這是我的(de)第(di)378篇(pian)專(zhuan)欄(lan)文章。
從大模型的爆發，到邊緣計算 的(de)逐漸普及，從智能語音(yin)助手(shou)走進家庭，到(dao)智能設備接入云(yun)端，AI智能體(ti)與AIoT的(de)結合，正成為產業界的(de)新(xin)熱點。
但在技術熱潮的背后，我們必須提出一個冷靜的問題：我們是為了更好地改進現狀，還是又一次陷入了“智能幻覺”？
在這個問題上，潛在風險已(yi)有跡可(ke)循。
當(dang)下正被(bei)熱(re)議的(de)(de)AI智(zhi)能(neng)(neng)體概念(nian)，有被(bei)過度包裝的(de)(de)嫌疑。根據(ju)文章中的(de)(de)論述，Gartner指出大多數所謂的(de)(de)AI智(zhi)能(neng)(neng)體系統，其實不(bu)過是“被(bei)賦予(yu)任(ren)務感(gan)的(de)(de)對話機(ji)器人”，缺乏真正的(de)(de)感(gan)知(zhi)能(neng)(neng)力、行動能(neng)(neng)力和(he)任(ren)務閉環能(neng)(neng)力。
而類似的情形，曾在物聯網的發展(zhan)史中上演過一次(ci)。
2018年，思科發布的(de)一份研究報告稱，全(quan)球75%的(de)物(wu)聯網(wang)項目最終失敗。
原因很簡單：在缺(que)乏(fa)清晰目標與智能控制(zhi)邏輯的情(qing)況(kuang)下，“為了連(lian)接而連(lian)接”只(zhi)會帶(dai)來堆疊的復(fu)雜性(xing)，而非系統性(xing)的智慧。
因此，問題從來不是AI或IoT本身，而是那些脫離任務閉環、脫離場景價值的“空中樓閣發展路徑”。
這正是本文希望重新審視的問題：AI智能體的真正出路，不在網頁瀏覽和虛擬對話，而在與真實物理系統的耦合——也就是AIoT。
物聯網是AI連接物理世界的底座。AI智(zhi)能體只有與物聯網設備深度耦合(he)、嵌入物理(li)世(shi)界，才能擺脫“智(zhi)商炫技”的(de)(de)宿命，真正成為AIoT場景(jing)中(zhong)的(de)(de)價值創造者。我們需(xu)要(yao)的(de)(de)不僅是(shi)更智(zhi)能的(de)(de)工具，而應是(shi)更智(zhi)慧的(de)(de)系(xi)統。
本文(wen)將從三(san)個層面展開討(tao)論(lun)：
1. AI智能體與AIoT結合的真實價值與系統結構；2. AI智能體如何突破“演示智能”的瓶頸，走向“場景智能”；3. 如何通過“真實任務閉環”來驗證智能體能力邊界，避免下一場技術泡沫。
AI智能體為何必須“落地”？從虛擬智能到物理閉環
AI智能(neng)體目前仍面(mian)臨一個(ge)根本性瓶頸(jing)：它們大多生長在虛(xu)擬環境中，缺乏與真實世界(jie)的(de)交互。
只(zhi)有當AI智能(neng)體開始與真實設備(bei)交互，接收真實傳感(gan)器數據，執行物理動作，面對環境不確(que)定(ding)性，并對結果負責時，才具備(bei)了(le)持續(xu)學習與優化(hua)的(de)可能(neng)性。
這(zhe)種從封閉輸入輸出向(xiang)任務反饋閉環的(de)演進，正是(shi)智能(neng)系統從被動工具走(zou)向(xiang)主動行為體的(de)轉(zhuan)折點。而這(zhe)一切，唯有在AIoT的(de)系統中才(cai)能(neng)發生。
AIoT的本質，并不僅僅是設備的聯網，而是系統的“任務化”。每一個連接的設備，每一個傳感器節點 ，都是智能體理解世界、影響世界的一部(bu)分。
與其說AIoT是一個技術范疇，不如說它是AI智能體的“任務環境”。在這個(ge)(ge)環境中，智能體不(bu)再是(shi)(shi)一個(ge)(ge)等待調用(yong)的API，而是(shi)(shi)一個(ge)(ge)擁有目標感、調度權和反饋(kui)機制(zhi)的自主執行(xing)者(zhe)。
以智能倉儲系統(tong)為例(li)，AI智能體不(bu)僅(jin)要(yao)理(li)解(jie)訂單結構(gou)和庫存狀態，還需要(yao)實(shi)時調度多(duo)臺機器(qi)人，根據地面條(tiao)件、交(jiao)通密度、任務優先級進行(xing)動態路徑規(gui)劃，并在執行(xing)過程中(zhong)不(bu)斷修正(zheng)策(ce)略。
同樣，在自動(dong)充(chong)電樁(zhuang)調度中，AI智能體必須預測未來負(fu)載(zai)峰(feng)值、識別車(che)輛類型、判斷電池狀態，并依據(ju)實(shi)時電網負(fu)荷做出最優分配。
當(dang)然，AIoT本身也(ye)在逐步完善。事實上(shang)，傳統的物聯(lian)網項目之所以經常(chang)陷入(ru)“連接而不(bu)智(zhi)能(neng)”的困(kun)境，根本原因(yin)在于缺乏一個能(neng)夠理解“為(wei)何連接”的智(zhi)能(neng)主(zhu)體。
在這樣的背景下，AI智能體的引入，不是錦上添花，而是結構性的升級。AI智能(neng)體(ti)不(bu)僅能(neng)夠對接感知的輸入，還能(neng)整(zheng)合業務規則、目標約束、系統能(neng)力(li)，形成具有自(zi)動規劃與適配(pei)能(neng)力(li)的行為輸出(chu)。
因此，只有當AI智能體深度嵌入AIoT系統，真正參與到物理世界的感知與行動中，才能具備真實的任務環境與反饋機制。
從“接入模型”到“場景智能”：AIoT需要的是系統，而非插件
AI智能體真正的價值，不在于調用某個API返回一個答案，而在于它是否具備面向任務的全流程能力，是否可以成為一個真正承擔責任的系統角色。也就是說，智能系統并不是簡單的模型嫁接，而是系統能力的重構。
在面向真實世界的AIoT系統中，單一智能體往往難以勝任全部任務。一個高度動態、任務多變的系統（如智能工廠、智慧樓宇或城市能源系統），需要的不是“一個統領全局的超級智能”，而是多個智能體在職責明確的前提下協同運行的系統性智能結構。
以智慧(hui)工廠為例，調(diao)度系(xi)統(tong)需(xu)要根據訂單與庫存狀態分配任務節(jie)奏，質檢(jian)系(xi)統(tong)需(xu)要判斷產(chan)品是否(fou)達標，物流系(xi)統(tong)要安排成品出庫路(lu)徑，而維護(hu)系(xi)統(tong)則要監控設備(bei)健康狀態并安排維修窗口。每一(yi)個(ge)子系(xi)統(tong)都具備(bei)自己的任務環境、數據接口與反饋(kui)機制，試圖(tu)用一(yi)個(ge)大(da)模型統(tong)一(yi)處理所有問(wen)題(ti)，不但效率低下，甚至可能(neng)因職責混淆而導(dao)致(zhi)系(xi)統(tong)性風險。
真正有效的架構，應該是多個具備專業能力的智能體，通過共享感知、有限通信與明確邊界，完成協同工作。這種多智能體協作模式，不僅更符合工程實踐的可維護性 與(yu)可擴(kuo)展性，也(ye)更貼(tie)合復雜系統的運行規律。
在融合(he)路(lu)徑上，AI智(zhi)能體承擔的(de)是(shi)(shi)認(ren)知與決策(ce)的(de)職(zhi)責(ze)(ze)，而物聯網設備則(ze)負(fu)責(ze)(ze)感知與執行的(de)任務(wu)(wu)。整個過程中，智(zhi)能體不(bu)僅是(shi)(shi)任務(wu)(wu)的(de)決策(ce)者，更是(shi)(shi)環境變化(hua)的(de)響應(ying)者與系(xi)統資源的(de)協調者。
反觀(guan)一(yi)些“偽智能”的(de)案例，常常淪(lun)為(wei)淺層(ceng)交互的(de)升級：控制臺加(jia)了一(yi)個(ge)語音助(zhu)手，家居系統增加(jia)了一(yi)個(ge)聊天界面，看似“智能體驗”增強，實則(ze)核心(xin)能力未(wei)變——系統沒有(you)真正(zheng)理解任務目(mu)標，設(she)備(bei)之間(jian)依然孤(gu)立運(yun)行(xing)，用戶的(de)意圖也(ye)未(wei)轉(zhuan)化為(wei)系統協同。這種(zhong)“換(huan)殼不(bu)換(huan)魂(hun)”的(de)做法，不(bu)僅(jin)難以帶(dai)來(lai)實質(zhi)性價(jia)值，還可能加(jia)劇用戶對AIoT的(de)誤解與倦怠。
值得投入卻容易走偏：智能體+AIoT正站在分水嶺上
當下，AI智能體(ti)與AIoT的融合正處在(zai)一個值得投入(ru)(ru)、但也極易誤入(ru)(ru)歧途的臨界點。
一方(fang)面，技術基礎日(ri)趨(qu)成(cheng)熟(shu)，似(si)乎一切條件都(dou)已就緒；另一方(fang)面，卻又充斥著(zhu)誤解、簡(jian)化(hua)與(yu)炒作，使(shi)得真正的價(jia)值落地變(bian)得更(geng)加復(fu)雜(za)而(er)艱難(nan)。
從(cong)技(ji)術(shu)(shu)演進的角(jiao)度來看，AI智能(neng)體與(yu)AIoT的結合(he)正(zheng)迎(ying)來前所(suo)未有的機會窗口。首先(xian)，物聯(lian)網設備(bei)(bei)的標準(zhun)化(hua)程(cheng)度顯著提高，通信(xin)協議、邊緣(yuan)計(ji)算框架、數據接口逐步統一，極大降低了(le)智能(neng)體部(bu)署(shu)與(yu)接入的門檻。其次，AI模型(xing)(xing)的微調與(yu)強化(hua)學習技(ji)術(shu)(shu)不斷成(cheng)熟，使得智能(neng)體具備(bei)(bei)了(le)從(cong)任務中學習、從(cong)反饋中優(you)化(hua)的能(neng)力(li)，這標志著它們開始從(cong)科研(yan)原型(xing)(xing)走向(xiang)可(ke)部(bu)署(shu)系(xi)統。
然而，正是因為技術變得看似“可用”了，風險也隨之變得更隱蔽、更誘人。
第一個常見的誤區，是將“接入大模型”錯當為“擁有智能體”。這種(zhong)幻覺(jue)危(wei)險的(de)地方在于，它成功地制造了“智(zhi)能(neng)感”，但(dan)卻沒有任何系統性(xing)的(de)智(zhi)能(neng)能(neng)力，一旦進入復雜環(huan)境，便暴露出決策紊亂、執行(xing)失控(kong)、無法追責等根(gen)本性(xing)缺陷。
第二個誤區，則是忽視任務的執行閉環。一個真正能(neng)夠落地的(de)智能(neng)體(ti)，必須擁有任(ren)務狀態的(de)跟蹤(zong)能(neng)力、執行路徑的(de)規劃與(yu)(yu)調整(zheng)能(neng)力，以及結果的(de)驗證(zheng)與(yu)(yu)反饋機制。
第三個更根本的問題，是缺乏場景設計能力。有效的AIoT系統，不是技術的集合，而是圍繞具(ju)體場(chang)景(jing)構建的智能任務網絡。這要求系統設(she)計者既懂技術，又懂業務流程，能夠把“感知-理解-行動-反(fan)饋”的閉(bi)環嵌(qian)入(ru)到(dao)真實的用(yong)戶(hu)路(lu)徑中(zhong)。
因此，AI智能體與AIoT的結合，是一條值得走的路，但絕不是一條可以“走捷徑”的路。
如何讓“智能體+AIoT”走出幻覺，扎根現實？
圖：CRMarena-Pro首個面向AI智能體的多輪企業級基準測試
當(dang)AI智能體與AIoT的(de)(de)融(rong)合逐漸成(cheng)為新(xin)一輪(lun)技(ji)術熱潮(chao)，如何(he)避免這一趨勢(shi)重蹈(dao)“科技(ji)泡沫”的(de)(de)覆轍(che)，成(cheng)為繞不開的(de)(de)問題。
歷史已反復證明，技術本身并不會失敗，失敗的往往是脫離現實的期待、脫節場景的設計、及缺乏治理的系統結構。
真正的智能系(xi)統，不是(shi)為Demo存在(zai)，而是(shi)為持續運行而構建。這意味著設(she)計初期就(jiu)必須面向(xiang)部署(shu)，考慮任務生命(ming)周期的管(guan)理、資源調(diao)度(du)的優化、異常(chang)狀態的處(chu)理，以及(ji)用戶與系(xi)統之間的長(chang)期交互。在(zai)這一過(guo)程中，一個系(xi)統性的評(ping)估框架(jia)是(shi)不可或缺的。
例如，Salesforce 推出(chu)了(le)首個面(mian)向智能體(ti)的多(duo)輪企(qi)業級(ji)基準測試(shi)CRMArena-Pro，提(ti)供了(le)一套面(mian)向任(ren)務完成率(lv)、多(duo)輪交互能力、策略合規性與系統安全(quan)性的綜合評估體(ti)系，使(shi)開發(fa)者能夠在早期就識別(bie)設計(ji)缺陷，避免“看起來很(hen)智能”的產品(pin)在真實環境中(zhong)崩(beng)塌。
站在企業戰(zhan)略(lve)與開(kai)發實踐的(de)角度，我們也需(xu)要一套判斷標準(zhun)，來(lai)識別(bie)哪些“智(zhi)能體+AIoT”項(xiang)目(mu)具(ju)有(you)真實價值，而哪些只是被營銷(xiao)包裝的(de)幻覺(jue)。
這四(si)個(ge)問題可能可以作(zuo)為初步的(de)(de)判斷基準(zhun)：其(qi)一，系統(tong)是否(fou)(fou)具(ju)備完整(zheng)的(de)(de)“感知-決策-執行-反(fan)饋”閉環(huan)？其(qi)二，是否(fou)(fou)解決了一個(ge)現實世界中(zhong)存在的(de)(de)效率瓶頸或(huo)人(ren)力痛點？其(qi)三，系統(tong)的(de)(de)運行是否(fou)(fou)可以用(yong)ROI、任務(wu)完成率、錯(cuo)誤率等指標進行量(liang)化評(ping)估？其(qi)四(si)，智能體是否(fou)(fou)作(zuo)為任務(wu)執行的(de)(de)參與者，而不(bu)僅僅是一個(ge)界面入口或(huo)數據查詢工具(ju)？
真正的智能，其標志不在于解決頂尖難題的巔峰表現，而在于橫跨所有簡單與復雜任務的持續、穩定、不出錯的泛化能力。
在某些行業，AI智能體(ti)的價(jia)值已經開(kai)始顯現。
在精準醫療領域，法國AI生物 技術(shu)公司Owkin構建的癌癥研究AI智能體整(zheng)合了超(chao)過百萬名患者(zhe)(zhe)的多模態(tai)數(shu)據(ju)，推(tui)動靶點(dian)識別、患者(zhe)(zhe)分類(lei)及臨床試驗優化，顯著(zhu)提(ti)升了個性化治(zhi)療水平。
在基礎設施與(yu)公共服(fu)務領域，智(zhi)(zhi)能(neng)(neng)體(ti)也正在推動(dong)傳(chuan)統系統的(de)智(zhi)(zhi)能(neng)(neng)重構。以金(jin)科環境(jing)自(zi)主研發的(de)“水蘿卜?AI智(zhi)(zhi)能(neng)(neng)體(ti)”為例(li)，該智(zhi)(zhi)能(neng)(neng)體(ti)已在無(wu)(wu)錫區域5座水廠上(shang)線，實現(xian)L4級無(wu)(wu)人(ren)值守運營，替代超(chao)過90%的(de)人(ren)工日常任(ren)務，使得運維(wei)團隊縮(suo)減60-70%，能(neng)(neng)耗(hao)降低15%，綜合運營成本下降35%，而且通過了工信部“AI產業創新場景(jing)應(ying)用案例(li)”權(quan)威評估。
寫在最后
智能體不是萬能鑰匙，AIoT也不是萬能容器。AI智能(neng)(neng)(neng)(neng)體的(de)真正(zheng)價值(zhi)，并(bing)不在(zai)于“讓設備更(geng)聰明”，而在(zai)于構(gou)建一種更(geng)具協(xie)同能(neng)(neng)(neng)(neng)力的(de)系統結(jie)構(gou)。智能(neng)(neng)(neng)(neng)體與(yu)AIoT的(de)結(jie)合，是推動AIoT從“連接”走向(xiang)“智能(neng)(neng)(neng)(neng)協(xie)作”的(de)關(guan)鍵轉折(zhe)點，但它絕不是技術(shu)演進的(de)終點。
事實上，如果我們只是為了“看起來(lai)更智(zhi)能(neng)”，便在每一個(ge)(ge)(ge)設備(bei)中部署(shu)一個(ge)(ge)(ge)大(da)模型、每一個(ge)(ge)(ge)系統(tong)中塞(sai)入一個(ge)(ge)(ge)智(zhi)能(neng)體(ti)，我們最終只會制造出一個(ge)(ge)(ge)個(ge)(ge)(ge)無法協同、難以(yi)維護的“偽智(zhi)能(neng)系統(tong)”。
真正值得追求的，不是每個設備都能對話，也不是每個終端都能推理，而是整個系統能夠圍繞真實任務形成動態、高效、可控的協作網絡。未來的AI創新，或許沒有驚艷的界面、流暢的語義生成，甚至也不那么“像人”，但它們能夠真實地承擔責任、解決問題、創造價值。
參考資料：
1. CRMArena-Pro: Holistic Assessment of LLM Agents. Across Diverse Business Scenarios and Interactions，來源：Salesforce AI Research
2. Agentic AI: the evolution of intelligent automation，作者：Paras Sharma，Joydeep Bhattacharyya，來源：Transforma Insights
3. Salesforce AI推出CRMArena-Pro：首個面向LLM代理的多輪企業級基準測試，來源：nxrte.com
