精彩观点：

1.AI智能体是从被动响应到主动行动的智能体，具备自主理解、环境感知、任务规划、记忆存储、工具调用等综合能力

2.要准确把握AI智能体的三大发展趋势：多模态融合增强环境感知与决策能力、多智能体协作系统重构产业生态、边缘化部署推动实时场景落地

3.通过构建“AI+优势产业”生态圈、夯实“东数西算”算力底座、构建市场化验证与推广机制等举措，为成都人工智能产业发展奠定坚实底座

编者按：

今年以来，从中央到地方，对培育具身智能、发展智能机器人等作出一系列部署。四川省委、省政府日前印发《关于支持成都做优做强极核功能 加快高质量发展的意见》明确提出，支持成都实施前沿科技攻坚突破行动，加快在人工智能、航空航天等领域实现一批重大技术突破。AI智能体（AI Agent）是什么？如何突破AI智能体的技术与商业化瓶颈？成都如何夯实人工智能产业发展的底座？带着这些提问，本期《锦观智库》采访赛迪四川高级研究员殷长明。

AI智能体是连接数字世界与物理世界的桥梁

锦观智库：今年以来，从初创企业到科技巨头纷纷加快布局AI智能体。AI智能体与AI的区别是什么？AI智能体主要应用在哪些领域？

殷长明：2025年，全球AI智能体产业进入爆发式增长阶段。从OpenAI发布的Operator到国内创业公司Manus的通用型AI智能体产品，AI智能体正成为连接数字世界与物理世界的桥梁。

AI智能体是从被动响应到主动行动的智能体，具备自主理解、环境感知、任务规划、记忆存储、工具调用等综合能力。目前，AI智能体在内容创作助手、知识问答助手、AI搜索等场景中已实现应用。

相较于传统AI的单一功能，AI智能体的核心特征在于：一是自主性，无需持续人工干预，可独立完成任务规划与执行，如AutoGPT自动拆解目标；二是目标导向，将复杂任务分解为子目标，并动态调整策略，如跨境货运单处理中的审批链优化；三是环境适应性，通过传感器或应用程序接口（API）实时获取外部数据，并灵活调整行为，如市场动态、天气信息；四是迭代学习，通过强化学习或反馈机制优化决策，如接入DeepSeek—R1模型后，推理能力显著提升。

AI智能体和大模型在人工智能领域中扮演着不同的角色，但它们之间存在着紧密联系。一方面，‌大模型是AI智能体的“大脑”‌。大模型是AI智能体实现智能行为的基础，它通过海量数据训练获得通用认知能力，包括文本生成、逻辑推理、图像识别等功能。然而，大模型本身是被动的，只能响应指令，缺乏主动行动的能力。

另一方面，AI智能体是大模型的“躯体”‌。AI智能体是大模型的上层应用，它赋予大模型行动能力，通过感知环境、规划任务、调用工具和执行动作，AI智能体将大模型的“想法”转化为实际结果。AI智能体还能弥补大模型的局限性‌。大模型在处理复杂任务时可能存在“幻觉”或信息不准确的问题，AI智能体通过自主验证和决策过程，能够修正大模型的输出，确保任务的准确性和效率。

当前，AI智能体的垂直化演进在多个领域加速落地：一是在金融领域，AI智能体主要应用于智能投顾、风险管理等场景，例如，恒生电子的智能投顾服务利用AI智能体的强大分析能力，通过对市场数据的实时监测和分析，根据投资者的风险偏好、投资目标等因素，快速制定出最优的投资策略；二是在医疗领域，AI智能体主要应用于辅助诊断、数据挖掘等场景，例如，中国电信携手北京协和医院，联合开发“Med Agent”智能体，能以临床需求为导向，为临床医生智能推荐医学量表，实现数据自填充、量表自评估，同时支持参考文献一键追溯和医学量表自动更新；三是在政务领域，AI智能体主要应用于智能客服与咨询、数据分析与决策等场景，例如，深圳市龙岗区统计局打造“AI公务员”，实现了从统计云系统获取服务业相关企业上报数据，到根据底表生成分析报告初稿并上传至网盘的全流程自动化，工作效率大幅提升，等等。

加快推动AI智能体技术突破与商业化落地

锦观智库：AI智能体在金融、医疗、政务等多个领域取得了突破和应用。从数据问题到技术标准，从跨领域协作到市场需求，AI智能体的落地与推广还需解决哪些关键问题？

殷长明：首先是技术挑战。一是模型理解与推理能力的局限性制约复杂任务落地。当前，AI智能体依赖大语言模型，但在复杂场景中表现不足。例如，金融合规审查、医疗诊断等多步骤任务中，大模型受限于上下文长度和长期规划能力，难以自主完成全流程。

二是多模态数据融合与处理能力不足限制场景扩展。AI智能体需处理文本、图像、音频等多模态数据，但不同模态的结构差异和语义鸿沟导致数据融合效率低下。以工业质检为例，图像缺陷分析与振动数据融合困难，误判率较高。多模态存储与计算资源的高需求进一步加剧技术复杂性，成为行业应用瓶颈。

三是算力与存储基础设施的不足拖累规模化部署。随着大模型参数规模的指数级增长，AI智能体对算力和存储的需求持续攀升。然而，当前算力基础设施难以满足实时推理和大规模训练需求，导致任务响应延迟。研究表明，现有存储方案在处理100TB级多模态数据时，数据同步效率仅为传统方案的60%，影响AI智能体的迭代优化速度。

其次是商业化瓶颈。一是高成本与低效率的矛盾抑制企业规模化投入。AI智能体的商业化落地面临成本与效率的双重压力。大模型训练和推理的高昂算力成本，使得中小企业难以承受；复杂任务的低成功率导致时间成本居高不下，难以形成显著的投入产出比。

二是生态体系不成熟制约技术标准化与协同创新。AI智能体的商业化依赖成熟的工具链和开放生态，但当前生态建设仍显薄弱。首先，工具接口标准缺失导致跨平台协作困难，开发者需重复适配不同API，增加开发成本；其次，企业级应用中缺乏统一的行业定义与标准，导致“AI智能体”概念泛化，市场认知混乱，进一步延缓商业化进程。

三是场景适配难度与用户信任缺失阻碍深度应用。AI智能体在垂直领域的落地面临场景适配与用户信任的双重挑战。一方面，行业场景对精准性和安全性要求极高，而现有智能体的窄域特性难以满足动态需求。另一方面，用户对黑箱决策的不信任限制了敏感场景的应用。企业调研结果显示，仅有极少数企业愿意将支付授权等关键决策权交予AI智能体，多数仍将其定位为辅助工具。

从基础层、技术层到应用层的全产业链覆盖

锦观智库：竞速人工智能产业风口，需要前瞻性的把握AI智能体的哪些发展趋势？未来，成都如何通过建设成渝算力枢纽、天府数据中心等算力集群，为人工智能产业发展奠定坚实底座？

殷长明：一是多模态融合增强环境感知与决策能力。当前的AI智能体主要依赖文本交互，但未来将深度融合视觉、语音、触觉等多模态能力，实现更全面的环境感知与任务执行。二是多智能体协作系统重构产业生态。面对日益复杂的任务，单一智能体难以应对供应链调度、智慧城市管理等全局优化问题，未来多智能体协作将成为趋势，通过信息共享和协同作业，推动跨领域创新。三是边缘化部署推动实时场景落地。随着模型训推成本降低，模型算法不断创新，伴随模型蒸馏等模型压缩方式的使用，端侧轻量化大模型不断突破，将推动大模型与智能硬件广泛融合，未来AI智能体将不仅局限于PC和移动端，还将广泛应用于智能家居、自动驾驶、工业机器人等领域。

目前，成都市共有人工智能企业1000多家，实现了从基础层、技术层到应用层的全产业链覆盖。2024年，成都人工智能营收达1079亿元，突破千亿元大关。未来，成都可从以下方面发力，进一步推动AI智能体与实体经济深度融合，加快打造全国人工智能与机器人产业发展高地。

一是聚焦场景差异化突破，构建“AI+优势产业”生态圈。成都拥有电子信息、装备制造、文化旅游等全国性优势产业，但缺乏互联网巨头的数据和生态壁垒。成都可重点发力“产业知识+场景闭环”型智能体，以本地优势产业为锚点，打造小而精的行业智能体，避免与通用大模型正面竞争。

二是夯实“东数西算”算力底座，破解大模型训练与推理瓶颈。成都在算力基础设施方面具备一定优势，但受限于高成本与技术依赖，难以支撑AI智能体的大规模训练与实时推理。建议通过“政府引导+企业共建”模式，推动公共算力平台建设，持续扩大算力普惠力度及政策覆盖范围。

三是以“链主企业+生态协同”为核心，构建产业生态链。成都人工智能中小企业数量众多，但缺乏具备全国影响力的“链主”型企业。应鼓励本地人工智能企业积极参与行业标准制定，提升成都AI智能体产品的行业话语权及影响力。

四是以场景开放为牵引，构建市场化验证与推广机制。依托“智慧蓉城应用场景实验室”现有机制，面向政务服务、智能制造、文化旅游等赛道，定期发布“成都智能体场景机会清单”，采用揭榜挂帅模式，将需求清单、数据沙盒与API工具统一对接，建立“一地试验、多地复用”的场景孵化通道。

五是以产业需求牵引高校改革为核心，优化人才培养范式。成都拥有电子科技大学、四川大学等优质高校资源，但当前高校人才培养与产业需求存在一定错位。建议推动高校与本地龙头企业围绕AI智能体开展定向技术攻关，搭建项目驱动式教学模式。探索建立“企业实习+项目孵化”双轨制，搭建人才实践闭环，形成“学习—实践—就业—创业”的全链条培养生态。

成都日报锦观新闻记者 陈仕印