杨植麟、罗福莉、夏立雪、张鹏、黄超畅谈：中国会成为世界Token工厂吗？

出品｜搜狐科技

作者｜常博硕

编辑｜杨 锦

今天，在中关村论坛人工智能主题日的AI开源前沿论坛上，最受关注的莫过于“OpenClaw与AI开源”的圆桌讨论。

这场“龙虾盛宴”，汇聚了当前中国大模型领域的顶尖大脑：月之暗面创始人杨植麟、智谱华章CEO张鹏、无问芯穹联合创始人兼CEO夏立雪、小米MiMo大模型负责人罗福莉以及香港大学助理教授、Nanobot团队负责人黄超。

五位嘉宾分别代表了模型层、底层算力、终端应用以及前沿学术研究的顶级水平。

随着OpenClaw的爆火，“小龙虾”成了新的热词，人们对人工智能的期待也开始从“能聊天”转向“能干活”。本次圆桌的五位行业大佬不仅对OpenClaw进行了技术路径的拆解，也对未来一年甚至更长周期内，中国AI如何在全球开源浪潮中定位、如何解决算力瓶颈、如何实现模型自进化等做了深度交流。

智能体千千万，为何龙虾如此火？

圆桌论坛伊始，主持人杨植麟便抛出了一个直击当下热点的问题：如何看待OpenClaw及其相关Agent的演进？

作为大模型领军人物，张鹏首先分享了他对OpenClaw的独特理解。在他看来，OpenClaw最重大的意义在于打破了极客与普通人之间的技术壁垒，他将其生动地比喻为一种“脚手架”。

在他看来，龙虾提供的是一种可能性，在模型的基础之上搭起一个很牢固、很方便、但又很灵活的脚手架。

“原来自己的一些想法受限于不会写代码，或者不会其他技能，今天可以通过很简单的交流就能完成。”

这种从对话机器人到生产力工具的转变，让张鹏重新认识到了模型能力的边界，AI不再仅仅是信息的搬运工，而是想法的实现者。

夏立雪则从基础设施的角度切入。他坦言，自己最初使用OpenClaw时曾因其响应速度而感到不适，但随后他意识到，这种“慢”源于其底层任务逻辑的根本改变。

他认为，OpenClaw是一个能够承接大型、复杂任务的Agent，将AI的想象力空间从单纯的文字聊天提升到了任务执行的新高度。

与此同时，夏立雪敏锐地观察到，这种演进对系统能力提出了近乎苛刻的要求。

“我们现在所有能够用到的资源，想要支撑起这样一个快速增长的时代是不够的。”他解释道：“就拿我们公司来说，从1月底开始，基本每两周我们的Token量就翻一番，到现在基本上翻了十倍。”

这种爆发速度让他联想到了3G时代手机流量的激增。但作为基础设施厂商，夏立雪无疑是激动的。

“这种情况下，所有的资源需要进行更好地优化和整合，让每一个人，不仅仅是AI领域的人，而是整个社会上每一个鲜活的人，都能够把OpenClaw，把这样的AI能力给用起来。”

罗福莉则将OpenClaw定位于Agent框架的革命性事件，将其与ClaudeCode进行深度对比。她直言：“我相信只有用过OpenClaw的人，才会独特地感受到这个框架其实有很多在Agent框架上的设计是领先于ClaudeCode的，包括最近ClaudeCode有很多更新，其实都是在向OpenClaw靠近。”

她认为，OpenClaw的领先之处首先在于其开源属性，这是点燃社区参与热情的前置条件。同时，罗福莉深刻地指出，OpenClaw的核心价值在于“保底”与“拔高”。它通过Harness系统和Skills体系保证了任务完成度的下限，同时又将次闭源模型的上限拉升到了接近闭源顶尖模型的水平。更重要的是，它让研究员之外的更多大众参与到AGI变革中，利用Scaffold等机制释放人类时间，去从事更有想象力的创造。

从交互体验层面，黄超给出了一个极具人情味的词汇——“活人感”。

他认为，OpenClaw之所以能从Cursor、ClaudeCode等一众Agent中脱颖而出，是因为它以IM软件嵌入的方式打破了冷冰冰的“工具感”，更接近人们心中“贾维斯”式的个人助理形象。

黄超进一步阐述道，OpenClaw证明了AgentLoop这种简单高效框架的生命力，它让业界开始思考：我们需要的或许不是一个全能的超级AI，而是一个轻量级的、像操作系统脚手架一样的小管家。

Token大爆发、模型大涨价，AI的尽头是什么？

在探讨完共性问题后，杨植麟将话题引向了针对各位嘉宾核心领域的深度追问，试图从模型架构、算力基座、后训练范式以及AI的未来进行深入剖析。

针对智谱最近发布的GLM-5-Turbo模型及模型涨价的问题，张鹏现场做出了回应。张鹏直言，由于干活逻辑下的Token消耗量是简单对话的十倍甚至百倍，模型推理成本也随之提高，长期低价竞争不利于行业良性闭环。

他表示，只有建立健康的商业模式，才能持续优化模型能力并提供优质的Token服务。

随着OpenClaw带动整个行业Token量暴增，对系统效率提出了更大的优化需求。

夏立雪详细描绘了无问芯穹正在打造的“Token工厂”：“我们接入了几乎所有种类的计算芯片，把国内十几种芯片和几十个不同的算力集群统一连接起来，解决AI系统中算力资源紧缺的问题。”

“在这个时代，当前我们要解决的就是怎么进一步打造一个更高效的Token工厂。这里我们做了很多优化，包括让模型和硬件上的各种显存、各种基础进行最优适配，也在看会不会在最新的模型结构和硬件结构下进行更深度的化学反应。”

夏立雪进一步表示，现有的云计算基础设施是为“分钟级”响应的人类工程师设计的，而Agent需要的是毫秒级的任务发起。

在他的愿景中，真正的AGI时代，基础设施本身就应该是一个智能体，由一个“CEO Agent”来管理算力集群，通过Cache-to-Cache实现Agent之间的高效通信。这种“AI管理AI”，才是未来基础设施进化的终极形态。

罗福莉则分享了在算力受限背景下，中国模型团队如何通过结构创新实现“反向突破”。她提到，DeepSeek等团队在有限带宽下通过MoE和MLA等结构创新，为行业注入了极大的信心。

罗福莉认为，结构创新的核心在于实现“高效长上下文”。她指出，长上下文本质上是参数的一种进化，只有在1M、10M甚至100M的上下文中实现极低的推理成本和极快的速度，模型才能在复杂环境中实现“自进化”。

黄超则对智能体的技术痛点进行了精细拆解，涵盖了规划、记忆和工具使用三个模块。他指出，当前模型在500步以上的长程任务中表现不佳，本质是缺乏垂直领域的隐性知识。

“在记忆层面，记忆模块一直存在一些痛点，比如信息压缩不准确、检索不精准等，而当模型处理长程任务、复杂场景时，对记忆的需求会急剧增加，这也给记忆模块带来了巨大压力。”

“说实话，当下的记忆机制很难实现通用化，比如编码、深度研究、多媒体等不同领域，数据模态的差异很大，如何为这些不同模态的内容打造高效的记忆检索引擎，一直是一个权衡取舍的过程，这也是记忆模块长期需要解决的问题。”

在黄超看来，早期的MCP所存在的问题，现在的Skills体系依然存在，虽然看似有很多技能Skill，但高质量的Skill其实很少，低质量的Skill会严重影响智能体的任务完成度。所以需要整个社区共同努力，去完善Skills体系，甚至探索如何让技能模板在执行过程中进化出一些新的Skills。

中国能成为世界Token工厂吗？

在论坛的最后，五位嘉宾对未来12个月的AI趋势做了自己的展望。

黄超认为，未来最重要的将是生态。Agent转变为 “打工人”，离不开整个生态的贡献。

对于未来，他提出了自己的观点：“未来大部分的软件都不一定是面向人类的。未来的软件系统将不再是为了取悦人类感官的GUI而存在，而是全面转向Agent Native（智能体原生）。”

在这种范式下，人类或许只保留享受快乐的界面，而繁重的业务逻辑将通过CLI（命令行接口）由智能体在后台高效完成。

对罗福莉而言，接下来一年AGI历程中最关键的一个事是“自进化”。“ 自进化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，像顶尖的科学家一样去探索这个世界上没有的东西。”

她敏锐地洞察到，过去Chat范式的交互其实极大地限制了预训练模型的智能上限，而Agent框架正是激活这一上限的方式。通过在框架中叠加可验证的条件限制并设定Loop，模型能够表现出惊人的自我迭代能力。

“借助Claude Code或其他非常顶尖的模型，基本上能够加速我们研究效率近十倍。我觉得自进化是非常重要的。”

夏立雪则从基础设施的角度提出了“可持续Token”的概念。他认为，AI的发展不应是资源的竭泽而渔，而应形成从能源到算力，再转化到Token，最终映射到GDP的闭环链路。

他希望未来中国可以利用能源与制造业优势，通过高效的“Token工厂”向全球输出高质量、可持续的Token服务，让中国真正成为世界级的AI能源中枢。

最后，张鹏直言不讳地指出，无论智能体框架如何赋能创造力，如果算力供给跟不上爆发式增长的Token需求，所有的愿景都将是空中楼阁。

“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：我们到了推理阶段，转向推理阶段是因为需求真的在爆发, 还有大量的需求没有满足。”

运营编辑 |曹倩审核｜孟莎莎