AI 31% high 2026-03-27

Yang Zhilin, Zhang Peng, Xia Lixue, Luo Fuli, Huang Chao Discuss Lobster and 'Token Economics'

杨植麟/张鹏/夏立雪/罗福莉/黄超，谈龙虾，谈“Token经济学”

阿菜cabbage 36kr

This article reports on a panel discussion at the Zhongguancun Forum where leading Chinese AI industry figures discussed the implications of the OpenClaw agent framework, focusing on the surge in Token consumption, associated computational challenges, and future architectural innovations for the Agent ecosystem.

Document Text 9,926 characters

文｜周鑫雨王欣逸钟楚笛 编辑｜周鑫雨 Token，在技术语境下，是模型处理文本时的最小单位；在商业语境下，则成了AI服务最主流的计费方式。 近期，让Token被黄仁勋、吴泳铭等人，拔高到“经济学”概念的导火索，是当下全球最火的开源Agent框架——俗称为“龙虾”的OpenClaw。 它第一次让Agent的概念突破极客圈层，走向普罗大众；同时，运行龙虾庞大的Token消耗，也让习惯使用免费ChatBot的普通用户，第一次感知到：智能，是一种昂贵的、需要购买的资源。 2026年3月27日，中关村论坛。在主题为“OpenClaw与AI开源”的圆桌上，五位分别来自大模型、算力、Agent领域的中国AI一把手，因为开源和Token，聚在了一起。 论坛。 模型层的几位玩家，月之暗面创始人杨植麟、智谱CEO张鹏、小米MiMo大模型负责人罗福莉，都在不久前，发布了自己的OpenClaw框架，或是将自己的模型能力，与OpenClaw做了适配； 香港大学助理教授兼博士生导师黄超，曾带领团队，仅用4000行代码，就开发出了OpenClaw的平替，Nanobot； 这几家模型公司的算力合作方，无问芯穹联合创始人夏立雪，今年1月以来最大的感受则是：龙虾带来的Token消耗速度，可以媲美曾经3G刚普及的时代，手机流量的消耗速度。 OpenClaw给行业带来巨量的Token商机，但对于这几位AI从业者而言，这是一种“甜蜜的烦恼”，意味着更多的挑战。 对模型层的玩家而言，有限的算力，依旧是最大的掣肘。 张鹏直言，AI技术，包括智能体框架，让很多人的创造力和效率提升了10倍，然而，背后算力的需求提升了100倍。站在算力供给的一方，夏立雪也承认，Token需求的暴增，对算力厂商的系统效率带来了更大的优化需求。 如何在有限的算力中，发挥算力的最智力水平，在罗福莉看来，这一问题的解决方案，恰恰是中国大模型公司的优势，比如DeepSeek V2、V3在MoE架构上的创新。 她提到，如何实现一个Long-Context Efficient（高效长上下文）的架构，以及在推理侧如何做到Long-Context Efficient，会成为全方位的竞争。 在Agent应用的层面，黄超认为，龙虾给大家带来的思考是：我们是否还需要一个All in one的强大智能体？在他看来，龙虾代表的是一个轻量级的操作系统、一个工具的脚手架，但它却能撬动生态中的所有工具。 同时，他发现，当下的Agent生态还存在各种问题。比如，Skill（技能文档）的质量参差不齐；龙虾依然没有一套很好的机制，去管理用户的上下文。 几位形成的共识是：未来，要为Agent设计模型架构、做架构层的创新。 模型的自进化，是罗福莉在Agent框架中看到的可能。“Chat范式根本没有发挥预训练模型的上限。”她提到，Agent在长时间执行任务的过程中，也在激活模型的上限。 黄超总结，未来，整个AI生态，不管是软件系统，还是数据，都需要变成Agent Native模式。 当然，还有算力——夏立雪提出，面向Agent时代，需要打造Agentic Infra、打造更智能的Token工厂，“让Token工厂本身也能自我迭代、自我进化”。 以下是《智能涌现》对圆桌的整理，为了保证阅读体验，文字略经编辑： 杨植麟：日常使用OpenClaw或者类似的产品时，你们觉得最有想象力，或印象深刻的是什么？从技术的角度，你们如何看待今天OpenClaw，以及相关Agent的演进？ 张鹏：我很早就开始玩OpenClaw了，当时还不叫OpenClaw，最早它叫Clawdbot。毕竟是程序员出身，玩这些东西，多少还是有一些自己的体会。 OpenClaw带来的最大突破，或者说新鲜的地方在于，这件事不再只是程序员或者极客的专利。普通人也可以比较方便地用到顶尖模型的能力，尤其是在编程和智能体这方面。 所以我更愿意把OpenClaw称为脚手架。它提供的是一种可能性，在模型的基础上搭起一个既牢固、方便，又足够灵活的框架。大家可以按照自己的意愿，去调用底层的各种模型，以及模型所带来的一些新奇的能力。 原来自己有想法，但受限于不会写代码的人，今天可以通过简单的交流，就能完成自己的想法。所以这个事情对我来说冲击非常大吧，或者说让我重新认识了一些事情。 夏立雪：我最开始用OpenClaw是不太适应的，因为我习惯和大模型聊天，相比之下OpenClaw的反应好慢。 但后来我意识到一个问题，它和之前的聊天机器人有一个很大的不同：OpenClaw是一个能够帮我完成大型任务的人。所以当我开始交给它更复杂的任务时，它能做得非常好。 这件事给我的触动很大。从最初模型按Token聊天，到现在变成一个Agent、一个龙虾帮你完成任务，这极大地提升了AI的想象力空间。 同时它对系统能力的要求也变得很高，这也是为什么我一开始用OpenClaw会觉得有点卡的原因。 作为基础设施层的厂商，我看到的是，OpenClaw对整个AI大型系统和生态都带来了更多机遇和挑战。因为以我们现在所能调动的资源，想要支撑这样一个快速增长的时代，其实是不够的。 举个例子，我们公司从1月底开始，基本上每两周Token量就翻一番，到现在基本上已经翻了十倍。上次见到这个增速，还是3G时代看手机流量的时候。现在的Token用量，就像当年我们每个月用100兆手机流量一样。 在这种情况下，我们所有的资源都需要更好地优化、整合。不仅是在AI领域，在整个社会上，每一个鲜活的人都能把像OpenClaw这样的AI用起来。 所以我作为基础设施的玩家，内心是非常激动和感慨的，这里面还有很多的优化空间，值得我们去探索和尝试。 罗福莉：OpenClaw对于Agent框架而言，是一个非常革命性和颠覆性的事件。 虽然我身边所有在进行深度Coding的人，第一选择还是Claude Code，但我相信只有用过OpenClaw的人，才能感受到它在Agent框架上的设计性，是领先于Claude Code的，包括最近Claude Code的更新都是向OpenClaw靠近的。 我使用OpenClaw的感受是，这个框架带来想象力是可以随时随地扩展的。 OpenClaw带来的核心价值有两个。一是开源。开源是一个非常有利于整个社区深入参与、投入到Agent框架的前置条件。 OpenClaw、Claude Code这类Agent框架，一个很大的价值在于，国内那些与顶尖闭源模型尚有差距、但在闭源赛道上具备一定实力的模型，其能力上限能被拉到非常高的水平。 在绝大多数场景下，这些模型的任务完成度已经可以非常接近Claude最新模型的表现。 同时靠一套Harness（治理机制）系统、Cache 2 Cache（一种数据缓存机制）Skills 体系等诸多设计又可以保证下限，保证它任务的完成度和准确率。 所以从基座大模型的角度来看，OpenClaw实际上是保证了模型的下限，同时拉伸了它的上限。 此外，OpenClaw给整个社区带来的价值在于，它更多地点燃了大家，让人们发现：在大模型之外，Agent这一层还有非常多的想象力和发挥空间。 这也是我看到，最近社区里除了研究员之外，有更多人开始参与到这场AGI变革中来。大家借助更强的Agent框架，比如Harness、Scaffold（脚手架）等，在一定程度上替代了自己的工作，并且也释放出更多时间，去做更有想象力的事情。 黄超：可以从两个层面来理解OpenClaw的爆火。 首先是交互模式，我们做Agent也有一两年了，但之前像Cursor、Claude Code这些工具，给人的感觉更多是工具感。而OpenClaw首次使用以IM（即时通讯）软件嵌入的方式，让人感觉更有活人感，更接近于自己想象中的个人贾维斯的概念。 其次是架构和生态层面的启发。 一方面，它是简单高效的Agent Loop架构，这再次验证了Agent Loop架构的价值。 另一方面，它也让我们重新思考一个问题：我们需要的到底是一个all in one的超级智能体，还是一个轻量级的操作系统、一个像脚手架一样的小管家？ OpenClaw通过这样一个龙虾的超系统或生态，可以让整个社区能以更玩起来的心态，撬动整个生态里所有的工具。 随着Skills、Harness等能力的出现，越来越多的人可以去设计面向这类系统的应用，去赋能各行各业。它天然就与开源生态结合得非常紧密。 这两点，是它带给我们最大的启发。 杨植麟：顺着OpenClaw的讨论，想问一下张鹏，最近智谱也发布了新的GLM 5-Turbo模型，对Agent能力做了增强。 能不能给大家介绍一下，这个新模型和其他模型的不同之处？以及模型涨价了，这个反映了什么样的市场的信号？ 张鹏：前两天我们确实紧急更新了一波，这其实本来是我们整个发展路标中的一个阶段，只是提前放了出来。最主要的目的，就是实现从对话到干活的跨越。 刚才各位也讲到了我非常赞同的一点，OpenClaw 让大家真切地感受到，大模型不再只是聊天，而是真的能帮我们干活。 但干活背后隐含的能力要求其实非常高：它需要自己去长程规划任务、不断重试、压缩上下文、debug，还可能要处理多模态信息等等。 这些对模型能力的要求，跟传统面向对话的通用模型是很不一样的。GLM 5-Turbo正是针对这些方面做了专门的加强，尤其是大家提到的——让它持续干活，甚至72小时不停地自我循环，这里面我们做了很多的工作。 另外，关于Token消耗量的问题。让一个聪明的模型去完成复杂任务，Token的消耗量是非常巨大的，一般人可能体会不到，只会看到账单上的钱在不停往下掉。 所以在这方面我们也做了优化，在面临复杂任务时，模型能以更高的Token效率来完成。 本质上，模型的架构依然是一个多任务协同的通用模型架构，只是在能力上做了一些偏向性的加强。 至于提价的问题，也可以很顺畅地跟大家解释。我们现在不再是简单地问一个问题、模型回答，它背后的思考链路非常长。很多任务要通过写代码的方式与底层基础设施打交道，还要debug、随时修正错误，这个消耗量非常大。 完成一个任务所需的Token量，可能是原来回答简单问题的十倍甚至百倍，所以价格和成本确实有所提高。 模型变更大了，推理成本也相应提高了，我们也希望把它回归到正常的商业价值上。长期靠低价竞争，对整个行业发展并不利，这也是我们的一个考量。 这样也能让我们在商业化路径上形成良性闭环，持续优化模型能力，不断给大家提供更好的模型和Token服务。 杨植麟：开源模型，以及推理算力，现在形成一个生态。各种各样的开源模型可以在各种各样的推理算力上，去给用户提供更多的价值。 随着Token消耗量的爆炸，现在也从训练时代变成了推理时代。想请教一下立雪，从Infra的层面，推理时代对于无问来说意味着什么？ 夏立雪：我们是一个诞生在AI时代的基础设施的厂商，然后我们现在也为Kimi，智谱，包括也在跟MIMO去做合作，让大家能够把我们的Token工厂更高效地给用起来。 但是我们也在跟很多高校、科研院所也在合作，所以我们其实一直都在思考一件事情，就是AGI时代需要的基础设施它会是什么样子的？ 然后我们怎么能够一步步地去在这个过程中去实现它和推演它？我们现在也是做好了充分的准备，也看到了短期、中期和长期不同阶段我们需要解决的问题。 眼下要面对的，就是刚才大家聊到的——由OpenClaw这类Agent框架带起来的Token量暴增。这对我们的系统效率提出了更高的优化需求，包括价格的调整，其实也是在这个需求下的一种解决方式。 而我们一直以来，都是从软硬件打通的路径去做布局和解决的。比如，我们接入了几乎所有能看到的各类计算芯片，把国内几十种芯片、几十个不同的算力集群统一连接起来，去应对AI系统中算力资源紧缺的问题。 因为在资源不足的时候，最好的办法是：第一，把能用的资源都用起来；第二，让每一份算力都用在刀刃上，发挥出最大的转化效率。 当前我们要解决的核心问题就是：如何进一步打造更高效的Token工厂。这方面我们做了很多优化，包括让模型与硬件的显存等各种技术做最优适配，也在探索最新的模型结构与硬件架构之间，是否能发生更深度的化学反应。 但解决当下的效率问题，其实只是打造了一个标准化的Token工厂。面向Agent时代，我们认为这还不够。就像刚才提到的，Agent更像是一个人，我们可以直接交给它一个任务。 我其实很坚定地认为，当前很多云计算时代的基础设施，本质上是为服务一个程序、为服务人类工程师而设计的，而不是为AI设计的。 我们基础设施上的接口是为人类工程师做的，在这之上要再包一层，再去接入Agent，用人的操作能力限制了Agent发挥空间。 比如，Agent能够做到秒到毫秒级别的思考和发起任务，这件事情在底层的K8S（Sparse）等能力上，还没有做好准备。 人类发起的任务是分钟级别的，这意味着这些功能需要进一步的能力，我们将它称作Agentic的Infra，即打造一个更智慧化的工厂，这是我们无问芯穹现在正在做的事情。 从更长远的未来来看，真正的AGI时代到来的时候，我们认为连基础设施都应该是一个智能体。 我们所打造的这套工厂本身也应该是能够自我进化、自我迭代的，它能够形成一个自主的组织，有一个Agent CEO，可能由一个Claw管理整个基础设施，并根据AI客户的需求，自己去提需求来迭代自己的基础设施。 这样AI和AI之间才能更好的形成耦合，我们也在做一些让Agent-to-Agent之间更好地通信的能力，以及做Cache-to-Cache的复制能力。 基础设施和发展不应该是隔离的状态，而应该产生非常丰富的化学反应，这样才能真正做到所谓的软硬协同，即算法和基础设施的协同，这也是无问芯穹一直想实现的使命。 杨植麟：接下来想问问福莉，最近小米通过发布新的模型以及开源背后技术，对社区也做出了很大贡献。你认为小米在做大模型方面有什么独特的优势？ 罗福莉：我们先抛开小米在做大模型方面有什么独特优势的话题，我更想谈一下中国的做大模型的团队在做大模型上的优势，这个话题更具备广泛的价值。 两年前，中国的基座大模型团队已经取得了非常好的突破，在有限的算力做了一些看似是为了效率妥协的模型结构的创新，如DeepSeek V2、V3系列的MoE等。 在算力一定的情况下发挥出最高的智能水平，这是DeepSeek给国内所有基座大模型团队的勇气、信心。 在今天，我们自己的国产芯片，尤其是推理芯片以及训练芯片，已经不再受限制。 但是我们也能看到，“限制”催生了我们对更高的训练效率、更低的推理效率的模型结构进行全新探索。 比如最近的Hybrid（混合注意力机制）、Sparse（稀疏注意力机制）和Linear Attention（线性注意力）的结构，包括DSA、NSA、Kimi的KDA，以及小米也有面向下一代结构的HySparse结构，这是区别于MIMO-V2这一代结构，我们面向于Agent时代去思考的如何做更好的模型结构的创新。 我为什么觉得结构的创新如此重要，是因为OpenClaw这个话题。 大家如果真实地用OpenClaw，会发现它越用越好用、越用越聪明。这一前提是推理的Context。 Long Context（长上下文）是我们谈论了很久话题。我们期待模型在Long Context下表现非常好、性能非常强劲且推理成本非常低。很多模型是做不到1兆或10兆的Context，因为它的成本太贵了、速度太慢了。 如果模型能做到在1兆或10兆的Context的情况下，推理的成本够低、速度够快，才会有真正的高生产力价值的任务交给这个模型，激发在Long Context下完成更高复杂度的任务，在10兆甚至100兆Context的情况下，实现模型的自迭代。 模型的自迭代，是指模型可以在复杂的环境里依靠于超强的Context完成对自我进化，可能是对Agent框架本身的，也有可能是对模型参数本身的，因为Long Context本身就是参数的进化。 怎么实现Long Context Efficient（高效长上下文）架构，以及怎么在推理侧做到Long Context Efficient，这是全方位的竞争。在预训练做Long Context Efficient的架构，这是我们一年前就去探索的问题。 而当今如何做到Long Context，在长程距离任务上达到非常高上限的效果，是后训练需要再去迭代创新的一个范式。 后训练正在经历的事是，怎么去构造更有效的学习算法，怎么去采集到真实的在1兆、10兆及100兆上下文里都具有长距依赖的文本，以及结合复杂的环境产生的trajectory。 由于大模型本身在飞速的进步，由于我们有Agent框架的加持，在过去一段时间里，我们能看到推理需求，已经实现了近10倍的增长，今年整个Token的增长有可能到100倍。 这让竞争也进入了另一个维度：算力，或者说是推理芯片，甚至是能源。 杨植麟：非常有Insight的分享。下面想问一下黄超，你开发了一些非常有影响力的Agent项目，包括NanoBOT，也有很多社区的粉丝。从Agent的Harness层面，接下来有什么比较重要的技术方向需要大家去关注的。 黄超：把Agent的技术抽象，关键是这几个点：Planning、Memory和Tool use。 Planning现在还是面向于一些长程的任务或者非常复杂的算法，比如500步甚至更长步数的。未来，Planning可能需要把已有的比如复杂任务的知识，固化到模型里去做。 Skill和Harness（控制、治理机制）缓解了Planning里面带来的错误，一些比较高质量的Skill，本质上也是在模型上完成比较难的一些task。 Memory一直存在着信息压缩不准确、搜不准等问题，在长程任务和一些复杂场景，Memory就会暴增，对 Memory 带来压力。 各类的龙虾都采用的是最简单的类似Markdown格式的Memory。未来Memory可能会走向一些分层的设计，包括如何让Memory做得更通用。 现在的Memory机制很难做到很通用，比如说Coding场景、Deep Research、多媒体领域之间，整个数据模态的差别会很大。如何这些Memory进行检索索引，让它更加高效的，我觉得这是在做一个Trade off。 另外，龙虾让大家创建Agent的门槛大幅降低之后，我们可以预见，未来可能不止一个龙虾，可能每个人会拥有一群龙虾。一群龙虾相比于一个龙虾，其上下文的暴增会非常大，给Memory也带来压力。 目前还没有很好的机制来管理一群龙虾，在复杂的Coding和科研发现等场景中，会带来一定的上下文压力。无论是模型本身，还是整体的Agent架构，压力都很大。 Tool use的核心仍然是Skill。此前MCP的质量无法保障以及安全性等问题，在Skill中依然存在。虽然现在看起来Skill 数量很多，但高质量的Skill相对较少，低质量Skill会直接影响Agent任务的完成度。 另外，Skill还存在恶意注入等安全问题，使得整体系统的可靠性受到影响。在Tool use层面，可能需要依赖社区来共同建设和优化Skill，在执行过程中动态进化出新Skill的能力。 杨植麟：刚刚罗福莉和黄超通过不同的视角讨论一个问题，随着任务复杂度的增加，上下文会暴涨，从模型层面可以去提升原生上下文长度； 从Agent Harness层面，刚刚说的Planning、Memory，包括Multi-Agent的Harness，实现在一个特定的模型能力下支持更复杂的任务，这两个方向接下来也会产生更多的化学反应。 最后是一个开放式的展望，想请各位用一个词来描述一下，接下来12个月大模型发展的趋势以及我们的希望。 黄超：生态。 现在龙虾让大家这么活跃，未来Agent真的是要去从真正的个人助手转换为打工人。现在可能大家很多时候玩龙虾是新鲜感，未来可能真正得让龙虾们沉淀下来，成为大家的搬砖的工具，或者成为coworker的状态。 这需要整个生态的努力，开源也很重要。相关的技术探索和模型的技术都开源出去之后，需要整个生态一起来共建。无论是对于模型的迭代、Skills平台的迭代以及各种工具，都需要面向龙虾创造更好的生态。 我自己感觉比较明显的是未来的很多软件都不一定会是面向人类的。整个生态不管是GUI（图形界面）、MCP（模型上下文协议）、CLI（命令行界面），还是软件系统、数据和技术，都需要把它们变成Agent Native的模式，让Agent发展更加丰富。 罗福莉：把问题缩小到一年，非常有意义。按照我对AGI（通用人工智能）的定义，5年后已经实现了。 如果要用一个词来描述接下来一年，AGI历程里最关键的是：自进化。 虽然这个词有点玄幻，过去一年大家也多次提到，但我最近才对这个词有了更深的体会，或者说对自进化具体怎么做，有了更务实的操作方案，原因在于借助于了很强大的模型。 之前Chat的范式，根本没有发挥出预训练模型的上限。这个上限现在被 Agent框架激活了。当它执行更长时间的任务的时候，我们发现模型可以自己去学习和进化。 很简单一个尝试，当你在现有的框架里，给模型叠加一个可以verify的条件限制，再设置一个Loop（重复指令），然后让模型持续迭代、优化目标。 我们发现，模型会持续拿出更好的方案。这样的一种自进化，现在国内的模型基本能跑一两天，当然跟任务的难度有关。 在科学研究上，比如探索一个更好的模型结构——因为模型结构有评估标准，比如更低的PPL（困惑度）——在这种很确定的任务上，我们发现，模型已经能自主优化、执行两三天了。 从我的角度来看，自进化是唯一可以创造新东西的地方。它不是替代现有的人的生产力，而是像顶尖的科学家一样，去探索出世界上没有的东西。 一年前，我觉得自进化的时间历程会拉到3-5年。但近期，时间历程应该缩小到1-2年，我们就可以让大模型，叠加一个非常强的自进化Agent框架，实现对科学研究成指数级的加速。 我们组内做大模型研究的同学，workflow是非常不确定的，是高度创造力的。我们发现，借助Claude Code ，加非常顶尖的模型，基本上已经能够把我们的研究效率加速近10倍。 所以我很期待，这一种范式辐射到更广的学科和领域。 夏立雪：我的关键词叫“可持续Token”。现在AI的发展还在长期持续的过程中，我们也希望它有长久的生命力。 作为基础设施，我们看到的一个很大的问题，就是资源终究是有限的。就像当年的可持续发展概念一样，我们现在作为Token 工厂，能否给大家提供持续、稳定，能够大规模用起来的Token，让顶尖的模型能够继续为更多的下游服务，是一个很重要的问题。我们现在需要把视角放宽到整个生态：最早的能源，转化到算力，再转化到Token，最终再转换成人的GDP——这样一条链路，要进行持续的经济化迭代。 我们不止在把国内的各种算力用起来，也在把这些能力输出到海外，让全球的资源都能够打通和整合。我想把中国特色的“Token经济学”做起来。 在之前的时代，我们讲“Made in China”。我们能够把中国低价的制造能力，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”。我们能够把中国能源上的优势，直接通过Token工厂，可持续转化成优质的Token，输出到全球，将来成为世界的Token工厂。 这是我今年想看到的中国给世界人工智能带来的价值。 张鹏：大家都在仰望星空，我就落地一点，未来12个月面临的最大的问题，可能就是算力。 所有的技术，包括智能体框架，让很多人的创造力与效率提升了10倍。但前提条件是，大家能够用得起来，不能因为算力不够，导致一个问题让Agent思考半天，也不给我答案。 也是算力的原因，甚至我们研究的进展其实都受阻了。前两年，张亚勤院士说了一句话：谈卡伤感情，没卡没感情。 今天又到了这个地步，但情况又不一样了。我们转向了推理的阶段，因为需求真的在十倍、百倍的爆发，还有很大的需求没有被满足，怎么办？我们大家一起来想想办法。 欢迎交流！

Topics

artificial intelligence computational infrastructure technology innovation

Metadata

Publisher	阿菜cabbage
Site	36kr
Date	2026-03-27
Category	report
Policy Area	人工智能
CMS Category	媒体报道

Verification

Original URL
https://36kr.com/p/3740893801824512

Compare with archived HTML