編者註：本文是Nemotron Labs部落格系列的一部分，該系列探討了最新的開源模型、數據集和訓練技術如何幫助企業在NVIDIA平台上構建專用AI系統和應用。每篇文章都重點介紹使用開源技術棧在生產環境中創造實際價值的實用方法——從透明的研究助手到可擴展的AI智能體。
到2026年初，開源項目OpenClaw已經成為一個引人注目的現象。今年1月，隨著開發者興趣的急劇增長，其GitHub星標數突破了10萬。社區數據看板和流量分析顯示，單周訪問量超過200萬次。到3月份，OpenClaw的星標數已達25萬，僅用60天就超越React，成為GitHub上星標最多的軟體項目。
OpenClaw由Peter Steinberger創建，是一款可自行託管的持久化AI助手，設計為在本地或私有伺服器上運行。該項目因其易用性和高度自主性而備受關註：用戶無需依賴雲基礎設施或外部應用程序編程接口（API），即可在本地部署AI模型。
目前，大多數AI智能體由提示詞觸發，完成特定任務後即停止運行。而長期運行的自主智能體（即"爪"）的工作方式有所不同。這類智能體在後台持續運行，自主完成任務，僅在需要人工決策時才向用戶呈現資訊。它們以"心跳"機制運作：每隔固定時間間隔，檢查任務列表，判斷哪些任務需要處理，然後執行操作或等待下一個周期。
OpenClaw的迅速普及也引發了廣泛討論。安全研究人員對自託管AI工具如何管理敏感數據、身份驗證和模型更新提出了擔憂。也有人質疑，本地部署是否會給用戶帶來新的安全風險——從未打補丁的伺服器實例，到社區分叉中的惡意貢獻。隨著貢獻者和維護者著手解決這些問題，OpenClaw的崛起在整個AI生態系統中引發了一場關於開放性、隱私保護與安全保障之間權衡取捨的更廣泛討論。
為協助提升OpenClaw項目的安全性和健壯性，NVIDIA正與Steinberger及OpenClaw開發者社區展開合作，共同解決潛在的安全漏洞，具體內容已在OpenClaw近期發布的部落格文章中詳細說明。
NVIDIA在模型隔離改進、本地數據訪問管理優化以及社區代碼貢獻驗證流程強化等方面貢獻了代碼與指導建議。此舉旨在以開放、透明的方式貢獻NVIDIA在安全與系統領域的專業能力，在鞏固社區工作成果的同時，保留OpenClaw的獨立治理架構，從而支持該項目持續向前發展。
為幫助企業更安全地運行長期智能體，NVIDIA還推出了NVIDIA NemoClaw——一套參考實現方案，通過單條命令即可安裝OpenClaw、NVIDIA OpenShell安全運行時，以及針對網路、數據訪問和安全進行了加固默認配置的NVIDIA Nemotron開源模型。NemoClaw為各組織提供了一套更安全地部署智能體的參考藍圖。
AI的四個發展階段
AI已經歷了四個發展階段，且每個階段之間的時間間隔正在不斷縮短。預測式AI用了數年時間才進入主流視野；生成式AI的普及速度更快；推理式AI的到來速度更快；而以OpenClaw為代表的自主式AI浪潮，則正以更快的節奏席捲而來。
每一波浪潮所帶來的複合效應體現在推理需求的持續攀升。與預測式AI相比，生成式AI的Token用量大幅增加；推理式AI在此基礎上又提升了約100倍；而持續運行、跨越較長時間維度執行任務的自主智能體，其推理需求相較於推理式AI又提高了約1000倍。每一波浪潮都在成倍擴大所需的算力規模。
Token用量的增長正在幫助企業以數量級的幅度提升生產效率。例如，長期運行的智能體可以幫助研究人員在一夜之間完成問題分析，對數千種配置方案進行設計疊代，或持續監控系統並僅將需要人工判斷的異常情況推送給相關人員，從而將研究人員從重複性工作中解放出來，專注於更高價值的任務。
何時該從生成式AI切換到長期智能體
儘管生成式AI已成為按需任務處理的常用工具，但在某些特定場景下，智能體持續運行的"心跳"機制具有明顯優勢。是否從標準提示詞式AI切換到長期智能體，通常取決於工作流的性質：
從"按需響應"到"始終在線"：標準模型非常適合處理即時的人工觸發查詢，而智能體則更適合那些需要持續後台監控或定期系統巡檢、無需人工啟動的任務。
管理高疊代循環：對於需要測試數千種化學組合或模擬基礎設施壓力測試等複雜問題，智能體能夠處理那些若依賴人工干預則可能形成瓶頸的大量疊代工作。
從"提供建議"到"直接執行"：在許多工作流中，標準AI用於提供資訊或草稿；而當目標是讓AI進入執行階段——調用API、更新資料庫或在較長時間維度內管理文件時，通常會考慮引入智能體。
資源優化：對於大規模、Token密集型的推理任務，在NVIDIA DGX Spark個人AI超級電腦等專用硬體上部署本地智能體，相比高頻雲API調用，能夠實現更可預測的成本控制和更好的數據隱私保護。
跨行業應用場景
長期運行自主智能體的實際應用場景已延伸至各個職能部門和行業領域。
在金融服務領域，智能體持續監控交易系統和監管資訊流，在每日早間審核前及時標記重要事件。在藥物研發領域，智能體自動掃描最新科學文獻，實時提取相關發現並更新內部資料庫，無需研究人員手動介入——而此前這一流程需要數周時間。
在工程和製造領域，智能體通過測試數千種參數組合加速問題分析，對結果進行排序並標記值得深入研究的配置方案，所有這些工作都可以在一夜之間完成。
在IT運維領域，智能體診斷基礎設施故障，自動應用已知修複方案，僅將新型問題上報人工處理——將平均故障解決時間從數小時壓縮至數分鐘。在ServiceNow，利用Apriel和NVIDIA Nemotron模型的AI專家可自主處理90%的工單。
企業部署的治理框架
自主智能體是高度"動手"的存在。它們能夠發送通信內容、寫入文件、調用API並更新實時系統。一旦智能體產生錯誤操作，就會帶來真實的後果。從一開始就建立完善的問責框架至關重要，在生產環境中部署自主智能體的組織必須將治理作為首要需求來對待。
各組織需要實時了解智能體的行為，逐步審查其推理過程，對其操作進行審計，並在必要時進行干預。
負責任部署自主智能體的組織通常聚焦於以下三個優先事項：
開放且可審計的框架：NemoClaw基於OpenClaw的MIT許可代碼庫構建，這意味著各組織擁有完整的智能體框架所有權。他們可以讀取、復刻並修改智能體構建和部署方式的每一個層級。這種透明性使團隊能夠在代碼層面理解和掌控系統。在本地運行NVIDIA Nemotron等開源模型，可將敏感工作負載（包括患者記錄、法律文件、金融交易和專有研究成果）保留在組織自身的環境中，確保追蹤數據始終處於組織的管控之下。
保障運行時環境安全：NemoClaw在OpenShell沙箱環境中運行智能體，該環境精確定義了智能體可以執行和不可以執行的操作，從一開始就嚴格執行清晰的權限邊界。
本地算力支撐：NVIDIA DGX Spark超級電腦以桌面級形態提供數據中心級GPU性能，專為持續本地推理而設計，支持全時在線運行、本地模型託管，且數據始終保存在組織環境之內。NVIDIA DGX Station系統則在此基礎上進一步擴展了這一能力，專為需要同時運行多個智能體、處理複雜持續工作負載的團隊而設計。
目前正在探索自主智能體實際應用的組織，正在積累一種極具價值的資產：數月的實際運營經驗、基於真實工作負載構建的治理框架，以及已吸收組織知識背景、真正發揮實用價值的智能體。這一基礎將隨著時間的推移持續深化。
如需進一步了解，請訪問關於如何在NVIDIA DGX Spark上使用NemoClaw構建更安全AI智能體的分步教學，探索NemoClaw如何通過單條命令部署更安全、始終在線的AI助手。
如需獲取智能體AI、NVIDIA Nemotron及更多相關資訊，歡迎訂閱NVIDIA AI新聞，加入開發者社區，並在LinkedIn、Instagram、X和Facebook上關注NVIDIA AI。
Q&A
Q1：OpenClaw是什麼？它與普通AI助手有什麼不同？
A：OpenClaw是由Peter Steinberger創建的一款可自行託管的持久化AI助手，可在本地或私有伺服器上運行，無需依賴雲基礎設施或外部API。與普通AI助手最大的不同在於，OpenClaw採用"心跳"機制持續在後台運行，能夠自主完成任務，僅在需要人工決策時才向用戶呈現資訊，而非等待用戶觸發後才開始執行任務。
Q2：NemoClaw是什麼？企業為什麼要用它？
A：NemoClaw是NVIDIA推出的參考實現方案，通過單條命令即可部署OpenClaw、OpenShell安全運行時以及經過加固配置的NVIDIA Nemotron開源模型。企業使用NemoClaw的核心原因在於安全與可控：它基於MIT許可的開源代碼庫，支持本地運行敏感工作負載，通過OpenShell沙箱嚴格限制智能體權限邊界，並結合NVIDIA DGX Spark等本地算力設備，幫助組織在不依賴雲服務的情況下安全部署自主智能體。
Q3：自主智能體在企業中有哪些具體應用場景？
A：自主智能體的應用場景已覆蓋多個行業。在金融服務領域，智能體可持續監控交易系統並及時標記重要事件；在藥物研發領域，可自動掃描科學文獻並實時更新資料庫；在工程製造領域，可在一夜間測試數千種參數組合；在IT運維領域，可自動診斷故障並應用已知修複方案，將故障解決時間從數小時壓縮至數分鐘。以ServiceNow為例，其AI系統已能自主處理90%的工單。
