工作是拿 World Model 當做一個 differentiable simulator 能夠交互的，但是希望 World Model 先把全世界任何東西都可以 simulate，都可以交互，再訓出具身智能，我覺得應當不是這樣的。

陳維廣：還有一個差距.

王鶴：對，因為我們人也不能把全世界所有東西都 simulate，都能夠精確的知道下一步的物理狀態，但我照樣可以 interact with everything，所以我并不覺得成為一個成熟的 world simulator 是建立具身智能 ChatGPT 的前提條件。

陳維廣：大海老師，我把那個問題稍微改一下。行業里通常有一個挑戰：過去幾年大家看到云端在快速 scaling，但終端因為資源受限，好像不能 scaling？你怎么看？還是說終端和云端其實可以一起 scaling？

李大海：首先簡單的答案就是：肯定都在 scaling。其實面壁提出來的知識密度定律和 scaling 這兩個東西，如果整合一下就是一個公式：大模型的智能整體等于大模型的知識密度乘以它的參數量。

所以我們會看到，在今天還有人質疑 scaling 到底是不是失效的時候，事實上云端的 Coding 模型在變得越來越大——我們都知道 OPUS 的模型越來越大，國內所有的 Coding 模型也在越來越大。同時我們端側模型也在越來越大：去年面壁給主機廠落地端側模型，只能落 1 個 B（十億參數）的模型，不是我們只能做 1B，是因為當時智能終端上能支撐模型跑起來的算力和帶寬只有這么大。今天這個模型已經從 1B 漲到 4B 了，我覺得明年可能就變成幾十 B 了，速度漲得非常非常快。

端側其實是資源受限，具身智能本質上也是一個終端，具身大腦也一定是端側模型。所以這個問題在模型層面上有非常大的 scaling 空間，受限的只是物理條件。

另外我還想補充一點：就算是大語言模型，在長上下文任務處理上也依然有非常大的空間，現在并沒有做得特別好。不用講復雜的技術細節，大家簡單理解：人的大腦處理超長上下文任務做得非常優秀，而且功耗極低，但大模型在這類任務上的成本和效果都遠遠落后于人腦。這背后的巨大空間，依然要靠 Scaling 來填補。

所以我們覺得道阻且長，技術遠遠沒有收斂。現在行業里常常會用一些階段性的認知來制造敘事，但這些敘事的保質期非常短，我們一直在不斷打破舊的認知。

陳維廣：剛才你說端側模型從 1B 漲到 4B，主要還是因為端側的硬件變得更厚了，是吧？

李大海：對，包括我在第一個分享里面，我們也在用更多的技術讓模型能夠變得更大。因為我的知識粒度變高了，我的各種，比如說我的量化的技術的提升，所以導致我們用更大的模型，量化完以后，它用的內存，用的資源是一樣多的。這些都是一些手段。

陳維廣：嗯嗯，多問一個問，就是說這里有一個說法，就是從市場上說，端側模型會起來，主要是因為大家覺得云端模型太貴了，都在想辦法把這個計算放到終端，這個理論能成立嗎？

李大海：我認為這是Token 經濟學的一部分。尤其是對于終端廠商來說，這個是一個非常清晰的算賬的方式。在中國大家都知道，我們老百姓買手機、買汽車不可能去訂閱的。我買了一臺手機，我不會再想著說給手機廠商每個月交 19 塊。

所以對于同時想給用戶提供很好的設備上的 AI 體驗的設備廠商來說，他就面臨這個選擇：就是我的后續的成本到底怎么負擔？從算賬的角度上講，端和云一定要協同，因為端側資源有限，不可能做和云端一樣的工作。但是但凡端側能做的，大家盡量還是希望能在端上做，我們這樣的成本肯定是最低的。

陳維廣：剛才我問的那兩個問題，主要還是一些行業的一些看法。不管是做端側的，云端的，或者是做具身跟 AI 的，你們能提升這個效率 3 倍、5 倍，甚至 10 倍都沒問題。

可是最終如果出問題的話，因為我們不是在說嘛，agent 就會自動化的去審核，如果它出錯誤的話，誰來背這個黑鍋？王鶴老師，你這個機器人很聰明，包括大模型，同樣的，對不對？這塊，你們有思考過這個嗎？或者是有客戶提出這個問題嗎？至少我知道這些做 agent 的，時常就被客戶挑戰。如果完全把這個 agent 自動的去完成這個任務的話，如果出問題的話，誰來承擔這個責任？

王仲遠：對，首先其實這讓我想起來今天早晨開幕式上，王堅博士的播客訪談，其實也涉及到這個問題，就人和 AI 到底如何共處？

那么我想一個新的技術的誕生，總會涉及到從人們對它最開始可能擔憂恐懼，到后面開始適應或使用它，習慣它，以及它怎么去融入到這個社會，什么樣的一個治理體系，什么樣的一個政策，能跟這些技術一起來協作？我想，比如說像自動駕駛、輔助駕駛，其實已經開始在以前趟過了一遍這樣的一些路，到底權責誰來定？到底是軟件廠商的、硬件廠商的，還是用戶的？其實 AI 后續包括智能體也會有類似這樣的一個過程和階段。

更多的是，一方面我們看到了這個技術對于生產力的提升，對于生產效率的提升。當它確實就像您說的，它如果已經提升了 3 倍、5 倍，我想這種技術就一定是沒辦法被阻礙的，它最終就會在工業，在我們的生活中變得越來越流行，越來越普遍。

另外一方面，到底如果出現了一些故障，或者出現了一些問題，它的責任的劃分，這我覺得是整個社會治理體系政策的一些方面，我相信咱們人類已經經過了這么多年，這么多次的技術浪潮，會有辦法解決的。

王鶴：我也簡單的補充一點，其實機器人在工業自動化當中的應用，跟未來具身智能機器人在各行各業的應用，它既有不同，也有很強的相似性。

如果我們交付給工業客戶，他其實不管你是具身的還是傳統的，他主要看你做這道工序的成功率是多少。交付了以后，如果比如說在某一個環節失敗，導致產線停工，跟員工出錯導致產線停工一樣，該怎么罰就怎么罰，所以其實如果我們今天是講對經濟活動的一個影響，那很簡單，就是具身智能機器人一定要做到像人一樣干的好活，并且，在經濟任務上能負責任，我想這個是沒有問題的。

那么更長遠的其實是具身機器人跟人類在一些復雜的決策和又有體力的活，又有腦力活的交互當中，怎么能講清楚權責？所以我覺得這個，從現在 agent 的大面積的使用，我相信未來能慢慢的給出我們一個方案。

今天使用這么多 Coding agent，那寫了 bug，到底是誰的責任？那肯定還是使用這個 Coding agent 的人，他的使用沒有做很全面的評測。那未來就是使用這個具身機器人在產線里頭，那么誰為它負責？是不是也是這條產線的一個管理者和背后到底是技術漏洞還是管理漏洞為它負責？那么再往更遠的未來，全部都是 AI，沒有任何人類，誰為它負責？我相信我們會一步步的去探索出來背后的體系。

李大海：我來說點讓大家毛骨悚然的真話。其實我覺得整個人類社會的發展就是建立在吃一塹長一智的范式上。就是我們現在大家都去坐飛機，飛機上有非常多讓人很惱、很討厭的一些安全規定. 起飛降落的時候必須要收起小桌板呀，打開遮光板。為什么會有這些安全規定？都是歷史上一次一次的空難，空難以后造成了嚴重的損害、損失，大家總結出來，原來這樣是不安全的，去總結出這些一個一個的規定。

很多時候大家還不理解，事實就是這樣，包括在某些交通的路段上，忽然之間限速 30，為什么要限速 30？因為超過 30 就特別容易出事故，這都是總結出來的。我覺得這是人類社會運行的一種比較常見的方式。好消息是，其實在人工智能的賦能底下，其實我們去填補安全漏洞，去發現安全的問題的效率也提高了。所以在有了新的技術以后，雖然可能無可避免的還是會先吃虧，再長智慧，還是要付出一些代價。但是我覺得這個代價可能會比以往時候付出的更少，這個是好的方向。

另外，就是我們作為企業，我們看到，其實我們的監管政府對于這些安全底線的工作，其實是非常非常的重視，所以企業在這個方面，從很早就開始考慮自己的社會責任，就已經開始考慮這些問題了。我們從第一天開始要通過網信辦的安全備案，其實就要考慮大模型的內容生成是否符合各種各樣的內容安全的這樣的一個標準，這些都是我認為好的方向，但是總的來說，吃一塹長一智，這件事情可能真的無法避免。總會，安全問題總會從你想象不到的角度出現，給大家一個教訓，這個教訓再來變成我們讓整個社會整個治理更安全的方式。這是我認為大家要理解的事情。

陳維廣：說的非常好。我看到我們只有 3 到 4 分鐘，最后一個問題，咱們嘉賓快速回答，你們從你們的自己的視角，以及你所處的領域，你覺得中國的 AI 和歐美的 AI，最終走出來不一樣的地方在哪？仲遠院長先來。

王仲遠：對，我覺得咱們中國還是有很多很獨特的優勢，包括像供應鏈、制造業以及場景，所以其實我們自己本身，整個中國的市場也已經足夠大，使得我們能夠去孵化和催化很多的技術的產生和落地。當然我們肯定也希望這樣的技術能夠輻射到全球，所以我自己覺得結合中國的這些優勢，像具身智能，像世界模型，很有可能是我們將來會有獨特性，且在一定程度上領先的一些領。

王鶴：對，其實我明天在我們這個具身智能與人形機器人的論壇會主要談這個事。我的 talk 的名字叫推動 embodied AI 的 AlphaGo 和 ChatGPT moment。

實際上，我堅信具身智能是中國的機會。具身智能的 AlphaGo 和 ChatGPT Moment，我堅信會在中國實現，這也是我們銀河通用和中國具身智能人的責任。如果具身智能的 0 到 1 在中國完成，相信 1 到 100 必定是在中國成熟的。

李大海：我就補充一個點，就是人才。中國擁有最聰明的青年才俊，并且數量應該也是全球最大的。我覺得這個是最底層最重要的因素。有了這個因素，再加上剛才仲遠老師提到的我們的生態，我們的優勢，我們的整個供應鏈。我覺得這些因素疊加在一起，包括政府對于這個領域的重視和搭臺唱，我覺得這些因素疊加以后，中國必定會在人工智能領域取得各方面的長足的進步和勝利。

陳維廣：對，其實我們最近也做了一個比較，就是美國的這個 AI 人才跟中國的 AI 人才，很明顯的就是中國的這個年輕化，這塊是很明顯的。所以看到智源的這個大會每年越辦越大，對不對？也有很多這個年輕的研究員踴躍的參加，而且我們投的很多創業公司，他們其實除了這個創始人跟團隊，他們其實也跟院校有很多合作，也跟智源這邊有很多合作，我覺得這個可能跟美國是最大的不同嘛，這是從我們這邊觀察到。

會議推薦

企業級 Agent 落地，繞不開 4 個真實的工程問題！如何在 Agent 安全性和可用性之間找到平衡點？Agent 需要什么樣的記憶系統才能真正理解上下文？如何通過算法壓榨實現智力增量與成本控制的極致平衡？多 Agent 協作，如何做到可觀測、可治理、可控制？6.26-27 AICon 上海站，國內頭部公司的 Agent 實踐，一次說透。

今日薦文

你也「在看」嗎？