GTC 2026，Jensen Huang召集了一场含金量极高的圆桌。
同台的是LangChain、Perplexity、Cursor、Mistral、Thinking Machines Lab等十几家公司的CEO。他们聊的不是OpenAI和Anthropic，而是一个更根本的问题——前沿大模型之外，AI真正的样子是什么？
整场对话，没有一个CEO在比参数、比benchmark。
他们谈的是：系统怎么设计、Agent怎么治理、开源生态如何演化、算力基础设施如何被共享。这些话题没有前者性感，但可能更接近AI的真实走向。
1. AI不等于大模型
AI是一个完整的系统：多个模型、推理引擎、工具调用、记忆机制、文件系统……缺了任何一个，都不叫AI。很多人把AI等同于LLM，这是根本性误解。这个认知框架，决定了你怎么看整个行业。
LangChain CEO Harrison Chase说，大家以为AI行业只有两类公司：造大模型的，和在大模型上做应用的。
但第三类正在成型：它们既调用外部最好的API，也自己训练专有模型，把两者融合成某个垂直领域最好的产品。
3. “Harness Engineering”是新的核心战场
围绕模型构建的运行框架——上下文怎么压缩、用哪些子代理、给模型哪些工具——正在成为独立的工程学科。
Harrison Chase直接说：Claude Code的竞争力，不只来自模型好，很大程度上来自harness设计得好。模型以外的部分，正在成为真正的差异化战场。
∙ 生成式AI——让模型能生成Token，推理才成为可能
三者缺一不可，每一层都是下一层的前提。我们现在站在第三次跃迁的起点，而这次跃迁会向所有垂直行业同时扩散。
5. OpenClaw：第一台真正意义上的AI计算机
Jensen给OpenClaw（Anthropic开源的Agentic框架）的定位很高——它第一次把”AI是一台新型计算机”这件事，用完整开源的方式呈现给了世界。
工作记忆、文件系统、任务调度、网络通信、通用API……它不是聊天机器人，它是计算机。
Perplexity CEO Arvind给出了一个后见之明里极其简洁的洞察：
当模型学会操作命令行和代码沙箱之后，只要每个工具都有CLI接口，图形界面就不再是必需的。一个为编程优化的模型，突然就能处理所有知识工作。
Coding Agent的能力泛化，不是因为”代码=万能”，而是因为命令行就是通向一切的接口。
LangChain CEO Harrison Chase从OpenClaw总结出三个首次在消费级产品大规模出现的特征：
∙Always-on：不等你问，主动推送。每10分钟跑一次的Agent，你才会真正开始在意成本——这正是开源模型的机会所在
∙Agent Identity：Agent需要独立账号，不能和人类用同一套权限
∙Memory：它记得历史，还能通过修改自己的代码来更新自己的行为规则
未来高性能Agent不依赖一个模型，而是把工作路由到最合适的模型：通用API的computer use能力 + 垂直领域的专有模型，组合上限将超过任何单一模型。
Jensen说得很清楚：这不是零和博弈。闭源模型是”王冠上的明珠”，开源模型将成为Agentic系统里不可或缺的组件。即使最封闭的模型公司，在构建完整系统时，也会大量用到开源模型。
Amp CEO Anj的论证很有力：当AI进入医疗、国防、关键基础设施，你必须能”内省”它、审计它、自主部署它。把信任委托给第三方API，在高风险场景里是不可接受的。开源模型，是建立信任最快的路径。
Open Evidence CEO Daniel Nader说：最好的医院之所以卓越，不是因为有最好的全科医生，而是因为有世界级的心脏科、神经科、肿瘤科医生。
AI的未来形态会镜像社会的专业化分工。“平均了所有专业能力的通用模型”，只会是一个平庸的智能。 构建专业化AI的起点，必然是可深度定制的开源基础模型。
Anj用工业革命做了一个印象深刻的类比：1800年代的工厂主都在囤积蒸汽机，每家自建，过度供给却低效利用。
这正是今天AI算力基础设施的现状。解决方案不是每家自建算力孤岛，而是建立“AI电网”——共享、弹性、开放的算力基础设施。开放模型要在前沿持续发展，必须有开放基础设施配套。
Jensen说了一个被严重低估的预测：三年前，预训练占训练算力的90%。未来，这个比例将大幅逆转，后训练（强化学习、专业化微调、人类反馈）将占主导。
价值创造的重心，正从”谁有更多数据”转向“谁能做更好的后训练”。
Thinking Machines Lab CEO Mira Murati（前OpenAI CTO）用AlphaGo举例：6000万参数，打败世界围棋冠军。核心不是规模，是强化学习让模型持续学习。
当RL开始在语言模型上工作，AI的能力边界就变成了纯粹的经济学问题：你愿意花多少钱攻克某个科学难题？
Amp CEO Anj说出了过去一年最重要的产业发现：Revenue scales with Compute——收入随算力可预测地线性扩展。
Coding领域已经验证了这条定律。Mistral、Black Forest Labs、Open Evidence代表的，是下一批等待验证的新边疆。
Jensen补了一句：“买的算力越多，赚的钱越多。记住这句话。”
Open Evidence CEO Daniel Nader给了一个极其具体的场景：美国医生的大量时间，被保险预授权信函和拒赔申诉消耗。
凌晨3点，患者被保险公司拒约，医生在睡觉。而Agent可以自动检索病历、撰写申诉、推动审批。
Black Forest Labs CEO Robin提醒：当所有人聚焦于代码能力时，视觉智能正在悄然突破。
从文本生图，到视频生成，到与物理世界交互的机器人视觉——视觉模型将驱动制造业、内容创作、物理AI。这个赛道的输出范式和代码完全不同，需要完全不同的思考框架。
Mistral CEO Arthur Mensch说：个人用AI Agent很简单，企业部署的核心挑战是治理，不是技术。
Jensen将其压缩成一条安全原则：Agent有三种能力——访问敏感数据、执行代码、对外通信。除了最高负责人，任何Agent在任何时候，最多只能同时被授权其中两种。
AI2研究负责人Hannah强调：开源最大的价值，不是最终模型权重，而是完整的开发流程——训练数据、中间检查点、基础设施代码，全都开放。
这让全球研究者可以在任意阶段介入。混合模型架构优于纯Transformer的理论突破，就是这种开放生态的直接产物。
Reflection CEO Misha Laskin总结：AI的进步速度太快，仅靠少数大型实验室覆盖不了所有方向。开放API、开放模型、开放数据、开放研究发现，让全球聪明人都能参与进来。
这不是商业上的妥协，这是加速科学进步最有效的方式。
从这场对话中可以看到，AI 最重要的竞争，已经不在模型层了。
大模型更像基础设施，像电网——真正被持续投资和重构的，是电网之上的“插座”。
Harness 工程、垂直模型、企业 Agent 治理、开放算力基础设施……这些方向都还早、还在演化，也还没有公认的赢家。
但也正因为如此，才更值得认真对待。
真正的机会，往往不在答案已经清晰的地方，而是在问题刚刚被重新定义的时候。
