OpenClaw、开源与AI未来:五位行业领军者的圆桌论道

一、OpenClaw为何爆火？五人各有所见

张鹏将OpenClaw的颠覆性归结为"脚手架"价值：它在大模型能力之上搭建起一套灵活而牢固的框架，让原本受限于编程门槛的普通人也能方便地调用顶尖模型能力。尤其是在编程与智能体领域，"原来自己受限于不会写代码，今天终于可以通过很简单的交流把它完成"——这对他来说是一次真正意义上的认知冲击。

夏立雪坦言自己一开始并不适应：习惯了与大模型聊天的他，觉得OpenClaw"反应很慢"。但当他意识到OpenClaw不是聊天工具、而是一个能承担大型任务的"执行者"之后，想法彻底改变。他用一组数据说明了这场变革的烈度：从今年1月底开始，无问芯穹的token处理量每两周翻一番，累计已增至约10倍。"上次见到这个速度，还是3G时代手机流量爆发的那种感觉。"

罗福莉则将OpenClaw视为Agent框架领域一次"革命性和颠覆性的事件"。她指出，OpenClaw的核心价值在两点：其一，开源特性使社区能够深度参与、持续改进；其二，开源框架有效拉高了国内次闭源模型的能力上限，同时通过Harness体系与Skills设计保障了任务完成的下限。更重要的是，OpenClaw点燃了社区对大模型之外"Agent这一层"的想象力，越来越多非研究员背景的人开始深度参与AGI变革。

黄超从交互模式切入，认为OpenClaw爆火的核心在于两点：一是以嵌入式软件（IEM）交互方式赋予了AI更强的"活人感"，更接近人们想象中"个人贾维斯"的形态；二是Agent Loop这种简单而高效的架构框架再度被证明有效。他还指出，OpenClaw提供的是一种轻量级"操作系统"逻辑——通过开放的生态让整个社区"玩起来"，进而撬动各行各业的工具和应用创新。

二、智谱GLM-5 Turbo：为"干活"而生

针对杨植麟关于智谱新模型的提问，张鹏介绍，GLM-5 Turbo的核心目标正是从"聊天"转向"干活"。与传统对话模型相比，Agent场景对模型的要求截然不同：需要长程任务规划、持续自主Loop、上下文压缩、Debug纠错，乃至多模态信息处理。GLM-5 Turbo针对这些能力做了专项强化，尤其在"如何不间断执行72小时长程任务"方面有所突破。

关于提价策略，张鹏的解释直接：完成一个Agent任务所消耗的token量，可能是回答一个简单问题的10倍甚至百倍；模型规模更大、推理成本相应上升；长期依靠低价竞争不利于行业健康发展。"我们要回归到正常的商业价值，让良性闭环持续运转。"

三、从"token工厂"到"Agent Infra"：

无问芯穹的三级跳

夏立雪以基础设施视角回应了"推理时代来临"的命题，将无问芯穹的演进路径分为三个层次：

当前阶段：应对token量爆增带来的效率优化需求。无问芯穹已接入国内十几种芯片、几十个异构算力集群，通过软硬协同将有限资源的利用率推向极限，打造高效的"标准化token工厂"。

中期阶段：现有云计算基础设施是为人类工程师设计的，无法充分发挥Agent的能力。例如人类发起任务是分钟级，而Agent可以做到毫秒级——现有底层能力对此准备不足。为此，无问芯穹正在构建面向Agent的基础设施（Agent Infra），并探索cache to cache等能力，让AI与AI之间形成更高效的耦合。

长期愿景：真正的AGI时代，基础设施本身也应是一个智能体——能够自我进化、自主迭代，由一个"Agent CEO"管理整个算力工厂，根据AI客户需求动态调整自身能力。

四、国产大模型的结构创新优势

罗福莉将话题引向更宏观的层面：中国大模型团队在有限算力约束下，率先探索出了在算力一定情况下发挥最高智能水平的路径——这是DeepSeek带给所有国产大模型团队的勇气与信心。

她特别强调了“长上下文（long context）”对Agent能力的决定性意义：OpenClaw越来越好用的前提，是有一个在长上下文下性能强劲、推理成本低的模型支撑。能否在1M甚至10M的上下文长度下保持低成本、高速度，是决定能否承接高生产力任务的关键门槛。小米和其他国内团队正在探索hybrid sparse、linear attention等新型模型结构，以实现长上下文高效架构（long context efficient architecture）。

她还前瞻了"模型自进化"的路径：在复杂环境中，依托超长上下文，模型可以完成对自身的迭代——无论是对Agent框架本身，还是对模型参数本身。这不是替代现有生产力，而是像顶尖科学家一样探索未知。

五、Agent技术三大痛点与方向

黄超将当前Agent的核心技术模块拆解为三部分，逐一梳理痛点：

规划（Planning）：在长程任务或超长上下文（500步以上）中表现不稳定，根本原因是缺乏隐性领域知识。未来需要将复杂垂直领域的任务知识固化至模型，Skills和Harness机制在一定程度上缓解了planning中的错误率。

记忆（Memory）：信息压缩不准确是永恒难题；不同场景（coding、deep research、多媒体）的数据模态差距巨大，难以形成通用的Memory机制。随着"Agent集群"的出现，一个人同时拥有一群龙虾，上下文将指数级暴增，现有Memory管理机制远未就绪。

工具调用（Tool use）：MCP协议已被广泛使用，但质量参差不齐、安全风险（如恶意注入）尚未有效解决；高质量Skills稀缺，低质量Skills直接拖累任务完成率。整个社区需要围绕Tool use生态形成更好的共建机制。

六、各自的12个月关键词

圆桌的最后，杨植麟邀请每位嘉宾用一个词描述未来12个月大模型发展的核心趋势：

黄超：生态。龙虾让大家很活跃，但从个人助手真正转型为"打工人"，还需要整个生态——模型迭代、Skills平台、工具链——共同面向Agent原生化演进。

罗福莉：自进化。借助超强模型加持，Agent框架已能激活此前预训练模型未被充分发挥的潜力。在Agent框架中叠加verify条件与loop设置，模型便能不间断地迭代优化目标——目前已能自主运行两至三天。这是真正创造新事物、而非替代现有生产力的突破。

夏立雪：可持续token。算力资源终究有限；如何打通从能源到算力、从算力到token的完整链路，实现"可持续、高效、低价"的token供给，是基础设施的终极命题。他的愿景是：将中国能源优势通过token工厂持续转化为优质token，输出全球，成为"世界token工厂"。

张鹏：算力。所有技术创新与智能体框架的落地，都以"用得起、算得快"为前提。推理需求正在10倍、100倍地爆发，大量需求还没被满足。他借用张亚勤院士的一句话作结："没卡没感情，谈卡伤感情。"