[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"article-waic2026-ai-agent-embodied-landing-zh":3,"article-related-waic2026-ai-agent-embodied-landing-zh":29,"series-industry-e3b46881-e490-44f9-b86d-0ea729422b8c":74},{"id":4,"slug":5,"title":6,"content":7,"summary":8,"source":9,"source_url":10,"author":11,"image_url":12,"cover_image":12,"category":13,"language":14,"translated_content":11,"related_article_id":15,"keywords":16,"key_takeaways":22,"views":26,"created_at":27,"published_at":28,"topic_cluster_id":11},"e3b46881-e490-44f9-b86d-0ea729422b8c","waic2026-ai-agent-embodied-landing-zh","WAIC2026把AI從參數堆到落地","\u003Cp data-speakable=\"summary\">以前大家盯模型參數，現在我會先看 \u003Ca href=\"\u002Ftag\u002Fagent\">Agent\u003C\u002Fa> 能不能把任務真的做完。\u003C\u002Fp>\u003Cp>我最近看 AI 展會稿子，最煩的一點就是那種熟悉的味道：模型更大了、參數更多了、算力更強了，然後呢？然後就沒了。聽起來熱鬧，落到開發裡卻還是那套老問題，接口碎、鏈路長、Demo 很像樣，真正進生產就開始掉鏈子。我寫過、試過、也踩過這種坑。你把一個大模型接進業務，最開始大家都很興奮，覺得「終於能幹點正事了」。可一旦要它真的去跑流程、調工具、和別的系統協同，問題就冒出來了：它會不會自己拆任務，會不會在多輪裡不跑偏，會不會在真實環境裡把動作做完，而不是只會說得漂亮。\u003C\u002Fp>\u003Cp>我看到這條 WAIC2026 的介紹時，第一反應不是「又一場大會來了」，而是終於有人把話說得更像工程了：AI 敘事正在從模型參數堆疊，轉向 Agent 生產力落地；異構協同、光子計算在抬高計算上限；具身智能也在往家裡、工廠裡走。這個判斷來自知乎專欄頁面 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2062605005086003442\">https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2062605005086003442\u003C\u002Fa>，原文標題很跳，但正文裡這段 WAIC2026 的表述，確實給了我一個更實用的切入點。\u003C\u002Fp>\u003Ch2>別再盯著參數了，先看 Agent 能不能幹活\u003C\u002Fh2>\u003Cblockquote>AI敘事路線從模型參數堆疊，轉變到Agent生產力落地\u003C\u002Fblockquote>\u003Cp>這句話我很認同。因為過去兩年，很多團隊都把「模型能力」當成了「產品能力」。這兩件事不是一回事。模型回答得更像人，不代表系統就能替人幹活。Agent 這條線真正有價值的地方，不是它會聊天，而是它能拆任務、調工具、記上下文、處理失敗，再把結果交回來。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785092632780-79pe.png\" alt=\"WAIC2026把AI從參數堆到落地\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我自己最早接 Agent 框架時，也有點上頭。看著它能自動規劃、自動調用函數，感覺一切都要被重寫。結果一上真實業務，馬上露餡。它會在一個簡單流程裡反覆確認、會在工具返回異常時胡亂補救、會把「建議」當成「執行」。這就是典型的「看起來聰明，實際上不穩」。\u003C\u002Fp>\u003Cp>翻譯一下就是：你評估一個 AI 系統，不能只看回答品質，要看它能不能完成任務。比如客服、工單、檢索、報表、審批、內容生產，這些場景裡最重要的不是一句話多漂亮，而是它能不能把動作鏈跑完。\u003C\u002Fp>\u003Cp>我會先把 Agent 能力拆成四個可測項：\u003C\u002Fp>\u003Cul>\u003Cli>任務分解：能不能把一個大目標拆成可執行步驟。\u003C\u002Fli>\u003Cli>工具調用：能不能穩定調用 API、資料庫、搜尋、內部系統。\u003C\u002Fli>\u003Cli>失敗恢復：工具報錯後，是重試、切換方案，還是直接擺爛。\u003C\u002Fli>\u003Cli>結果收斂：最後能不能給出可用輸出，而不是一堆過程日誌。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你現在還在做模型選型，我會建議別只比 \u003Ca href=\"\u002Ftag\u002Fbenchmark\">benchmark\u003C\u002Fa>。把你自己的流程拿出來，做一輪端到端跑通測試。真的，別被「回答很強」騙了。生產裡要的是完成率，不是作文分。\u003C\u002Fp>\u003Ch2>異構協同不是口號，是把瓶頸拆開\u003C\u002Fh2>\u003Cblockquote>異構協同、光子計算持續提高計算上限\u003C\u002Fblockquote>\u003Cp>這段話聽起來挺硬核，但我不想把它講成學術新聞。對開發者來說，異構協同的意思很簡單：不要再幻想所有計算都靠同一種晶片、同一種棧、同一種部署方式解決。現實就是，訓練、推理、檢索、編排、快取、\u003Ca href=\"\u002Fnews\u002Fvector-databases-financial-search-market-growth-zh\">向量\u003C\u002Fa>\u003Ca href=\"\u002Fnews\u002Fspark-42-turns-ai-search-into-sql-zh\">搜尋\u003C\u002Fa>、影片處理，這些東西各自的瓶頸都不一樣。\u003C\u002Fp>\u003Cp>我見過不少團隊一上來就追求「\u003Ca href=\"\u002Fnews\u002Feurope-should-standardise-ai-act-harmonised-rules-zh\">統一\u003C\u002Fa>」，最後把自己統一死了。\u003Ca href=\"\u002Ftag\u002Fgpu\">GPU\u003C\u002Fa> 不是萬能的，CPU 也不是擺設，邊緣裝置更不是臨時湊數。你要是真做過即時系統，就知道延遲、吞吐、成本這三個指標經常互相打架。異構協同的價值，是讓不同工作負載跑在更合適的執行單元上，而不是把所有活都塞給同一台機器。\u003C\u002Fp>\u003Cp>光子計算我會更謹慎一點看。它現在更像是把算力天花板往上抬的長期方向，不是你今天晚上就能在專案裡落地的東西。但它提醒了我一件事：\u003Ca href=\"\u002Ftag\u002Fai-\">AI 基礎設施\u003C\u002Fa>的競爭，已經不只是模型層了，下面那層算力和互聯也開始決定產品邊界。\u003C\u002Fp>\u003Cp>我跑過一個多模態檢索專案，最開始大家盯著向量模型，後來發現真正卡住的是圖片前處理和批量召回。模型換了三次，瓶頸還在。最後是把任務拆到不同服務裡，前處理放 CPU，召回走 GPU，快取和索引單獨做，才把延遲壓下來。說白了，工程不是堆一個大而全的盒子，而是把每個瓶頸單獨拎出來處理。\u003C\u002Fp>\u003Cp>實操上，我會這樣盤點架構：\u003C\u002Fp>\u003Cul>\u003Cli>先列任務：訓練、推理、檢索、儲存、編排、監控分別吃什麼資源。\u003C\u002Fli>\u003Cli>再找瓶頸：是算力不夠、IO 太慢、網路太抖，還是記憶體頂不住。\u003C\u002Fli>\u003Cli>最後做拆分：把不同負載放到不同硬體和服務層上，別一鍋燉。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果你在做 AI 產品，尤其是多模態或高併發產品，這一步比「再換一個更大的模型」更值錢。\u003C\u002Fp>\u003Ch2>具身智能不是科幻，是把動作接到現實裡\u003C\u002Fh2>\u003Cblockquote>具身智能加速應用，機器人到家進廠讓物理AI變為現實\u003C\u002Fblockquote>\u003Cp>這句我讀完其實挺有感覺。因為過去我們做 AI，大多是在文字、圖片、音訊這些數位世界裡打轉。具身智能不一樣，它要求系統真的去和物理世界發生關係：看、判斷、移動、抓取、避障、執行。這個門檻一下就高了很多。\u003C\u002Fp>\n\u003Cfigure class=\"my-6\">\u003Cimg src=\"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785092617270-ucrb.png\" alt=\"WAIC2026把AI從參數堆到落地\" class=\"rounded-xl w-full\" loading=\"lazy\" \u002F>\u003C\u002Ffigure>\n\u003Cp>我一直覺得，具身智能之所以難，不是因為模型不夠聰明，而是因為現實世界太髒了。光照會變，物體會移位，感測器會抖，動作會失敗，環境還會反過來影響下一步。你在螢幕裡做錯一次，頂多刷新；機器人在地上做錯一次，可能就是摔、卡、撞、停機。\u003C\u002Fp>\u003Cp>這也是為什麼我不太喜歡把具身智能講成「下一代聊天機器人」。它不是聊天，它是執行。它要把感知、規劃、控制、回饋連成閉環。這個閉環一旦做起來，價值就很實在：倉儲分揀、工廠搬運、家庭清潔、巡檢維護，都是能直接算 ROI 的場景。\u003C\u002Fp>\u003Cp>我以前看機器人 Demo，總覺得很炫，但總有一點表演感。後來我真正接觸到一些落地專案，才發現最值錢的地方不是動作多複雜，而是它能不能穩定重複一萬次。能重複，才叫生產力。不能重複，最多算展台節目。\u003C\u002Fp>\u003Cp>實操上，如果你在做具身智能相關方案，我建議先別急著追求大腦。先把閉環拆小：\u003C\u002Fp>\u003Cul>\u003Cli>感知層：攝影機、深度、IMU、力回饋，哪些是必須的。\u003C\u002Fli>\u003Cli>決策層：哪些動作要模型判斷，哪些可以規則化。\u003C\u002Fli>\u003Cli>執行層：機械臂、底盤、末端執行器的容錯怎麼設計。\u003C\u002Fli>\u003Cli>安全層：失敗時怎麼停、怎麼撤、怎麼人工接管。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>現實裡最有用的系統，往往不是最聰明的，而是最不容易翻車的。\u003C\u002Fp>\u003Ch2>展會敘事最容易騙人，工程指標不會\u003C\u002Fh2>\u003Cp>我對展會稿子一直有戒心。不是因為展會沒價值，而是因為展會最擅長把方向感說得很滿，把落地難度說得很輕。你在現場聽十個 booth，八個都在講未來，兩個在講生態，真正能回答怎麼上線、怎麼監控、怎麼回滾的很少。\u003C\u002Fp>\u003Cp>這次 WAIC2026 的這段表述，至少讓我覺得它沒有只停在「模型更大」這套老敘事上。它把 Agent、算力、具身智能放在一起，其實就是在說一件事：AI 產業化已經開始從單點能力，轉向系統能力。系統能力這四個字沒那麼性感，但它決定你能不能賺錢。\u003C\u002Fp>\u003Cp>我自己做過最痛的一次整合，是把一個模型能力塞進現有業務流裡。前端、後端、風控、資料、營運，每個團隊都覺得 AI 應該很快。結果上線前才發現，大家對「正確」的定義根本不一樣。模型團隊覺得回答自然就行，業務團隊要的是可控，合規團隊要的是可追溯，維運團隊要的是可觀測。最後你會發現，AI 專案失敗，很多時候不是模型不行，是組織沒把系統邊界說清楚。\u003C\u002Fp>\u003Cp>所以我現在看任何 AI 大會內容，都會問三個問題：\u003C\u002Fp>\u003Cul>\u003Cli>它是在講能力，還是在講流程？\u003C\u002Fli>\u003Cli>它是在講 Demo，還是在講生產環境？\u003C\u002Fli>\u003Cli>它是在講單點模型，還是在講端到端系統？\u003C\u002Fli>\u003C\u002Ful>\u003Cp>如果這三個問題裡有兩個答不上來，那多半還停在宣傳層。\u003C\u002Fp>\u003Ch2>把「智能夥伴」翻譯成開發者能用的東西\u003C\u002Fh2>\u003Cp>「智能夥伴·共創未來」這類口號我不反感，但我會把它翻譯成更實在的話：你要做的不是一個會說話的 AI，而是一個能在你的業務裡接任務、跑流程、留痕跡、能回滾的系統。說白了，夥伴不是陪聊，是能幹活。\u003C\u002Fp>\u003Cp>我覺得這次 WAIC2026 這段內容最有價值的地方，就是把三個層次擺在了一起。Agent 講的是上層生產力，異構協同和光子計算講的是底層供給，具身智能講的是應用邊界。它們不是互相替代，而是互相咬合。上層要能跑，下面得供得上；下面算力夠，才輪得到上層做複雜任務；而一旦 AI 真走進現實環境，系統設計又要回到安全、穩定、可控。\u003C\u002Fp>\u003Cp>如果你是開發者，我建議你別把這些詞當成新聞標題，而是當成架構檢查表。每次你準備做一個 AI 功能，就問自己：這是一個回答問題的功能，還是一個完成任務的功能？這是一個單機模型能力，還是一個系統協同能力？這是一個數位世界的 demo，還是一個物理世界的執行器？\u003C\u002Fp>\u003Cp>這幾個問題問清楚，很多方案會自動縮水，很多幻覺也會自動消失。挺好，真的。\u003C\u002Fp>\u003Ch2>我會怎麼把這段話落到專案裡\u003C\u002Fh2>\u003Cp>如果把這次 WAIC2026 的資訊壓縮成開發動作，我會這麼做：\u003C\u002Fp>\u003Cul>\u003Cli>優先做 Agent 化流程，而不是繼續堆聊天能力。\u003C\u002Fli>\u003Cli>把算力、快取、檢索、編排拆開，別讓單一資源拖死系統。\u003C\u002Fli>\u003Cli>對具身智能或物理執行類專案，先做穩定閉環，再談更複雜的策略。\u003C\u002Fli>\u003C\u002Ful>\u003Cp>再說得直白點，AI 專案現在最缺的不是更會說話的模型，而是更能完成任務的系統。這就是我從這段 WAIC2026 文案裡提煉出來的核心判斷。它不花俏，但很像真正要上線的東西。\u003C\u002Fp>\u003Ch2>可抄的模板\u003C\u002Fh2>\u003Cpre>\u003Ccode># AI 專案判斷模板：從模型能力轉向系統落地\n\n## 1. 先定義它是不是 Agent 問題\n- 目標：____________________\n- 輸入：____________________\n- 輸出：____________________\n- 需要調用的工具\u002FAPI：____________________\n- 失敗後的恢復方式：____________________\n- 人工接管點：____________________\n\n判斷標準：\n- [ ] 能拆任務\n- [ ] 能調工具\n- [ ] 能處理失敗\n- [ ] 能收斂結果\n- [ ] 能在真實流程裡完成閉環\n\n## 2. 再判斷算力和架構怎麼拆\n- 訓練\u002F推理\u002F檢索\u002F編排分別消耗什麼資源：____________________\n- 當前瓶頸是 CPU \u002F GPU \u002F IO \u002F 網路 \u002F 儲存 \u002F 記憶體：____________________\n- 哪些步驟可以異構拆分：____________________\n- 哪些步驟必須保留在同一服務鏈路：____________________\n- 是否需要快取、佇列、批處理、邊緣執行：____________________\n\n## 3. 如果涉及物理世界，先做閉環\n- 感知輸入：____________________\n- 決策邏輯：____________________\n- 執行器：____________________\n- 安全停機條件：____________________\n- 人工接管流程：____________________\n- 失敗回收策略：____________________\n\n## 4. 上線前必測清單\n- 端到端完成率\n- 平均延遲\n- 錯誤恢復率\n- 人工介入率\n- 結果可追溯性\n- 成本\u002F次任務\n\n## 5. 一句話結論\n這個 AI 功能不是在「回答得像不像」，而是在「能不能把任務真的做完」。\u003C\u002Fcode>\u003C\u002Fpre>\u003Cp>這份模板我會直接拿去做專案評審。它不花俏，但很管用。你只要把具體業務填進去，就能快速看出一個 AI 方案到底是在做展示，還是在做生產。\u003C\u002Fp>\u003Cp>來源說明：本文主要依據 \u003Ca href=\"https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2062605005086003442\">知乎專欄頁面\u003C\u002Fa> 中提供的正文資訊進行拆解與改寫，模板段落是我根據原文主題重新整理的原創工作流，不是原文逐字內容。\u003C\u002Fp>","我把WAIC2026那段話拆開，整理成開發者能直接抄的 Agent、異構算力、具身智能落地檢查表。","zhuanlan.zhihu.com","https:\u002F\u002Fzhuanlan.zhihu.com\u002Fp\u002F2062605005086003442",null,"https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785092632780-79pe.png","industry","zh","b1b236ae-df05-4292-a4ac-efbe68efe732",[17,18,19,20,21],"WAIC2026","Agent","異構計算","具身智能","AI落地",[23,24,25],"先看 AI 能不能完成任務，不要只看回答像不像。","把算力、檢索、編排拆開，別用單一架構硬扛所有工作負載。","具身智能要先做穩定閉環，再談更複雜的策略。",0,"2026-07-26T19:03:13.385596+00:00","2026-07-26T19:03:13.376+00:00",{"tags":30,"relatedLang":33,"relatedPosts":37},[31],{"name":32,"slug":32},"agent",{"id":15,"slug":34,"title":35,"language":36},"waic-2026-turns-ai-hype-into-real-work-en","WAIC 2026 turns AI hype into real work","en",[38,44,50,56,62,68],{"id":39,"slug":40,"title":41,"cover_image":42,"image_url":42,"created_at":43,"category":13},"945dcec7-8a08-47c7-90de-3f12a531529f","kpmg-openai-deal-turns-saas-into-agents-zh","KPMG 這招把 SaaS 變代理人","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785090792571-6apd.png","2026-07-26T18:32:51.378834+00:00",{"id":45,"slug":46,"title":47,"cover_image":48,"image_url":48,"created_at":49,"category":13},"93de4b89-e2e9-4123-ac95-ea708b7e54f7","moonshot-ai-anthropic-copying-dispute-zh","Moonshot AI 捲入 Anthropic 抄襲爭議","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785088976195-ccdf.png","2026-07-26T18:02:28.508396+00:00",{"id":51,"slug":52,"title":53,"cover_image":54,"image_url":54,"created_at":55,"category":13},"502550a2-2898-420b-96e6-94cfa30252f1","vector-databases-financial-search-market-growth-zh","向量資料庫會重塑金融搜尋，但不會取代核心系統","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785070982837-6kjm.png","2026-07-26T13:02:19.809149+00:00",{"id":57,"slug":58,"title":59,"cover_image":60,"image_url":60,"created_at":61,"category":13},"811eab3e-0105-455c-b196-83d77bb29e52","google-q2-2026-results-ai-spend-story-zh","Google Q2 2026：AI支出已成估值主軸，不再只是搜尋故事","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785033163241-3n0s.png","2026-07-26T02:32:19.848016+00:00",{"id":63,"slug":64,"title":65,"cover_image":66,"image_url":66,"created_at":67,"category":13},"8a081a75-f194-4e1c-9289-a36ac221f048","ai-regulation-india-business-risk-2026-zh","印度 AI 監管已成商業風險","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785031373528-ak4r.png","2026-07-26T02:02:33.344117+00:00",{"id":69,"slug":70,"title":71,"cover_image":72,"image_url":72,"created_at":73,"category":13},"af446384-5a3b-4675-9df8-8797809f33fd","europe-should-standardise-ai-act-harmonised-rules-zh","歐洲該用統一技術標準落實 AI Act","https:\u002F\u002Fxxdpdyhzhpamafnrdkyq.supabase.co\u002Fstorage\u002Fv1\u002Fobject\u002Fpublic\u002Fcovers\u002Finline-1785029576170-tlby.png","2026-07-26T01:32:30.58516+00:00",[75,80,85,90,95,100,105,110,115,120],{"id":76,"slug":77,"title":78,"created_at":79},"ee073da7-28b3-4752-a319-5a501459fb87","ai-in-2026-what-actually-matters-now-zh","2026 AI 真正重要的事","2026-03-26T07:09:12.008134+00:00",{"id":81,"slug":82,"title":83,"created_at":84},"83bd1795-8548-44c9-9a7e-de50a0923f71","trump-ai-framework-power-speech-state-preemption-zh","川普 AI 框架瞄準電力、言論與州權","2026-03-26T07:12:18.695466+00:00",{"id":86,"slug":87,"title":88,"created_at":89},"ea6be18b-c903-4e54-97b7-5f7447a612e0","nvidia-gtc-2026-big-ai-announcements-zh","NVIDIA GTC 2026 重點拆解","2026-03-26T07:14:26.62638+00:00",{"id":91,"slug":92,"title":93,"created_at":94},"4bcec76f-4c36-4daa-909f-54cd702f7c93","claude-users-spreading-out-and-getting-better-zh","Claude 用戶更分散，也更會用","2026-03-26T07:22:52.325888+00:00",{"id":96,"slug":97,"title":98,"created_at":99},"bd903b15-2473-4178-9789-b7557816e535","openclaw-raises-hard-question-for-ai-models-zh","OpenClaw 逼問 AI 模型價值","2026-03-26T07:24:54.707486+00:00",{"id":101,"slug":102,"title":103,"created_at":104},"eeac6b9e-ad9d-4831-8eec-8bba3f9bca6a","gap-google-gemini-checkout-fashion-search-zh","Gap 把結帳搬進 Gemini","2026-03-26T07:28:23.937768+00:00",{"id":106,"slug":107,"title":108,"created_at":109},"0740e53f-605d-4d57-8601-c10beb126f3c","google-pushes-gemini-transition-to-march-2026-zh","Google 把 Gemini 轉換延到 2026 年 3…","2026-03-26T07:30:12.825269+00:00",{"id":111,"slug":112,"title":113,"created_at":114},"e660d801-2421-4529-8fa9-86b82b066990","metas-llama-4-benchmark-scandal-gets-worse-zh","Meta Llama 4 分數風波又擴大","2026-03-26T07:34:21.156421+00:00",{"id":116,"slug":117,"title":118,"created_at":119},"183f9e7c-e143-40bb-a6d5-67ba84a3a8bc","accenture-mistral-ai-sovereign-enterprise-deal-zh","Accenture 攜手 Mistral AI 賣主權 AI","2026-03-26T07:38:14.818906+00:00",{"id":121,"slug":122,"title":123,"created_at":124},"191d9b1b-768a-478c-978c-dd7431a38149","mistral-ai-faces-its-hardest-year-yet-zh","Mistral AI 迎來最硬的一年","2026-03-26T07:40:23.716374+00:00"]