近日，特二零二六智能未来大会如期举行，这场汇聚了AI行业顶尖领袖的盛会，就像一场“未来技术剧透会”。来自蚂蚁集团、昆仑万维、高通、自变量机器人等企业的大佬们，抛开晦涩的专业术语，分享了对agent（智能体）、大模型、具身智能等热门技术的真实看法——这些技术不是遥远的概念，而是未来3-5年就会渗透到工作、生活的“实干派”，会重塑公司组织、改变岗位形态，甚至重构我们和数字世界、物理世界的连接方式。下面就用大白话，带你读懂大佬们的核心观点。
一、蚂蚁徐达峰：Agent要做“靠谱同事”，别当“惊喜小学生”
提到agent，很多人会觉得是“能说会道的聊天机器人”，但蚂蚁集团的徐达峰直接点破核心：agent的关键不是“多聪明、多会整活”，而是“可控、可解释”，得像个靠谱的同事，而不是让人提心吊胆的“惊喜小学生”。
先掰明白agent到底是什么——它不是简单的“问答工具”，而是给大模型装上“手脚和脑子”的数字帮手。如果说大模型是AI的“大脑”，能思考、能理解，那agent就是能主动感知环境、规划任务、执行操作的“完整生命体” 。比如你让它帮你处理工作，它能自己检索资料、整理文档、对接同事，不用你一步步指挥。但问题来了，要是这个“帮手”不靠谱怎么办？
徐达峰说的“可控”，就是agent得听指挥、不越界。比如你让它处理合同审核，它只能在你授权的范围内查看文件，不会偷偷访问公司机密；你让它给客户发邮件，它会严格按照你定的模板和语气来，不会突然加一句自己的“创意发言”。而“可解释”更关键——要是agent出错了，得说清“为什么错”。比如它拒绝了某个合作申请，不能只给一句“不符合要求”，得明确告诉你“因为对方资质未达标，具体缺少xx材料”，就像靠谱同事汇报工作那样，有理有据，能复盘、能修正。
反过来，“带来惊喜的小学生”是什么样？就是有时候能给你意外收获，但更多时候会掉链子。比如你让它整理会议纪要，它可能突然帮你提炼了一个好点子，但也可能漏记关键任务、张冠李戴责任人；你让它处理数据报表，它可能算出一个有趣的结论，但也可能因为逻辑漏洞给出错误答案，还说不出原因。在工作场景里，这种“不确定性”太致命了——没人敢把合同审核、财务统计、客户对接这些关键事，交给一个“偶尔惊喜、经常掉链子”的AI。
现在很多企业已经在落地“靠谱同事型”agent：比如电商平台的客服agent，能自主处理退换货申请，告诉你“因为你符合7天无理由退换，已帮你创建工单，3天内发货”，全程可控、每一步都有解释 ；还有办公agent，能提取会议录音里的待办事项，自动分给责任人，还会同步到工作软件，不会乱分配、不会漏通知。徐达峰的观点其实在提醒行业：AI要落地到实际工作，“靠谱”比“酷炫”更重要，只有可控、可解释，agent才能真正成为人类的帮手，而不是负担。
二、昆仑万维方汉：Agent将重塑公司组织，“过程架构师”成新刚需
如果说徐达峰关注agent“自身靠谱”，那昆仑万维的方汉更看重agent对“组织”的影响——他直言：agent会让重复性岗位消失，取而代之的是“过程架构师”，整个公司的运作方式都会被重塑。
先说说哪些是“重复性岗位”？不是指“简单体力活”，更多是“机械脑力活”：比如每天录入数据的行政岗，把纸质文件扫描后转换成电子表格，一遍遍地复制粘贴；比如基础客服岗，回答“订单什么时候发货”“退款怎么申请”这类固定问题；比如仓库的库存统计岗，每天核对进出货数量，更新表格；还有基础财务岗，录入发票信息、生成简单报销凭证。这些工作的特点是：规则固定、重复率高、不需要太多创意和决策，刚好是agent的“强项”。
现在已经有企业开始用agent替代这些岗位了：某电商平台用agent处理售后咨询，把人工客服的工作量减少了60%，响应时间从几分钟降到几秒 ；某制造企业用agent做库存统计，准确率比人工还高，还能实时更新数据，不用等下班汇总。方汉说，未来3-5年，这类岗位会越来越少，不是“裁员”，而是“被技术替代”——就像当年计算器替代算盘、Excel替代手工记账一样，是效率升级的必然。
但岗位消失不代表“没人干活”，反而会催生新的核心岗位：过程架构师。这个听起来有点玄的岗位，到底是做什么的？用大白话讲，就是“设计工作流程，让agent和人配合得更顺畅”的“总设计师” 。
具体来说，过程架构师要干三件核心事：第一，拆解工作流程。比如把“客户下单到发货”的全流程拆解开，哪些环节交给agent（比如订单审核、地址校验、生成物流单），哪些环节交给人（比如处理异常订单、客户投诉）；第二，制定规则和标准。比如告诉agent“什么样的订单需要人工审核”“客户投诉的响应时间不能超过1小时”，还要设计agent和人的协作机制——比如agent处理不了的问题，怎么快速转交给对应负责人，不会耽误事；第三，持续优化流程。比如观察agent运行数据，发现“某个环节agent经常出错”，就调整规则；发现“人跟agent对接效率低”，就优化工具，让整个流程越来越顺。
过程架构师不用懂复杂的编程，但得懂业务、懂流程，还得知道agent的能力边界。比如猎聘上的招聘要求显示，这个岗位需要会用流程设计工具，懂精益管理方法，还得能跟业务部门、It部门沟通协作 。方汉预测，未来每个公司都需要这样的“流程总设计师”，他们不是“指挥agent干活”，而是“搭建让agent和人高效协作的舞台”，让每个人都能专注做agent做不了的事——比如创意、决策、客户深度沟通这些需要情感和思考的工作。
而公司组织也会跟着变：以前的“金字塔式”结构会变扁平，比如不需要那么多中层管理者盯着重复性工作；部门之间的壁垒会打破，因为过程架构师设计的流程是跨部门的，比如“市场推广-客户下单-售后跟进”的全流程协作；甚至“岗位”的定义都会变，不再是“固定做某件事”，而是“负责某个流程的优化和创新”。
三、科技尤洋：三类企业必须自建大模型，通用模型解决不了“专属问题”
现在很多企业都在纠结：到底要不要自建大模型？还是直接用市面上的通用大模型（比如chatGpt、通义千问）？科技的尤洋给出了明确答案：至少三类企业需要自建，通用模型再强，也解决不了它们的“专属问题”。
先搞懂“自建大模型”和“用通用模型”的区别：通用模型就像“万能工具刀”，能解决很多常见问题，比如写文案、查资料、简单数据分析；而自建大模型就像“定制工具”，是根据企业自己的数据、业务场景训练的，只解决自己的核心问题，精准度和适配度更高。尤洋说的三类企业，都是“万能工具刀”满足不了需求的。
第一类：传统大型企业。比如制造业巨头、能源公司、大型银行。这类企业的特点是“业务复杂、行业属性强”，通用模型不懂它们的“行话”和“流程”。比如一家汽车制造厂，需要用AI检测生产线上的零件缺陷，通用模型没见过这家厂的零件类型、生产标准，根本检测不准；但自建大模型，用自己多年的生产数据训练，就能精准识别“哪个零件有问题、问题出在哪个生产环节”。再比如大型银行，需要用AI处理信贷审核，通用模型不懂银行的风控规则、客户评级标准，而自建大模型能结合银行的历史信贷数据、风控政策，给出更准确的审核结果，还能符合行业合规要求。
第二类：拥有海量数据的中小企业。这类企业虽然规模不大，但手里有“独门数据”，这些数据是它们的核心竞争力，通用模型拿不到，也用不了。比如嘀嗒出行，作为出行平台，有亿级的订单数据、用户沟通数据，这些数据里藏着“用户出行习惯”“订单取消原因”“车乘纠纷焦点”等关键信息。嘀嗒出行没有只用通用模型，而是自建了大模型，用这些专属数据训练，现在已经能自动处理订单取消判责——以前需要人工复核，现在大模型能结合聊天记录、订单信息，判断谁该负责，准确率接近90%，还大幅减少了用户申诉率。再比如一家做本地生活的中小企业，有大量商户数据、用户消费数据，自建大模型能精准推荐商户、优化配送路线，这些都是通用模型做不到的。
第三类：用AI颠覆行业的新兴公司。这类公司的核心业务就是AI，大模型是它们的“产品本身”，必须自建才能形成壁垒。比如专注医疗AI的公司，需要开发“AI辅助诊断系统”，要能识别医学影像、分析病历，这就需要用海量的医疗数据自建大模型，形成自己的技术优势；再比如做工业机器人的新兴公司，需要让机器人理解物理世界、自主完成复杂操作，这也需要自建具身智能大模型，而不是靠通用模型“凑合用”。就像中国电信，作为央企，自建了“星辰大模型”，覆盖语义、语音、视觉等多种能力，不仅能服务自己的客服、政务业务，还能开放给其他企业，成为新的业务增长点 。
尤洋特别强调：“自建大模型不是‘越复杂越好’，而是‘够用就好’”。比如中小企业不用建万亿参数的大模型，重点是把自己的专属数据用好，训练出能解决具体问题的“小而美”的模型；传统大企业可以和科技公司合作，不用从零开始，重点是把模型和自己的业务流程打通。总之，自建大模型的核心不是“炫技”，而是“解决自己的专属问题”，这才是企业的核心竞争力。
四、高通万维星：终端侧大模型才是“刚需”，个性化+隐私安全双保障
提到大模型，很多人会想到“云端”——比如数据传到遥远的服务器上处理，再把结果传回来。但高通公司的万维星却强调：终端侧运行大模型，才是未来的大趋势，核心优势就是“个性化”和“数据本地化处理”。
先解释“终端侧”是什么：就是我们手里的手机、家里的智能家居、身边的机器人这些“终端设备”，终端侧大模型就是把大模型直接装在这些设备上，不用依赖云端，设备自己就能处理数据、完成任务。比如你的手机里装了大模型，不用联网，就能帮你写文案、翻译、整理照片；你的智能手表里装了大模型，能实时分析你的健康数据，给出运动建议。
第一个优势：个性化。云端大模型是“服务所有人”的，没法精准适配每个人的习惯；而终端侧大模型就像“专属管家”，天天跟你打交道，越用越懂你。比如你的手机大模型，知道你喜欢看科技新闻，会优先给你推荐相关内容；知道你不喜欢冗长的文案，会把复杂的报告提炼成简短摘要；甚至知道你的说话语气，帮你发消息时能模仿你的风格，不会显得生硬。高通和中国电信合作的“麦芒”AI手机，就是终端侧大模型的典型例子，它的AI通话助手、AI修图功能，都是基于终端侧大模型，能精准适配用户的使用习惯 。
第二个优势：数据本地化处理，安全又高效。现在很多人担心“用AI会泄露隐私”——比如你把聊天记录、健康数据、工作文件传给云端，万一服务器被攻击，数据就可能泄露。但终端侧大模型根本不用传数据到云端，所有数据都存在你自己的设备上，只有你能访问，安全性大大提高。比如你用终端侧大模型处理工作合同，合同内容不会离开你的电脑；用它分析健康数据，心率、血压等信息只存在你的手表里，不用担心被第三方获取。而且不用联网传输数据，响应速度也更快——比如你让手机大模型整理照片，秒级就能完成，不用等云端处理完再传回来。
万维星说，未来几年，“云+端”协同会成为主流：简单的、需要个性化的任务，交给终端侧大模型；复杂的、需要大量算力的任务（比如大规模数据分析、复杂模型训练），交给云端大模型。比如你用AI写一篇简单的工作周报，手机自己就能完成；但如果要分析公司一年的销售数据，生成详细的可视化报告，就可以调用云端大模型的算力，处理完再把结果传回手机。
现在终端侧大模型已经开始落地：除了AI手机，还有AI眼镜——高通和中国电信合作的天翼AI眼镜，能智能识物、分析食物成分、讲解展品，这些功能都是终端侧大模型实现的，不用依赖云端，随时随地能用 ；还有智能家居，比如你的冰箱里装了大模型，能识别里面的食材，推荐菜谱，还能提醒你食材快过期了，全程不用联网，既方便又安全。
五、自变量机器人王浅：具身智能，AI理解物理世界的“新地基”
前面聊的agent、大模型，大多是在“数字世界”里干活——处理文字、数据、文件；而自变量机器人的王浅，把目光投向了“物理世界”，他提出：具身智能模型是平行于语言模型的“物理世界基础模型”，简单说就是让AI“走进现实，动手干活”。
先区分两个概念：语言模型（比如Gpt、通义千问）是“理解数字世界的”，它能读懂文字、分析数据、生成内容，但它不知道“杯子掉在地上会碎”“搬东西要用力”这些物理规律；而具身智能模型是“理解物理世界的”，它能像人一样感知环境、学习物理规律，还能动手执行操作——比如机器人用具身智能模型，能拿起杯子、打开抽屉、走路不摔倒；自动驾驶汽车用具身智能模型，能判断路况、躲避障碍物、平稳转弯。
王浅说，具身智能模型就像AI的“物理课老师”，让AI从“只会纸上谈兵”变成“能动手实践”。比如以前的机器人，只能按照预设的程序干活，一旦环境变了就会出错——比如预设好拿杯子的力度，要是杯子是易碎的，就可能被捏碎；但具身智能模型能通过学习，理解“不同杯子的材质不同，需要用不同的力度拿”，就算遇到没见过的杯子，也能根据物理规律判断该怎么操作。
现在已经有很多具身智能的研发成果，比如北京团队开源的wow世界模型，能让AI“想象物理世界、预测结果、执行动作”——比如你让它“把杯子放到桌子上”，它能先在脑子里模拟“怎么伸手、怎么抓杯子、怎么放才平稳”，然后再让机器人实际操作，成功率很高。还有工业机器人，用具身智能模型能精准处理复杂的装配任务，比如给汽车零件上螺丝，能根据零件的位置调整力度和角度，不用人工干预；家庭服务机器人，能自己开门、拖地、整理物品，还能避开障碍物，不会撞到家具或人。
王浅强调，具身智能不是“替代语言模型”，而是和语言模型并行的“另一块地基”——语言模型负责处理“数字信息”，具身智能模型负责处理“物理信息”，两者结合，才能让AI真正融入我们的生活和工作。比如一个智能助手，既能用语言模型帮你处理工作邮件、写报告，又能用具身智能模型帮你整理办公桌、递文件；一个工业AI系统，既能用语言模型分析生产数据、优化流程，又能用具身智能模型控制机器人完成生产操作。
未来，具身智能会渗透到很多领域：制造业的工业机器人、医疗行业的手术机器人、家庭里的服务机器人、自动驾驶汽车、甚至是太空探索机器人，都会依赖具身智能模型，让AI从“数字世界”走进“物理世界”，真正成为能“动手干活”的帮手。
六、ppIo姚星：Agent基础设施，AI时代的“操作系统”
如果说agent是AI时代的“应用程序”，那ppIo的姚星认为，agent的基础设施就是AI时代的“操作系统”——就像windows、ioS连接电脑、手机的硬件和软件一样，agent基础设施连接着各种agent、设备和人，让它们能协同工作、高效运转。
先想想没有“操作系统”的麻烦：现在很多企业都在自己开发agent，比如客服agent、办公agent、生产agent，但这些agent就像“孤岛”——客服agent不知道客户的订单情况（需要问订单agent），办公agent不知道生产进度（需要问生产agent），互相之间没法沟通，还得人工在中间传递信息，效率很低。就像以前没有windows系统时，电脑上的每个软件都得单独操作，不能共享文件、协同工作，用起来特别麻烦。
而姚星说的agent基础设施，就是要解决这个问题，它就像一个“大管家”，负责管理所有agent的“记忆、工具和沟通”：第一，统一管理记忆。所有agent都能共享数据，比如客服agent能直接调取订单agent的客户订单信息，不用再单独查询；第二，统一调度工具。比如多个agent都需要用到数据分析工具，基础设施能合理分配资源，不会出现“同时抢工具”的情况；第三，统一沟通标准。不同agent之间能“互相听懂”，比如生产agent告诉办公agent“今天的产量是1000件”，办公agent能直接理解，不用人工翻译或转换格式。
这个基础设施还有两个核心功能：安全管控和可扩展性。安全管控就是给每个agent设定“权限”，比如客服agent只能查看客户的订单信息，不能修改；生产agent只能操作生产设备，不能访问财务数据，避免数据泄露或误操作。可扩展性就是能随时添加新的agent，比如公司新增了“物流agent”，直接接入基础设施就能用，不用重新搭建整个系统。
现在已经有企业在做这样的基础设施，比如阿里云无影的AgentoS，就是一个agent基础设施，能提供安全隔离的运行环境，让多个agent协同工作，还能管理agent的记忆和工具 ；还有学者提出的Agentic File System（AFS），把agent的记忆、工具、外部知识都统一管理，就像电脑的文件系统一样，方便调用和追溯 。姚星预测，未来不会有企业再单独开发“孤立的agent”，而是都会基于统一的基础设施，开发自己的专属agent，就像现在的软件都基于windows或ioS系统一样，这样才能实现“多agent协同”，真正发挥AI的价值。
比如一个制造企业，基于agent基础设施，能实现“订单agent-生产agent-物流agent-售后agent”的全流程协同：订单agent接到客户订单后，自动把信息传给生产agent，生产agent安排生产计划，生产完成后通知物流agent发货，物流agent把物流信息同步给售后agent，售后agent随时解答客户的物流咨询——整个过程不用人工干预，效率大大提高。
七、光轮智能杨海波：好的仿真平台，生态和商业回报缺一不可
前面聊的agent、具身智能，都需要一个“测试场”来打磨——总不能直接让机器人去物理世界里试错，万一摔坏了、出错了，成本太高。光轮智能的杨海波就说：好的仿真平台，离不开“生态构建”和“持续的商业回报”，它是AI技术落地的“必经之路”。
先解释“仿真平台”是什么：就是一个“虚拟的物理世界”，能模拟真实环境的各种情况，让AI在里面“练手”。比如要开发自动驾驶汽车，不用直接上路测试（风险高、成本高），可以在仿真平台里模拟各种路况——雨天、雪天、堵车、行人横穿马路，让AI在虚拟环境里反复训练，直到准确率达到要求，再去真实道路测试；要开发工业机器人，不用在真实生产线上试错，可以在仿真平台里模拟生产场景，让机器人练习装配、焊接、搬运，优化动作流程，再投入实际生产。
杨海波说，一个好的仿真平台，首先要“生态构建”——不能自己闭门造车，要联合产业链上下游，让大家都能参与进来。比如仿真平台开发商要和硬件厂商合作，获取真实设备的参数（比如机器人的关节角度、汽车的刹车性能），让虚拟环境更真实；要和算法公司合作，接入各种AI算法，让平台能测试不同的技术方案；要和行业客户合作，了解真实场景的需求（比如制造业需要模拟生产线，自动驾驶需要模拟城市路况），让平台更实用。
比如青岛中海潮科技的海洋仿真平台“海镜”，就是生态构建的典型例子——它们联合了高校、科研院所、海洋企业，获取了大量海洋环境数据（比如海浪、洋流、水温），还接入了各种海洋科研算法，让平台能模拟海洋环境的变化，为海洋科研、渔业、航运等行业提供服务。而且它们还开放了平台，让用户反馈问题、提出需求，持续优化功能，现在已经有2000多个用户，覆盖多家科研院所和高校。
其次，仿真平台必须有“持续的商业回报”——不能只烧钱研发，得能赚钱，才能长期活下去。杨海波说，很多仿真平台失败，就是因为只关注技术，不考虑商业化，研发出来没人用、不赚钱，最后只能停掉。好的仿真平台，要找到明确的商业场景，让客户愿意付费。
比如给汽车厂商提供自动驾驶仿真测试服务，按测试时长收费；给制造企业提供生产线仿真优化服务，按项目收费；给高校和科研院所提供科研仿真平台，按年收取服务费。中海潮科技的“海镜”平台，就是靠商业化存活下来的——它们给海洋相关企业提供仿真服务，帮企业优化航运路线、预测海洋环境风险，今年全年营收有望突破4000万元，实现了技术和商业的双赢。
杨海波还强调，生态和商业是相辅相成的：生态构建得好，能吸引更多客户，带来更多商业回报；有了商业回报，就能投入更多资金优化平台、扩大生态，形成良性循环。比如一个仿真平台，一开始联合了几家汽车厂商，通过提供测试服务赚到钱，然后用这些钱优化平台功能，再吸引更多汽车厂商、零部件企业加入生态，商业回报越来越高，平台也越来越完善。
总结：AI的未来，是“实用、可控、共赢”的未来
看完2026智能未来大会上大佬们的分享，能发现一个共同趋势：AI技术已经从“炫技”走向“实用”，不再是遥远的概念，而是要解决实际问题——agent要做靠谱的同事，大模型要适配企业的专属需求，具身智能要走进物理世界干活，仿真平台要帮技术落地。
同时，大佬们也强调了“可控”和“安全”：agent要可控可解释，大模型要保护数据隐私，基础设施要做好安全管控，这是AI能长期发展的前提。还有“共赢”：企业之间要通过生态合作，让技术更完善；AI和人类要协同工作，替代重复劳动，让人专注于创意和决策。
未来几年，这些技术会慢慢渗透到我们的工作和生活：你可能会有一个“靠谱的AI同事”帮你处理重复工作，你的手机能精准懂你的需求，工厂里的机器人能安全高效地干活，甚至家里的服务机器人能帮你做家务。而这一切的背后，是agent、大模型、具身智能、仿真平台等技术的协同发展，是行业领袖们对“技术要服务于人”的坚守。
AI的未来不是“替代人类”，而是“让人类更高效、更自由”——把重复的、机械的工作交给AI，我们能有更多时间去创造、去沟通、去探索，这就是智能未来的核心意义。