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。
（文｜Leo 张 ToB 杂谈，作者｜张申宇，编辑丨杨林）
