AI不是孤立的浪潮，而是一场需要全产业链协同的系统性演进。

这是我们连续第三年参加WAIC这场全球AI盛会。今年最深的一个印象就是，AI已经真正走到生活、生产之中，并改变了绝大部分产业。

为什么这么说呢，回顾过去的三届大会（2024、2025、2026），2024年是“百模大战”，各式各样的AI大模型是会场、论坛讨论的焦点；2025年是具身智能的崛起，不同形态、不同功能的具身智能机器人成为了那年WAIC绝对主角。

而今年的WAIC上，AI已经开始在产业侧开花结果，一边是各类智能体应用已展现出效果，另一边，在底层算力与数据基础设施上，AI也推动了它们的发展，可以说，今年的WAIC，一切以AI为核心，但又不只有AI。

AI应用遍地开花

首先，我们还是要先来谈谈AI。在AI应用方面，今年最明显的一个变化是：AI已经不再只能做问答游戏了，而是正在成为真正的生产力。

一个显著的变化发生在消费电子领域。过去，人们谈论AI手机往往聚焦于语音助手或AI修图，但今年，真正的“AI智能体手机”开始出现。中兴通讯在展台上放出了全球首款量产的AI智能体手机努比亚NaviX Ultra。它不再只是被动响应指令，而是搭载了端侧智能体大模型，能从底层将手机改造成一个能自主理解用户目标、调用工具、执行跨应用任务的智能终端。这标志着AI正在从“手机的一个功能”变成“手机的底层操作系统”。中兴同步发布的新支点AIOS，则试图将这种能力从手机扩展到家庭网关、智能中屏等全场景设备，形成一个“端—边—云”协同的智能生态。

如果说手机是个人计算的中心，那么家庭则是AI服务的另一个核心场景。京东在世博展览馆搭建了一个名为“JoyInside AI Home”的实景样板间，直观展示了AI如何进入物理世界。在客厅里，搭载JoyInside的智能设备能识别自然口语指令，在嘈杂环境中准确响应；在书房，京造AI投影台灯能完成多模态扫题批改、实时答疑和全科辅导；在卧室，智能睡眠床垫能持续记录呼吸、体动等体征并生成健康报告。这些硬件不再是孤立“智能家居单品，而是通过统一的AI交互层，变成了分布在家庭不同空间的AI服务入口。京东透露，JoyInside已与超200家行业品牌达成合作，2026年预计接入超千万台终端设备。

教育是另一个被AI深刻重塑的领域。首次参展的AI原生企业与爱为舞在世博展览馆打造了一座爱学AI学习实验室。与传统的拍照搜题或AI生成答案不同，展区里展示的AI学习智能体更像一个耐心的苏格拉底式导师——学习者需要把解题思路讲给AI听，而AI则通过追问和递进引导，帮助学习者自己发现思维断点、完善逻辑链条。这种“费曼学习法”与AI的结合，让技术不再只是提供答案的工具，而是培养思维能力的伙伴。

展区里还有一个能与观众面对面聊天的孔子数字人，它依托自研大模型被赋予了“有教无类”和“因材施教”的精神内核。当我们对其发问：“怎么看待AI时代的学习？”数字人略作沉吟后回答：“AI兴于今世，恰合吾昔日'有教无类'之愿，令学子由'知之'而'好之''乐之'。”

放眼科技感拉满的展厅，这算是一份相对特别的回答。

与爱为舞联合创始人、技术负责人王琳表示，过去半年公司的技术重心已经发生跃迁，“从让AI稳定完成一节课，走向覆盖全年龄、全学科，能陪伴学习者长期成长的AI学习智能体”。这种转变的背后，是AI从单点工具走向系统的缩影。

当然，AI是否真的能有颠覆性的价值，还要看其在企业侧的应用效果，通过本届WAIC可以看出，AI的能力已经体现在它对企业内部流程的重塑上。WAIC期间神州数码董事长郭为分享了一个案例——神州数码在帮助一家顶级医院做胰腺癌并发症诊断的智能体时，准确率达到94%，已经可以进入临床。然而做完之后，科室主任说“术前准备也很重要”，于是又合作做了术前准备的智能体。做完手术前，主任又提出早期诊断能不能也用智能体。当三个智能体全部完成并打通底层数据后，一套涵盖术前的模型可以利用诊断时的数据不断优化，术后的并发症数据又能反馈给术前准备，形成了一个全新的诊疗流程。

“过去即使是有经验的医生，经验只停留在大脑里，医生之间的数据没有打通，优化过程非常缓慢。当数据打通之后，就形成了自适应的闭环流程。”郭为这句话点破了AI从实验室走向企业落地的关键：从解决单点问题，到嵌入业务流程并驱动流程自我优化。

国产算力的崛起

个人、家庭、教室、医院......AI正在以前所未有的密度与深度进入真实场景。而所有这一切流畅体验的背后，都离不开一个藏在幕后的、正在经历剧烈变革的东西，那就是算力基础设施。

今年WAIC最显眼的展品，不再只是小巧的终端产品，而是那些由数十个机柜组成的超节点、整套液冷散热系统以及高密度的AI服务器集群。这些过去藏在数据中心里的基础设施，被首次大规模搬到聚光灯下，成为大会关注的焦点。

参会这几天，在排队进场、午间吃饭休息的时候，我们多次听到有不少与会者在讨论超节点。以被选入此次“镇馆之宝”的曙光8000为例，它是中国首个全国产十万卡AI超集群。

十万卡是什么概念？当前AI大模型的参数量正从千亿级迈向数万亿级，训练和推理都需要成千上万张GPU协同工作，十万卡集群被行业视为下一代AI基础设施的门槛。

中科曙光展台工作人员称，“实现十万卡规模高效运行，考验的是超大规模集群背后的系统工程创新能力。”为什么是“系统工程”？因为随着摩尔定律放缓，单颗芯片的性能提升遇到瓶颈，AI计算早已不是一颗芯片能独立完成的事。芯片之间以多快的速度传输数据，数百乃至数千颗芯片能否高效协同，任务如何调度，软件工具链是否成熟，这些系统层面的能力，正在成为决定算力实际利用率的关键。

这就像一支足球队，拥有身价最高的球星，不意味着能赢得比赛，战术配合、攻守平衡、体能分配都可能成为更关键的因素。AI算力正在经历相似的转变：竞争的基本单位从单颗芯片变成了服务器、超节点，甚至是整个集群。

以正式因为此，超集群得以成为今年WAIC被提及最频繁的技术之一。简单来说，超节点是通过高速互联技术，把数百至数千颗AI芯片整合成一个逻辑统一的庞大算力池，让成千上万张GPU像一台超级计算机一样协同工作。

壁仞科技在WAIC期间发布了基于NPO（近封装光学）光互连、分布式解耦架构的超节点方案，支持单个超节点扩展至1024张GPU。

为什么需要光互连？壁仞科技AI框架架构副总裁丁云帆在现场解释了一个物理现实：随着GPU算力不断增长，互连带宽需求将超过1TB/s，端口速率达到224Gbps时，铜缆电信号在3米内就会严重衰减，导致现有电互连超节点最多只能支持128张GPU，难以满足万亿参数大模型对更大规模超节点的需求。而光信号传输距离可达数百米，衰减极小，天然适合大规模GPU互连。

壁仞选择了把光引擎直接与GPU模组融合的NPO路线，去掉高功耗的信号处理芯片，在性能、功耗和工程可落地性之间取得平衡。

这一技术选择背后有明确的行业判断。丁云帆认为，AI行业的重心正在从训练向推理偏移。虽然训练侧单次任务动辄需要万卡GPU协同数月，但能持续投入训练顶尖大模型的公司越来越少。

相反，推理侧随着多模态模型和Agent应用的兴起，整体算力需求规模已经超越了训练。今年年初Agent大爆发，其最大特点是超长上下文和模型规模越大、效果越好，这导致每次推理需要缓存的海量中间计算结果（KV Cache）规模越来越大，对互连带宽和存储延迟提出了前所未有的要求。超节点因此从一个技术概念变成了应对推理爆发的行业刚需。

超节点对推理服务的价值，在算力服务商那里得到了更直接的验证。北京淘肯智能科技有限公司总经理宋志方在WAIC期间点出了超节点的本质：推理服务客户衡量服务质量的核心指标就是延迟。在延迟的层级里，GPU计算速度最快，其次是访存，高速缓存、显存、内存、硬盘速度逐级递减，最后才是网络通信——这是相对最慢的一环。超节点就是在解决网络的瓶颈，让网络不再成为拖慢推理服务最大的那个环节。

Token工厂是生产AI价值的地方

本届WAIC上还有一个细节折射出算力需求的结构性变化。一位算力服务商在大会期间对我们表示，“过去客户问'你们有多少张卡'，现在问'Token成本多少，响应时延多长'”。原本只有算法工程师才关心的Token，成了衡量算力服务竞争力的核心标尺。

Token从技术指标变成经济度量衡，本身就是今年WAIC最值得关注的信号之一。宋志方对此有一个形象的类比：“Token跟电相似的地方，它也支撑了社会上千行百业的企业的经济体量。工业时期大家以电为度量衡来衡量国家的经济体量和工业发展水平；今天，Token的用量正在成为衡量社会AI经济体量的标尺。”

在他看来，Token化对算力行业的影响是结构性的，过去企业想做推理服务，需要自己租算力或买算力，这是非常重的投入，也无形中承担了算力空置的成本。转换为Token之后，按用量计费，对于中小微企业来讲，投入相对更友好。

当Token成为经济度量衡，Token工厂自然也成为了生产AI价值的地方。在宋志方看来，Token经济的兴起正在重塑算力服务商的竞争逻辑。“Token起来之后，会催生一批基于Token的企业，这批企业不需要去买算力。原来租算力的智能体企业，也可能转向只用Token。”但这并不意味着算力需求减少了，“Token的客户在爆发，算力的需求也在持续爆发，只是需求方更集中了——集中在模型企业、大厂和Token工厂”。

“当然，Token工厂要具备三个要素：成规模的算力、成熟稳定的推理服务、以及用户。”宋志方认为，“只要你能稳定对外提供Token服务，需求是源源不断的。”

Token工厂的概念在本届WAIC上已经具象化成了产品，滴普科技在大会期间了推出了DeepexiOS AI级企业操作系统，该系统定位为企业Token生产力平台，由DeepWorks企业智能体平台、Deepexi 企业大模型、Deepology企业本体数据和Skills集三部分组成，整体为“日常工作入口—企业知识底座—行业Skills集合”的产品结构。

据滴普科技创始人、董事会主席、执行董事兼CEO赵杰辉介绍，基于这一产品结构，企业员工与合作伙伴可通过DeepWorks企业智能体平台入口完成的日常工作，这也会成为企业 AI 能力持续成长的来源：日常工作技能沉淀为企业Skills，DeepWorks企业智能体平台自下而上汇聚企业日常工作的数据、知识与技能。

中科类脑也提出了算电协同Token工厂的概念，中科类脑董事长刘海峰算了一笔账：一个1000P标准算力集群，年度总耗电约2000万度，通过其自研的算电一体化调度平台优化，可节约20%用电量，每年直接减少400万度电力开支。他解释称，行业长期存在一个天然断层：算力研发团队不懂电力调度机理，电力从业者缺乏AI算力底层逻辑，两者数据互通、技术耦合存在巨大障碍。而中科类脑作为国家算电协同标准的牵头编制单位，提前三年布局了这一融合技术，目前已打通全链条。

AI离全民化还有多远？

逛遍了AI应用场景，也看完了底层算力基础升级，上升到价值层面，本届WAIC与会者都在思考一个不可回避的问题：AI到底给企业和社会带来了多少真实价值？

麦肯锡的调研数据常被行业引用：目前有88%的企业在使用AI，但真正在财务上有显著提升的只有5%到7%。WAIC期间的一场“AI创新管理论坛”上，德勤咨询首席增长官黄伟强分享了一个案例：一家拥有三千多家门店的全球快餐连锁品牌，店经理培养需要一年，但离职率超过30%。他们做了一件事：把十个最好的店经理聚在一起，花6~8周时间，用知识图谱把他们的隐性运营经验蒸馏出来，训练成多个Agent。然后把门店里标准化的配货、供应等工作交给AI，店经理则腾出精力去处理那些需要情感沟通和现场决断的事务。结果，一个店经理可以同时管理两三个甚至四个门店。

黄伟强说，这个过程中最难的不是技术，而是员工的顾虑。店经理的第一个反应通常是：“我为什么要训练它？训练完了，我没有工作了。”如何让碳基人和硅基人融合协作，是管理者必须面对的新课题。

回到产业层面，AI的规模化普惠还面临几个现实瓶颈。

首先就是数据。北汽新能源享界超级工厂设备工程部部长李明宇在WAIC期间公开表示，制造业和AI结合时，经常卡在“先有鸡还是先有蛋”的问题上，“你觉得我们的数据质量有问题，我们会觉得AI企业没有提出明确的数据要求。比如建能源模型，采样周期到底应该是多少？电的采样周期是多少？冷热的采样周期是多少？”如果把采样周期做到毫秒级，数据规模会爆炸式增长，但投入产出比是否划算？这个问题常常无解。

其次是ROI问题。李明宇透露，判别式AI在整车制造企业已经用了十年，应用案例成百上千，但五年后回头看，大部分案例没有实现当初承诺的持续效益。原因是工艺变更了，或者设备改造了，个案式的AI方案往往不可复用，导致长期价值打折扣。

最后是风险可控性。AI给出的结论本质上是概率性输出，而传统制造业追求的是可验证、可重复的确定性。“概率性的结论一旦被大规模自动化复制，就会形成系统性的风险，尤其是对于造车这种关乎安全的产品。”某头部造车企业相关负责人称。

这些瓶颈背后，是AI正在从一个能生成答案的模型，变成一套能够理解目标、调动资源并交付结果的系统。一个模型在测试中成功完成一次任务，与一套系统每天处理数万次业务请求，是完全不同的两件事。人工智能从能力展示进入真实生产，需要模型之外的一整套体系，这套体系涵盖了算力如何组织，数据如何流动，工具如何调用，权限如何控制，结果如何评价，错误如何被发现。

前年行业还在关注谁能创造更强的模型，去年行业关注谁能造出功能性更强的机器人，今年行业已经在看谁能把模型用出真正的商业价值。

我们在大会现场问过很多人一个问题：“今年WAIC你最深刻的三个感受是什么？”而其中有两个答案出奇的一致：“热、期待”。热一方面是天气，另一方面是产业火热；而期待则具象在了整个行业对国产算力和AI价值的憧憬。

WAIC的舞台上，AI是主角，但围绕在AI周围的算力、数据、管理、人才和治理体系，一起才构成了这个时代的完整图景。当AI不再是孤例的、只属于一小群人的，当它真正进入全产业链路上，或许就离全民化不再遥远了。

这也正是今年大会最大的启示。