环球网

当“OpenClaw”这只“龙虾”刷屏社交网络，当人们沉浸在与AI对话的新奇体验中时，站在产业浪潮之巅的创业者们却看到了另一番景象：屏幕前的每一次交互，背后都是海量Token的燃烧；每一个Agent的诞生，都在引发算力需求的指数级爆发。

在2026中关村论坛年会——AI开源前沿论坛的圆桌环节，来自模型、芯片、应用层的行业代表和专家，透过OpenClaw现象，共同剖析了AI行业从“训练时代”迈向“推理时代”的阵痛与机遇。他们一致认为，新一轮增长的压力已来到供给侧，一场关于Token经济学的重构正在发生。

从“聊天玩具”到“生产力工具”的裂变

与会嘉宾首先聚焦于近期刷屏的“OpenClaw”现象。

智谱AI CEO张鹏将其比作一个“脚手架”。“它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。”张鹏认为，OpenClaw最大的突破在于打破了技术壁垒，让普通人无需懂代码也能使用顶尖模型能力。

小米MiMo大模型负责人罗福莉则从技术架构层面分析，认为OpenClaw是Agent框架的一次“革命性事件”。“它保证了基座大模型的下限，然后拉伸了它的上限。”她指出，开源社区的深度参与，让原本闭源模型才能达到的任务完成度，在开源框架下也能实现。

然而，无问芯穹CEO夏立雪分享了一个更为震撼的数据，揭示了这一现象背后的宏观趋势：“从今年一月底开始，无问芯穹平台上的Token调用量每两周翻一倍，至今已经增长了十倍。”他将这一增速与3G时代手机流量的普及相提并论，“现在的Token用量，就像当年大家每月只有100MB流量的初期阶段，属于行业爆发的起点。”

当“十倍增长”遇上“算力瓶颈”

Token需求的井喷，迅速将矛盾指向了供给侧。随着AI从“对话”转向“干活”，行业正面临从“训练时代”向“推理时代”的艰难跨越。

智谱AI在发布GLM-5-Turbo模型时采取的“提价”策略，引发了现场关于成本与价值的激烈讨论。张鹏坦言，让模型“干活”与单纯“聊天”在资源消耗上有着天壤之别：“你让聪明的模型干这种复杂的任务，Token的消耗量是非常巨大的——完成一个任务可能需要的Token量是原来回答一个简单问题的十倍甚至百倍。”

这一观点得到了无问芯穹夏立雪的呼应。作为基础设施提供商，他深刻感受到了资源紧缺的压力：“眼下算力资源远远跟不上需求，必须做好资源优化与整合，才能让全社会都用上普惠的AI能力。”

夏立雪进一步称，传统的云计算基础设施是为人类工程师设计的，而非为AI设计。“用人类操作系统的逻辑适配Agent，反而会限制AI能力发挥。”他举例说，Agent能在毫秒级发起任务，而现有的K8s等底层能力往往是为分钟级的人类任务设计的，这种“代差”导致了系统的卡顿与低效。

打造“智能化的Token工厂”

面对Agent时代的特殊需求，AI基础设施（Infra）必须进行重构。夏立雪提出了从“标准化Token工厂”向“智能化Token工厂”进化的路径。

据介绍，无问芯穹正在打通国内十几种芯片、数十个算力集群，实现软硬件协同。“我们要把算力资源用在刀刃上，最大化提升资源利用率，让每一个算力都发挥出最大的转化效率。”夏立雪强调。

然而，这只是第一步。夏立雪描绘了更长远的未来：“未来的基础设施本身就是智能体，能自我进化、自主迭代，甚至内置Agent充当‘管理者、CEO’，根据AI需求自动优化系统。”他称之为“Agentic Infra”，即算法与基础设施深度协同的“化学反应”。

罗福莉则从模型结构创新的角度，探讨了如何支撑这种爆发式需求。她强调了“Efficient Long Context”（高效长上下文）架构的重要性。“怎么在十兆甚至一百兆Context的情况下推理成本够低、速度够快，这样才会有真正高生产力价值的任务交给这个模型。”她指出，只有在算力效率大幅提升的前提下，模型的“自迭代”和“自进化”才具备物理基础。

在技术探讨之外，嘉宾们还从经济学视角，探讨了AI时代的中国方案。

夏立雪提出了构建“中国特色Token经济学”的构想。他将目光投向了更底层的经济链路：“AI行业发展也要讲究可持续，核心就是打通完整的经济链路，把能源转化为算力，再把算力转化为Token，最终落地转化为GDP，形成良性循环。”

他进一步阐述了这一愿景的宏大蓝图：“把我国的能源、成本优势，通过高效Token工厂，转化为高质量AI服务。”他表示，“让中国成为世界Token工厂，为世界人工智能发展贡献中国方案。”

最后，香港大学助理教授&博士生导师、Nanobot团队负责人黄超认为，未来的软件将不再是单纯面向人类GUI（图形界面），而是面向Agent原生的CLI（命令行界面）。“需要整个生态大家一起来共建，把软件系统、数据变成Agent Native的模式。”