Mind Observatory: Why China Is Embracing the 'Shrimp Farming' AI Agent Trend

【文/观察者网 心智观察所】 <br> 3月的一个工作日，深圳南山区腾讯总部大厦北广场，排起了长队。 <br> 有人抱着NAS，有人拎着迷你主机，还有人掏出MacBook——他们是来让腾讯工程师帮忙装一个叫OpenClaw的开源AI智能体的。预约号上午11点就抢光了，队伍里有程序员，也有小学生。抖音上，“全民养龙虾”的短视频刷屏了。这场景像极了十年前安卓刷机的极客聚会，但又不太一样——这次，普通人也挤进来了。 <br> 这并不是腾讯在搞一场行为艺术。同一时间，阿里在推“OpenClaw一键上云”，小米宣布把自家的MiclawAgent塞进手机、汽车、电视里，智谱、MiniMax这些模型厂商也纷纷跟上。OpenClaw在GitHub上的星标，三周破了25万，超过了Linux三十年的积累。一个绕不开的问题冒了出来：为什么是现在？为什么是中国？为什么所有巨头都这么急？ <br> 一台永不停歇的算力抽水机 <br> 要搞懂这场“龙虾风暴”到底在刮什么，得先看一组让人睡不着觉的数字。 <br> 2026年，字节、阿里、腾讯三家加起来，预计要花超过600亿美元——绝大部分砸向了算力。成千上万张AI加速卡被拉进数据中心，但如果没人调用，它们每天就在那烧钱。它们是沉默的、在燃烧现金的机器。 <br> 过去两年，大模型的主流玩法是“聊天”：你偶尔让它写封邮件、画张图，消耗的Token很少。这种轻度使用，根本填不满那些算力集群的运营成本，更别说从习惯免费的普通用户身上赚钱了。巨头们急需一个能持续、自动消耗算力的“Token黑洞”。 <br> OpenClaw，正好长在了这个需求上。你给它一个复杂指令，它不会只回你一段话，而是会拆任务、联网搜、调软件、纠错、重试——每一步都在向云端发请求。一个复杂任务跑下来，Token消耗量是普通对话的百倍甚至千倍。 <br> 有AI行业分析师告诉心智观察所，国产模型被OpenClaw大量采用，核心原因就是性价比——比海外便宜得多，调用起来不心疼。便宜，就直接转化为更高频的调用，和更可观的现金流。 <br> 这也就解释了，为什么腾讯愿意倒贴人力去线下“摆摊”。每一次部署，都是在用户的电脑或云端里，埋下一台24小时运转的“算力抽水机”。不管前端跑的是什么模型，只要推理和工具调用的API指向自家云服务，那些微小的请求，最终都会汇聚成真金白银。 <br> OpenClaw关键发展里程碑与功能演进图（@心智观察所制图） <br> 一组更直观的数据能帮我们理解这波操作的经济账。 <br> OpenClaw的重度用户，日均Token消耗量在3000万到1亿之间。如果用Claude Opus 4.6算，一天的费用在900到3000美元；就算用国产的MiniMax M2.5，也要42到140美元。这远远超出了ChatGPT那种对话场景——后者的月费也就20美元，而一个活跃的OpenClaw实例，一天就能吞掉上百倍的Token。 <br> 如果未来一两年，有100万个OpenClaw实例跑通商业模型，哪怕只是勉强回本，也会新增约3600亿美元的Agentic AI算力市场。这个数字，足以重塑整个半导体产业链的供需格局。换句话说，AI的商业变现，不再靠“让更多人聊天”，而是靠“让更少的Agent持续做事”。Token经济学的底层逻辑，正在从低频、低量的人机对话，转向高频、高量的机器自主执行。 <br> 数据饥渴：轨迹数据的隐秘战场 <br> 越过现金流，巨头们力推本地Agent，还有一层更深远的战略意图：争夺下一代大模型进化所需的核心燃料——任务轨迹数据。 <br> 过去几年，大模型竞争的核心是算力和训练数据。但业内有个共识：互联网上高质量的公开文本——维基、新闻、论文——已经被各家模型“吃”得差不多了。如果继续只喂这些静态文本，大模型只会变成一个更博学的“书呆子”，却迈不进真正能行动的AGI门槛。下一代模型需要的，是人类在数字世界里“怎么做事”的数据——也就是“任务轨迹数据”。 <br> 这种数据记录的是一条完整的任务链路：从理解需求到搜信息，再到调工具、填表单、完成支付，每一步都留下痕迹。对训练Agent模型来说，这种数据比普通文本值钱得多，因为它反映的是现实世界里的行动逻辑和因果推理。而这，恰恰是巨头们过去最难搞到的数据——它们藏在无数个割裂的软件、封闭的App和企业内网深处，就算搜索引擎的爬虫再厉害，也爬不进去。 <br> 部署在用户终端的OpenClaw，就是深入这些数据腹地的“探测器”。当你让Agent替你操作时，它会忠实地记录每一个操作意图和软件交互轨迹。更关键的是，你在指导它、纠正它错误的过程中，其实是在免费为厂商提供最高质量的强化学习数据。OpenClaw中国社区经理Alan Feng说得挺实在：“用户装完往往期待魔法般的自动化，但真正的价值在于定义清晰的任务。轨迹数据的反馈能让模型不断优化，厂商才能持续提升代理能力。” <br> 这场分布式的“数据众包”，和特斯拉通过几百万辆电动车收集路况数据反哺FSD算法的逻辑如出一辙。阿里Qwen项目的一位内部人士也坦言：“中国领先新范式的概率低于20%，但通过Agent轨迹数据，能快速迭代模型、缩小差距。”谁掌握最多的轨迹数据，谁就能率先训练出真正“长出手脚”的超级模型。 <br> OpenClaw是个全球性的开源项目，但在中国的热度远超其他市场。这不只是偶然。中国有全球最大的开发者社区之一，对开源工具的接受度和传播速度极快。更重要的是，中国的大模型生态形成了一种独特的“低价API”格局：国产模型的API调用价格，大约是海外同类产品的六分之一。这背后，是国内推理算力成本的结构性优势——包括更便宜的电力、更灵活的硬件配置（有的厂商甚至用消费级的5090显卡跑推理），以及模型厂商之间激烈的价格战。 <br> 这种低成本结构，让OpenClaw在中国的运行成本远低于海外，也吸引了大量用户涌入。当部署几乎零成本时，普通人对错失AI大潮的焦虑感被彻底点燃。从深圳公务员的“龙虾上线”到抖音上的全民刷屏，OpenClaw的传播路径已经越过了技术圈，演变成一场全社会层面的AI启蒙运动，把公众认知从“AI搜索”推向了“Agent执行”。 <br> 与此同时，国产模型的“Token出海”也在加速。OpenRouter最新数据显示，国产模型的Token消耗占比，已经从2024年底的2%飙到了39%。出海策略不是靠海外基础设施，而是把推理算力留在中国，走蒸馏数据和低价API路线——推理对带宽要求不高，延迟感知也不明显。这种“算力在国内、服务在全球”的模式，正让中国AI产业链在全球Token市场中占据越来越重要的位置。 <br> 1 <br> 2 <br> 下一页 <br> 余下全文