徽声在线记者 | 伍洋宇
徽声在线编辑 | 文姝琪

AI领域的顶尖人物齐聚一堂。

3月27日，2026年中关村论坛在AI开源前沿论坛上安排了一场引人注目的圆桌讨论，汇聚了目前AI领域产业链上多家头部企业的领军人物，包括月之暗面创始人兼CEO杨植麟、智谱华章CEO张鹏、小米Mimo大模型负责人罗福莉、无问芯穹联合创始人兼CEO夏立雪，以及来自学术界的香港大学助理教授黄超。

即便是在AI技术前沿探索的一群人，他们的讨论也从近期备受瞩目的OpenClaw项目展开。

张鹏认为，OpenClaw项目使得顶尖模型的能力得以普及，非技术人员也能通过自然交互实现复杂编程与任务处理。其核心价值在于构建了一个灵活的“脚手架”，从而释放了用户的创造力。

作为基础设施层的厂商，夏立雪则看到了该项目对整个大模型系统和生态带来的更多机遇与挑战。“我们现有的资源，难以支撑起这样一个快速增长的时代。”

罗福莉将其视为AI框架的一次革命性与颠覆性事件，尤其是其开源特性，有利于整个社区的深度参与和改进。“从技术角度看，它既保证了模型下限，又提升了上限，在多数场景下，任务完成度已非常接近Claude的最新模型。”

此外，这场圆桌还深入探讨了以OpenClaw为代表的Agent产品如何降低AI使用门槛、推动Agent框架创新，以及算力需求激增对行业的影响。

发言者们还共同回答了一个开放性问题，即未来12个月AI大模型发展的关键词。罗福莉认为“自进化”是这一问题的答案，也是唯一能够创造出新事物的路径。“它并非替代人类生产力，而是像顶尖科学家一样探索未知。”

一年前，罗福莉认为自进化的到来还需三到五年，但如今她认为这一时间已缩短至1-2年。“我期待这种范式能扩展到更广泛的学科和领域。”

图片来源：徽声在线 以下为本场圆桌对话实录，略作编辑： 1、从体验和技术，谈OpenClaw和相关Agent演进

杨植麟：今天邀请到的嘉宾涵盖了模型层、算力层和Agent层，很高兴能与大家共同探讨，关键词是开源和Agent。我们先从第一个问题开始，大家日常使用OpenClaw或类似产品时，最有想象力或印象深刻的是什么？从技术角度看，如何看待OpenClaw和相关Agent的演进？我们先请张鹏分享。

张鹏：我确实很早就开始尝试这个项目，作为程序员出身，我对此有一些独特的体验。这个项目的最大突破在于，顶尖模型的能力不再局限于程序员或极客，普通人也能方便地使用，尤其是在编程和推理方面。

我更愿意将其称为一个“脚手架”——它在模型基础上搭建了一个牢固、方便且灵活的框架。

大家可以按照自己的意愿使用模型提供的新功能，以前受限于不会写代码或缺乏某些技能的想法，现在终于可以通过简单的交流实现。

这对我来说是一个巨大的冲击。

夏立雪：我最开始使用OpenClaw时不太适应，因为我习惯于与大模型聊天，但发现聊天很慢且尴尬。

后来我意识到，它不同于聊天机器人，而是一个能帮我完成大型任务的“人”。但这对整个系统的能力要求很高，这也是我一开始觉得它有点卡的原因。

作为基础设施层的厂商，我看到的是它对整个大模型系统和生态带来的更多机遇与挑战。我们公司的部署量从1月底开始每两周翻一番，到现在已翻了10倍。

上次见到这种增长速度还是3G时代手机流量的增长，现在的token量就像当年每月100M的手机流量。

因此，我们需要更好地优化和整合资源，让每个人——不仅在AI领域，在整个社会——都能利用AI能力。

罗福莉：我把OpenClaw视为框架层面的革命性和颠覆性事件。

虽然我身边深度使用的人可能首选Claude Code，但OpenClaw在框架设计上领先于Claude，包括Claude最近的更新也在向这个方向靠近。Claude可能最初只能在桌面上实现创意，但在OpenClaw，我可以随时随地实现。

OpenClaw的核心价值在于两点。第一，它是开源的，这有利于整个社区的深入参与和改进。

第二，它提升了国内模型的上限，在多数场景下，任务完成度已非常接近Claude的最新模型。同时，它保证了任务完成度和准确率，因此从技术角度看，它既保证了下限，又提升了上限。

黄超：从交互模式上看，OpenClaw为何如此火爆？首先，它给人一种更有“活人感”的感觉，之前的Agent更像工具，而OpenClaw以IM软件嵌入的交互模式，让人更有真人感，更接近个人管家或贾维斯的概念，这可能是交互模式上的突破。

另外，它的架构——Agent Loop这种简单但高效的框架，再次被证明。它让我们重新思考：是否需要一个all-in-one的强大智能体，还是需要一个轻量级操作系统或脚手架般的小管家？

我认为它带来的是通过一个小的system prompt，让整个社区参与的心态。

它撬动了生态中的所有工具，越来越多的人可以设计面向这样系统的应用，赋能各行各业。它与整个开源生态结合得非常紧密，这两点是最大的启发。

图片来源：徽声在线 2、智谱发了最新GLM模型，它为什么提价？

杨植麟：顺着这个话题，我想问一下张鹏，最近智谱也发布了新的GLM模型，我理解对Agent能力做了很大增强，能否介绍一下这个新模型与其他模型的不同之处？以及提价策略反映了什么市场特性？

张鹏：前两天我们确实紧急更新了一波，这是发展目标中的一个阶段。

主要目的是从简单对话到“干活”。干活对能力需求很高：需要长期规划、不断尝试、压缩信息、debug，还可能涉及动态信息处理。我们在这方面做了加强，比如在大场景下如何通过不停执行任务。

另外，消耗量问题也很重要。聪明的模型干复杂任务消耗量巨大，可能一般人体会不到，但看到账单上的钱在变化。因此，我们也做了一些优化，让模型在面临复杂任务时能有更高效率。

提价很好解释。我们现在不再简单地问答，背后思考链路更长，还要debug，随时改正错误，消耗量非常大，是原来回答简单问题的10倍，成本有一定提高。

我们将其回归到正常商业价值上，因为长期低价竞争不利于整个行业发展。

3、AGI时代，AI Infra也应该是Agent

杨植麟：随着token量的爆炸，现在可能逐渐从训练时代变成了推理时代。想请教一下立雪，从Infra层面，推理时代对无问芯穹意味着什么？

夏立雪：我们是一个诞生在AI时代的基础设施厂商，现在也在与应用合作，让大家能更高效地利用我们这个token工厂。

我们一直在思考：AGI时代需要的基础设施是什么样子？如何一步步实现和推演它？

我们一直从软硬件打通的方式布局和解决。我们接入了几乎所有能看到的计算芯片，统一连接了国内十几种芯片和几十个不同的算力集群，以解决AI系统中算力资源紧缺的问题。

我们做了很多优化，包括让模型和硬件上的各种显存、基础进行最优适配，也在看是否会在最新模型结构和硬件结构下进行更深度的化学反应。

但面向Agent时代，我们认为这还不够。比如Agent能做到秒到毫秒级别思考和发起任务，而我们之前的底层K8s等能力没有做好准备，因为人类发起任务大概是分钟级别的。

这样的功能需要进一步能力，我们称之为Agentic Infra。

真正AGI时代到来时，我们认为基础设施也应该是一个智能体。token工厂本身也应该是一个能自我进化、自我迭代的自主组织，根据AI客户需求迭代自己的基础设施，这样AI和AI之间才能更好地耦合。

因此，我们一直在思考，基础设施和AI的发展不应隔离，而应产生丰富的化学反应，做到算法和基础设施的协同。

图片来源：徽声在线 4、再谈中国团队做大模型的独特优势

杨植麟：接下来想问问福莉，小米最近通过发布新模型，包括开源背后的技术，对社区做出了很大贡献。想问一下小米在做大模型方面有什么独特优势？

罗福莉：抛开小米做大模型的独特优势不谈，我更想谈中国做大模型团队的优势，我认为这个话题更具广泛价值。

大概两年前，我看到中国的基座大模型团队开始了一个很好的突破：在有限算力，尤其是NVLink互联带宽受限的情况下，突破低端算力限制，进行模型结构创新，如DeepSeek系列V2、V3的MoE和MLA等。

虽然今天我们的国产芯片，尤其是推理芯片和训练芯片，已不再受此限制，但我们能看到在这样的限制下，催生了我们对更高训练效率、更低推理效率的模型结构的全新探索。

我为什么认为结构创新如此重要？OpenClaw大家真实使用后会发现，越用越好用，越用越聪明。它的前提是你的推理Context。

Long-Context是我们谈论已久的话题，但现在真正能有一个模型在Long-Context情况下表现良好、性能强劲、推理成本低，很多模型不是做不到一兆或十兆的Context，而是因为成本太贵、速度太慢。

怎么能在一兆或十兆的Context下推理成本够低、速度够快，这样才会有真正高生产力价值的任务交给这个模型，从而激发只有在Long-Context情况下才能完成的高复杂度任务。可能我们才能在十兆甚至一百兆Context的情况下实现模型的自迭代。

所谓模型的自迭代，就是它可以在一个复杂环境中，依靠超长Context完成对自我的进化，这个进化可能是对Agent框架本身的，也可能是对模型参数本身的。

因为我们认为Long-Context本身就是对参数的一种进化。所以怎么实现一个Efficient Long Context的架构，以及怎么在推理侧做到Efficient Long Context，是一个全方位的竞争。

5、Planning、Memory、Tool Use：Agent框架层面的重要方向

杨植麟：下面想问一下黄超，从Agent框架或应用层面，接下来有哪些技术方向值得关注？

黄超：如果我们把Agent技术抽象出来，关键组成部分包括Planning、Memory和Tool Use这几个模块。

从Planning来讲，现在的问题还是面向长程或非常复杂的任务，比如500步甚至更长的部署。很多模型不一定能做很好的Planning，因为它本质上可能不具备这样的隐性知识，特别是在复杂的垂直领域。所以Planning未来可能需要把已有的各种复杂任务的知识固化到模型里面去。

从Skill角度，包括Parties这种机制也是缓解了Planning带来的错误——给模型提供高质量的Skill，它在概率上能更好地完成比较难的Task。

然后是Memory。我觉得Memory永远都会存在信息压缩不准确、检索不准的问题。现在包括长程任务、复杂场景，Memory就会暴涨，带来很大的压力。

但现在包括各类“龙虾”们，大家都采用的是最简单的方式——文件系统、Markdown格式的Memory，通过共享文件这样的方式来做。

我觉得未来Memory应该是很重要的，可能会走向分层的设计，包括如何让Memory做得更通用。老实讲，现在整个Memory很难做到通用——Coding场景的、Deep Search的、多媒体领域的，整个数据的模态差别会很大，如何对这些Memory进行很好的检索索引，我觉得这永远是需要推进的方向。

另外一点，未来可能不止一个“龙虾”，一群“龙虾”相比一个“龙虾”，上下文的暴增大家可以想象会非常大。这也是带给Memory的压力——如何管理一群Agent带来的上下文？特别是对于复杂的Coding、科研发现，不管是模型还是Agent的架构，压力都很大。

对于Tool Use这块，也就是Skill。当时MCP本身存在的问题，现在Skill其实还是会存在。比如MCP当时有质量不保障的问题、可能存在安全问题，现在Skill也是。

低质量的Skill会很影响Agent任务的完成度。另外Skill也会存在恶意注入的问题，所以可能需要靠整个社区来把Skill发展得更好，甚至在执行过程中进化出新的Skill。

6、不是5年而是12个月，大模型未来发展的1个关键词

杨植麟：我们来一个开放式的展望，想请各位用一个词来描述接下来12个月大模型发展的趋势以及期望。

黄超：12个月在AI看起来好遥远，不知道12个月之后会发生什么。

杨植麟：原来写的是5年，我觉得应该改。（笑）

黄超：我觉得这个词应该叫“生态”。现在Claw让大家这么活跃了，但是未来Agent真的是要去从真正的个人助手，特别是转化为“打工人”，我觉得还是很重要的。

这块可能需要整个生态的努力，不管是对于模型的迭代，还是对于Skills平台的迭代，还有各种工具的迭代，我觉得都需要去更好地面向Claw，去创造更好的生态。

从我自己感觉比较明显的是，未来的很多软件是不是还是给人用的？相信可能未来大部分的软件都不一定会是面向人类的。

所以我觉得需要一个生态去把不管是软件系统，还是数据，还是各种技术，都把它变成Agent Native的模式，这样可能才能让整个Agent的发展更加丰富。

罗福莉：我觉得把这个问题缩小到一年非常有意义，因为我觉得五年从我心目中对于AGI定义而言，已经实现了。

如果说要用一个词来描述接下来一年AGI历程里边最关键的一个事情的话，我认为会是“自进化”。虽然这个词是一个有点玄幻的概念，过去一年大家也多次提到，但是我最近才对这个词有了一个更深的体会，或者说具体自进化这个事怎么做，会有一个更务实、更实操可行的方案。

这里边的原因是借助于很强大的模型，我们之前在Chat那个范式下根本没有发挥出来预训练模型的上限，这个上限现在是被Agent框架激活到了，当它执行更长时间的任务的时候，我们发现这个模型它可以自己去学习和进化。

很简单一个尝试，当你在现有的Agent框架里边给它叠加一个可以Verify的条件限制，然后再给它设置一个Loop，让这个模型就不停下来持续去迭代优化这个目标，我们就能发现这个模型会持续拿出更好的方案。

如果这样的一种自进化能持续，现在国内模型其实已经能跑一两天了，当然跟任务的难度有关。

我们组内做大模型研究的同学，基本上他的Workflow是非常不确定的、是高度创造力的，我们发现借助Claude Code或非常顶尖的模型，基本上已经能够加速我们自己的研究效率近十倍了。

所以从我的角度上来看，我觉得自进化是一个唯一可以创造新的东西的地方，它不是去替代我们现有的人的生产力，而是说它是像顶尖的科学家一样去探索出来这个世界上没有的东西。

一年前我会觉得这个时间历程会拉到三到五年，但是在近期我会觉得应该缩小到最近一到两年，就可以让大模型叠加一个非常强的自进化的Agent框架，实现对于科学研究的一个至少指数级的加速。

我很期待这样的一种范式辐射到更广的学科和领域，我觉得自进化是非常重要的。

夏立雪：我的关键词叫“可持续Token”。作为基础设施的角度，我看到很大的问题就是资源终究是有限的。我们现在作为一个token工厂，能否给大家提供持续、稳定、大规模能够用起来的这些Token，让顶尖的模型能够真正继续为更多的下游去服务是一个很重要的问题。

我也认为这个可持续也是想把中国特色的Token经济学给做起来。在之前的时代我们叫Made in China，把中国的制造业成本优势变成好的商品输出到全球。我们现在想做的有点像AI Made in China，就是能够把中国能源上的优势，通过这些token工厂，可持续地转化为优质的Token输出到全球，成为一个世界的Token工厂，这是我想要在今年看到的、中国给世界的人工智能带来的价值。

张鹏：大家都可能都在仰望星空，我就落地一点。我觉得未来12个月面临的最大的问题可能就是“算力”。

刚才也说了，所有的技术，包括智能体框架，让很多人有很好的创造力、效率提升十倍，但前提条件就是大家能够用得起来，你不能因为算力不够，一个问题提出去让它思考半天也不给我答案，这个肯定是不行的。

也是因为这样的一些原因，可能甚至连我们的研究进展，包括很多想要做的事情其实都受阻了。前两年我记得有句老话叫“没卡没感情，谈卡伤感情”，我觉得今天又到了这个地步了，但情况又不一样了，我们又到了推理的阶段，转向推理阶段是因为需求真的在爆发，十倍、百倍的爆发，还有很大量的需求没有满足，怎么办？我们大家可能一起来想想办法。