WAIC2026的三個關(guān)鍵信號：算力重組、Agent交付與AI硬件閉環(huán)

如何讓已經(jīng)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(xué)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(yè)已經(jīng)不再滿足于讓機器學(xué)會思考和說話，而是開始把這種能力交給企業(yè)系統(tǒng)、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(chuàng)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(yè)帶來3000余項展品，超過300款產(chǎn)品集中首發(fā)。智算與具身智能兩大賽道，分別匯集超過200家企業(yè)。

這是歷屆WAIC中規(guī)模最大的一屆，也可能是技術(shù)路線和產(chǎn)品形態(tài)最復(fù)雜的一屆。大模型、超節(jié)點、智能體操作系統(tǒng)、AI手機、人形機器人、靈巧手、近存計算芯片和各種行業(yè)解決方案，同時出現(xiàn)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(shù)賽道，但放在一起，會呈現(xiàn)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(biāo)、調(diào)動資源、感知環(huán)境并交付結(jié)果的系統(tǒng)。

過去三年，大模型已經(jīng)證明了它能夠?qū)懳恼隆⑸蓤D片、編寫代碼、理解視頻，也能夠處理越來越復(fù)雜的推理任務(wù)。但在2026年，行業(yè)面臨的關(guān)鍵問題已經(jīng)不是“AI能不能做”，而是“AI能不能長期、穩(wěn)定、低成本地做”。一個模型在測試中成功完成一次任務(wù)，與一套系統(tǒng)每天處理數(shù)萬次業(yè)務(wù)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(xù)數(shù)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(chǎn)，需要模型之外的一整套基礎(chǔ)設(shè)施：算力如何組織，數(shù)據(jù)如何流動，工具如何調(diào)用，權(quán)限如何控制，結(jié)果如何評價，錯誤又如何被及時發(fā)現(xiàn)。

在大模型熱潮剛剛興起時，行業(yè)最容易獲得關(guān)注的是參數(shù)、榜單和模型發(fā)布。如今，越來越多公司開始把精力放在模型背后的系統(tǒng)，以及模型前方的真實任務(wù)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(tǒng)一樣，被嵌入更龐大的技術(shù)架構(gòu)之中。

透過本屆WAIC，我們看到了AI產(chǎn)業(yè)正在發(fā)生的三場遷徙。

01

算力不再只看芯片，從參數(shù)競賽走向系統(tǒng)競賽

在本屆WAIC的展品名單中，最受關(guān)注的產(chǎn)品之一，是華為Atlas 950超節(jié)點真機。

超節(jié)點的關(guān)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(shù)據(jù)的成本。高速互聯(lián)、共享內(nèi)存、任務(wù)調(diào)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(zhàn)的隊伍，還是一個可以協(xié)同工作的計算整體。

但隨著模型規(guī)模增加、推理任務(wù)變得復(fù)雜，單顆芯片已經(jīng)越來越難獨立決定最終表現(xiàn)。芯片之間以什么速度傳輸數(shù)據(jù)，數(shù)百乃至數(shù)千顆芯片能否高效協(xié)同、內(nèi)存是否足夠、任務(wù)如何調(diào)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(shù)據(jù)、跨卡通信和任務(wù)切換上，也很難轉(zhuǎn)化為有效的模型訓(xùn)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(chǎn)量。原材料供應(yīng)、工位安排、運輸路線和管理系統(tǒng)，都可能成為決定產(chǎn)出的瓶頸。

AI算力正在經(jīng)歷相似的轉(zhuǎn)變。競爭的基本單位，逐漸從單顆芯片變成服務(wù)器、超節(jié)點和集群；競爭維度也從計算性能，擴展至高速互聯(lián)、內(nèi)存、散熱、軟件生態(tài)、能源效率和整體運維。尤其在推理時代，算力系統(tǒng)面對的不再只是少數(shù)持續(xù)數(shù)月的大規(guī)模訓(xùn)練任務(wù)，而是數(shù)量龐大、長短不同、并發(fā)波動明顯的請求。

智能體需要反復(fù)調(diào)用模型和工具，推理模型需要生成更長的思考過程，多模態(tài)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(yīng)速度、單位成本和系統(tǒng)穩(wěn)定性提出更高要求。

公開數(shù)據(jù)顯示，2025年中國人工智能相關(guān)產(chǎn)業(yè)規(guī)模已經(jīng)突破萬億元，重點行業(yè)人工智能整體滲透率超過80%。中國日均Token調(diào)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(xù)快速增加。

相比模型參數(shù)，Token調(diào)用量更接近AI產(chǎn)業(yè)的真實水位。參數(shù)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(dāng)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(xù)產(chǎn)生。當(dāng)每天被調(diào)用的Token進入數(shù)百萬億級別，行業(yè)競爭自然會從“誰擁有更大的模型”，轉(zhuǎn)向“誰能以更低成本、更高效率生產(chǎn)智能”。這也是超節(jié)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(shù)據(jù)、內(nèi)存和任務(wù)，提高整個系統(tǒng)的有效算力。對于國產(chǎn)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(shè)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(wù)器、互聯(lián)網(wǎng)、軟件平臺到集群運維的解決方案。換句話說，國產(chǎn)算力競爭正在從“有沒有芯片”，進入“能不能形成系統(tǒng)”。

奕行智能在本屆WAIC首發(fā)Epoch系列RISC-V AI算力超節(jié)點方案，通過其推出的Epoch云端大算力AI芯片、ELink高速互聯(lián)架構(gòu)、整機液冷方案、全棧軟件生態(tài)和大規(guī)模集群組網(wǎng)共同構(gòu)成了遠超傳統(tǒng)AI服務(wù)器性能的完整系統(tǒng)能力。據(jù)公司介紹，該方案支持單機柜內(nèi)32卡至128卡的高帶寬互聯(lián)，并引入正交無背板架構(gòu)替代傳統(tǒng)線纜連接方案，提升了信號傳輸質(zhì)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(jié)點內(nèi)部的縱向擴展與節(jié)點之間的橫向組網(wǎng)，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(guān)硬件已經(jīng)進入量產(chǎn)和批量交付階段，客戶覆蓋互聯(lián)網(wǎng)、運營商、金融和能源等行業(yè)。公司還聯(lián)合產(chǎn)業(yè)鏈伙伴建設(shè)業(yè)界首套全棧RISC-V超節(jié)點AI Token工廠。其背后反映的是，國產(chǎn)AI算力競爭正在從“能否造出芯片”，進入“能否交付完整基礎(chǔ)設(shè)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(yè)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(gòu)都可以在其基礎(chǔ)上設(shè)計處理器、擴展功能并完善軟件生態(tài)。開放并不自動等于成熟。

一款A(yù)I芯片真正進入生產(chǎn)環(huán)境，還需要編譯器、算子庫、框架適配、性能調(diào)優(yōu)和開發(fā)者工具。模型架構(gòu)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(gòu)的價值，不只在于減少授權(quán)限制，也在于讓芯片擁有持續(xù)演進和接入更多研發(fā)資源的可能性。

但它最終能否形成競爭力，仍取決于量產(chǎn)、軟件適配、客戶遷移成本和長期運行數(shù)據(jù)。在AI基礎(chǔ)設(shè)施領(lǐng)域，任何宏大的技術(shù)敘事，最終都要接受同一組指標(biāo)檢驗：一度電能夠生成多少有效Token，一臺設(shè)備能夠穩(wěn)定運行多久，模型遷移需要多少時間，出現(xiàn)故障后能否快速恢復(fù)。

算力產(chǎn)業(yè)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(xù)使用的生產(chǎn)力。這也是為什么，智算平臺、模型服務(wù)平臺、編譯器、推理引擎和算力調(diào)度系統(tǒng)正在變得越來越重要。如果芯片是發(fā)動機，超節(jié)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(fā)者希望以盡可能低的成本遷移模型，企業(yè)客戶則希望算力系統(tǒng)能夠像云服務(wù)一樣穩(wěn)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(fā)者和客戶。

這一輪算力競爭，也正在改變云計算行業(yè)。傳統(tǒng)云服務(wù)主要按照CPU、存儲和帶寬計費，AI云則越來越多按照模型調(diào)用、Token數(shù)量和任務(wù)結(jié)果提供服務(wù)。算力本身逐漸退到后臺，客戶最終購買的是模型訓(xùn)練完成的速度、推理響應(yīng)的延遲，以及某項業(yè)務(wù)任務(wù)的處理能力。

在算力行業(yè)，“Token工廠”正成為描述這種轉(zhuǎn)向的常用概念。它關(guān)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(tǒng)究竟能夠穩(wěn)定生成多少可被業(yè)務(wù)使用的Token。在這一邏輯下，芯片峰值并不是唯一指標(biāo)，整個系統(tǒng)的吞吐量、能效、穩(wěn)定性和利用率才決定最終產(chǎn)出。2026年的WAIC進一步說明，單顆芯片的性能仍然重要，但已經(jīng)不足以單獨決定一套AI基礎(chǔ)設(shè)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(lián)、軟件、能源和客戶需求組織成系統(tǒng)的企業(yè)。模型訓(xùn)練塑造了上一階段的算力市場，規(guī)模化推理則會重新定義下一階段的基礎(chǔ)設(shè)施。

02

智能體進入企業(yè)，真正的壁壘是上下文和交付

如果說超節(jié)點解決的是智能如何被生產(chǎn)，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(xiàn)的概念之一。從Agent操作系統(tǒng)、智能體手機，到企業(yè)智能體和多智能體協(xié)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(biāo)、拆解任務(wù)、調(diào)用工具，并在較少人工干預(yù)的情況下完成工作。

從聊天機器人到智能體，看似只是產(chǎn)品名稱的變化，背后卻對應(yīng)著兩套完全不同的產(chǎn)品邏輯。傳統(tǒng)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(huán)節(jié)，但大部分工作仍然需要人來串聯(lián)。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(fù)制到下一項工作中。

智能體的目標(biāo)則是接收一個更抽象的任務(wù)，然后自主拆解步驟、尋找信息、調(diào)用工具，并根據(jù)中間結(jié)果不斷調(diào)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(chǎn)品制定一場營銷活動”。這項任務(wù)可能需要研究市場趨勢、分析用戶反饋、確定目標(biāo)人群、提出創(chuàng)意方向、生成不同渠道的內(nèi)容，最后監(jiān)測傳播效果并繼續(xù)優(yōu)化。

其中每一個環(huán)節(jié)，都可能由不同模型、軟件和數(shù)據(jù)系統(tǒng)完成。因此，智能體的價值不是又多了一種生成內(nèi)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(tǒng)、編排平臺、記憶系統(tǒng)和上下文工程開始受到重視。

一個智能體要真正進入企業(yè)，至少需要理解三類信息。第一類是世界知識，即通用模型訓(xùn)練過程中學(xué)到的公共信息；第二類是企業(yè)知識，包括產(chǎn)品資料、品牌規(guī)范、客戶信息、業(yè)務(wù)數(shù)據(jù)和歷史項目；第三類則是組織運行規(guī)則，哪些人可以訪問什么數(shù)據(jù)，哪些內(nèi)容需要審批，一項任務(wù)應(yīng)該經(jīng)過哪些部門，出現(xiàn)風(fēng)險后由誰負責(zé)。

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(guī)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(jīng)過哪些人審批。企業(yè)多年積累的真正資產(chǎn)，通常并沒有完整地寫在公開文件里。它們分散在數(shù)據(jù)庫、會議記錄、郵件、員工經(jīng)驗、歷史方案和大量隱性規(guī)則中。很多決策甚至沒有標(biāo)準(zhǔn)流程，只能依賴熟悉業(yè)務(wù)的人進行判斷。

這就形成了智能體進入企業(yè)的核心障礙：模型了解世界，卻不了解組織。因此，當(dāng)基礎(chǔ)模型能力逐漸成為公共供給后，企業(yè)AI的競爭重心正在轉(zhuǎn)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(shù)據(jù)屬于哪個業(yè)務(wù)對象、誰擁有訪問權(quán)限，以及模型在什么情況下應(yīng)該調(diào)用哪條信息。

錯誤的企業(yè)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(jīng)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(yè)級智能體架構(gòu)的出發(fā)點。GEA由意圖、編排、技能和上下文四層構(gòu)成，其中上下文層嘗試將企業(yè)分散的品牌數(shù)據(jù)、內(nèi)容資產(chǎn)和業(yè)務(wù)經(jīng)驗轉(zhuǎn)化為AI可調(diào)用的統(tǒng)一事實源；編排層則根據(jù)任務(wù)協(xié)調(diào)不同基礎(chǔ)模型與模塊化技能。特贊希望借此將企業(yè)AI從一次性交付的項目，變成能夠持續(xù)參與企業(yè)經(jīng)營、交付結(jié)果的能力系統(tǒng)。

據(jù)公司披露，其目前已服務(wù)180多家企業(yè)客戶，平臺覆蓋全球50個國家和地區(qū)的100多萬專業(yè)用戶，并已在洞察研究、內(nèi)容增長、設(shè)計創(chuàng)作和產(chǎn)品創(chuàng)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(yè)的許多核心問題，并不是只有標(biāo)準(zhǔn)答案的數(shù)學(xué)題。

新品方向、品牌策略、用戶洞察和創(chuàng)意設(shè)計，都要求決策者先探索多種可能，再結(jié)合組織約束進行判斷。為此，特贊還研發(fā)了面向開放性商業(yè)問題的發(fā)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(fā)散、再判斷和執(zhí)行。

這一探索是否能夠真正提高企業(yè)決策質(zhì)量，仍需要更多真實業(yè)務(wù)結(jié)果驗證。但它至少揭示了企業(yè)智能體面臨的一項核心矛盾：模型擅長生成答案，企業(yè)真正需要的卻是承擔(dān)過程。

答案通常只是一段文字，過程卻包括目標(biāo)確認(rèn)、信息收集、方案比較、權(quán)限審批、任務(wù)執(zhí)行、結(jié)果評價和責(zé)任追溯。

當(dāng)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(shù)字員工”。這會改變企業(yè)軟件的形態(tài)。過去，員工需要學(xué)習(xí)不同軟件的菜單和按鈕，在CRM、ERP、內(nèi)容系統(tǒng)、數(shù)據(jù)庫和協(xié)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(biāo)，智能體理解意圖后調(diào)用不同系統(tǒng)，完成查詢、分析和操作。傳統(tǒng)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(shù)字員工，中間還隔著漫長的可靠性建設(shè)。

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(fā)送了錯誤報價，或者修改了生產(chǎn)參數(shù)，后果將直接進入現(xiàn)實世界。因此，企業(yè)智能體不會立即從輔助工具躍遷為完全自治系統(tǒng)。更現(xiàn)實的路徑，是先幫助員工搜索、總結(jié)和生成內(nèi)容，再在人工確認(rèn)下調(diào)用工具，最后才可能在明確邊界內(nèi)獨立完成一些低風(fēng)險任務(wù)。

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(yè)的真實上下文，執(zhí)行過程是否可以被觀察和審計，錯誤是否能被及時發(fā)現(xiàn)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(yè)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，通常可以用功能使用率、用戶數(shù)量和續(xù)費率衡量。智能體則需要一套更復(fù)雜的指標(biāo)。企業(yè)需要知道它完成任務(wù)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(jié)省了員工時間，還是只是把工作從執(zhí)行轉(zhuǎn)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(yè)AI從Demo進入生產(chǎn)環(huán)境的分水嶺。在演示中，智能體只需要完成一次被精心設(shè)計的任務(wù)；在企業(yè)里，它需要面對模糊指令、缺失數(shù)據(jù)、系統(tǒng)故障、權(quán)限限制和不斷變化的業(yè)務(wù)規(guī)則。

成功一次并不困難，持續(xù)成功才是真正的技術(shù)門檻。智能體還會帶來新的組織問題。當(dāng)一個數(shù)字員工可以同時承擔(dān)研究、寫作、數(shù)據(jù)分析和執(zhí)行任務(wù)時，傳統(tǒng)的崗位邊界可能變得模糊。企業(yè)需要重新定義人和AI的分工，也需要決定誰對智能體的結(jié)果負責(zé)。

未來更可能出現(xiàn)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(yè)智能體共同服務(wù)一支團隊。人的價值會從親自完成每一個步驟，轉(zhuǎn)向設(shè)定目標(biāo)、提供判斷、管理例外和承擔(dān)責(zé)任。這也意味著，企業(yè)部署智能體從來不只是技術(shù)項目。

它同樣是一項組織工程。如果企業(yè)原有數(shù)據(jù)混亂、流程模糊、部門之間缺乏協(xié)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(dāng)企業(yè)能夠清晰描述自己的業(yè)務(wù)，機器才可能真正理解并參與其中。這可能是企業(yè)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?qū)⒛Ｐ妥兂山M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(huán)

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(yè)集中參展，人形機器人、四足機器人、靈巧手、關(guān)節(jié)模組、傳感器和訓(xùn)練平臺，共同組成了一個不斷擴大的產(chǎn)業(yè)鏈。與幾年前相比，機器人行業(yè)的話語體系已經(jīng)發(fā)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(fù)雜動作。如今，行業(yè)越來越關(guān)心它能不能工作。

機器人進入工廠后，是否能夠適應(yīng)不同尺寸的零件；生產(chǎn)線發(fā)生變化后，是否需要工程師重新編程；完成一項任務(wù)的速度能否接近人工；連續(xù)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(wù)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(huán)境提供了新的技術(shù)路徑。傳統(tǒng)工業(yè)機器人通常依賴預(yù)設(shè)程序。在固定位置、固定節(jié)拍和固定工件條件下，它們可以高精度重復(fù)同一個動作，但一旦環(huán)境或物品發(fā)生變化，就需要工程師重新調(diào)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(yīng)箱子”，機器人再將自然語言轉(zhuǎn)化成動作計劃。但真實世界遠比語言世界復(fù)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(chǎn)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(zhí)行—反饋”閉環(huán)。

它首先需要通過攝像頭、激光雷達、力傳感器和觸覺系統(tǒng)理解環(huán)境；再把人類目標(biāo)分解為具體動作；最后通過關(guān)節(jié)、電機和靈巧手完成執(zhí)行，并根據(jù)結(jié)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(jié)構(gòu)、減速器、執(zhí)行器、傳感器、電池、控制系統(tǒng)和數(shù)據(jù)采集能力，同樣決定產(chǎn)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(wěn)定創(chuàng)造價值才重要。工業(yè)場景可能會成為具身智能最先實現(xiàn)規(guī)模化的市場。

工廠環(huán)境相對結(jié)構(gòu)化，任務(wù)目標(biāo)明確，也更容易計算投入產(chǎn)出比。機器人不需要一開始就具備通用智能，只要能穩(wěn)定完成搬運、分揀、質(zhì)檢、上下料和巡檢等具體任務(wù)，就有機會形成商業(yè)閉環(huán)。但即使在工業(yè)場景，機器人大規(guī)模落地仍然面臨挑戰(zhàn)。

一個動作成功率達到99%，聽起來已經(jīng)很高，但如果一條生產(chǎn)線每天需要執(zhí)行數(shù)萬次動作，剩余的1%仍然意味著大量異常和人工干預(yù)。因此，工業(yè)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(xù)運行數(shù)百小時后，任務(wù)成功率是否仍然穩(wěn)定。機器人企業(yè)也在重新尋找產(chǎn)品和商業(yè)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(shù)據(jù)和成本等問題。相較之下，從搬運、分揀、巡檢等具體任務(wù)切入，更容易形成收入和數(shù)據(jù)閉環(huán)。機器人通過真實場景積累數(shù)據(jù)，再反過來訓(xùn)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(xiàn)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(jié)果。新一代AI終端則希望持續(xù)感知用戶的聲音、影像、位置和身體狀態(tài)，在合適的時間主動提供幫助。這種轉(zhuǎn)變的前提，是端側(cè)AI能力不斷增強。

云端可以提供更強的通用推理能力，端側(cè)則擁有低延遲、本地運行、隱私保護和個性化等優(yōu)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(wù)會在云端與本地之間動態(tài)分配。不需要實時響應(yīng)、計算量較大的任務(wù)可以交給云端；涉及連續(xù)感知、個人數(shù)據(jù)和即時反饋的任務(wù)，則更適合在設(shè)備本地完成。

尤其在涉及健康、影像、聲音和位置的數(shù)據(jù)中，端側(cè)計算的意義不只是提高速度。它還決定了設(shè)備能否在不持續(xù)上傳敏感信息的情況下工作。

神思動量旗下以腦神經(jīng)科學(xué)為核心的消費級神經(jīng)科技品牌LumiMind，其首款產(chǎn)品LumiSleep D1腦電調(diào)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(biāo)分析睡眠狀態(tài)的可穿戴設(shè)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(guān)的腦狀態(tài)變化，并據(jù)此生成毫秒級動態(tài)調(diào)整的個性化聲學(xué)引導(dǎo)，再隨腦狀態(tài)變化持續(xù)調(diào)整，形成“監(jiān)測—解碼—生成—調(diào)控”的閉環(huán)。

產(chǎn)品采用內(nèi)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(chǎn)品已經(jīng)開啟預(yù)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(xiàn)體動、心率等生理指標(biāo)，進一步走向感知腦電信號，并根據(jù)狀態(tài)變化提供實時、個性化反饋。

換言之，LumiSleep D1所探索的并非傳統(tǒng)意義上的睡眠追蹤，而是基于實時腦電信號，對聲學(xué)引導(dǎo)進行動態(tài)調(diào)整。

從產(chǎn)業(yè)方向看，以腦電為代表的神經(jīng)感知型智能穿戴設(shè)備，正在提供一種新的技術(shù)路徑：智能設(shè)備不再只讀取人的外在行為和生理信號，而是開始嘗試?yán)斫馊说膬?nèi)部狀態(tài)，并根據(jù)狀態(tài)變化作出實時反饋。

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

當(dāng)然，從消費級神經(jīng)設(shè)備到經(jīng)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(xué)反饋的實際效果也需要長期、規(guī)范的用戶數(shù)據(jù)與研究驗證。

但神經(jīng)感知產(chǎn)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?yán)斫馊说膬?nèi)部狀態(tài)。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(xù)采集信號，判斷當(dāng)前狀態(tài)，生成行動或反饋，再根據(jù)新的結(jié)果不斷調(diào)整。

這意味著，AI正在從一問一答的工具，轉(zhuǎn)變?yōu)槌掷m(xù)運行的閉環(huán)系統(tǒng)。它不僅出現(xiàn)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(shè)備里。AI獲得身體后，產(chǎn)業(yè)評價標(biāo)準(zhǔn)也會發(fā)生變化。一款聊天產(chǎn)品的錯誤，可能只是一次不準(zhǔn)確的回答；一款控制機器人或持續(xù)讀取身體信號的設(shè)備出現(xiàn)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(shè)備需要明確什么數(shù)據(jù)在本地處理，什么數(shù)據(jù)需要上傳；機器人需要知道在什么情況下應(yīng)當(dāng)停止動作；智能體則需要在執(zhí)行高風(fēng)險任務(wù)前請求人類確認(rèn)。這些能力不是額外增加的附屬功能，而是AI從演示走向規(guī)模化應(yīng)用的必要條件。

本屆WAIC擁有超過300款首發(fā)產(chǎn)品，也推動了一批產(chǎn)業(yè)場景和合作項目落地。但對AI行業(yè)而言，首發(fā)數(shù)量已經(jīng)不再是唯一重要的指標(biāo)。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(xù)產(chǎn)生結(jié)果的系統(tǒng)。能體能減少多少重復(fù)勞動？機器人部署后多久可以收回成本？算力系統(tǒng)的利用率和穩(wěn)定性有多高？一款A(yù)I硬件是否真正解決了用戶問題？這些問題未必像技術(shù)Demo一樣吸引眼球，卻決定一家AI公司能不能跨過商業(yè)化門檻。

所以AI產(chǎn)業(yè)的競爭單位，也從單個模型轉(zhuǎn)變?yōu)橥暾到y(tǒng)。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(chǎn)有效Token的算力系統(tǒng)；從回答問題，走向理解企業(yè)上下文并承擔(dān)業(yè)務(wù)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(xié)同，技術(shù)公司與產(chǎn)業(yè)客戶協(xié)同，產(chǎn)品創(chuàng)新與可靠性建設(shè)協(xié)同。因此，2026年的WAIC不是在宣布AI已經(jīng)無所不能。恰恰相反，它表明整個產(chǎn)業(yè)終于開始面對比訓(xùn)練大模型更復(fù)雜的問題：如何讓已經(jīng)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。