【亿邦原创】11月20日消息,在2026第八届亿邦产业互联网年会暨首届产业智能体大会上,产业互联网和人工智能落地专家谢海发表了题为《智能体:产业变革的新引擎》的演讲。
他认为,未来,大模型与AI工具将成为组织的基础设施,真正拉开差距的,在于场景挖掘、数据沉淀、智能体编排、商业模式设计以及运营治理等环节;因此,挖掘高价值场景将是人工智能应用的主要战场。智能体打造应沿完整路径推进:从需求出发,到场景挖掘,再到数据沉淀、智能体编排、商业模式设计与运营治理,同时正视落地过程中的难点。
具体而言:一是智能体落地涉及的业务链条较长,需要思考如何满足业务的刚性约束;二是需要解决大模型幻觉问题,并应对业务的不确定性;三是技术可行并不等同于真正落地,FDE模式是验证落地可行性、推动项目跑通的重要工程;四是智能组织的打造同样是一大挑战 —— 单个智能体能力强,并不代表整个组织的效率能得到大幅提升。
展望未来,谢海认为以后可能是碳基生命带领一群硅基生命,共同完成伟大的事业。未来“一人公司”会成为常态,整个产业会变得更简单、更高效。

温馨提示:本文为速记初审稿,在不影响原意的基础上,由亿邦动力编辑整理。
以下为演讲实录:
非常荣幸也十分激动能够参加今天的盛会。我早在十几年前就开始从事产业互联网相关工作,也参加过很多次产业互联网峰会。近几年我一直聚焦于人工智能落地的相关工作,所以今天想以一个产业互联网老兵的身份,和大家探讨在人工智能领域,企业应当如何落地人工智能应用场景。
大家在做产业互联网的时候,是否有过这样的感受:互联网解决的是连接问题,而我们期待的执行环节,恰恰是人工智能可以覆盖的范畴。因此这几年我主要的精力,都投入在人工智能如何落地的赛道上。为了让我的分享更加生动,请大家先看一段视频。
【播放视频】
1、人工智能发展纵览
近几年人工智能的发展速度非常快。实话说,我已经快到退休年龄了,之所以一直坚持演讲、授课,是为了让自己保持对行业的敏感度,紧跟人工智能的发展步伐。
从概念溯源来看,人工智能始于1956年的达特茅斯会议,技术路线从连接主义发展到符号主义,又回归连接主义,演进到当下的行为主义。沿着这个时间轴梳理,不难发现技术迭代的速度越来越快。特别是2017年Transformer架构推出、大模型面世之后,技术迭代的速度进一步加快;到2025年,整个行业的快速迭代基本都是围绕智能体展开的。
刚才李稻葵教授也提到了中美博弈,我从人工智能产业的角度补充一点:中美两国都把人工智能列为国家战略,美国的优势是强原创、强硬件,中国的优势是强应用、强规模。从资本投入来看,相关数据显示美国在人工智能领域的总投资是我们的23.1倍。实话说,我国人工智能的投入主要依靠国家队,民营资本的参与度还比较低。
这一两年,我们的显卡、GPU、CPU,以及涉及内存相关的算力硬件价格上涨非常明显。能搭载运行大模型的笔记本价格已经涨了很多,已经到了三四万元一台。但无论如何,这种局面会倒逼中国走自主可控的道路,大力发展自有算力。
从大模型层面来看,我们和海外有差距,最开始海外处于领先位置,后续我们会逐步追赶上来。
在应用端,我们确实处于领先位置。不过应用端的发展需要复合型人才,需要既懂技术又懂产业的人。等一会儿我会稍微提到,从落地应用的角度,我们的产业落地为什么需要FDE工程。
放眼全球,中美两国遥遥领先,其次是欧盟,三者走的发展路径各不相同,欧盟走的是制度先行的路线。但无论走哪条路径,行业基本沿着四条路径落地:
第一条路径是依托平台生态入口布局。这类路径的优势非常明显,平台入口指的是原本就拥有庞大生态圈的企业,比如海外的Meta,国内的腾讯、阿里,在原有生态的基础上搭建智能体入口。
第二条路径是聚焦模型与API赛道。比如DeepSeek、智谱这类大模型公司,就是沿着这条路径发展。
第三条路径是深耕垂类领域与端口场景。美国的路线是在通用大模型的基础上推出垂类领域的应用,依托通用大模型的能力实现场景落地。
第四条路径是布局全栈算力。目前国内拥有全栈算力能力、且已经实现大规模落地应用的企业,我感觉只有两家,而美国在这一领域的实力更强。
但无论走哪条赛道,所有赛道最终的落脚点都是执行、是落地,而这最终都要依靠智能体。
智能体对我们来说既熟悉又陌生,因为它的到来太快,落地速度太快。

从2026年开始,智能体的落地速度就非常快,以腾讯推出的Work Buddy为代表的产品,正在推动行业加速发展。“龙虾”(OpenClaw)也推动智能体在2025年就迎来井喷式增长。
从全球主流模型的迭代节奏来看,2026年十月份已经完成了十次迭代,九月份有十四次迭代。2024到2025年的迭代,基本都是模型本身的迭代,比如GPT、Sora等产品的迭代。但当下的迭代,都是以智能体的形态展开的。我这里有一份十月份的行业排名,榜单前三的都是我刚才提到的、依托生态入口打造的智能体。
以Work Buddy为例,我是它的深度用户,我们集团也在考虑部署Work Buddy。我的使用体验是:写调研报告,尤其是投资类调研报告,把相关需求输入进去,用Work Buddy生成的成果,能力差不多相当于一个十几二十人的团队干半年的水平,不管是规范性还是内容深度都非常出色,实用性很强。
从2026年开始,智能体数量一直在快速增长。梳理智能体的发展历程,2022年智能体开始获得资本关注,不知道大家有没有印象,最开始我们用百度搜索,会返回一长串结果,但不会直接给出答案;后来我们开始用豆包这类产品,开始接触对话式的智能体。
2025年11月OpenClaw推出,是奥地利的一位开发者,为了让自己休假的时候工作更轻松,做的一款超级智能体,非常好用。这位开发者后来被OpenAI挖走。
他做的这款智能体功能极其强大,能快速完成全部工作,但它有一个致命问题:没有设置边界和限制,因此出现了“投毒”等很多风险事件。
春节过后,工信部出台了人工智能服务的“十要十不要”规范,这类无边界的智能体被叫停。但这款产品的出现有很大的价值,它推动了智能体行业走向规范化。
我记得2024年我们探索智能体应用的时候,用到的都是单智能体:基于数据和工作流,通过拖拽的方式手动搭建单个智能体。
到2025年,OpenClaw带来的变化是推动智能体走向工程化。所以2025到2026年,任务型智能体开始成为主流。
未来随着智能体和业务系统的嵌入融合,特别是数字员工实现自主完成任务的能力、任务驱动的特性进一步成熟,产业型智能体会成为未来的发展方向,这也契合今天会议的主题。
所以当时郑总邀请我的时候,我就说如果要讲智能体,尤其是产业智能体,我会非常感兴趣。我个人认为,我们现在做的很多智能体应用,都是在为未来的产业智能体做准备。
2、如何让智能体称为产业新引擎?
从基础架构的角度来看,OpenClaw推出之后,给我们带来了很多新的思考。
我们最开始做的智能体,对应的是提示词工程:大家最开始用豆包的时候,问它一个问题它就给出回答,但下次问同样的问题,给出的答案每次都不一样,让人觉得很困扰。

之后上下文工程出现,智能体拥有了记忆能力,可以把前后的内容串联起来,这时候智能体就可以生成完整的文章,把前后的信息都关联起来。比如我有时候会让豆包给我做出行计划,之前我跑步崴了脚,跟它提过这件事,后来它给我出的计划里,就把所有爬山相关的安排都去掉了。这就是上下文工程的作用,能够生成逻辑连贯、符合用户实际情况的完整内容。
OpenClaw推出之后,倒逼我们思考Harness工程(Harness Engineering)——说白了就是给野马套上缰绳,让它在我们可控的范围内快速奔跑,同时不影响它本身的性能。刚才李教授提到的Harness Engineering,“Harness”本意就是马具,是驾驭马匹的一套器具。到今年上半年,我们一度认为Harness工程就是智能体工程的最终形态,但之后又出现了循环工程(Loop Engineering):智能体可以同时完成感知、规划、行动、反馈、再规划的完整流程,这就催生了很多超级智能体的概念。智能体不需要下班、不需要休息,24小时不停地优化、运算,这种架构的能力非常强大。再往后发展,就出现了群组工程(Group Engineering),也就是可以实现任务分配的图式工程。
智能体相关工程体系的逐步成熟,会为未来产业智能体的真正落地,打下坚实的技术基础。
从落地价值的角度来说,我们最早探索的是工业智能体。目前官方文件中只对工业智能体有明确定义,即把智能体技术应用在工业领域。这里我简单讲一下,工业智能体的落地逻辑。
和单智能体的落地逻辑有根本性的变化,它需要域层设计,要做语义对齐——大家听到的能实现端到端打通的语义能力,实际上就是按照这个逻辑实现的。
我们要在复杂环境下打造智能体,如果不做语义对齐是根本做不成的。反过来,对大型企业来说,就必须用全新的视角看待数据治理:数据不能只停留在信息化时代的图表形态,而是要转化为模型能够读懂的形态。所以我们必须搭建语义层,做好数据层映射,再构建逻辑层、执行层、反馈层,通过这样的架构来实现工业智能体的落地。
现在国内的支撑型企业都在布局工业智能体。国家在2026年1月出台政策,提出要打造1000个供应链智能体。昨天我参加了世界智能制造大会,了解到今年入选的34家领航技术工厂,都已经完成了这1000个工业智能体的部署。
实话说,现在整个智能体的发展速度,已经远远超过了我们的常规认知和理解。这里面正如我刚才提到的,智能体落地必须做好语义对齐,没有语义层是行不通的,因为时间关系我就不展开讲了。
那么如何让数据能够被模型使用?
原来我们都是单一的数据层,现在要把它转化为多模态的数据结构,搭建企业级知识库,形成高质量数据集,供大模型运行,同时用知识图谱、向量知识库加本体的架构,支撑所有智能体的应用,尤其是多智能体、工业复杂环境下的智能体数据应用。
我们常说的数字员工,也是智能体的深度应用场景。时间关系我不展开讲。简单来说,一个数字员工会搭载多个智能体,给这些智能体匹配对应的岗位角色,配套对应的激励和管理机制,让它们承担工作。原则上,所有重复性的、不需要决策和思考的工作,都应该交给智能体或者数字员工来完成。目前国家政策也在持续扶持这一领域的发展。
3、智能体实践
接下来我会讲几个落地案例,因为剩下的时间不多了。中铝在2024年12月发布大模型,2025年迭代到2.0版本,在打造垂直领域大模型的同时,我们也在布局九个业务域的垂类模型,目前已经落地了27个工业智能体。
我讲几个我们智能体的落地实践:
第一个实践是在2025年,我们搭建了多智能体架构,把贸易业务“十不准”要求嵌入业务流程中,用十个智能体来理解规则、规避风险,确保业务符合国资委对贸易业务的相关要求。
第二个案例是在供应链领域,我们每年要采购200万吨石油焦,针对石油焦采购业务,我们配置了四个智能体,分别负责行业市场研判、工艺分析等环节,完成整个采购流程的寻优工作。以前的采购流程非常复杂,从采购端到生产端再到使用端,链路很长,现在我们用智能体的方式把整个链路打穿,节省了大量成本,创造了很好的经济效益,时间关系我就不展开讲了。
第三个是在复杂工艺领域,我们在铜冶炼场景下搭建了对应的智能体架构,这里也不展开讲了。我们从DCS、PLC、SCADA等系统中提取数据,搭建模型,核心采用时序数据加本体的技术架构,用数字员工完成管理:包括配料技术员、冶炼主控、取样员等角色,完成整套数字员工体系的打造。这是复杂工业场景下的落地实践。
还有一个案例是在电解铝行业,多功能天车一直是我们最核心的生产设备,我们采用多智能体数字员工的模式完成设备的全流程管理,通过五种多模态能力,打造了数字点检员、数字诊断员、数字运营员、数字调度员、数字安全员、数字资料员等角色,完成整套管理架构的搭建,目前已经取得了非常好的效果,这套模式也可以复制推广,时间关系我不展开讲了。
最后我分享几点思考:
第一,场景即战场。智能体的打造,一定要沿着从需求出发到场景挖掘,再到数据沉淀、智能体编排、商业模式打造、运营治理的完整路径推进。首先要锚定场景,以场景确定数据需求,以数据确定模型选型和智能体编排方案,通过智能体编排实现商业落地,这是一整套完整的逻辑。

第二,要正视落地过程中的难点。我们在智能体落地的过程中,涉及的业务链条非常长:首先是如何满足业务的刚性约束要求,其次是如何解决大模型幻觉问题、如何应对业务的不确定性,第三是技术可行不代表能够真正落地,所以我们必须采用FDE的相关模式,这里我不展开讲了。
第三,单个智能体的能力强,不代表整个组织的效率能得到大幅提升。最近百度创始人在演讲中提到,未来必须推进智能组织的建设。
从近期来看,我们会先实现智能体应用的规模化落地,再实现企业间的智能体协同,长远来看会发展到智能体社会,构建产业级的智能网络。我们需要打造语义底座,搭建智能体平台,建立智能体的可信机制,最终的目标是创造价值——因为只有形成商业闭环,才能产生持续的价值,所以我们必须建立对应的业务评价体系。
最后我有一个愿望:未来可能是碳基生命带领一群硅基生命,共同完成伟大的事业。未来“一人公司”会成为常态,整个产业会变得更简单、更高效。所以从现在开始,让我们一起拥抱人工智能。
谢谢各位!
关于本次大会
2026第八届亿邦产业互联网年会暨首届产业智能体大会,主题是“AI与出海带来的模态进化”,聚焦产业智能体落地、AI供应链价值重构、数据要素与TOKEN经济、产业出海新生态等前沿议题深度思辨。大会集结学界权威、央国企标杆、产业龙头、投资机构、服务生态,汇聚产业核心力量、拆解产业数智化转型路径、分享前沿实战经验。
产业互联网是数智技术、全球化、产业链、供应链变革引发的产业新模态,亿邦动力产业互联网年会已成为我国产业互联网领域的标志性行业交流活动。
本文首发于 亿邦动力 官方网站