PEC 2026 AI创新者大会暨第三届提示工程峰会顺利召开：赢得Token、赢得世界

9月12日，PEC 2026 AI创新者大会暨第三届提示工程峰会在北京众智园顺利召开。

本届大会由PEC联盟、至顶科技、软积木、海升集团共同主办，AIGCLink、LangGPT社区、爱智岛人工智能艺术家创作联盟、硅创联、AI原点社区、海升睿达、众智园联合主办，超百家行业协会、研究院、社区与知名机构支持。

PEC是AI创新者的年度聚会，缘起于Prompt Engineering Conference（提示工程峰会），也代表着Pioneer（AI先锋）、Engineer（AI工程师）和Creator（AI创造者）。一年一度的PEC大会，旨在帮助参会者通过同行交流，校准对下一阶段AI发展的判断。

本届大会以“Won Token，Won World（赢得Token，赢得世界）”为主题，汇聚了国内知名专家学者、行业领袖与创新实践者。

会上PEC China发起人、至顶科技CEO兼总编辑高飞、PEC China发起人&微软MVP&软积木CEO刘海峰、AIGCLink发起人&零氪云联创&中机协数智融合专委会执行会长&MCP中国开发者联盟发起人占冰强、LangGPT创始人&微软MVP&Whobot AI负责人云中江树、爱智岛人工智能艺术家创作联盟联合创始人野了几位PEC联合发起人登台致欢迎词。

高飞表示，今年是我们PEC大会第三届，第一年大家更多谈的是如何用AI交流，去年进入创作者时代，我们在谈如何把AI作为生产力工具或变现方法，今年则落到Token工厂和Token经济上，因为Token的量够不够、质够不够，已经成为需要深入讨论的问题。

刘海峰表示，早期行业更关注应用能不能做出来，对质量和成本关注不多，随着落地深入，大家开始同时要求速度、效果和稳定性，也更加关注价格，如今应用与算力越来越分不开，需要通过软件架构连接软硬件能力，才能更好推动Token落地。

占冰强表示，今年开发者也已经进入大模型应用深水期，不再像去年只是尝鲜，而是开始为交付和产业结果负责，也就有了FDE这样一个群体来为交付结果来负责，基础性的FDE能够做好企业内部工具性的提效，但FDE面临的根本问题，是如何在组织内部推动生产关系改造。

云中江树表示，AI应用正在从生产力提效期进入生产关系调整期，对个人来说，AI正从工具转向伙伴，重点从怎么使用变成怎么分工协同，对组织来说，则要重新设计数据权限、工作流、责任边界和人才架构。

野了表示，AI画布类工具和多模态模型让AI参与到创作过程中，不仅提升了效率，也改变了短视频创作方法。AI内容正在从零星爆款走向系列化内容持续走量，并可能持续生长为IP，带来广告、植入等长期商业价值。

北京市海淀区东升镇党委书记辛果在现场为大会做了致辞，并在致辞中表示，人工智能技术创新日新月异，产业应用蓬勃发展，东升镇积极落实海淀区委区政府打造全球人工智能创新高地战略部署，全力参与建设百年京张AI创新带。今年大会举办地众智园位于百年京张AI创新带北端，致力于打造人工智能全栈自主创新加速区和服务企业出海平台，全力为企业提供陪伴式、全周期服务，更好推动人工智能技术应用落地和产业生态建设。

开场对话：2027，我们需要怎样的模型？

PEC China发起人、至顶科技CEO兼总编辑高飞与中国信息通信研究院人工智能研究所所长魏凯、面壁智能多模态首席科学家&清华大学人工智能学院助理教授姚远、清智资本创始合伙人张煜、清华大学人工智能学院助理教授&元环智能创始人兼首席科学家刘子鸣就《2027，我们需要怎样的模型？》展开对话，从人工智能的发展趋势、大模型落地探讨了未来创新机遇与挑战。

魏凯指出，人工智能发展速度很快，尤其是模型进步日新月异，今年上半年平均每两三天就有一个前沿模型发布，可以说模型能力的进化速度远远超出了技术在行业扩散的速度，现有Benchmark分数只是模型能力非常稀疏的采样，无法穷举所有用户场景，加上用户的数据治理、知识库和使用环境没有准备好，造成模型能力与实际应用体感的落差，企业要深耕自身数据的储备与治理，推动流程变革，加快建设AI原生组织。

姚远指出，智能一定是云端和端侧并存的方式，云端模型更多追求智能上限，端侧智能关注智能密度，要在功耗、内存、速度等严苛限制下跑出好的效果。随着模型能力增强和端侧芯片算力提升，越来越多智能会在端侧运行，带来数据保护、低延迟和更低Token消耗，物理智能最大的区别是数据稀缺，数据正确性还要与硬件绑定验证，因此要从模型结构、高效训练和高质量数据等方面持续提升智能密度。

张煜指出，模型发展的速度远远超过应用推广的速度，创业方向会从追求模型能力，慢慢转移到追求解决问题，创业公司一开始做产品和服务，就要考虑怎样适配模型的快速迭代，不要绑定一个模型，要为不同模型预留接口，紧紧跟上新模型，模型不一定做得比别人快，但用模型的速度也能形成竞争力。越小、越年轻的公司，往往驾驭新事物的能力越强，创业者还要快速迭代技能和知识、重视商业化，并保持想象力和创造力。

刘子鸣指出，模型的发展“分久必合、合久必分”，通用模型能够处理自然语言、代码、数学等符号世界，但它的边界正在显现，物理世界和世界模型不是现有Transformer范式能够全部包含的，只要知识能用自然语言、公式或代码说出来，模型就能够学会，真正困难的是那些无法言说的边界条件和经验，未来最重要的两个方向是世界模型和Auto Research，但AI背后的科学还处在亚里士多德时代，需要人与AI合作，用巧劲缩短长期科研进程。

年度话题：Token工厂与Token经济

PEC 2026 AI创新者大会暨第三届提示工程峰会在过去一年产业观察基础上，就Token工厂和Token经济两大主题提出了年度话题，并邀请到二十多位AI创新领袖展开讨论。

Token工厂：真功力与真问题

Token工厂已是各家竞相布局的赛道，推理服务正在从算力租赁分化出独立产品形态，然而，Token工厂的边界应由算力规格定义，还是由输出质量、延迟与单位成本定义？卖Token与卖算力在责任归属和定价逻辑上如何区分？推理服务正在从卖算力走向卖产出，这个变化又意味着什么？

面对这些问题，在AIGCLink发起人&零氪云联创&中机协数智融合专委会执行会长&MCP中国开发者联盟发起人占冰强主持的《Token工厂：真功力与真问题》主题对话中，平凯星辰副总裁刘松、趋境科技首席引擎架构师谢威宇、亚康启源CMO周立宾、首都在线解决方案总监王超几位嘉宾在现场进行了深入研讨。

刘松认为，Token工厂相当于国家电网，Agent相当于家用电器，当前最大的Token消耗主要在Coding和视频生成，未来两三年最大的变化会是生产力智能体，尤其企业级多智能体会带来巨量消耗，也对Token质量提出更高要求。Token进入企业后，数据要覆盖上下文、记忆、知识工程以及多模态数据，FDE的本质是把Token的脑力转化成场景价值，最终形成数据库、上下文、Skill、工作流和多智能体协作的完整体系。

谢威宇认为，Token消耗一定会爆炸式增长，因为在AI产业的价值闭环中，人类的占比越来越小，AI的占比越来越大，Token接口是标准化接口，用户从不同工厂获得的Token基本一样，所以它更像批量生产的商品，生产Token的就应该是工厂，工厂的原料是算力和电力，技术优化和平台调度能让相同算力、电力生产更多Token，效率直接决定产量和营收，未来Token工厂规模会继续扩大，大规模国产化推理是必然趋势。

周立宾认为，去年、前年智算中心建设以训练为主，现在Token工厂已经走到推理侧，推理是商业模式闭环的一部分，训练阶段可以不计成本追求技术领先和规模，到了推理阶段就要回到第一性原理，最终产生的价值怎样反馈到成本上。行业要提高服务器负载率和Token产出能力，对抗不断上升的算力成本，客户也会从头部大模型和互联网企业向各行业下沉，我们既是模型公司的服务商，也会成为它的客户和技术延伸，帮助Token进入终端用户的FDE场景。

王超认为，客户需求已经从买资源逐步过渡到买服务，企业老板更关心Token怎样帮助实际业务，而不是买多少张GPU卡、自己搭建底层资源，现在企业已经过了尝试阶段，可以直接采购Token服务，通过API当天接入，这是从传统资源到服务的本质变化。基础设施也从训练走向更加落地的推理，通过KV缓存、提示词加速和推理优化，让单位GPU产生更多Token。未来还要依托全球网络推动Token资源流动和模型出海，同时建立面向场景服务的SLA。

本地AI：让模型更好跑在本地需要什么？

本地AI已经成为人工智能技术落地不可或缺的一个领域，端云结合也已经成为大模型产业落地的重要方向，然而，AI PC和工作站在已经能运行百亿参数级模型后，如何弥补Token质量与云端有明显差距？云端与本地AI如何分工？用户购买设备前又该按照什么指标选型？

面对这些问题，在至顶AI实验室联合主理人路飞主持的《本地AI：让模型更好跑在本地需要什么？》主题对话中，寅谱计算CMO陈展凌、AMD大中华区AI市场营销负责人昝仲阳、浪潮信息边缘服务器产品部副总经理刘景志、Minimax战略客户部泛互负责人张少锋、戴尔科技集团终端产品组合作伙伴与行业方案业务高级经理李炜几位嘉宾在现场进行了深入研讨。

陈展凌认为，AI越来越深入工作流，本地化的核心驱动力首先是隐私合规，研发、生产、财务和金融数据不能上云，模型就必须放在本地，其次是成本，常态化工作流和多轮对话每天消耗几十万甚至上百万Token，云端成本可能成为黑洞，第三是响应稳定性和延迟。选择设备时，算力是关键指标，但不是决定因素，显存大小决定模型能不能放得下、跑得起来，还要关注显存带宽，以及GPU、CPU、显存、存储和网络的协同效率。

昝仲阳认为，本地模型真正的变化，是用户开始关注基于本地模型的智能体能不能有效完成任务，随着模型变得更聪明，CPU和GPU协同以及统一内存架构可以让更多优秀模型同时运行，更多任务能够放到端侧并且以更快的速度有效完成任务。端侧最重要的不只是数据安全，而是数据主权，数据放在端侧，就一定属于用户。设备选择要结合真实的场景需求和工作模式，在合理成本下完成更多任务，基于AMD锐龙AI Max系列的笔记本、小型设备、工作站和一体机都有各自适用的算力场景。

刘景志认为，企业把AI放在工厂、智慧门店等场景，最大的驱动力是让它真正成为生产力，为具体业务服务。这需要满足数据本地处理和7×24小时稳定运行。企业级设备不像个人电脑，网络、电源、远程BMC管理等都要符合企业要求。从落地速度看，中小企业反而可能比大企业更快，比如科研写作、数据敏感型的个人和小团队，是目前率先形成需求的客户；大企业工作流程稳定、改造成本高，但后续大企业一旦方向明确，规模化落地的优势会更明显。

张少锋认为，私有部署还是调用API，最终要看使用成本和核心业务，小模型和大量量化版本降低了中小企业、个人部署的门槛，如果模型本身就是产品，私有部署更容易控制成本和利润。大企业更重视并发和稳定性，又有较强的议价能力，调用API可能更合适。模型公司在开源之外，还可以提供文本、视频、语音、图片和音乐等能力，围绕电商标注、客服、审核、宣传物料、跨境翻译配音，形成基于行业和场景的系统化解决方案。

李炜认为，企业缺的往往不是某一种部署方式，而是一套清晰的AI策略，云端、本地和边缘各有适用场景，决策要考虑成本、响应速度、数据能否离开办公区，以及使用是持续还是突发，公开信息处理可以使用云端，财务、病例和自有代码等敏感数据更适合本地。采购时不要认为模型越大越好，要先看模型是否适合具体任务，也不要混淆训练和推理，多数企业更适合用向量数据库连接企业数据，把算力放在推理侧，并选择适合自己的量化精度。

AI转型——FDE边界与第一推动力

在大模型深入产业、助力企业智能化转型的这一年里，一个新的职业也随之应运而生，这一职业就是FDE（前沿部署工程师），然而，FDE为何作为连接模型能力与业务场景的服务角色正在成型？哪些企业和阶段真正需要FDE？FDE如何将项目经验沉淀为可复用资产？

面对这些问题，在软积木联合创始人兼CTO邹健主持的《AI转型——FDE边界与第一推动力》主题对话中，邮储银行潘淳创新工作室（总行级）负责人&中国OPC创业者联盟（硅创联）发起人潘淳、达智汇科技服务（苏州）有限公司总经理赵丽娜、东软集团产品创新与软件资产管理部架构治理中心主任兰天、网易智企首席解决方案架构师周梁伟、智体纪元科技创始人兼CEO&Agently框架原创作者兼项目总负责人莫欣、爱智岛人工智能艺术家创作联盟联合创始人野了几位嘉宾在现场进行了深入探讨。

潘淳指出，FDE可以分为四部分，在现场发现需求、用原型验证、交付结果、把服务中形成的产品沉淀为公司资产。AI时代，过去90%的精力在产品开发，现在90%的精力在业务发现。企业老板说“用AI搞一搞”往往只是许愿，FDE首先不是决定使用什么模型或智能体，而是进入现场了解数据、系统接口和行业逻辑，把模糊想法拆解成真实需求，最终把AI能力转化成业务结果。

赵丽娜指出，FDE与传统IT外包或技术咨询有三个本质差别，第一是咨询和落地融合，既要定义未来的业务场景，也要把它实现，第二是技术和业务融合，FDE要做业务场景的翻译官，把讲不清楚的需求解耦，再完成落地的架构设计，第三是横跨从蓝图规划到业务交付的全套闭环，保障业务真正迭代起来。因此，FDE是架构师与项目管理师能力的融合，AI时代的项目管理必须升级，并具备架构思维。

兰天指出，对东软和客户来说，更重要的是把智能体与已有软件资产无缝融合，打造流畅的业务流程，例如医生一句话调出患者影像、病例或辅助诊断，既需要智能体理解意图，也需要精准查找业务数据、调用业务功能。传统软件因此要做AI友好、AI Ready改造，前端要适应对话式人机交互，后端则要从命令式API转向声明式表达，用特定领域语言描述业务职责，使原有软件资产更容易与AI结合。未来的软件一定需要神经软件构块与符号软件构块（编程语言表达的精准逻辑）紧密结合。

周梁伟指出，把大模型部署进企业，只是提供了最基础的资源，完全不等于真正用起来，Coding和通用办公仍然只是工具层，FDE关注的是更深的业务场景。每家企业的