焦糖

安谋科技牵头发起开源AIOS联盟：OS从“工具”进化为“智能体”_我的网站

A |     当AI新型设备层出不穷、具身智能加速落地，未来的AI操作系统及其软件栈将呈现何种形态？在WAIC 2026安谋科技发布会的压轴环节，安谋科技市场及生态副总裁梁泉给出了一个判断：操作系统正在从传统的“工具型”向“智能体”演进。作为这一趋势的回应，安谋科技牵头联合多家合作伙伴，正式发起开源AIOS联盟，共同探索新一代AI产品的基础设施。         交互范式革命：AIOS的四个核心驱动力          回顾各类计算平台发展历史，每一次计算载体跃迁，都源于“新交互×新计算”的双重驱动。PC时代用鼠标键盘，移动时代转向了多点触控，交互方式决定了人与设备打交道的方式。    过去一段时间，绝大部分AI应用创业者最焦虑的问题就是：大模型会不会把应用全吃了？                    今年以来，OpenAI、Anthropic 持续推出法律、设计、办公全套垂直套件，微软依托 Office 生态捆绑 Copilot，不断向企业渗透。                   越来越多人开始相信，只要底层模型持续进化，今天所有AI应用，不过都是等待被官方“内置”的功能。

B | 而AI时代，这一规律仍在延续。         梁泉将驱动AIOS变革的核心因素归纳为四个维度：          第一，交互范式升级。

C | 语音交互、生成式UI将成为常态——用户面对的将不再是固定界面，而是根据交互过程实时生成的界面。更具颠覆性的是“具身互动”：当人与机器人、机器狗打交道时，交互不再是回合制对话，而是持续感知的自然过程。                   但就在不久前，曾打造上市安全巨头Rubrik、如今执掌70亿美金企业AI独角兽Glean的创始人Arvind Jain，做客全球头部创投播客《20VC》，给出了一个犀利的判断：                    OpenAI和Anthropic赢不了真正的应用层企业。         梁泉举了一个生动的例子：“你跟一只机器狗打招呼，一定要唤起它的名字吗？不是的。原因很简单，通用模型能解决“标准化生产”，却永远无法替代应用公司对垂直业务的深度理解。

D |                    更重要的是，前沿闭源大模型的本身也在失去吸引力。可能它在那边跑，你叫一声，它回头看你一眼，就应该停止了。”这种自然交互方式，将深刻驱动AI计算平台和系统软件的大幅变革。目前90%以上企业场景，开源模型已经能完全承接需求。

E |          第二，系统架构迭代。异构计算已成为共识，但更关键的演进发生在Agentic AI的落地层面：从工具的多轮稳定调用，到长短时记忆的引入，再到基于数据流驱动感知的落地，以及任务的智能编排。

F |                    以下是专访的内容：                              / 01 /          企业开始“不信任”前沿模型了                    Palantir CEO Alex Karp7月初在CNBC抛出一个判断：大型企业对前沿模型厂商的不信任度达到了前所未有的程度。

G |          梁泉特别提到了近期业界流行的一个概念——“Orchestration”，即如何将AI任务更好地编排到虚拟化环境或实际本地运行环境中。                   之所以出现这种情况，是因为实验室里的“能力”与企业里的“价值”，中间隔着一条很长的链条。这一能力的成熟，将成为AIOS区别于传统操作系统的核心标志之一。         第三，端侧AI能力突破。

H | 过去业界普遍认为端侧AI永远落后云端两三代，但当端侧模型能力逐渐跨过可用性门槛后，“代际差”正在缩小。                   当前不少企业部署AI的方式非常直接：购买模型服务，再通过MCP等方式把它接入内部的文档、邮件、CRM、工单、代码库和各种业务系统。管理者的想象是，只要模型能看到足够多的数据，它就会自动理解公司，并开始创造价值。         梁泉指出，如今云端应用的Agentic能力，在端侧模型乃至MoE模型上已能达到很可用的状态；配合芯片计算架构的异构迭代，端侧AI的突破已是“近在眼前的事情”。                   现实并非如此。

I |                    一家大型企业内部可能有数百甚至上千套系统，同一个客户在销售部门叫“账户”，在财务部门叫“主体”，到了交付部门又可能对应若干项目。                   权限、版本、业务口径和隐性规则层层叠加。安谋科技在IP研发和软硬件协同上的大量投入，正是在加速这一进程。         第四，端云协同深化。当前大量AI计算发生在云端，但随着端侧能力提升，计算将更多在本地完成。

J | 模型虽然能读取这些信息，却并不知道哪一条对当前任务最重要，也不知道公司过去究竟是如何完成类似工作的。                   于是，它只能用一种近似“暴力搜索”的方式拼装上下文：先检索大量材料，再尝试判断彼此关系，最后生成一个看上去像答案的答案。未来的模式将不再是简单的“端侧采集、云端处理”，而是端云协同更加丰富、更加动态。

K |          重新定义AIOS：交互是核心，模型是中枢          基于以上趋势判断，梁泉给出了安谋科技对AIOS的定义：一个基于感知的生成式交互和具身互动的系统，其中交互被置于核心位置。

L |                    这会产生两个直接后果：一是慢，大量时间耗在寻找原材料上；二是贵，大量Token消耗在无效检索和上下文拼接上。         他解释道，如果AIOS只是作为一个计算基础设施静静地运行，那么基于现有Linux或服务器系统的架构已经在云端和边缘侧广泛落地。但如果我们要讨论的是新型边缘设备或具身产品——那些能与人持续互动的设备——交互就是整个系统的灵魂。企业买到了一个聪明的大脑，却没有给它配备记忆、地图和工作手册。                   所以，企业AI落地的真正瓶颈，往往不是模型能力，而是上下文工程。“大家回忆PC和手机，日常打交道最多的就是交互。所以我们将交互的演进、交互范式的迭代放在系统的核心。”          在这一框架下，AI模型能力成为系统中枢，AI任务编排、传感与运控成为关键支柱。                   这里的“上下文”也不仅是把几份文档塞进提示词。它包括企业的知识体系、数据权限、术语关系、业务流程，以及那些从未写进制度、却存在于员工经验中的隐性知识。

M | 梁泉还特别提到了对传感层面的深入思考：如何让传感真正实现自然、无缝的交流？他引用了OpenAI近期发布的GPT-Live，已能实现非常自然的语言流交互。

N | 但具身设备的交互更为复杂——机器人可能通过视觉感知用户的动作、情绪变化，这种持续感知与交互对系统的要求远超单纯的语言对话。                   比如，一项工作第一次被执行时，企业或许会留下十个标准步骤。但此后几年里，员工会不断调整顺序、绕开例外、总结捷径。大量真正决定效率的经验并没有被记录，只存在于人的判断里。未来，当智能代理开始承担工作时，这些经验会逐渐沉淀到代理之中。                   这也带来一个比“数据归谁”更深的问题：由AI在长期工作中积累的组织经验，究竟属于企业，还是属于提供智能代理的厂商？                    企业担心的已经不只是技术依赖，而是运营依赖。如果核心工作由外部代理执行，代理又掌握了不断复利的组织经验，那么更换供应商就不再是换一个软件，而近似于更换一套公司的“外置大脑”。                   所以，企业真正需要控制的，不只是模型和数据，还包括AI在工作中形成的经验。         此外，记忆系统同样不可或缺，包括长短时记忆和上下文管理，同时还需兼顾隐私和规则约束。         “上面的AIOS基础设施都会有完整的重构过程，而基于现成的Linux系统可以很好地搭建这样的能力。                   / 02 /          90%的企业AI场景，不需要最强模型                    如果说上下文决定AI能不能用，那么成本决定AI能不能大规模使用。”梁泉表示，正是这套OS产品和技术的定义，驱动了开源AIOS联盟的发起。                   Arvind Jain的访谈中最值得关注的一个判断是：如今90%甚至更多的企业应用场景，已经不需要用最强的模型。         AIOS架构揭秘：四大引擎构筑智能体底座          演讲中，梁泉展示了一张囊括AIOS核心模块的架构图，并逐一拆解了其中的四大引擎。                   这个数字背后的含义是，企业只会为“足够好且成本可控的结果”买单。                   无论是一份内部会议纪要，还是一封销售跟进邮件，都不需要调用世界上最强的模型。

o | 只要质量达到业务要求，更便宜的模型就会自然胜出。                   这意味着，大模型正在经历软件行业非常熟悉的一幕：稀缺能力变成标准供给，技术优势变成可替换的商品。                   Glean的做法很有代表性。         模型引擎，负责模型推理和端云协同路由，贯穿从感知到交互的全过程。它并不要求客户押注某一个模型，而是根据任务自动选择合适的模型：简单任务交给成本更低的开源模型，复杂任务再调用更强的闭源模型。                   在这种架构里，应用公司与模型公司的关系也发生了变化。

p | 端侧需运行多个模型，包括语音识别、TTS文本转语音等。

q | 更为关键的是，处理自然交互不仅需要能把语言模型或多模态模型跑起来的技术架构，更需要融入交互流中的互动结构——这是新型AIOS区别于传统系统的重要模块。         Agentic引擎，涵盖多轮工具调用和任务编排，尤其强调“Loops”的概念：如何将自动任务或循环任务与复杂的终极目标相结合，将一个简单语句背后隐藏的复杂规划和拆解，落地为可执行的动作或可分解的任务。模型厂商越卷、开源社区进步越快，应用公司的原材料就越便宜、越丰富。真正危险的不是模型继续升级，而是应用公司除了调用模型之外，没有形成其他价值。梁泉特别强调，Agentic引擎中非常重视隐私和安全特性，确保那些看似可自主执行的关键动作任务，始终在合理的边界内运行。

r |                    这也是为什么“套壳”是个容易被滥用的词。                   调用同一个模型，不等于提供同一种产品。就像所有电商网站都运行在类似的云计算基础设施上，真正决定体验的仍是供应链、履约、推荐、客服和组织效率。

s | 企业AI的差异同样来自权限体系、上下文质量、工作流编排、结果评估和交付能力。         记忆引擎与数据流引擎，后者的重要性在具身场景中尤为突出。数据流引擎将视频流和音频流深度融合，支撑混合输入——实时的、同时的语音、视频、文本输入。

t |                    当然，开源替代也并非毫无阻力。                   Arvind Jain提到，一些企业对中国开源模型仍有心理和合规顾虑，即使模型可以本地部署、数据不会传回模型提供方，决策者依然会担心潜在的安全风险与舆论风险。梁泉判断，这些输入未来可能以全模态模型的方式呈现，也可能在早期以工程化方式通过实时处理逐步落地。                   但这更像新技术扩散中的“第一批采用者”问题。

u | 一旦头部企业开始使用并形成示范，顾虑就会逐渐从“能不能用”转向“怎样用得更安全”。但无论哪种路径，DataFlow引擎都将让异构系统以最高效的方式（如Zero Copy）处理整个数据流向，成为贯穿新型AIOS的“中枢通道”。         那么哪种计算架构更适合AIOS呢？梁泉认为，这套AIOS最终将运行在所有搭载Arm CPU的设备上。因为，Arm CPU在端侧的占比极高，同时系统还将支持Arm Immortalis GPU、安谋科技自研的周易NPU以及众多客户的加速单元，最终以升级革新的交互方式服务于各类新型AI设备。这也是为什么安谋科技会牵头发起开源AIOS联盟的一大关键原因。                   长期看，企业模型市场很可能不是一家通吃，而是多模型共存。模型层的利润会被竞争持续压缩，价值则不断向负责选择、连接和管理模型的应用层迁移。         开源AIOS联盟：不止于软件，覆盖全链条开放          “我们的目标是什么？我们定义它是一个开源的AIOS联盟。”梁泉明确表示，无论是AIOS软件本身、AIOS核心的AI模型层面，还是AIOS落地的原型或概念产品，联盟都希望做到开源和开放。         技术层面，联盟将与合作伙伴共同研发可能成为核心模块的新型技术，推动技术、代码、产品文档、设计原型等全方位开源开放。                   / 03 /          微软的入口优势没了                    模型商品化还会冲击企业软件过去最有效的一种竞争武器：捆绑销售。                   微软的优势从来不只是产品，而是它可以把新功能装进企业已经购买的套件里。落地层面，联盟将以实际产品覆盖端边侧大量设备及云端互动基础设施，并开展联合市场推广。

v | 对一家大型企业来说，免费获得一个“七十分”的Copilot，通常比重新采购一个“九十分”的独立产品更省事。         梁泉特别介绍了安谋科技旗下的极术社区。

w | 作为实验载体，极术社区今年已发布了JishuShell（极术秀）工具，今年四季度还将推出知识库产品并计划开源相关动作。后者不仅要多付一笔钱，还要经过安全审查、法务审批、供应商管理和员工培训。

x |          “它看上去是一个简单的命令行工具，实际上背后是小型操作系统，或者说小型系统层面管理器。

y | ”它会安装能管理任务、编排任务的服务器级编排机制（针对边缘优化），并将任务分配到Native环境或Micro VM虚拟机中。“虽然我们用一行命令看似安装了一个工具，但背后是操作系统的雏形。”梁泉对JishuShell进一步解释道。         作为一个开源和开放的联盟，AIOS联盟开放的范围并不局限于技术方案。梁泉透露，团队还做了端侧模型的Benchmark套件，用于实测端侧模型在Agentic能力和长时任务上能否达到云端API的水准，该套件将在本次会议后逐步开放。         在研究合作层面，安谋科技正与港科大物理AI实验室合作发布VLA模型，并与清华智能产业研究院开展模型相关合作。

z | 未来，这些研究成果和工程成果，都将逐步开放给联盟和市场。         联盟已获多方响应，下一步将加速OS落地          梁泉透露，AIOS联盟一经推出便已获得产业链多方的积极响应。首批发起的合作伙伴中，既包括芯发科技、紫光展锐、辉羲科技、爱芯元智、此芯科技、瑞芯微、全志科技、芯擎科技、黑芝麻智能、后摩智能等深度参与的芯片客户，也包括做机器狗、边缘AI盒子的设备与方案商，以及端侧模型领域的领军者面壁智能等研究机构。                   Arvind Jain坦言，微软是比前沿模型厂商更现实的竞争者。         “发起AIOS联盟只是第一步动作，”梁泉在表示，“我们希望尽快把AIOS真正带给大家，也希望能尽快通过AIOS带来更多前沿的AI产品和设备，让这些产品和设备走向大家的生活，让更多AI的能力走进大家的生活。”          编辑：芯智讯-浪客剑。许多客户拒绝Glean的理由是，“我们已经购买了微软”。                   不过，AI的按量付费模式正在给捆绑逻辑制造一道裂缝。

|                    传统SaaS按席位收费，企业一旦购买套件，就会倾向于让员工尽量使用其中的产品；AI更接近按任务量付费，无论工具是否捆绑，实际执行一次任务都要消耗算力。

| 企业完全可以同时开放多个工具，让员工选择最适合的一个，再为真实用量买单。

|                    这意味着，捆绑依然拥有采购和分发优势，却未必还能锁定最终使用。未来的竞争不只是“谁进入了供应商名单”，还包括“员工真正把任务交给了谁”。                   这是一个细微但重要的变化：软件时代的入口优势，正在被AI时代的任务完成质量重新定价。                   / 04 /          AI降本是个伪命题                    谈到企业AI，另一个经常被混淆的问题是投资回报。                   在客服场景中，回报很好计算：一个客服过去每天处理10张工单，使用AI后处理12张，效率提升一目了然。但在研发、管理和知识工作中，计算就复杂得多。

|                    就拿Glean来说，目前公司内部接近100%的初始代码由AI生成，没人手动写第一版代码，但产品交付速度并没有爆炸式增长。                   为什么？因为写代码只是整个链条中最短的一环。代码量上去了，但代码审查、架构设计、跨团队协调、测试、部署，这些环节还是原来的速度。                   当AI把写代码变得极快，瓶颈就会迁移到代码审核。若为了追求速度取消人工审核，企业又可能在几年后面对难以维护、无人真正理解的代码库。因此，Glean依然保留严格的人类审核，以短期效率换取长期可维护性。                   这揭示了一个朴素的规律：AI不会自动消除流程瓶颈，它只会把瓶颈推向下一个环节。

|                    所以，很多AI应用当下的经济账并不好看，短期内也很难实现纯粹降本。长期来看，AI降本只存在两种出路：                    第一条路，等着成本降下来。                   历史规律如此，科技只会越来越便宜。开源模型已经把推理价格打到闭源的十分之一了，OpenAI被迫降价只是时间问题。等Token价格降到今天的十分之一甚至更低，那个100万美金的Agent就会变成一笔极其划算的买卖。                   第二条路，用AI放大人均产能，而非单纯裁员。                   假设两家同赛道企业，拥有同样先进的AI工具。A公司决定缩编团队，用更少人做同样的事；B公司维持团队规模，用AI拓展十倍业务量、打造更好产品。                   长期来看，B公司会彻底碾压A公司。                   因为企业的终极竞争力不只有成本，还有产出。

| 企业老板对AI能力的理解分为两种：“一个人能干更多事”的能力和“一件事可以让更少人干”的能力。

| 如果你选了后者，你的竞争对手选了前者，你会被迅速甩开。                   AI不会消灭岗位，但会消灭"只做单一执行工作"的岗位。                   未来的岗位会全面复合化，一个懂技术的产品经理可以直接用AI生成原型；销售可以同时兼顾方案演示和商务谈判，不再需要解决方案工程师跟在后面。

|                    基础数据分析师、招聘寻访员、报表制作这类纯执行角色会逐步消失，但跨职能的复合型人才会成为刚需。                   / 05 /          进入核心工作流，才是AI应用的关键                    最后回到创业者最初的焦虑：模型公司亲自下场，应用公司该怎么办？                    OpenAI在推垂直套件，Anthropic也在做行业方案，从设计到法律到金融，看起来就是要一个个吃掉应用层公司的饭碗。                   Arvind Jain给出的判断是不必恐慌，二者根本不在同一竞争维度。

|                    以设计行业为例，Claude出了设计辅助功能，听起来像是要抢Figma的生意。但实际上，设计师们的主力工具依然是Figma。

| Claude只是让那些"本来就不是设计师"的人，比如产品经理、市场销售，能自己做一些简单的素材生成。

|                    也就是说，Claude做的更像是市场扩展，让本来不用工具的人开始用工具了，但深度工作仍然留在了Figma里。                   更深层的问题是，模型厂商不理解企业内部的真实运作。

|                    通用模型对接企业系统，目前靠的是MCP这类标准化协议。

| 简单粗暴地连进去，暴力检索所有数据，然后试图完成任务。

| 但这种模式有两个致命问题：                    一是效率极低。大量Token都消耗在"找东西"上，AI要先搞清楚这个业务需要哪些信息、信息在哪、怎么拼起来，还没开始干活，钱已经烧掉了一大半。                   二是完全不懂上下文。企业内部的权限体系、历史决策逻辑、专有术语、隐性规则，通用模型一概不知。你让一个外部模型去理解"为什么这个供应商去年被标记为高风险"，它连从哪里开始查都不知道。                   Glean自己的定位就是一个对照。

| 他们花了好几年打通企业内部成百上千套系统——Salesforce、ServiceNow、Google Drive、Slack、Notion，几十个甚至上百个不同的数据源，建立了一套基于权限的组织知识图谱。                   员工搜索任何信息，返回的结果都是他权限范围内最相关的那一条。

| 这套壁垒就是靠时间和深度嵌入堆出来的。                   所以，真正值得应用公司担心的，是自己的产品是否足够深入到核心流程。                   如果价值只是一层聊天界面，模型升级确实可能一夜之间将其抹平，如果产品掌握了企业上下文、权限、流程和长期学习，模型升级反而会放大它的价值。                   这也是Glean创始人经营思路发生变化的原因。他过去强调克制、资本效率和每一笔投入的回报，但现在也开始担心，过度保守会错过一轮难得的市场圈地期。

|                    在他看来，企业对AI的需求已经被唤醒，今天不进入客户的核心工作流，未来再进入的成本可能高出十倍。

|                    不过，“加速”不等于放弃商业纪律。产品仍然要收费，仍然要给客户创造可衡量的价值，营销投入仍然要形成回报。资本可以帮助公司抢时间，却不能长期掩盖产品没有价值这一事实。                   这大概是企业AI市场最真实的矛盾：一方面，窗口期要求公司大胆投入；另一方面，模型成本、客户回报和商业模式又要求它保持克制。                   如何在两者之间找到平衡，才是这一代AI创业者真正的考题。

|                                                            文/元元。

|

Current article:http://31v3.shangyaohujunwei.bond/seut/20260826/45960.html

Published on:22:09:43