杨植麟、张鹏、罗福莉首度对谈：“龙虾”改变AI潮向

　　开源AI智能体“龙虾”OpenClaw掀起的新一轮热潮，让中国最顶尖的AI从业者看到了AI潮流的一些新走向。

　　开源AI智能体“龙虾”OpenClaw掀起的新一轮热潮，让中国最顶尖的AI从业者看到了AI潮流的一些新走向。

　　3月27日，在2026中关村论坛“AI开源前沿论坛”上，一场极具产业风向标意义的巅峰对话拉开帷幕。月之暗面创始人杨植麟作为主持人，与智谱CEO张鹏、无问芯穹联合创始人夏立雪、小米MiMo大模型负责人罗福莉及香港大学助理教授黄超同台讨论。

　　五位嘉宾作为大模型创业前沿、算力基础设施、头部科技企业与顶尖学术界代表，围绕以OpenClaw为代表的开源智能体(Agent)框架，剖析了其背后的技术逻辑与产业影响，并展望了这一技术变化对模型研发、商业化路径、AI成本、算力基建以及软件生态所引发的连锁反应。重新审视大模型能力边界

　　“从技术角度来看，你们如何看待今天OpenClaw以及相关Agent的演进？”当杨植麟将这一问题抛向台上嘉宾时，与会者达成的共识是，以OpenClaw为代表的Agent框架，已经改变了人类对大模型的预期。

　　张鹏认为，OpenClaw带来的最大“新鲜感”，在于它打破了Agent仅在极客群体中流行的壁垒。如今，普通人只需通过简单的交流，就能调用顶尖大模型的编程与执行能力，让曾经受限于专业门槛的创意真正落地。

　　这也是智谱近期强化GLM-5-Turbo智能体能力的背景。张鹏提到，模型正在从一次性回答问题，转向处理多步骤复杂任务，在这个过程中，Token(词元)消耗会急剧放大。“完成一个任务可能需要的Token量，是原来回答一个简单问题Token量的十倍甚至百倍，因此价格有所调整。”

　　罗福莉则把OpenClaw放在技术演进的更长链条中观察。她提到，在过去的聊天机器人形态下，预训练模型的能力上限其实没有发挥出来，“现在这个上限被智能体框架给激活了。”

　　罗福莉指出，OpenClaw出现后，随着任务越来越复杂，需要大模型以低成本、高速度且稳定地处理很长的上下文(context)，因此，大模型上下文处理能力的提升也成为当今行业的竞争重心。

　　罗福莉称，当模型开始执行更长时间的任务时，会发现模型能够自己学习、自己进化。如果这种自进化机制可以持续运转，那么它的潜力会非常大，像顶尖科学家一样，去探索世界上原本还不存在的东西。

　　“一年前，我还会觉得这个过程大概要三到五年；但到了最近，我觉得这个时间窗口应该缩短到一到两年。也就是说，我们可能很快就能看到：在一个很强的自进化Agent框架加持下，大模型对科学研究带来至少指数级的加速。”罗福莉说。呼唤算力基础设施和模型架构变革

　　 OpenClaw带来的Token需求爆炸式增长，让算力基础设施和模型的架构变革变得急切起来。

　　“我们公司在1月底开始，基本上每两周我们的Token(消耗)量就翻一番，到现在基本翻了10倍。”夏立雪指出，他把这种变化形容为一种熟悉的感觉，“上一次看到这种增长速度，还是3G时代手机流量快速普及的时候。”

　　夏立雪指出，当前算力供给与需求之间的缺口，已经到了需要从系统层重新思考的地步。无问芯穹的短期应对是打通软硬件——接入国内十几种计算芯片与算力集群，让每一份资源都真正用在刀刃上。

　　他强调，这只是第一步。“现在很多云计算时代的基础设施，本质上是为人类工程师设计的，不是为AI设计的。”智能体能在毫秒级发起任务，而现有系统能力远未为这种调用频率做好准备。

　　夏立雪认为，短期内企业要做的，是尽可能打通软硬件、连接不同芯片和集群，把每一部分算力都用在刀刃上，打造一个更高效的Token工厂；但中长期看，基础设施本身也要进化，未来真正面向Agent时代的基础设施，将进化为能够自我迭代的智能组织，甚至由AI担任CEO自主管理计算资源，即面向智能体的基础设施。

　　与基础设施的重构同步进行的，是模型架构层面的新一轮竞赛。罗福莉提到，过去两年，中国大模型团队能够在有限算力条件下不断往前走，靠的并不只是规模化，更重要的是延续了“更高效训练、更低成本推理”的创新思路。

　　 OpenClaw出现之后，模型面对更复杂、更长程的任务，这使得低成本、高速度、稳定处理长上下文的能力，被推到了更关键位置。中国团队在受限算力条件下被逼出来的架构创新，正是在为这场长上下文竞赛提前布局。

　　罗福莉认为，Agent框架的重要价值在于，把国内那些还没有完全逼近闭源模型、但已经位于开源模型赛道前列的模型，上限显著拉高了，绝大多数场景里，国产开源模型的任务完成度已经非常接近Claude最新的模型，同时又把下限保障得很好。Agent真正落地，还需越过几道坎？

　　即便未来预期广阔，这场讨论并未滑向一边倒的乐观。相较于产业界对于新机会的兴奋，黄超在现场更多谈到的，是Agent真正落地仍要面对的几道现实门槛。

　　他首先提到，OpenClaw之所以受欢迎，很大程度上是因为它有了一种“活人感”，而不像此前一些编程工具那样更偏工具感。这种体验差异，是OpenClaw迅速出圈的重要原因。但在黄超看来，体验上的突破，并不意味着底层问题已经被解决。

　　但他同时指出，这种新鲜感之下，仍然有三道技术瓶颈尚未打通：一是规划能力。任务步骤越多，模型越难做出合理规划，根本原因是当前模型在复杂垂直领域缺乏足够的隐性知识积累。二是记忆管理。超长上下文之下，信息压缩失真和存储量暴增是两个难以同时兼顾的矛盾，多模态数据的高效索引同样是未解难题。三是生态质量。开源Skills质量参差不齐，高质量Skills偏少，甚至存在恶意代码注入的安全隐患。

　　因此，黄超给出的判断是，人们现在对各类智能体应用的热情，在相当程度上仍停留在新鲜感阶段；但若要让智能体真正沉淀下来、真正进入生产场景，仅仅依赖某一项模型能力突破并不现实，它需要整个软硬件生态的一致协同。他设想，也许未来的软件可能不再以人类为中心，更多面向智能体原生使用。