<mark id="oztn4"></mark>
0
姚欣身上有一種經歷過周期的人才有的松弛感。
2026 年 7 月的 WAIC 現場，人潮比上海七月的氣溫還燥熱。各路廠商的展臺一個比一個聲勢浩大，大模型、機器人、AI 手機輪番登場。而在 PPIO 的媒體溝通會現場，姚欣穿著一件深色 POLO 衫坐定，開口第一句話不是談技術多么顛覆，而是掏出手機亮了亮："我最近剛換了個 1TB 的，以后硬盤越來越貴，趁早升級。"
這是個只有在行業里摸爬滾打過的人才會開的玩笑。二十年前，他是華中科技大學的計算機系學生，用分布式技術解決了萬人同時在線看球賽卡頓的問題，做出了 PPTV；2018 年二次創業做 PPIO，并從2023年起 ALL IN AI，成為中國最早一批"Token 工廠"。
現在，PPIO 日均 Token 調用量 1.2 萬億，較去年同期增長 8 倍。按灼識咨詢的統計，它已是國內 Token 消耗量最大的獨立 AI 云廠商。這個數字放在任何一家 AI 公司的發布會上都會被反復提及，但姚欣只是把它當作背景板。他在意的不是規模本身，而是規模背后正在發生的結構性位移。
"云的第一客戶，從人變成了 Agent。"他在采訪中說這句話時語速不快，像在陳述一個早已發生、只是最近才被行業普遍承認的事實。
這句話的意思是，過去十幾年云計算服務的對象是人，人打開軟件、人點擊按鈕、人發起請求；而接下來，主要的消耗者將變成自主運行的智能體。這不是一個遙遠的預測，而是 PPIO 后臺數據正在顯示的趨勢：嘗鮮用戶退潮后，企業付費的 Token 消耗依然每月 10%–20% 穩健增長，其中 Agent 的占比越來越高。
姚欣給這個時代列了一個公式：Agent 生產力 = Token 智能密度 × Agent Loop 時長。前者決定每一步決策的質量上限，后者決定 Agent 能持續運行多久。PPIO 在 WAIC 2026 發布的 Agentic Cloud，就是圍繞這個公式構建的兩層產品體系：智能模型網關推高密度，Agent Harness 層拉長時長。
但這場采訪值得記錄的，不只是產品本身，AI 行業的供需反轉、成本曲線、競爭格局，都將會一一呈現。
以下是AI科技評論與姚欣的對話精簡版本：
一、核心判斷：Agent 才是第一客戶
AI科技評論：怎么看現在這波 AI 需求的熱度？是真實的嗎？
姚欣：是真實的，而且變了。今年 2、3 月增長曲線非常陡，那是對龍蝦類產品大量嘗鮮式應用，大家試一試；這一波用戶嘗鮮一兩個月就退了。現在我們進入穩健增長階段，每個月大約 10%–20% 的持續增長，全年算下來大概三到四倍增幅，已經進了正循環，變成真正生產力的工具。
我們的 Token 曲線和大家看到的不一樣。PPIO 是 ToB 公司，平臺上所有 Token 都是付費的，不是 C 端免費嘗鮮的曲線，是企業付費的真實曲線。經過一波嘗鮮降溫，增速沒那么陡了，但進了穩健的持續增長。
AI科技評論：企業主要拿這些 Token 干什么？
姚欣：我觀察，企業內部大量重復性勞動正在被 AI 改造。我們公司里用 OpenClaw 最積極的不是技術崗，是財務、人事、行政、市場這些非技術崗位，我自己也高頻用。研發去年底就在用 Claude Code、Codex 這類編程智能體，門檻高，要命令行、懂技術邏輯；OpenClaw 這類優勢是使用門檻極低，有飛書或微信就能用，所以大量辦公白領都在高頻用。
另外我觀察到很多 OPC，這說明創業范式變了。以前創業先融一輪資再啟動，現在是先買一個 Token 包做出 Demo，跑通了再去融天使輪。這也是張江模力社區樓下 OPC 社區越來越紅火的原因。
AI科技評論：所以你對Agent時代的核心判斷是什么？
姚欣：Agent 時代最重要的變化，是云的第一客戶從人變成了 Agent。過去云計算是為人使用軟件設計的，Agentic Cloud 是為 Agent 自主運行而生的。
我給 Agent 時代列了個公式：Agent 生產力 = Token 智能密度 × Agent Loop 時長。
Token 智能密度決定 Agent 每一步決策的質量上限，Agent Loop 時長決定它能持續運行多久、完成多復雜的任務。PPIO 這次發布 Agentic Cloud，就是分兩層去推高這兩個變量：智能模型網關推高密度，Agent Harness 層拉長 Loop 時長。
二、智能模型網關：混合模型與調度是兩回事
AI科技評論：你在前面不斷提到智能模型網關，智能模型網關到底解決什么問題？
姚欣：開發者有個真實痛點，太依賴一個"全能型"大模型，但單模型可能推理不深、記憶不足、文采平平。網關要做的是，給 Agent 的每一步動態匹配最合適的"專家模型"，同時把成本按住。
它有兩個功能，差別很關鍵：
第一個是混合模型（MoM，Mixture of Models）。在高價值、高風險、結果不確定的關鍵步驟（比如法律合同審查、醫療初診），把問題同時分發給多個專家模型，交叉驗證、打碎再融合生成最終答案，大幅提升任務成功率。
第二個是模型調度（Router）。也就是簡單問答用輕量模型，復雜推理用強模型，壓縮冗余上下文、復用計算、設預算護欄和失敗回退。
混合模型是 Mix，把多個模型結果打碎再混合出新結果，調度是 Router，也就是原樣轉發下去，這兩個不是一回事。
AI科技評論：效果有量化嗎？
姚欣：在 DRACO 深度研究基準上，我們融合 Mimo-V2.5-Pro、Kimi-K2.7 和 GLM-5.2 做混合推理，性能可接近 Claude Fable5 的水平，成本卻大幅下降；綜合測算，智能水平提升約 20%，成本下降 50%–60%。
AI科技評論：混合模型的工程壁壘在哪？是那個調度模型本身嗎？
姚欣：調度和混合是兩個業務，都在網關里。調度側有一個識別任務復雜度、做自動擋決策的路由模型；但更底層是"什么模型適合什么任務"。這不是看各家發的 Benchmark（開卷考試，先拿到答案），而是靠生產環境里每天 1.2 萬億次真實調用喂出來的數據。三個模型開會，和一個模型自己想，質量不一樣，道理就跟開會一樣。
混合模型這邊，第一步基礎還是 Benchmark，到底哪些模型擅長什么，要依賴大量經驗數據；第二步是多模型思考編排，三個模型怎么用不同提示詞駕馭、答案怎么裝配，裝配形式不同命中率就不同；再上線壓縮，最后主模型把三個參考案統一回來。
三、Agent Harness：讓 Agent 不只"想"，還能"做"
AI科技評論：Agentic Cloud 和 Agent Infra 是什么關系？
姚欣：是升級。去年我們推 Sandbox 時，主題是推出 Agent Infra，給一個沙箱；今天給你的不只是一個沙箱加一個模型 API，還要做一整套 Harness 工程，甚至給一個現成可用的智能體服務，這一層有點像 SaaS。從 Infra 到 Cloud，是從單點變一整套，融合了運行環境和應用服務。
AI科技評論：為什么有時候叫 Agent，有時候叫 Agentic？
姚欣：說實話我英文也不夠好（笑）。Agentic 更像形容詞，更敏捷一點的感覺；學術文獻里一般用 Agent，是名詞。我們最后定名 Agentic Cloud，但服務的是 for Agent 的應用。這塊真需要各位文字工作者幫我們發明更準確的中文譯名，每次都痛苦。
AI科技評論：普通開發者用 的Harness，你們具體解決什么？
姚欣：分兩類。去年推的沙箱面向開發者，比如某款知名通用Agent產品底層調我們的基礎設施來跑。今年 OpenClaw 這類開源智能體火了，很多非技術背景的普通人也能用，但還有安全、效率問題，所以我們上線了 PPClaw，可以把所有底層環境配好，像 SaaS 一樣開箱即用，一鍵生成、一鍵啟動。沙箱調用被內化進去，普通用戶根本不用知道沙箱是什么，只知道自己的數字員工有記憶、執行強。
我們官網三條產品線，第一是 GPU 云服務，現在占比已經很小，第二是模型服務，包括大語言 + 多模態，第三是 Agent 云服務，這方面是去年給開發者的沙箱，加上今年給普通人的托管。托管相當于一個具備通用工作能力的"大學畢業生"，你給它灌進企業知識庫，它就能在公司干活，調多少 Token、調哪些服務全由我們托管。
四、算力漲價反轉與全棧式方案
AI科技評論：今年 WAIC 和去年比，Infra 這塊最大變化是什么？
姚欣：最大不同是算力漲價。一年前我們愁賣不掉，桌上擺著一堆 H20 的卡跑 DeepSeek，愁怎么推到企業側，央國企當時還在買一體機、做驗證。今天倒過來了：算力不夠、太貴、漲價。
這是供需反轉，有背后兩件事，一是 AI 真能解決大量生產效率（編程、辦公、AI 短劇），二是 Agent 消耗是數量級的。反轉后我們也很痛苦，上游算力太貴，我現在買不起硬盤，最近勸大家趕快升級手機，我剛換了個 1TB 的。
AI科技評論：Token 成本往后三年怎么走？
姚欣：過去三年怎么降的？一是 GPU 換代，A100 到 H100 到 B100，每代性能提升 5–10 倍；二是推理加速等軟件技術。但硬件側變化在放緩。今年參加英偉達會議，GPU 已到 3 納米物理極限，1 納米基本不可能，2 納米頂到天，最多提升 1.5 倍，沒有再提升 10 倍的能力。現在靠超節點、靠橫向擴張補。
但軟件提升還在快速走。過去半年最大變化不在 GPU，在內存和硬盤，智能體追求記憶，上下文從幾 K 走到 100 萬，先放顯存、顯存不夠放內存、再不夠放硬盤，把 SSD 炒上天。系統架構變遷能實現指數級飛躍。我堅持判斷：每年智能使用成本還會接近 10 倍下降，因為軟件空間還極大，沒走到頭。
五、AI Coding、OPC 與"更新速度"
AI科技評論：今年 AI Coding 特別火，對 PPIO 有什么影響？
姚欣：兩端都受影響。收入端：Token 消耗上 Agent 占比高，但收入上 AI Coding 是主力，今年 3、4 月起企業客戶因 AI Coding 大量消耗 Token，是收入核心來源。研發端：我們一年上線 100 多款模型，發布節奏比移動互聯網時代快 10 倍以上，核心原因是內部實現了"AI for AI"——模型上線、運維、自動化大量由 AI 編程完成，每 3 天就有一次版本發布。
我們"吃自己的狗糧"，自己產 Token 自己先消耗，全員用 AI 工具，效率才這么快。
AI科技評論：一季度 AI Coding 爆發后，4、5、6 月體感熱度下滑，你有同感嗎？
姚欣：變化有，但要區分：AI Coding 是給人用的，模型偏貴；OpenClaw 這類 Agent 用 Agent 模型，相對便宜。今年春節后 Token 消耗突然起來，我們以為是 AI Coding 自然增長；到 3 月增速比 2 月翻了 3 倍，我們才確認是 Agent 爆發。
之后幾個月增速放緩，因為嘗鮮熱度下去了。4 月左右 C 端嘗鮮基本退去，OpenClaw 調用下降，5 月 Hermes 調用量超過了 OpenClaw。但企業需求穩步提升，AI Coding 和 Agent 兩條曲線都在穩步走。
我估計下半年 Agent 還會沖一波：隨著 Harness 工程和 Loop Engineering 成熟，一個任務完成要消耗的 Token 會提升 10–100 倍，即使人數不漲，單任務用量也漲 10 倍以上。
AI科技評論：你提到的 OPC，大量用 Token 是不是也屬嘗鮮？
姚欣：不是。To B 最多一兩周、一兩個月嘗鮮，之后要付這么多錢，大家都是算過賬的。很多 OPC 小公司一個月 Token 使用量能到 100 億，這在以前以為只有大型企業才到。這類公司我定義為 Agent Native 企業（智能體原生企業），人智比普遍 1:10、1:20（我們公司還是 1:3）。它們更新速度太快，如果二線廠商不轉型，很可能被這些異軍突起的創業公司替代。
AI科技評論：這波靠 Agent 瘋狂更新的公司，也會像當年 PPTV 一樣，活下來的根本不是技術嗎？
姚欣：對，有的行業老登還是能活下來，已經不是靠技術。PPTV 后來我賣掉，也是因為不是靠技術領先，主要靠版權。今天 AI 行業最領先的企業，大家關心的不是你今天多快多好，而是內部更新速度能不能更快。OpenAI 緊盯 DeepSeek，關注的不是模型，是 DeepSeek 的內部更新速度比它還快。Claude Code 官方 3 月一個月發 17 個版本，兩天一版。PPTV 放在這個時代，我大概率活不下來。
#雷峰網(公眾號：雷峰網)
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
