“干活消耗的Token量是簡(jiǎn)單問答的10倍甚至100倍，成本大幅提高?！?/p>

回答月之暗面CEO楊植麟“為什么漲價(jià)”的問題時(shí)，智譜CEO張鵬這樣說道。

上文這組問答，發(fā)生在今天舉行的2026中關(guān)村論壇年會(huì)開源主題圓桌上。和三個(gè)月前清華主導(dǎo)的AGI-Next開源論壇不同，今天的開源主題圓桌上多了一些新面孔。

年初的AGI-Next上，演講嘉賓除了智譜創(chuàng)始人唐杰和楊植麟外，還有彼時(shí)的Qwen技術(shù)負(fù)責(zé)人林俊旸。

幾個(gè)月時(shí)間過去，林俊旸以一種戲劇性的方式從阿里迅速離職。而在這場(chǎng)圓桌上，除了楊植麟和張鵬，基模界的另一位代表是小米MiMo大模型負(fù)責(zé)人羅福莉，以及無問芯穹聯(lián)合創(chuàng)始人兼CEO夏立雪、香港大學(xué)助理教授、博士生導(dǎo)師、Nanobot團(tuán)隊(duì)負(fù)責(zé)人黃超。

和羅福莉現(xiàn)身同步的是MiMo-V2-Pro近期在模型市場(chǎng)的火熱表現(xiàn)。OpenRouter最新周榜數(shù)據(jù)顯示，小米MiMo-V2-Pro模型拿下周榜第一，成為OpenRouter史上首個(gè)周Token消耗量超3萬億的模型。

小米也憑借MiMo-V2-Pro的出色表現(xiàn)，與智譜、MiniMax、階躍星辰、DeepSeek等一眾國產(chǎn)大模型廠商包攬周榜前六名。

和AGI-Next不同，今天的圓桌會(huì)談并不僅僅聚焦模型。除了月之暗面、智譜、小米三大基模廠商代表之外，無問芯穹是清華系孵化的AI Infra企業(yè)， Nanobot是港科大在今年初發(fā)布的開源Agent框架。

換句話說，這場(chǎng)論壇從Agent生態(tài)出發(fā)，實(shí)際上涵蓋了整個(gè)AI行業(yè)的產(chǎn)業(yè)鏈。

值得關(guān)注的是，幾個(gè)月前AGI-Next舉行時(shí)，智譜剛剛上市3天，創(chuàng)始人唐杰主導(dǎo)了那一場(chǎng)論壇。而在今天的開源主題圓桌上，主導(dǎo)對(duì)話的楊植麟和月之暗面，剛剛在昨日傳出了考慮赴港IPO的消息。

特殊的時(shí)間節(jié)點(diǎn)，加上中關(guān)村論壇的“舞臺(tái)”，這一場(chǎng)圓桌論壇被迅速推到行業(yè)的聚光燈下。

01

談OpenClaw時(shí)代機(jī)遇｜夏立雪：每兩周Token翻一倍

楊植麟：現(xiàn)在最流行的就是OpenClaw，大家在日常使用或者類似產(chǎn)品時(shí)，覺得什么最有想象力或印象深刻？我們從技術(shù)角度，先請(qǐng)張鵬談?wù)剬?duì)OpenClaw和相關(guān)Agent的看法。

張鵬：我把它稱作一個(gè)“腳手架”。它提供了在模型基礎(chǔ)上搭建非常牢固、方便且靈活的可能性。普通人可以以極低門檻使用頂尖模型，尤其是在編程和整體能力方面。以前想法受限于不會(huì)編程等技能，現(xiàn)在通過簡(jiǎn)單交流就能完成，這是一個(gè)非常大的突破。

夏立雪：我最開始用不太適應(yīng)，習(xí)慣了聊天式交互，感覺OpenClaw很慢。后來發(fā)現(xiàn)它其實(shí)是能幫我完成大型任務(wù)的。從按Token聊天到現(xiàn)在能完成任務(wù)的Agent，想象力空間提升了，但對(duì)系統(tǒng)能力要求也變大了，這就是為什么一開始會(huì)覺得卡。

作為基礎(chǔ)設(shè)施廠商，我看到的是機(jī)遇和挑戰(zhàn)。我們的資源要支撐起這個(gè)快速增長的時(shí)代。比如我們公司從1月底開始，每兩周Token量翻一番?，F(xiàn)在的Token用量就像當(dāng)年100兆手機(jī)流量的時(shí)代。我們需要更好的優(yōu)化和整合，讓每一個(gè)鮮活的人都能用起來。這對(duì)整個(gè)社區(qū)是巨大的優(yōu)化空間。

羅福莉：我認(rèn)為OpenClaw是一個(gè)非常革命性和顛覆性的事件。雖然深度Coding的人首選可能還是Code，但用過OpenClaw的人會(huì)感受到它在Agent框架設(shè)計(jì)上是領(lǐng)先于Code的，Code的最新更新其實(shí)都在向OpenClaw靠近。

它給我的最大價(jià)值在于“開源”：這有利于社區(qū)深入?yún)⑴c。它把國內(nèi)次頂級(jí)閉源模型的上限拉得非常高，在絕大部分場(chǎng)景下任務(wù)完成度已非常接近最新模型，同時(shí)又靠Skill體系保證了下限。

此外，它點(diǎn)燃了大家的想象力。大家發(fā)現(xiàn)大模型外的Agent層有巨大空間，更多人不僅是研究員，開始參與AGI變革，這在一定程度上替代了重復(fù)工作，釋放了時(shí)間去做更有想象力的事。

黃超：首先是在交互模式上，OpenClaw給了大家一種“更有活人感”的體驗(yàn)。之前的Agent工具感更強(qiáng)，而OpenClaw以“軟件切入”的方式，更接近大家想象中的個(gè)人賈維斯（J.A.R.V.I.S.）。

其次，它證明了架構(gòu)Agent的框架可以既簡(jiǎn)單又高效。它讓我們重新思考：是否需要一個(gè)All-in-one的超級(jí)智能體，還是需要一個(gè)輕量級(jí)操作系統(tǒng)或腳手架式的小管家？它讓大家更有“玩起來”的心態(tài)，撬動(dòng)生態(tài)里的所有工具，通過Skills或Tool的設(shè)計(jì)，賦能各行各業(yè)。

02

楊植麟問張鵬：為什么漲價(jià)？

楊植麟：張鵬，智譜最近發(fā)布了新的GLM Turbo模型，對(duì)Agent做了增強(qiáng)，能否介紹一下新舊模型的不同？以及觀察到的提價(jià)策略反映了什么市場(chǎng)情況？

張鵬：發(fā)布Turbo主要是為了從“簡(jiǎn)單的對(duì)話”轉(zhuǎn)向“干活”。OpenClaw讓大家看到大模型能干活，但干活背后的Token消耗非常高，需要規(guī)劃、嘗試、Debug、處理模糊需求。Turbo在這些方面做了優(yōu)化，本質(zhì)上是多智能體協(xié)同架構(gòu)，但在能力上有偏向性加強(qiáng)。

關(guān)于提價(jià)，因?yàn)楦苫钕牡腡oken量是簡(jiǎn)單問答的10倍甚至100倍，成本大幅提高。長期低價(jià)競(jìng)爭(zhēng)不利于行業(yè)發(fā)展，調(diào)整價(jià)格是為了回歸正常的商業(yè)價(jià)值，讓我們能持續(xù)優(yōu)化模型，提供更好的服務(wù)。

楊植麟：隨著開源模型和推理算力形成生態(tài)，Token量爆發(fā)，逐漸從訓(xùn)練時(shí)代變成推理時(shí)代。請(qǐng)教夏立雪，這對(duì)無問來說意味著什么？

夏立雪：我們一直在思考AGI時(shí)代的基礎(chǔ)設(shè)施是什么樣子，以及如何一步步實(shí)現(xiàn)它。

當(dāng)前腳下的問題在于AI帶來的暴增需求，對(duì)系統(tǒng)效率提出了更高的優(yōu)化要求。我們通過軟硬件打通來解決，接入了幾乎所有種類的計(jì)算芯片，連接國內(nèi)幾十種芯片和算力集群，讓資源用在刀刃上，提升轉(zhuǎn)換效率。我們打造了一個(gè)標(biāo)準(zhǔn)化的Token工廠。

但這還不夠，Agent更像人，能以秒/毫秒級(jí)思考和發(fā)起任務(wù)。而現(xiàn)有的云計(jì)算基礎(chǔ)設(shè)施是為“人”設(shè)計(jì)的（分鐘級(jí)操作），限制了Agent。我們需要打造更智慧化的工程，讓基礎(chǔ)設(shè)施能適應(yīng)AI的高頻需求。

基礎(chǔ)設(shè)施本身也應(yīng)該是一個(gè)智能體，能夠自我進(jìn)化、自我迭代，形成自主組織。Agent之間能更好地通信和協(xié)作?；A(chǔ)設(shè)施和AI的發(fā)展不應(yīng)隔離，而應(yīng)產(chǎn)生化學(xué)反應(yīng)，實(shí)現(xiàn)真正的軟硬協(xié)同和算法與基礎(chǔ)設(shè)施的協(xié)同。

03

談國產(chǎn)模型｜羅福莉：推理需求爆發(fā)，今年可能增長100倍

楊植麟：羅福莉，小米最近通過發(fā)布新模型和開源技術(shù)對(duì)社區(qū)做出了貢獻(xiàn)，小米做大模型有什么獨(dú)特優(yōu)勢(shì)？

羅福莉：我想先不談小米的獨(dú)特優(yōu)勢(shì)，而是談?wù)勚袊竽Ｐ蛨F(tuán)隊(duì)的優(yōu)勢(shì)。

兩年前，中國團(tuán)隊(duì)在算力受限，尤其是互聯(lián)帶寬受限的情況下，做出了突破：在低端算力限制下，通過模型結(jié)構(gòu)創(chuàng)新（如DPCV3、M1、MA等）去追求最高效率。這給了我們勇氣和信心。

雖然現(xiàn)在國產(chǎn)芯片不再受限，但這種對(duì)高效率、低推理成本的探索依然重要。例如，現(xiàn)在的Hybrid、SPA、Linear Attention結(jié)構(gòu)等。

為什么結(jié)構(gòu)創(chuàng)新重要？因?yàn)镺penClaw越用越聰明的前提是推理Context?，F(xiàn)在的難題是：怎么在1M或10M的長上下文下，做到成本夠低、速度夠快？只有這樣，才能激發(fā)高生產(chǎn)力任務(wù)，實(shí)現(xiàn)模型自迭代，在復(fù)雜環(huán)境中依靠超長Context完成自我進(jìn)化。

我們現(xiàn)在正在探索Long Context Efficient架構(gòu)，以及如何在真實(shí)長距離任務(wù)上做到穩(wěn)定和高上限。

更長期看，隨著推理需求爆發(fā)，今年可能增長100倍，競(jìng)爭(zhēng)維度將下探到算力、推理芯片甚至能源層面。

04

談Agent迭代｜黃超：Memory應(yīng)該走向分層設(shè)計(jì)

楊植麟：黃超，你開發(fā)了Nanobot等有影響力的Agent項(xiàng)目，從研發(fā)或應(yīng)用層面，接下來哪些技術(shù)方向值得關(guān)注？

黃超：關(guān)于Planning：現(xiàn)在的問題在于，面對(duì)長程任務(wù)和非常復(fù)雜的上下文（比如500步甚至更長），很多模型不一定能做好規(guī)劃。這本質(zhì)上是因?yàn)槟Ｐ涂赡懿痪邆溥@樣的隱性知識(shí)，特別是在復(fù)雜垂直領(lǐng)域。我覺得未來的Planning需要把很多已有的復(fù)雜任務(wù)知識(shí)固化到模型里。

當(dāng)然，Skill和Harness本質(zhì)上也是為了緩解Planning帶來的錯(cuò)誤，因?yàn)樘峁┝烁哔|(zhì)量的Skill，可以幫助模型去完成比較難的任務(wù)。這是針對(duì)Planning的解決方案。

然后是Memory：現(xiàn)在Memory永遠(yuǎn)存在信息壓縮不準(zhǔn)確、記不準(zhǔn)的問題。在長線任務(wù)和復(fù)雜場(chǎng)景下，Memory會(huì)暴增，帶來很大的壓力?，F(xiàn)在各類LLM和Agent都采用最簡(jiǎn)單的文件系統(tǒng)、Markdown格式的Memory，通過共享文件來做。我覺得未來的Memory應(yīng)該走向分層設(shè)計(jì)，讓Memory更通用。

因?yàn)楝F(xiàn)在的整個(gè)Memory機(jī)制很難通用，比如Coding場(chǎng)景、深度學(xué)習(xí)、多媒體領(lǐng)域，模態(tài)差別很大。如何對(duì)這些Memory做很好的檢索索引、做到更高效，永遠(yuǎn)是一個(gè)權(quán)衡。

另外一點(diǎn)是，OpenCode讓大家創(chuàng)建Agent的門檻大幅降低之后，未來可能不止一個(gè)Agent。我看到Kimi也有Agent Swarm（智能體群）機(jī)制，相當(dāng)于未來每個(gè)人會(huì)擁有一群Agent。一群Agent相比于單個(gè)Agent，上下文會(huì)暴增，現(xiàn)在還沒有一套很好的機(jī)制去管理，尤其對(duì)復(fù)雜Coding、科研發(fā)現(xiàn)來說，不管對(duì)模型還是對(duì)Agent架構(gòu)，壓力都很大。

對(duì)于Tool Use這塊：現(xiàn)在Skill還是存在MCP當(dāng)年的問題，就是質(zhì)量不保障、有安全問題?，F(xiàn)在Skill確實(shí)很多，但高質(zhì)量Skill比較少，低質(zhì)量Skill會(huì)很影響任務(wù)完成度。另外，Skill也很難避免惡意問題。

所以Tool Use這塊可能需要靠社區(qū)，把Skill發(fā)展得更好，升級(jí)到在執(zhí)行過程中進(jìn)化出新Skill的能力。

這就是我覺得當(dāng)下Agent存在的一些痛點(diǎn)和未來潛在的方向。

05

“在模型行業(yè)，12個(gè)月已經(jīng)很遙遠(yuǎn)?！?/strong>

楊植麟：最后我們來做一個(gè)開放式展望。想請(qǐng)各位用一個(gè)詞來描述接下來十二個(gè)月大模型發(fā)展的趨勢(shì)，以及你的期望。這次我們先從黃超開始。

黃超：我覺得，在AI領(lǐng)域談十二個(gè)月，其實(shí)已經(jīng)是一個(gè)很遙遠(yuǎn)的時(shí)間了，很難判斷十二個(gè)月之后會(huì)發(fā)展成什么樣。原來這里面寫的是五年，但我覺得把時(shí)間縮短到一年，反而更真實(shí)。

如果讓我用一個(gè)詞來概括，我會(huì)選“生態(tài)”。

現(xiàn)在“龍蝦”讓大家變得非?；钴S，但我認(rèn)為，未來Agent真正重要的方向，是從一個(gè)“個(gè)人助手”進(jìn)一步轉(zhuǎn)變成一個(gè)真正的“打工人”角色。也就是說，它不能只是因?yàn)樾迈r、好玩而被大家使用，而是要真正沉淀下來，成為大家日常工作的工具，甚至成為一個(gè)真正的coworker。

所以我覺得，這件事一定需要整個(gè)生態(tài)共同努力。尤其是開源非常重要——當(dāng)相關(guān)技術(shù)探索，包括模型層面的很多技術(shù)，都開源出來之后，整個(gè)生態(tài)才有機(jī)會(huì)一起共建。不管是模型迭代、Skills平臺(tái)迭代，還是各種工具的發(fā)展，我覺得都需要更好地圍繞Agent來構(gòu)建，創(chuàng)造一個(gè)更適合它生長的生態(tài)。

從我個(gè)人的感受來看，一個(gè)比較明顯的趨勢(shì)是：未來很多軟件，可能未必還是主要給人用的。過去的軟件默認(rèn)是面向人的，而人需要GUI；但未來很多軟件，可能會(huì)越來越面向Agent原生使用，也就是Agent Native。這樣的話，可能會(huì)出現(xiàn)一種很有意思的狀態(tài)：人最終只使用那些能讓自己感到快樂的GUI。

所以我們也看到，整個(gè)生態(tài)正在從GUI、MCP，逐漸轉(zhuǎn)向CLI這樣的模式。我覺得這背后說明，整個(gè)軟件系統(tǒng)、數(shù)據(jù)體系，以及各種技術(shù)能力，都需要逐步變成Agent Native的模式。只有這樣，Agent的發(fā)展才會(huì)真正豐富起來。

羅福莉：我覺得，把這個(gè)問題縮小到一年，其實(shí)非常有意義。因?yàn)槿绻诺轿迥?，從我自己?duì)AGI的定義來看，我甚至?xí)X得它已經(jīng)實(shí)現(xiàn)了。

如果要用一個(gè)詞來描述接下來一年里，AGI進(jìn)程中最關(guān)鍵的一件事，我認(rèn)為會(huì)是“自進(jìn)化”。

雖然這個(gè)詞聽起來有點(diǎn)玄，過去一年大家也提過很多次，但我最近才真正對(duì)它有了更深的體會(huì)。更重要的是，我開始看到“自進(jìn)化”這件事，已經(jīng)出現(xiàn)了一個(gè)更務(wù)實(shí)、可落地、可實(shí)操的路徑。

原因在于，借助于足夠強(qiáng)大的模型，我們之前在chat這個(gè)范式下，其實(shí)并沒有真正發(fā)揮出預(yù)訓(xùn)練模型的上限。而這個(gè)上限，現(xiàn)在正在被Agent框架激活。尤其是當(dāng)模型開始執(zhí)行更長時(shí)間任務(wù)的時(shí)候，我們會(huì)發(fā)現(xiàn)，它是可以自己學(xué)習(xí)、自己進(jìn)化的。

一個(gè)很簡(jiǎn)單的嘗試就是：在現(xiàn)有的Agent框架里，給它疊加一個(gè)可驗(yàn)證的約束條件，再給它設(shè)置一個(gè)loop，讓模型不停下來，持續(xù)地圍繞目標(biāo)迭代優(yōu)化。這樣我們就會(huì)發(fā)現(xiàn)，它能夠不斷拿出更好的方案。

如果這種自進(jìn)化持續(xù)下去，現(xiàn)在其實(shí)已經(jīng)可以跑一兩天了，國內(nèi)很多模型基本都能做到，當(dāng)然這也和任務(wù)難度有關(guān)。比如在一些科學(xué)研究任務(wù)里，像探索更好的模型結(jié)構(gòu)，因?yàn)槟Ｐ徒Y(jié)構(gòu)本身有明確的評(píng)估標(biāo)準(zhǔn)，比如更低的perplexity，這類任務(wù)就比較適合驗(yàn)證。我們已經(jīng)發(fā)現(xiàn)，在這種確定性較高的任務(wù)上，模型能夠自主運(yùn)行和演化兩三天。

所以從我的角度看，自進(jìn)化是目前唯一一個(gè)真正有機(jī)會(huì)創(chuàng)造“新東西”的方向。它不是簡(jiǎn)單替代現(xiàn)有人的生產(chǎn)力，而是像頂尖科學(xué)家一樣，去探索這個(gè)世界上原本還不存在的東西。

其實(shí)一年前，我還覺得這個(gè)進(jìn)程可能需要三到五年；但就在最近，我開始覺得這個(gè)時(shí)間尺度應(yīng)該縮短到一到兩年。也就是說，我們很可能在近期就能看到：大模型疊加一個(gè)很強(qiáng)的自進(jìn)化Agent框架后，對(duì)科學(xué)研究帶來至少指數(shù)級(jí)的加速。

因?yàn)槲易罱呀?jīng)觀察到，我們組內(nèi)做大模型研究的同學(xué)，他們的workflow本身就高度不確定、依賴創(chuàng)造力。而借助Claude Code，再加上頂尖模型，基本已經(jīng)能夠把我們自己的研究效率提升接近十倍。

所以我非常期待，這樣的范式能夠輻射到更廣泛的學(xué)科和領(lǐng)域。我覺得這是接下來非常重要的一件事。

夏立雪：我的關(guān)鍵詞是“可持續(xù)Token”。因?yàn)槲铱吹?，現(xiàn)在整個(gè)AI的發(fā)展仍然處在一個(gè)長期持續(xù)推進(jìn)的過程中。我們也希望，它能夠真正具備長期的生命力。

從基礎(chǔ)設(shè)施的角度來看，一個(gè)非常現(xiàn)實(shí)的問題是：資源終究是有限的。就像我們當(dāng)年講“可持續(xù)發(fā)展”一樣，現(xiàn)在站在“Token工廠”的視角，我們能不能持續(xù)、穩(wěn)定、大規(guī)模地提供Token，讓頂尖模型真正長期地服務(wù)更多下游場(chǎng)景，我覺得這是一個(gè)非常關(guān)鍵的問題。

所以現(xiàn)在我們也需要把視角放寬到整個(gè)生態(tài)。從最早的能源，到轉(zhuǎn)化為算力，再到轉(zhuǎn)化為Token，最終轉(zhuǎn)化成實(shí)際的經(jīng)濟(jì)價(jià)值和GDP，這里面應(yīng)該形成一個(gè)可持續(xù)的、經(jīng)濟(jì)化的迭代鏈路。我們不僅要把國內(nèi)的各種算力資源用起來，也在努力把這些能力輸出到海外，讓全球資源能夠被打通和整合。

所以我認(rèn)為，“可持續(xù)”還有一層含義，就是希望把具有中國特色的Token經(jīng)濟(jì)學(xué)真正建立起來。

過去我們講的是Made in China。我們看到，中國能夠把低成本、高效率的制造能力轉(zhuǎn)化成優(yōu)質(zhì)商品，再輸出到全球。那今天我們想做的，某種程度上可以理解為AI Made in China：把中國在能源等方面的優(yōu)勢(shì)，通過Token工廠，可持續(xù)地轉(zhuǎn)化成優(yōu)質(zhì)Token，并輸出到全球。

如果能夠做到這一點(diǎn)，中國就有機(jī)會(huì)成為世界的“Token工廠”。這也是我今年非常期待看到的——中國為全球人工智能發(fā)展所帶來的獨(dú)特價(jià)值。

張鵬：大家可能都在仰望星空，那我就稍微落地一點(diǎn)。如果讓我講未來十二個(gè)月里最關(guān)鍵、也最大的問題，我覺得關(guān)鍵詞就是“算力”。

因?yàn)閯偛糯蠹姨岬降倪@些技術(shù)進(jìn)展，包括智能體框架，確實(shí)讓很多人的創(chuàng)造力得到釋放，效率也可能提升十倍。但前提是，大家得用得起、也用得上。如果因?yàn)樗懔Σ粔颍粋€(gè)問題提出來以后，要等很久都得不到答案，那肯定是不行的。

也正因?yàn)檫@個(gè)原因，我們現(xiàn)在很多研究進(jìn)展，包括很多原本想做的事情，其實(shí)都在一定程度上受到了限制。

我記得前兩年，亞勤院士（ 編者注：張亞勤，中國工程院外籍院士、清華大學(xué)智能產(chǎn)業(yè)研究院院長）好像也在中關(guān)村論壇說過一句話，大意是：“沒卡沒感情，談卡傷感情。”我覺得今天其實(shí)又有點(diǎn)回到了這個(gè)狀態(tài)，只不過這次情況又不太一樣。就像剛才提到的，我們現(xiàn)在已經(jīng)進(jìn)入了推理階段，而之所以會(huì)轉(zhuǎn)向推理階段，是因?yàn)樾枨笳娴脑诒l(fā)，而且是十倍、百倍地爆發(fā)。

剛才也提到，效率可能提升了十倍，但需求可能是一百倍，甚至還有大量需求根本沒有被滿足。那怎么辦？這就需要我們大家一起來想辦法了。