Techub News - 香港 Web3 媒体

让智能体“上岗”的工厂模式。 作者 陶辉东 本文字数3770 手搓量丨100% AI含量丨0% 甭管是跟风还是真的有用，AI智能体在企业里大规模"上岗"，已是浩浩汤汤的大势。 IDC预计到2030年，全球活跃的数字员工（Agent）数量将达到22亿个；Gartner则预测，到2028年平均每家《财富》500强企业将使用超过15万个AI Agent。 现在，上马一个智能体很容易。拖一个低代码画布、接一个大模型、写几行提示词，一个“数字员工”就能在汇报会上跑起来。 但热闹的另一面是水分。同样是Gartner的预测，到2027年底超过40%的智能体AI项目将被取消，原因是成本不断攀升、商业价值不明、风险控制不足。 很多企业的现状是，智能体数量越来越多，每个都报告了几倍的效率提升，但一算账却发现成本并没有下降，业绩也没有增长，只是多了一笔token账单。 失控的Agent大军 智能体为什么没有很多企业想象中的那么有用？ Gartner在报告里写道，大多数智能体项目目前还只是"由炒作驱动的早期实验或概念验证，而且常被误用"。还有一个专门的词叫"agent washing"（智能体洗白）：把AI助手、RPA和聊天机器人重新贴标成智能体。 即便智能体不掺水，也很难跑完最后一公里。德勤的调研显示，66%的组织在试验AI智能体，但真正跑进生产环境的只有11%。中欧国际工商学院教授方跃把它概括为四个字——"试点繁荣，价值虚无"。 还有一件比"用不起来"更棘手的事情：管不住。随着智能体数量的失控式膨胀，没人说得清公司里到底跑着多少个智能体、它们分别能碰到哪些数据、出了问题谁来负责。 问题已经很清晰了：智能体不是做出来就完了。眼下绝大多数企业不是缺智能体，而是缺真正懂企业核心业务的智能体，以及缺把智能体“管”起来的能力。 最近，我从投资人那里听来一个“段子”：某非常火爆的通用Agent产品开始推企业版了，号称有组织管控、安全合规和协同沉淀等诸多厉害的功能，但实际结果是严重滞销，因为根本不懂企业业务，很多客户宁愿买个人版账号，也不愿意采购企业版。于是，该公司开始力推FDE。 但FDE的问题几乎跟智能体本身一样多。很多所谓FDE实际上只是传统实施团队换了个马甲，与早就被上一代“AI四小龙”们证伪过的项目制模式并无本质区别。能像Palantir那样形成know how复利飞轮的公司是少之又少。 与此同时，一些玩家也开始探索另一条路：智能体工厂（Agent Factory）。 它的思路是，既然AI进入企业的基本载体是智能体，那么帮助企业持续、低成本、可信地生产和运营一支智能体大军，就是AI落地的核心，而这件事是可以工厂化的。 让智能体“上岗”的工厂模式 所谓智能体工厂，本质是把过去高度依赖工程师个人经验的智能体构建，转化为标准化、可复用的产品和流程。 从国内外的产业实践看，向"工厂模式"演进正在成为巨头与平台型玩家的共识。 微软的Agent Factory将Copilot Studio与Microsoft Foundry纳入统一采购和计费方案；甲骨文的Private Agent Factory围绕企业数据库提供预置智能体和可视化编排工具。 各自切入角度不同，但核心都在把智能体开发、数据接入和运行管理整合到一个平台。 在国内，蚂蚁数科今年7月在WAIC上率先提出"智能体超级工厂"的企业AI基础设施方案，将商业智能体全栈平台Agentar作为其核心平台。 与过去简单的低代码Agent搭建工具相比，蚂蚁数科的"智能体超级工厂"在产品架构上有几个截然不同的进化特征。 首先是标准化与资产化。它不再让用户从空白的Prompt框开始摸索，而是把行业沉淀的know-how预先封装为岗位级专家智能体模板与标准化技能包（Skills）。 比如，蚂蚁数科Agentar金融版，就是基于其在金融行业已经跑通的AI落地实践，将行业know-how和经过验证的方法沉淀为可复用的Skills、专家智能体和工具箱。 对于金融机构而言，意味着不必再从零开始建设，而是在开箱即用的基础上，按需接入自身业务场景、知识库和数据资产，减少重复建设成本。 还有就是深水区业务的容错红线。 智能体从"陪聊"走向"上岗"，最大的挑战是不可预测的幻觉、越权操作与系统性风险。而在金融清算、信贷风控或生产调度等核心场景，任何一次越权都可能是灾难性的。所以必须有一套工具去解决智能体数字身份、数据与业务安全和模型鲁棒性等风险。 这背后考验的不再是模型本身，而是安全与可信基础设施的完备程度。 蚂蚁数科过去长期布局区块链、数字身份、隐私计算和安全风控，如今，这些能力正在被整合到智能体工厂的底座能力中。 其中，KYA（Know Your Agent）被视为智能体时代的重要身份基础设施。 如果说在互联网时代，KYC、KYB是交易和协作得以成立的前提，那么在未来的智能体时代，KYA很可能也将承担类似角色。无论是Agent之间的协作、交易，还是支付与执行，前提都是先确认“这个智能体是谁”。 从这个意义上看，KYA不只是一个身份管理工具，更可能成为智能体经济时代的关键入口。 外滩大会期间，蚂蚁数科联合十余家单位发布智能体身份管理相关国家标准立项，蚂蚁集团也同步发布智能体可信身份解决方案及KYA产品。 某种意义上，这也是在为智能体真正进入企业核心业务系统，补上身份、权限与责任界定这一层关键基础设施。 总结成一句话：智能体是否懂核心业务逻辑、知识能否复用、组件能否稳定调用、操作权限能否管住，决定了智能体能在企业发挥多少价值。 谁能玩转智能体工厂？ 答案藏在产业价值链分工的变化里。 当大模型技术已经被逐渐拉平，企业AI落地就不再主要取决于模型层。真正的壁垒在于两件事：懂不懂这个场景，以及能不能把它工程化地交付出来。 Palantir是这条路最好的注脚。这家公司没有自己的大模型，却成了AI时代最大的赢家之一。 它靠的不是模型，而是二十多年扎根政府和企业现场，把客户那些混乱、非标、缺乏文档的业务，变成一套可复用的"本体"和AI产品化平台。 AI浪潮袭来时，它不需要重新理解客户，只需要把已经沉淀的场景理解以AI的方式交付出去，业绩与市值随之爆发。 在蚂蚁数科身上也能找到类似的特质。 作为蚂蚁集团科技商业化的独立板块，蚂蚁数科长期服务金融、政务、交通、能源等行业的数智化升级，至今已与合作伙伴一起服务上3万家企业客户，覆盖亚洲、中东、非洲、欧洲等24个国家和地区。 十年下来，它攒下了三样很难复制的东西：对行业场景的理解、打通技术落地最后一公里的产品工程化能力，以及长期服务换来的信任基础。 这些服务企业落地的能力和经验成了构成蚂蚁数科企业AI业务的壁垒，也是其AI业务增长的一个重要起点。 与很多"从大模型切入企业AI"的公司是反着来的。后者是拿着锤子找钉子——先有了模型能力，再去找它能落地的场景；而蚂蚁数科本来就身处这些行业的企业场景之中，是从客户的问题和需求出发。 蚂蚁数科CEO赵闻飙告诉记者，在其AI业务的增长中，一大半都来自原客户，这些大客户与蚂蚁数科建立长期信任，这是当下最稀缺的资产。数据佐证：客户净收入留存率（NRR）超过110%。大客户中AI产品采购占比已接近20%，还在持续增长。 这也解释了为什么蚂蚁数科的智能体超级工厂，最先跑通的是金融理财、信贷风控、电力交易这类容错率极低、但对AI价值极高的场景。 比如蚂蚁数科的“数字客户经营专家”智能体，能够调度多个子智能体协同完成客户洞察、产品匹配、策略生成和服务触达等关键环节，并自动生成个性化经营方案，将原本需要跨角色、多环节协同完成的流程压缩至当日完成。 这不止是效率的提升，而是产生了实打实的业务效果。在实际应用中试点客群客户总资产规模提升10%、客户活跃度提升15%、服务客户数量提升5倍以上。 与大多数AI服务商不同的是，蚂蚁数科有专门训练的行业大模型、模型Maas平台和应用智能体平台等。市场上大多企业只专攻其中一项，很少能把这几类能力整合，直接服务产业落地。即便Palantir也没有自研模型。 “在我看来，蚂蚁数科是一家很独特的公司。”在2026年上海外滩大会上，蚂蚁数科CEO赵闻飙表示，进入AI时代，蚂蚁数科不是简单的做了一些向AI延伸的产品，而是以AI原生为重点发力，与此同时，公司的经营模式、管理指标也在同步变化。 据了解，过去两年公司整体业务保持年均50%的增长，其中AI To B业务增速达到三位数，已经成为新的增长引擎。业务模式也从过去以大客户项目制交付为主，逐步转向平台化、标准化产品驱动，平台产品ARR增速达到60%。 也就是说，今天，蚂蚁数科已经完成了一次AI化重塑。 第三方报告也印证了这一点。 据IDC发布报告显示，2025年中国金融大模型、智能体应用及服务整体市场，蚂蚁数科额位居第一；《中国智能体开发平台市场份额，2025》则显示，在2025年中国智能体开发平台私有化市场中，蚂蚁数科位列非云厂商第一、整体市场第四。 AI的价值链翻转：从“正三角”到“倒三角” 今年外滩大会上，上海交通大学上海高级金融学院兼聘教授、高金智库研究员邬瑜骏发布的研究报告指出，企业级智能体正在告别“模型为王”，Harness编排与治理层正成为新的增长极。 无独有偶，蚂蚁数科国际事业部负责人李世炜给出了一个判断，AI产业链的价值分布即将从“正三角形”翻转为“倒三角形”。也就是说随着产业逐渐成熟，上游的模型层价值占比下降，中间层和AI应用层的价值将迅速提升。 对于AI应用，李世炜又进一步将其分为两层。第一层是通用场景，比如coding和work，市面上的Agent产品非常热闹，竞争非常激烈。而一旦进入行业场景，也就是生产系统，情况就完全不一样了。在李世炜看来，这才是AI to B真正的深水区和主战场。 蚂蚁数科的智能体超级工厂战略正是聚焦于深水区。 当模型供给足够充分，能力差距不断收敛，新的阶段，比拼的焦点已经转变成谁能够把模型能力转化为可标准化、可复用的产品能力，并真正应用于企业核心业务场景、持续创造实际价值。 还是回到开头那句话：上马一个智能体很容易，AI落地这门生意真正的分水岭，已经不是看谁造出的智能体更多，能跑通“造、管、用、治”完整闭环，创造端到端价值，才能坐上下一阶段的牌桌。

作者｜孙芮 微信｜lombredeau AI已经能把一趟旅行安排得明明白白：去哪玩、吃什么、住哪里，都可以列成详细攻略。 但走进商场，找个几十米外的厕所，你可能仍然需要来回确认：走哪条通道，要不要上楼，入口究竟在哪边？ 对传统导航来说，手机横着竖着都没什么差别，反正工作内容主要是三件事：报路口、算距离，以及在你走错之后提醒掉头。 但导航Live颠覆了传统导航。它先让手机“支棱”起来——把手机从支架上取下来、竖起来，摄像头开始看路，并结合位置和方向，把厕所位置转化为跟当前环境对应的视觉引导，屏幕里的数字信息也就和眼前的现实世界对应上了。 9月10日，高德地图发布扫街榜2026，并推出导航Live功能。高德导航产品负责人孙冲在接受《硅星人》采访时表示：“导航Live的本质，是一个具备‘时空上下文＋现场感知＋端到端行动力’的具身智能体。它让用户的手机变成了真实世界的搜索框，可以识别并解读眼前的建筑、景点、店铺和环境信息。” 听起来像是给导航装上了“AI眼睛”，但“看见”只是第一步。 比如在一座陌生城市的老街区，开车或者步行来到三个几乎挨在一起的窄巷口，传统导航可能只会提醒“前方50米右转”。方向没错，至于究竟是哪一个口，往往还得靠自己猜。 导航Live要做的，是把地图上的右转变成眼前可辨认的路：从挂着红灯笼的便利店右侧进去，留意左边正在卸货的面包车。要是你临时改了主意，想换一家本帮菜，它也能接着前面的对话继续找店，并根据当前位置和道路条件重新规划路线。 手机竖起来并不难。难的是让它知道自己看见了什么、你正身处哪里，以及接下来该做什么，高德要做的是让导航理解真实世界。 1 高德如何让导航理解真实世界 导航Live看起来只是将摄像头加入导航，但真正困难的并不是让AI识别一张图片，而是让AI理解图片背后的复杂动态的空间关系。 它需要同时理解用户在哪里、朝向哪里、眼前是什么，以及这些对象与道路、建筑、地点之间是什么关系。 例如，识别出眼前的是一家餐厅只是视觉识别；进一步确认这家餐厅对应地图中的哪个POI、距离用户多远、入口在哪里，则涉及位置、地图和空间关系的综合判断。 而这些能力背后，正是高德空间智能发挥作用的地方。可以简单理解为三个层面： 首先是动态感知，将摄像头画面、位置和传感器信息，以及实时交通等数据结合起来，让AI理解用户眼前正在发生什么； 其次是时空推演，不只判断当前看到了什么，还结合道路和交通状态理解接下来可能发生什么； 最后是三维空间表达，将地点、道路和环境等数字信息准确地对应到现实空间中，让AI的理解能够随着用户移动持续保持在正确的位置。 因此，导航Live背后是一套从“感知—理解—推演—行动”串起来的空间智能能力。摄像头让AI能够看到现实世界，而位置、地图、交通和三维空间数据，则让它真正理解自己看到的东西处于什么位置、与用户是什么关系，以及下一步可以做什么。 这也让导航Live更像一个能跟着任务一直走下去的智能体，而不是一问一答的视觉入口。它看到的不只是画面里的招牌，还包括你此刻在哪、朝哪个方向、是在走还是停着，以及周边的路况正在发生什么变化。 因此它不必等着被提问。车道快要变窄、前方弯道有盲区，或者路过一家评价不错的老店，它可以在恰当的时机主动说一句，而不是让人像用工具一样一遍遍下指令。 认出来之后，它还能接着做事。通用视觉模型识别出一个对象，通常给的是一段介绍；而导航Live识别出一个地点后，可以直接接上高德已有的能力——重算路线、指向具体入口、继续查这家店的信息，把“认出来”变成“下一步怎么走”。 1 实测导航Live，找厕所再也不是难题了 上述变化更多体现在产品逻辑上，那么实际使用导航Live，可以更直观地看到这种变化。 我们从室内找厕所，和选餐厅这两个日常化的场景做了实测。 相信大家经常会遇到室内找厕所这个难题，这是一个非常高频的导航需求。 通常情况下，我们需要打开地图搜索，从导航软件给出的POI（信息点）中选择目标位置。但在商场、景区等复杂空间中，地图上的位置并不一定能够直接转化为现实中的行动指引。 用户知道厕所距离自己只有几十米，却仍然可能需要在多个入口、楼梯、电梯和通道之间进行反复判断。 导航Live把这一步简化了。点开搜索框旁边的摄像头图标，AI获取当前环境，再结合位置和方向，把地图上的厕所POI转化成与眼前环境对应的视觉引导。 在此过程中，导航Live不仅提供了目的地信息，还尝试建立地图坐标与现实空间之间的对应关系。对于商场、街区等空间相对复杂的场景，导航Live可以帮助减少寻找时间和不必要的绕行。 第二个场景则是逛街选餐厅这类更复杂但同样高频的需求。当你在旅行过程中感到饥饿疲惫，想在附近找一家餐厅吃饭时，往往街道上的多家餐厅会让你一时难以抉择。 过去，通常需要先确认各家店名，再进入地图或点评产品搜索，查看评分、评价和推荐菜等信息。 导航Live则提供了一种更加简便的交互方式。 我们可以将摄像头对准街道，通过导航Live询问高德“这家店评分怎么样”“哪家店更适合一人食”这些问题。 导航Live可以直接识别取景框内的餐厅，点击扫街榜的图标还可以有更多餐厅评分、人均消费等信息。 这实际上是把视觉、地点和消费信息一次性关联起来：先认出眼前的餐厅，再对应到地图中的具体POI，然后取回评价信息、按你的问题组织答案。原本“识别对象—搜索对象—获取信息”的长链路，被压缩成了一次提问。 找厕所解决的是当前位置与下一步行动的关系，问餐厅解决的是现实对象与数字信息的关系，两者共同回答的是同一个问题：AI如何进入并理解你正在经历的现实场景。 1 空间智能重塑一整天生活体验 当然，高德的空间智能能力并不只服务于导航Live。飞行街景2.0，将目的地变成一个可以自由探索的三维空间，让用户能自由调整观看位置、角度和高度，在出发前就获得身临其境的在场感。扫街榜结合真实到店、专程前往、反复到店等聚合行为信号，以及经授权的评价信息，帮助用户判断一个地方值不值得去；避雷指南则把用户做好的攻略放进具体的时间、空间和交通条件中验证，看原本静态的行程是否真的可执行。 几项产品背后，其实是高德将空间智能逐步应用到出行不同环节的过程。 发布会上亮相的ABot-Earth 0.7，是高德三维空间表达能力的一项直观呈现。作为3D原生城市世界模型，它将空间、时间与现实信息组织进可连续进入、自由探索和交互的三维世界。 从扫街榜到飞行街景2.0、避雷指南、导航Live，再到ABot-Earth 0.7，高德探索的其实是同一个问题：如何让AI和现实世界对上。 今天生成一个答案已经不难，难的是让答案落在此时、此地。出行需要的从来不是一个脱离场景的回答，而是与眼前这条街、这个入口、这一刻的路况有关的信息。 要做到这一点，一端是长期积累并持续更新的地图、道路、位置和街景，一端是把这些数据变成空间理解的能力。前者决定AI能不能接触真实世界，后者决定它能不能看懂。 地图过去回答的是世界在哪里，现在要回答的是，眼前这个世界和你的下一步之间是什么关系。这也是高德成为AI进入现实世界的入口的原因。