硅谷AI智能体困境解析：Token浪费与系统失控的深度评测

AI智能体被不少人看作是下一场生产力革命，但眼下，它正被几个实实在在的痛点绊住了脚：成本容易失控、架构一团乱麻、安全存在隐患，企业用起来也总觉得不那么顺手。一个越来越清晰的行业共识是——别把什么活儿都扔给AI智能体，理性选择、精细运营，才是它真正能规模化落地的关键。

企业高管们对AI智能体寄予厚望，想象它们能像不知疲倦的实习生一样高效处理办公杂务。然而，支撑这些美好想象的底层技术，目前还远未成熟，搞不好，还可能变成一个烧钱的无底洞。

上周在硅谷接连举办的两场行业活动上，多位科技公司的高管和工程师就直言不讳：以OpenClaw为代表的AI智能体，在规模化落地的路上问题频出，整个行业正从最初的狂热追捧，逐渐回归冷静和理性。

什么任务都塞给大模型，是最大误区

AI初创公司Meibel的首席执行官凯文・麦格拉思说得相当直接：当前AI领域最大的一个误区，就是认为所有事情都必须通过大语言模型（LLM）来处理。

他毫不客气地批评道：“你把所有的Token和预算都砸给AI Claw机器人，结果很可能就是数百万的Token被白白浪费掉。” 企业必须更审慎地判断，哪些任务真正适合交给AI智能体，而不是盲目追求上量。

这里提到的OpenClaw，是一款开源的AI智能体框架，被称作AI的“执行中枢”。它能让开发者调用不同的大模型，来创建和管理批量的数字助手。自推出以来迅速走红，被行业视为继ChatGPT之后的下一个风口。

英伟达CEO黄仁勋今年3月也曾公开表示，AI智能体“绝对是下一个ChatGPT级别的浪潮”。

规模化部署成本高、系统极度复杂

在圣何塞举办的生成式AI与智能体AI峰会上，来自谷歌、DeepMind、亚马逊、微软、Meta等公司的技术团队坦言，打造和运维AI智能体，远比想象中要艰难。

谷歌的工程师迪普・沙阿在专题分享中，重点谈到了AI智能体的运营成本管控。他指出，AI智能体运行本身就有成本，而设计和维护不佳的监控系统，不仅省不了钱，反而会疯狂烧钱。

“当你试图规模化部署机器学习或多智能体系统时，会面临多重挑战，首当其冲的就是推理成本。”

初创公司Synchtron的首席执行官拉维・布卢苏则点出了复杂度这个难题：企业的数据架构、技术选型、软件开发、人员组织，这些环节彼此交织，而AI智能体几乎会触及所有环节。

“没有任何一个维度能被单独解决，这种相互依赖的关系让落地变得异常艰难，甚至可以说是混乱。”

中国厂商现身说法：OpenClaw 不适合企业级场景

在山景城举办的另一场AI活动中，总部位于上海的ThinkingAI与MiniMax分享了他们的落地经验。

ThinkingAI的前身是移动游戏数据分析平台ThinkingData，近期品牌升级为AI智能体管理平台，并与今年1月在港上市的中国头部AI实验室MiniMax达成了合作。MiniMax因向开源社区免费发布高性能大模型，被称作中国“AI四小龙”之一。

ThinkingAI的联合创始人韩先生表示，公司之所以转型，是为了从游戏行业拓展到更多对AI智能体感兴趣、但缺乏技术能力的传统行业。

他直言，尽管OpenClaw在中国的热度不断攀升，但其复杂度太高、安全漏洞隐患大，根本达不到企业级应用的标准。

“OpenClaw用来做点个人用途或许还行，但绝对撑不起企业级场景。企业需要解决记忆管理、智能体调度、团队协作、通信安全等一系列问题，这些OpenClaw都无法满足。”

他透露，其平台同时支持OpenAI、谷歌等海外厂商的大模型，并未局限于国内模型。当被问及美国若封禁中国开源权重模型是否会影响业务时，他笑称：“真要是那样，或许反而说明我们做成了。”

总而言之，AI智能体的前景固然广阔，被视为下一代生产力革命。但现阶段，它依然被成本失控、架构混乱、安全不足、企业适配性差这几个核心痛点所困扰。与此同时，行业共识正在形成：不是所有任务都适合AI智能体，理性选型、精细化运营，才是规模化落地的关键所在。

来源：互联网