行业动态
阅读: 224 评论: 0 点赞: 0 发布时间：发布日期：2026-06-18 08:34:46
先说一个数字：6月8日至14日这一周，全球AI大模型总调用量达到44.6万亿Token，比前一周多了23.5%，而且是连续第八周上涨。CS人工智能指数当天涨了4.61%，光迅科技涨停，浪潮信息涨了9.7%。市场在用钱投票，说明一件事——大模型不再只是实验室里的玩具，它已经变成了基础设施。
但这周最值得聊的不是数字，而是节奏。GPT-5.6被曝光进入内部测试，传闻150万Token上下文窗口；Claude Opus 4.8在Google Vertex AI后台被发现模型标识；Gemini 3.5 Pro、Grok 5同步亮相。国产这边，Qwen3.6、GLM-5.1、Kimi K2.6、MiniMax M2.5密集出手。一个月内十几款旗舰模型扎堆发布，说实话，我有点怀疑这是不是在互相催着发——你出了我就不能不出。
GPT-5.6传闻支持150万Token上下文窗口，这个数字从年初的128K一路飙到现在，半年涨了十倍。Claude Opus 4.8据说也在往这个方向走，Anthropic泄露的2.5万行源码已经暴露了不少细节。150万Token意味着什么？你可以把一本300页的书连同所有注释一起扔进去，让模型理解完整上下文后再回答问题。
但问题来了——长上下文是技术突破，也是成本黑洞。每次处理150万Token的推理成本，比处理128K高出不止一个数量级。中小企业用得起吗？说实话，大多数企业连128K都用不满。真正需要超长上下文的场景——法律合同审查、科研文献综述、大型代码库分析——市场规模没那么大，反而是这些场景的用户付费意愿最强。
我其实觉得，150万Token更像是一个"技术标杆"而非"商业标配"。模型厂商需要这个数字来证明自己还在进步，就像手机厂商年年刷新屏幕参数一样。真正决定胜负的不是上下文多长，而是谁能把成本压到让中小企业觉得"划算"。
赛迪顾问最近发了一份报告，把Agent规模化落地的困境总结为"三道坎"。我觉得这个总结相当到位，值得展开聊聊。
第一道坎：场景适配不足，颠覆性应用缺位。现在大部分Agent还在做"辅助性"工作——帮客服回复、帮HR筛简历、帮销售写邮件。这些有用，但不够颠覆。真正的杀手级应用是什么？我看过一些企业用Agent接管完整的业务流程，从订单录入到物流调度到异常处理，全程不需要人介入。但这样的案例太少了，大部分企业还停留在"试点一台Agent"的阶段。
第二道坎：技术迭代快于落地周期。这可能是最扎心的一条。你刚花三个月部署了一套基于GPT-5.5的Agent架构，GPT-5.6就出来了，性能更好、价格更低。要不要升级？升级又要三个月。技术迭代的速度远远快于企业消化技术的速度，选型风险变成了一种结构性困境。
第三道坎：数据治理与运行环境建设滞后。Agent需要访问企业内部数据——ERP、CRM、邮件、文档——但这些数据的结构、权限、质量参差不齐。一家制造业客户跟我聊过，他们想让Agent读取设备运维数据做异常预警，结果发现数据格式有六种，权限管理混乱，清洗完数据比部署Agent花的时间还长。
赛迪顾问提出了一个叫"Harness Engineering"的概念——驾驭工程。核心思路是把Agent从"自由发挥"变成"可控执行"，通过明确的行为边界、工具调用规范和结果校验机制，让Agent在企业环境里像员工一样受管理。我觉得这个方向是对的，Agent不能只是聪明的，还得是靠谱的。
6月这波发布潮里，国产阵营的表现值得关注。Qwen3.6在多项基准测试里逼近Claude Sonnet 4.8，MiniMax M2.5在长上下文理解上甚至超过了一些闭源竞品。阿里还做了组织架构调整——合并通义大模型事业部与未来生活实验室，成立Token Foundry事业部，由CEO吴泳铭直接负责。这个动作信号很明确：阿里不再把大模型当"实验项目"，而是当核心业务来做。
科大讯飞也在走一条有意思的路——把多模态大模型和具身智能绑定。他们在6月11日的长三角机器人及自动化展览会上展示了用多模态大模型给机器人装"AI大脑"的方案。机器人指数当天涨了2.51%，市场对这条路的认可度正在升温。
还有一个容易被忽略的信号：加拿大总理卡尼公开警告过度依赖美国AI模型的风险。这不是政治表态，而是产业现实——全球AI基础设施正在变成少数几家美国公司的私有领地，欧洲和加拿大开始认真考虑"自主AI"的必要性。对中国来说，国产模型的崛起不只是技术追赶，更是产业安全的基本盘。
Google在6月发布了Gemma 4 12B开源模型，参数量不大但性能不弱，在同等规模模型里表现亮眼。开源社区的反应很快——三天内就有超过200个基于Gemma 4的微调版本上传到Hugging Face。
但企业用开源模型，痛点不在模型本身，而在周边。微调需要GPU集群，推理需要优化引擎，部署需要安全合规框架。这些"脏活累活"开源社区不做，或者做得不够好。所以很多企业最后还是回到闭源模型——不是因为闭源更好，而是因为闭源把脏活都包了。
我观察到的一个趋势是：开源模型正在变成"技术验证工具"而非"生产部署工具"。企业先用开源模型验证场景可行性，算清楚ROI，再切换到闭源模型做规模化部署。这个路径其实挺务实的，既降低了试错成本，又保证了最终的生产质量。
6月这波发布潮看完，我最大的感受是：上半场比的是谁的模型更大、更聪明；下半场比的是谁的工程能力更强、落地路径更清晰。44万亿Token的调用量说明需求在那，但"三道坎"说明供给侧还没准备好。
对企业来说，当下最该做的不是追最新模型，而是把数据治理和流程标准化做好。Agent再聪明，喂进去的数据是乱的，出来的结果也是乱的。先把地基打好，模型迭代就不再是威胁，而是红利。