北京
未來是“駕馭工程”的天下。
責編 | 王啟隆
出品丨AI 科技大本營（ID：rgznai100）
在 GTC 2026 上，黃仁勛請來了一組很少會同時出現在一張桌子上的嘉賓：LangChain 的 Harrison Chase、Cursor 的 Michael Truell、Reflection AI 的 Misha Laskin、Perplexity 的 Aravind Srinivas、Thinking Machines Lab 的 Mira Murati，以及 Mistral 的 Arthur Mensch、OpenEvidence 的 Daniel Nadler、AI2 的 Hanna Hajishirzi、Black Forest Labs 的 Robin Rombach、AMP 的 Anjney Midha。
這場圓桌的題目聚焦于Open Models（開放模型）。但整整 80 分鐘聽下來，他們討論的遠不只是“開源模型和閉源模型誰更強”。
黃仁勛上來先給這場討論定了調。他說，外界花了很多時間討論最前沿的閉源模型和閉源實驗室，它們當然非常重要，“在很多方面，它們奠定了整個行業的基礎”。但在這之外，AI 還有更豐富的多樣性：模型應該如何被創造、如何被整合進應用、如何在不同行業里落地，答案都不只一種。
他給出了一個很醒目的判斷：從總體規模看，open models 聚合起來已經是世界上第二大的模型群；而在不同的行業和應用里，它們很可能最終會成為世界上最大的模型群。
在黃仁勛看來，未來不是 A 或 B，不是一個模型打敗另一個模型，而是“系統模型的組合”。這也是整場圓桌最穩定、最清晰的一條主線。
這場對話雖然打著 “Open Models” 的標題，但嘉賓們幾乎很快就把話題推到了更深一層：模型已經不再是唯一主角，真正成形的是由模型、工具、連接器、agent、控制平面和企業治理構成的新系統。也正是在這個意義上，這場圓桌比起一場“開源模型討論”，更像一次對下一階段 AI 產業結構的集體定義。
1. 黃仁勛怎么給這場圓桌“定題”？
黃仁勛的開場并不長，但信息量很大。
他先把熟悉的敘事放在前面：OpenAI、Anthropic、Gemini、xAI 這些前沿實驗室當然重要，閉源 frontier model 當然重要，甚至可以說它們構成了整個產業的第一推動力。接著他馬上把問題往外推了一步：如果把 AI 只理解成少數幾家實驗室制造的最強模型，那對整個產業的理解就太窄了。
他說，models are a technology, just as transistors are a technology, not a product。模型是一種技術，就像晶體管是一種技術，而不是最終產品；Open Model 是技術，ChatGPT 才是產品。這句話其實給整場圓桌劃出了一條邊界：嘉賓們討論的不是聊天機器人市場，而是“模型作為技術底座”之后，產業究竟會怎么長出來。
今天的世界當然需要專賣的 AI 產品，也需要把模型直接作為產品售賣的公司；但與此同時，整個產業也需要一個更大的生態，讓不同行業、不同公司把模型當作技術素材，進一步加工成自己的產品、系統和服務。
因此，當黃仁勛拋出第一個問題——“人們對于 OpenAI 這類大模型公司和生態中其他公司，到底有哪些誤解”——這其實已經不是一個簡單的開源 vs 閉源問題，而是在追問：除了“最強模型公司”和“應用公司”這兩種熟悉角色之外，AI 軟件棧里還會出現什么新的角色？
2. 模型不再是全部，真正成形的是“系統”
如果只摘出這一場圓桌里最反復出現的一個判斷，那就是：AI 不再只是模型，AI 正在變成系統。
Cursor 聯合創始人兼 CEO Michael Truell 說，過去大家總以為 AI 軟件層只有兩類公司：一類是做超大通用基礎模型、通過 API 對外提供能力的公司；另一類是基于這些模型做應用產品的公司。
但在他看來，現在正在出現并迅速壯大的，其實是第三類公司：它們一方面使用市場上最好的模型 API，另一方面也在模型和 agent 層面做大量自己的工作。
Michael Truell 的意思很明確：未來的軟件棧不會只是“底層模型 + 上層應用”這么簡單。隨著 agent 變得越來越復雜，能不能把不同模型、不同工具、不同執行流程組織起來，本身就會成為一類新的核心能力。
他提到，AI 最開始只是“調用一個模型”，后來開始加入工具調用，接下來的一兩年里，會出現真正意義上的新型 agent——它們會像同事一樣承擔需要數小時甚至數天的復雜任務。到了這種復雜度，單一模型未必是最優解，不同模型有不同長處，于是系統會把一個復雜任務拆分給不同模型處理。
他說，未來會出現大量復合型 agent，它們未必依賴某一個最強模型，而是通過編排，讓整個系統“比任何單一模型都更聰明”。
Perplexity CEO Aravind Srinivas 說得更直接：AI 不是模型，AI 是系統，是計算機。
他拿自家的 Perplexity Computer 舉例，說他們想做的就是把 coding、寫作、多模態生成等一切 AI 能做的事情組織成一個編排系統，把各種工具、模型、文件系統連接器、多云資源接到一起，讓用戶只需要把任務交出去，不需要再自己操心“哪個模型擅長什么”。
Aravind 用了一個很形象的比喻：sub-agents 像樂手，模型只是樂器，AI 真正替你完成的工作，才是那場交響樂。
在他的描述里，open 和 closed 也不是非此即彼的對立。開放模型往往在 token 效率和成本效率上表現更好，閉源模型則可能更擅長編排、推理和工具調用。最終模型會越來越像工具本身，就像文件系統、連接器一樣，是整套系統里的一個部件。
這也是這場圓桌里一個非常有代表性的轉變：沒有人真的把 open 和 closed 簡化成道德立場或路線之爭。相反，越靠近實際產品和 agent 運行層的嘉賓，說得越具體：開放模型有開放模型的價值，閉源模型有閉源模型的價值，真正的系統往往會把兩者都吸收進去。
LangChain CEO Harrison Chase 則把這套思路概括成一個新詞：harness engineering（駕馭工程）。
這幾天筆者在各個地方看下來，我感覺這個詞將會是接下來一段時間的熱詞。
所謂 harness engineering，基本上就是模型周圍的一切：它怎么連接工具，何時調用什么 prompt，用什么 sub-agent，給不同 sub-agent 配什么模型。哪怕是閉源實驗室，也在做同樣的事情。以 Claude Code 為例，大家當然會夸模型本身很強，但真正讓它變得好用的，還有圍繞模型構建出來的那層 harness。
Harisson 他們和開發者打交道時，越來越多討論的不是“該用哪個模型”，而是“怎樣為特定環境搭一個剛剛好的 harness”。
這其實也回應了過去一年 AI 領域非常常見的一句輕蔑判斷——“某某產品不過是個 wrapper”。在這場圓桌里，幾乎沒有人再把 wrapper 看成一個低價值的詞。相反，大家越來越承認，真正把模型變成生產力的，往往正是這些被過去低估的部分：上下文管理、工具接入、路由、記憶、工作流、權限和執行策略。
Reflection AI CEO Misha Laskin 也補了一層。他說，關于模型公司有兩個很常見的誤解。
第一個誤解是，以為模型公司只是“做了一個模型”。實際上，當你買一個商業模型時，你買到的是從芯片、編排、軟件、推理到產品的整套棧。開放的價值就在于，其他人也可以沿著整個鏈路，從頭到尾去重新優化這套系統。
第二個誤解是，以為開放模型天然落后于 frontier。Misha Laskin 認為，這只是當前階段的現象，不是根本規律。在他看來，open 和 closed 在本質上沒有不可逾越的分界；模型是“知識基礎設施”，而“基礎知識設施天然趨向開放”。
Thinking Machines Lab 創始人 Mira Murati ，也是我們熟悉的那位曾經的 OpenAI 前 CTO，她則把“開放”放進更大的創新過程里來看。
她說，現在進步非常快，一切都處在指數級曲線上，而且節奏高度壓縮。要學習的東西太多，不可能都由少數大型實驗室獨自完成。大量聰明人缺的不是能力，而是獲取知識和工具的機會，因此 openness 在這里會變得非常重要——不僅是模型本身，還有基礎設施、數據和研究洞見。
她特別提到，很多人會把開放看成一種零和選擇，仿佛越開放，就越不利于商業化。但她并不同意。她舉了自家團隊的一個早期決定：開放后訓練的 API，讓更多研究者可以在 open models 之上繼續做后訓練。
從這幾位的回答看，所謂 open models 的意義，已經明顯不只是“有沒有開放權重”這么單一的問題，而是：誰能參與后訓練，誰能參與架構演化，誰能把模型帶進自己的系統，誰能在自己的 domain 里重新定義它。
3. 從生成式到推理再到 agent，拐點為什么會在這兩年出現？
黃仁勛把過去一段時間的 AI 演進總結成三個階段：Generative AI、Reasoning、Agentic systems。
他還拋出了一個很值得注意的判斷：過去大家總把注意力集中在預訓練上，討論“記憶”“泛化”“基礎知識”這些能力。但在他看來，未來算力的主要消耗，很可能不會繼續集中在預訓練，而會更多轉向后訓練。因為基礎知識只是起點，真正讓模型獲得技能、變成可以落地的系統，后訓練會越來越關鍵。
這個判斷，也正好對應了現場幾位嘉賓的共同感受：過去一年最明顯的變化，不是模型多知道了一些事實，而是它們開始真的“會做事”了。
在這個問題上，幾位嘉賓各自給出了不同的拐點判斷。
Misha Laskin 把時間線拉得更早。他說，真正讓自己從理論物理轉到 AI 的，不是語言模型，而是 AlphaGo。那是他第一次看到一個大規模的“超智能 agent”。在他眼里，AlphaGo 最重要的一點是：它不會停止學習，問題更多只是一個經濟學問題——你愿意投入多少算力，讓它再變強 10 倍。現在 RL 已經開始在語言模型上奏效，在他看來，未來解決基礎科學問題也可能逐步變成一個算力和經濟性的命題。
這個視角和很多今天只從 LLM 出發理解 agent 的看法不太一樣。Misha Laskin 的意思是，agent 并不是語言模型時代憑空誕生的概念，而是一條更長的演進線索；只是語言模型和 RL 終于在這一輪開始匯合，把 agent 從少數特例推向了更廣泛的知識工作。
Michael Truell 給出的答案則非常現實：去年整個經濟層面 AI 最重要的故事，就是 coding 開始真正 work 了。
他認為，coding 市場無論在客戶價值，還是技術上限上，都還有很大空間；而去年在 coding 上跑通的能力，今年會開始向其他領域遷移。他還特別提到，personal productivity agents（個人生產力智能體）正在非常快地增長。
Harrison Chase 也認同 coding 的關鍵地位。他說，很多今天我們看到的 agent，本質上都長得很像 coding agent。因為 coding agent 所具備的很多能力，其實天然就有通用性。你可以寫代碼，代碼又可以進一步去幫助你完成發郵件、調用服務、操作工作流等一系列任務。
他提到，直到大約一年前，那種“LLM 在循環里不斷調用工具”的簡單 agent 算法，其實并不好用。后來開始變得可行，一方面是模型本身大幅變強了，另一方面也是大家逐漸摸清楚了應該給這套 harness 接上什么樣的工具。
這句話其實很重要，因為它說明 agent 的拐點并不只是“模型突然變聰明了”，而是模型能力、工具接口和系統工程在同一時間段里完成了某種對齊。
Aravind Srinivas 則把這個轉折點具體落在了工具能力上。他說，從 o1 到尤其是 o3，這些模型開始變得很擅長“導航工具”。與此同時，整個生態也在圍繞工具、MCP、連接器去組織。到了去年底，模型已經明顯變得更會用文件、更會用 CLI。
他的判斷是，之所以 coding 的成功會向更廣泛的世界轉移，是因為一旦模型擅長操作控制臺，它就突然獲得了進入幾乎所有知識工作的能力。
這里的關鍵詞并不是 coding 本身，而是CLI、files、tools這些接口。對于人類來說，很多軟件世界的工作本來就是通過這些抽象接口被組織起來的；而一旦模型學會使用同樣的接口，它就相當于獲得了進入這些工作的“通行證”。
Mira Murati 的總結最簡潔：ChatGPT 把 AI 帶進了公眾視野，而 coding 讓它的“有用性”一下子被放大了。
黃仁勛自己則補了一句極具代表性的話：幾乎所有工作，都可以在某種程度上被表述成 code。
在他的理解里，這就是 coding 為什么如此重要的原因。
從這段討論可以看到，coding 在現場并沒有被當成一個狹義行業，而更像一個原型場景：它具備明確的目標、標準化的接口、可驗證的輸出、可回滾的錯誤，以及持續迭代的反饋閉環。也正因如此，coding agent 一旦成立，它對其他知識工作具有天然的外溢性。
4. OpenClaw 為什么突然成了圓桌中心？
在這場圓桌里，agent 雖然被頻繁提起，但幾位嘉賓的描述并不完全一樣。
Michael Truell 說的是會承擔數小時、數天復雜任務的復合型智能體；Aravind 說的是編排系統和多智能體；Harrison 說的是 harness engineering；黃仁勛則不斷把問題往“工業應用”和“企業平臺”方向推。
把這些回答放在一起，大致能拼出他們對 agent 的共同定義：它不只是一個能回答問題的模型，也不只是一個帶了幾個工具的聊天框，而是一個能夠持續處理任務、調用外部資源、拆分工作步驟、在不同模型之間路由，并在一定時間跨度內保持狀態的執行系統。
這也是為什么 Michael Truell 會用 “co-workers” 來形容接下來的 agent。因為對他來說，agent 的關鍵不再是“像不像人”，而是“能不能穩定承擔工作”。
而黃仁勛對此的興趣顯然也不只停留在 demo。他在整場對話中不斷追問的問題，其實都是：
這些 agent 到底在什么條件下才真正有用？
它們和模型本身是什么關系？
它們進入企業時要補上哪些缺口？
如果 agent 成為新的應用入口，那產業結構會如何重排？
這也是為什么，圓桌進行到中段時，話題會自然集中到一個項目上：OpenClaw。
這場對話進入中段后，黃仁勛把話題明確轉向了OpenClaw。
他給出的評價非常高：OpenClaw 是個“大事”，它把 agentic systems 帶進了消費者的認知；它呈現出了現代計算機的一種新樣子。黃仁勛直接追問：OpenClaw 到底是什么？它在計算機科學上、工業上為什么重要？一年之后它會變成什么？
這段追問很值得注意。因為黃仁勛并沒有把 OpenClaw 當成一個“有趣的開源項目”來聊，而是明確把它視為一個理解agentic systems（智能體系統）的窗口。
幾位嘉賓的回答，基本把他們對 agent 的理解都濃縮了進去。
Misha Laskin 的表述最有畫面感。他說，單獨的模型其實并不那么有用，它們更像“沒有身體的大腦”。而 OpenClaw 做的，是為今天這種形態的模型找到了合適的“形態學結構”——它給大腦裝上了四肢，讓它進入電腦。
這句話幾乎把整個 agent 討論壓縮成了一個比喻：模型代表的是認知能力，而真正讓這種能力產生現實效用的，是它能不能進入一個身體、進入一個環境、進入一個可以執行動作的系統。
Mira Murati 則說，模型只是一般能力的來源。要把這種一般能力變成真正的用途，你還需要把許多與模型正交的能力補齊：上下文連接、進入你的數據、進入你的業務域。OpenClaw 的價值就在于，它讓 agent 可以在特定領域里運作起來，把這些能力串在一起。
Michael Truell 認為，OpenClaw 之所以重要，是因為它把去年首先發生在專業軟件工程師身上的變化，第一次以一種更廣泛的形式展示給了更多人。它標志著 AI 正在從“回答你”轉向“替你采取行動”。
這句話其實非常接近許多普通用戶第一次接觸 agent 時的感受。聊天機器人時代，AI 的核心體驗是“我問，它答”；而一旦 agent 真正進入電腦、瀏覽器、文件系統、終端、消息渠道，交互結構就會發生變化：用戶開始把任務委托出去，而不是只索取一個答案。
Harrison Chase 則點出了 OpenClaw 身上三個很值得注意的特征。
第一，它是always-on的，是主動的，會給你發消息。這對開放模型尤其重要，因為如果一個 agent 每隔 10 分鐘就要運行一次，成本會立刻變成一個核心問題。
第二，agent 的“身份”開始出現了。它不再只是一次性會話，而像是一個可持續存在的角色。
第三，是“記憶”。你和它交互，它會記住；而且它甚至可以通過代碼修改自己的指令。
如果說前面幾位更強調 OpenClaw 讓 agent 獲得了身體，那 Harrison Chase 這里強調的，其實是另外兩個層面：持續性和人格連續性。一個始終在線、主動行動、擁有記憶、還能調整自身行為策略的 agent，已經明顯不同于我們熟悉的“每次打開一個新窗口重新聊天”的聊天機器人。
黃仁勛順著這個問題繼續問了 Harrison 一個很尖銳的問題：如果 OpenClaw 這樣的開源 agent 已經這么強了，那為什么還需要 LangChain 這樣的公司來幫助大家構建 agent？
Harrison Chase 的回答很直接：因為未來不會只有一個通用 agent。會有做法律工作的 agent、做銷售的 agent、寫代碼的 agent。它們會由不同模型驅動，擁有不同 harness 和不同工具。LangChain 這類平臺的價值，正在于幫助開發者和企業把這些 harness 針對垂直場景和生產環境做深度定制。
這其實也回答了開源通用 agent 和企業專用 agent之間的關系：OpenClaw 這樣的項目可以把一種新范式暴露給大眾，讓大家第一次看到“會行動的 AI”到底長什么樣；但一旦進入垂直行業和企業環境，通用 agent 很快就要被定制化、被約束、被接入特定系統。
黃仁勛最后給出的總結是：OpenClaw 作為通用 agent 已經很有能力，但大量專用 agent 仍然不可替代；而且這些專用 agent 必須放進企業內部的飛輪里，持續學習、持續改進。
Aravind Srinivas 則用一句非常像口號的話，為這一段作了收束：computers are cool again（計算機這玩意又開始變得很酷了）。
他說，OpenClaw、computers、co-workers，這些背后的核心概念是：一種新的計算機正在形成，而它的 runtime 是 GPU。token 變成了新的基本消耗單位，未來會出現大量本地算力與服務端算力混合的運行方式。
這句話聽起來像金句，但它在這場圓桌里的上下文其實很明確：如果 agent 是未來的新應用形態，那么計算機本身也會因此被重新定義。它不再只是一個等待用戶輸入、然后被動執行命令的設備，而可能逐漸變成一個運行著多個 agent、持續處理任務、在本地與云之間混合調度的新系統。
5. OpenClaw 帶來的，不只是一個項目，而是一種“現代計算機”想象
請走上一批大神們，黃仁勛在現場直接又迎來另一批嘉賓上臺。
第二輪 panel 開始前，他又一次把 OpenClaw 放到了一個更夸張的位置上。老黃說，OpenClaw 是歷史上最受歡迎的開源項目，它向世界展示了 agentic systems 的能力和愿景，是現代計算機的一個完美代表。
接著他甚至用半開玩笑的方式講到 OpenClaw 在中國引發的 “Claw mania”：人們在養“龍蝦”，這些“龍蝦”互相交流、組建公司、找工作。
玩笑的背后其實還是同一個問題：如果第一個真正有能力的開源 agentic system 已經出現，它在工業層面的意義是什么？
Arthur Mensch 給出的回答是，這件事在個體層面已經證明了“任務委托給 AI”是成立的；但一旦到了企業層面，情況就復雜得多。因為企業不是一個人，它是一個組織。組織里有不同崗位、不同權限、不同數據邊界，因此“委托給 AI”這件事不再只是能力問題，而是治理問題。
也就是說，OpenClaw 的流行本身已經說明了一件事：人們開始愿意把 agent 當作一個持續存在的執行角色來看待。但它越往前走，越會逼出新的問題——這些問題不再是“模型會不會用電腦”，而是“誰授權、誰觀察、誰負責、誰能關停”。
6. 對企業來說，真正棘手的不是 agent 會不會干活，而是該怎么管它
如果說第一輪 panel 更多在討論“agent 為什么成立、系統為什么重要”，那么第二輪 panel 最核心的議題，就是：當 agent 真的開始進入企業，問題立刻從能力轉向治理。
Mistral 聯合創始人兼 CEO Arthur Mensch 說，OpenClaw 這類系統證明了一件事：在個體層面，人們確實已經可以把很多任務委托給 AI。但一旦到了組織層面，問題就變得復雜得多。因為企業不是單個用戶，它有數據問題、治理問題，需要不同人把任務委托給 AI，還要知道 AI 在哪里拿數據、怎么行動、如何被觀察、如何統一管理。
Arthur Mensch 說，真正的瓶頸在于，你需要一套基本原語，去提供正確的治理和可觀測性，并把所有東西放在同一個控制平面之下。
這段話和第一輪 panel 的“AI 是系統”正好首尾相接：個人用戶可以接受一個 agent 在自己的電腦上跑來跑去，但企業不行。企業不會只問“它夠不夠聰明”，而會馬上追問：它能看到什么？它能做什么？它做了什么？它出錯了怎么辦？它能不能被審計？能不能被暫停？能不能被隔離？
黃仁勛在這里給出了一句全場最值得反復引用的話：
一個 agent 會做三件事：訪問敏感信息、執行代碼、對外通信。企業應該允許 AI 同時擁有其中兩項能力，但通常不該讓它三項全開，除非它就是 CEO。
這句話很快把“企業 agent”與“個人 agent”區分開了。個人用戶可以容忍更高的不確定性，但企業不行。企業面對的是治理、安全、策略、合規，這些因素會把 agent 的部署難度迅速抬高。
而且這句話也把企業 agent 的風險結構說得非常清楚：
如果它能訪問敏感信息，又能執行代碼，就要限制它對外溝通；
如果它能訪問敏感信息，又能對外溝通，就不能讓它任意執行；
如果它能執行代碼，又能對外溝通，就必須嚴格限制它的數據權限。
這不是一個抽象的“安全很重要”判斷，而幾乎像一條可操作的設計原則。
AI2 的 Hanna Hajishirzi 隨后把問題進一步推進到“信任”層面。她說，既然大家都期待 agent 能接觸我們的數據，那么問題就會變成：我到底有多放心讓它進入我的私人郵箱、進入我的私人記錄？在她看來，open models 的作用就非常重要，因為如果是開放模型，她會更愿意讓它接觸自己的私有數據。
這種表態其實代表了企業和科研界對開放模型的一種非常典型的期待：不是簡單地因為便宜，而是因為可見、可檢驗，因此更容易建立信任。
對于很多企業來說，這種“可見性”甚至比性能差幾個點更重要。因為一旦 agent 被放進公司內網、郵件系統、財務流程、客戶數據和對外渠道里，模型本身已經不只是一個計算對象，而是一個具有執行后果的系統組件。
7.Coding 不是唯一前沿，視覺、機器人和物理世界也在被納入同一條曲線
雖然 coding 和 agent 幾乎主導了整場討論，但 Black Forest Labs 聯合創始人兼 CEO Robin Rombach 還是把話題往外拉了一步。
他說，現在很多進展確實來自模型在編程上變得越來越強，而編程的好處是“可驗證”。但前沿遠不止編程 一個方向。他們正在做的一個方向就是視覺智能。所有機器人和 agent 只要與現實世界發生交互，視覺內容就會變得非常關鍵。
Robin Rombach 提到，他們已經看到一個明顯趨勢：這些模型正被越來越多地部署進 physical AI 和機器人之中。
這段回答的意義，在于它提醒大家：coding 之所以現在最顯眼，不代表整個 AI 前沿已經收斂成 “寫代碼” 這一件事。編程的確是最早被驗證的一個高價值接口，因為它結構化、可驗證、可迭代；但一旦 agent 要進入真實世界、工業流程、機器人和空間環境，視覺和物理交互就會重新成為核心。
AMP 創始人 Anjney Midha 則順著這個方向補充說，大家必須提醒自己，AI 有很多條 frontier，而不只是 coding 一條。雖然今天行業都被 coding 的驚人進展吸住了目光，但“bitter lesson”（苦澀的教訓，強化學習經典文章）仍然在起作用。
他回憶說，四年前 Dario 和 Tom 給他打電話，說他們剛發了一篇 GPT-3 相關論文，想成立一家新公司，名字叫 Anthropic。當時沒有多少人真相信 bitter lesson 會繼續成立。但今天，在他看來，行業已經有了一個明確結論：收入會隨著計算資源規模化而變得可預測。
這個表述很值得注意。過去技術圈討論 bitter lesson，更多是說“性能會隨著數據和算力而擴展”；而在今天的創業和產業語境里，這句話已經被翻譯成了更直接的商業語言：不僅能力會擴展，收入也會隨著算力擴展。
Anjney Midha 說，前沿創新的最小單元，其實是一個“高度聚焦、人才密集、又能拿到巨大算力”的團隊。他在這場圓桌上看到的，正是一批這樣的創業公司。只要讓合適的人拿到足夠多的算力，agentic progress 還會繼續往前推。
在這場圓桌里，這個說法也與黃仁勛后面提到的 AI foundry / AI factory 形成了呼應：如果未來真正限制前沿創新的，不再是“有沒有想到一個好點子”，而是“有沒有辦法拿到足夠計算資源”，那算力供給方式本身就會成為產業結構的一部分。
8. 行業落地會從哪里先爆發？Daniel Nadler 說是那些多步驟、可預測、重復出現的工作
談到行業場景時，OpenEvidence CEO Daniel Nadler 給出了一個非常清晰的判斷。
他說，agent 特別擅長的，是那種多步驟、重復性強、而且每一步都相對可預測的工作流。這樣的范式幾乎存在于所有行業里，而醫療就是其中最典型的一個。
Daniel Nadler 特別舉了醫生工作的例子。他說，很多人以為醫生的核心工作就是診斷和開藥，但現實中，醫生的大量時間花在寫給保險公司的事先授權書上。那些任務本質上就是多步驟 agentic system 的完美用例，因為它們既重復、又流程化，同時還涉及大量私密且安全敏感的信息。
他舉的場景很具體：當保險公司拒賠時，不必等醫生醒來再去手動處理，agent 可以自動發起申訴，從患者病歷里拉取信息，幫病人爭取到關鍵治療。Daniel Nadler 認為，這種場景的影響規模會非常大。
這段發言之所以有力量，是因為它把“agent 落地”從抽象的辦公室生產力，拉回到了真實行業流程。它不是在討論“AI 能不能替代醫生”，而是在討論那些真正耗費專業人士時間、但又并不需要最頂級創造力的重復勞動。
而且，這也是整場圓桌里一個很明顯的共識：agent 最先大規模進入的，不一定是那些最光鮮、最復雜、最需要類人智慧的工作，而很可能是那些流程明確、邊界清楚、重復度高、又高度依賴信息系統的工作。
它們都不是“最像人類創造力”的工作切片，但都足夠標準化、足夠可驗證，也足夠值得自動化。
9. 為什么這么多人都在強調開放模型？
在圓桌后半段，黃仁勛又把問題重新拉回題面：我們到底該知道些什么，才能不低估 open models 的發展能力？
這一次，幾位嘉賓給出的答案都很具體，而且各自強調的點并不完全一樣。
Arthur Mensch 先從 Mistral 的歷史講起。他說，Mistral 在 2023 年之所以迅速被認識，很大程度上就是因為 Mistral 7B。Mistral 從一開始就想在開放模型的基礎上建立企業業務。
為什么他們相信 open models 應該成為 AI 軟件的基礎？Arthur 總結了兩個最核心的原因：可控和定制化。
在他看來，AI agent 處在執行層，因此企業一定會想控制它到底部署在哪里，也一定會想確保自己擁有“總開關”。而另一方面，agent 在虛擬世界里很強，但現實世界中的企業往往有自己的物理資產、業務流程和專有知識，這些 IP 都需要被寫進模型里，因此可定制性就變得非常關鍵。
Arthur 還提到，Mistral 發布 La Plateforme，就是為了把模型和各種數據源連接起來。與此同時，開放模型還可以分攤研發成本，這也是他們樂于參與 NeMo coalition 的原因。
Arthur Mensch 這段回答里的三個關鍵詞其實很有代表性：
控制權
定制化
研發成本共享
這三點把開放模型從一個“意識形態概念”拉回了非常實際的企業動機。
Daniel Nadler 從“專業化”角度解釋了 open models 的價值。他說，閉源的千億參數模型很像一個“800 歲的父母”：它們長期沿著某種固定方向被訓練和強化，所以很擅長以自己的方式理解世界；但如果你想讓它們換一種方式看世界，這就會變得非常困難。
這應該也是我最近看過最有意思的舉例。
而現實社會恰恰是高度專業化的。一個公司里，CEO 的思考方式和總法律顧問的思考方式就完全不同。醫療領域更是如此，你需要世界級心臟科專家、神經科專家、腫瘤學專家。Daniel Nadler 認為，未來一定會出現這些專家的數字孿生，而 open models 正是這種專業模型的必要基礎。
這段發言的重點在于，Daniel Nadler 把 open models 的價值解釋成了塑形能力。超大的通用閉源模型當然很強，但恰恰因為它們太大、太成熟、太強，它們也更難被徹底塑造成某個行業、某種職業角色、某種風險偏好的數字專家。開放模型則提供了更大的改造空間。
Hanna Hajishirzi 則把“可定制性”推進得更深一層。她說，大家通常只看到模型訓練完成后的最終快照，但實際上，模型的形成是一個很長的過程。如果能把這個過程的不同部分開放出來，就會釋放出幾乎無限的定制空間。
她提到，自己的團隊構建 OLMo 時，并不只是開放了一個結果模型，而是把完整的開發周期都盡量展開——包括數據、模型權重和基礎設施，讓研究者可以在整個鏈路上繼續做實驗、繼續搭建。她認為，對這些基礎設施的訪問，會開啟下一代先進模型架構。
Hanna Hajishirzi 的這段回答很重要，因為它把“開放”從一個靜態結果，重新定義成了一個動態過程。不是只有權重是否公開才叫開放，數據、訓練、基礎設施、架構探索這些環節是否可被接續，也同樣重要。
Robin Rombach 的答案則是“創新擴散”。他認為，開放模型會帶來創新、研究和競爭的擴散。這也是為什么，無論是做 frontier models，還是做更專用、可以上設備端的 open models，現在都是一個非常令人興奮的時刻。在 Robin 看來，所有這些不同的 frontier，最好都擁有某種開放組件。
他的關注點更像一個研究者兼創業者視角：如果沒有開放環節，創新就會過度集中在少數機構內部；而一旦有了開放組件，研究、應用和競爭就會在更大范圍內擴散。
Anjney Midha 的說法最有保留。他明確表示，并不同意“開放模型在所有場景下都嚴格優于閉源模型”這種說法。某些場景里，閉源模型完全可以非常出色。但在 defense、healthcare 這類高風險、任務關鍵型應用里，你必須真正信任系統會在高壓情況下正常表現；而能被你內省、能被你檢查的開放系統，會更容易建立這種信任。
同時，他還提出了另一個常被忽略的前提：如果想讓 frontier 級別的 open models 持續發展下去，行業不僅需要 open models，也需要open infrastructure。他說，大家需要一種可以安全共享的基礎設施機制，既能承擔基線負載，又能在高峰時靈活擴縮。這也是 AMP 正在做的事：建設一個 AI grid。
這實際上把“開放”又往下推了一層。開放不只是模型權重的開放，也不只是后訓練接口的開放，而可能還意味著：算力和基礎設施也需要某種共享機制，否則開放模型的發展最終還是會被巨額計算資本卡住。
10. “開放”到底開放什么？從模型權重，到研究過程，再到基礎設施
如果把第二輪 panel 關于開放的回答放在一起，可以看到現場其實至少在討論三種不同層面的 open：
第一層，是最常見的open weights（開放權重）。
也就是模型權重是否開放，用戶能否自行部署、微調和控制。
第二層，是open post-training / open customization（開放后訓練和開放自定義）。
Mira Murati 提到的后訓練 API，Arthur Mensch 提到的控制與自定義，其實都落在這層：就算不是所有東西都全量開放，只要后訓練和定制化能力開放出來，更多參與者就能在通用能力上繼續往前推。
第三層，是open research / open infrastructure。
Hanna Hajishirzi 的 OLMo，Anjney Midha 的 AI grid，Robin Rombach 所說的 open component，講的都是這件事：開放不該只停留在最終產物，而應該覆蓋更長的創新鏈條。
也正是在這個意義上，黃仁勛這場圓桌 panel 雖然題目是開放模型，但它談論的其實是一個更大的命題：AI 的開放生態究竟能不能成為一條獨立、可持續、并且能夠支撐產業級創新的路線。
雖然兩輪 panel 的嘉賓構成不同、側重點不同，但把整場 80 分鐘連起來看，仍然能看到幾個非常穩定的共識。
第一，模型是基礎，但不再是終點。
無論是 Michael Truell 說的第三類公司，Aravind 說的編排系統，還是 Harrison Chase 說的 harness engineering，大家都在反復強調：最終交付價值的，不再只是模型本身，而是模型如何被放進系統。
第二，coding 不是偶然，而是 agent 的第一個大規模驗證場。
幾位嘉賓都承認，過去一年 coding 先跑通了。這不只是因為程序員更愛嘗鮮，而是因為 coding 本身具備可驗證、可迭代、工具接口標準化等一系列特征，因此成了 agent 的天然試驗田。
第三，OpenClaw 之所以重要，不只是因為它火，而是因為它把 agent 具象化了。
在嘉賓們的描述里，OpenClaw 的價值不只是“開源社區很熱鬧”，而是它第一次把 agent 變成一種大眾可以感知的計算體驗：always-on、主動、可記憶、能行動。
第四，企業落地的難點不是“會不會”，而是“怎么管”。
Arthur Mensch、Hanna Hajishirzi 和黃仁勛都把話題拉到了治理、安全、信任和控制平面上。企業要的是一個可治理的 agent，而不是一個只在 demo 里聰明的 agent。
第五，開放模型的意義，不只是省錢，而是控制、定制和信任。
無論是 Arthur 說的可控和定制化，Daniel Nadler 說的專業模型，還是 Hanna 說的完整開發鏈條開放，現場都在不斷強調：開放模型的價值，最終會體現在企業和行業能否把 AI 真正塑造成自己的系統。
尾聲：黃仁勛真正想談的，也許是“AI factory”
在整場對話最后，黃仁勛把這些零散的討論重新歸攏到一個更大的框架里。
他說，AI factory 或 foundry這個概念會變得越來越重要。接下來這一年，人們會開始看到它真正成形——企業不必自己大到足以獨占大量算力，也能獲取所需的計算資源和部署能力。
在他的總結里，現在行業至少已經看到兩個明顯的拐點：
第一個拐點，是agentic systems 的時代已經開始。
第二個拐點，是足夠強的模型開始與 agentic systems 融合，形成真正有商業價值的企業平臺。
黃仁勛最后一句話說得很直白：今年會是“真實商業經濟學”開始起飛的一年。
這句話前面其實鋪了很長的邏輯鏈。
先是 frontier models 打開能力上限，接著是 reasoning 和 tool use 把模型推進到可執行階段，再之后是 coding 和 OpenClaw 這類項目把 agentic systems 變成可見的產品形態，最后企業開始追問治理、控制、可定制和基礎設施……
因此，“business economics take off” 在這里不是一句輕飄飄的行業口號，而是說：當這些條件開始同時成立時，AI 才真正開始從“驚艷演示”進入“可規模化經營”。
如果把整場圓桌連起來看，這句話并不只是對開源模型的樂觀判斷，也不是單純在夸 agent。更準確地說，它是在描述這樣一個趨勢：
模型還會繼續進步，閉源和開源會繼續并存；
但真正的產業落點，越來越會出現在系統層、agent 層、企業控制層和基礎設施層。
從 coding 到醫療，從個人 co-worker 到企業 agent，從 open weights 到 open infrastructure，越來越多問題開始往同一個方向收束：AI 不再只是一個模型接口，而是在長成一整套新的計算與生產系統。
把這些嘉賓的言論放在一起，會看到他們并沒有給出一個整齊劃一的結論。相反，他們共同勾勒出的，是一張正在展開的新地圖：
底層仍然有越來越強的 frontier models
中間長出 orchestration、harness、agent runtime、control plane
上面長出 coding、醫療、企業流程、視覺智能、機器人等應用層
周圍則是開放模型、開放研究、開放基礎設施與企業治理之間的新平衡
這張地圖最大的變化，也許就是：AI 的主戰場，已經不再只是“誰訓練出了最強模型”，而是“誰能把模型變成真正可運行、可治理、可擴展的系統”。
而這場 80 分鐘圓桌的價值，也正在于它把這件事說得足夠直接。
（投稿或尋求報道：zhanghy@csdn.net）
"48 小時，與 50+ 位大廠技術決策者，共探 AI 落地真路徑"
由 CSDN&奇點智能研究院聯合舉辦的「全球機器學習技術大會」正式升級為「奇點智能技術大會」。
2026 奇點智能技術大會將于 4 月 17-18 日在上海環球港凱悅酒店正式召開，大會聚焦大模型技術演進、智能體系統工程、OpenClaw 生態實踐及 AI 行業落地等十二大專題板塊，特邀來自BAT、京東、微軟、小紅書、美團等頭部企業的 50+ 位技術決策者分享實戰案例。旨在幫助技術管理者與一線 AI 落地人員規避選型風險、降低試錯成本、獲取可復用的工程方法論，真正實現 AI 技術的規模化落地與商業價值轉化。
這不僅是一場技術的盛宴，更是決策者把握 2026 AI 拐點的戰略機會。
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
