7月18日早上，WAIC开馆不到10分钟，上海世博馆门口长队就排到了十几米开外。
10万平方米，1100多家企业、3000多项展品，200多家企业的机器人打球、翻跟斗、上模拟产线，人群中包括阿姨们都举着手机，为每一个动作高兴、鼓掌、录像。
世界模型、开源智能体、Token经济、OPC……几乎所有正在升温的AI概念，都有自己的展台和论坛。
WAIC现场从来不缺让人停下来的瞬间。
但在39℃的上海，虎嗅在WAIC会场直播间里的讨论，和热闹保持了一点距离。
这一天，我们请来了20多位产业一线的实干家：
有人刚接待完重要人物，跑了2公里、带着汗意赶进直播间；
有人刚结束上一场的主题演讲，一路小跑坐进了圆桌；
有老一辈知名互联网人，正在All in AI；
也有曾经的华为"天才少年"，如今的机器人创业者。
连续8小时、7场直播，我们只追问一件事：当AI从模型能力走向真实产业，它到底创造了什么商业效率与价值？
Token便宜了，为什么账单还在涨？ 机器人会干活了，什么时候能稳定进厂？ Agent会写方案了，企业敢不敢交出真实流程？ AI硬件能让人排队体验，为什么还没成为每天使用的产品？
七场讨论中，有一个词反复出现：真实的商业结果。
以下，是我们听到的答案。
第一场｜Token便宜了，账单为什么更贵了？
嘉宾：姚欣（PPIO联合创始人&CEO）、刘奇（优刻得副总裁）、付智（共绩科技联合创始人&CEO）｜主持人：陈伊凡（虎嗅科技主笔）
虎嗅把第一笔账，放在了AI最底层的"燃料"上：
Token越来越便宜，企业的AI账单为什么没有跟着便宜？
过去用大模型像打一次电话：问一句、答一句，花了多少Token算得清楚。
Agent出现以后，用户交给AI的不再是一个问题，而是一件要它从头办到尾的事。
比如完成一份报告，它要搜索、读几十份文件、调不同模型、写代码、反复修改，失败再重来。
原来是"问AI一句话"，现在是"请AI跑一趟腿"。跑这一趟绕的路、返工次数，才决定最终成本。
姚欣在现场披露了一个标志性数据：
"5月份，由OpenClaw、Hermes等Agent发起的调用量，已经全面超过人的调用量。"——姚欣
Token的第一消费者，正在从"人"变成"机器"。
过去的云计算是为人设计的，用量跟着人的工作和睡眠走，有波峰也有波谷；Agent的调用则是碎片化、高频化、7×24小时不停歇的。
更大的变化不只是"用得更多"，而是"用法变了"。
人是一问一答，Agent却可能平时一动不动，一到执行时间突然集中干活；多Agent协同时，可能同时拉起上百个运行环境，做完又瞬间收缩。
对算力公司来说，这像一家餐厅平时没客人，每隔半小时突然涌进几百桌订单。
按最高峰长期备着机器，大部分时间都在闲置；不提前准备，需求一来又接不住。
所以Agent时代的基础设施，不能只回答"有多少张卡"，还要回答三个问题：
需要时能不能马上提供？用完能不能马上释放？后台换了机器，客户能不能无感？
付智举例说明了这种波动：
一款AI应用走红后，算力需求短时间从200张卡冲到1900张卡——没有企业会为一个不知何时出现的高峰，长期买下2000张卡放在那里等。
弹性算力解决的正是这个问题。但真正难的不是找到闲置机器，而是资源切换时让客户毫无察觉。
他的结论是：便宜的算力并不稀缺，又便宜、又稳定、需要时还能马上找到的算力，才稀缺。
"大家都在吃外卖，但今天的外卖是用卡车送的。未来要优化成用小汽车送、用电驴送，效率才会高。"——付智
刘奇把降本总结为四个字："向外取，向内求。"
向外取，是主流算力卡稀缺时，加大与国产芯片和社会闲置算力合作；向内求，是不增加机器，先把手里每一张卡的能力压榨到极限。
"云计算诞生之初，就是把闲置的CPU和存储拿出来给大家用，削峰填谷是本质。"——刘奇
他的第二个判断：
"围绕AI应用和任务、按效果付费的模式一定会出现——就像十五、二十年前，广告行业走向按效果付费一样。"——刘奇
在需求端，他提醒，100张卡的问题和1万张卡的问题不一样——不盲目追求规模，先把效率做好，再自然演进。
三位嘉宾指向同一个判断：企业降本不能只盯着大模型价目表。就像出差不能只看机票——一项AI任务的真实成本，包括调用、工具、返工和为高峰准备的闲置资源。
Agent时代真正该算的，不是"每百万Token多少钱"，而是：
让AI真正办成一件事，到底要花多少钱？
如果事情最终没有办成，Token再便宜，也只是让浪费变得便宜了一点。
第二场｜机器人进厂，先别问它多聪明
嘉宾：王闯（智元合伙人&高级副总裁）、李大海（面壁智能联合创始人&CEO）、谢晨（光轮智能创始人&CEO）、张涛（光象科技创始人&CEO）｜主持人：宋思杭（虎嗅科技编辑）
机器人馆是全场人气王。但这场直播把讨论从展台动作，带进另一套评价标准：
机器人能完成一次任务之后，能不能把同一件事连续做对一千次、一万次？
产线不奖励偶尔的高光
王闯把机器人进厂分为五步：实验室验证、客户现场POC、进入正式产线、批量推广、产品周期维护。
行业整体还在从POC走向测试线的过程中，但少数边界清晰的场景已经跑通。他现场分享了平板质检案例：
8台机器人已完整并线、小批量推广，并完成了首次连续6天公开产线直播，"成功率做到了99.99%"。
这个数字真正说明的是：在每天重复上万次任务的产线上，1%的失败，就意味着持续不断的异常和停线。
产线不奖励偶尔的高光。机器人商业化首先要守住的，不是能力的最高点，而是稳定性的最低线。
他的第一条经验：连续作业比单次速度更重要。
"达到人类效率的50%或者60%，就可以开始工作。"——王闯
机器人不吃饭不睡觉，能稳定连轴转，全天产出就可能成立；进入真实环境后，节拍还会肉眼可见地提升。
第二条经验反直觉：选对场景比追求通用更重要。
他们探索过上千个场景，最终收敛到平板和3C上下料这类边界清晰的工作；连最拟人的灵巧手，在寿命、节拍和算法成熟度上也过不了工业这关，产线上反而用更简单的夹爪。
"客户不会为'更像人'付钱，只会为任务完成得更稳定付钱。"
具身智能需要自己的"GPT-3.5时刻"
李大海回答了一个问题：为什么今年才进场？
"2024、2025年行业很热，但我们追求的是具身智能的'GPT时刻'，不是把某个特定任务做到很高的成功率，而是产品不完美、甚至有点笨，但已经便宜易用到能被真实用户持续使用，数据飞轮就会转起来。
"今年本体连续作业能力成熟了，我们判断机器人的‘大脑’该走完全泛化学习的路，并在WAIC发布、开源了具身模型系列。”
至于VLA与世界模型之争，他的态度很克制：
技术史就是分散、验证、收敛的循环，世界模型不是一个架构，而是对模型提出的要求——理解物理世界的规律。客户不会为概念付钱。
数据不是燃料，是机器人接受的教育
谢晨的判断是：上一代AI卡在算力，物理AI更可能卡在数据——
机器人要的不只是互联网图文，还有人手的接触、摩擦、受力和失败反馈。他留下了值得记住的一句话：
"数据不是燃料，而是教育。"——谢晨
机器人不是一次性吃进数据就能毕业。真实人类示范是老师和教材，仿真负责规模化练习和考试，部署之后还要不断带回错误和反馈。
先做出能覆盖70%问题的产品，再谈通用
张涛把话拉回客户现场：现阶段先守底线，再谈上限。
"机器人上去不能出事故，还得能干活。"——张涛
这两条先做到，才有机会逐步提效率、降成本。哪怕单一场景，客户要的也是复合指标：精度、节拍、可靠性、平滑度，缺一不可。
通用本体一机包打天下现阶段并不现实。他们进入工业场景前，先拆解了上千项制造工艺，把任务和环境全部研究清楚，再据此定义本体——不是先做出一台机器人，再到处找它能干什么。
这场在具身智能火热现场的理性讨论，让人有所体悟：
展台上的机器人负责让人看见未来；而在展台之外的产线上，那些动作不炫目、却能稳定完成第一千次任务的机器人，才开始回答：机器人究竟什么时候，才能真正成为生产力？
第三场｜Agent进企业，半年只是起步价
嘉宾：胡一川（来也科技联合创始人&CTO）、毛春景（施耐德电气数智化转型总设计师）、冯雯（MiniMax AI架构师）｜主持人：张卓（AI闹创始人）
分歧从开场第一个问题就出现了："如果今天有一位AI同事入职，你敢把真实工作交给它吗？"
毛春景选了谨慎——只交安全可控的事；胡一川选了敢，但加了个前提："我先试，它证明自己能胜任，我就把更多工作交给它。"
两种选择背后是同一个问题：企业不是不相信AI，而是还没有一套可以验证、授权和追责的信任机制。
Agent进大企业，要翻"三座大山"
毛春景指出三大硬核关卡：
知识关，约3—4个月，把员工脑子里的经验变成Agent能调用的知识资产； 系统关，3—4个月起步，老系统是给人点界面用的，没为Agent准备接口； 治理关，约1—2个月，Agent能读什么、改什么、出错谁叫停。
三项可以并行，但他的结论很直白：
"想真正看到效果，半年是起步价。"——毛春景
全场最有火药味的一段也来自这位甲方。过去SaaS按席位收费，预算好做；
现在按Token计费，一个应用会消耗多少Token没有标准，大企业连预算都没法做：
"价格高不要紧，只要有依据，我还能讨价还价；现在是我连'该在哪儿用它'都评估不了。"——毛春景
被问怎么穿透部门墙，他没先谈技术：“第一关是人心。”
他们先找变革意愿最强的制造部门立标杆，再向销售、研发、财务推广——先通人心，再通流程，最后通数据。
模型有了"大脑"，企业还要给它准备"手脚"
胡一川回答了"为什么偏偏是Coding先跑通"：编程任务完全数字化、工具链成熟，而且代码写完可以自动测试——结果可验证。
Coding不是因为最容易被替代，而是因为结果最容易验收。
他们内部研发与非研发团队的人均Token消耗量相差约10倍，说明其他部门还远没有这样的验证机制。
他也泼了冷水：用惯通用AI产品的客户，天然觉得Agent可以立刻进企业干活。
"这显然是高估了。模型够强只是必要条件，企业的系统、数据、知识是否对Agent开放，这些基础不具备，落地就有巨大的鸿沟。"
而过去十年做的RPA（流程自动化）反而成了资产：
模型负责理解和判断，RPA负责打开系统、填写数据、提交流程。
所以他的建议是：先别问要建多少个Agent，先问企业的知识、系统和流程，能不能被Agent调用。
他最重要的判断落在流程上：只在旧流程里插几个AI按钮，价值有限；
企业要把流程从"以人为中心"改造成"以Agent为中心"。而这是组织和文化变革：
"AI转型一定是一把手工程。"——胡一川
模型越聪明，企业越需要确定性
冯雯解释了"为什么过了benchmark企业还是不敢上线"：
大模型基于概率生成，哪怕只有0.1%的不确定性，落在财务、生产、定价流程里都可能是巨大损失。
模型厂商一边要摸高智能上限，一边要保证企业需要的确定性，两者天然有张力。
模型越聪明，企业反而越需要验证、权限管理和人工兜底。
对定价质疑，她的回应是：别只比Token单价，要比任务总成本。
"一个任务原来要1亿Token，优化后只用十分之一，即使新模型单价更贵，客户依然是省钱的。"——冯雯
三位从甲方、服务方、模型方出发，指向同一个结论：
企业不缺一个会回答问题的Agent，稀缺的是一套让它进入系统、使用工具、接受验收，并在风险边界内承担任务的制度。
直播收尾时，主持人张卓给整场定了调：
企业敢不敢把Agent放进真实流程，最后拼的不是技术——真正的考题是人和组织的变革。
第四场｜把AI装进硬件不难，让人每天使用才难
嘉宾：吴强（后摩智能创始人&CEO）、李元庆（乐享科技联席CTO、穹明智能总经理）、赵维奇（Rokid全球开放生态负责人）｜主持人：陈伊凡（虎嗅科技主笔）
行业等"下一个iPhone"等了几年，眼镜、机器人轮番登场，第一次体验都很惊艳——然后呢？
三位嘉宾的共识是：消费AI终端要成为刚需，得同时算清三本账。
技术账，算力、功耗、成本怎么平衡； 数据账，谁能拿到真实场景的数据； 信任账，价值是否大到让用户愿意交出隐私。
家庭机器人的第一天，可能只是个"笨蛋小朋友"
李元庆先拆了一个迷思：家庭机器人不能套用传统消费电子的打法。
扫地机器人解决扫地，痛点和验收都清楚；但家庭具身机器人进家门的第一天，可能只有几个成功率30%—50%的单项能力。
他用了全场最形象的比喻：
"机器人走进家庭的第一天，大概率是个笨蛋小朋友，然后在这个家里慢慢成长成少年、科学家、博士。"——李元庆
所以逻辑是反过来的：先进家庭，再靠真实数据把成功率养上去。仿真覆盖不了真实家庭的家具摆放、成员习惯和突发状况。
"大家都说这个时代最该抢的是算力和能源；对做产品的初创团队来说，最该抢的是产品走进家里之后产生的数据。"——李元庆
他也坦率摆出不可能三角：够聪明、够便宜、数据不出门，现阶段难以兼得。
破法之一是极致轻量化——30公斤以下，用户能把它抱进家门。
消费者不会因为"未来可能变聪明"，无限容忍今天不好用。
至于取代手机？他的态度冷静：手机是社会基础设施，机器人与它更像"手和脚"的协作。
"Token自由"并不免费
吴强补了另一笔账：Token该按次付，还是一次性买断？
Agent的出现改变了端侧芯片的需求——机器人、眼镜、AI PC都要在本地跑多模态大模型，还要求低功耗、低噪音。
他把任务分三类：数据敏感或断网的放本地；80%—90%的高频任务在端边完成，最复杂的10%—20%上云；纯对话留在云端。
对应两种模式：云端按量付费、越用越贵；端侧一次性投入、边际成本极低。
端、边、云不是路线竞争，而是成本、功耗和体验之间的一种任务分工。
客户也不会为某种芯片技术路线买单——他们看的是设备能不能更小、更省电、更安静，同时保留足够的智能水平。
他的关键判断是：当一套端侧设备降到几千元至一万元区间，"不再为每一次Token调用操心"就会形成真实吸引力。
"Token自由是一种心态，但需要付出一点代价。"——吴强
真正的AI终端，不是把最大的模型强行塞进最小的硬件，而是知道每一类任务应该在哪里完成。
新终端不是把手机界面搬到眼前
赵维奇负责解释交互层的变化：从GUI走向自然的NUI，以及更自然的AI驱动的主动交互界面AIUI。
过去是你拿出手机、解锁、打开App、逐层找功能；未来设备基于视觉、语音、位置和长期记忆主动服务。
比如当你准备赶飞机时，眼镜能够结合日历、实时路况等，主动提醒出发，并持续提供路线等关键信息。
他认为行业最大的变化，是从关心上下文走向理解用户长期的习惯和记忆。
下一代人机操作系统，让设备更懂人——不只回答问题，而是主动调度资源、帮人把事办了。
多终端也不会被一个全能设备统一，判断新终端是否值得存在，标准只有两个：场景和成本。
新终端的价值，不是把手机界面搬到眼前，而是通过主动智能，让服务在用户操作之前发生。
"降低使用与学习成本，让体验自然发生。"——赵维奇
三位最后收敛到同一个画面：
新奇能让人停下来体验；刚需的标志，是用户不再意识到自己正在操作AI，只是自然地把事情完成。
第五场｜AI应用到底怎么赚钱？三位CEO把方法论摊开了
嘉宾：孙克强（Mizzen AI创始人&CEO）、赵充（像素绽放创始人&CEO）、翟星吉（语核科技创始人&CEO）｜主持人：张卓（AI闹创始人）
第一笔钱，来自足够痛的问题；第二笔钱，来自结果能够重复出现。
这场直播开场就定了规矩：不问"AI能做什么"，只问两个问题——怎么收到钱？怎么让客户再付一次钱？三位跑通闭环的创业者，给出了三套相互印证的方法论。
赵充：先验证"有人付钱"，再谈一切增长。
他选场景的标准是"市场大+痛点痛"：
PPT不是最前沿的AI任务，但它承载融资、汇报、销售这些高价值时刻，痛点越具体，付费越好验证。
路径上先C后B——个人用户觉得好用，会推荐公司采购。他最锋利的观点是验证节奏：
"第一天、第一个月，就知道产品行不行。"——赵充
付费率长期很低、靠新增用户掩盖问题，增长越快、亏损越大。
他还提醒，毛利高不等于生意好——Token成本只占几个点，真正的生死线是获客成本。
Agent还把过去"不值得做"的生意重新变得值得做——以前参与一次比稿要五六个人忙一两周，成本太高就直接放弃，现在随时能比。
孙克强：把依赖人力的行业，重做一遍。
用户研究是千亿级全球市场，但靠研究员一个个访谈，规模永远跟着人头走——这正是AI可以平台化的地方。
一家消费电子头部客户，过去30天访谈30人；接入Mizzen后，AI主持、一晚8小时访谈200多人。
变化的不只是效率，而是企业使用调研的方式。他同时划了一条高信任产品的底线：
AI可以压缩交付过程，但不能伪造交付依据。
AI负责主持、追问和整理，但洞察必须来自真实用户，每个结论都能追溯到原始表达。
翟星吉：卖的不是软件席位，是岗位能力。
AI最该进入的，是人才最贵、却把大量时间花在脏活上的岗位——解决方案专家值钱的是判断客户、设计策略，但他们每天在写方案、改标书，"他非常想把这件事交出去，但交不出去"。
原来5个专家干的活，现在2个专家加Agent就能完成。
数字员工的定价参照物不是软件席位，而是岗位——对标一名中级员工的年度成本，承担多人的工作量。
Token决定产品不能低于什么成本，客户获得的业务价值决定产品最高能收多少钱。
被问"模型越来越强，应用公司凭什么存在"，他一句话收尾：
"大厂在赌能动性——连接工具、跑长任务，这些是入场券。我们赌的是Context。"——翟星吉
他还警告：PMF没验证就铺销售、铺增长，本质是加速死亡，"像用网兜捞水"。
三位给出的，是同一个商业闭环的三道门槛：用户获得足够价值，愿意持续付足够的钱，交付之后服务商还能留下毛利。
第六场｜当执行变便宜，组织里什么会变贵？
嘉宾：黄有璨（超级OPC联盟发起人）、吴承霖（DeepWisdom创始人&CEO）、施雯静（AI Native组织落地转型专家）｜主持人：李继刚（AI探索者）
每家公司都在用AI工具了。但"用了很多AI工具的旧组织"和一家真正的AI-Native公司，差在哪里？
组织的基本单位，可能不再是岗位
黄有璨给了个定义：组织里应该有若干价值节点，每个节点都能自然形成"价值闭环"，而不是靠岗位拼接才能成事。
他对自己过去的管理方式做了次诚实复盘：很多协作的本质是"容忍"——你的时间覆盖不到所有事，只能接受别人交付70分的结果。
有了AI之后，答疑、执行、信息整理，可以由更接近本人标准的Agent完成。真正值得保留的协作只剩三类：
各自有独立价值闭环的人、能扩展现实边界的伙伴、AI暂时做不了的明确事务。
那些只做信息转述、没有判断权和完整结果的"中间态岗位"，价值正在明显下降。
但一人公司不等于永远一个人：用户到几万、几十万，稳定、合规、履约责任会迅速增加。
规模化本身，就是重新需要组织的理由——OPC不是永远一个人，而是只在真正需要价值和责任时，才建立组织。
被问"还有什么必须留给人"，黄有璨列了三件：
从0到1的探索、关键关系的维护、心力和愿力——这也是全场金句：
"AI可以把事情做得差不多，给你几个方案说'老板你看行不行'。但它没有那种无日无夜、非把一件事做出来不可的偏执。"——黄有璨
对普通人的出路，他反而让人松了口气：“不是每个人都必须成为超级个体——冲进洪流"。
多数企业只优化了执行，没有减少沟通
吴承霖解释了那个让很多企业困惑的问题：为什么有人提效数倍，大多数企业只有30%？
他的回答是：大多数公司只用AI优化了执行，却没有取消沟通。
员工大量时间耗在信息同步、会议和等待上，只优化剩下的执行时间，怎么优化都有上界。
真正该问的，不只是"这份材料怎样写得更快"，还有"这份材料为什么需要在五个人之间传递"。
个人提效只有在协作摩擦同时下降时，才能变成组织效率。
"真正的第一步不是研究怎么提效，而是怎么通过组织设计，让沟通不再被需要。"——吴承霖
管理者的职责随之收敛为三件事：Plan、设标准、Review——这套机制对人和对Agent，正在变得统一。
超级个体，不会自动组成超级团队
施雯静把问题拆成三层：超级个体、超级团队、超级组织。
个人提效是工具问题；但一群超级个体凑在一起未必更强——"一堆'复联英雄'在一起，吵架可能更激烈"；
判断企业是否真正AI-Native，要看组织是否重设了流程，要看隐性经验和专家知识，有没有沉淀成"可被Agent调用"的组织资产。
个人提效是工具问题，团队协同是流程问题，组织升级是资产问题。
她给人机边界划了三个词：执行、判断、担责。
交付出了问题，企业不能"删除一个Agent"就了结，所以价值闭环小团队必须同时拿到三样东西：责任、资源、判断权。
AI可以提高生产速度，却不能替企业解决权责不匹配。
她还给一个词“平了反”："眼高手低"不再是贬义词——审美和标准很高、执行偏弱的人，AI正好补上执行。
谈到什么人会起飞，主持人李继刚说出利落的一句总结：
面对新事物，"怎么让AI不取代我"和"怎么让AI帮我做成一件事"，是两种完全不同的心态——
"这并非防守姿态，而是进攻姿态。"——李继刚
施雯静补了一类人：喜欢偷懒的人——总想自己干完的人，不会想到让AI替自己干。李继刚顺势补了一刀：
"偷懒是生产力的驱动力。"——李继刚
这一场的结论很清晰：AI把执行变便宜之后，公司最贵的东西不再是任何可标准化的技能——
最贵的是定义问题的判断力、赢得信任的关系、坚持标准的偏执，以及出事之后仍然站出来担责的人。
第七场｜世界模型之后，机器人还要学会算账
嘉宾：段炎彪（云迹科技副总裁）｜主持人：宋思杭（虎嗅科技编辑）
世界模型知道会发生什么，价值判断决定什么值得发生。
今年行业都在谈"世界模型"，段炎彪的观点很克制：世界模型帮机器人把动作做准，但动作正确不等于业务成功——送物机器人顺利到了电梯口，却堵在那里等了15分钟。每个动作都对，整体任务却失败了。
他的第二个判断：具身智能的真正产品，不是一台机器人，而是一套任务系统。客人看到的只是机器人把外卖送到门口，背后是订单、机器人、电梯、电话、人员的全套协同。
他也对"人机共生"重新定义：更务实的方法——要求机器人独立处理100%的异常，成本会迅速推到算不平的地步；更现实的系统是机器人处理80%的标准任务，把20%的异常顺利交给人。
"机器人不是取代人，而是与人一起协作创造更大的价值。"——段炎彪
他也直言行业最大的障碍仍是ROI算不平——技术能够实现，不代表客户现在值得采购。
"因为价值需要考虑成本。"——段炎彪
上一个阶段的机器人比"能不能做"，下一个阶段要比"值不值得做"。
尾声
7月18日傍晚，WAIC展馆里的人流仍然没有完全散去。
站在会场里，很容易产生一种感觉：AI能做的事情，正在以越来越快的速度增加。
但经过七场直播，我们更清楚地看到，能力增加只是产业变化的开始。
真正困难的，是把这些能力接入一条完整的经营链路：
先解决能不能做，再解决能不能稳定做； 先进入流程，再证明结果； 先收到第一笔钱，再回答客户为什么复购； 最后重新安排人、Agent和组织之间的关系。
一天后，以39℃高温开场的这届WAIC，突下了一场暴雨。机器人被撤下展台，Demo停止运行。
而属于AI的这本经营账，也才刚刚翻到最难的一页——
这些Token最终到底能创造出多少可以被验证、被付费、被复购，也能够被负责的商业价值？
感谢零跑的支持。
本内容未经允许不得转载。授权事宜请联系 hezuo@huxiu.com。
End
