WAIC里不只有AI丨WAIC2026

這是我們連續第三年參加WAIC這場全球AI盛會。今年最深的一個印象就是，AI已經真正走到生活、生產之中，并改變了絕大部分產業。

為什么這么說呢，回顧過去的三屆大會（2024、2025、2026），2024年是“百模大戰”，各式各樣的AI大模型是會場、論壇討論的焦點；2025年是具身智能的崛起，不同形態、不同功能的具身智能機器人成為了那年WAIC絕對主角。

而今年的WAIC上，AI已經開始在產業側開花結果，一邊是各類智能體應用已展現出效果，另一邊，在底層算力與數據基礎設施上，AI也推動了它們的發展，可以說，今年的WAIC，一切以AI為核心，但又不只有AI。

AI應用遍地開花

首先，我們還是要先來談談AI。在AI應用方面，今年最明顯的一個變化是：AI已經不再只能做問答游戲了，而是正在成為真正的生產力。

一個顯著的變化發生在消費電子領域。過去，人們談論AI手機往往聚焦于語音助手或AI修圖，但今年，真正的“AI智能體手機”開始出現。中興通訊在展臺上放出了全球首款量產的AI智能體手機努比亞NaviX Ultra。它不再只是被動響應指令，而是搭載了端側智能體大模型，能從底層將手機改造成一個能自主理解用戶目標、調用工具、執行跨應用任務的智能終端。這標志著AI正在從“手機的一個功能”變成“手機的底層操作系統”。中興同步發布的新支點AIOS，則試圖將這種能力從手機擴展到家庭網關、智能中屏等全場景設備，形成一個“端—邊—云”協同的智能生態。

如果說手機是個人計算的中心，那么家庭則是AI服務的另一個核心場景。京東在世博展覽館搭建了一個名為“JoyInside AI Home”的實景樣板間，直觀展示了AI如何進入物理世界。在客廳里，搭載JoyInside的智能設備能識別自然口語指令，在嘈雜環境中準確響應；在書房，京造AI投影臺燈能完成多模態掃題批改、實時答疑和全科輔導；在臥室，智能睡眠床墊能持續記錄呼吸、體動等體征并生成健康報告。這些硬件不再是孤立“智能家居單品，而是通過統一的AI交互層，變成了分布在家庭不同空間的AI服務入口。京東透露，JoyInside已與超200家行業品牌達成合作，2026年預計接入超千萬臺終端設備。

教育是另一個被AI深刻重塑的領域。首次參展的AI原生企業與愛為舞在世博展覽館打造了一座愛學AI學習實驗室。與傳統的拍照搜題或AI生成答案不同，展區里展示的AI學習智能體更像一個耐心的蘇格拉底式導師——學習者需要把解題思路講給AI聽，而AI則通過追問和遞進引導，幫助學習者自己發現思維斷點、完善邏輯鏈條。這種“費曼學習法”與AI的結合，讓技術不再只是提供答案的工具，而是培養思維能力的伙伴。

展區里還有一個能與觀眾面對面聊天的孔子數字人，它依托自研大模型被賦予了“有教無類”和“因材施教”的精神內核。當我們對其發問：“怎么看待AI時代的學習？”數字人略作沉吟后回答：“AI興于今世，恰合吾昔日'有教無類'之愿，令學子由'知之'而'好之''樂之'。”

放眼科技感拉滿的展廳，這算是一份相對特別的回答。

與愛為舞聯合創始人、技術負責人王琳表示，過去半年公司的技術重心已經發生躍遷，“從讓AI穩定完成一節課，走向覆蓋全年齡、全學科，能陪伴學習者長期成長的AI學習智能體”。這種轉變的背后，是AI從單點工具走向系統的縮影。

當然，AI是否真的能有顛覆性的價值，還要看其在企業側的應用效果，通過本屆WAIC可以看出，AI的能力已經體現在它對企業內部流程的重塑上。WAIC期間神州數碼董事長郭為分享了一個案例——神州數碼在幫助一家頂級醫院做胰腺癌并發癥診斷的智能體時，準確率達到94%，已經可以進入臨床。然而做完之后，科室主任說“術前準備也很重要”，于是又合作做了術前準備的智能體。做完手術前，主任又提出早期診斷能不能也用智能體。當三個智能體全部完成并打通底層數據后，一套涵蓋術前的模型可以利用診斷時的數據不斷優化，術后的并發癥數據又能反饋給術前準備，形成了一個全新的診療流程。

“過去即使是有經驗的醫生，經驗只停留在大腦里，醫生之間的數據沒有打通，優化過程非常緩慢。當數據打通之后，就形成了自適應的閉環流程。”郭為這句話點破了AI從實驗室走向企業落地的關鍵：從解決單點問題，到嵌入業務流程并驅動流程自我優化。

國產算力的崛起

個人、家庭、教室、醫院......AI正在以前所未有的密度與深度進入真實場景。而所有這一切流暢體驗的背后，都離不開一個藏在幕后的、正在經歷劇烈變革的東西，那就是算力基礎設施。

今年WAIC最顯眼的展品，不再只是小巧的終端產品，而是那些由數十個機柜組成的超節點、整套液冷散熱系統以及高密度的AI服務器集群。這些過去藏在數據中心里的基礎設施，被首次大規模搬到聚光燈下，成為大會關注的焦點。

參會這幾天，在排隊進場、午間吃飯休息的時候，我們多次聽到有不少與會者在討論超節點。以被選入此次“鎮館之寶”的曙光8000為例，它是中國首個全國產十萬卡AI超集群。

十萬卡是什么概念？當前AI大模型的參數量正從千億級邁向數萬億級，訓練和推理都需要成千上萬張GPU協同工作，十萬卡集群被行業視為下一代AI基礎設施的門檻。

中科曙光展臺工作人員稱，“實現十萬卡規模高效運行，考驗的是超大規模集群背后的系統工程創新能力。”為什么是“系統工程”？因為隨著摩爾定律放緩，單顆芯片的性能提升遇到瓶頸，AI計算早已不是一顆芯片能獨立完成的事。芯片之間以多快的速度傳輸數據，數百乃至數千顆芯片能否高效協同，任務如何調度，軟件工具鏈是否成熟，這些系統層面的能力，正在成為決定算力實際利用率的關鍵。

這就像一支足球隊，擁有身價最高的球星，不意味著能贏得比賽，戰術配合、攻守平衡、體能分配都可能成為更關鍵的因素。AI算力正在經歷相似的轉變：競爭的基本單位從單顆芯片變成了服務器、超節點，甚至是整個集群。

以正式因為此，超集群得以成為今年WAIC被提及最頻繁的技術之一。簡單來說，超節點是通過高速互聯技術，把數百至數千顆AI芯片整合成一個邏輯統一的龐大算力池，讓成千上萬張GPU像一臺超級計算機一樣協同工作。

壁仞科技在WAIC期間發布了基于NPO（近封裝光學）光互連、分布式解耦架構的超節點方案，支持單個超節點擴展至1024張GPU。

為什么需要光互連？壁仞科技AI框架架構副總裁丁云帆在現場解釋了一個物理現實：隨著GPU算力不斷增長，互連帶寬需求將超過1TB/s，端口速率達到224Gbps時，銅纜電信號在3米內就會嚴重衰減，導致現有電互連超節點最多只能支持128張GPU，難以滿足萬億參數大模型對更大規模超節點的需求。而光信號傳輸距離可達數百米，衰減極小，天然適合大規模GPU互連。

壁仞選擇了把光引擎直接與GPU模組融合的NPO路線，去掉高功耗的信號處理芯片，在性能、功耗和工程可落地性之間取得平衡。

這一技術選擇背后有明確的行業判斷。丁云帆認為，AI行業的重心正在從訓練向推理偏移。雖然訓練側單次任務動輒需要萬卡GPU協同數月，但能持續投入訓練頂尖大模型的公司越來越少。

相反，推理側隨著多模態模型和Agent應用的興起，整體算力需求規模已經超越了訓練。今年年初Agent大爆發，其最大特點是超長上下文和模型規模越大、效果越好，這導致每次推理需要緩存的海量中間計算結果（KV Cache）規模越來越大，對互連帶寬和存儲延遲提出了前所未有的要求。超節點因此從一個技術概念變成了應對推理爆發的行業剛需。

超節點對推理服務的價值，在算力服務商那里得到了更直接的驗證。北京淘肯智能科技有限公司總經理宋志方在WAIC期間點出了超節點的本質：推理服務客戶衡量服務質量的核心指標就是延遲。在延遲的層級里，GPU計算速度最快，其次是訪存，高速緩存、顯存、內存、硬盤速度逐級遞減，最后才是網絡通信——這是相對最慢的一環。超節點就是在解決網絡的瓶頸，讓網絡不再成為拖慢推理服務最大的那個環節。

Token工廠是生產AI價值的地方

本屆WAIC上還有一個細節折射出算力需求的結構性變化。一位算力服務商在大會期間對我們表示，“過去客戶問'你們有多少張卡'，現在問'Token成本多少，響應時延多長'”。原本只有算法工程師才關心的Token，成了衡量算力服務競爭力的核心標尺。

Token從技術指標變成經濟度量衡，本身就是今年WAIC最值得關注的信號之一。宋志方對此有一個形象的類比：“Token跟電相似的地方，它也支撐了社會上千行百業的企業的經濟體量。工業時期大家以電為度量衡來衡量國家的經濟體量和工業發展水平；今天，Token的用量正在成為衡量社會AI經濟體量的標尺。”

在他看來，Token化對算力行業的影響是結構性的，過去企業想做推理服務，需要自己租算力或買算力，這是非常重的投入，也無形中承擔了算力空置的成本。轉換為Token之后，按用量計費，對于中小微企業來講，投入相對更友好。

當Token成為經濟度量衡，Token工廠自然也成為了生產AI價值的地方。在宋志方看來，Token經濟的興起正在重塑算力服務商的競爭邏輯。“Token起來之后，會催生一批基于Token的企業，這批企業不需要去買算力。原來租算力的智能體企業，也可能轉向只用Token。”但這并不意味著算力需求減少了，“Token的客戶在爆發，算力的需求也在持續爆發，只是需求方更集中了——集中在模型企業、大廠和Token工廠”。

“當然，Token工廠要具備三個要素：成規模的算力、成熟穩定的推理服務、以及用戶。”宋志方認為，“只要你能穩定對外提供Token服務，需求是源源不斷的。”

Token工廠的概念在本屆WAIC上已經具象化成了產品，滴普科技在大會期間了推出了DeepexiOS AI級企業操作系統，該系統定位為企業Token生產力平臺，由DeepWorks企業智能體平臺、Deepexi 企業大模型、Deepology企業本體數據和Skills集三部分組成，整體為“日常工作入口—企業知識底座—行業Skills集合”的產品結構。

據滴普科技創始人、董事會主席、執行董事兼CEO趙杰輝介紹，基于這一產品結構，企業員工與合作伙伴可通過DeepWorks企業智能體平臺入口完成的日常工作，這也會成為企業 AI 能力持續成長的來源：日常工作技能沉淀為企業Skills，DeepWorks企業智能體平臺自下而上匯聚企業日常工作的數據、知識與技能。

中科類腦也提出了算電協同Token工廠的概念，中科類腦董事長劉海峰算了一筆賬：一個1000P標準算力集群，年度總耗電約2000萬度，通過其自研的算電一體化調度平臺優化，可節約20%用電量，每年直接減少400萬度電力開支。他解釋稱，行業長期存在一個天然斷層：算力研發團隊不懂電力調度機理，電力從業者缺乏AI算力底層邏輯，兩者數據互通、技術耦合存在巨大障礙。而中科類腦作為國家算電協同標準的牽頭編制單位，提前三年布局了這一融合技術，目前已打通全鏈條。

AI離全民化還有多遠？

逛遍了AI應用場景，也看完了底層算力基礎升級，上升到價值層面，本屆WAIC與會者都在思考一個不可回避的問題：AI到底給企業和社會帶來了多少真實價值？

麥肯錫的調研數據常被行業引用：目前有88%的企業在使用AI，但真正在財務上有顯著提升的只有5%到7%。WAIC期間的一場“AI創新管理論壇”上，德勤咨詢首席增長官黃偉強分享了一個案例：一家擁有三千多家門店的全球快餐連鎖品牌，店經理培養需要一年，但離職率超過30%。他們做了一件事：把十個最好的店經理聚在一起，花6~8周時間，用知識圖譜把他們的隱性運營經驗蒸餾出來，訓練成多個Agent。然后把門店里標準化的配貨、供應等工作交給AI，店經理則騰出精力去處理那些需要情感溝通和現場決斷的事務。結果，一個店經理可以同時管理兩三個甚至四個門店。

黃偉強說，這個過程中最難的不是技術，而是員工的顧慮。店經理的第一個反應通常是：“我為什么要訓練它？訓練完了，我沒有工作了。”如何讓碳基人和硅基人融合協作，是管理者必須面對的新課題。

回到產業層面，AI的規模化普惠還面臨幾個現實瓶頸。

首先就是數據。北汽新能源享界超級工廠設備工程部部長李明宇在WAIC期間公開表示，制造業和AI結合時，經常卡在“先有雞還是先有蛋”的問題上，“你覺得我們的數據質量有問題，我們會覺得AI企業沒有提出明確的數據要求。比如建能源模型，采樣周期到底應該是多少？電的采樣周期是多少？冷熱的采樣周期是多少？”如果把采樣周期做到毫秒級，數據規模會爆炸式增長，但投入產出比是否劃算？這個問題常常無解。

其次是ROI問題。李明宇透露，判別式AI在整車制造企業已經用了十年，應用案例成百上千，但五年后回頭看，大部分案例沒有實現當初承諾的持續效益。原因是工藝變更了，或者設備改造了，個案式的AI方案往往不可復用，導致長期價值打折扣。

最后是風險可控性。AI給出的結論本質上是概率性輸出，而傳統制造業追求的是可驗證、可重復的確定性。“概率性的結論一旦被大規模自動化復制，就會形成系統性的風險，尤其是對于造車這種關乎安全的產品。”某頭部造車企業相關負責人稱。

這些瓶頸背后，是AI正在從一個能生成答案的模型，變成一套能夠理解目標、調動資源并交付結果的系統。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，是完全不同的兩件事。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體系，這套體系涵蓋了算力如何組織，數據如何流動，工具如何調用，權限如何控制，結果如何評價，錯誤如何被發現。

前年行業還在關注誰能創造更強的模型，去年行業關注誰能造出功能性更強的機器人，今年行業已經在看誰能把模型用出真正的商業價值。

我們在大會現場問過很多人一個問題：“今年WAIC你最深刻的三個感受是什么？”而其中有兩個答案出奇的一致：“熱、期待”。熱一方面是天氣，另一方面是產業火熱；而期待則具象在了整個行業對國產算力和AI價值的憧憬。

WAIC的舞臺上，AI是主角，但圍繞在AI周圍的算力、數據、管理、人才和治理體系，一起才構成了這個時代的完整圖景。當AI不再是孤例的、只屬于一小群人的，當它真正進入全產業鏈路上，或許就離全民化不再遙遠了。

這也正是今年大會最大的啟示。

（文｜Leo張ToB雜談，作者｜張申宇，編輯丨楊林）