狂奔三年，AI智能體祛魅

從概念狂歡到務實進化。

文｜楊肖若 編｜張弘一

出品｜商業秀

如果說，去年關于智能體的故事，還帶著“顛覆想象” 的性感濾鏡。今年這個故事的注腳，就變成了 “解決實際問題” 的務實底色。

從2023年至今，智能體的發展正從概念走向實踐。在今年的世界人工智能大會上，我們看到各大廠商繼續推出自己新一代的智能體產品。它們在更垂直細分的領域比如金融、教育、文娛等領域落地。

有不少人把2025年稱為“智能體元年”。實際上，智能體的概念最早可以追溯到2023年以前。

螞蟻數科CTO王維在接受「商業秀」等媒體的采訪時指出，2024年11月就被大家稱作“智能體元年”，來到今年7月，元年的高峰已近尾聲。

王維的言外之意是，技術的迭代速度，如此之快，尤其是基于大模型的智能體。以ChatGPT為例，其獲得10億用戶、達成365億次查詢量的速度，比Google快了14倍。

在更具體的行業賽道，譬如智能體在金融行業的變革，也在加速。不過，智能體要迎來真正的爆發，仍面臨很多挑戰。至少，它還需要跨越“技術可靠、數據可控和生態協同” 的三重門檻。

01智能體狂奔三年：從概念到產業滲透

從2023年到2025年，智能體的進化軌跡，幾乎是劃出了一個陡峭曲線。在2023年之前，智能體的發展還停留在概念萌芽階段。這個時期，智能體經歷了從 “工具化” 到初步智能。

中國信息通信研究院副總工程師王愛華認為，2023年之前的智能體還停留在 "代理型工具" 階段，就那些連客服機器人，也只能機械地給出一些標準化回應，彼時的智能體連最簡單的跨場景對話都難以完成，更談不上自主決策。

2024年，成為智能體發展的關鍵轉折點。大模型技術的滲透，讓智能體突然具備了"推理-記憶-行動" 的基礎能力。比如2024年推出的一些初代金融智能體，已經能在金融場景中完成"客戶咨詢-需求匹配-業務辦理" 的半自動化流程。

不過，核心風控環節上仍然需要人工來 "把關"，其可靠性和場景適配性還需要進一步提升。

進入2025年，智能體則呈現出了完全不同的氣質，它們開始進入產業滲透階段，垂直深耕和實現規模化落地。

這個階段的智能體主要呈現了三大核心特征。

一是從“通用化” 轉向 “行業專用化”。比如金融、能源、工業等領域出現了很多深度定制的智能體。比如螞蟻數科推出了Agentar全棧企業級智能體平臺。該平臺通過知識工程、評測、安全風控、MCP、金融大模型等能力，聯合行業開發了100余種金融智能體應用方案，在智能風控、營銷、財富管理等核心場景落地。

業內認為，行業場景對智能體的“專業性”“可靠性” 要求遠高于通用能力，比如金融領域需嚴格規避 “模型幻覺”，工業領域需適配高溫、高壓等極端環境。

二是多智能體協同成為主流模式。通過多智能體協同，解決單智能體的“能力邊界” 問題，適配復雜產業場景的多元需求，比如金融領域的 “營銷智能體+風控智能體+合規智能體” 協同，這樣一來，就可以覆蓋到業務全鏈條。

三是從“輔助工具”升級為“生產力引擎”。據悉，一些銀已部署超1000個智能體，其中信用風險識別智能體，能將中小客戶授信效率提升10倍，數據動態智能體實現 “一句話調用全行數據”，推動業務模式從 “人找服務” 轉向 “服務找人”。

也就是說，這個階段的智能體不再局限于“降本增效”，而是通過數據洞察和流程重構，正在創造更多新的價值。

02金融與能源：智能體落地的必爭之地

在今年WAIC的產業圖譜中，金融和能源領域的智能體應用最為突出。

背后的核心邏輯是什么？

王維認為，因為這兩個行業數字化程度最高、數據密度最大，且對效率提升的需求最迫切。

以金融為例，日均千萬級的交易數據和多層級風控規則，傳統人工處理的誤差率超3%，而智能體可將這一數字壓縮到0.5%以內。

但落地過程并非坦途。比如80%的金融機構僅在客服等非核心場景測試智能體，清算、風控等核心環節依然依賴人工。

這種謹慎源于雙重焦慮——它們既擔心錯失AI紅利，又害怕技術不成熟引發安全風險。

也就是說，很多機構之所以焦慮，并非源于排斥AI，而是發愁如何將這項新技術安全、有效地應用到自己的業務場景中，真正解決問題。與此同時，他們看到同行用AI對業務有效果，內心也期待能通過智能體來實現“彎道超車”。

但無論金融機構和銀行等金融客戶做哪種選擇，都繞不開金融場景的復雜性。

對此，螞蟻數科是如何應對的呢？它的策略是3個“E”。

一是Expertise（專業）。不沿用通用大模型路徑，基于長期金融經驗制定覆蓋銀行、證券等全場景的6大類66小類金融任務體系，以此為框架從千億級數據中構建專業訓練數據集，加入原則類合成數據保障合規，使模型 “出廠即專家”。

二是Efficiency（效率）。訓練中動態分配資源，提升復雜金融任務性能與學習效率，實現 “淺調高能”，保障通用能力不退化，減少后續業務應用的二次微調數據與算力消耗，降低企業落地門檻。

三是Evolution（進化）。建立高頻敏捷迭代機制，持續吸收金融政策、市場動態等信息，快速修復模型問題，確保知識、能力與合規性緊跟行業變化，在真實業務中不斷進化。

能源領域的突破，也同樣依賴場景適配。據中控技術工業AI技術管理總經理王寬心介紹，其工業智能體通過"時序大模型+邊緣控制" 組合，已實現煉化裝置的無人值守：九個智能體分工協作，能支撐裝置自主運行一周以上，這在高溫高壓的工業環境中是一大突破。

據悉，目前螞蟻數科已聯合金融行業伙伴推出超百個金融智能體解決方案，覆蓋銀行、證券、保險、通用金融等四大領域，金融機構可以“即插即用”，提升一線員工工作效率超80%。

03三重門檻：技術、數據與生態的硬仗

盡管發展勢頭迅猛，但如今智能體的規模化落地，仍需跨越三道硬門檻。

算力仍是懸在行業頭上的一把“利劍”。清華大學計算機科學與技術系教授鄭緯民直指“痛點”——大模型推理依賴GPU集群，目前大模型的推理算力成本還是很高。

他解釋到，“不管是推理也好，訓練也好，算力成本還是很貴。推理成本里頭，人力占3%，數據占2%，算力占95%，錢主要是花在算力上面了。ChatGPT的推理開銷是每天70萬美元。DeepSeek V3推理開銷大概每天8.7萬美元。

業內認為，大模型本身成本較高，雖然相關硬件和技術在發展，但相比過去的軟件售賣，成本仍然是金融機構需要考量的重要因素。

一張卡的推理效率可能很慢，但調用多次對底層算力要求極高，如何平衡技術投入成本與商業價值，成為金融機構和技術提供方需要解決的問題。

模型的"幻覺" 問題更讓金融機構頭疼。尤其是在一些信貸審批等場景，智能體偶爾會給出錯誤信息，而客戶一般要求"每個決策，你都要說清理由"，這種可解釋性需求，單靠Prompt技術難以滿足。

螞蟻數科AI算法技術部總經理章鵬解釋道，客戶需要知道大模型回答的思考過程，要求可解釋性，這就需要推理模型來解決，而在此之前，只能通過Prompt強制模型思考，但效果并不理想。

這也是螞蟻數科聯合中國工商銀行、寧波銀行、北京前沿金融監管科技研究院、上海人工智能行業協會等機構，聯合推出Finova大模型金融應用評測基準的原因。

也就是，用更嚴苛的測試倒逼模型的可靠性提升。“客戶的需求在倒逼技術進化，從最初的‘你們為什么沒有推理模型’，到現在的‘我憑什么相信你的回答’，市場的要求越來越具體，也越來越嚴苛。”章鵬說。

數據層面的挑戰同樣棘手。格創東智副總裁李楠吐槽道，"制造業的數據標準，亂得像一鍋粥，同個產品的合格率計算，A工廠和B 工廠能差出三個版本。" 這種混亂導致70%的精力都耗在數據治理上，嚴重拖慢了智能體的落地節奏。

最后是產業落地層面，也面臨著信任建立與生態協同難題。

一是行業觀望情緒濃厚，金融機構僅在非核心場景（如客服）測試智能體，核心業務（如清算、風控）仍依賴人工。一些機構擔憂， “技術成熟度不足”“責任界定模糊”，如智能體決策失誤導致損失時，責任歸屬難以明確。

生態協同的碎片化，則是另一重阻礙。因為智能體產業鏈涉及硬件、模型、應用等多環節，單一企業難以覆蓋全鏈條能力。例如，銀行部署智能體需協調模型提供商、系統集成商、監管機構等多方，協同成本高企。

為了降低成本，螞蟻數科推出了全尺寸模型家族，也給客戶提供了不同規格的模型，比如32B和8B版本的金融推理大模型Agentar-Fin-R1，以及基于百靈大模型的MOE架構模型，讓客戶可以根據自身算力和場景需求選擇，平衡成本與效果。

結語

目前智能體仍處于快速發展階段，但要實現真正的爆發，還需要在技術完善、成本控制、滿足差異化需求等方面突破。

中信智庫發布的研究報告指出，2025年AI大模型向更強、更高效、更可靠方向發展，呈現推理模型深化、智能體模型爆發的格局。

今年也是AI應用加速落地之年，但今年以來的智能體故事，少了些“性感”，多了些“硬仗”。這或許正是技術改變世界的必經之路。

正如上海新金融研究院理事長、上海市原常務副市長屠光紹在2025年世界人工智能大會的論壇上所言——“智能體的真正價值，不在于概念多吸引人，而在于能否成為推動產業變革的‘可行生產力’。”

當行業不再熱衷于討論“智能體能做什么”，而是聚焦“智能體該如何解決場景問題”時，智能體的產業價值，才真正開始釋放。「完」