WAIC2026的三个关键信号：算力重组、Agent交付与AI硬件闭环

如何让已经拥有的智能长期运行理解具体的人和组织、进入真实世界？

70年前，一群年轻学者在达特茅斯会议上第一次提出“人工智能”概念。

70年后的黄浦江畔，人工智能行业已经不再满足于让机器学会思考和说话，而是开始把这种能力交给企业系统、智能终端和机器人，试图让AI真正参与人类社会的运行。

7月17日至20日，2026世界人工智能大会暨人工智能全球治理高级别会议在上海举行。本届大会以“智能伙伴，共创未来”为主题，分布于世博、张江、西岸三地四馆，展览面积首次突破10万平方米，1100余家企业带来3000余项展品，超过300款产品集中首发。智算与具身智能两大赛道，分别汇集超过200家企业。

这是历届WAIC中规模最大的一届，也可能是技术路线和产品形态最复杂的一届。大模型、超节点、智能体操作系统、AI手机、人形机器人、灵巧手、近存计算芯片和各种行业解决方案，同时出现在同一个展览体系中。乍看之下，它们分属于完全不同的技术赛道，但放在一起，会呈现出一条清晰的演进路径：

AI正在从一个能够生成答案的模型，变成一套可以理解目标、调动资源、感知环境并交付结果的系统。

过去三年，大模型已经证明了它能够写文章、生成图片、编写代码、理解视频，也能够处理越来越复杂的推理任务。但在2026年，行业面临的关键问题已经不是“AI能不能做”，而是“AI能不能长期、稳定、低成本地做”。一个模型在测试中成功完成一次任务，与一套系统每天处理数万次业务请求，是两件完全不同的事情。

一个机器人在舞台上完成一次跳跃，与它连续数月在工厂里完成搬运、分拣和上下料，也不是同一种能力。人工智能从能力展示进入真实生产，需要模型之外的一整套基础设施：算力如何组织，数据如何流动，工具如何调用，权限如何控制，结果如何评价，错误又如何被及时发现。

在大模型热潮刚刚兴起时，行业最容易获得关注的是参数、榜单和模型发布。如今，越来越多公司开始把精力放在模型背后的系统，以及模型前方的真实任务上。模型没有消失，也没有变得不重要。相反，它正在像电力、芯片和操作系统一样，被嵌入更庞大的技术架构之中。

透过本届WAIC，我们看到了AI产业正在发生的三场迁徙。

01

算力不再只看芯片，从参数竞赛走向系统竞赛

在本届WAIC的展品名单中，最受关注的产品之一，是华为Atlas 950超节点真机。

超节点的关键并不在于一个机柜装进了多少芯片，而在于能否降低芯片之间交换数据的成本。高速互联、共享内存、任务调度和软件栈共同决定了，大量独立芯片究竟是一支各自为战的队伍，还是一个可以协同工作的计算整体。

但随着模型规模增加、推理任务变得复杂，单颗芯片已经越来越难独立决定最终表现。芯片之间以什么速度传输数据，数百乃至数千颗芯片能否高效协同、内存是否足够、任务如何调度、软件工具是否成熟，都在影响算力的实际利用率。

一块芯片的理论峰值再高，如果大量时间消耗在等待数据、跨卡通信和任务切换上，也很难转化为有效的模型训练和推理能力。这就像一家工厂，拥有速度最快的工人，并不意味着它一定拥有最高的产量。原材料供应、工位安排、运输路线和管理系统，都可能成为决定产出的瓶颈。

AI算力正在经历相似的转变。竞争的基本单位，逐渐从单颗芯片变成服务器、超节点和集群；竞争维度也从计算性能，扩展至高速互联、内存、散热、软件生态、能源效率和整体运维。尤其在推理时代，算力系统面对的不再只是少数持续数月的大规模训练任务，而是数量庞大、长短不同、并发波动明显的请求。

智能体需要反复调用模型和工具，推理模型需要生成更长的思考过程，多模态模型还要同时处理文字、声音、图片和视频。这些变化都会增加Token消耗，并对响应速度、单位成本和系统稳定性提出更高要求。

公开数据显示，2025年中国人工智能相关产业规模已经突破万亿元，重点行业人工智能整体渗透率超过80%。中国日均Token调用量则从2024年初的1000亿，增长至2025年底的100万亿，并在2026年继续快速增加。

相比模型参数，Token调用量更接近AI产业的真实水位。参数代表模型可能拥有的能力，Token则意味着这些能力正在被使用。只有当模型被嵌入搜索、编程、办公、客服、营销、科研和制造流程，Token才会持续产生。当每天被调用的Token进入数百万亿级别，行业竞争自然会从“谁拥有更大的模型”，转向“谁能以更低成本、更高效率生产智能”。这也是超节点兴起的核心背景。

它不仅是将更多芯片装进同一个机柜，而是在尽量缩短芯片之间的距离，让大量处理器共享数据、内存和任务，提高整个系统的有效算力。对于国产AI芯片公司而言，这一变化既带来了机会，也提高了竞争门槛。

过去，一家公司只要设计出可以运行主流模型的芯片，就有机会进入市场。未来，客户需要的可能不再是一块卡，而是一整套从芯片、服务器、互联网、软件平台到集群运维的解决方案。换句话说，国产算力竞争正在从“有没有芯片”，进入“能不能形成系统”。

奕行智能在本届WAIC首发Epoch系列RISC-V AI算力超节点方案，通过其推出的Epoch云端大算力AI芯片、ELink高速互联架构、整机液冷方案、全栈软件生态和大规模集群组网共同构成了远超传统AI服务器性能的完整系统能力。据公司介绍，该方案支持单机柜内32卡至128卡的高带宽互联，并引入正交无背板架构替代传统线缆连接方案，提升了信号传输质量、大幅降低传输延时，提高算力密度和可靠性。ELink可同时支持超节点内部的纵向扩展与节点之间的横向组网，使算力资源进一步扩展至万卡级集群。

目前，奕行智能的Epoch系列AI芯片、加速卡及相关硬件已经进入量产和批量交付阶段，客户覆盖互联网、运营商、金融和能源等行业。公司还联合产业链伙伴建设业界首套全栈RISC-V超节点AI Token工厂。其背后反映的是，国产AI算力竞争正在从“能否造出芯片”，进入“能否交付完整基础设施”的新阶段。

RISC-V为这一竞争提供了另一条路线。与由单一企业控制的私有指令集不同，RISC-V是一套开放指令集。理论上，不同公司和研究机构都可以在其基础上设计处理器、扩展功能并完善软件生态。开放并不自动等于成熟。

一款AI芯片真正进入生产环境，还需要编译器、算子库、框架适配、性能调优和开发者工具。模型架构又在快速变化，今天主流的算子和精度格式，可能很快被新的推理方法取代。因此，开放架构的价值，不只在于减少授权限制，也在于让芯片拥有持续演进和接入更多研发资源的可能性。

但它最终能否形成竞争力，仍取决于量产、软件适配、客户迁移成本和长期运行数据。在AI基础设施领域，任何宏大的技术叙事，最终都要接受同一组指标检验：一度电能够生成多少有效Token，一台设备能够稳定运行多久，模型迁移需要多少时间，出现故障后能否快速恢复。

算力产业真正的门槛，从来不只是把芯片点亮，而是把芯片变成客户能够持续使用的生产力。这也是为什么，智算平台、模型服务平台、编译器、推理引擎和算力调度系统正在变得越来越重要。如果芯片是发动机，超节点和集群是车辆，软件平台则决定这辆车是否容易驾驶。

模型公司希望屏蔽不同芯片之间的差异，开发者希望以尽可能低的成本迁移模型，企业客户则希望算力系统能够像云服务一样稳定、透明和易于使用。谁能够降低使用算力的门槛，谁就更有机会获得开发者和客户。

这一轮算力竞争，也正在改变云计算行业。传统云服务主要按照CPU、存储和带宽计费，AI云则越来越多按照模型调用、Token数量和任务结果提供服务。算力本身逐渐退到后台，客户最终购买的是模型训练完成的速度、推理响应的延迟，以及某项业务任务的处理能力。

在算力行业，“Token工厂”正成为描述这种转向的常用概念。它关注的不再只是部署了多少芯片，而是在给定的电力和硬件条件下，一套系统究竟能够稳定生成多少可被业务使用的Token。在这一逻辑下，芯片峰值并不是唯一指标，整个系统的吞吐量、能效、稳定性和利用率才决定最终产出。2026年的WAIC进一步说明，单颗芯片的性能仍然重要，但已经不足以单独决定一套AI基础设施的竞争力。

未来的算力龙头，未必只属于拥有最强芯片的公司，而更可能属于能够把芯片、互联、软件、能源和客户需求组织成系统的企业。模型训练塑造了上一阶段的算力市场，规模化推理则会重新定义下一阶段的基础设施。

02

智能体进入企业，真正的壁垒是上下文和交付

如果说超节点解决的是智能如何被生产，那么智能体要解决的，则是智能如何被使用。Agent几乎是本届WAIC最密集出现的概念之一。从Agent操作系统、智能体手机，到企业智能体和多智能体协作平台，越来越多公司不再满足于让AI回答问题，而是希望AI理解目标、拆解任务、调用工具，并在较少人工干预的情况下完成工作。

从聊天机器人到智能体，看似只是产品名称的变化，背后却对应着两套完全不同的产品逻辑。传统聊天机器人等待用户提出明确问题，然后返回文字、图片或代码。它可以帮助人完成某一个环节，但大部分工作仍然需要人来串联。人不仅需要知道如何提问，还要判断答案是否可靠，并把答案复制到下一项工作中。

智能体的目标则是接收一个更抽象的任务，然后自主拆解步骤、寻找信息、调用工具，并根据中间结果不断调整。例如，用户不再要求AI“写一段营销文案”，而是要求它“为一款新产品制定一场营销活动”。这项任务可能需要研究市场趋势、分析用户反馈、确定目标人群、提出创意方向、生成不同渠道的内容，最后监测传播效果并继续优化。

其中每一个环节，都可能由不同模型、软件和数据系统完成。因此，智能体的价值不是又多了一种生成内容的方法，而是尝试成为组织不同工具和流程的中间层。这也是为什么，操作系统、编排平台、记忆系统和上下文工程开始受到重视。

一个智能体要真正进入企业，至少需要理解三类信息。第一类是世界知识，即通用模型训练过程中学到的公共信息；第二类是企业知识，包括产品资料、品牌规范、客户信息、业务数据和历史项目；第三类则是组织运行规则，哪些人可以访问什么数据，哪些内容需要审批，一项任务应该经过哪些部门，出现风险后由谁负责。

通用大模型往往只能较好地解决第一类问题。它知道营销、制造、金融和零售的一般规律，却未必知道一家具体公司如何定义自己的品牌，某个客户过去购买了什么，或者一份合同需要经过哪些人审批。企业多年积累的真正资产，通常并没有完整地写在公开文件里。它们分散在数据库、会议记录、邮件、员工经验、历史方案和大量隐性规则中。很多决策甚至没有标准流程，只能依赖熟悉业务的人进行判断。

这就形成了智能体进入企业的核心障碍：模型了解世界，却不了解组织。因此，当基础模型能力逐渐成为公共供给后，企业AI的竞争重心正在转向上下文。上下文并不等同于把一些文件放进知识库。它还需要解决信息是否最新、不同来源是否冲突、数据属于哪个业务对象、谁拥有访问权限，以及模型在什么情况下应该调用哪条信息。

错误的企业上下文，甚至比没有上下文更危险。一个模型如果不知道答案，可能会提示用户补充信息；但如果它引用了一项已经失效的价格政策、过期合同或错误客户记录，就可能作出看似合理、实际上完全错误的判断。

这也是特赞科技Tezign此次展示GEA企业级智能体架构的出发点。GEA由意图、编排、技能和上下文四层构成，其中上下文层尝试将企业分散的品牌数据、内容资产和业务经验转化为AI可调用的统一事实源；编排层则根据任务协调不同基础模型与模块化技能。特赞希望借此将企业AI从一次性交付的项目，变成能够持续参与企业经营、交付结果的能力系统。

据公司披露，其目前已服务180多家企业客户，平台覆盖全球50个国家和地区的100多万专业用户，并已在洞察研究、内容增长、设计创作和产品创新等场景广泛落地。

特赞提出了一个颇有代表性的判断：企业的许多核心问题，并不是只有标准答案的数学题。

新品方向、品牌策略、用户洞察和创意设计，都要求决策者先探索多种可能，再结合组织约束进行判断。为此，特赞还研发了面向开放性商业问题的发散推理模型（Creative Reasoning Model），希望让智能体不只是快速收敛到一个答案，而是先发散、再判断和执行。

这一探索是否能够真正提高企业决策质量，仍需要更多真实业务结果验证。但它至少揭示了企业智能体面临的一项核心矛盾：模型擅长生成答案，企业真正需要的却是承担过程。

答案通常只是一段文字，过程却包括目标确认、信息收集、方案比较、权限审批、任务执行、结果评价和责任追溯。

当智能体开始参与过程，它就不再只是一款提高效率的工具，而是在有限程度上成为组织的一名“数字员工”。这会改变企业软件的形态。过去，员工需要学习不同软件的菜单和按钮，在CRM、ERP、内容系统、数据库和协同工具之间不断切换。智能体有可能成为这些软件之上的新交互层。员工只需要描述目标，智能体理解意图后调用不同系统，完成查询、分析和操作。传统软件并不会消失，但越来越多界面可能退到后台，人的意图成为新的入口。但从聊天机器人到数字员工，中间还隔着漫长的可靠性建设。

一个聊天机器人答错问题，用户可以重新提问；一个智能体如果删除了错误文件、向客户发送了错误报价，或者修改了生产参数，后果将直接进入现实世界。因此，企业智能体不会立即从辅助工具跃迁为完全自治系统。更现实的路径，是先帮助员工搜索、总结和生成内容，再在人工确认下调用工具，最后才可能在明确边界内独立完成一些低风险任务。

智能体能否进入核心流程，最终取决于三个条件：它能否理解企业的真实上下文，执行过程是否可以被观察和审计，错误是否能被及时发现并中止。模型决定一个智能体有多聪明，上下文和治理机制则决定它是否值得信任。企业引入智能体之后，也需要重新思考AI项目的评价方式。

过去，一款软件是否成功，通常可以用功能使用率、用户数量和续费率衡量。智能体则需要一套更复杂的指标。企业需要知道它完成任务的成功率、平均成本、人工接管率和错误类型，也需要判断它究竟节省了员工时间，还是只是把工作从执行转移到了检查和纠错。

一个智能体即使生成速度很快，如果每一次输出都需要员工重新核对，它的真实效率提升也可能十分有限。这也是企业AI从Demo进入生产环境的分水岭。在演示中，智能体只需要完成一次被精心设计的任务；在企业里，它需要面对模糊指令、缺失数据、系统故障、权限限制和不断变化的业务规则。

成功一次并不困难，持续成功才是真正的技术门槛。智能体还会带来新的组织问题。当一个数字员工可以同时承担研究、写作、数据分析和执行任务时，传统的岗位边界可能变得模糊。企业需要重新定义人和AI的分工，也需要决定谁对智能体的结果负责。

未来更可能出现的，并不是一个智能体完全替代一个岗位，而是一个员工管理多个智能体，或者多个专业智能体共同服务一支团队。人的价值会从亲自完成每一个步骤，转向设定目标、提供判断、管理例外和承担责任。这也意味着，企业部署智能体从来不只是技术项目。

它同样是一项组织工程。如果企业原有数据混乱、流程模糊、部门之间缺乏协作，智能体不会自动解决这些问题，反而可能把原有问题进一步放大。只有当企业能够清晰描述自己的业务，机器才可能真正理解并参与其中。这可能是企业AI下一阶段最重要的竞争：不是谁更快接入一个新模型，而是谁能够将模型变成组织长期运行的一部分。

03

AI获得身体，从感知世界到形成实时闭环

在本届WAIC上，最直观的热度仍然属于机器人。超过200家具身智能企业集中参展，人形机器人、四足机器人、灵巧手、关节模组、传感器和训练平台，共同组成了一个不断扩大的产业链。与几年前相比，机器人行业的话语体系已经发生明显变化。过去，人形机器人的展示重点是“像不像人”：能不能行走、跳舞、跑步、完成复杂动作。如今，行业越来越关心它能不能工作。

机器人进入工厂后，是否能够适应不同尺寸的零件；生产线发生变化后，是否需要工程师重新编程；完成一项任务的速度能否接近人工；连续运行时的故障率和维护成本又是多少。

这说明具身智能正在从动作表演，进入任务交付阶段。大模型之所以会改变机器人，是因为它为机器理解语言和环境提供了新的技术路径。传统工业机器人通常依赖预设程序。在固定位置、固定节拍和固定工件条件下，它们可以高精度重复同一个动作，但一旦环境或物品发生变化，就需要工程师重新调试。

具身智能希望让机器人获得一定的泛化能力。人可以直接告诉机器人“把桌面收拾干净”“将不同零件放进对应箱子”，机器人再将自然语言转化成动作计划。但真实世界远比语言世界复杂。语言模型判断错误，可以重新生成；机器人判断错误，可能摔坏物品、打断产线，甚至伤害周围的人。因此，机器人真正获得工作能力，需要形成完整的“感知—理解—决策—执行—反馈”闭环。

它首先需要通过摄像头、激光雷达、力传感器和触觉系统理解环境；再把人类目标分解为具体动作；最后通过关节、电机和灵巧手完成执行，并根据结果实时修正。这也是为什么，机器人竞争不能只看大模型。本体结构、减速器、执行器、传感器、电池、控制系统和数据采集能力，同样决定产品能否落地。对于工厂而言，机器人是否像人并不重要，能够稳定创造价值才重要。工业场景可能会成为具身智能最先实现规模化的市场。

工厂环境相对结构化，任务目标明确，也更容易计算投入产出比。机器人不需要一开始就具备通用智能，只要能稳定完成搬运、分拣、质检、上下料和巡检等具体任务，就有机会形成商业闭环。但即使在工业场景，机器人大规模落地仍然面临挑战。

一个动作成功率达到99%，听起来已经很高，但如果一条生产线每天需要执行数万次动作，剩余的1%仍然意味着大量异常和人工干预。因此，工业客户更加看重的不是某一次演示有多惊艳，而是机器人连续运行数百小时后，任务成功率是否仍然稳定。机器人企业也在重新寻找产品和商业模式之间的平衡。

完全通用的人形机器人拥有最大的想象空间，却需要同时解决感知、决策、本体、数据和成本等问题。相较之下，从搬运、分拣、巡检等具体任务切入，更容易形成收入和数据闭环。机器人通过真实场景积累数据，再反过来训练模型和改进硬件，这可能是具身智能逐步走向通用能力的现实路径。

过去的智能硬件，更多是等待人类操作。用户打开App、按下按钮，再从屏幕里获得结果。新一代AI终端则希望持续感知用户的声音、影像、位置和身体状态，在合适的时间主动提供帮助。这种转变的前提，是端侧AI能力不断增强。

云端可以提供更强的通用推理能力，端侧则拥有低延迟、本地运行、隐私保护和个性化等优势。随着模型压缩、芯片性能和终端算力不断提升，越来越多AI任务会在云端与本地之间动态分配。不需要实时响应、计算量较大的任务可以交给云端；涉及连续感知、个人数据和即时反馈的任务，则更适合在设备本地完成。

尤其在涉及健康、影像、声音和位置的数据中，端侧计算的意义不只是提高速度。它还决定了设备能否在不持续上传敏感信息的情况下工作。

神思动量旗下以脑神经科学为核心的消费级神经科技品牌LumiMind，其首款产品LumiSleep D1脑电调控睡眠仪，正沿着这一方向展开探索。

与主要通过体动、心率等间接指标分析睡眠状态的可穿戴设备不同，LumiSleep D1以非侵入式方式实时采集脑电信号，解码与入睡过程相关的脑状态变化，并据此生成毫秒级动态调整的个性化声学引导，再随脑状态变化持续调整，形成“监测—解码—生成—调控”的闭环。

产品采用内置芯片进行本地计算，从而加快运算效率并保护用户隐私。该产品已经开启预售，并计划于2026年9月上市。其意义不只在于增加了一类睡眠硬件，更在于智能穿戴的功能边界正在从记录和呈现体动、心率等生理指标，进一步走向感知脑电信号，并根据状态变化提供实时、个性化反馈。

换言之，LumiSleep D1所探索的并非传统意义上的睡眠追踪，而是基于实时脑电信号，对声学引导进行动态调整。

从产业方向看，以脑电为代表的神经感知型智能穿戴设备，正在提供一种新的技术路径：智能设备不再只读取人的外在行为和生理信号，而是开始尝试理解人的内部状态，并根据状态变化作出实时反馈。

对LumiMind而言，LumiSleep D1不仅是一款睡眠产品，也是其推动神经科技走出实验室、进入日常生活的第一步。

当然，从消费级神经设备到经过广泛验证的健康解决方案，仍然存在很长距离。脑电信号容易受到动作、佩戴方式和个体差异影响，声学反馈的实际效果也需要长期、规范的用户数据与研究验证。

但神经感知产品至少提供了一种观察未来AI硬件的方式。机器人试图理解外部世界，智能穿戴则开始尝试理解人的内部状态。两者看起来属于完全不同的赛道，底层逻辑却越来越相似：持续采集信号，判断当前状态，生成行动或反馈，再根据新的结果不断调整。

这意味着，AI正在从一问一答的工具，转变为持续运行的闭环系统。它不仅出现在工厂里的机器人身体中，也可能存在于手机、眼镜、耳机和人们每天佩戴的设备里。AI获得身体后，产业评价标准也会发生变化。一款聊天产品的错误，可能只是一次不准确的回答；一款控制机器人或持续读取身体信号的设备出现错误，则可能造成真实世界的后果。因此，AI越接近物理世界，对安全性、可解释性和可靠性的要求就越高。

智能设备需要明确什么数据在本地处理，什么数据需要上传；机器人需要知道在什么情况下应当停止动作；智能体则需要在执行高风险任务前请求人类确认。这些能力不是额外增加的附属功能，而是AI从演示走向规模化应用的必要条件。

本届WAIC拥有超过300款首发产品，也推动了一批产业场景和合作项目落地。但对AI行业而言，首发数量已经不再是唯一重要的指标。市场不再缺少新模型、新智能体和新机器人，真正稀缺的是能够持续产生结果的系统。能体能减少多少重复劳动？机器人部署后多久可以收回成本？算力系统的利用率和稳定性有多高？一款AI硬件是否真正解决了用户问题？这些问题未必像技术Demo一样吸引眼球，却决定一家AI公司能不能跨过商业化门槛。

所以AI产业的竞争单位，也从单个模型转变为完整系统。这场变化可以被概括为三场迁徙：从单颗芯片，走向能够生产有效Token的算力系统；从回答问题，走向理解企业上下文并承担业务过程；从存在于聊天框，走向拥有感知、行动和实时反馈能力的物理终端。

这三场迁徙没有一场容易完成。它们要求算法与硬件协同，技术公司与产业客户协同，产品创新与可靠性建设协同。因此，2026年的WAIC不是在宣布AI已经无所不能。恰恰相反，它表明整个产业终于开始面对比训练大模型更复杂的问题：如何让已经拥有的智能长期运行，如何让它理解具体的人和组织，如何让它进入真实世界，同时保持可靠和可控。