10 月 23 日，2026 中国计算机大会（CNCC 2026）「从 Token 到价值：可持续人工智能系统和产品的构建与实践」专题论坛在成都举行。论坛由网易有道主办，来自 MiniMax、久痕科技、浙江大学滨江研究院、AMD 及网易有道的嘉宾，围绕 AI 原生组织、智能体系统设计、可信 AI 治理、端侧计算和产品实践展开分享，并就成本优化与商业化路径进行讨论。

（图注：从左至右分别是 MiniMax 葛明放、久痕科技创始人汪源、AMD ISV 部门 AI 技术负责人杨广远、网易有道首席科学家段亦涛、浙江大学滨江研究院数智融合研究中心主任韩蒙、网易有道 Infra 负责人张广勇）

网易有道首席科学家段亦涛担任论坛主席和主持人。他在开场中提出，随着大模型能够完成的任务越来越多，行业需要回答一个关键问题：不断增强的 AI 能力，如何转化为真实、可持续的价值？

围绕这一问题，与会嘉宾从各自的实践出发，将讨论延伸到模型之外的组织、工程、治理和商业环节，站在行业最前沿，从算力，模型，Agent 管理，模型等角度，提供了非常具有前瞻性的思考和洞见。

网易有道：围绕用户场景，让 AI 帮助人完成任务与积累能力

（图注 网易有道首席科学家段亦涛）

段亦涛从直接面向用户的产品实践出发，分享了有道推进 AI 落地的思路：围绕具体场景，把核心能力做好，并兼顾效果、成本与用户体验。

在实时交互领域，他介绍了两款上个月刚刚开源的流式语音识别模型 R2T2 和流式同声翻译模型 T3PO。两者都面对信息尚不完整时如何作出判断的挑战，需要在输出质量与响应延迟之间找到平衡，进而改善字幕、语音输入和同传等场景的体验。两个模型开源之后都受到了开发者的欢迎，分别登顶了 Hugging Face 专区热榜，最高下载量突破 16 万。

（子曰 4 R2T2 和子曰 4 T3PO 登顶情况介绍）

在智能体产品层面，段亦涛强调，需要通过 Harness，将模型与专业数据、工具及工作流程结合起来，使其能够处理用户的实际任务。

以「有道有据」为例，这一产品将 AI 与研究工作台结合，支持资料检索、证据核验、论文阅读及内容创作，同时通过笔记、标注、追问和收藏帮助用户积累思考成果。

在段亦涛看来，AI 产品的价值还包括人的成长：用户在完成任务的过程中，应当获得新的认知、知识和判断。他将这一理念概括为「双脑协作，1+1 大于 2」，希望 AI 既提升工作效率，也帮助用户形成长期能力。

（有道有据截图）

MiniMax：让每个人都能指挥一支 Agent 团队

MiniMax 葛明放分享了公司建设 AI 原生组织的实践。在他看来，企业要将 AI 能力带入客户业务，首先需要成为 AI 的重度用户。

（图注 MiniMax 战略部大模型技术方案负责人葛明放）

MiniMax 通过面向员工提供充足的 Token 资源、建立统一模型网关、开放工具选择等方式，降低员工探索 AI 的门槛。在此基础上，内部智能体逐步从个人使用的碎片化工具，发展为覆盖不同职能的「Agent 实习生」，再进一步演进为能够处理完整任务的业务专家。

这一变化的关键，是让智能体具备明确的职责、权限和工作边界，并使任务过程可观察、可暂停、可恢复。例如，在客户问题排查中，智能体可以协助复现问题、整理记录、通知相关团队，部分工程问题还可以推进至代码修改和人工审核环节。

葛明放认为，员工在真实业务中使用 AI 的经验，也能反过来帮助改进模型。长流程任务中暴露的工具调用失误、上下文丢失等问题，是具有业务约束的改进信号。

AI 原生组织的目标，是让每个人都能够组织和指挥 Agent 团队，将个人经验转化为整个组织可以复用的能力。

久痕科技：用更合适的任务表达，提高智能体执行效率

（图注 久痕科技创始人汪源）

久痕科技创始人汪源将分享聚焦于智能体系统的工程设计。他提出，当智能体已经能够跑通基本流程，产品进一步竞争的重点，就包括任务完成时间、Token 效率以及交付结果的质量。

围绕这些问题，汪源介绍了领域专用语言（DSL）的作用：让模型理解的内容、上下文提供的信息和工具执行的操作，尽可能围绕同一套清晰、精炼、可验证的表达方式展开。

他以 PPT 生成和编辑为例指出，智能体在 HTML、PPT 原始格式、Markdown 等不同表示之间反复转换，容易增加处理成本，也会给复杂版面的理解和修改带来困难。

久痕科技探索的知识表达语言 KRL，旨在将复杂内容转化为可理解、可展示、可编辑的统一表示，让智能体能够在更高层次上处理任务，减少对底层复杂格式的直接操作。

这一实践体现了他的核心判断：提高智能体效率，需要同时改进模型处理任务的方式，以及模型与工具之间协作的机制。在圆桌讨论中，他进一步指出，上下文、记忆、任务分配和技能设计，都是值得持续优化的环节。

浙江大学滨江研究院：让 AI 的行动可验证、可追溯、可纠偏

（图注 浙江大学滨江研究院数智融合研究中心主任，君同未来创始人韩蒙）

浙江大学滨江研究院韩蒙博士从可信 AI 的角度提出，随着 AI 从生成答案走向调用工具、执行任务，治理对象也随之扩展到模型、数据、权限、工具和完整任务链。

他提出了一个直接的问题：当智能体开始行动后，谁为结果负责？

在韩蒙看来，智能体的风险并不只来自外部攻击。即使没有恶意行为，也可能因为目标不完整、上下文偏差、工具调用错误或任务之间的相互影响而产生问题。单个模型表现可靠，也不意味着围绕它构建的智能体系统必然可靠。

因此，可信性需要贯穿执行前、执行中和执行后：既要明确有哪些智能体、获得了哪些授权，也要开展准入评测、运行监测、结果核验和追踪审计。

针对记忆、检索和多步骤任务，他还强调，应检查信息是否足以支撑结论，避免同一来源被反复引用后形成虚假的多重证据。

在圆桌讨论中，韩蒙将可信性与经济性联系起来：衡量 AI 成本，应关注完成一次有效任务、交付一个可靠结果需要付出多少。如果 Token 已经消耗，任务却没有完成，低廉的调用价格也难以形成实际价值。

AMD：通过端侧计算与异构调度，提高算力利用效率

（图注 AMD ISV 部门 AI 技术负责人杨广远）

AMD 嘉宾杨广远从计算平台出发，介绍了端侧模型应用的软硬件实践。他认为，随着智能体进入更多日常工作流程，持续增长的推理需求使端侧计算具有更重要的应用价值。

将适合的任务放到本地运行，有助于降低对云服务的依赖、改善响应速度，并减少部分持续调用带来的运营成本。但端侧 AI 能否发挥作用，还取决于模型效率、软件适配和硬件调度。

杨广远重点介绍了 CPU、GPU 与 NPU 的协作方式：CPU 承担系统调度和部分轻量任务，GPU 处理算力需求较高的任务，NPU 则适合实时音频、后台感知等持续运行、重视功耗的场景。

例如，在一个同时需要语言理解和语音处理的应用中，可以将不同任务分配到适合的计算单元上，使其并行运行，提升整体资源利用效率。

围绕这一方向，AMD 通过运行时、推理框架、量化工具和开发示例等软件支持，如 Ryzen AI、Lemonade、FastFlow LM 等，帮助开发者将模型部署到终端设备。其落点是：让 AI PC 等设备已经具备的算力真正被应用调用，并转化为用户能够感受到的体验。

从组织内部的 Agent 协作，到任务表达、可信治理、端侧算力与用户产品，本次论坛呈现了 AI 落地所需的多方面能力。「从 Token 到价值」的具体要求，是让每一次技术投入都更接近可靠的任务交付、可感知的用户收益，以及能够持续运转的商业模式。

如何持续服务好用户，创造稳定的用户价值，是整个行业要关注的核心问题，依赖于 AI 行业从最底层的芯片层，到最接近用户的应用层持续的优化和不断的创新。

来源：互联网