隨著 AI 從回答問題邁向自主執行和創造，行業開始進入真正的 Agentic AI 落地元年。這不僅改變了應用形態，也正在重塑整個AI技術棧的底層邏輯。
與此同時，智能體體系結構的復雜度呈指數級增長，從任務規劃、工具調用到長期記憶，每一環節都對底層框架提出了更高要求。對此，PPIO 聯合創始人兼 CEO 姚欣表示：
能看到無論是 PC 時代，還是移動時代、云時代，操作系統才是最核心的中間層。
這意味著，未來的 AI 應用將從回答問題的工具轉向能夠直接完成任務的助手，而要承載這類能力，行業迫切需要一種新的基礎設施——Agent 時代的操作系統。
在近期量子位 MEET2026 智能未來大會上，姚欣圍繞智能體演進、Agent Infra 等關鍵詞分享了自己對AI底層基礎設施架構重塑的判斷：
今天的 Agent 會成為未來 AI 應用的主力，而 Agent Infra 會成為下一個AI時代的操作系統。
無論模型能力如何提升，無論應用形態如何演進，未來趨勢都指向同一個目標：在 AI 時代，通過新的Runtime體系，實現模型能力、工具能力與執行能力的高度融合。
以下為姚欣演講全文：
AI 從生成式邁向 Agent 時代
大家好，我今天分享的主題也是很多嘉賓講的新話題 Agentic AI——今年 AI 進入了到一個全新的時代。
過去一周，豆包手機橫空出世，它能夠自動幫你下單、比價、執行任務，這正是我們今年所看到的——從 Generative AI 向 Agent AI 的進步。
AI 以前更多只是做一些聊天、回答問題；而從年初的 Manus、Genspark，到現在的豆包手機，這些產品越來越清晰地展示出AI應用開始像智能體一樣自動化完成任務和進行創作。
今天提到智能體這個話題的時候，我發現行業內，特別國內很多人把它定位成工作流。
以前像扣子那樣的編排工具，只能算是最早期的智能體形態，并不是完全體。
今天真正的完全態智能體需要具備自主分析、自主決策以及自動化完成任務的能力，而執行與落地正是其中的關鍵環節。
同時，我們之前在很多 AI 工具中看到的 Deep Research 功能，雖然能幫助做搜索和處理，但我認為這仍然只是智能體的早期階段，真正的智能體需要全新的架構和全新的形態。
真正的智能體 需要從能力堆疊走向系統化結構
2023 年的時候，OpenAI 研究員 LilianWeng 也發了一篇很著名的論文，《LLM Powered Autonomous Agents》。
這篇文章里面揭示了真正的智能體有哪些核心的組件，包括四個核心的元素：Memory、Planning、Tools、Action。
在梳理每個核心組件的特點和特性時，發現了這樣一些類比：如果把智能體當作數字生命體，那么 Memory 有點像大腦的記憶功能，負責短期記憶、長期記憶，甚至需要具備遺忘能力；Planning 更像思考單元，能夠進行深度推理和深度分析。
Tools、Action 則更像我們的五官，能夠感知外部世界發生了什么，甚至像手和腳一樣去影響和改造外部世界。真正的智能體不僅是執行的機器，更重要的是具備從思考到執行再到分析的一整套綜合系統。
我們想一想，什么樣的系統是既能做資源的管理又能做記憶的管理，甚至調用大量的工具呢？
我認為今天的智能體的基礎設施更像以前的操作系統，這里我列舉了一下過去三四十年一系列操作系統的發展和誕生，能看到無論從 PC 時代到移動時代還是到云時代，操作系統才是最核心的中間層。
一方面，它要管理大量不同的異構資源，把計算資源、硬件資源，以及各類異構的記憶、存儲、傳輸能力整合起來。
另一方面，還需要把這些能力抽離并抽象成標準化的功能調用，暴露給上層應用，讓開發者可以輕松進行二次開發，而無需針對每一種硬件結構單獨開發。
無論是在 PC 時代、手機時代，還是云時代，操作系統始終扮演著這樣的角色。
Agent Infra：未來 AI 時代的新操作系統
我提出一個看法：今天我們做的 Agent Infra，本質上是在構建 AI 時代的操作系統。
傳統操作系統管理 CPU、內存、存儲等硬件資源，而 Agent Infra 管理的是模型能力、工具調用能力，以及任務和執行能力，在這個維度上完成資源管理、統一調度與抽象，讓上層開發者能夠更方便地進行應用構建。
在整個 Agent Infra 體系中，最核心的部分我們認為是 Runtime。
Runtime 解決的是“能不能跑起來”的問題，真正的智能體能否在各種環境下大規模、通用地適配并穩定運行，依賴的正是把不同能力進行綜合調度的 Runtime，這也是 Agent Infra 的核心所在。
PPIO 是一家 AI 云計算公司，我們從底層算力到 IaaS、PaaS、再到 MaaS，逐層構建了完整的 AI 云能力，為 Agent Infra 提供底座支撐。
自 2020 年算力出現短缺開始，我們整合大量數據中心閑置算力，構建分布式算力網絡。如今我們在中國已有 4000+ 算力節點、1300 多個能提供大量分布式算力的合作伙伴；2023 年從 CPU 擴展到 GPU；2024 年我們在全球六大洲三十多個地區和國家開始部署算力網絡能力，整合全球各地的算力資源，這是我們的第一層。
第二層是 GPU 推理云平臺。2023 年我們打造了第一代推理云平臺，實現異構算力的統一調度。2024 年推出分布式推理引擎，并托管近百個開源與社區模型，每天處理接近 2000 億 Token，為模型提供推理加速、降本和性能增強，是支撐開源模型落地的重要基礎。
基于前期積累，我們在今年 WAIC 發布了首個兼容 E2B 的 Agent沙箱，以 Runtime 為核心整合模型調用、短期/長期記憶和數據庫能力，幫助頭部 Agent 廠商規?；涞?，通過更安全、敏捷的沙箱體系降低錯誤率。
該沙箱是專為 Agent 執行任務設計的云端運行環境，為 Agent 賦予安全可靠、高效敏捷的“手和腳”，沙箱內支持動態調用 Browser use、Computer use、MCP、RAG、Search 等各種工具。
PPIO Agent沙箱基于 Firecracker MicroVM 構建，具備強安全隔離、毫秒級極速啟動、高并發創建三大特性，無需預部署，即啟即用，讓 Agent 的所有操作均處于“受限、可控”的狀態。
強安全隔離，讓不同 Agent 沙箱的環境可實現完全隔離，當多個任務并發執行時，每個任務都能在獨立環境中運行，從根源上避免數據泄漏和資源搶占沖突。
小于 200ms 的極速啟動時間，遠遠小于傳統虛擬機沙箱數分鐘甚至更長的時效，可瞬間創建沙箱環境、運行生成的代碼并展示預覽效果，大幅提升用戶的開發流暢度。
并且 PPIO Agent沙箱還支持同時快速啟動數千個沙箱實例的高并發創建能力，可充分滿足業務場景中的高并發需求，加快結果交付速度，保障用戶體驗。
沙箱上線以來，月度活躍數在持續增長，我們希望通過 Agent Infra 成為 AI 時代新的操作系統，幫助更多開發者成長與創業。
