隨著以OpenClaw為代表的自主執行智能體熱度攀升，人工智能應用正從側重“對話交互”加速轉向“任務執行”領域。這一趨勢在為企業帶來發展機遇的同時，也引發了算力資源浪費、安全合規等諸多挑戰。如何推動智能體實現規模化、可持續的產業落地，成為當前產業界聚焦的關鍵問題。

在中關村論壇未來產業創新發展論壇上，螞蟻數科大模型技術創新部總經理章鵬發表演講指出，OpenClaw的興起將引發企業級AI范式的變革，推動大模型在產業場景的應用從“參數規模競爭”轉向“Token效能競爭”。他強調，提升單位Token的效能，將成為大模型產業落地下半場的核心目標。

當前，自主執行型智能體雖因市場需求快速普及，但在實際產業環境中落地仍面臨顯著障礙。由于缺乏對行業規則和業務流程的深度理解，智能體在執行復雜任務時頻繁調用工具，導致Token消耗遠超有效產出。以高頻調用場景為例，OpenClaw的Token消耗成本可達集成式Agent的數十倍甚至百倍，這種高投入低產出的模式嚴重制約了其在產業中的規模化應用。

章鵬認為，企業應結合實際場景需求，采用大小模型協同的AI解決方案，以降低算力成本并提升業務價值。以金融領域為例，該行業每天需處理大量高頻低時延任務，如快速識別意圖、提取關鍵信息、檢索排序等。傳統大模型雖具備強大推理能力，但在這些場景中存在成本高、響應慢等問題，造成資源浪費。產業真正需要的是在確保專業、嚴謹與合規的前提下，實現高性價比與快速響應的AI方案。

他進一步解釋，大參數模型在復雜推理和深度分析方面表現優異，而小參數模型則更適合高頻小任務場景，具有更低的延遲和更高的性價比。因此，大小模型結合的方案是解決真實場景問題的更高效路徑。

論壇期間，螞蟻數科發布了輕量級金融專用模型Ling-DT-Fin-Mini-2.5。作為Ling DT系列的首款模型，它基于Ling2.5的混合線性注意力架構，針對金融領域高并發、低時延的任務需求進行優化。該模型在保持專業深度的同時，將推理成本壓縮至可規模化部署的水平。與業界主流同能力通用模型相比，其推理速度提升100%，硬件成本顯著降低，為金融機構提供了切實可行的降本增效方案。

事實上，隨著AI智能體加速滲透產業核心場景并執行真實任務，大小模型結合已成為行業發展趨勢。近期，OpenAI相繼推出兩款小模型GPT?5.4mini與nano，主打低延遲與高性價比，作為執行層子智能體的主力模型。

章鵬表示，技術發展終將回歸產業對效率的理性追求。下一階段，Token效能將成為衡量企業級AI價值的核心指標。螞蟻數科將持續深耕企業級AGI領域，計劃推出百靈企業版Ling DT大模型及其行業版，推動智能體在企業級復雜場景中的規模化應用。