誰能把模型能力轉(zhuǎn)化為持續(xù)、穩(wěn)定、安全的任務(wù)交付，誰能把算力、數(shù)據(jù)和工具組織成可規(guī)模復(fù)制的生產(chǎn)系統(tǒng)，誰才有機會把智能變成產(chǎn)能。
每年的WAIC，都是觀察AI產(chǎn)業(yè)變化的一扇窗口。
深入“打卡”多家互聯(lián)網(wǎng)大廠的展臺后，我們有一個直觀的感受：幾乎所有廠商都把智能體作為核心敘事，涵蓋通用智能體、垂直智能體、智能體開發(fā)等等。AI已經(jīng)跳出了聊天框，開始接手一項項具體工作。
從“回答問題”走向“完成工作”，改變的不僅僅是應(yīng)用形態(tài)，還有互聯(lián)網(wǎng)廠商的能力邊界：一次簡單問答，背后可能只是一次模型推理；而一項智能體任務(wù)，可能持續(xù)數(shù)分鐘乃至幾十分鐘，經(jīng)歷數(shù)十次模型調(diào)用、工具執(zhí)行、文件讀寫、失敗重試，對基礎(chǔ)設(shè)施提出了新的要求。
7月16日的華為互聯(lián)網(wǎng)AI之夜@WAIC 2026，聚集了50多家互聯(lián)網(wǎng)企業(yè)和大模型科技公司，向外界傳遞了一個積極信號：當(dāng)AI從對話走向行動，互聯(lián)網(wǎng)行業(yè)的競爭正在從模型能力走向“生產(chǎn)系統(tǒng)”。
智能體帶來的變化，不只是讓AI多了“手和腳”。
和聊天機器人對話時，用戶輸入一個指令，模型生成一段文字、一張圖片或者一行代碼。如果答案不夠準(zhǔn)確，用戶需要繼續(xù)補充條件，進行下一輪對話。評價標(biāo)準(zhǔn)主要是答案對不對、響應(yīng)快不快。
到了智能體時代，用戶只需要提出一個任務(wù)目標(biāo)，由AI負責(zé)理解需求、制定計劃、調(diào)用工具、訪問數(shù)據(jù)、執(zhí)行操作，并根據(jù)中間結(jié)果不斷調(diào)整路徑，直到交付最終結(jié)果。
“單輪回答”到“自主任務(wù)”的躍遷，看起來只是任務(wù)鏈條變長了，實際上是不同的產(chǎn)品形態(tài)和運行方式。
在華為互聯(lián)網(wǎng)AI之夜上，多家互聯(lián)網(wǎng)企業(yè)“現(xiàn)身說法”。
比如AI Coding領(lǐng)域的TRAE。
2026年以前的AI Coding，扮演的還是輔助角色，在開發(fā)者敲代碼時自動補全下一行，或者根據(jù)指令生成一段函數(shù)。
TRAE揭示了新的方向——將AI從代碼生成環(huán)節(jié)推向完整的軟件工程任務(wù)，需要理解整個代碼倉庫，定位與需求相關(guān)的文件，規(guī)劃修改路徑，編寫代碼，調(diào)用終端，執(zhí)行測試，并在失敗后繼續(xù)排查和修復(fù)。AI Coding的價值標(biāo)準(zhǔn)，不再是“生成了多少行代碼”，而是交付了多少任務(wù)。
比如在Agent戰(zhàn)場火力全開的騰訊。
幾個月前的“養(yǎng)蝦潮”，淋漓盡致地詮釋了：用戶想要的不是更聰明的聊天窗口，而是能夠長期在線的“數(shù)字助理”。
為了讓“龍蝦”從個人體驗走向生產(chǎn)環(huán)境，騰訊的策略可以概括為三步：第一步是持續(xù)運行，通過Lighthouse提供7×24小時在線的云端工作環(huán)境；第二步是能力流轉(zhuǎn)，推出了讓“能力”被發(fā)現(xiàn)、調(diào)用和復(fù)用的SkillHub；第三步是企業(yè)治理，即Agent進入組織后的身份、權(quán)限、成本與安全問題。
再比如智能辦公賽道的WPS。
AI在企業(yè)里的價值，不單單要“幫個人提升生產(chǎn)力”，還要幫“管理者做判斷”，必須要“懂?dāng)?shù)據(jù)、懂組織、懂業(yè)務(wù)”。
WPS Comate試圖解決的，正是企業(yè)級智能體面臨的問題，通過數(shù)據(jù)本體建模、企業(yè)知識和業(yè)務(wù)經(jīng)驗，讓AI自動歸因、下鉆分析并提供進一步?jīng)Q策建議。以經(jīng)營問數(shù)場景為例，管理者不再需要先找數(shù)據(jù)分析師排期，再從多個系統(tǒng)取數(shù)、對齊口徑、生成報表，可以直接用自然語言詢問經(jīng)營異常。
TRAE、騰訊和WPS所屬的賽道并不相同，業(yè)務(wù)體系的變化卻高度一致：AI開始從一個被調(diào)用的功能，變成業(yè)務(wù)流程中的執(zhí)行者。
“代價”是業(yè)務(wù)流量的波峰波谷差異越來越明顯，訓(xùn)練、推理和多模態(tài)任務(wù)相互交織，軟硬件適配和業(yè)務(wù)迭代周期被持續(xù)壓縮......原本圍繞聊天應(yīng)用搭建的“生產(chǎn)系統(tǒng)”，已經(jīng)明顯不夠用了。
過去談AI基礎(chǔ)設(shè)施，行業(yè)最關(guān)注的是算力規(guī)模和峰值性能。
模型參數(shù)不斷增加，訓(xùn)練集群從千卡走向萬卡，算力成為標(biāo)志性的評價指標(biāo)。誰擁有更多卡、更高Flops，似乎就擁有更強的AI生產(chǎn)能力。但在Agent的運行體系里，單純增加計算卡已經(jīng)無法解決所有問題。
在Agent執(zhí)行任務(wù)時，需要保存上下文和記憶，調(diào)用搜索、瀏覽器、數(shù)據(jù)庫等工具，并根據(jù)中間結(jié)果不斷調(diào)整下一步動作。
其中模型推理由計算卡負責(zé)；任務(wù)編排、工具執(zhí)行、文件系統(tǒng)和沙箱環(huán)境需要CPU參與；大量模型參數(shù)、上下文、KV Cache和業(yè)務(wù)數(shù)據(jù)，需要在計算、存儲與網(wǎng)絡(luò)間不斷流動。
打個比方的話：可以把計算理解為發(fā)動機，網(wǎng)絡(luò)和數(shù)據(jù)傳輸能力比作道路，發(fā)動機性能在不斷提升，如果道路不夠?qū)挘囕v難以高效通行，哪怕再強的發(fā)動機，也無法釋放全部性能。
華為給出的解題思路是算存網(wǎng)協(xié)同和“通智協(xié)同”：智算負責(zé)完成模型訓(xùn)練與推理，通算承擔(dān)Agent的任務(wù)編排、工具調(diào)用和邏輯處理，存儲負責(zé)承接模型參數(shù)、上下文與業(yè)務(wù)數(shù)據(jù)，網(wǎng)絡(luò)讓數(shù)據(jù)在不同資源間高效流動。
代表性的產(chǎn)品就是超節(jié)點。
真正意義上的超節(jié)點，絕不是簡單堆卡，需要同時滿足統(tǒng)一內(nèi)存編址、超低時延和超大帶寬，將原本分散的計算、內(nèi)存和存儲里的資源，組織為一個統(tǒng)一的系統(tǒng)，在邏輯上具備“一臺計算機”的特征。
華為是怎么做到的呢？答案離不開自研的“靈衢”互聯(lián)協(xié)議。
不同于只解決了局部互聯(lián)互通的“偽超節(jié)點方案”，靈衢實現(xiàn)了去中心化與多組件協(xié)議統(tǒng)一，可將NPU、CPU、硬盤、內(nèi)存、交換機徹底打通，Agent執(zhí)行任務(wù)時將不再按“PU”區(qū)分任務(wù)類型，讓不同類型的計算資源能夠圍繞數(shù)據(jù)和任務(wù)靈活協(xié)同，數(shù)據(jù)在哪里，計算就在哪里。
為什么要這么做呢？因為可以“原生”滿足Agent的需求。
Agent執(zhí)行的一條連續(xù)的任務(wù)鏈，每執(zhí)行一步，都需要調(diào)用前面已經(jīng)形成的上下文、工具結(jié)果和KV Cache。如果緩存容量不足，系統(tǒng)就要頻繁從遠端存儲讀取數(shù)據(jù)，甚至重新計算此前的上下文，不僅會拖慢每一步執(zhí)行速度，還可能導(dǎo)致Agent丟失中間狀態(tài)，影響長任務(wù)的連續(xù)性。
而靈衢通過HBM、DDR、KVU和SSD在內(nèi)的資源池，實現(xiàn)了多級緩存：正在使用的KV Cache放在靠近計算卡的HBM、DDR內(nèi)存池和KVU里；將暫時不用、后續(xù)可能再次調(diào)用的數(shù)據(jù)，逐級下沉到SSD和遠端共享存儲。進而減少重復(fù)計算、降低數(shù)據(jù)搬運時延，在不過度增加成本的前提下，支撐更多Agent并發(fā)、執(zhí)行更長的任務(wù)。
用一句話來總結(jié)：想要承載智能體時代的用戶需求，AI基礎(chǔ)設(shè)施必須從堆算力，進化到圍繞Agent任務(wù)的統(tǒng)一協(xié)同。
一套新的“生產(chǎn)系統(tǒng)”是否有價值，必須回答三個現(xiàn)實問題：成本是否可控，系統(tǒng)是否穩(wěn)定，價值能否兌現(xiàn)。
麻省理工學(xué)院等機構(gòu)的研究顯示，約95%的企業(yè)AI試點項目，無法真正投入生產(chǎn)環(huán)境，產(chǎn)生可衡量的業(yè)務(wù)回報。原因并非試點效果不夠好，而是推理成本過高、系統(tǒng)穩(wěn)定性不足、適配周期過長，無法形成清晰的投入產(chǎn)出比。
算存網(wǎng)協(xié)同能否跨越技術(shù)可用到商業(yè)可用的門檻呢？我們在WAIC 2026上找到了幾組被市場驗證的案例。
第一個案例是京東廣告。
在大模型技術(shù)的驅(qū)動下，電商廣告正經(jīng)歷深刻的范式變革，加速從傳統(tǒng)的判別式推薦向生成式推薦迭代。但傳統(tǒng)算力架構(gòu)的業(yè)務(wù)全鏈路時延超過300ms，嚴(yán)重制約了廣告業(yè)務(wù)的增收提效。
針對生成式推薦廣告對極致低時延、高并發(fā)與大緩存的嚴(yán)苛需求，京東廣告、京東云與華為基于鯤鵬超節(jié)點全面重構(gòu)了廣告業(yè)務(wù)的算力和業(yè)務(wù)架構(gòu)，將業(yè)務(wù)整體鏈路時延縮短了8%。按照京東的初步測算，每優(yōu)化1毫秒時延，每年可撬動數(shù)千萬元的營收增量。
經(jīng)過618真實流量考驗的算力底座，還可以復(fù)用到量化交易、Agent等對時延、穩(wěn)定性與算力性能要求嚴(yán)苛的場景。
第二個案例是螞蟻靈光。
不同于一行行寫代碼、調(diào)試、部署的應(yīng)用開發(fā)方式，靈光的“閃應(yīng)用”功能允許用戶用自然語言生成可交互的輕量級應(yīng)用：例如“幫我做一個減肥飲食打卡應(yīng)用”，30秒內(nèi)即可生成一個可交互的應(yīng)用。
對于一款3000萬注冊用戶的C端產(chǎn)品，滿足“所想即所得，所得即所用”的體驗絕非易事。螞蟻靈光在技術(shù)層面取得了深度突破：通過全代碼生成、多智能體協(xié)作以及多模態(tài)原生技術(shù)的協(xié)同支撐，讓普通人也能化身為“數(shù)字個體戶”，開啟了全民手搓應(yīng)用的時代。
其中在文生視頻環(huán)節(jié)，螞蟻靈光和昇騰協(xié)同優(yōu)化了算子性能和端到端時延，讓視頻生成性能提升了277%。
可以找到的案例還有很多。
360納米漫劇將劇本、分鏡、畫面和后期制作，組織進工業(yè)級AI智能體流水線，實現(xiàn)3倍速出片的同時，提升了內(nèi)容生產(chǎn)的一致性與可控性；鈦動科技通過營銷智能體連接數(shù)據(jù)、決策和執(zhí)行環(huán)節(jié)，通過全鏈自動化處理海外營銷中鏈路長、變化多的問題，實現(xiàn)了秒級響應(yīng)......
流量規(guī)模大、業(yè)務(wù)迭代快、數(shù)據(jù)高度密集的互聯(lián)網(wǎng)行業(yè)，率先驗證了Agent在生產(chǎn)中的價值。
另一個不應(yīng)被忽略的信息是：互聯(lián)網(wǎng)廠商不只是基礎(chǔ)設(shè)施的使用者，他們聯(lián)合華為開發(fā)的算子、優(yōu)化的框架、完善的工具鏈，正在以開源的方式開放給所有開發(fā)者，讓AI“生產(chǎn)系統(tǒng)”演變?yōu)槿巳丝捎玫墓材芰Α?/span>
正如WAIC 2026所折射的，互聯(lián)網(wǎng)正在進入一個新的階段：模型依然重要，但模型不再是全部，需要的是一整套系統(tǒng)能力。
上層，需要能夠完成任務(wù)的Agent和應(yīng)用；中層，需要把數(shù)據(jù)、知識、權(quán)限和流程組織起來；底層，需要通算、智算、存儲和網(wǎng)絡(luò)協(xié)同運行；以及一個讓模型、硬件、軟件協(xié)同進化的開放生態(tài)。
未來互聯(lián)網(wǎng)的競爭，不會發(fā)生在模型榜單上。誰能把模型能力轉(zhuǎn)化為持續(xù)、穩(wěn)定、安全的任務(wù)交付，誰能把算力、數(shù)據(jù)和工具組織成可規(guī)模復(fù)制的生產(chǎn)系統(tǒng)，誰才有機會把智能變成產(chǎn)能。
《智駕行業(yè)的2026上半年》
《一座制造業(yè)城市的AI躍遷》
《AI一體機迎來價值重估》
《百度智能云跑出增長曲線》
點“推薦”，變好看哦。
