中国工程院院士、浙江大学教授谭建荣在主题发言环节，发表题为"大模型与智能体：关键技术与发展趋势"的演讲，系统拆解了人工智能从底层技术到落地 应用的全链路逻辑。 人工智能技术的迅速发展推动了大模型和智能体的融合发展，成为推动产业革新的核心驱动力。12月9日，由中关村科金主办的"超级链接·智见未来"—— EVOLVE 2025大模型与智能体产业创新峰会顺利举办。当日，中关村科金与华为云、阿里云、百度智能云、火山引擎、亚马逊云科技、超聚变、软通动力 等产业领军企业，共同发布 "超级连接" 全球生态伙伴计划。 谭建荣表示，智能体是人工智能的载体，人工智能的核心由数据、算法、算力三大部分构成，而这三者的融合载体便是智能体。智能体作为人工智能的落地 载体，已广泛应用于智能机器人、无人驾驶汽车、无人机等场景。 责任编辑：山上 关键词阅读：智能体 大模型 中关村科金 为什么近年来人工智能火起来了？谭建荣认为，早期专家系统依赖因果关系编程，而如今大模型则依托大数据挖掘关联关系，实现了技术路径的重大突破。 针对未来发展趋势，谭建荣提出大模型与智能体需要实现云、边、端的协同发展，特别是智能体需要云、边、端的协调部署，实现同步协同， ...

公司产品发布与战略 - 中关村科金在EVOLVE 2025大模型与智能体产业创新峰会上公开了企业级智能体落地路线图 [1] - 公司发布了覆盖企业全场景的“3+2+2”智能体产品矩阵 [1] - 发布的具体产品包括得助大模型平台5.0、得助智能客户平台5.0、得助智能工作应用平台、得助金融智能体平台、得助工业智能体平台等一系列产品和解决方案 [1] 核心产品能力与认证 - 得助大模型平台5.0集成了六大行业超过300个企业级智能体，支持“即取即用” [1] - 该平台搭配全链路智能体开发运维能力，使智能体落地成功率高达95% [1] - 该平台是IDC认证的智能体开发平台主要厂商 [1] 市场覆盖与客户基础 - 中关村科金相关产品已服务超过2000家行业头部客户 [1] - 公司业务遍及180多个国家和地区 [1] 应用场景与量化成效 - 在金融领域，公司产品助力头部机构降低60%的场景创新试错成本 [1] - 在工业领域，公司产品助力有色金属冶炼能耗下降8% [1] - 在汽车营销场景，公司产品将到店线索转化率提升55% [1] - 在海外服务场景，公司产品将客服效率提升超过50% [1]

公司数字化转型与效率提升 - 公司自主研发了智能体系统，用于存储和管理润滑油配方及原材料数据，该系统一年可处理几十万条数据 [2] - 通过应用智能体系统，公司大幅减少了在配方开发上对资深工程师的依赖 [2] - 新技术的应用使公司配方开发周期从原来的1年缩短至3个月，效率显著提升 [2]

人工智能发展趋势与核心洞见 - 新一轮人工智能浪潮的本质是信息智能、物理智能与生物智能的深度融合，信息世界、物理世界与生物世界全面数字化，原子、分子与比特的边界正在消融[1] - 生成式AI正快速演进为智能体AI，智能体已成为近两年AI领域最重要的创新方向之一，其任务复杂度在过去七个月内翻倍，准确率超过50%，意味着AI开始执行复杂任务与决策[3] - AI正在从信息世界走向物理世界和生物世界，即从大语言模型走向视觉-语言-动作模型，以在真实世界中行动[3] 智能体（Agent）的演进与影响 - 未来的SaaS服务和终端APP都将被智能体所取代，智能体即未来的软件与服务形态，将涵盖消费、行业、机器人、自动驾驶等各种领域[4] - 以医疗智能体为例，多智能体网络可模拟三甲医院运作，在很短时间内处理相当于一家三甲医院两到三年积累的病例，且诊断准确率更高，目标是为医生提供强大的智能体助手[4] - 智能体是实现AGI的必经之路，需要新的算法体系、记忆体系和世界模型[6] 算力、成本与规模化法则 - Scaling law在预训练阶段的效果增长已逐渐放缓，智能提升的重点转移至后训练阶段的推理与智能体层面[3] - 推理的单位成本在过去一年下降至原来的十分之一，而智能体对算力的需求则增长了十倍，两者形成动态平衡[3] 机器人、自动驾驶与物理智能 - 机器人被视为未来最大的赛道，十年内机器人的数量或将超过人类[4] - 无人驾驶在2024年已到拐点，预计到2030年，约10%的新车将具备无人驾驶能力，那将是自动驾驶的“DeepSeek时刻”[3] 基础大模型与产业格局 - 人工智能时代的操作系统是基础大模型，它将像PC时代的Windows、移动互联网时代的安卓与iOS一样，彻底重写、重构并重塑整个产业形态[5] - 在此操作系统之下，芯片架构将随之演变；在其之上，以垂直模型、边缘模型和智能体为核心的应用生态将全面重建，整个产业的规模将比PC时代和移动时代大出2-3个数量级[5] - 如同操作系统般的基础大模型，全球最终可能不会超过10个，预计中美将各占半数，可能辅以少数其他国家的模型，形成开源与闭源并行的双轨发展生态[5] 技术架构与长期预测 - 未来五年，自回归架构、Transformer和Diffusion可能会被新的范式颠覆[6] - 实现信息智能、物理智能乃至生物智能的全面突破，预计可能需要十五到二十年的时间[6]

行业趋势：智能体发展进入新阶段 - 2025年被称为“智能体元年”，行业正经历从“工具智能”向“专家智能”的范式转移 [1][21] - 智能体发展分为三阶段：第一阶段是完成单一指令的“工具智能”，第二阶段是能规划并执行多步骤任务的“多智能体协同架构”（专家智能），第三阶段是未来的“决策智能体” [2][21] - “豆包手机助手”的尝试属于第二阶段的专家智能，是“智能体协同领域的一次超前实验” [3][22] 事件本质：操作权与流量入口的争夺 - “豆包手机助手”的核心技术是GUI-Agent（图形界面智能体），通过模拟点击与滑动操作手机APP，旨在成为手机里的“通用工作者” [6][24] - 该技术将用户需手动串联多个APP的复杂操作（如订票、支付）变为一句指令驱动的自动化流程，使用户从“打开”APP变为“通过”APP [6][7][25][27] - 此次事件本质并非功能竞争，而是“操作权”的争夺，当用户习惯由AI代理操作时，手机流量第一入口将面临洗牌，AI智能体成为新流量入口是正在发生的趋势 [8][28] 对现有巨头的冲击：威胁数字王国核心命脉 - 微信和支付宝已演变为庞大的“数字王国”，微信是拥有超过13亿“居民”的超级数字城市，支付宝是围绕交易与信用构建的数字商业共和国 [9][29] - AI智能体的介入直接威胁到这些“王国”的三大核心命脉：生态控制权旁落、安全风控体系被穿透、数据护城河面临决堤风险 [9][10][11][30][31][32] - 具体而言，微信作为服务分发中枢的地位可能被架空，支付宝可能被“工具化”为支付通道；同时，AI模拟的机械操作易触发安全系统的防御封禁，且其跨应用数据打通潜力令巨头警惕 [10][30][32] - 高盛最新AI产业报告指出，生成式AI下一轮竞争将聚焦“智能体平台”，谁掌握主导性智能体，谁就掌握重塑流量和利润分配的权力 [11][32] 未来展望：新战场与行业演进方向 - 技术进步源于人性对“更省事”的追求，用户一旦体验“一句话全搞定”就难以退回手动操作多APP的旧模式，这是不可逆的人性驱动 [12][13][14][33][34][35] - 当前“模拟点击”方式虽粗糙，但揭示了行业缺乏让AI安全规范工作的标准协议，未来手机系统或行业联盟很可能推出专为AI设计的标准接口协议 [15][35][36] - 用户流量入口正在发生迁移，越来越多人第一反应是询问ChatGPT、DeepSeek、Kimi、豆包等AI，信任入口从具体APP转向AI，AI正从“问答机”变为“服务站” [16][37] - 竞争维度正从“拥有更多用户”转向“更能理解用户意图并高效调度资源满足它”，理解意图的AI将成为核心，各类服务公司将成为被调度的资源 [16][37] - 此次事件标志着新旧时代流量主权的首次正面交锋，是行业发展的临界点，巨头们的防御既为守住现有优势，也为自主研发AI争取战略时间 [11][17][33]

公司近期动态与战略澄清 - 月之暗面总裁张予彤近期公开露面，系统阐述Kimi在模型性能、智能体产品和底层创新上的进展，厘清公司战略为“不做泛娱乐、不追多模态、不参与同质化竞争” [1] - 公司在2024年第四季度动作频频，包括上线Kimi For Coding包月套餐、发布支持“边思考边调用工具”的Kimi K2Thinking模型，并被曝出筹备IPO消息 [1] - 张予彤的回归被视为具有象征意义，表明公司已不再受此前与投资方争议的影响，其目前负责公司整体战略与商业化 [5] 技术理念与性能突破 - 公司认为真正突破性研究在工程化前不依赖海量算力，并引用案例称AlexNet仅使用两块GPU，当前训练瓶颈是“数据墙”而非算力本身 [2][3][4] - 公司的Kimi K2模型实现了使用同一份数据效率至少提升两倍，在2025年10月的评估中，其加权平均值与GPT 5几近重合 [4][6] - 公司强调底层技术创新以及与上层的联合优化是其核心竞争优势，专注于大模型层、逻辑层、Agent层及生产力、复杂任务链路 [8] 市场定位与产品策略 - 公司现阶段不看重用户规模，已放弃与豆包拼投放的策略，差异化竞争方式是“不竞争”，找到自身擅长领域 [7][8] - 产品端刻意不做生活娱乐和多模态生成，更专注于需要长程规划、复杂工具调用且能创造更高经济价值的任务，如深入研究、PPT、数据分析、网站开发 [8] - 在C端应用流量上，2025年9月Kimi的月活跃用户为967万，排名第五，PC网页端月活用户为1103万，排名第八 [7] 商业化进展 - C端商业化主要面向算力密集型的深度研究等智能体任务，普通对话模式免费，提供三种不同的包月套餐，OK Computer等高级功能需额外购买 [9] - B端变现通过API调用，目标用户明确，Perplexity（AI搜索领域用户量最大、估值最高的公司）接入了其唯一的中国模型Kimi K2 Thinking，此外YouWare、Vercel、Genspark、Flowith等公司也选择了K2模型 [10] - 公司被分析师认为变得更加聚焦，从政策、证券环境和技术浪潮看，其在2026年推动上市符合天时地利人和 [11] 行业竞争格局 - 2024年1月至2025年10月期间，国内大模型性能曲线向上扬起，其中阿里的Qwen 2、深度求索的DeepSeek R1以及月之暗面的Kimi K2是转折点 [6] - 在原生AI应用月活排名中，豆包和DeepSeek分别以1.72亿和1.45亿月活用户位列第一、第二，远超Kimi的967万 [7] - 行业观点认为，只要公司技术有优势、主营业务向上发展且大模型热潮未终结，其面临的纠纷是可以克服的 [5]

峰会与产品发布 - 中关村科金联合甲子光年于12月9日在北京举办“超级连接.智见未来”EVOLVE2025大模型与智能体产业创新峰会 [1] - 中关村科金首次公开企业级智能体落地路线图，并发布“3+2+2”智能体产品矩阵 [1] - 产品矩阵包括大模型平台、AI能力平台、AI数据平台三大基础平台，智能客户平台、智能工作应用平台两大通用场景应用平台，以及金融和工业两大行业智能体平台 [1] - 公司联合华为云、阿里云、百度智能云、火山引擎、亚马逊云科技、超聚变、软通动力等企业共同发布“超级连接”全球生态伙伴计划，旨在打造开放、连接、可持续的“人工智能+”产业生态圈，加速企业级智能体规模化落地 [1] 行业专家观点：智能体技术与发展路径 - 浙江大学教授谭建荣指出，大模型源于小模型的积累与数据建模的深耕，数据需通过挖掘隐含规律转化为知识，模型是定量知识的结构化表达 [1] - 人工智能发展依赖数据、算法、算力三大要素，智能体作为软硬结合载体，集成了感知、理解、决策、控制等核心能力，是实现技术落地的关键 [1] - 智能体的发展需依托深度学习、强化学习等基础算法，并通过云、边、端协同部署提升效能 [1] - 大模型落地需兼顾精准化与轻量化，模型蒸馏等技术可有效降低算力需求 [2] - 需警惕“幻觉”等技术风险，尤其在自然语言理解等复杂任务中，中文语义的精准把握仍是长期挑战 [2] - 未来应推动大模型与智能体从通用走向专用，面向行业与产品场景深耕，真正实现技术赋能产业 [2] - 美国硅谷人工智能研究院创始人皮埃罗·斯加鲁菲指出，当前已迈入AI智能体时代，其核心优势在于具备自主性，通过“感知—决策—行动—学习”的完整循环自主完成多步骤工作流，成为数字劳动力 [2] - 未来多智能体协同的“群体智能”将成为主流，智能体可动态组建、灵活解散，凭借对组织上下文的深度理解与目标对齐实现高效协作，成为企业智能化转型的核心路径 [2] 企业级智能体的价值与定位 - 中关村科金总裁喻友平认为，从互联网、移动互联网到人工智能的演进本质是连接的进化，智能体作为超级连接器，通过连接企业内部要素（员工、知识数据、业务系统、生产流程）和外部要素（客户、渠道、监管、生态伙伴）来释放新质生产力 [2] - 甲子光年创始人兼CEO张一甲表示，AI智能体的本质是把大模型的“超级大脑”和自动化的“敏捷双手”结合在一起 [3] - 企业级智能体的核心价值是破解数据孤岛和流程割裂等痛点，打通人、物、财、资等所有关键节点，实现企业级的全局连接 [3] - AI智能体会成为企业数字化的中枢大脑，重构整个工作逻辑，智能体的每一次连接都在产生新的交互数据，并反过来迭代模型本身，实现“越连接越智能”，激活企业AI数据飞轮，实现价值增长 [3]

公司产品发布与战略 - 中关村科金在EVOLVE 2025峰会上公开企业级智能体落地路线图并发布覆盖企业全场景的“3+2+2”智能体产品矩阵 [2][3] - 发布的产品矩阵包括得助大模型平台5.0、得助智能客户平台5.0、得助智能工作应用平台、得助金融智能体平台、得助工业智能体平台等一系列产品和解决方案 [2][3] - 产品矩阵旨在助力企业快速开发智能体并高效使用智能体 [2][3] 核心产品性能与认证 - 得助大模型平台5.0集成六大行业超过300个企业级智能体，支持“即取即用” [2][3] - 该平台搭配全链路智能体开发运维能力，使智能体落地成功率高达95% [2][3] - 该平台是IDC认证的智能体开发平台主要厂商 [2][3] 市场覆盖与客户基础 - 中关村科金相关产品已服务超过2000家行业头部客户 [2][3] - 公司业务遍及全球180多个国家和地区 [2][3] 行业应用成效与量化收益 - 在金融领域，助力头部机构降低60%的场景创新试错成本 [2][3] - 在工业领域，实现有色金属冶炼能耗下降8% [2][3] - 在汽车营销场景，将到店线索转化率提升55% [2][3] - 在海外服务场景，将客服效率提升超过50% [2][3]

行业演进与AI角色 - 从互联网到人工智能的演进本质是连接的进化 AI已成为新的连接器 将知识智能 人和数据连接在一起 实现新的价值跃迁 [1][2] - 在大模型智能体时代 智能体将为企业对内和对外的各种要素连接提供强大赋能 [1][2] - 对内能更好整合知识 经验和业务流程以赋能企业经营 对外能更好连接客户和伙伴以实现企业客户价值倍增 [1][2] 智能体落地的挑战与核心 - 智能体落地过程存在诸多新挑战 AI作为要素连接的主体而非过去的通道 要求智能体必须具备高准确率和高规则遵循能力 [1][3] - 这对企业的数据治理水平提出了新的要求 [1][3] - 企业智能体的落地本质是数据 模型和场景循环迭代能力的较量 [1][3] 公司产品与解决方案进展 - 公司提出了智能体落地路线图 并发布了在智能体营销 销售 客服等平台的最新进展 [2][3] - 得助智能客服平台5 0——营销平台 集成了丰富行业资产的智能体工厂 可作为高效构建企业级智能体的全能基座 帮助企业更快更好落地AI创新 [2][3] - 全面升级的智能体集市集合了金融 工业 汽车 零售 交通 政务六大行业超过300个企业级智能体 [2][3] - 该平台强化了智能体开发运维全链路能力 可保障企业场景落地成功率超过95% [2][3]

行业与公司 * 行业：人工智能，特别是大模型驱动的智能体（Agent）领域 [1] * 涉及公司： * 大模型厂商：谷歌（Gemini）、Deepseek、月之暗面（Kimi）、智谱（AutoGLM）、OpenAI、Anthropic、科大讯飞、字节跳动 [1][3][5][6][8][15] * 产品与平台：豆包手机助手、MindSpore、Anti Gravity、Jenna、Cloud Code、ChatGPT、GMAT Cloud、Cursor [2][6][11][12][21][24] * 其他：James Park（获超2亿美元融资）、一家丹麦AI客服公司 [8][14] 核心观点与论据 1. 大模型与智能体技术进展与差距 * 近期发布的大模型（Gemini、Deepseek V3.2、Kimi K2）在智能体能力上各有侧重 [1] * Gemini在人机交互方面表现最佳，能快速生成UI并接受键盘输入 [1][4] * 国产大模型在基础要素上已具备能力，但与国际领先水平仍有差距，尤其在前端性能和空间推理方面 [5] * 国产大模型执行时间普遍较长，导致用户使用成本较高 [1][5] * 在复杂任务（如生成电影知识图表、3D动画模拟）中，各模型表现不一，存在失败或不足 [3][4][5] 2. 智能体产品化与落地的挑战 * 开发完整智能体产品极度依赖强大的软件工程能力，大模型仅提供10%至20%的能力，80%的工作依赖传统软件工程 [9] * 复杂稳定的智能体产品无法由单个人完成，声称零部署或一键上线的应用需警惕 [1][9] * 智能体与操作系统整合拥有最高权限，可实现跨应用操作，但面临应用开发商的反制（如阿里系封杀豆包手机助手的转账、抢红包功能） [1][7] * 从技术演示到稳定运行存在巨大鸿沟，实现完全可靠需指数级增加算力和成本 [11] * 当前大模型在真实客服任务中成功率仅约40%，失败率超60%，在语义理解、场景上下文和常识推理上仍显著不足 [10] 3. 市场发展、风险与投资视角 * 智能体概念于2024年兴起，2025年被称为智能体元年，各类厂商纷纷投入 [8] * 市场初期对其价值存疑，但随着James Park获得超过2亿美元融资等案例，其重要性被逐渐认可 [8] * 市场上存在鱼龙混杂和劣质产品，需仔细甄别 [1][2][8] * 最看好的落地场景是专注于垂直领域的小点，如有明确好坏判定标准的税务审核、合同审查等 [19] * 相对通用但无明确标准的应用（如AI for PPT优化视觉呈现）也有一定市场 [19] * 开放性较强、缺乏明确边界的问题（如设计最优路径）实现难度大，成功案例少 [19] 4. 企业级应用与平台局限性 * 企业级智能体平台难以满足所有部门需求，统一的大系统无法覆盖所有流程，各部门在流程、合规、领域知识上需求不同 [3][16] * Memory技术需谨慎评估，过高Memory会影响系统效率，且模型可能因错误数据偏离方向 [3][17] * 数字员工/AI陪伴难以完全替代人工，需要大量调教且成本可能超过雇佣人工，更应视为协作与增强工具 [18] * 需警惕弱化数据隐私保护的行为，大模型对数据理解粗暴且难以控制，不应轻易将敏感数据交给第三方 [19] 5. 编程与开发工具现状 * 目前没有一家智能体平台被专业程序员广泛使用 [20] * 专业编程领域，Cloud Code表现最佳，其次是Gemini，ChatGPT因价格昂贵和特定场景语义理解不足而靠后 [21] * Web Coding平台主要面向非专业用户，通过拖拽降低实现简单逻辑的门槛，但无法承载复杂任务 [3][20] * 当前90%的智能体仍依赖预定义工作流 [3][20] * Web Coding的成功源于流程标准化和可复制性，确保了稳定性和复用性 [22] * Cursor产品面临较大风险，自Cloud Code推出后流量大幅下降，若不能摆脱对底层大模型的依赖则前景堪忧 [24][25] * UI设计工具可能成为重要发展方向 [3][21] 其他重要内容 1. 安全、权限与可靠性评估 * 评估智能体需考虑出错后果的可承受性 [1][11] * 在开源社区中，用户曾因给予Anti Gravity过高权限导致其删除整个代码库 [13] * 一家丹麦公司的AI客服系统被授权在无人监督下代表公司转移资金，存在极大风险 [14] * 在涉及金钱或关键事实确认时，让智能体完全代替人工操作非常危险 [14] 2. 行业实践与规则探索 * 行业内对AI介入程度有基本规则：通常让AI处理前端70%-80%的杂活累活（如文档规整、非结构化数据转换），最终关键决策由人类完成 [26] * 在生命攸关或影响力大的领域（如制药厂管线审核），最终决定权必须由人类掌握 [26] * 在错误影响较小的领域（如教育辅助），则允许AI更多参与 [26] * 不同行业根据AI可能带来的风险反向推导其介入程度，目前尚无统一标准，各方仍在探索边界 [26] 3. 工具定位与价值衡量 * 工具本身无好坏，关键在于用户如何使用 [23] * 若用户缺乏编程经验却指望通过Web Coding直接生成成熟产品，是错误定位 [23] * 若目标是提升资深开发人员效率（如提升200%），则Web Coding可以胜任 [23] * 工具价值取决于公司如何看待工具与人的关系，以及如何衡量生成代码的准确性和执行成功率等指标 [23]