7月17日晚，在2026世界人工智能大會（WAIC）舉辦期間，由騰訊新聞、騰訊科技主辦，騰訊華東總部、騰訊雲智能特別支持的“騰訊WAIC之夜”在上海舉行。
這是“騰訊WAIC之夜”連續第二年與行業人士相約浦江。今年的活動以“AI的下一程（The Next Wave）”爲主題，邀請近百位來自大模型、算力、智能終端、機器人、空間智能、視覺生成和投資機構的企業家、研究者與一線實踐者登船交流。
圍繞Tokenmaxing退潮之後的產業變化、Agent進入企業帶來的組織重構、AI從數字世界走向物理世界的現實阻力，以及世界模型可能開啓的新範式，嘉賓們展開了兩個多小時的分享與討論。
01
從調用更多Token，到沉澱組織能力
騰訊新聞負責人何毅進在致辭中表示，過去一年，模型能力繼續提升，Agent加速從概念走向實踐，具身智能也在不斷取得新進展。與此同時，成本、效率、可靠性、商業模式和組織變革等問題，開始比單一的模型指標更受關注。
他認爲，AI的“下一程”不只是參數繼續增加或產品數量繼續增長。當AI走出聊天框，進入真實業務、真實組織和物理世界，一批在實驗室階段不明顯的問題正在浮出水面，比如說企業如何控制Agent的使用成本，如何評估它的效率，消耗的Token能否轉化爲組織資產。
當Agent參與實際流程，哪些任務可以自動完成，哪些環節必須由人確認，出現錯誤後又該由誰負責。
何毅進指出，如果只是把Agent接入原有流程，效率提升很快會碰到上限。未來企業之間的AI差距，未必只取決於誰能獲得更先進的模型，也取決於誰能把自身積累的知識、規則和經驗，轉化爲模型可以理解、調用和複用的上下文。
過去兩年，騰訊新聞持續推進“資訊+AI”戰略。在生產端，AI被用於內容創作與審覈。在消費端，“新聞妹”的伴隨式問答和“AI電臺”的對談式語音互動，正在帶來新的資訊體驗。與此同時，騰訊新聞也在建設AI中臺，將實踐中積累的能力沉澱爲Skills、MCP、Agents和知識庫。
“對騰訊新聞而言，AI的下一程，不是使用更多模型、調用更多Token，而是讓一次次應用沉澱爲組織能力，讓生產效率進一步轉化爲用戶能夠真實感知的資訊體驗。”何毅進說。
02
議題一：Tokenmaxing的終局，超級個體之後組織如何跟上
在騰訊科技高級編輯、AI未來指北主理人郭曉靜主持的首場圓桌中，崑崙萬維董事長兼CEO方漢、出門問問創始人兼CEO李志飛、沐曦股份聯合創始人兼CTO楊建，圍繞模型、產品與組織三個層面，討論了Tokenmaxing退潮後的新問題。
李志飛分享了出門問問過去一年圍繞AI編程調整組織的經歷。隨着個人藉助AI完成任務的速度大幅提升，他很快發現，“超級個體”並不等於“超級組織”。當少數人已經能在半小時內完成過去以周計算的工作，團隊仍沿用原來的排期、分工和協作方式，個人效率無法自動轉化爲組織效率。
在他看來，判斷一家企業是否真正AI原生，有兩個直接標準。一是Agent是不是主要生產力，甚至被當作“正式員工”。二是組織內部能不能做到多人共同指揮多個Agent協作。
AI進入公司之後，產品、設計、研發、運營等崗位的邊界會重新劃分，工作流也將從線性接力轉向圍繞原型快速迭代。與過去依賴規模效應不同，AI應用未來更需要數據壁壘和網絡效應。
楊建則從知識生產的變化談起。他判斷，越來越多“解題型”的腦力勞動將交給模型，人需要把重心轉向發現問題和定義問題。
這意味着企業引入Agent，不能只靠員工自發嘗試，而要重新梳理崗位職責，爲數字員工定崗，並在權限、審覈和沙箱隔離等方面建立規則。相比激進地壓縮人員，他更傾向於通過組織調整和跨團隊流動，讓員工找到更適合AI時代的位置。
方漢認爲，Claude Code等新型Harness放大了模型在長程任務中的能力，也讓AI編程的Token消耗快速增長。但他提醒，產能增加的另一面是技術債和代碼質量風險。崑崙萬維在實踐中把學習型Agent放進工作羣，持續整理討論和項目記憶，並通過共享規範減少重複犯錯。
現場談到“AI寫代碼後，人還要不要看代碼”時，嘉賓給出的答案是，不手寫，不等於不審查。最終責任仍然在人。
對於下一階段該把資源投向哪裏，三位嘉賓也給出了不同選擇。
李志飛和楊建更看重產品，希望把模型能力轉化爲真實用戶價值。方漢仍然看好模型Scaling在世界模型、視頻、音頻和具身等方向的空間。
但三位嘉賓都認爲單純增加Token已經不能解釋企業的AI競爭力，產品閉環、組織協作和工程體系正在成爲新的變量。
03
議題二：AI進入物理世界，會動之後還要會幹活
第二場圓桌由同創偉業智能終端投資負責人王晶主持。傅利葉創始人兼CEO顧捷、大漠大智控董事長劉漢斌、浩瀚創始人兼CEO陳敏，從康復機器人、低空集羣和智能影像三個場景，討論AI如何真正進入物理世界。
顧捷用一句話點出了具身智能當前最直觀的落差：“會動不代表會幹活。”機器人跳舞、奔跑，主要是在控制自身狀態，但拿起水杯、攙扶老人或完成康復訓練，卻要觸碰並改變真實世界。文本和視頻可以重新生成，機器人一旦參與現實操作，就必須承擔後果。
這要求模型不僅要具備生成能力，還要處理觸覺、重量、空間座標和人的意圖，並與可靠的本體結合。
在顧捷看來，機器人的“GPT時刻”可以有一個具體標準：在沒有見過的空間裏，機器人能夠自主走到一杯沒見過的水面前，穩定地拿起它，再遞到人手中。
傅利葉從康復醫療切入，十年來持續積累人與機器人接觸、協作的數據和經驗。比炫目的演示更重要的，是長期可靠性、真實交互和用戶信任。
劉漢斌把無人機視作空中的具身智能體。大漠大智控正在把無人機燈光秀背後的集羣控制能力，延伸到空間三維重建、GPS拒止環境下的自主飛行、多機協同、毫秒級決策，以及隧道、橋樑、山谷和叢林等非結構化場景。
他認爲，安全是低空智能體的入場券，飛行數據和智能化等級決定了企業能進入多大的市場。
陳敏則從消費級智能影像談端側AI的變化。過去，用戶需要通過手勢、框選等方式啓動拍攝。現在，設備開始理解拍攝場景、人物表情和情緒，逐漸從“半自動工具”變成隨身攝影師。
下一步的瓶頸，是如何在電池供電的終端上，以更低功耗運行更大的模型。隨着專業拍攝能力逐步被端側AI標準化，真正的差異將來自對用戶場景的理解、持續積累的數據，以及軟硬件和供應鏈的協同。
三位嘉賓的業務相距很遠，卻反覆談到相同的幾個詞：安全、可靠、場景、數據和信任。這說明，物理AI的競爭看的是產品能否長時間工作，能否在真實環境中完成任務，出了問題能否被控制。
04
議題三：Agentic AI之後，下一範式是什麼
收官圓桌由雲啓資本管理合夥人陳昱主持。羣核科技聯合創始人兼董事長黃曉煌、生數科技聯合創始人兼CEO駱怡航、北京銀河通用機器人聯合創始人兼大模型負責人張直政，圍繞空間智能、世界模型和Physical AI展開討論。
黃曉煌認爲，大語言模型已經進入資本密集型競爭階段，純軟件和通用Agent很容易被基礎模型能力覆蓋。羣核科技選擇的方向，是讓模型生成一個可以交互的世界。他將當前世界模型的路徑概括爲兩類：一類依賴結構化數據和物理仿真，另一類依賴大規模視頻學習。兩條路線可能共享大部分基礎工作，但在如何理解物理規律上仍有分歧。
駱怡航提出，下一代範式可能是面向物理世界的通用模型。它需要完成從感知、理解、預測到行動的閉環，也很難由單一路線實現。
視頻、物理強化數據、本體數據、觸覺信號和強化學習，都可能進入同一套訓練體系。當前模型在長程任務、失敗恢復和動態決策上仍有明顯短板，但他判斷，通用世界模型正在出現早期跡象。
張直政則把變化概括爲從Digital AI走向Physical AI。過去的大模型主要通過離線數據學習，但能夠與物理世界可靠交互的模型，需要先學會行動，再從持續交互中學習。
他認爲，一個完整的世界模型至少要具備三種能力：預測動作會怎樣改變環境，利用這種預測幫助策略學習，並判斷行動結果是否符合目標。
對於物理AI何時落地，張直政給出了更激進的看法：不必一開始就追求“什麼都能做”的全面通用，可以先在有限空間內實現足夠的泛化。
自動駕駛、特定產線、太空艙或一間房間，都可能成爲物理智能體率先形成產品閉環的“縮小版世界”。
三位嘉賓沒有就技術路線達成統一答案。物理仿真與視頻學習如何融合，模型與Harness會不會最終合爲一體，Digital AI與Physical AI能否走向統一，仍是開放問題。
05
特別分享：從一個人到一支隊伍，AI如何重寫生產力
WorkBuddy產品專家汪晟傑在特別分享中，將組織競爭力概括爲一個公式：人才密度乘以AI槓桿，再除以組織摩擦。
他覆盤了團隊從單點工具、個人Agent走向協作系統的過程。AI讓一個人具備獨立完成產品原型的能力，也帶來了大量重複應用、重複代碼和難以維護的業務邏輯。上下文質量接近於零時，再強的模型也只能消耗更多Token，無法形成有效產出。
因此，從“一個人就是一家公司”的OPC走向“一個團隊就是一家公司”的OPT，關鍵不只是給每個人更多Agent，而是建立共識與交付機制。需求、文檔、代碼和項目經驗需要成爲團隊可共享、可版本管理、可複用的資產。不同Agent之間也需要明確目標、邊界和交接協議。
汪晟傑把超級團隊的生產力歸納爲“共識密度×交付密度×資產複利”。這三個要素中任何一個接近於零，個人效率都很難被團隊放大。
組織真正要解決的，不是讓AI跑得比人更快，而是降低人與人、人與Agent以及Agent之間的摩擦。
06
白皮書發佈：Agent“入世”之後，競爭轉向分配規則
活動現場，騰訊科技旗下企鵝智庫正式發佈《2026 Q2 AI趨勢報告：Agent進入世界後遇到的大考》。企鵝智庫高級研究員郝博陽介紹，這份報告希望留下一個可信的時代切片，爲正在形成的變化命名和解釋，把研究者、創業者、企業與普通人關心的問題放進同一張地圖，並提出下一階段值得持續討論的議題。
報告認爲，如果說2026年第一季度，市場開始更廣泛地認識到Agent及其能力，那麼到了第二季度，Agent已經離開實驗室，進入企業、設備、雲環境和真實工作流程。外部環境、組織習慣和產品訴求帶來的摩擦，也隨之成爲產業重新設計的起點。
報告提煉了八個趨勢，覆蓋入口、模型、算力、商業、組織和社會影響等方向。其中，多Agent系統正在從“並行執行”轉向對真實協作的探索。CPU、內存、網絡和運行時在Agent長程任務中的重要性重新上升、模型路由從優化功能變成基礎能力、企業衡量AI的方式，也將從消耗多少Token，轉向沉澱了多少可複用的Skill、工作流、工具和組織知識。
郝博陽表示，模型階段的主線是Scaling，投入更多數據、算力和參數以生產更強的智能。Agent開始行動後，問題變成了任務交給誰、信息怎樣共享、調用哪個模型、出現錯誤由誰負責。
由此，AI產業的競爭開始從“誰的模型更強”擴展到“誰能制定更有效的分配規則”。
但討論指向了同一個變化。AI正在從生成內容、調用工具，走向理解空間、執行動作並承擔現實後果。
整個分享中最大的共識，就是AI的下一步，面對的問題可能更復雜。模型變強，只是起點。
Agent進入企業後，協作方式、使用成本和責任邊界都要重做。AI走進物理世界，還要過安全、可靠性和數據閉環這幾關。
等模型能力逐漸拉平，企業的差距將更多來自兩件事：是否真正理解場景，能否把每次調用留下的經驗變成下一次可複用的組織資產。
對“AI的下一程”而言，這些問題本身就是出發點。
推薦閱讀