【赛迪网讯】2026世界人工智能大会（WAIC）彻底褪去了前几年单纯比拼大模型参数规模的内卷氛围。从基础模型、智能体、具身智能，到科学计算、行业算力、终端硬件，多元技术路线齐头并进成为本届大会最鲜明的特征。在一片云端超大模型、通用Agent方案的喧嚣之中，一条坚持本地部署、轻量化底座、闭环自进化的技术路线格外特别。

赛迪网在WAIC期间专访了语生科学首席科学家、原点星辉CTO郭权玮博士。作为深耕本地模型、扩散式语言模型、行业垂直AI多年的研究者，他跳出“越大越好”的行业惯性，解释了相对于云端模型，本地模型不可替代的产业价值，以及如何依靠原生自研架构，破解智能体“演示效果惊艳、实际落地困难”的行业通病，预判未来一两年本地模型+智能体将成为企业数字化基础设施的标配。

行业风向观察：从单一路线竞速，进入全域多元发展

谈及本届WAIC给他留下最深的产业变化，郭权玮表示，AI行业正在走出单一的竞争赛道。

“过去很长一段时间，行业目光高度集中在基础大模型和参数量竞赛。但今年的大会可以清晰看到，产业布局已经全面多元化。智能体、具身智能、科学智能、新材料研发、专用算力芯片、各类端侧AI终端同步迭代，AI不再只有一条发展主线，多种技术路线、不同形态的产品共同打开市场空间。”

基于这一行业判断，原点星辉团队正在研发一款可在终端、服务器本地完整运行的小模型与原生智能体系统。在他看来，AI的终极使命不只是给出文字答案，而是深入企业私有环境，读取本地文件、调用内部业务工具，自主完成完整工作流，本地部署架构是实现这一目标的最优解。

本地部署“小”模型，三大核心价值

当下行业资源持续向云端超大规模模型倾斜，原点星辉则选择了另外一条技术路线：本地轻量化模型路线。在郭权玮的判断里，本地AI具备三重不可替代的核心优势。

第一是数据隐私与安全边界。企业研发资料、业务合同、内部数据库、个人机密文档，出于合规和风控要求，本身就不适合向外传输，本地运行可以做到数据完全不出域，从源头规避泄露风险。

第二是长期使用的成本优势。本地基础设施一次性部署完成后，可以无限次重复调用，高频办公、生产场景能够彻底摆脱云端API按Token持续扣费的模式，大幅降低企业长期AI使用开支。

第三是超大体量数据处理的可行性。例如，很多企业拥有数十GB乃至TB级别的本地资料、历史业务数据，如果每次使用AI都需要全部上传云端，不仅耗时漫长，还会造成流程卡顿，在本地直接运算才符合企业实际工作逻辑。

“本地模型解决的绝不只是私有化部署这一个需求，它一次性补齐了数据安全、边际成本、数据传输、实时响应四大短板，这也是AI能够深度嵌入企业日常工作流的前提。”郭权玮补充道。

原生自研Agent框架，根治通用智能体落地水土不服

如今几乎所有AI厂商都在推出智能体产品，但绝大多数通用Agent依托算力充沛的云端大模型设计，移植到本地小模型环境后，会出现推理缓慢、上下文丢失、多轮任务崩溃等问题，也是很多项目试点成功、规模化落地失败的关键。

原点星辉的解决方案，是将本地模型、推理引擎、Agent任务框架从研发之初就深度耦合设计，而非简单拼接组合。

“市面上很多通用智能体，一旦切换到本地部署环境，长文档解析、连续工具调用、复杂任务规划环节，就会出现首Token延迟高、显存占用超标、上下文断裂等问题。即便模型理论上具备对应能力，极差的使用体验也无法投入常态化使用。”

为此，团队配套打造了专属的记忆管理、任务规划、权限控制和异常恢复模块，整套系统围绕本地硬件算力上限做优化，核心目标不是做出一段惊艳的展示Demo，而是保证7×24小时稳定运行，持续处理企业批量、重复的业务任务，解决产业端实用性差、落地难的痛点。

依托本地任务反馈形成的自进化闭环，还能持续提升中小模型适配性。系统会记录用户的任务拆解逻辑、工具选择偏好、结果修正方案，在授权筛选后回流优化模型检索、路由策略与微调适配器，让模型越用越贴合企业业务习惯，依靠场景积累弥补参数量的差距。

扩散式语言模型，为本地智能体带来底层范式升级

郭权玮担任CTO的原点星辉，由中国本土孵化器——语生科学孵化而来。近年来，语生科学持续关注扩散式语言模型（DLM）研究。区别于传统自回归模型逐Token串行生成的逻辑，该架构可以并行处理文本片段，先搭建全文整体结构，再迭代修正细节，从底层优化本地智能体的短板。

“打个比方，扩散式语言模型不需要严格从左到右依次生成，拥有天然的并行推理潜力，更适配长文本全局规划。对于报告撰写、方案梳理、多步骤业务计划这类任务，可以更早锁定整体框架，减少前后文矛盾、逻辑漂移的问题，显著提升生成一致性。”

他同时强调，架构优势需要匹配专属采样策略和本地推理引擎才能完全释放，这套新一代生成范式，也是原点星辉下一代本地智能体体系的核心技术储备。

通用底座先行，快速覆盖各行业规模化落地场景

尽管研究方向曾经横跨科学智能、医疗、金融、资产与专利估值多个垂直领域，郭权玮并没有选择绑定单一赛道落地，而是采用“通用能力底座+行业定向微调”的技术路径。

“文件解析、知识库检索、数据分析、报告生成、自动化流程执行，是几乎所有行业都存在的通用需求，也是现阶段最容易规模化复制的场景。我们先把本地模型、智能体记忆、工具调用、安全权限这套底座打磨成熟，进入医疗、金融、精密制造等行业后，只需要导入专业数据集、绑定业务规则，就能快速完成适配。”

这种模式避免了每拓展一个行业就从零重构整套AI系统，大幅降低交付成本，也可以持续迭代通用底层能力，适配更广范围的政企客户。

突破技术炫技误区：AI产业化的核心是搭建完整业务闭环

从学术算法研究转向产品化落地视角，郭权玮认为，当前AI从演示性“尝鲜”走向实打实的业务增收提效，最大门槛不在于模型精度，而在于完整的业务闭环。

“演示Demo只需要完成单次动作，但企业生产需要一整条可控链路：任务可定义、数据与权限可管控、执行过程可追溯、结果可验收、故障可回滚，迭代数据可以持续回流优化。任意环节缺失，都无法长期稳定运行。”

真正的产业级AI产品，需要把复杂的底层技术细节封装在系统内部，业务人员只需提出需求，就能拿到可直接投入使用、可验证的输出结果。单纯比拼模型回答效果，早已不是产业化竞争的关键。

预判未来1–2年：本地AI将成为企业标配基础设施

站在2026年的行业节点，郭权玮给出明确判断：未来一到两年，本地模型+智能体会从可选的私有化定制方案，逐步变成企业AI架构的标准配置，3–5年内会成长为人工智能应用的主流形态。

“当AI开始处理企业核心机密数据、拥有业务系统高操作权限时，数据主权、使用成本、运行控制权必然成为硬性要求，不可能一直依附第三方云端服务。”

他强调，标配不等于简单把模型安装在服务器，而是由本地模型、推理引擎、智能体框架、长期记忆、权限风控、迭代评测共同组成的完整体系，才能深度融入核心生产流程。

“我们希望推动绝大多数日常AI任务在用户自有环境内闭环完成，让人工智能摆脱按调用计费的云端订阅模式，变成企业和机构可以自主掌控、安全低成本长期使用的数字基础设施。”郭权玮说道。（文/徐培炎