近日，特二零二六智慧未來大會如期舉行，這場匯聚了AI行業頂尖領袖的盛會，就像一場“未來技術劇透會”。來自螞蟻集團、崑崙萬維、高通、自變數機器人等企業的大佬們，拋開晦澀的專業術語，分享了對agent（智慧體）、大模型、具身智慧等熱門技術的真實看法——這些技術不是遙遠的概念，而是未來3-5年就會滲透到工作、生活的“實幹派”，會重塑公司組織、改變崗位形態，甚至重構我們和數字世界、物理世界的連線方式。下面就用大白話，帶你讀懂大佬們的核心觀點。
一、螞蟻徐達峰：Agent要做“靠譜同事”，別當“驚喜小學生”
提到agent，很多人會覺得是“能說會道的聊天機器人”，但螞蟻集團的徐達峰直接點破核心：agent的關鍵不是“多聰明、多會整活”，而是“可控、可解釋”，得像個靠譜的同事，而不是讓人提心吊膽的“驚喜小學生”。
先掰明白agent到底是甚麼——它不是簡單的“問答工具”，而是給大模型裝上“手腳和腦子”的數字幫手。如果說大模型是AI的“大腦”，能思考、能理解，那agent就是能主動感知環境、規劃任務、執行操作的“完整生命體” 。比如你讓它幫你處理工作，它能自己檢索資料、整理文件、對接同事，不用你一步步指揮。但問題來了，要是這個“幫手”不靠譜怎麼辦？
徐達峰說的“可控”，就是agent得聽指揮、不越界。比如你讓它處理合同稽核，它只能在你授權的範圍內檢視檔案，不會偷偷訪問公司機密；你讓它給客戶發郵件，它會嚴格按照你定的模板和語氣來，不會突然加一句自己的“創意發言”。而“可解釋”更關鍵——要是agent出錯了，得說清“為甚麼錯”。比如它拒絕了某個合作申請，不能只給一句“不符合要求”，得明確告訴你“因為對方資質未達標，具體缺少XX材料”，就像靠譜同事彙報工作那樣，有理有據，能覆盤、能修正。
反過來，“帶來驚喜的小學生”是甚麼樣？就是有時候能給你意外收穫，但更多時候會掉鏈子。比如你讓它整理會議紀要，它可能突然幫你提煉了一個好點子，但也可能漏記關鍵任務、張冠李戴責任人；你讓它處理資料包表，它可能算出一個有趣的結論，但也可能因為邏輯漏洞給出錯誤答案，還說不出原因。在工作場景裡，這種“不確定性”太致命了——沒人敢把合同稽核、財務統計、客戶對接這些關鍵事，交給一個“偶爾驚喜、經常掉鏈子”的AI。
現在很多企業已經在落地“靠譜同事型”agent：比如電商平臺的客服agent，能自主處理退換貨申請，告訴你“因為你符合7天無理由退換，已幫你建立工單，3天內發貨”，全程可控、每一步都有解釋 ；還有辦公agent，能提取會議錄音裡的待辦事項，自動分給責任人，還會同步到工作軟體，不會亂分配、不會漏通知。徐達峰的觀點其實在提醒行業：AI要落地到實際工作，“靠譜”比“酷炫”更重要，只有可控、可解釋，agent才能真正成為人類的幫手，而不是負擔。
二、崑崙萬維方漢：Agent將重塑公司組織，“過程架構師”成新剛需
如果說徐達峰關注agent“自身靠譜”，那崑崙萬維的方漢更看重agent對“組織”的影響——他直言：agent會讓重複性崗位消失，取而代之的是“過程架構師”，整個公司的運作方式都會被重塑。
先說說哪些是“重複性崗位”？不是指“簡單體力活”，更多是“機械腦力活”：比如每天錄入資料的行政崗，把紙質檔案掃描後轉換成電子表格，一遍遍地複製貼上；比如基礎客服崗，回答“訂單甚麼時候發貨”“退款怎麼申請”這類固定問題；比如倉庫的庫存統計崗，每天核對進出貨數量，更新表格；還有基礎財務崗，錄入發票資訊、生成簡單報銷憑證。這些工作的特點是：規則固定、重複率高、不需要太多創意和決策，剛好是agent的“強項”。
現在已經有企業開始用agent替代這些崗位了：某電商平臺用agent處理售後諮詢，把人工客服的工作量減少了60%，響應時間從幾分鐘降到幾秒 ；某製造企業用agent做庫存統計，準確率比人工還高，還能實時更新資料，不用等下班彙總。方漢說，未來3-5年，這類崗位會越來越少，不是“裁員”，而是“被技術替代”——就像當年計算器替代算盤、Excel替代手工記賬一樣，是效率升級的必然。
但崗位消失不代表“沒人幹活”，反而會催生新的核心崗位：過程架構師。這個聽起來有點玄的崗位，到底是做甚麼的？用大白話講，就是“設計工作流程，讓agent和人配合得更順暢”的“總設計師” 。
具體來說，過程架構師要幹三件核心事：第一，拆解工作流程。比如把“客戶下單到發貨”的全流程拆解開，哪些環節交給agent（比如訂單稽核、地址校驗、生成物流單），哪些環節交給人（比如處理異常訂單、客戶投訴）；第二，制定規則和標準。比如告訴agent“甚麼樣的訂單需要人工稽核”“客戶投訴的響應時間不能超過1小時”，還要設計agent和人的協作機制——比如agent處理不了的問題，怎麼快速轉交給對應負責人，不會耽誤事；第三，持續最佳化流程。比如觀察agent執行資料，發現“某個環節agent經常出錯”，就調整規則；發現“人跟agent對接效率低”，就最佳化工具，讓整個流程越來越順。
過程架構師不用懂複雜的程式設計，但得懂業務、懂流程，還得知道agent的能力邊界。比如獵聘上的招聘要求顯示，這個崗位需要會用流程設計工具，懂精益管理方法，還得能跟業務部門、IT部門溝通協作 。方漢預測，未來每個公司都需要這樣的“流程總設計師”，他們不是“指揮agent幹活”，而是“搭建讓agent和人高效協作的舞臺”，讓每個人都能專注做agent做不了的事——比如創意、決策、客戶深度溝通這些需要情感和思考的工作。
而公司組織也會跟著變：以前的“金字塔式”結構會變扁平，比如不需要那麼多中層管理者盯著重複性工作；部門之間的壁壘會打破，因為過程架構師設計的流程是跨部門的，比如“市場推廣-客戶下單-售後跟進”的全流程協作；甚至“崗位”的定義都會變，不再是“固定做某件事”，而是“負責某個流程的最佳化和創新”。
三、科技尤洋：三類企業必須自建大模型，通用模型解決不了“專屬問題”
現在很多企業都在糾結：到底要不要自建大模型？還是直接用市面上的通用大模型（比如ChatGPT、通義千問）？科技的尤洋給出了明確答案：至少三類企業需要自建，通用模型再強，也解決不了它們的“專屬問題”。
先搞懂“自建大模型”和“用通用模型”的區別：通用模型就像“萬能工具刀”，能解決很多常見問題，比如寫文案、查資料、簡單資料分析；而自建大模型就像“定製工具”，是根據企業自己的資料、業務場景訓練的，只解決自己的核心問題，精準度和適配度更高。尤洋說的三類企業，都是“萬能工具刀”滿足不了需求的。
第一類：傳統大型企業。比如製造業巨頭、能源公司、大型銀行。這類企業的特點是“業務複雜、行業屬性強”，通用模型不懂它們的“行話”和“流程”。比如一家汽車製造廠，需要用AI檢測生產線上的零件缺陷，通用模型沒見過這家廠的零件型別、生產標準，根本檢測不準；但自建大模型，用自己多年的生產資料訓練，就能精準識別“哪個零件有問題、問題出在哪個生產環節”。再比如大型銀行，需要用AI處理信貸稽核，通用模型不懂銀行的風控規則、客戶評級標準，而自建大模型能結合銀行的歷史信貸資料、風控政策，給出更準確的稽核結果，還能符合行業合規要求。
第二類：擁有海量資料的中小企業。這類企業雖然規模不大，但手裡有“獨門資料”，這些資料是它們的核心競爭力，通用模型拿不到，也用不了。比如嘀嗒出行，作為出行平臺，有億級的訂單資料、使用者溝通資料，這些資料裡藏著“使用者出行習慣”“訂單取消原因”“車乘糾紛焦點”等關鍵資訊。嘀嗒出行沒有隻用通用模型，而是自建了大模型，用這些專屬資料訓練，現在已經能自動處理訂單取消判責——以前需要人工複核，現在大模型能結合聊天記錄、訂單資訊，判斷誰該負責，準確率接近90%，還大幅減少了使用者申訴率。再比如一家做本地生活的中小企業，有大量商戶資料、使用者消費資料，自建大模型能精準推薦商戶、最佳化配送路線，這些都是通用模型做不到的。
第三類：用AI顛覆行業的新興公司。這類公司的核心業務就是AI，大模型是它們的“產品本身”，必須自建才能形成壁壘。比如專注醫療AI的公司，需要開發“AI輔助診斷系統”，要能識別醫學影像、分析病歷，這就需要用海量的醫療資料自建大模型，形成自己的技術優勢；再比如做工業機器人的新興公司，需要讓機器人理解物理世界、自主完成複雜操作，這也需要自建具身智慧大模型，而不是靠通用模型“湊合用”。就像中國電信，作為央企，自建了“星辰大模型”，覆蓋語義、語音、視覺等多種能力，不僅能服務自己的客服、政務業務，還能開放給其他企業，成為新的業務增長點 。
尤洋特別強調：“自建大模型不是‘越複雜越好’，而是‘夠用就好’”。比如中小企業不用建萬億引數的大模型，重點是把自己的專屬資料用好，訓練出能解決具體問題的“小而美”的模型；傳統大企業可以和科技公司合作，不用從零開始，重點是把模型和自己的業務流程打通。總之，自建大模型的核心不是“炫技”，而是“解決自己的專屬問題”，這才是企業的核心競爭力。
四、高通萬維星：終端側大模型才是“剛需”，個性化+隱私安全雙保障
提到大模型，很多人會想到“雲端”——比如資料傳到遙遠的伺服器上處理，再把結果傳回來。但高通公司的萬維星卻強調：終端側執行大模型，才是未來的大趨勢，核心優勢就是“個性化”和“資料本地化處理”。
先解釋“終端側”是甚麼：就是我們手裡的手機、家裡的智慧家居、身邊的機器人這些“終端裝置”，終端側大模型就是把大模型直接裝在這些裝置上，不用依賴雲端，裝置自己就能處理資料、完成任務。比如你的手機裡裝了大模型，不用聯網，就能幫你寫文案、翻譯、整理照片；你的智慧手錶裡裝了大模型，能實時分析你的健康資料，給出運動建議。
第一個優勢：個性化。雲端大模型是“服務所有人”的，沒法精準適配每個人的習慣；而終端側大模型就像“專屬管家”，天天跟你打交道，越用越懂你。比如你的手機大模型，知道你喜歡看科技新聞，會優先給你推薦相關內容；知道你不喜歡冗長的文案，會把複雜的報告提煉成簡短摘要；甚至知道你的說話語氣，幫你發訊息時能模仿你的風格，不會顯得生硬。高通和中國電信合作的“麥芒”AI手機，就是終端側大模型的典型例子，它的AI通話助手、AI修圖功能，都是基於終端側大模型，能精準適配使用者的使用習慣 。
第二個優勢：資料本地化處理，安全又高效。現在很多人擔心“用AI會洩露隱私”——比如你把聊天記錄、健康資料、工作檔案傳給雲端，萬一伺服器被攻擊，資料就可能洩露。但終端側大模型根本不用傳資料到雲端，所有資料都存在你自己的裝置上，只有你能訪問，安全性大大提高。比如你用終端側大模型處理工作合同，合同內容不會離開你的電腦；用它分析健康資料，心率、血壓等資訊只存在你的手錶裡，不用擔心被第三方獲取。而且不用聯網傳輸資料，響應速度也更快——比如你讓手機大模型整理照片，秒級就能完成，不用等雲端處理完再傳回來。
萬維星說，未來幾年，“雲+端”協同會成為主流：簡單的、需要個性化的任務，交給終端側大模型；複雜的、需要大量算力的任務（比如大規模資料分析、複雜模型訓練），交給雲端大模型。比如你用AI寫一篇簡單的工作週報，手機自己就能完成；但如果要分析公司一年的銷售資料，生成詳細的視覺化報告，就可以呼叫雲端大模型的算力，處理完再把結果傳回手機。
現在終端側大模型已經開始落地：除了AI手機，還有AI眼鏡——高通和中國電信合作的天翼AI眼鏡，能智慧識物、分析食物成分、講解展品，這些功能都是終端側大模型實現的，不用依賴雲端，隨時隨地能用 ；還有智慧家居，比如你的冰箱裡裝了大模型，能識別裡面的食材，推薦菜譜，還能提醒你食材快過期了，全程不用聯網，既方便又安全。
五、自變數機器人王淺：具身智慧，AI理解物理世界的“新地基”
前面聊的agent、大模型，大多是在“數字世界”裡幹活——處理文字、資料、檔案；而自變數機器人的王淺，把目光投向了“物理世界”，他提出：具身智慧模型是平行於語言模型的“物理世界基礎模型”，簡單說就是讓AI“走進現實，動手幹活”。
先區分兩個概念：語言模型（比如GPT、通義千問）是“理解數字世界的”，它能讀懂文字、分析資料、生成內容，但它不知道“杯子掉在地上會碎”“搬東西要用力”這些物理規律；而具身智慧模型是“理解物理世界的”，它能像人一樣感知環境、學習物理規律，還能動手執行操作——比如機器人用具身智慧模型，能拿起杯子、開啟抽屜、走路不摔倒；自動駕駛汽車用具身智慧模型，能判斷路況、躲避障礙物、平穩轉彎。
王淺說，具身智慧模型就像AI的“物理課老師”，讓AI從“只會紙上談兵”變成“能動手實踐”。比如以前的機器人，只能按照預設的程式幹活，一旦環境變了就會出錯——比如預設好拿杯子的力度，要是杯子是易碎的，就可能被捏碎；但具身智慧模型能透過學習，理解“不同杯子的材質不同，需要用不同的力度拿”，就算遇到沒見過的杯子，也能根據物理規律判斷該怎麼操作。
現在已經有很多具身智慧的研發成果，比如北京團隊開源的WoW世界模型，能讓AI“想象物理世界、預測結果、執行動作”——比如你讓它“把杯子放到桌子上”，它能先在腦子裡模擬“怎麼伸手、怎麼抓杯子、怎麼放才平穩”，然後再讓機器人實際操作，成功率很高。還有工業機器人，用具身智慧模型能精準處理複雜的裝配任務，比如給汽車零件上螺絲，能根據零件的位置調整力度和角度，不用人工干預；家庭服務機器人，能自己開門、拖地、整理物品，還能避開障礙物，不會撞到傢俱或人。
王淺強調，具身智慧不是“替代語言模型”，而是和語言模型並行的“另一塊地基”——語言模型負責處理“數字資訊”，具身智慧模型負責處理“物理資訊”，兩者結合，才能讓AI真正融入我們的生活和工作。比如一個智慧助手，既能用語言模型幫你處理工作郵件、寫報告，又能用具身智慧模型幫你整理辦公桌、遞檔案；一個工業AI系統，既能用語言模型分析生產資料、最佳化流程，又能用具身智慧模型控制機器人完成生產操作。
未來，具身智慧會滲透到很多領域：製造業的工業機器人、醫療行業的手術機器人、家庭裡的服務機器人、自動駕駛汽車、甚至是太空探索機器人，都會依賴具身智慧模型，讓AI從“數字世界”走進“物理世界”，真正成為能“動手幹活”的幫手。
六、PPIO姚星：Agent基礎設施，AI時代的“作業系統”
如果說agent是AI時代的“應用程式”，那PPIO的姚星認為，agent的基礎設施就是AI時代的“作業系統”——就像Windows、iOS連線電腦、手機的硬體和軟體一樣，agent基礎設施連線著各種agent、裝置和人，讓它們能協同工作、高效運轉。
先想想沒有“作業系統”的麻煩：現在很多企業都在自己開發agent，比如客服agent、辦公agent、生產agent，但這些agent就像“孤島”——客服agent不知道客戶的訂單情況（需要問訂單agent），辦公agent不知道生產進度（需要問生產agent），互相之間沒法溝通，還得人工在中間傳遞資訊，效率很低。就像以前沒有Windows系統時，電腦上的每個軟體都得單獨操作，不能共享檔案、協同工作，用起來特別麻煩。
而姚星說的agent基礎設施，就是要解決這個問題，它就像一個“大管家”，負責管理所有agent的“記憶、工具和溝通”：第一，統一管理記憶。所有agent都能共享資料，比如客服agent能直接調取訂單agent的客戶訂單資訊，不用再單獨查詢；第二，統一排程工具。比如多個agent都需要用到資料分析工具，基礎設施能合理分配資源，不會出現“同時搶工具”的情況；第三，統一溝通標準。不同agent之間能“互相聽懂”，比如生產agent告訴辦公agent“今天的產量是1000件”，辦公agent能直接理解，不用人工翻譯或轉換格式。
這個基礎設施還有兩個核心功能：安全管控和可擴充套件性。安全管控就是給每個agent設定“許可權”，比如客服agent只能檢視客戶的訂單資訊，不能修改；生產agent只能操作生產裝置，不能訪問財務資料，避免資料洩露或誤操作。可擴充套件性就是能隨時新增新的agent，比如公司新增了“物流agent”，直接接入基礎設施就能用，不用重新搭建整個系統。
現在已經有企業在做這樣的基礎設施，比如阿里雲無影的AgentOS，就是一個agent基礎設施，能提供安全隔離的執行環境，讓多個agent協同工作，還能管理agent的記憶和工具 ；還有學者提出的Agentic File System（AFS），把agent的記憶、工具、外部知識都統一管理，就像電腦的檔案系統一樣，方便呼叫和追溯 。姚星預測，未來不會有企業再單獨開發“孤立的agent”，而是都會基於統一的基礎設施，開發自己的專屬agent，就像現在的軟體都基於Windows或iOS系統一樣，這樣才能實現“多agent協同”，真正發揮AI的價值。
比如一個製造企業，基於agent基礎設施，能實現“訂單agent-生產agent-物流agent-售後agent”的全流程協同：訂單agent接到客戶訂單後，自動把資訊傳給生產agent，生產agent安排生產計劃，生產完成後通知物流agent發貨，物流agent把物流資訊同步給售後agent，售後agent隨時解答客戶的物流諮詢——整個過程不用人工干預，效率大大提高。
七、光輪智慧楊海波：好的模擬平臺，生態和商業回報缺一不可
前面聊的agent、具身智慧，都需要一個“測試場”來打磨——總不能直接讓機器人去物理世界裡試錯，萬一摔壞了、出錯了，成本太高。光輪智慧的楊海波就說：好的模擬平臺，離不開“生態構建”和“持續的商業回報”，它是AI技術落地的“必經之路”。
先解釋“模擬平臺”是甚麼：就是一個“虛擬的物理世界”，能模擬真實環境的各種情況，讓AI在裡面“練手”。比如要開發自動駕駛汽車，不用直接上路測試（風險高、成本高），可以在模擬平臺裡模擬各種路況——雨天、雪天、堵車、行人橫穿馬路，讓AI在虛擬環境裡反覆訓練，直到準確率達到要求，再去真實道路測試；要開發工業機器人，不用在真實生產線上試錯，可以在模擬平臺裡模擬生產場景，讓機器人練習裝配、焊接、搬運，最佳化動作流程，再投入實際生產。
楊海波說，一個好的模擬平臺，首先要“生態構建”——不能自己閉門造車，要聯合產業鏈上下游，讓大家都能參與進來。比如模擬平臺開發商要和硬體廠商合作，獲取真實裝置的引數（比如機器人的關節角度、汽車的剎車效能），讓虛擬環境更真實；要和演算法公司合作，接入各種AI演算法，讓平臺能測試不同的技術方案；要和行業客戶合作，瞭解真實場景的需求（比如製造業需要模擬生產線，自動駕駛需要模擬城市路況），讓平臺更實用。
比如青島中海潮科技的海洋模擬平臺“海鏡”，就是生態構建的典型例子——它們聯合了高校、科研院所、海洋企業，獲取了大量海洋環境資料（比如海浪、洋流、水溫），還接入了各種海洋科研演算法，讓平臺能模擬海洋環境的變化，為海洋科研、漁業、航運等行業提供服務。而且它們還開放了平臺，讓使用者反饋問題、提出需求，持續最佳化功能，現在已經有2000多個使用者，覆蓋多家科研院所和高校。
其次，模擬平臺必須有“持續的商業回報”——不能只燒錢研發，得能賺錢，才能長期活下去。楊海波說，很多模擬平臺失敗，就是因為只關注技術，不考慮商業化，研發出來沒人用、不賺錢，最後只能停掉。好的模擬平臺，要找到明確的商業場景，讓客戶願意付費。
比如給汽車廠商提供自動駕駛模擬測試服務，按測試時長收費；給製造企業提供生產線模擬最佳化服務，按專案收費；給高校和科研院所提供科研模擬平臺，按年收取服務費。中海潮科技的“海鏡”平臺，就是靠商業化存活下來的——它們給海洋相關企業提供模擬服務，幫企業最佳化航運路線、預測海洋環境風險，今年全年營收有望突破4000萬元，實現了技術和商業的雙贏。
楊海波還強調，生態和商業是相輔相成的：生態構建得好，能吸引更多客戶，帶來更多商業回報；有了商業回報，就能投入更多資金最佳化平臺、擴大生態，形成良性迴圈。比如一個模擬平臺，一開始聯合了幾家汽車廠商，透過提供測試服務賺到錢，然後用這些錢最佳化平臺功能，再吸引更多汽車廠商、零部件企業加入生態，商業回報越來越高，平臺也越來越完善。
總結：AI的未來，是“實用、可控、共贏”的未來
看完2026智慧未來大會上大佬們的分享，能發現一個共同趨勢：AI技術已經從“炫技”走向“實用”，不再是遙遠的概念，而是要解決實際問題——agent要做靠譜的同事，大模型要適配企業的專屬需求，具身智慧要走進物理世界幹活，模擬平臺要幫技術落地。
同時，大佬們也強調了“可控”和“安全”：agent要可控可解釋，大模型要保護資料隱私，基礎設施要做好安全管控，這是AI能長期發展的前提。還有“共贏”：企業之間要透過生態合作，讓技術更完善；AI和人類要協同工作，替代重複勞動，讓人專注於創意和決策。
未來幾年，這些技術會慢慢滲透到我們的工作和生活：你可能會有一個“靠譜的AI同事”幫你處理重複工作，你的手機能精準懂你的需求，工廠裡的機器人能安全高效地幹活，甚至家裡的服務機器人能幫你做家務。而這一切的背後，是agent、大模型、具身智慧、模擬平臺等技術的協同發展，是行業領袖們對“技術要服務於人”的堅守。
AI的未來不是“替代人類”，而是“讓人類更高效、更自由”——把重複的、機械的工作交給AI，我們能有更多時間去創造、去溝通、去探索，這就是智慧未來的核心意義。