昆仑万维 CEO 方汉称 Token 无法构建 AI 原生组织，模型仍然最重要

昆仑万维 CEO 方汉在 WAIC 圆桌讨论上质疑了企业 AI 最青睐的指标之一：高 Token 消耗量并不能让一个组织成为 AI 原生组织。他的观点揭示了可见的 AI 活跃度与可衡量的生产价值之间的直接冲突。企业可以购买更多推理服务、部署更多助手并生成更多代码，却未必能改善那些将模型输出转化为可靠工作的系统。

方汉的立场并非简单否定 Token 增长，而是更加细致。他将 Token 描述为一种投入，其价值取决于模型、智能体框架以及围绕它们构建的组织体系。据称，昆仑万维早期使用 Copilot 和 Cursor 时，Token 消耗量并未明显上升。真正显著的转变发生在编程智能体能够检查代码仓库、执行工具、测试更改，并跨越多个步骤持续工作之后。

这一区别非常重要，因为企业越来越多地将 AI 使用情况视为转型的证据。Token 数量很容易统计，而更好的决策、更安全的发布以及真正有用的产品则更难衡量。方汉的警告是，一个组织可能将这个便于统计的数字最大化，却错失真正的成果。

他的回答也揭示了昆仑万维的战略押注。该公司在开发音乐、视频、机器人和交互式世界模型的同时，仍在继续训练基础模型。方汉认为，即使智能体和应用受到更多关注，模型和计算基础设施仍然是 AI 公司的长期根基。

昆仑万维方汉拒绝将 Token 数量作为 AI 原生程度的评分

方汉的核心观点是，Token 消耗量衡量的是活动，而不是组织智能或商业价值。

在圆桌讨论期间，有人问方汉能否用 Token 使用量衡量一个组织的 AI 转型程度。根据该公司的 WAIC 讨论，他通过介绍昆仑万维使用编程助手的经历作出了回答。

该公司很早便采用了包括 Copilot 和 Cursor 在内的工具，但据称其 Token 消耗量一直相对平稳。员工虽然可以使用模型，但这些模型仍主要作为熟悉工作流程中的助手。它们可以提供代码建议或回答问题，但无法自动重构一项任务从构想到经过测试的成果之间的完整流程。

方汉将后来有效 AI 工作量的增长与 Claude Code 等编程智能体的兴起联系起来。编程智能体是一种能够检查代码库、编辑文件、运行命令、执行测试并修改自身工作成果的软件。这种运行框架使模型能够接入完成更长期任务所需的反馈循环。

这是本文的主要反转之处。更多 Token 未必能创造出更优秀的 AI 组织。更好的模型和更强大的执行框架可以让每个 Token 发挥更大作用，而薄弱的系统则可能在消耗 Token 的同时无法产出可靠成果。

在软件项目中，这一区别十分明显。基础助手可能会在收到提示词后生成一个函数。智能体则可以找到相关服务、检查其依赖项、修改多个文件、运行测试、读取失败信息并尝试修正。

即便如此，智能体也无法独立运行。它需要代码仓库访问权限、测试基础设施、权限边界、明确的规范，以及理解预期成果的人类。Token 消耗量记录了这些步骤中的计算活动，却无法说明结果是否满足用户需求。

因此，一个组织可以通过反复重试、冗长提示词、重复部署智能体或选择不当的模型来增加 Token 使用量。这些模式可能表明浪费，而非真正采用 AI。相反，能力强大的模型在获得精准上下文和设计良好的工具后，可能用更少的 Token 完成相同任务。

方汉的论述并不意味着 Token 数据毫无用处，而是将这一指标置于成果之下。企业仍需要使用数据来进行容量规划、成本控制和产品分析，但不应将这种运营信号与 AI 已经改善组织的证明混为一谈。

更可信的评估体系应将 AI 活动与周期时间、缺陷率、客户成果、员工能力以及避免的返工联系起来。这些指标更难收集，但它们衡量的是组织获得了什么，而不是模型消耗了什么。

为什么 Claude Code 框架改变了局面

模型提供推理能力，而智能体框架将这种推理转化为行动、反馈和已完成的工作。

方汉对 Claude Code 的提及凸显了 AI 软件开发领域更广泛的变化。早期助手大多只在编辑器中补全代码。新一代智能体则可以浏览整个代码仓库，并通过命令行操作开发工具。

Anthropic 将 Claude Code 描述为一种智能体式编程系统，能够读取代码库、修改文件、运行测试并交付已提交的代码。这些能力围绕底层模型形成了一套框架。该框架决定可以提供哪些上下文、智能体可以使用哪些工具，以及如何获得证明更改有效的证据。

这一框架有助于解释为什么相同的模型在不同产品中的表现会有所差异。置于薄弱循环中的模型可能缺少相关文件、忘记先前的决定，或在测试前便停止工作。同一个模型置于成熟框架中，则可以搜索代码仓库、保留任务状态、执行检查并响应故障。

不过，框架仍无法凭空创造模型所不具备的智能。它可以提供信息和反馈，但模型必须正确理解二者。根据一篇详细的 框架分析 对其测试的复述，方汉表示，即使竞品系统使用相同的底层模型，他自己的比较结果通常仍更倾向于 Claude Code。

这一观察支持了对 AI 生产力的双层解读。模型能力决定上限，而工程设计决定产品能够在多大程度上接近这一上限。任何一层都无法取代另一层。

Anthropic 于 2026 年 6 月对约 400,000 次 Claude Code 会话进行的分析，为这一系统中的人类因素提供了证据。其 智能体编程研究 发现，人类通常负责大多数规划决策，而 Claude 负责大多数执行决策。拥有更多领域专业知识的用户更经常取得经过验证的成功，也能更有效地从错误中恢复。

研究还发现，由专家评定的会话取得经过验证的成功的概率是新手会话的两倍以上。新手放弃出现问题的会话的频率则高出数倍。这些结果挑战了这样一种观点：让所有人都能使用智能体，就会自动带来同等水平的表现。

因此，AI 原生组织需要的不只是许可证和提示词。它需要能够定义有价值的问题、识别错误输出并设计可靠验收测试的人才。它还需要智能体可以检索的共享上下文，同时避免暴露不必要的数据。

这正是可搜索的 工程知识库 发挥作用的地方。当架构决策、事故历史和运行约束能够作为结构化上下文使用时，智能体的表现会更好。组织仍然必须管控智能体可以访问哪些信息，以及可以采取哪些行动。

Claude Code 的重要性在于，它展示了模型如何成为执行系统的一部分。它并不能证明模型已经变得无关紧要。框架的价值取决于其内部推理引擎的质量。

模型，而非堆积的 Token，仍是昆仑万维的长期押注

昆仑万维将应用视为分发渠道，同时继续把模型和算力置于其技术战略的核心。

对于一家已经打造了多款 AI 应用的公司而言，方汉的观点听起来或许不同寻常。昆仑万维将 Skywork 定位为面向研究、文档、演示文稿及其他知识任务的 AI 工作空间。然而，方汉表示，该公司仍在继续训练模型，而不是完全依赖外部供应商。

这一立场反映了对战略依赖的担忧。基于第三方模型构建的应用公司可以快速推出产品，但其成本结构和能力上限仍与另一家公司的路线图绑定。模型开发商需要承担高得多的训练和基础设施投入，但也能对性能和产品方向保持更大的控制权。

昆仑万维正在将这一模型战略扩展到文本之外。该公司开发了 Matrix-Game 系列，可生成由用户操作控制的交互式环境。其开放的 Matrix-Game 代码仓库 将其描述为具备长期记忆能力的实时流式世界模型。

世界模型预测环境在执行某项操作后会如何变化。在游戏中，这可能意味着根据键盘或鼠标输入生成下一个视觉状态。在机器人领域，相关系统可以帮助智能体在选择行动之前预测其物理后果。

昆仑万维还表示，其模型路线图涵盖音乐、视频、具身环境和游戏世界。这些领域需要不同的训练数据和评估方法。如果环境无法保持物体一致性，或在数秒后忽略某项操作，那么单个逼真的视频画面并不足够。

该公司早期的语言模型工作也表明，这并非近期才进行的战略调整。2023 年的一篇技术论文将 Skywork 描述为一种开放的双语基础模型。此后的 模型报告 详细介绍了 Skywork-MoE，这是一款拥有 1460 亿总参数和 16 个专家的混合专家语言模型。

这些数字记录了技术规模，但其本身并不能证明产品价值。参数量可能成为另一个活动指标，就像 Token 消耗量一样。真正重要的是，模型能否在现实约束下改善实际任务。

昆仑万维的主张面临激烈竞争。Anthropic、OpenAI 和 Google 正通过编程及企业产品推进通用模型。包括阿里巴巴的 Qwen、DeepSeek、MiniMax 及其他实验室在内的中国开发者，则围绕能力、效率、多模态性能和部署灵活性展开竞争。

专业化世界模型所在的领域同样拥挤。研究团队和初创公司正在探索交互式视频、机器人仿真、自动驾驶和生成式游戏环境。每个市场都有不同的要求，因此一个模型家族很难统治所有领域。

因此，方汉的战略主张是可以验证的。如果昆仑万维的模型能够在其应用中创造明确优势，那么持续训练模型或许足以证明这项开支和组织投入的合理性。如果外部模型进步更快，纵向整合就可能成为一项代价高昂的承诺，而非持久的根基。

未来的产品发布必须展现出不止是视觉上令人印象深刻的演示。它们需要具备稳定的交互、可控性、实用的延迟表现，以及能够证明开发者或客户可以围绕它们构建可重复工作流的证据。只有当模型所有权能够带来应用层无法轻易租用的能力或经济优势时，它才有意义。

AI 编程在提升产出的同时也增加了技术债务

编程智能体扩展软件产出的速度，可能快于组织扩展其审查、测试和负责这些软件的能力。

方汉在阐述生产力观点的同时，也对技术债务发出了警告。技术债务是指由捷径、薄弱设计或未被充分理解的代码所造成的未来工作。AIHOT 对其言论的总结称，他警告 AI 编程可能使生产事故增加数倍。这一数字说法尚未得到独立验证，因此不应将其视为行业基准。

即使不接受这一数字，其背后的风险依然可信。智能体可以持续生成代码，而审查能力仍然受限于人的注意力和测试质量。更快的生产速度会增加软件规模，而这些软件中可能包含隐藏的假设、安全问题或维护负担。

Anthropic 提供了一个引人注目的内部案例，展示了产出的增长。该公司报告称，截至 2026 年 5 月，合并到其代码库中的代码有超过 80% 由 Claude 编写。公司还表示，第二季度典型工程师每天合并的代码量是 2024 年的八倍。

Anthropic 明确提醒，代码行数会夸大生产力，因为数量无法衡量质量。这一限定进一步印证了方汉的观点。统计生成的代码可能产生误导，其原因与统计 token 相同。

模型公司之外的证据则喜忧参半。METR 的一项随机试验发现，经验丰富的开源开发者在使用 2025 年初的 AI 工具时，在自己熟悉的代码仓库中完成任务所需的时间反而增加了 19%。这项开发者研究考察的是较旧的工具，因此无法对 2026 年智能体的表现下定论。但它确实表明，基准测试分数和用户预期无法取代真实环境中的测量。

AI 生成的变更还可能造成责任归属缺口。工程师可能会批准看起来正确的代码，却并不了解其背后的设计选择。当系统在几周后发生故障时，团队必须重新构建那些从未被记录下来的推理过程。

当非工程人员创建内部应用时，风险会进一步增大。领域专家往往比开发者更了解业务问题，而编程智能体为他们提供了直接实现自动化的途径。然而，这些用户可能无法识别身份验证缺陷、不安全的数据处理方式、竞态条件或脆弱的依赖关系。

这并不意味着组织应该阻止智能体编程，而是意味着组织应围绕它建立责任机制。每一项生产环境变更仍然需要明确的负责人、适当的测试、安全控制以及回滚路径。

代码审查也必须随之改变。逐行审查规模越来越大的机器生成补丁流，可能会变得不切实际。团队需要更强大的自动化检查、更小的变更集、明确的架构规则，以及评估行为而非表层语法的测试。

组织应监测部署速度与运营质量之间的关系。有效的衡量指标包括漏检缺陷、回滚频率、事故严重程度、审查时间，以及发布后产生的维护工作量。token 数量应与这些指标并列，而不是凌驾于它们之上。

方汉最有力的观点在于组织层面。AI 降低了实现成本，但廉价的实现可能会催生更多低价值软件。稀缺资源将转向判断力：选择正确的问题、定义约束条件，以及决定生成的产出是否有存在的价值。

真正的竞争是模型能力与可衡量成果之间的较量

行业的核心争论并不是模型与应用之争，而是能力和严谨执行与表面使用量之间的较量。

token 数量对高管具有吸引力，因为它为不同团队提供了一个通用单位。它可以显示员工是否正在尝试获批的工具，以及基础设施使用量是否正在增长。但它无法揭示用户是否选择了正确的模型、提供了有用的上下文，或接受了有缺陷的输出。

其他流行的 AI 指标也存在同样的局限。提示词数量会鼓励任务碎片化。生成代码量会奖励冗长。席位激活量衡量的是访问权限。节省时间通常依赖自我报告的估算，而这些估算会忽略后续返工。

成果衡量更慢，在组织政治层面也更棘手。失败的部署有明确的负责人，而持续上升的使用量仪表板看起来就像进步。方汉的批评促使技术领导者将 AI 支出与运营证据联系起来。

模型开发者也面临类似的衡量问题。标准基准测试有助于在受控条件下比较系统，但真实工作涉及私有上下文、模糊目标、工具故障和不断变化的需求。一个模型即使在基准测试中领先，在组织内部工作流中仍可能表现不佳。

因此，主要对手并不是昆仑万维与 Anthropic 或其他实验室之间的竞争。更深层的较量发生在以投入为导向的 AI 转型理论与以成果为导向的理论之间。

按照投入导向的理论，更多模型访问会带来更多使用，而更多使用会带来转型。按照成果导向的理论，只有当模型、工具、知识、治理和责任明确的人员共同组成一个有效运转的系统时，AI 才能创造价值。

成果导向的观点也会改变采购方式。买家应在具有代表性的任务中测试多个模型，而不是根据排行榜选择一个模型。他们应评估完成的工作、纠错率、延迟、安全性和人力总投入。

它也会改变人力规划。如果领域专家能够有效指导智能体，组织就需要保留并传播领域知识。在将经验丰富的员工所拥有的判断力编码下来之前就替换他们，可能会削弱智能体所需要的关键上下文。

在整个过程中，模型本身依然重要。更强的推理能力可以减少重试、识别缺失信息，并处理更长的依赖链。再出色的智能体框架，也无法完全弥补模型对任务的误解。

同样，强大的模型也无法弥补权限缺失、文档过时或测试套件缺位的问题。方汉的立场将这两个事实结合起来：模型奠定长期能力，而工程系统则将这种能力转化为生产价值。

这种解读也避免了在自建与采购之间作出错误的二选一。大多数组织不应该训练前沿模型，但它们仍然需要一套涵盖评估、路由、数据访问和供应商风险的内部模型战略。

昆仑万维选择了一条要求更高的道路：同时构建模型和应用。这一选择使其有机会优化整个技术栈，也让市场能够从更多维度判断这些投资是否产生了差异化成果。

三个信号将检验方汉的 AI 原生论点

接下来的证据应来自产品表现、运营质量和客户采用情况，而不是又一个吸引眼球的 token 数字。

第一个信号是昆仑万维的下一波模型发布。其音乐、视频、机器人和游戏世界系统需要展现持久状态、可控输出和实用的延迟表现。有力的演示将支持方汉的主张，即自有模型能力能够构建持久的基础。

薄弱或仅在狭窄场景中精心编排的演示，则会削弱这一主张。世界模型尤其容易依赖令人印象深刻的短片，而无法经受持续交互的考验。独立测试应考察长时程一致性、动作响应，以及在精心挑选的提示词之外的表现。

第二个信号是扩大编程智能体使用规模的组织所呈现出的质量记录。部署频率很可能上升，但只有结合缺陷、回滚和事故数据，这种增长才有意义。如果有证据表明团队能够在不损害可靠性的前提下扩大智能体编写代码的规模，就能回应方汉对技术债务的担忧。

如果这些指标恶化，则说明组织扩大代码生成的速度快于完善治理的速度。这也将进一步证明人工审查、自动验证和更清晰责任边界的必要性。

第三个信号是企业是否从使用量仪表板转向任务级回报衡量。买家应报告智能体如何改变完成时间、返工量、客户成果和整体运营投入。token 消耗仍然可以作为分析的一部分，但它应当作为成本和容量指标发挥作用。

这种转变不会在所有组织中同步发生。报告快速增长的使用量符合供应商的利益，而客户可能缺乏针对知识工作的清晰基线。即便如此，采购压力仍应更有利于那些能够证明经过验证的成果，而不仅仅是用户参与度的系统。

对开发者而言，方汉传达的信息很实用：把智能体视为执行合作伙伴，而不是不容置疑的代码工厂。为它提供测试、约束和相关上下文。审查那些影响架构、安全和数据处理的决策。

对企业买家而言，关键信息是评估完整的系统。模型质量、工具访问、可观测性、知识检索和治理共同决定智能体能否创造持久价值。金额更高的 token 账单无法回答这个问题。

对知识工作者而言，这一转变将奖励清晰的问题定义和领域理解。AI 可以承担更多执行工作，但人仍然需要决定什么成果最重要，以及结果是否可信。结构化的AI 工作流可以减少重复工作，同时保留这种判断力。

方汉对基于 token 的转型观提出的挑战，归根结底是对更好证据的要求。如今，昆仑万维也承担着同样的举证责任。其即将推出的模型必须证明，模型所有权、训练投入和算力基础设施能够转化为用户愿意选择、组织可以信任的产品。

对于每一位 AI 领导者而言，问题已不再是公司消耗了多少 token，而是这些 token 被使用后带来了什么改变、谁验证了结果，以及组织能否安全地重复这一过程。