AI 的下一步是 Agent

10 月 21 日晚，柏林 GTC。

黄仁勋上台先举起一台笔记本——128GB 统一内存，FP4 算力最高 1 Petaflops。十年前要两个人抬进机房的东西，今天被他单手举在聚光灯下。他说，这不是一台电脑，这是你的"个人 Agent"。

但如果只把这看成一次硬件发布，你就错过了这场演讲真正的主线。

整场下来，他花最多时间拆的，是五个词：

模型、Harness、沙箱、知识、工具。

他管这叫"一个 Agent 的五要素"。模型负责感知、推理、规划和使用工具；Harness 负责编排任务、调度活跃记忆与长期记忆、激活工具；沙箱负责把它圈在隔离环境里；知识让它读得懂你的企业数据和私人文件；工具让它能用人类已经造好的软件。

五样里，模型只占一样。

这句话的潜台词很重：过去两年全行业卷的那件事——模型有多聪明——只占未来竞争的五分之一。剩下那五分之四，是编排、是隔离、是企业自有知识、是工具链。这些东西不出彩，不上头条，但它们决定了一个 Agent 到底能不能真的干活。

他还给 Agent 装了一脚刹车

更值得注意的是，老黄在柏林讲了一件事：怎么管住 Agent。

新发布的 OpenShell 参考架构，核心思路是"把规矩写在 Agent 之外"。每个 Agent 关进自己的沙箱，能读写哪些文件、能连哪些网络，细到每一次系统调用，都由沙箱外的策略说了算，密钥也不交到 Agent 手里。

硬件上再加一道锁。一个叫 Sentry 的东西跑在独立的 BlueField-4 处理器上，守在主机之外，死死盯住 Agent 的一举一动，一越界，毫秒级隔离。

道理很朴素：保安不能让被盯的人自己兼任。

英伟达自己拍的介绍片，开场先自嘲了一把——眼下能拦住 Agent 的，只有提示词里那句客客气气的"请别删东西"。

Gartner 的判断更直接：到 2027 年，每十家上了自主 Agent 的企业里，可能有四家会因为治理上出纰漏，在真实业务里撞了墙之后，反过来把 Agent 的权限收窄，甚至直接下线。

Agent 落地的瓶颈，可能不是模型不够聪明，而是企业不敢真放权。

从卖算力到管权限，老黄在柏林先给 Agent 装上了刹车。

国内：7 亿人在用，但大多数还停在"会聊"

据 CNNIC《生成式人工智能应用发展报告（2026）》，截至今年上半年，我国生成式人工智能用户规模突破 7 亿，普及率超过 50%。

但"在用"和"真用上了"是两回事。

让 AI 帮你订一张机票，它热情洋溢地给你一份订票攻略——哪家平台便宜、几点起飞、行李额怎么算，条理清晰，但就是不订。它能给你一百种出差方案，却填不了一张报销单；它能把"如何做一份打动人的 PPT"讲得头头是道，却连一页空白幻灯片都创建不出来。

你问得越认真，它答得越漂亮，可事情还停在原地。

这就是大模型和智能体的分界线：前者负责说，后者负责做。

而一旦从"说"走到"做"卡住你的往往不是智能

是三件特别琐碎的麻烦事。

第一件，配比买错了

Agent 的任务负载从来不是均匀的——白天忙、晚上闲，而且大量执行时间其实花在非 GPU 任务上：读文件、跑脚本、等接口、做校验。行业测试里，智能体总执行时间中有相当高的比例耗在这些环节。你要是按最忙那几天去配 GPU，等于替一年里最忙的时刻付了一整年的钱，剩下的时间 GPU 就在那儿干等 CPU 派活。

第二件，网络时好时坏

Agent 要连出去查资料、跑测试、跨多区域多环境。最怕的不是网络报错——报错反而好办——最怕的是它不报错，只是偶尔慢一下、偶尔断一次，你没法让它稳定地复现一次错误，也就没法定位。

第三件，账算不清

Agent 想得越多，消耗的 Token 就越多。月底账单暴涨，却没人说得清钱花在哪、哪个项目在烧、哪个环节有浪费。业内常提到的一组观察是，企业级 AI 应用里有相当比例的 Token 是被白白消耗的。

这三件事，没有一件跟"模型聪不聪明"有关。但它们决定了你的 Agent 是能天天跑，还是跑两次就停了。

光途work：把那五个要素落在你的工位上

回到老黄那五个词。我们在赣州做的这件事，恰好可以逐项对进去讲。

模型 —— 不绑死任何一个。DeepSeek、豆包、Kimi、GPT、Seedream、Seedance……在你自己的客户端里切换，同一个任务换个"大脑"再跑一遍。模型越强通常越贵，这件事应该由你决定，不该由厂商替你决定。

Harness —— 花力气最多的地方。你不用研究提示词，不用自己拆步骤，用说人话的方式把需求讲清楚就行。它自己拆解目标、制定计划、调用工具、中途自我校验，遇到卡点自己找路。这是"给建议"和"给结果"之间真正的差别所在。

沙箱 —— 决定你敢不敢用。文件留在本机，权限可控，操作有全流程日志审计，支持云端按需租用与本地化部署两条路径。对政务、金融、医疗这类对数据敏感的行业，这不是"好不好用"的问题，是"敢不敢用"的问题。老黄在柏林强调的"出错时能立即停止"，落到我们这儿就是权限隔离、操作留痕、紧急停权这几条硬指标。

知识 —— 让它越用越懂你。项目、文件、对话绑在一起，上下文不再碎片化。老黄说得对："让 Agent 变成超级 Agent 的，是你给了它访问公司知识的权限。"

工具 —— 接到你已经在用的东西上。技能、专家、MCP/SSH 连接器，钉钉、邮箱、文档，需要什么接什么。重复的动作配成"自动化"，让它定时跑。

传统 AI 助手给你一段建议，光途work 给你一个结果。

底下那层账：光途智枢

上面这五层要跑得动，底下还得有一层账。

老黄把数据中心叫"AI 工厂"——旧时代的工厂把煤炭变成电力，新时代的工厂把电力变成智能。但落到一家普通公司，你不需要建工厂，你需要的是用多少、算得清

这也是光途智枢在做的事：把散落在各地、各状态的硬件与网络资源织成一张能按需调度的网。

算力跟着任务走。按需取用、弹性扩缩，忙时加、闲时退，任务结束即释放，不承担折旧。CPU 密集型和 GPU 密集型各取所需，不用替最忙的那几天付一整年的钱。

网络不用专人盯。多区域节点自带健康检测、异常自动切换，任务还能无损迁移——它最大的价值，是让你不用半夜接电话。

账终于算得清。Token 统一聚合、智能分流、分级配额、按团队按项目分额度。IP 租赁、硬件调度、模型调用共用一个余额，一次采购、一套底座、三条线在同一个地方管。用在哪、用了多少、谁在用，一眼看清。

让硬件无界，让词元有度。

所以这套组合可以这么记：光途智枢负责"让算力跑得动"，光途work 负责"让 AI 干得成"。

最后

老黄在柏林说，每一家公司都将成为 AI 公司。

这句话的另一半是：AI 的下半场，比的不是谁更会聊天，是谁真的把活干完。

落到每一个工位上，差别其实很小——你交代完一件事之后，收到的是一段建议，还是一个能直接交出去的东西。前者你还得自己动手，后者你只剩一件事：验收。

而一个真正能干活的智能体，懂得在关键的那一步停下来，把决定权交回给你。

这个停顿，是它留给人的位置。

把判断留给人，把执行交给它。这才是 Agent 该有的样子。

打开光途work ，挑一件你每周都要做、又最不想做的重复性工作，先交给它试试——周报、会议纪要、数据汇总、投标材料，哪一件都行。