【實錄】楊植麟張鵬夏立雪羅福莉，聊龍蝦、聊漲價、聊Agent未來

出品 | 《態度》欄目

作者 | 紀川 袁雪麗

編輯 | 丁廣勝

3月27日，在2026中關村論壇年會的一場開源主題圓桌上，中國大模型與AI基礎設施領域幾位風格迥異、但都處在一線牌桌上的關鍵人物，坐到了一起。

這場名為 OpenClaw 與 AI 開源圓桌會議 的討論，由月之暗面創始人楊植麟擔任主持，智譜華章 CEO 張鵬、無問芯穹聯合創始人兼 CEO 夏立雪、小米 MiMo 大模型負責人羅福莉，以及香港大學助理教授、博士生導師、Nanobot 團隊負責人黃超同臺參與。

幾位同臺者，分別站在中國 AI 生態里不同但都不可忽視的位置。

在這場討論里，楊植麟拋給現場嘉賓的切口，并不宏大，卻很精準：聊“龍蝦”，聊大模型漲價，聊推理時代對算力基礎設施的意義，小米在大模型方面的獨特優勢，Agent應用層面未來的技術方向，以及未來一年大模型發展的關鍵詞。

談OpenClaw ：非常革命性和顛覆性的事件

楊植麟：現在最流行的就是openclaw，大家在日常使用或者類似產品時，覺得什么最有想象力或印象深刻？我們從技術角度，先請張鵬談談對openclaw和相關Agent的看法。

張鵬：我把它稱作一個“腳手架”。它提供了在模型基礎上搭建非常牢固、方便且靈活的可能性。普通人可以極低門檻地使用頂尖模型，尤其是編程和整體能力。以前想法受限于不會編程等技能，現在通過簡單交流就能完成，這是一個非常大的突破。

夏立雪：我最開始用不太適應，習慣了聊天式交互，感覺openclaw很慢。后來發現它其實是能幫我完成大型任務的。從按Token聊天到現在能完成任務的Agent，想象力空間提升了，但對系統能力要求也變大了，這就是為什么一開始會覺得卡。

作為基礎設施廠商，我看到的是機遇和挑戰。我們的資源要支撐起這個快速增長的時代。比如我們公司從1月底開始，每兩周Token量翻一番。現在的Token用量就像當年100兆手機流量的時代。我們需要更好的優化和整合，讓每一個鮮活的人都能用起來。這對整個社區是巨大的優化空間。

羅福莉：我認為openclaw是一個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的人會感受到它在Agent框架設計上是領先于Code的，Code的最新更新其實都在向openclaw靠近。

它給我的最大價值在于“開源”：這有利于社區深入參與。它把國內次頂級閉源模型的上限拉得非常高，在絕大部分場景下任務完成度已非常接近最新模型，同時又靠Skill體系保證了下限。

此外，它點燃了大家的想象力。大家發現大模型外的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工作，釋放了時間去做更有想象力的事。

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

其次，它證明了架構Agent的框架可以既簡單又高效。它讓我們重新思考：是否需要一個All in one的超級智能體，還是需要一個輕量級操作系統或腳手架式的小管家？它讓大家更有“玩起來”的心態，撬動生態里的所有工具，通過Skills或Tool的設計，賦能各行各業。

談智譜模型調價：干活消耗的Token量是問答的10倍甚至100倍

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

張鵬：發布Turbo主要是為了從“簡單的對話”轉向“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，需要規劃、嘗試、Debug、處理模糊需求。Turbo在這些方面做了優化，本質上是多智能體協同架構，但在能力上有偏向性加強。

關于提價，因為干活消耗的Token量是簡單問答的10倍甚至100倍，成本大幅提高。長期低價競爭不利于行業發展，調整價格是為了回歸正常的商業價值，讓我們能持續優化模型，提供更好的服務。

談推理時代的基礎設施：應自我進化、自我迭代，形成自主組織

楊植麟：隨著開源模型和推理算力形成生態，Token量爆發，逐漸從訓練時代變成推理時代。請教夏立雪，這對無問來說意味著什么？

夏立雪：我們一直在思考AGI時代的基礎設施是什么樣子，以及如何一步步實現它。

當前腳下的問題在于AI帶來的暴增需求，對系統效率提出了偉大優化的需求。我們通過軟硬件打通來解決，接入了幾乎所有種類的計算芯片，連接國內幾十種芯片和算力集群，讓資源用在刀刃上，提升轉換效率。我們打造了一個標準化的Token工廠。

但這還不夠，Agent更像人，能秒/毫秒級思考和發起任務。而現有的云計算基礎設施是為“人”設計的（分鐘級操作），限制了Agent。我們需要打造更智慧化的工程，讓基礎設施能適應AI的高頻需求。

基礎設施本身也應該是一個智能體，能夠自我進化、自我迭代，形成自主組織。Agent之間能更好地通信和協作。基礎設施和AI的發展不應隔離，而應產生化學反應，實現真正的軟硬協同和算法與基礎設施的協同。

談小米的優勢：競爭將下探到算力、推理芯片甚至能源層面

楊植麟：羅福莉，小米最近通過發布新模型和開源技術對社區做出了貢獻，小米做大模型有什么獨特優勢？

羅福莉：我想先不談小米的獨特優勢，而是談談中國大模型團隊的優勢。

兩年前，中國團隊在算力受限，尤其是互聯帶寬受限的情況下，做出了突破：在低端算力限制下，通過模型結構創新（如DPCV3、M1、MA等）去追求最高效率。這給了我們勇氣和信心。

雖然現在國產芯片不再受限，但這種對高效率、低推理成本的探索依然重要。例如，現在的Hybrid、SPA、Linear attention結構等。

為什么結構創新重要？因為openclaw越用越聰明的前提是推理Context。現在的難題是：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，才能激發高生產力任務，實現模型自迭代，在復雜環境中依靠超長Context完成自我進化。

我們現在正在探索Long Context Efficient架構，以及如何在真實長距離任務上做到穩定和高上限。

更長期看，隨著推理需求爆發，今年可能增長100倍，競爭維度將下探到算力、推理芯片甚至能源層面。

談Agent應用層面的重要技術方向

楊植麟：黃超，你開發了nanobots等有影響力的Agent項目，從研發或應用層面，接下來哪些技術方向值得關注？

黃超：關于Planning：現在的問題在于，面對長程任務和非常復雜的上下文（比如500步甚至更長），很多模型不一定能做好規劃。這本質上是因為模型可能不具備這樣的隱性知識，特別是在復雜垂直領域。我覺得未來的Planning需要把很多已有的復雜任務知識固化到模型里。

當然，Skill和Harness本質上也是為了緩解Planning帶來的錯誤，因為提供了高質量的Skill，可以幫助模型去完成比較難的任務。這是針對Planning的解決方案。

然后是Memory：現在Memory永遠存在信息壓縮不準確、記不準的問題。在長線任務和復雜場景下，Memory會暴增，帶來很大的壓力。現在各類LLM和Agent都采用最簡單的文件系統、Markdown格式的Memory，通過共享文件來做。我覺得未來的Memory應該走向分層設計，讓Memory更通用。

因為現在的整個Memory機制很難通用，比如Coding場景、深度學習、多媒體領域，模態差別很大。如何對這些Memory做很好的檢索索引、做到更高效，永遠是一個權衡。

另外一點是，OpenCode讓大家創建Agent的門檻大幅降低之后，未來可能不止一個Agent。我看到Kimi也有Agent Swarm（智能體群）機制，相當于未來每個人會擁有一群Agent。一群Agent相比于單個Agent，上下文會暴增，現在還沒有一套很好的機制去管理，尤其對復雜Coding、科研發現來說，不管對模型還是對Agent架構，壓力都很大。

對于Tool Use這塊：現在Skill還是存在MCP當年的問題，就是質量不保障、有安全問題。現在Skill確實很多，但高質量Skill比較少，低質量Skill會很影響任務完成度。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，把Skill發展得更好，升級到在執行過程中進化出新Skill的能力。

這就是我覺得當下Agent存在的一些痛點和未來潛在的方向。

談未來一年大模型發展：生態、自進化、可持續 token、算力

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

黃超：我覺得，在 AI 領域談十二個月，其實已經是一個很遙遠的時間了，很難判斷十二個月之后會發展成什么樣。原來這里面寫的是五年，但我覺得把時間縮短到一年，反而更真實。

如果讓我用一個詞來概括，我會選“生態”。

現在“龍蝦”讓大家變得非常活躍，但我認為，未來 agent 真正重要的方向，是從一個“個人助手”進一步轉變成一個真正的“打工人”角色。也就是說，它不能只是因為新鮮、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，甚至成為一個真正的 coworker。

所以我覺得，這件事一定需要整個生態共同努力。尤其是開源非常重要——當相關技術探索，包括模型層面的很多技術，都開源出來之后，整個生態才有機會一起共建。不管是模型迭代、skills 平臺迭代，還是各種工具的發展，我覺得都需要更好地圍繞 agent 來構建，創造一個更適合它生長的生態。

從我個人的感受來看，一個比較明顯的趨勢是：未來很多軟件，可能未必還是主要給人用的。過去的軟件默認是面向人的，而人需要 GUI；但未來很多軟件，可能會越來越面向 agent 原生使用，也就是 agent native。這樣的話，可能會出現一種很有意思的狀態：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，整個生態正在從 GUI、MCP，逐漸轉向 CLI 這樣的模式。我覺得這背后說明，整個軟件系統、數據體系，以及各種技術能力，都需要逐步變成 agent native 的模式。只有這樣，agent 的發展才會真正豐富起來。

羅福莉：我覺得，把這個問題縮小到一年，其實非常有意義。因為如果放到五年，從我自己對 AGI 的定義來看，我甚至會覺得它已經實現了。

如果要用一個詞來描述接下來一年里，AGI 進程中最關鍵的一件事，我認為會是“自進化”。

雖然這個詞聽起來有點玄，過去一年大家也提過很多次，但我最近才真正對它有了更深的體會。更重要的是，我開始看到“自進化”這件事，已經出現了一個更務實、可落地、可實操的路徑。

原因在于，借助于足夠強大的模型，我們之前在 chat 這個范式下，其實并沒有真正發揮出預訓練模型的上限。而這個上限，現在正在被 agent 框架激活。尤其是當模型開始執行更長時間任務的時候，我們會發現，它是可以自己學習、自己進化的。

一個很簡單的嘗試就是：在現有的 agent 框架里，給它疊加一個可驗證的約束條件，再給它設置一個 loop，讓模型不停下來、持續地圍繞目標迭代優化。這樣我們就會發現，它能夠不斷拿出更好的方案。

如果這種自進化持續下去，現在其實已經可以跑一兩天了，國內很多模型基本都能做到，當然這也和任務難度有關。比如在一些科學研究任務里，像探索更好的模型結構，因為模型結構本身有明確的評估標準，比如更低的 perplexity，這類任務就比較適合驗證。我們已經發現，在這種確定性較高的任務上，模型能夠自主運行和演化兩三天。

所以從我的角度看，自進化是目前唯一一個真正有機會創造“新東西”的方向。它不是簡單替代現有人的生產力，而是像頂尖科學家一樣，去探索這個世界上原本還不存在的東西。

其實一年前，我還覺得這個進程可能需要三到五年；但就在最近，我開始覺得這個時間尺度應該縮短到一到兩年。也就是說，我們很可能在近期就能看到：大模型疊加一個很強的自進化 agent 框架后，對科學研究帶來至少指數級的加速。

因為我最近已經觀察到，我們組內做大模型研究的同學，他們的 workflow 本身就高度不確定、依賴創造力。而借助 cloud code，再加上頂尖模型，基本已經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科和領域。我覺得這是接下來非常重要的一件事。

夏立雪：我的關鍵詞是“可持續 token”。因為我看到，現在整個 AI 的發展仍然處在一個長期持續推進的過程中。我們也希望，它能夠真正具備長期的生命力。

從基礎設施的角度來看，一個非常現實的問題是：資源終究是有限的。就像我們當年講“可持續發展”一樣，現在站在“token 工廠”的視角，我們能不能持續、穩定、大規模地提供 token，讓頂尖模型真正長期地服務更多下游場景，我覺得這是一個非常關鍵的問題。

所以現在我們也需要把視角放寬到整個生態。從最早的能源，到轉化為算力，再到轉化為 token，最終轉化成實際的經濟價值和 GDP，這里面應該形成一個可持續的、經濟化的迭代鏈路。我們不僅要把國內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。

所以我認為，“可持續”還有一層含義，就是希望把具有中國特色的 token 經濟學真正建立起來。

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化成優質商品，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勢，通過 token 工廠，可持續地轉化成優質 token，并輸出到全球。

如果能夠做到這一點，中國就有機會成為世界的“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展所帶來的獨特價值。

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

因為剛才大家提到的這些技術進展，包括智能體框架，確實讓很多人的創造力得到釋放，效率也可能提升十倍。但前提是，大家得用得起、也用得上。如果因為算力不夠，一個問題提出來以后，要等很久都得不到答案，那肯定是不行的。

也正因為這個原因，我們現在很多研究進展，包括很多原本想做的事情，其實都在一定程度上受到了限制。

我記得前兩年，雅琴院士好像也在中關村論壇說過一句話，大意是：“沒卡沒感情，談卡傷感情。”我覺得今天其實又有點回到了這個狀態，只不過這次情況又不太一樣。就像剛才提到的，我們現在已經進入了推理階段，而之所以會轉向推理階段，是因為需求真的在爆發，而且是十倍、百倍地爆發。

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。