在 WAIC 2026 的最后一天，InfoQ 直播间迎来了一场特别的圆桌讨论。过去的三天里，镜头带进了主论坛、展区和一线发布现场，对话了各路技术负责人、创业者、投资人和 AI Builder，从大模型、Agent，聊到具身智能、AI Infra、AI for Science，几乎每一个热词都被重新聚焦了一遍。

然而，在行业喧嚣的背后，从业者需要回归理性与本质：哪些变化真的发生了，哪些还只是 Demo、概念和资本故事？AI 到底是在重写工作流、产业链、技术范式，还是只是用新的语言重复上一轮技术周期？

围绕这个问题，InfoQ 邀请了四位来自不同领域的专家：

上海交通大学人工智能学院教授、源络科技创始人连文昭，长期关注具身智能与机器人产业落地；
语生科学首席科学家郭权玮，身处在产研孵化一线，判断 AI 真需求、本地智能体和新模型范式；
扩散智能联合创始人、香港大学博士生龚珊三，从扩散语言模型和基础模型路线切入创业；
未可知人工智能研究院院长、前红杉资本中国基金投资副总裁杜雨，带来资本周期、商业化和产业收入视角。

这场讨论不仅复盘了 WAIC 的热闹，更试图将热词放回真实场景中检验：AI 是否真的改变了人的工作方式？哪些应用已经进入业务生产？具身智能离“稳定干活”还有多远？Scaling Law 之后，模型范式会往哪里走？未来一年，钱、人才和算力又会流向哪些方向？以下是圆桌的实录整理。

一、AI 在重写什么

01｜InfoQ：过去几天，带着问题在 WAIC 现场走了很多展台，也和来自不同公司的嘉宾聊了许多变化。今天这场收官圆桌，想请大家一起回到一个核心问题：AI 到底正在重写什么？它可能是一个场景、一条生产链，也可能是一种工作方式。过去一年或半年里，哪件被 AI 重写的事情让你印象最深？

连文昭：我认为 AI 首先重写的是“速率”。很多事情的完成速度被重新定义了，比如编程，以前可能需要很久，现在效率可以提升 10 倍、20 倍，甚至更多。内容生成也是一样，文字、视频、宣传物料等，都在以指数级速度提升。

但我更期待 AI 重写的是“边界”。现在很多 AI 的价值还是把人本来要做的事情做得更快，但我更希望它去做人不愿意干、或者人干不了的事情。比如 AI for Science 里，AlphaFold 就是一个典型例子，它把过去很难解决的蛋白质结构预测问题变成了可能。

再往后，我更期待 AI 从数字世界走向物理世界。具身智能为什么重要，是因为过去工业机器人主要面向结构化、确定性的生产环境，通过预设程序完成高重复性任务。但未来智能机器人如果能进入不确定、开放的环境，比如家庭、服务、养老等场景，它真正扩展的是人类能力的边界。

郭权玮：AI 正在重写我们的工作和生活方式。过去做 PPT，需要打开特定软件，手动调整格式和内容；现在，可以通过智能助手直接生成、修改，甚至重塑整个工作流程。

但更关键的变化是，我们正在从完全依赖云端，走向“在本地端就能完成”。“破圈”很重要。以前 AI 几乎是程序员群体专属，但现在普通人也可以用它写歌、做创作。问题在于：你是否愿意把自己的数据、记忆和文件都上传到云端？本地模型的兴起，正是为了守住隐私。

所以在我看来，AI 重写的核心，不只是 AI 能做什么，而是你如何定义自己的工作模式。而这个模式能不能成立，取决于你是否信任它、是否愿意把数据交给它。比起“AI 能做什么”，我更关注“怎么用”，以及它如何真正走进普通人的日常。

龚珊三：我会从更具体的科研和技术角度来看。过去一年，AI 的 Coding 能力提升非常快。以前它可能只能完成一些简单代码任务，现在已经可以参与更长程、更底层的任务，比如模型 serving、infra 相关工作，甚至可以自己写加速算子。

在科研里，我们现在也基本离不开 AI。它是一个非常好的执行者。未来如果它的思维方式和 planning 能力进一步提升，再配合已经很强的执行能力，就有可能逐步参与更前沿的科学研究，甚至帮助人类开展更复杂的探索。

杜雨：我对“重写”这个词的理解可能不太一样。很多人会把它理解成重新改写，但我第一反应是“重复写”。AI 确实改变了一些事情，但从商业规律看，它也在重复互联网时代的路径。

移动互联网大概经历过三波浪潮：第一波是芯片公司受益；第二波是云计算和设备层；第三波才是应用层。现在 AI 也有类似节奏：底层算力最先赚钱，中间是云和设备，最后才会轮到真正贴近消费者的应用。

今年 WAIC 的场馆结构也很有意思。H1 更多是大模型和应用，H2 是算力和芯片，H3 则是具身智能。从现场体感和参展结构来看，今年 WAIC 几乎可以说是“世界具身智能大会”。在我看来，具身智能更像移动互联网时代的 iPhone 或三星，是设备层。未来如果每个人家里都有机器人，真正更大的市场，可能不是这台机器本身，而是围绕机器人的每一个动作、每一个能力、每一个服务产生的应用生态。

二、需求真伪

02｜InfoQ：AI 用多了以后，大家会不会担心自己的某些能力退化？过去需要自己思考和完成的事情，现在 AI 直接给出答案，这会不会削弱人的能力？

连文昭：一些机械性的、辅助性的事情可以交给 AI，但核心的创造力、拓展边界、提升维度这些事情，我认为 AI 还是比人差不少。真正关键的东西，还是要人自己去做。

郭权玮：这个时代的关键，是你怎么思考问题、定义问题，以及是否真的清楚一件事该怎么做。AI 很难替代真正的专业人员。

比如创作漫画，作为编辑，最重要的永远是故事本身。你可以用 AI 生成很多画面、很多版本，但故事属于你自己。你得清楚自己要做什么，也要知道过程中每一步怎么验证，什么是对，什么是错。这才是比工具更值得关注的能力。

龚珊三：从我的使用体验来看，AI 确实比我知道得多，但我不认为它会替代我。尤其做科研，需要完整、严密的思维方式。AI 可以回答问题，但能提出好问题、能发现关键细节，这本身不是所有人都具备的能力。

我也会有一点担心：我们这一代人在 AI 大规模普及之前，经历过比较严谨的科研训练。但现在更年轻的一代，可能一开始做研究就有 AI 帮忙，这会不会让他们跳过一些本该经历的训练？这件事还不好简单判断。

杜雨：我反而很感谢 AI。做自媒体时，发现自己有很强的知识诅咒，经常不知道大众不知道什么。我会使用很多自己以为大家都懂的专业词汇，但网友未必能理解。用了 AI 之后，它能帮我把专业内容讲给更多没有背景知识的人，我的视频数据也变好了。

所以我觉得 AI 不只是语言之间的翻译，它也在帮助不同学科背景、不同教育背景、不同城市的人互相理解。这不是重写，而是增强。

三、落地路径

03｜InfoQ：现在很多 AI 产品、机器人和解决方案都在展示。大家看来，哪些已经真正进入业务生产？哪些热度明显高过实际落地价值？

杜雨：感触最深的是，大厂的一些业务已经实实在在产生收入。比如 AI 生成内容，我们讲了好几年，但从过去一两年的数据看，XXX、XXX、XXX 等 AI 相关业务都在快速增长，而且不是只有用户增长，而是收入增长。收入增长说明用户愿意为它付费。

具身智能也一样。像宇树，从招股书披露的信息看，机器人业务收入增长很快，而且已经有利润，并不是大家想象中的纯烧钱。所以用户是在用脚投票的。

但每个赛道里也有伪需求。有些公司打着 AI 或机器人旗号，但到现在没有收入，或者亏损远大于收入。到了 AI 下半场，企业必须更认真地思考：你的用户核心场景到底是什么？到底有多少人愿意为什么样的价值付钱？

另外，AI Coding 和办公智能体也已经在进入真实工作流。很多大厂都提到，代码中相当一部分已经由 AI 参与协作完成。写代码正在从程序员专利，变成一种新的工作方式。问题在于，目前 AI 服务的经济账还没完全算明白。搜索时代每次查询成本很低，但 AI 问答的推理成本高得多。如果技术不能继续突破，很多公司会面临越多人用、亏得越多的压力。

龚珊三：我觉得真实需求主要集中在 Coding 和日常办公场景，比如帮你写代码、做 PPT、生成网页等，这些确实极大便利了学习和工作。

伪需求则是有些产品没有真正用语言模型解决问题，只是和 AI 扯上一点关系，就开始讲故事。用户真正用过之后会发现，它和以前并没有本质区别，甚至有点多此一举。这类产品更像是为了吸引消费者或资本注意，而不是真正解决需求。

郭权玮：我判断 AI 能否真正进入生产，关键看它有没有改变企业或个人的习惯。

比如 XXX，它提出了一个很有意思的概念，叫 Ontology。它会派驻很多 FDE，也就是 Forward Deployed Engineer，直接进入企业现场，了解这家公司的人员配置、设备情况、工作流程和验证标准。只有把这些搞清楚，AI 才能真正在企业里用起来。只是给一个框架让企业套用，很可能就是伪需求。愿意深耕一个领域、做出实质改变，并且客户愿意买单，这才是真需求。

相对而言，我认为“数字员工”这类概念里有不少伪需求。比如用 AI 模拟 HR、行政等岗位，但每个岗位都有自己的 know-how，不可能靠一个 prompt 或简单流程就完全替代。每项工作都有细致流程和验证标准，如果没有办法梳理清楚每个人的 know-how 和验证逻辑，就很难说真正做出了一个“数字员工”。

连文昭：我主要从具身智能角度看。现在像宇树这类做 locomotion，也就是底盘、双足、四足、轮式移动能力的公司，已经在进入一些真实场景。比如舞蹈表演，看似是展示型应用，但它满足了真实的演艺需求，也体现了机器人在人机交互和情绪价值方面的探索。

但我更关心 manipulation，也就是机器人灵巧操作。这一直被认为是机器人领域的圣杯。机器人能不能在开放、不确定的场景里完成精细操作，这是更难的事情。过去工业机器人适合在工厂里重复运动，但一旦流程经常变化，比如家庭、实验室、服务等环境，非智能方式就很难解决。

判断具身智能是否真正落地，有一个简单的标准：把机器人推到客户那里，工程师走了以后，客户第二天愿不愿意自己开机？如果机器人帮忙少、添乱多，它就会吃灰。只要客户愿意持续使用，就证明它确实有价值。

四、范式拐点

04｜InfoQ：从 Demo 到产业化，具身智能到底卡在哪里？以源络科技为例，为什么会选择 AI for Science、生物医药和实验室这类场景？

连文昭：源络科技现在主切的是 AI for Science，包括生物医药、生化环材等行业里的实验室研发和分析检测场景。这是一个室内场景，之所以选它，是因为它同时符合两个条件：第一，人不愿意干、人干有危险，或者人干不好；第二，它是高价值场景，能承受目前机器人还比较高的成本。

在生物医药和实验室里，很多工作是高学历研发人员在做脑力加体力劳动。他们一边设计实验，一边根据实验结果调整操作，很难把脑力和体力完全拆开。结果就是，高价值的人在做大量低价值、重复性的体力工作。

更重要的是，人做实验很容易出错，且不可复现。在生命科学等复杂实验领域，实验条件、操作习惯和环境变量都会影响结果，提升实验流程的标准化和可重复性，一直是科研和产业共同关注的问题。机器人如果能稳定完成实验操作，所有动作都可以数字化记录，而且 24 小时持续工作，就能从根本上提升实验的一致性和可复现性。

从具身智能研发角度看，这也是一个很好的练兵场。实验室任务往往是长序列，有几十步甚至上百步，每一步又要求精细操作。如果我们能解决这些问题，未来去做家庭、服务等场景，很多能力就可以降维迁移。

05｜InfoQ：对于 AI 应用而言，如何识别一个场景是真需求，而不是为了新技术生造出来的需求？

龚珊三：我觉得首先要切身使用，站在消费者角度去感受自己是否真的有需求，也要看周围的人是否有类似需求。人的需求其实很多，也不难发现。比如家务机器人、写代码、做实验、办公文档，这些都是很真实的场景。

我们做的是偏基础模型的方向，但现在基础模型和应用也走得非常近。一家基模公司，很多时候同时也是应用公司。从追求 AGI 的角度看，我们追求的是更高智能上限。只要技术上能够实现更强能力，它就一定可以进一步满足更多真实需求。

郭权玮：我想先泼一盆冷水。技术每天都有新进展，但如果为了某个新技术去制造一个需求，Demo 可以做得非常漂亮，但落地往往不行。

真正应该做的是“Neo Lab”式思路：先调研，确认用户到底需要什么，再去研发。我现在特别关注本地智能体和本地大模型，就是因为它来自一个真实且普遍的痛点。我们每天都在用各种智能助手，数据、文件、聊天内容都被它看到。如果你是金融、法律、投资或科研从业者，你既需要 AI 能力，又不想把敏感数据传上云端。企业也一样，不愿意一直连海外 API。

这个矛盾催生了本地部署的刚需。现在硬件也在迭代，已经有设备可以在本地跑不错的模型。但这中间还要解决几个问题：模型和智能体框架要磨合，包括记忆系统、上下文、知识库；推理引擎也要优化，让本地运行速度足够舒服。用户其实不关心你用了什么技术名词，他只关心这东西能不能干活、能不能让我安心。

本地部署的价值在于，数据留在自己的机器上，花的是自己的算力。甚至可以趁你睡觉时扫描电脑，理解你的资料，把网络一关，也不用担心数据上传。所以对我来说，本地 AI 是一个极其真实的需求。

杜雨：观察到，中国市场的 AI 需求变化非常快。2023 年时，很多企业家的诉求是“怎么部署 AI”，当时很多人甚至分不清开源和闭源，只是觉得 AI 很强，先部署起来再说。那时比较多的是部署 XXX 之类的开源模型。

到了 2025 年，XXX 出来后，企业发现可以不用海外开源模型，但新的问题变成了幻觉。所以那一年增长很快的需求，是本地知识库，帮助企业减少幻觉。

到了 2026 年初，又出现了 GEO 需求。消费者开始越来越多问 XXX、XXX：这个品牌好不好，奶粉买哪个？企业发现 AI 的答案可以被干预，于是开始做内容，影响 AI 上游数据源。

所以中国市场一直有生意机会，但生意生命周期很短。创业大概有两种模式：一种是“难而正确的事”，比如 XXX、XXX、XXX、XXX、XXX 这类，门槛越来越高；另一种是大量“低垂的果实”，很多从大厂出来的人都在接企业真实诉求，靠卖产品赚钱。两种模式没有高低，关键是根据自己的能力和业务禀赋来选择。

五、钱往哪儿流

06｜InfoQ：现在基础模型能力还在继续摸高，但也有人认为边际效应在收窄。投入越来越大，收益是不是越来越小？基础模型的提升曲线还会继续陡峭吗？

龚珊三：要看对象。对普通用户来说，很多模型已经够用了。比如 XXX 既能提供情绪价值，又能回答很多知识问题，幻觉问题也在逐渐缓解。对普通用户来说，今天的大部分模型基本已经可以满足很多需求。

但像 XXX、XXX 这样的公司，追求的是更高的智能上限，是出于对 AGI 的追求。这可能带来短时间内难以想象的变化。比如模型可以自我迭代、自我进化，可以发现人类还没有发现的东西。历史上，牛顿、爱因斯坦这样的伟大科学家推动了科学进步，科学进步又带来技术进步，最终造福全人类。如果模型真的突破人类智能极限，发现新的科学原理、材料、芯片设计方式，那可能会带来完全不同的世界。

郭权玮：从产业研发角度看，个人认为由 Scaling Law 主导大模型的时代基本已经结束了。现在很难再靠堆大量数据带来巨大跃迁，接下来要看有没有新范式、新结构。

观察到一个方向是，不要再孤立地看单个模型，而是构建模型生态系统，让多个模型彼此调配协作。比如日本 XXX 的 XXX，可以调度不同公司的模型 API 去执行任务，效果会有明显提升。如果再进一步，让这些模型在工作过程中参数可以相互影响、共同演变，那整个生态会变成一种全新的形态。

问题可能不只在参数多少，而在于如何在有限计算单元里，把智能深度做透。人类大脑皮层也只有十几个 billion 的神经元，但人可以进行很深层的思考。

大约两年前就开始关注扩散语言模型。扩散语言模型可以分为离散扩散和连续扩散。过去几年离散扩散更受关注，最近何恺明团队又在推动连续扩散，相当于让扩散模型范式发生新的变化。但自回归和扩散不一定要二选一，可以结合起来。自回归模型基于上下文逐步生成，前文会影响后文，因此因果关系很强；扩散模型则以 block 为单位，在去噪和还原过程中，中间状态可以不断修改。如果把自回归的前后依赖能力，和扩散模型可以反复修改的特点结合，可能会得到更好的效果。

也在和中科院合作研究类脑神经网络。面对几百万、几千万 token 的超长上下文，压缩之后可能会丢失很多信息。在探索，能不能借鉴类似人脑神经突触的连接方式，把信息关系绑定得更好，进一步提升模型能力。当然这还属于研究项目，也可能会结合混合注意力等方法。核心观点是：技术路线是多样的，关键是选择更合适的技术，拿到自己的场景中使用。

龚珊三：补充一点。扩散语言模型和自回归模型在思维方式上是不一样的。自回归模型通过 reasoning 生成很长内容，是一个 token 一个 token 往后生成，这意味着效率不一定高。扩散语言模型关注的是思考深度。人类有时并不是在脑子里把每一个字都说出来，而是有一种隐式的、latent reasoning 的过程。连续扩散语言模型在高维空间中反复变换、迭代修改，和这种隐式思考有一定相似性。

从实验经验看，扩散语言模型在端侧推理上也有优势。现在很多自回归模型是在云端 serving，通过 batch 处理大量用户 query。但扩散语言模型在 batch size 等于 1，也就是只服务一个用户时，速度优势更明显。这刚好契合本地模型，因为本地模型就是为单个用户服务。

07｜InfoQ：具身智能里，VLA 和世界模型是两个常被讨论的路线。你更倾向哪一个？为什么？

连文昭：觉得大家有点过度抽象了。很多时候大家希望提炼出一条路线，但一旦抽象过度，结论往往容易错。VLA 和世界模型各有优势，但很可能两者都不是物理 AI 最终需要的答案。

VLA 的优势是语言带来了很强的泛化能力。比如训练时抓过某种圆瓶子，换成另一种瓶子、不同颜色的瓶子，也可能可以泛化。但它的问题是，模型大量参数空间可能都在建模文本语言，这对物理世界未必合理。

世界模型则更像锚定在图像上，通过预测未来图像或像素空间变化来理解世界，也可以把动作接进来，这确实比纯语言往前走了一步。但它仍然基于二维图像像素空间。物理 AI 的复杂之处在于，输入空间和输出空间是不一样的。文本是输入文本、输出文本；图像是输入图像、生成图像。但机器人可能输入视觉、语言、力、本体状态等多种模态，而且带宽和频率都不同；输出则是各个关节的高频控制。

所以最终不是简单选择 VLA 或世界模型，而是把每条路线里有价值的东西沉淀下来。VLA 带来泛化，世界模型带来对隐空间的约束和预测能力。最终可能是取各家之长，再往上聚合成一个大系统。

而且真正部署机器人时，模型只是庞大链路中的一个点。还包括数据怎么采、怎么洗、怎么标注，硬件如何保证可靠性和重复精度，模型推理如何实时，如何设计兜底方案，部署成本怎么降低，末端执行器怎么调整等。物理 AI 更像一个登月工程，不是一个单点模型问题。

08｜InfoQ：这个过程会不会类似几年前的智能驾驶？一开始大家想做整车，后来发现做智驾解决方案更现实。具身智能会不会也出现类似趋势？

连文昭：这个类比很好，但机器人比智驾更难。智驾的问题定义相对清晰，基本是从 A 点到 B 点移动，要安全、舒适地完成。它可以比较明确地约简成一个控制问题，输出加速、减速、方向盘控制。

但机器人、机械臂、移动机械臂、人形机器人面对的问题往往是不清晰的。不同场景完全不一样：打磨、切割、抓包裹、搬箱子、实验室里的试管、配液、动物实验、植物实验，每一类任务都不同。这涉及更接近人类级别的常识，而不是一个简单控制问题。所以具身智能的难度，可能比智驾更高。

五、钱往哪儿流

09｜InfoQ：对投资人来说，问题可能没有那么复杂，核心还是有没有市场、有没有用户、多少人愿意为什么价值付钱。但在 AI 时代，早期投资是否还会为账本之外的东西买单？会为什么样的东西买单？

杜雨：也想借这个机会给科学家背景的创业者做一个小科普：早期怎么拿到投资人的钱。投资人不是每天扎根科研的人，人脑都喜欢简单的东西。

以世界模型为例，李飞飞有一篇很知名的综述，把世界模型分成三个部分：第一是看见，第二是理解，第三是行动。看见对应渲染器，理解对应模拟器，行动对应规划器。

在一个赛道早期还没有赚钱时，基金会做 mapping，也就是画地图。这个地图来自行业 KOL 的观点，也来自看了大量项目之后形成的逻辑。创业者也在影响这张地图。投资人会问：你怎么看这个行业 5 年、10 年后的样子？为什么你选择这个位置？同样的问题问十个创业者，答案会有高低，但也会形成共性。投资里有一个不难的地方：当你扫赛道时，如果问很多创业者“你最佩服的竞品是谁”，某一个名字被反复提及，那它大概率是必须要看的项目。

10｜InfoQ：未来一年，钱、人才、算力和硬件等生产要素会往哪里流？

杜雨：从融资数据看，2026 年上半年融资排名靠前的公司里，有不少和世界模型相关，也有很多和机器人相关。虽然大量资金仍然流向大语言模型，但那些通常是已经上岸的公司，比如 XXX、XXX、XXX 这类。

如果看早期项目，观察到大量项目都在世界模型、机器人、物理 AI 方向。现在这些概念之间边界还比较模糊，很难严格区分物理 AI、世界模型和机器人，但总的趋势是，资金正在往现实世界走。

龚珊三：基模方向仍然会持续投入，但大家确实会逐渐转向更应用的东西。以扩散语言模型为例，是国内第一家专注扩散语言模型的公司，美国也有一家直接竞对。现在很多大厂也在小规模探索，比如 XXX、XXX，国内的 XXX、XXX 等都有团队在看这个方向。

所以在探索不同智能范式、不同语言模型建模方式上，大家仍然愿意投入。只是现在有很大一部分注意力被具身智能吸引过去了。我们也认为具身非常重要，而且扩散语言模型也可能为具身智能提供一个很好的智能基座。

郭权玮：看好的，是本地 AI 这个还没有被充分定价的方向。接下来一年，隐私和成本这两大痛点，会推动本地 AI 概念变得越来越强。投资人现在可能还没有完全意识到，但判断半年到一年后，它会成为投资主力之一。

本地 AI 本质上是一套 Agent 基础设施。它把模型、智能体框架、推理引擎、知识库和数据层打包在一起。做扎实之后，可以延伸到 AI Science、医疗、金融、法律等各个垂直领域。

这已经不只是 XXX 那种深度驻场定制，而是一套通用且完善的基础设施，再去适配不同企业。海内外目前还没有特别明确的标的，但认为这就是未来。模型 size 只是一个参考，没人真正关心参数大小，大家只关心一件事：这东西到底能不能把活干好。

连文昭：觉得现在国内很多投资是共识投资，大家容易一窝蜂往一个方向上冲。美国硅谷最有价值的地方，是它容许多样性，鼓励不同方向。希望未来国内也能有更多资金和人才，透过噪声看本质。

回到机器人，本质还是那个标准：你能不能把机器人推到客户那里，第二天客户愿不愿意自己开机使用。未来无论是资金还是人才，相信都会有越来越多人愿意投入到真正能解决本质问题的方向上。