2026年过半，，， ，我们谈论AI的方式正在悄悄爆发转变。。。从年头的小龙虾，，， ，到现在的WorkBuddy，，， ，智能体从会思索到醒目活，，， ，嵌入企业事情流程提高生产力。。。AI的关注焦点从能不可用酿成了好欠好用。。。陪同而来的是高昂的Token账单，，， ，Token烧钱太快，，， ，科技公司陷入AI账单焦虑。。。
智能体究竟能为企业带来哪些实打实的效率厘革？？？AI开源后，，， ，智能体开发有没有手艺护城河？？？AI领域“仙人打斗”，，， ，通俗人的时机在那里？？？Token供需市场未来走势怎样？？？
今年天下人工智能大会时代，，， ，汹涌科技谈天室约请到派欧云盘算（上海）有限公司（PPIO）智算营业研发副总裁李星星、天鹜科技AI Lab“00后”手艺科学家谭扬、上海浦东人才生长有限公司首席手艺官唐国华，，， ，一起聊聊智能体时代的生产力厘革和Token工厂的挑战机缘。。。
以下是对话实录节选。。。
汹涌科技：现阶段，，， ，科研基模能力抵达了怎样的水平？？？离你们的需求保存哪些差别？？？
谭扬（天鹜科技AI Lab手艺科学家）：我在做科研当中会大宗挪用智能体做研究和调研，，， ，我之前做了卵白质设计智能体，，， ，只要给智能体输入需求，，， ，它就可以自主剖析并执行，，， ，设计出来的效果给到科研相助方，，， ，活性提高5倍。。。？？蒲谢７至娇椋阂皇峭ㄓ么竽Ｗ，，， ，它对垂类的明确保存局限，，， ，尤其在生物或化学领域各有自力语言范式，，， ，单靠概率学习对话方式很难习得笔直领域的能力。。。虽然未来基模增强后可能可以学到这些信息。。。另一类是更垂类的基模，，， ，好比我做的卵白质设计大模子，，， ，它用卵白质语言训练，，， ，尚有基因组大模子或化学语言大模子，，， ，它们能对底层科研数据形成更深刻的熟悉。。。
但垂类模子也有几重问题：第一，，， ，它的设计极其精准，，， ，却缺乏思索和推理能力，，， ，仍然需要人加入，，， ，即所谓的Human-in-the-loop（人机回环），，， ，依赖熟悉模子的精英团队重复调优才华得出更好效果；；；；而连系通用大模子，，， ，某种水平上可以笼罩部分人类专业知识。。。第二，，， ，现在商业上最乐成的智能体当属Coding Agent，，， ，Coding能力强，，， ，用户付费意愿高，，， ，我每月也投入不少用于编码事情。。。但Coding做得好不代表科研做得好，，， ，写软件和用软件的人是两拨人，，， ，写软件的人纷歧定有用软件的人用得好。。。？？蒲幸彩峭，，， ，科研考究推理、知识集成和灵光一现，，， ，以是我不以为目今主流的Coding Agent在科学上能很快取得显著效果。。。第三，，， ，科学领域面临一个深层难题：深度知识极端匮乏，，， ，反馈慢、高质量数据少，，， ，科研至今缺乏金标准的数据、评测或统一方式来权衡“怎样做好科研”。。。
汹涌科技：随着智能体的生长，，， ，云端Token挪用需求现状怎样？？？Token需求和已往相比有哪些转变？？？
李星星【派欧云盘算（上海）有限公司智算营业研发副总裁】：天生式大模子刚出来时，，， ，使用模式停留在对话，，， ，纵然多轮对话，，， ，上下文消耗最多也就万级Token。。。到DeepSeek推出深度思索推理模式，，， ，展示完整思索链，，， ，大模子能解决重大问题，，， ，单使命Token消耗量级抵达十万级。。。今年种种Agent最先涌现，，， ，包括去年底盛行的代码Agent，，， ，需要长时间运行，，， ，单使命Token消耗便跃升至百万级别。。。
每年模子能处理的使命重漂后越来越高，，， ，单次使命的Token消耗也呈10倍数增添，，， ，要解决的性能问题也在转变。。。以前只求响应快，，， ，现在还需要稳固的运行情形，，， ，多轮对话后确保目的不跑偏，，， ，今年提出的Harness工程正是为了让Agent稳固运行，，， ，这是新的挑战。。。同时，，， ，长上下文带来的KV Cache问题也涉及性能与本钱的权衡，，， ，以前模子上下文可能是10K、100K，，， ，现在百万级上下文支持已成标准，，， ，未来还可能更长，，， ，这对Token厂商而言同样是手艺上的磨练。。。
汹涌科技：两位智能体开发者关于算力的响应，，， ，好比速率、并发性等方面有哪些需求？？？
唐国华（上海浦东人才生长有限公司首席手艺官）：人才服务具有高并发、高实时性特征。。。C端用户的期望永远是上传简历后马上响应、秒级推荐；；；；B端用户在校招岑岭期同样面临海量简历需求，，， ，对并发处理能力要求极高。。。因此，，， ，我们对算力的需求远不限于单次快速响应，，， ，更需要工业级的稳固性。。。
谭扬：各人习惯在执行使命时加上种种约束来镌汰Token消耗，，， ，但我反而会特意告诉它“不要担心消耗，，， ，全力执行使命”，，， ，这样使命效率更高，，， ，同时我会并行开启5-10个智能体划分处理差别事情，，， ，这就形成并发消耗。。。并发也体现在科研中挪用大宗HPC算力，，， ，包括CPU算力，，， ，这些在本机往往无法完成，，， ，必需依赖智能体稳固挪用超算集群，，， ，也就是我们后台的稳固服务，，， ，好比挪用各行业API，，， ，包括数据库检索API、果真网络搜索API等，，， ，这些API是智能体在科研、研发和工业应用中的基础支持。。。
汹涌科技：现在算力贵不贵？？？
唐国华：我们对算力的需求焦点在于营业峰值期、集中测试或长推理中，，， ，这部分算力仍然紧缺，，， ，由于我们更看重的是优质且稳固的算力供应。。。至于算力贵不贵，，， ，不必纠结于百万Token单价，，， ，真正的贵在于是否保存算力铺张，，， ，好比重复推理或者用过重的模子处理简朴使命，，， ，这就保存优化空间。。。现在企业愿意为算力买单，，， ，紧缺虽然保存，，， ，但我们更希望在营业岑岭期能获得稳固优质的算力供应。。。
汹涌科技：李总怎么看这些需求？？？
李星星：Token工厂不但认真天生Token，，， ，更要解决怎样交付和使用的难题。。。差别场景下的使命差别很大：HR招聘、人才服务偏向文本处理和逻辑推理；；；；深度学习或深度研究，，， ，好比生物或卵白质研究，，， ，则是长周期、高重大的使命，，， ，常需要长时间运行，，， ，历程中还要并发探索多条路径。。。这种场景光提供Token还不敷，，， ，必需把运行情形也一并交付。。。从用户角度看，，， ，价钱虽然主要，，， ，但更体贴的是真正完成一项使命的本钱。。。
Agent生产力取决于两个维度：一是Token智能密度。。。GPT-3.5时代和GPT-5.6时代，，， ，同样天生100个Token，，， ，智能条理完全差别，，， ，已往只能对话，，， ，现在能支持科研。。。二是Agent loop（智能体循环）时长，，， ，重大使命要迭代多步，，， ，不是一轮交互就竣事，，， ，可能涉及十步甚至百步，，， ，能稳固运行一小时的Agent，，， ，解决使命的重漂后更高。。。因此，，， ，我们界说Agent生产力=Token智能密度×Agent loop时长。。。
没须要在所有场景下都用最贵的模子，，， ，凯时AG智能网关会凭证使命重漂后自动路由到合适的模子，，， ，写代码走GLM-5.2，，， ，简朴文案或简历审核用DeepSeek，，， ，视频模态则挪用Seedance。。。用户不必自己纠结选型，，， ，这是Token工厂应该做好的事。。。刚刚提到不在乎Token消耗，，， ，只谴责力完成，，， ，这着实追求的不是性价比，，， ，而是智能上限。。。凯时AG混淆模子网关原理类似“三个臭皮匠顶个诸葛亮”，，， ，将多个模子的视角和推理效果融合，，， ，能突破简单模子的能力上限。。。从测试数据看，，， ，把海内优异的开源模子智能组合后，，， ，综合体现甚至能逾越GPT-5.6。。。
汹涌科技：一方面是算力紧缺，，， ，另一方面企业越来越重视AI支出。。。这对Token工厂有哪些启示？？？
李星星：第一，，， ，算力紧缺确实保存物理层面的限制，，， ，好比能源和芯片，，， ，但即便在相同条件下，，， ，通过手艺手段仍能进一步压榨性能、提升使用效率。。。第二，，， ，各人现在对Token预算趋于理性，，， ，这是好事。。。AI刚兴起时，，， ，大都公司确实保存FOMO（错失恐惧症）情绪，，， ，生怕落伍而先不计成外地投入；；；；现在理智地看待本钱，，， ，说明各人最先认真评估ROI（投资回报率）。。。这种理性并非阻止投入，，， ，而是控制和优化预算，，， ，意味着AI已能解决现实问题，，， ，接下来会进入稳健合理的增添阶段。。。
汹涌科技：Token工厂的焦点壁垒究竟在那里？？？
李星星：Token工厂的定位着实也有差别。。。Token的整个链条可以分为三个环节：一是怎样生产，，， ，二是怎样交付，，， ，三是怎样使用。。。Token怎样生产，，， ，这是各人通常明确的Token工厂——拿到芯片、机房，，， ，做推理，，， ，产出Token给下游厂商或渠道。。。第二层是Token怎样交付，，， ，这涉及最近常听到的AI中转站。。。中转站自己不生产Token，，， ，只是接入一家供应商后转给下游客户，，， ，这种模式未来会较量难题，，， ，由于上下游挤压，，， ，自身附加值也偏低。。。第三层是Token怎样使用，，， ，客户拿到Token没法直接用，，， ，要害在于怎么把Token塞进智能体，，， ，让智能体运行起来，，， ，怎样与外部天下协作，，， ，挪用外部知识库、会见工具等，，， ，这些都是Token工厂必需解决的问题。。。我以为应该去做笔直整合，，， ，把这些环节买通。。。
汹涌科技：关于后续Token需求的转变，，， ，以及API价钱、Token工厂的市场有哪些预判？？？
李星星：单Token的本钱会一连下降，，， ，从2023年到2026年，，， ，以前各人用不起，，， ，现在只是以为有点贵。。。但未来的模子也会分层，，， ，差别模子解决差别问题，，， ，好比GPT-5.6就包括三个差别智能品级的模子，，， ，以是未来Token会形因素层结构。。。久远来看，，， ，Token的需求增添一定大于供应增添，，， ，整个市场的消耗量会一连膨胀。。。我们已经看到Token的ROI跑通的商业场景，，， ，第一个是Coding，，， ，全球市场重大，，， ，已经获得商业验证；；；；第二个是视频和AI漫剧场景，，， ，这得益于编码能力和多模态能力。。。随着上下游应用和模子能力的前进，，， ，还会解锁更多场景，，， ，每解锁一个场景，，， ，带来的增添空间和经济价值都可能是指数级的，，， ，以是虽然单Token价钱下降，，， ，但整个市场规模唬；；嵋涣鎏。。。
汹涌科技：Coding工具能力强盛，，， ，许多Demo“叫好不叫座”？？？Demo与生产之间鸿沟究竟在那里？？？
唐国华：Demo更多泛起的是一个理想路径下的应用场景，，， ，通常是在相对理想的情形中天生的。。。但生产情形往往面临大宗非标数据、模糊需求以及清静、本钱控制等现实约束，，， ，和Demo情形完全差别。。。
谭扬：首先需要想清晰谁最喜欢Demo。。。我个人以为一个是科研界，，， ，另一个是老板。。。？？蒲薪缦不禗emo，，， ，我深有体会：2025年我在NLP（自然语言处理）顶会ACL上发了一篇Demo赛道论文，，， ，但我很清晰那真的只是个Demo，，， ，放到真真相形里并不那么有用，，， ，更多是给学界带来一些启示，，， ，各人可以用这个平台，，， ，但第一我不会对效果认真，，， ，你用可以，，， ，来孝顺也行，，， ，把社区做大、增添影响力都没问题；；；；第二一连运营也很难，，， ，Demo往往以学术效果为依托，，， ，不会恒久投入，，， ，学生或个体户心血来潮做出来宣布出去，，， ，后续很难维护。。。许多开源客栈能恒久运作的往往是至公司投入大宗资金维护，，， ，才华把Demo酿成可落地的资产。。。老板也喜欢Demo，，， ，由于他看到Demo后，，， ，以为在脑子里跑通了就等同于落地了，，， ，但现实上离真实落地还差得很远，，， ，路上有大宗难题点，，， ，并且不少难题并不在手艺层面。。。以是总体来看，，， ，Demo更像一种幻觉，，， ，潮流退去，，， ，才知道谁在裸泳。。。
汹涌科技：怎么解决这个问题？？？
谭扬：最焦点的问题在于企业要明确在哪些卡点上使用智能体才真正有价值。。。现在各人拥抱AI更多是出于焦虑，，， ，才不计本钱大宗投入。。。以科研为例，，， ，卡点并不在于是否使用AI，，， ，而在于哪些环节能用上AI。。。卵白质研究的前期设计需要高度专业化的人力或AI能力，，， ，通用智能虽然强盛，，， ，但在特殊垂类的领域仍保存缺陷。。。一些工业生产场景可能不需要高级AI，，， ，一个小模子就能解决，，， ，本钱也不高。。。各人最先控制本钱，，， ，由于发明AI进来了，，， ，效率似乎也没有提升那么多，，， ，反而更要回归营业自己，，， ，审阅卡点在哪。。。
汹涌科技：有的AI产品免费，，， ，有的收费，，， ，怎样推动商业化，，， ，打造护城河？？？B端、C端战略是否差别？？？
谭扬：智能体领域没有护城河。。。Codex、Claude Code以及现在许多国产智能体基本都开源，，， ，各人都能获取到，，， ，再基于此搭建自己的智能体。。。说没有护城河，，， ，主要针对个人或中小企业的开发者，，， ，想做这件事确实很难形成壁垒。。。但话又说回来，，， ，智能体这两年之以是这么火，，， ，是由于我们发明它醒目活。。。已往各人聊谈天，，， ，模子提供情绪价值或文书相同，，， ，但智能体更多是在聊落地、聊应用、聊场景，，， ，聊怎么在详细事情中加速。。。唬；；氐交こ呛拥奈侍，，， ，着实更多在于数据。。。各个行业做营业、接触客户，，， ，积累了许多不上网的数据，，， ，这才是最有价值的。。。大模子会吃掉现在所有果真信息，，， ，我们做洗濯只是在大模子上雕花，，， ，下一轮浪潮就会被淹没。。。但那些笔直数据，，， ，好比我们做的卵白质极端情形数据、科研相助项目数据，，， ，或者工业领域的私有数据，，， ，就必需深入每个行业。。。这些数据同智能体、营业沉淀迭代后会形成Skill。。。许多营业Skill远比写文档重大，，， ，需要全社会一连探索才华真正做好。。。
汹涌科技：大厂入场，，， ，其他“Token工厂”的生涯空间在那里？？？
李星星：Token工厂分几个条理，，， ，生产、交付、使用，，， ，若是只解决其中某一个环节的问题，，， ，都会很难题。。。尤其像AI中转站，，， ，随着上下游逐步成熟，，， ，两头一挤压，，， ，这类模式很可能被镌汰。。。另一个要害是定位问题，，， ，大厂内部都有自己的“亲儿子”模子，，， ，并且已往软件开发或科技研发以月甚至年为单位迭代，，， ，现在以天为单位，，， ，转变太快。。。以是你要走在大厂前面，，， ，同时避开他们亲儿子的蹊径，，， ，做到模子中立、快速迭代，，， ，再加上笔直整合，，， ，这样才有可能找到自己的生涯空间。。。
汹涌科技：在Token工厂方面，，， ，有没有一些隐形的挑战？？？好比本钱？？？
李星星：Anthropic的Token可是出了名的贵，，， ，但为什么还卖得好？？？正是由于它切实解决了价值问题。。。价钱上的挑战并非真正的问题，，， ，焦点挑战在于模子自身的演进偏向，，， ，工具和体验上迭代可能下一代模子出来就直接倾覆了，，， ，这才是隐性的、值得Token工厂或应用层深入思索的问题。。。
汹涌科技：模子迭代后Token工厂怎么跟上才华不落伍，，， ，或者不让模子迭代来迭代掉你们的手艺？？？
李星星：Token工厂要跟上模子迭代的速率。。。现在开源和闭源模子都很快，，， ，你是否能在第一时间让用户体验到新的Token，，， ，这是可获得性的问题。。。第二，，， ，你能否在合适场景下交付合适的Token。。。对用户来说，，， ，最难的是选择自己以及怎样权衡ROI。。。以是Token厂商不但是生产Token，，， ，还需要帮用户做评估。。。我们现在很大一部分时间和本钱花在模子能力评估上，，， ，最大的本钱不是研发职员上线模子，，， ，而是要把模子方方面面的能力搞清晰，，， ，它究竟能解决什么问题，，， ，才华给客户推荐。。。
汹涌科技：未来两年，，， ，AI智能体带来的生产力厘革，，， ，最大机缘和最被低估的行业风险划分是什么？？？
唐国华：机缘在于行业流程的智能化重构。。。风险始终保存，，， ，主要是AI幻觉和权责界线模糊，，， ，在涉及人才决媾和企业生长时尤为要害。。。因此，，， ，必需建设人机协同的校验闭环，，， ，AI提供初筛和推荐，，， ，人最终做决议，，， ，阻止过失自动扩散。。。
谭扬：AI for Science领域最大的问题在于它需要具备自进化的能力。。。？？蒲Ш妥匀恢斜４娲笞凇拔奕饲，，， ，人力无法无限触达，，， ，最好的方式是通过AI一直学习新场景、新知识，，， ，自主提出假设并执行。。。五月份，，， ，Nature正刊连发了三篇关于AI科学家的论文，，， ，这在以前是不可想象的。。。
科学问题中保存显着的玖犀过失或细小误差，，， ，在恒久执行中会被一直放大，，， ，若中心没有人力干预或专家研判，，， ，就可能引发不可控效果，，， ，造成重大经济铺张。。。一旦涉及湿实验、建厂、产品管线，，， ，决议本钱很是高。。。现在整个AI for Science领域仍偏向Human-in-the-loop状态，，， ，尚未实现完全的全自动执行，，， ，虽然也有全自动案例，，， ，好比春节时代有公司直播AI全自动写论文，，， ，效果质量不错，，， ，这是AI for AI的展示。。。我们更关注的是AI for Science自己，，， ，怎样在智能体演化历程中提前规避细小过失，，， ，使科研从已往依赖人力渐进式推进转变为跨越式的智能突破。。。
汹涌科技：现在AI赛道卷不卷？？？若是要给从业者一个建议，，， ，你们的回覆是什么？？？
唐国华：AI赛道确实很是卷，，， ，建议是不要只盯着参数和热门故事，，， ，真正要扎进真实的营业场景，，， ，把那些不标准、不丝滑的痛点彻底解决掉。。。让客户和企业用户能一连给你反馈，，， ，同时让他们看到可感知的效率提升，，， ，并愿意为此一连买单，，， ，这样才算真正具备产品力和生命力。。。
谭扬：太卷了，，， ，天天都很焦虑，，， ，险些成了常态。。。AI一线从业者最能感受到天下以天为单位转变，，， ，天天早起一刷公众号感受天塌了，，， ，种种震撼新闻，，， ，一刷又最先焦虑。。。AI行业是全天下最顶尖智慧的一群人在“打斗”，，， ，并且完全果真在网上，，， ，一瞬间就能触抵达你。。。至于建议，，， ，许多垂类行业用一套小的AI应用往往能爆发很大价值。。。若是能冲进那些竞争不太强烈的领域，，， ，去做“脏活累活”，，， ，可能反而是更有价值的选择。。。
李星星：卷说明各人告竣了共识，，， ，有共识就说明市场和空间是重大的，，， ，以是卷是好事。。。建议不要去解决模子演化路上自己会被迭代掉的问题。。。真正值得做的是那些脏活、累活、有摩擦的活。。。好比招聘，，， ，每个公司流程、标准、人才画像都纷歧样，，， ，这不是通用模子能搞定的，，， ，只有在这个行当深耕五到十年，，， ，才知道中心的know-how，，， ，模子短期内很难明决。。。另外就是生产情形里的摩擦问题，，， ，最近泛起了FDE（前沿安排工程师）岗位，，， ，OpenAI和微软都在专门设团队，，， ，解决模子怎样真正进入企业情形的问题，，， ，说明中心尚有大宗空缺，，， ，AI解决了许多，，， ，但没解决的问题更多，，， ，去找到那些AI可能解决但还祛除地的地方，，， ，才是值得探索的偏向。。。对通俗上班族来说，，， ，一定要拥抱AI、好好用它。。。以前精英员工和通俗员工的差别可能是两倍到五倍，，， ，但AI时代，，， ，超等个体和通俗员工的差别能拉到十倍、二十倍。。。AI在放大优点，，， ，也在放大弱点。。。要害不是执行力，，， ，而是判断力，，， ，是行业know-how，，， ，而不是把一个事情做得更细更全。。。
