近日，一場(chǎng)圍繞“AI賦能產(chǎn)業(yè)升級(jí)與經(jīng)濟(jì)發(fā)展”的圓桌對(duì)話在產(chǎn)聯(lián)智庫(kù)舉行，來自學(xué)界與產(chǎn)業(yè)界的眾多嘉賓齊聚一堂，就AI智能體熱潮、AI與產(chǎn)業(yè)融合以及中小企業(yè)智能化轉(zhuǎn)型等核心議題展開深入探討。

北京工業(yè)大學(xué)教授、IEEE China Council常務(wù)理事兼工業(yè)合作與創(chuàng)新委員會(huì)主席李文正，憑借其在人工智能大模型與高性能異構(gòu)計(jì)算機(jī)群計(jì)算領(lǐng)域的深厚積累，在對(duì)話中分享了諸多前沿觀點(diǎn)。他指出，AI大模型本質(zhì)上是對(duì)人類知識(shí)的壓縮與對(duì)齊，賦予了機(jī)器通用對(duì)話和生成的能力。當(dāng)前，AI大模型正朝著“Agentic AI”階段邁進(jìn)，構(gòu)建起“大模型+智能體+環(huán)境”的協(xié)同生態(tài)，對(duì)物理和數(shù)字世界產(chǎn)生深遠(yuǎn)影響。

2026年伊始，OpenClaw等開源智能體迅速走紅，引發(fā)了行業(yè)對(duì)“AI獨(dú)立上崗”的熱烈討論。業(yè)界普遍關(guān)注這波熱潮究竟會(huì)形成巨頭壟斷的局面，還是開啟一場(chǎng)激烈的混戰(zhàn)。與此同時(shí)，Gartner預(yù)測(cè)多智能體系統(tǒng)將迎來突破，如何界定智能體的能力邊界成為焦點(diǎn)問題。

李文正回顧了人工智能的發(fā)展歷程，從判別式AI到生成式AI，再到如今的Agentic AI。他強(qiáng)調(diào)，智能體的出現(xiàn)標(biāo)志著AI大模型從單純的“對(duì)話”功能，向“執(zhí)行真任務(wù)”和“解決真問題”轉(zhuǎn)變。在實(shí)現(xiàn)這一轉(zhuǎn)變的技術(shù)路徑上，存在兩條主要路線。一條是以O(shè)penAI GPT5.4為代表的大一統(tǒng)模型，將大模型原生深度集成到工作流中，使GPT - 5.4具備原生電腦操作能力，超越人類，將AI大模型從對(duì)話工具轉(zhuǎn)變?yōu)閳?zhí)行智能體；另一條是以Anthropic Claude Opus 4.6為代表的多AI Agent協(xié)同大框架。

在產(chǎn)品形態(tài)方面，Manus和OpenClaw備受矚目。Manus是全球首款通用型AI智能體，定位為數(shù)字員工，主要在云端運(yùn)行；而OpenClaw是開源的本地AI智能體框架，旨在打造用戶的數(shù)字分身，在數(shù)字世界中執(zhí)行任務(wù)，主要運(yùn)行于本地電腦設(shè)備。這兩個(gè)產(chǎn)品都沒有自有模型，而是依靠大框架、工具與生態(tài)與強(qiáng)大模型進(jìn)行適配和優(yōu)化。

Agentic AI強(qiáng)調(diào)AI系統(tǒng)以高度自治、主動(dòng)、目標(biāo)驅(qū)動(dòng)的方式運(yùn)作，其核心特征包括自治性、感知能力、決策/推理能力、行動(dòng)能力和目標(biāo)導(dǎo)向。這使得AI大模型從“對(duì)話”邁向“執(zhí)行”，進(jìn)而進(jìn)入“多智能體協(xié)同”的新階段，實(shí)現(xiàn)從“會(huì)說”到“會(huì)做”，最終走向“解決真問題，真解決問題”。對(duì)于企業(yè)而言，這一趨勢(shì)既帶來了挑戰(zhàn)，也蘊(yùn)含著機(jī)遇。

李文正認(rèn)為，AI智能體目前仍處于快速發(fā)展的初級(jí)階段，未來需要重點(diǎn)關(guān)注數(shù)字空間智能與物理世界的深度融合。如何讓數(shù)字空間智能與現(xiàn)實(shí)物理世界建立有意義的聯(lián)結(jié)，解決符號(hào)落地問題，是實(shí)現(xiàn)從“會(huì)說”到“會(huì)做”跨越的關(guān)鍵。

在探討Agentic AI時(shí)代對(duì)未來智慧城市運(yùn)營(yíng)與城市基礎(chǔ)設(shè)施的影響時(shí)，李文正將智慧城市比喻為一個(gè)從“能看、能思考”的城市大腦，進(jìn)化為“能動(dòng)手、能執(zhí)行”的城市智能體。這一進(jìn)化不僅意味著城市運(yùn)營(yíng)模式的徹底變革，也對(duì)城市智能基礎(chǔ)設(shè)施提出了更高要求。

智能體的自主決策與執(zhí)行能力將推動(dòng)城市運(yùn)營(yíng)實(shí)現(xiàn)三大躍遷：運(yùn)營(yíng)模式從“被動(dòng)處置”轉(zhuǎn)變?yōu)椤爸鲃?dòng)預(yù)防”；服務(wù)體驗(yàn)從“千人一面”升級(jí)為“極致個(gè)性化”；管理對(duì)象從“物理空間”擴(kuò)展到“虛實(shí)融合”。然而，這些變化也給城市智能基礎(chǔ)設(shè)施帶來了四大核心挑戰(zhàn)。

首先是算力架構(gòu)，需要從“中心化”向“云邊端一體化”的實(shí)時(shí)協(xié)同轉(zhuǎn)變。智能體需實(shí)時(shí)處理海量數(shù)據(jù)并做出毫秒級(jí)響應(yīng)，這就要求算力下沉。例如，一個(gè)城市要處理數(shù)萬路攝像頭的數(shù)據(jù)，需構(gòu)建從云端訓(xùn)練到邊緣端推理的協(xié)同架構(gòu)，網(wǎng)絡(luò)需具備高吞吐、低時(shí)延能力。其次是數(shù)據(jù)治理，要從“部門孤島”走向“全域融合”的語義理解。智能體要理解復(fù)雜城市事件，必須打破部門之間的數(shù)據(jù)壁壘，實(shí)現(xiàn)跨模態(tài)數(shù)據(jù)的融合，以便即時(shí)檢索和理解歷史數(shù)據(jù)并做出精準(zhǔn)決策。再者是信任體系，要從“技術(shù)工具”轉(zhuǎn)變?yōu)椤皺?quán)力代理”的倫理對(duì)齊。當(dāng)智能體自主控制交通信號(hào)或派遣應(yīng)急資源時(shí)，它實(shí)際上成為了“權(quán)力代理”，這帶來了尖銳的挑戰(zhàn)，即人們是否敢使用它。這就要求基礎(chǔ)設(shè)施內(nèi)置可解釋性、偏見檢測(cè)機(jī)制，并通過數(shù)字孿生沙盤先模擬驗(yàn)證再執(zhí)行。最后是容錯(cuò)標(biāo)準(zhǔn)，要從“體驗(yàn)降級(jí)”轉(zhuǎn)變?yōu)椤吧P(guān)”的零故障容忍。對(duì)話問答場(chǎng)景出錯(cuò)只是體驗(yàn)問題，但交通指揮或應(yīng)急調(diào)度出錯(cuò)則可能危及生命，這意味著城市核心系統(tǒng)對(duì)智能體的容錯(cuò)度極低。

在降低大模型幻覺方面，李文正提到，新加坡國(guó)立大學(xué)和OpenAI發(fā)表的文章指出幻覺是大語言模型固有的局限性。為了減少AI幻覺，增強(qiáng)模型的邏輯推理能力是一種方法，但這會(huì)增加對(duì)算力的消耗，因此如何減少大模型幻覺成為研究熱點(diǎn)。他引用丹尼爾·卡內(nèi)曼的雙系統(tǒng)理論，指出人腦存在直覺思維的“快思考”和理性思維的“慢思考”。受此啟發(fā)，以O(shè)penAI o1、DeepSeek - R1等為代表的推理模型通過“鏈?zhǔn)剿季S”或自我反思機(jī)制等技術(shù)路徑，有效提升了復(fù)雜推理任務(wù)的解決能力，減少了幻覺。思維鏈?zhǔn)且环N引導(dǎo)AI模型進(jìn)行分步推理的技術(shù)，本質(zhì)是強(qiáng)迫模型從“快思考”切換到“慢思考”。然而，如何讓模型在減少幻覺的同時(shí)，降低“思考成本”，成為研究的關(guān)鍵。李文正表示，平衡模型性能與算力成本的關(guān)鍵在于“動(dòng)態(tài)決策”與“架構(gòu)創(chuàng)新”。具體而言，可以從模型設(shè)計(jì)、推理策略和工程優(yōu)化三個(gè)層面入手。模型設(shè)計(jì)上，從“通用全能”轉(zhuǎn)向“專家分工”，混合專家模型（MoE）是目前解決模型性能與成本矛盾的主流范式；推理策略上，從“簡(jiǎn)單堆算力”轉(zhuǎn)向“動(dòng)態(tài)優(yōu)化”，結(jié)合“快思考”和“慢思考”的思想，讓模型優(yōu)先調(diào)用快速模式，遇到邏輯復(fù)雜問題場(chǎng)景時(shí)再切換至慢速、高精度的推理模式；工程優(yōu)化上，從“硬件堆料”轉(zhuǎn)向“榨干性能”，在硬件和工程層面進(jìn)行優(yōu)化，用“數(shù)學(xué)補(bǔ)物理”。

李文正還指出，在Agentic AI時(shí)代，算力決定速度，內(nèi)存決定上限。人工智能大模型作為AI基礎(chǔ)設(shè)施，計(jì)算重點(diǎn)正從“浮點(diǎn)運(yùn)算量”轉(zhuǎn)向“邏輯編排效能”，從“大規(guī)模矩陣運(yùn)算”轉(zhuǎn)向“高頻交互式協(xié)調(diào)計(jì)算”，計(jì)算范式發(fā)生躍遷和結(jié)構(gòu)性變革，CPU已從“通用處理器”轉(zhuǎn)型為Agentic AI時(shí)代高頻交互式AI推理優(yōu)化處理器。AI大模型推理需要與大模型推理相適配的處理器，因?yàn)樵谕评淼腜refill階段是計(jì)算密集型的，而在Decode階段則是存儲(chǔ)密集型的。當(dāng)對(duì)話達(dá)到數(shù)萬乃至百萬token時(shí)，KV - Cache會(huì)爆炸式增長(zhǎng)，系統(tǒng)需要從內(nèi)存中調(diào)取海量歷史數(shù)據(jù)，形成“推理內(nèi)存墻”，“內(nèi)存主導(dǎo)型”工作負(fù)載，內(nèi)存決定了計(jì)算性能的上限。推理直接面向最終用戶，對(duì)延遲、吞吐量和成本有極其嚴(yán)苛的要求，因此Agentic AI時(shí)代對(duì)大模型推理計(jì)算相適配的算力芯片低時(shí)延提出了極致要求，計(jì)算與存儲(chǔ)效率成為衡量系統(tǒng)整體性能的重要因素。

為了解決“推理內(nèi)存墻”和“推理延遲”問題，近存計(jì)算成為關(guān)注熱點(diǎn)。Groq推出的LPU憑借在SRAM片上實(shí)現(xiàn)近存計(jì)算，消除HBM訪存瓶頸，成為AI大模型推理加速的近存計(jì)算AI芯片。在Agentic AI元年，英偉達(dá)收購(gòu)Groq，獲取其LPU推理技術(shù)與Rubin GPU通過極致協(xié)同設(shè)計(jì)，由Rubin GPU負(fù)責(zé)大規(guī)模并行計(jì)算的Prefill階段，LPU專門負(fù)責(zé)Decode階段，以實(shí)現(xiàn)低延遲的Token生成，精準(zhǔn)適配大模型推理計(jì)算需求。Cerebras Systems公司通過將海量計(jì)算核心和高速片上存儲(chǔ)（SRAM）集成在一起，極大減少了芯片間通信開銷，在特定AI推理任務(wù)中實(shí)現(xiàn)了比傳統(tǒng)GPU集群高數(shù)十倍的運(yùn)算速度；Taalas公司則專注于開發(fā)“模型專用集成電路”（MSIC），將大模型直接固化在硬件中實(shí)現(xiàn)極致推理性能，其首款產(chǎn)品HC1芯片在制造過程中將模型權(quán)重直接硬編碼到芯片的晶體管電路中，使模型成為專用集成電路（ASIC）模型即芯片。

在算力需求呈指數(shù)級(jí)增長(zhǎng)的背景下，如何應(yīng)對(duì)電力供應(yīng)的挑戰(zhàn)，實(shí)現(xiàn)算力與電力的可持續(xù)發(fā)展也是重要議題。全球AI大模型技術(shù)發(fā)展迅速，模型參數(shù)量呈指數(shù)級(jí)增長(zhǎng)。以O(shè)penAI的GPT系列為例，從GPT - 3的1750億參數(shù)發(fā)展到GPT - 4的預(yù)估1.7萬億參數(shù)規(guī)模，再到GPT - 5可能達(dá)到3至50萬億參數(shù)。在Scaling law驅(qū)動(dòng)下，科技巨頭持續(xù)挑戰(zhàn)Scaling Law極限，大模型海量計(jì)算對(duì)算力需求爆炸式增長(zhǎng)，傳統(tǒng)的數(shù)據(jù)中心無法滿足需求，數(shù)據(jù)中心擴(kuò)展和電力供應(yīng)成為關(guān)注焦點(diǎn)。美國(guó)xAI超級(jí)計(jì)算機(jī)Colossus2投入運(yùn)行，開啟全球首個(gè)吉瓦級(jí)規(guī)模的AI訓(xùn)練集群，最近xAI獲批部署41臺(tái)天然氣輪機(jī)，發(fā)電容量約1.2吉瓦為Colossus 2數(shù)據(jù)中心供電。高性能超級(jí)節(jié)點(diǎn)及集群是實(shí)現(xiàn)大模型scaling laws的最佳方法，高性能計(jì)算集群從千卡、萬卡邁入十萬卡大關(guān)，多家AI巨頭陸續(xù)宣布或者完成10萬卡集群。面對(duì)10萬卡集群，電力與算力深度耦合，電力供應(yīng)成為新挑戰(zhàn)。OpenAI和英偉達(dá)聯(lián)合發(fā)布的研究顯示，隨著AI大模型訓(xùn)練規(guī)模急劇擴(kuò)張至數(shù)萬GPU集群，其功耗的劇烈波動(dòng)對(duì)數(shù)據(jù)中心基礎(chǔ)設(shè)施構(gòu)成挑戰(zhàn)，單個(gè)訓(xùn)練任務(wù)的功率波動(dòng)可達(dá)數(shù)十兆瓦級(jí)別，威脅數(shù)據(jù)中心供電穩(wěn)定，甚至可能對(duì)整個(gè)電網(wǎng)系統(tǒng)造成潛在風(fēng)險(xiǎn)。為應(yīng)對(duì)這一挑戰(zhàn)，我國(guó)推動(dòng)算力 - 電力協(xié)同，實(shí)現(xiàn)算力調(diào)度與智能化運(yùn)營(yíng)，發(fā)改委等三部門印發(fā)相關(guān)行動(dòng)方案，實(shí)施一批算力與電力協(xié)同項(xiàng)目。同時(shí)，李文正提出“算力與電力協(xié)同”的解決方案，建議利用AI賦能電力調(diào)度優(yōu)化，依托“東數(shù)西算”戰(zhàn)略，探索太空數(shù)據(jù)中心、海底數(shù)據(jù)中心等新型數(shù)據(jù)中心基礎(chǔ)設(shè)施，通過系統(tǒng)優(yōu)化積極應(yīng)對(duì)挑戰(zhàn)。