开源创新，智能体引爆产业新热点
2025年，一场由技术聚变催生的生产力革命正以前所未有的烈度重构中国经济版图。AI撕裂数据与实体的边界，量子计算探索物理规则的边缘，绿色科技重塑增长的伦理、低空经济、机器人、大模型打开科技跃迁的大门一2025年的中国，新质生产力已非单纯的技术选代，而是智能文明与产业基因的共振裂变。在这个大背景下，中国企业需要以智慧为坐标，穿透技术、组织与商业模式的“三重结界”，在数字与实体的纠缠中锻造新物种。
2025年7月25日，由融中财经、上海天使会主办的“2025中国科创夏季投资峰会——AI未来创新企业峰会”在上海盛大举行。
本次峰会将着力打造产业活动与资源的对接平台，围绕AI算法算力、大模型以及应用开展话题讨论，将邀请国内外顶尖创新与商业领袖，人工智能链主和龙头创新企业以及上市公司、资本大咖齐聚一堂，共同展望2025产业发展、技术创新以及战略性新兴产业发展的前景。
25日下午，以“开源创新，智能体引爆产业新热点”为题，大会进入了“AI技术创新”专场讨论环节。
会上，中科紫东太初总裁楚汝峰、清程极智COO靳江明、Z基金合伙人李文珏、金智维创始人&董事长廖万里、云轴科技CTO王为、中关村科金总裁喻友平参与了论坛讨论，开为科技创始人杨通为论坛主持。
以下内容由融中财经整理。
杨通：大家好，我是本场论坛的主持人杨通，同时也是开为科技的董事长。我们公司专注于AI Agent，有一款产品叫“Agnes”。另外，我也是一个网红大V，账号叫“杨博士说AI”，账号目前全网有近10万的粉丝。现在，我们把时间交给主要的几位嘉宾。第一个问题，请各位介绍一下自己的公司，以及自己公司和AI的方向有哪些关联？请大家简单做个自我介绍。我们从楚总开始。
楚汝峰：我介绍一下中科紫东太初。中科紫东太初是中科院自动化所孵化的多模态大模型产业化公司。紫东太初团队自2021年推出全球首个中文千亿级参数多模态大模型以来，已经相继发布了三个大版本。
紫东太初大模型主要发挥中科院自动化所的学科优势，面向于多模态人工智能技术持续研发，实现了跨模态任务泛化与混合模态的同步理解。模型不仅可以支持常见的文本、声音、图像等模态的相互理解和生成，同时，也支持视频、3D、物联网信号以及科学数据的理解与表达。使得紫东太初大模型能够高效支持工业制造、AI for Science科学研究、低空经济、具身智能等行业应用。目前紫东太初是工信部大模型工作组副组长单位，也是首批通过网信办备案的8个大模型之一。我们的目标是希望通过持续的努力，最终实现通用多模态人工智能，服务更多的行业场景。
靳江明：我是清程极智靳江明。我们源自清华大学计算机系孵化的一家创新企业，成立于2023年底，时间不长，主要是做人工智能基础软件这部分工作。
我们的想法比较简单，通过人工智能编译以及人工智能基础软件这一系列的技术积累，把多样的国产算力很好地整合起来，向最终的算力用户提供便宜、简单、易用的算力解决方案。我们现在服务了包括国家训练场，以及多家央企、金融行业的一系列客户，为各行各业提供面向不同算力最具性价比的算力解决方案。
李文珏：Z基金是由智谱联合生态伙伴发起的一支风险投资基金，面向AGI生态，侧重早期，管理规模15亿元人民币。投了近30个项目，主要是大模型的上下游。上游包括像清程极智、硅基流动、行云，这些是属于infra的，也有一些底层芯片和通讯组网的公司。去年下半年开始，我们重点在投AI应用的方向，投了像妙鸭的创始团队张月光、沐言科技，也包括垂类的Agent等等，基本上投的是前两轮的项目，以技术团队为主。
廖万里：金智维可以说是一直都在深耕Agent领域，特别是现阶段更是以AI Agent为核心方向。金智维在2016年成立，最早是基于RPA+AI技术打造数字员工，这些数字员工就是一个个能直接替你干活的Agent。近两年我们引入大模型，把这些Agent升级成了AI Agent，也就是智能体，能解决大模型“有脑无手”的问题，因为大模型就像发电站能发电，而智能体就像电灯，能让电发挥价值，打通大模型落地应用的最后一公里。
我认为，大模型技术要真正解决企业用户的实际业务问题，就必须“幻觉”问题，所以要有行业Know-How、有垂直领域的知识和经验积累，才能规避幻觉，打造出满足企业场景需求的企业级智能体。
金智维在TOB领域有十多年的积累，到目前为止，我们在行业里面已经积累了几千个应用场景，有1500多家大型企业客户，在金融行业有600多家头部金融机构都是我们的客户。目前，我们在运行的Agent有100多万，这些Agent亟待升级成AI Agent，变得更智能，给客户创造更多的价值。
王为：我是云轴科技CTO王为。我们是一家2015年成立的专注在基础设施的软件公司。去年发布了AIOS的产品。产品分三层，一层是智算层，围绕数据中心底层的GPU或者ASIC，或者NPU基础设施的管理运维，包括网络和存储这块。我们支持了大概有十几个主流对应的不同芯片。
在模型层，我们有一个模型的产品，用来做企业的模型推理部署和微调，支持大概超过10万种不同模型的推理调优，还有微调的功能。
最上面还有一层是做运营的一部分，用来做对外运营或者集团内运营的部分。综合提供给用户和企业提供完整的AI落地，包括它的底层管理、平台管理和运营管理的整体解决方案。
喻友平：我是中关村科金的喻友平。中关村科金是一家拥有10年发展历程的人工智能企业，专注于大模型平台及应用的研发，我们将自身定位为垂类大模型公司。我们的核心方向是推动大模型技术在企业场景与各行业中的落地应用，主要聚焦于以下几个方面：打造专注于垂类行业的大模型平台化产品【得助大模型平台】；深耕企业通用场景，重点实现客服、营销、企业办公等环节的智能化升级；聚焦在金融、工业、政务等私有数据储备丰富的行业，开展垂类智能体Agent的建设工作。以上便是中关村科金整体发展愿景。
AI应用及边界
杨通：今天到场的各位嘉宾，均是优秀AI公司的决策人，技术栈覆盖训练、模型、Agent架构；李总来自Z基金，智谱亦是其LP，同样具备深厚AI洞察。下面进入今天论坛讨论，今年被称为“AI应用元年”，大家普遍关心，哪些应用、哪些能力已真正进入主线？哪些场景仍存在明显局限，尚难满足客户或用户需求？请各位结合自身落地经验，分享一些洞察。我们先从喻总开始。
喻友平：结合中关村科金在AI落地实践中的观察，我认为大模型最核心的应用场景仍是企业服务领域。从本质上看，大模型的核心能力体现在对话、生成、沟通等与语言和知识相关的场景中，而这恰恰与企业服务的需求高度契合。企业服务主要围绕两个层面展开：一是提升客户体验，二是提升员工效能，在这两个方向上，大模型拥有巨大的应用潜力。
在提升客户体验方面，中关村科金基于垂类大模型打造出丰富的产品解决方案。在金融行业，全面提升金融业务办理效率和客户体验，已为50%以上的中国百强银行提供服务。比如邮储银行的智慧直播间让营销活动策划效率提升200%，华瑞银行的智能客服系统带来7*24小时的实时服务，保险集团的智能视频理赔系统将理赔时效提升60%等等。
在提升员工效能上，我们和宁夏交建打造的灵筑智工大模型，它的专业知识回答准确率较通用大模型提升40%。基于该模型构建的行业数据分析、行业知识问答、工程技术文档写作、智能生成核算报表、智能投标五大智能体，在实际应用中平均提效超60%，真正实现让AI帮助员工可以读文件、懂规范、用软件、控设备。
从客户体验与员工效能这两个维度来看，大模型的应用场景其实已经非常丰富，但不同行业不同场景的落地和应用仍需要投入大量精力，中关村科金推出的得助大模型平台就是服务于此，但市场上平台还相对分散，仍有很多工作需要开展。
王为：刚才这位老师提到替代人和辅助人，我想到的角度是你的应用的精确性和创造性或者说模糊性。对于底层的开始来说，现在相当于有两种编程范式，一种是通过代码，把这个逻辑写下来；另一种思路是我把这个事情交给一个模型，我只告诉它我的内容，我的条件和我的预期，然后你给我一个结果，这个相对是比较模糊的。
现在我们看到这两者之间都有一定的重叠，但是它们在效率和效果上有一定的区别，但我们需要一个很精确的结果，比如我们需要数据库的处理，或者店面的各种计算，我们还是通过传统的函数、通过代码去编写的方式。当我们需要一些模糊性内容的时候，现在越来越多地通过模型直接产生内容，包括内部员工，像代码辅助、代码评审，我们Robot一天会产生几十条不同的代码评审记录，或者销售跟进记录的总结，以及辅助决策等，已经开始用AI去做这方面的功能，也提供了很多价值。
你的业务、你的需求到底是偏精确性还是偏创造性或者模糊性更多的，可以在这里面确定你应用的边界。
杨通：所以是精确性的更需要AI，还是模糊性的更需要AI？
王为：目前来看，模糊性的可能更需要AI。
廖万里：今年被称作“智能体元年”，但在我看来，行业整体仍然处于探索阶段，真正实现打通并产生实际价值的应用场景并不多。作为“元年”，这些应用场景的落地需要沉淀与积累，要取得实质性成果并不简单。
我认为，要推动智能体落地，需要解决几个核心问题，一是获取数据的问题。以工商银行为例，他们的贷款尽职调查报告包含几十个检查项，涉及不同数据源的数据采集，最终呈现的报告中还存在大量数据勾稽关系。所以说，智能体的落地不仅是技术问题，更关乎业务层面——怎样将技术与业务深度融合，使整个业务流程实现自动化与智能化，才能切实解决企业的实际问题。
除了金融领域，我们在非金融领域也做了相关的探索。吉利一款新车就搭载了金智维最新研发的智能体，用户在驾驶过程中可以和它进行交互，打破终端和空间限制，操控车内外甚至家里的设备。吉利和我们合作时，提出了几项核心指标要求：第一，指令执行需要精准无误，确保有明确的结果；第二，要有确定的响应时间，必须在5秒内作出反应，避免长时间无反馈的情况。一个应用场景的落地，关键不在于“好玩”，而在于“好用”，这其中就涉及精准执行与高效执行两大问题。
所以说对智能体的应用，行业的核心诉求不仅是“能做到”，更在于“好用”。现在不少智能体虽然具备基础功能，但不算好用，不能保证稳定可靠、使用体验不够好，就不能真正解决用户的痛点。
杨通：李总，您觉得AI落地和投资角度来说，您是怎么看的？什么样的项目对我们来说更值得投资，它跟AI落地有什么样的关系？
李文珏：我先回答你第一个问题。我相信下个月模型会有更好的发展。截至目前，模型在哪块做得好、哪块做得不好，好的大家日常能用到，我先说一下做得不好的地方。像廖总说的，在垂类的复杂场景、工作流比较复杂的情况下，模型的智能和Agent的工具调用其实还没有到达非常可用的状态。
从投资的角度，顺着刚才做得不好的场景延续下来，可能就是在垂类场景下能够构建自己独特的数据闭环、能够有更高质量的expert数据，让模型在垂类中的智商远超通用的基座模型；包括在推理的时效和成本上面，在文本和多模态上面能有大幅度提升的项目，都是我们目前关注的。
杨通：我们也是创业公司。我理解一下李总说的关注创业公司的几个点，在座如果有创业公司的话，可以认知一下从投资人角度的洞察。第一，在垂类有自己的数据；第二，在成本模块有效地控制成本；第三，在多模态领域建立出自己的差异化优势。
下一位是靳总。
靳江明：我分享一下我们在这方面的观点，我觉得AI应用这件事可以分成两类。第一类是面向个人或专业个人的场景；第二类是面向企业的场景。
对于面向个人或专业个人的场景，目前已经有很多落地且相对成熟的部分，比如客服、对话，以及AI编程，这些都已经具备相当的成熟度。我们也看到，还有很多延伸的应用和落地空间，不仅取决于模型本身的能力，也取决于整个工作流能力的进一步发展。
面向企业端，大家更看重的是，AI如何真正赋能传统业务，带来更好的交互体验，同时提升企业经营效率并控制成本。就我们的实际经验而言，To B行业确实已有一些进展，但距离在行业里充分发挥潜力还有很大距离。
从AI应用的整体逻辑来看，现在仍处于比较早期的阶段，未来是一张值得深挖的蓝图，每个应用都可能衍生出截然不同的垂类场景应用。以上就是我们的观点。
AI落地中的挑战
杨通：非常好，这个观点我会延伸到下一个问题，即人可以快速接受AI，以及AI在普及过程中遇到哪些挑战？楚总先来。
楚汝峰：从去年到今年，AI的应用场景发生了明显变化。去年，许多企业处于探索阶段，更多是“试试水”。当时的关注点集中在人机交互、体验优化、知识问答和办公辅助等浅层应用上，主要聚焦于解决幻觉控制、提升问答准确性这类问题。
而今年，随着技术能力的提升和行业认知的成熟，客户的预期正在快速上升，尤其是在科学研究、工业生产、新品研发等对效能和业务价值要求更高的领域，开始关注如何真正“用起来”、“用得好”。
在推动AI快速落地时，我们通常从三个维度进行判断：一是场景是否清晰可定义，是否能用业务语言讲清问题；二是是否具备一定的数据基础，包括基础数据治理和可调取的数据资产；三是当前模型能力是否与业务需求高度匹配，能够实现真正的交付闭环。
杨通：下一个问题稍微给大家一些挑战，有可能对大家来说有点揭伤疤的感觉。在座各位很多是To B的AI公司老板，你们在客户那边遇到最大的困难是什么？是预算的问题？还是组织架构的问题？以及是否存在一些“企业惰性”的问题？针对这些问题有没有一些想法，怎么解决？建议大家可以讲得极端一点，把最极端的例子分享一下，让台下的观众有所收获。先从楚总开始。
楚汝峰：这个问题，其实和早期推动数字化转型时遇到的障碍非常类似。
第一个难点是，很多企业高层一句话：“我要解决这个问题”，然后就不再过问，交给IT或执行层“自己搞定”。问题在于，智能化升级是否被当作企业的战略工程来推动？
在推动企业数字化转型的过程中，业界早已形成共识：这是一项典型的“一把手工程”。只有当董事会或高层管理者亲自牵头，战略方向明确，资源才能高效统筹，数据才能跨部门打通，实现真正意义上的全域治理。智能化AI+升级亦是如此。必须先从高层确立明确的问题定义与战略目标，才能有效调动组织资源，形成数据链路，最终实现技术落地的闭环。否则，仅靠中台或执行层推动，往往难以突破组织和数据的壁垒，项目也难以真正见效。
第二个难点在于，客户的期望与现有基础之间常存在明显落差。随着海外技术的不断发布，以及行业内成功案例的传播，不少客户对大模型的能力寄予厚望，希望能够一站式解决多个问题。然而在实际落地过程中，往往会发现业务需求尚未充分澄清，数据积累也较为有限，使得模型难以有效发挥作用。这种“高期望、低基础”的现实情况，在To B场景中非常普遍。
所以我们始终强调，To B智能化落地，需要同步解决五个问题：组织保障、数据治理、需求澄清、场景落地和算法迭代。这五个环节必须形成闭环，否则项目很难真正跑起来。这也是所有To B AI企业正在共同面对的核心挑战。
靳江明：我觉得这是很好的问题，两个方面回答。
落地的困难，其实各种困难都有。目前最大的坎，一是技术本身的成熟度还不够，二是传统To B企业在组织架构和转型节奏上天然慢半拍。
先说转型这事儿。过去十年大家都在喊数字化，眨眼十五年就过去了。现在只要不是特别传统的企业，基本把数据库、大数据当成标配，工业领域也不例外。所以我对智能化一点也不担心，在中国场景里，速度只会比欧美更快。
再说“卷”。中国企业家天生卷，同一赛道里，只要有一家开始数字化、智能化，哪怕刚起步，隔壁竞品立马跟进，砸钱、挖人、上系统，绝不掉队。现在做To B大模型、To C大模型的公司，满大街都是。
我还是有信心，科技浪潮推着大家往前走，只是每个行业节奏不同。另外，中国跟美国路径不一样。美国动辄十万张、百万张英伟达卡，贵得离谱；中国起步晚，但把产能、工艺、行业场景啃下来后，算力、芯片一定会比国外便宜一大截，这反过来又会加速智能化。
我们自己是做技术服务的，不管行业怎么卷、技术怎么跳，目标只有一个，给用户提供最好、最具性价比的算力方案，帮大家把业务做大，一起把中国的AI To B、To C往前推。
杨通：帮靳总总结一下。一个是非常看好中国的发展，其次，非常看好中国的基建，无论是GPU的成本还是服务的成本。第三，靳总本身的公司清程极智做的事情是在中国AI蓬勃发展中是提供基建服务的，送水、送铲子的，只要中国的AI蓬勃发展，靳总的公司一定是不会差的。
珏总要说几句吗？
李文珏：我们是隔着被投企业去看的，可能稍微不在那么一线。对于To B来说都是很实际的，就是算ROI，你给我提供的产品或者API能否大幅度降低我的成本或者给我带来新的增量，如果能，我就可以买，如果不能，那就再看看。
现在有一些推销不是特别顺畅的，他可能只能替代掉非常初级的人力，比如实习生、应届生，这块人力的成本并不是特别高。到老专家的场景，它又做得不是那么好，并不能大幅度减少这些老专家，有一定的困境。我觉得模型智能的提升，在未来1-2年内一定会得到改善。
廖万里：我的观点和前面两位嘉宾说得一样，都差不多。在To B行业，我觉得AI发展一定要解决技术的先进性与落地实用性有点失衡的问题。相信大家可以通过今年AI产业的转向中看到，去年还有很多大型企业都追求自己研发大模型或者花很多钱购买大模型，钱花出去了，但是却看不到效果。还有一方面是C端的智能体应用“百花齐放”，另一方面却是企业不敢真正将这些智能体应用投入真实业务生产场景。所以我觉得一定要解决技术先进性跟落地效果失衡的问题，最终回归价值创造。
展开来说，企业真正犹豫的不是要不要用AI，而是能不能用到“能用、好用、人人会用”的AI产品。不管AI技术有多高大上、多炫酷其实并不重要，能实实在在帮助企业降本增效、解决经营问题才是重点。简而言之，AI技术要真正聚焦业务场景、解决实际问题、安全可靠高效。只有把实际问题解决了，AI产业才能跳出无意义的“卷”，迈向良性发展。
王为：刚才嘉宾从算力、智能程度、ROI上面讲了，我补充一个我们自己的故事。杨总问有没有什么困难或者惰性，这个惰性一定是有的。
我们举一个自己的例子，2023年我们开始做智能客服，服务了大概4000多家私有云客户，每天有大量运维咨询。起初效果一般，2024年随着模型能力、上下文长度和我们数据质量同步提升，智能体水平被评估为“毕业两年左右的售后工程师”。我们在微信售后群里实测，响应从10分钟压缩到1～5分钟，答案也更完整，客观指标全面优于人工。
然而售后负责人反馈：客户满意度反而下降。我们调研后发现——用户就是想要真人。机器人答得再快再好，他们也会追问“客服在哪？能不能出来答一下”。
所以，惰性不仅存在于企业，也存在于个人。客户付了维保费用，天然期待真人服务，对AI客服仍停留在“蠢、呆板”的刻板印象里。解决路径只能靠两股力量并行：一方面，要靠人的逐渐改变：现实中有的人有事喜欢找人问，有人喜欢找AI问，习惯会变。同时需要改变人对AI的刻板印象，比如有些人对智能客服还停留在比较蠢、比较呆板的印象里。另一方面需要AI智能性本身的持续提升，甚至多模态回答的丰富程度进一步提升。这样才能逐渐解决这个问题。
喻友平：杨总提的这个问题非常好。关于当前大模型To B落地过程中遇到的困难，结合我们服务过的金融、央国企、汽车、零售、医疗等多个行业的客户经验，我有一些观察可以分享。
我们接触的客户大致可以分为两类：第一类是效果导向型，这类客户以民营企业为主，他们对大模型能带来的价值有清晰认知。比如在以电话外呼为代表的营销服务场景中，他们的目标非常明确——提升加微转化率、提高邀约到店比例等，只要AI能比人工做得更好，他们就愿意采用。在汽车行业，某新势力车企采用中关村科金的呼入大模型与智能坐席辅助方案，平均对话轮次提升83%，通话时长提升46%，营销效率提升80%，客户满意度显著跃升。
第二类是创新探索型，这类客户多为央国企及银行。他们的核心诉求是通过AI提升内部运营效果。比如，我们助力中国船舶集团经济研究中心完成船舶行业大模型百舸，构建起覆盖智能问答、研报写作、文档解读、情报分析等全链路解决方案，为央国企发展新质生产力提供了创新实践范本。
但现在大模型的落地价值评判还没有形成统一的标准，不同行业、不同企业间存在差异，这种情况下就容易出现问题：客户说不清“好的AI应用”具体是什么样，厂商也难以清晰定义“如何让客户变得更好”，最终可能陷入价格战或人力服务的比拼。
这种现象其实和过去的一些行业困境类似，并非良性状态，也是我们面临的一大挑战。此外，平台分散化的问题也很突出——很多企业已经采购了火山、百度、阿里等不同厂商的平台，做应用时往往选择成本更低的方案，这可能导致“劣币驱逐良币”的风险。
要解决这些问题，或许需要一个过程：首先是行业的大浪淘沙，最终会有厂商在特定领域做出差异化成果；其次，虽然当前Agent的应用场景遍地开花，但随着时间推移，行业会逐渐沉淀出更清晰的方向，不同厂商也会形成差异化的定位。
这是我目前观察到的一些情况。
杨通：AI毕竟属于新兴事物，对于乙方的专家来说，既要承担一部分服务的责任，也要承担一部分普及的责任，我自己作为AI的博主，最后一刻软植入一下我的广告。我做“杨博士说AI”这个AI科普账号，投入了很多心力，大部分不是宣传我们的公司和产品，而是希望通过我的持续输出，推动更多中国的甲方和乙方在AI认知和应用上的共识，只有甲乙方理解同步，整个行业才会走得更快更远。
最后，感谢融中这次论坛，希望大家关注融中，关注在座的公司，也关注我们的公司，也关注杨博士说AI。感谢大家！
主题测试文章，只做测试使用。发布者：北方经济网，转转请注明出处：https://www.hujinzicha.net/44879.html
