WAIC2026的三個關鍵信號：算力重組、Agent交付與AI硬件閉環

如何讓已經擁有的智能長期運行理解具體的人和組織、進入真實世界？

70年前，一群年輕學者在達特茅斯會議上第一次提出“人工智能”概念。

70年后的黃浦江畔，人工智能行業已經不再滿足于讓機器學會思考和說話，而是開始把這種能力交給企業系統、智能終端和機器人，試圖讓AI真正參與人類社會的運行。

7月17日至20日，2026世界人工智能大會暨人工智能全球治理高級別會議在上海舉行。本屆大會以“智能伙伴，共創未來”為主題，分布于世博、張江、西岸三地四館，展覽面積首次突破10萬平方米，1100余家企業帶來3000余項展品，超過300款產品集中首發。智算與具身智能兩大賽道，分別匯集超過200家企業。

這是歷屆WAIC中規模最大的一屆，也可能是技術路線和產品形態最復雜的一屆。大模型、超節點、智能體操作系統、AI手機、人形機器人、靈巧手、近存計算芯片和各種行業解決方案，同時出現在同一個展覽體系中。乍看之下，它們分屬于完全不同的技術賽道，但放在一起，會呈現出一條清晰的演進路徑：

AI正在從一個能夠生成答案的模型，變成一套可以理解目標、調動資源、感知環境并交付結果的系統。

過去三年，大模型已經證明了它能夠寫文章、生成圖片、編寫代碼、理解視頻，也能夠處理越來越復雜的推理任務。但在2026年，行業面臨的關鍵問題已經不是“AI能不能做”，而是“AI能不能長期、穩定、低成本地做”。一個模型在測試中成功完成一次任務，與一套系統每天處理數萬次業務請求，是兩件完全不同的事情。

一個機器人在舞臺上完成一次跳躍，與它連續數月在工廠里完成搬運、分揀和上下料，也不是同一種能力。人工智能從能力展示進入真實生產，需要模型之外的一整套基礎設施：算力如何組織，數據如何流動，工具如何調用，權限如何控制，結果如何評價，錯誤又如何被及時發現。

在大模型熱潮剛剛興起時，行業最容易獲得關注的是參數、榜單和模型發布。如今，越來越多公司開始把精力放在模型背后的系統，以及模型前方的真實任務上。模型沒有消失，也沒有變得不重要。相反，它正在像電力、芯片和操作系統一樣，被嵌入更龐大的技術架構之中。

透過本屆WAIC，我們看到了AI產業正在發生的三場遷徙。

01

算力不再只看芯片，從參數競賽走向系統競賽

在本屆WAIC的展品名單中，最受關注的產品之一，是華為Atlas 950超節點真機。

超節點的關鍵并不在于一個機柜裝進了多少芯片，而在于能否降低芯片之間交換數據的成本。高速互聯、共享內存、任務調度和軟件棧共同決定了，大量獨立芯片究竟是一支各自為戰的隊伍，還是一個可以協同工作的計算整體。

但隨著模型規模增加、推理任務變得復雜，單顆芯片已經越來越難獨立決定最終表現。芯片之間以什么速度傳輸數據，數百乃至數千顆芯片能否高效協同、內存是否足夠、任務如何調度、軟件工具是否成熟，都在影響算力的實際利用率。

一塊芯片的理論峰值再高，如果大量時間消耗在等待數據、跨卡通信和任務切換上，也很難轉化為有效的模型訓練和推理能力。這就像一家工廠，擁有速度最快的工人，并不意味著它一定擁有最高的產量。原材料供應、工位安排、運輸路線和管理系統，都可能成為決定產出的瓶頸。

AI算力正在經歷相似的轉變。競爭的基本單位，逐漸從單顆芯片變成服務器、超節點和集群；競爭維度也從計算性能，擴展至高速互聯、內存、散熱、軟件生態、能源效率和整體運維。尤其在推理時代，算力系統面對的不再只是少數持續數月的大規模訓練任務，而是數量龐大、長短不同、并發波動明顯的請求。

智能體需要反復調用模型和工具，推理模型需要生成更長的思考過程，多模態模型還要同時處理文字、聲音、圖片和視頻。這些變化都會增加Token消耗，并對響應速度、單位成本和系統穩定性提出更高要求。

公開數據顯示，2025年中國人工智能相關產業規模已經突破萬億元，重點行業人工智能整體滲透率超過80%。中國日均Token調用量則從2024年初的1000億，增長至2025年底的100萬億，并在2026年繼續快速增加。

相比模型參數，Token調用量更接近AI產業的真實水位。參數代表模型可能擁有的能力，Token則意味著這些能力正在被使用。只有當模型被嵌入搜索、編程、辦公、客服、營銷、科研和制造流程，Token才會持續產生。當每天被調用的Token進入數百萬億級別，行業競爭自然會從“誰擁有更大的模型”，轉向“誰能以更低成本、更高效率生產智能”。這也是超節點興起的核心背景。

它不僅是將更多芯片裝進同一個機柜，而是在盡量縮短芯片之間的距離，讓大量處理器共享數據、內存和任務，提高整個系統的有效算力。對于國產AI芯片公司而言，這一變化既帶來了機會，也提高了競爭門檻。

過去，一家公司只要設計出可以運行主流模型的芯片，就有機會進入市場。未來，客戶需要的可能不再是一塊卡，而是一整套從芯片、服務器、互聯網、軟件平臺到集群運維的解決方案。換句話說，國產算力競爭正在從“有沒有芯片”，進入“能不能形成系統”。

奕行智能在本屆WAIC首發Epoch系列RISC-V AI算力超節點方案，通過其推出的Epoch云端大算力AI芯片、ELink高速互聯架構、整機液冷方案、全棧軟件生態和大規模集群組網共同構成了遠超傳統AI服務器性能的完整系統能力。據公司介紹，該方案支持單機柜內32卡至128卡的高帶寬互聯，并引入正交無背板架構替代傳統線纜連接方案，提升了信號傳輸質量、大幅降低傳輸延時，提高算力密度和可靠性。ELink可同時支持超節點內部的縱向擴展與節點之間的橫向組網，使算力資源進一步擴展至萬卡級集群。

目前，奕行智能的Epoch系列AI芯片、加速卡及相關硬件已經進入量產和批量交付階段，客戶覆蓋互聯網、運營商、金融和能源等行業。公司還聯合產業鏈伙伴建設業界首套全棧RISC-V超節點AI Token工廠。其背后反映的是，國產AI算力競爭正在從“能否造出芯片”，進入“能否交付完整基礎設施”的新階段。

RISC-V為這一競爭提供了另一條路線。與由單一企業控制的私有指令集不同，RISC-V是一套開放指令集。理論上，不同公司和研究機構都可以在其基礎上設計處理器、擴展功能并完善軟件生態。開放并不自動等于成熟。

一款AI芯片真正進入生產環境，還需要編譯器、算子庫、框架適配、性能調優和開發者工具。模型架構又在快速變化，今天主流的算子和精度格式，可能很快被新的推理方法取代。因此，開放架構的價值，不只在于減少授權限制，也在于讓芯片擁有持續演進和接入更多研發資源的可能性。

但它最終能否形成競爭力，仍取決于量產、軟件適配、客戶遷移成本和長期運行數據。在AI基礎設施領域，任何宏大的技術敘事，最終都要接受同一組指標檢驗：一度電能夠生成多少有效Token，一臺設備能夠穩定運行多久，模型遷移需要多少時間，出現故障后能否快速恢復。

算力產業真正的門檻，從來不只是把芯片點亮，而是把芯片變成客戶能夠持續使用的生產力。這也是為什么，智算平臺、模型服務平臺、編譯器、推理引擎和算力調度系統正在變得越來越重要。如果芯片是發動機，超節點和集群是車輛，軟件平臺則決定這輛車是否容易駕駛。

模型公司希望屏蔽不同芯片之間的差異，開發者希望以盡可能低的成本遷移模型，企業客戶則希望算力系統能夠像云服務一樣穩定、透明和易于使用。誰能夠降低使用算力的門檻，誰就更有機會獲得開發者和客戶。

這一輪算力競爭，也正在改變云計算行業。傳統云服務主要按照CPU、存儲和帶寬計費，AI云則越來越多按照模型調用、Token數量和任務結果提供服務。算力本身逐漸退到后臺，客戶最終購買的是模型訓練完成的速度、推理響應的延遲，以及某項業務任務的處理能力。

在算力行業，“Token工廠”正成為描述這種轉向的常用概念。它關注的不再只是部署了多少芯片，而是在給定的電力和硬件條件下，一套系統究竟能夠穩定生成多少可被業務使用的Token。在這一邏輯下，芯片峰值并不是唯一指標，整個系統的吞吐量、能效、穩定性和利用率才決定最終產出。2026年的WAIC進一步說明，單顆芯片的性能仍然重要，但已經不足以單獨決定一套AI基礎設施的競爭力。

未來的算力龍頭，未必只屬于擁有最強芯片的公司，而更可能屬于能夠把芯片、互聯、軟件、能源和客戶需求組織成系統的企業。模型訓練塑造了上一階段的算力市場，規?；评韯t會重新定義下一階段的基礎設施。

02

智能體進入企業，真正的壁壘是上下文和交付

如果說超節點解決的是智能如何被生產，那么智能體要解決的，則是智能如何被使用。Agent幾乎是本屆WAIC最密集出現的概念之一。從Agent操作系統、智能體手機，到企業智能體和多智能體協作平臺，越來越多公司不再滿足于讓AI回答問題，而是希望AI理解目標、拆解任務、調用工具，并在較少人工干預的情況下完成工作。

從聊天機器人到智能體，看似只是產品名稱的變化，背后卻對應著兩套完全不同的產品邏輯。傳統聊天機器人等待用戶提出明確問題，然后返回文字、圖片或代碼。它可以幫助人完成某一個環節，但大部分工作仍然需要人來串聯。人不僅需要知道如何提問，還要判斷答案是否可靠，并把答案復制到下一項工作中。

智能體的目標則是接收一個更抽象的任務，然后自主拆解步驟、尋找信息、調用工具，并根據中間結果不斷調整。例如，用戶不再要求AI“寫一段營銷文案”，而是要求它“為一款新產品制定一場營銷活動”。這項任務可能需要研究市場趨勢、分析用戶反饋、確定目標人群、提出創意方向、生成不同渠道的內容，最后監測傳播效果并繼續優化。

其中每一個環節，都可能由不同模型、軟件和數據系統完成。因此，智能體的價值不是又多了一種生成內容的方法，而是嘗試成為組織不同工具和流程的中間層。這也是為什么，操作系統、編排平臺、記憶系統和上下文工程開始受到重視。

一個智能體要真正進入企業，至少需要理解三類信息。第一類是世界知識，即通用模型訓練過程中學到的公共信息；第二類是企業知識，包括產品資料、品牌規范、客戶信息、業務數據和歷史項目；第三類則是組織運行規則，哪些人可以訪問什么數據，哪些內容需要審批，一項任務應該經過哪些部門，出現風險后由誰負責。

通用大模型往往只能較好地解決第一類問題。它知道營銷、制造、金融和零售的一般規律，卻未必知道一家具體公司如何定義自己的品牌，某個客戶過去購買了什么，或者一份合同需要經過哪些人審批。企業多年積累的真正資產，通常并沒有完整地寫在公開文件里。它們分散在數據庫、會議記錄、郵件、員工經驗、歷史方案和大量隱性規則中。很多決策甚至沒有標準流程，只能依賴熟悉業務的人進行判斷。

這就形成了智能體進入企業的核心障礙：模型了解世界，卻不了解組織。因此，當基礎模型能力逐漸成為公共供給后，企業AI的競爭重心正在轉向上下文。上下文并不等同于把一些文件放進知識庫。它還需要解決信息是否最新、不同來源是否沖突、數據屬于哪個業務對象、誰擁有訪問權限，以及模型在什么情況下應該調用哪條信息。

錯誤的企業上下文，甚至比沒有上下文更危險。一個模型如果不知道答案，可能會提示用戶補充信息；但如果它引用了一項已經失效的價格政策、過期合同或錯誤客戶記錄，就可能作出看似合理、實際上完全錯誤的判斷。

這也是特贊科技Tezign此次展示GEA企業級智能體架構的出發點。GEA由意圖、編排、技能和上下文四層構成，其中上下文層嘗試將企業分散的品牌數據、內容資產和業務經驗轉化為AI可調用的統一事實源；編排層則根據任務協調不同基礎模型與模塊化技能。特贊希望借此將企業AI從一次性交付的項目，變成能夠持續參與企業經營、交付結果的能力系統。

據公司披露，其目前已服務180多家企業客戶，平臺覆蓋全球50個國家和地區的100多萬專業用戶，并已在洞察研究、內容增長、設計創作和產品創新等場景廣泛落地。

特贊提出了一個頗有代表性的判斷：企業的許多核心問題，并不是只有標準答案的數學題。

新品方向、品牌策略、用戶洞察和創意設計，都要求決策者先探索多種可能，再結合組織約束進行判斷。為此，特贊還研發了面向開放性商業問題的發散推理模型（Creative Reasoning Model），希望讓智能體不只是快速收斂到一個答案，而是先發散、再判斷和執行。

這一探索是否能夠真正提高企業決策質量，仍需要更多真實業務結果驗證。但它至少揭示了企業智能體面臨的一項核心矛盾：模型擅長生成答案，企業真正需要的卻是承擔過程。

答案通常只是一段文字，過程卻包括目標確認、信息收集、方案比較、權限審批、任務執行、結果評價和責任追溯。

當智能體開始參與過程，它就不再只是一款提高效率的工具，而是在有限程度上成為組織的一名“數字員工”。這會改變企業軟件的形態。過去，員工需要學習不同軟件的菜單和按鈕，在CRM、ERP、內容系統、數據庫和協同工具之間不斷切換。智能體有可能成為這些軟件之上的新交互層。員工只需要描述目標，智能體理解意圖后調用不同系統，完成查詢、分析和操作。傳統軟件并不會消失，但越來越多界面可能退到后臺，人的意圖成為新的入口。但從聊天機器人到數字員工，中間還隔著漫長的可靠性建設。

一個聊天機器人答錯問題，用戶可以重新提問；一個智能體如果刪除了錯誤文件、向客戶發送了錯誤報價，或者修改了生產參數，后果將直接進入現實世界。因此，企業智能體不會立即從輔助工具躍遷為完全自治系統。更現實的路徑，是先幫助員工搜索、總結和生成內容，再在人工確認下調用工具，最后才可能在明確邊界內獨立完成一些低風險任務。

智能體能否進入核心流程，最終取決于三個條件：它能否理解企業的真實上下文，執行過程是否可以被觀察和審計，錯誤是否能被及時發現并中止。模型決定一個智能體有多聰明，上下文和治理機制則決定它是否值得信任。企業引入智能體之后，也需要重新思考AI項目的評價方式。

過去，一款軟件是否成功，通?？梢杂霉δ苁褂寐?、用戶數量和續費率衡量。智能體則需要一套更復雜的指標。企業需要知道它完成任務的成功率、平均成本、人工接管率和錯誤類型，也需要判斷它究竟節省了員工時間，還是只是把工作從執行轉移到了檢查和糾錯。

一個智能體即使生成速度很快，如果每一次輸出都需要員工重新核對，它的真實效率提升也可能十分有限。這也是企業AI從Demo進入生產環境的分水嶺。在演示中，智能體只需要完成一次被精心設計的任務；在企業里，它需要面對模糊指令、缺失數據、系統故障、權限限制和不斷變化的業務規則。

成功一次并不困難，持續成功才是真正的技術門檻。智能體還會帶來新的組織問題。當一個數字員工可以同時承擔研究、寫作、數據分析和執行任務時，傳統的崗位邊界可能變得模糊。企業需要重新定義人和AI的分工，也需要決定誰對智能體的結果負責。

未來更可能出現的，并不是一個智能體完全替代一個崗位，而是一個員工管理多個智能體，或者多個專業智能體共同服務一支團隊。人的價值會從親自完成每一個步驟，轉向設定目標、提供判斷、管理例外和承擔責任。這也意味著，企業部署智能體從來不只是技術項目。

它同樣是一項組織工程。如果企業原有數據混亂、流程模糊、部門之間缺乏協作，智能體不會自動解決這些問題，反而可能把原有問題進一步放大。只有當企業能夠清晰描述自己的業務，機器才可能真正理解并參與其中。這可能是企業AI下一階段最重要的競爭：不是誰更快接入一個新模型，而是誰能夠將模型變成組織長期運行的一部分。

03

AI獲得身體，從感知世界到形成實時閉環

在本屆WAIC上，最直觀的熱度仍然屬于機器人。超過200家具身智能企業集中參展，人形機器人、四足機器人、靈巧手、關節模組、傳感器和訓練平臺，共同組成了一個不斷擴大的產業鏈。與幾年前相比，機器人行業的話語體系已經發生明顯變化。過去，人形機器人的展示重點是“像不像人”：能不能行走、跳舞、跑步、完成復雜動作。如今，行業越來越關心它能不能工作。

機器人進入工廠后，是否能夠適應不同尺寸的零件；生產線發生變化后，是否需要工程師重新編程；完成一項任務的速度能否接近人工；連續運行時的故障率和維護成本又是多少。

這說明具身智能正在從動作表演，進入任務交付階段。大模型之所以會改變機器人，是因為它為機器理解語言和環境提供了新的技術路徑。傳統工業機器人通常依賴預設程序。在固定位置、固定節拍和固定工件條件下，它們可以高精度重復同一個動作，但一旦環境或物品發生變化，就需要工程師重新調試。

具身智能希望讓機器人獲得一定的泛化能力。人可以直接告訴機器人“把桌面收拾干凈”“將不同零件放進對應箱子”，機器人再將自然語言轉化成動作計劃。但真實世界遠比語言世界復雜。語言模型判斷錯誤，可以重新生成；機器人判斷錯誤，可能摔壞物品、打斷產線，甚至傷害周圍的人。因此，機器人真正獲得工作能力，需要形成完整的“感知—理解—決策—執行—反饋”閉環。

它首先需要通過攝像頭、激光雷達、力傳感器和觸覺系統理解環境；再把人類目標分解為具體動作；最后通過關節、電機和靈巧手完成執行，并根據結果實時修正。這也是為什么，機器人競爭不能只看大模型。本體結構、減速器、執行器、傳感器、電池、控制系統和數據采集能力，同樣決定產品能否落地。對于工廠而言，機器人是否像人并不重要，能夠穩定創造價值才重要。工業場景可能會成為具身智能最先實現規?；氖袌觥?/p>

工廠環境相對結構化，任務目標明確，也更容易計算投入產出比。機器人不需要一開始就具備通用智能，只要能穩定完成搬運、分揀、質檢、上下料和巡檢等具體任務，就有機會形成商業閉環。但即使在工業場景，機器人大規模落地仍然面臨挑戰。

一個動作成功率達到99%，聽起來已經很高，但如果一條生產線每天需要執行數萬次動作，剩余的1%仍然意味著大量異常和人工干預。因此，工業客戶更加看重的不是某一次演示有多驚艷，而是機器人連續運行數百小時后，任務成功率是否仍然穩定。機器人企業也在重新尋找產品和商業模式之間的平衡。

完全通用的人形機器人擁有最大的想象空間，卻需要同時解決感知、決策、本體、數據和成本等問題。相較之下，從搬運、分揀、巡檢等具體任務切入，更容易形成收入和數據閉環。機器人通過真實場景積累數據，再反過來訓練模型和改進硬件，這可能是具身智能逐步走向通用能力的現實路徑。

過去的智能硬件，更多是等待人類操作。用戶打開App、按下按鈕，再從屏幕里獲得結果。新一代AI終端則希望持續感知用戶的聲音、影像、位置和身體狀態，在合適的時間主動提供幫助。這種轉變的前提，是端側AI能力不斷增強。

云端可以提供更強的通用推理能力，端側則擁有低延遲、本地運行、隱私保護和個性化等優勢。隨著模型壓縮、芯片性能和終端算力不斷提升，越來越多AI任務會在云端與本地之間動態分配。不需要實時響應、計算量較大的任務可以交給云端；涉及連續感知、個人數據和即時反饋的任務，則更適合在設備本地完成。

尤其在涉及健康、影像、聲音和位置的數據中，端側計算的意義不只是提高速度。它還決定了設備能否在不持續上傳敏感信息的情況下工作。

神思動量旗下以腦神經科學為核心的消費級神經科技品牌LumiMind，其首款產品LumiSleep D1腦電調控睡眠儀，正沿著這一方向展開探索。

與主要通過體動、心率等間接指標分析睡眠狀態的可穿戴設備不同，LumiSleep D1以非侵入式方式實時采集腦電信號，解碼與入睡過程相關的腦狀態變化，并據此生成毫秒級動態調整的個性化聲學引導，再隨腦狀態變化持續調整，形成“監測—解碼—生成—調控”的閉環。

產品采用內置芯片進行本地計算，從而加快運算效率并保護用戶隱私。該產品已經開啟預售，并計劃于2026年9月上市。其意義不只在于增加了一類睡眠硬件，更在于智能穿戴的功能邊界正在從記錄和呈現體動、心率等生理指標，進一步走向感知腦電信號，并根據狀態變化提供實時、個性化反饋。

換言之，LumiSleep D1所探索的并非傳統意義上的睡眠追蹤，而是基于實時腦電信號，對聲學引導進行動態調整。

從產業方向看，以腦電為代表的神經感知型智能穿戴設備，正在提供一種新的技術路徑：智能設備不再只讀取人的外在行為和生理信號，而是開始嘗試理解人的內部狀態，并根據狀態變化作出實時反饋。

對LumiMind而言，LumiSleep D1不僅是一款睡眠產品，也是其推動神經科技走出實驗室、進入日常生活的第一步。

當然，從消費級神經設備到經過廣泛驗證的健康解決方案，仍然存在很長距離。腦電信號容易受到動作、佩戴方式和個體差異影響，聲學反饋的實際效果也需要長期、規范的用戶數據與研究驗證。

但神經感知產品至少提供了一種觀察未來AI硬件的方式。機器人試圖理解外部世界，智能穿戴則開始嘗試理解人的內部狀態。兩者看起來屬于完全不同的賽道，底層邏輯卻越來越相似：持續采集信號，判斷當前狀態，生成行動或反饋，再根據新的結果不斷調整。

這意味著，AI正在從一問一答的工具，轉變為持續運行的閉環系統。它不僅出現在工廠里的機器人身體中，也可能存在于手機、眼鏡、耳機和人們每天佩戴的設備里。AI獲得身體后，產業評價標準也會發生變化。一款聊天產品的錯誤，可能只是一次不準確的回答；一款控制機器人或持續讀取身體信號的設備出現錯誤，則可能造成真實世界的后果。因此，AI越接近物理世界，對安全性、可解釋性和可靠性的要求就越高。

智能設備需要明確什么數據在本地處理，什么數據需要上傳；機器人需要知道在什么情況下應當停止動作；智能體則需要在執行高風險任務前請求人類確認。這些能力不是額外增加的附屬功能，而是AI從演示走向規?；瘧玫谋匾獥l件。

本屆WAIC擁有超過300款首發產品，也推動了一批產業場景和合作項目落地。但對AI行業而言，首發數量已經不再是唯一重要的指標。市場不再缺少新模型、新智能體和新機器人，真正稀缺的是能夠持續產生結果的系統。能體能減少多少重復勞動？機器人部署后多久可以收回成本？算力系統的利用率和穩定性有多高？一款AI硬件是否真正解決了用戶問題？這些問題未必像技術Demo一樣吸引眼球，卻決定一家AI公司能不能跨過商業化門檻。

所以AI產業的競爭單位，也從單個模型轉變為完整系統。這場變化可以被概括為三場遷徙：從單顆芯片，走向能夠生產有效Token的算力系統；從回答問題，走向理解企業上下文并承擔業務過程；從存在于聊天框，走向擁有感知、行動和實時反饋能力的物理終端。

這三場遷徙沒有一場容易完成。它們要求算法與硬件協同，技術公司與產業客戶協同，產品創新與可靠性建設協同。因此，2026年的WAIC不是在宣布AI已經無所不能。恰恰相反，它表明整個產業終于開始面對比訓練大模型更復雜的問題：如何讓已經擁有的智能長期運行，如何讓它理解具體的人和組織，如何讓它進入真實世界，同時保持可靠和可控。