人工智能与生态大会2026主论坛精华摘要

笔者在此整理了主论坛专家分享的关键观点：

超级周期中的演进脉络

国家信息中心信息化和产业发展部主任以“词元经济学：AI时代的价值分配”为题，阐述了Token经济学的核心原理。

（1）人工智能正从训练期大步迈入推理期，Token调用量的爆发式增长，是AI大规模落地最直接的量化信号。

（2）大模型训练和许多AI应用，本质上依赖统计规律。目前正转向基于逻辑推理的路径。

（3）无论训练还是推理，都离不开Token，都需通过GPU实现。“AI依托于算力，算力依托于电力，即AI数据中心的能耗”。

（4）未来的算力服务将无处不在，实现普惠发展，人人可用，处处可用，按需供给。

（5）凭借我国发电能力和电网体系的优势，未来可拓展“外数内算”、数据跨境流动和结算等算力服务贸易。

清华大学全球产业研究院院长以“人工智能时代的幸福探讨”为题，从心理学视角，剖析了AI时代人类的独特优势。

（1）在处理信息方面，人类不敌AI。但人类的思想和信仰是独有的，比如：审美感、创造力、同理心、道德判断力、人生智慧等。

（2）不是让机器替代人类，而是人机协同。人类把握价值、把握方向。要提升提问能力。未来，人的创新力、毅力、成长力、坚韧等品质将变得更为关键。

IDC中国区总裁以“超级周期：AI产业变革与转型趋势”为题，结合市场数据，阐述了AI时代企业基础设施和平台应用建设的演变趋势。

（1）全球人工智能产业正进入自互联网浪潮以来最强劲的IT增长超级周期。

（2）一端是数据中心、GPU等基础设施持续扩展，支撑大规模推理需求；另一端是企业AI应用从试验走向生产，智能体开始跨系统调用数据、规则、API和工作流，推动企业软件从“人的操作界面”转向“智能体可调用的业务能力集合”。（如：传统SaaS的价值向AI代理平台迁移，对人的入口大幅缩减，前端变得更薄，后端变得更厚）

（3）预计到2029年，中国生成式AI市场规模将逼近千亿美元，年复合增长率约68%。

企业实践落地探索

浪潮信息董事长以“AI原生企业的组织进化”为题，从AI发展特点出发，介绍了公司组织体系持续适配与革新的情况。

（1）前三次产业革命更多是改变了工具，AI改变的更多是劳动者，是智力革命。

（2）AI原生转型的重点正从个人提效转向组织进化。企业推动管理对象从人、财、物，扩展到人、数字员工、数据和智能能力。一个组织要进行AI转型，先要建立文化认同（一把手工程）。

（3）AI知识的广度、深度以及创造力远超人类（例：AI设计的发动机，埃尔德什几何猜想）。要重视人与机器的长期协作。

（4）人都会犯错，但为什么企业还是能健康运转？因为有组织，能够控制人类所犯的很多错误

—>AI也会犯错

—>提出了AI治理：最大价值地发挥AI的智力贡献，同时要管理好AI工具，控制风险，稳健高效

—>提出了元脑Humagent管理平台，对Agent的一套管理体系

—>KPI的关注点不应是人和机器谁强，而是AI与员工怎样更加高效地协作。

（5）AI可以承担标准流程和动作，人要聚焦在战略性、前瞻性工作。把高风险、敏感的、例外的情况交给员工，发挥最后监督者的作用。

美的集团美云智数副总裁以“智能体驱动制造业全流程重构与价值升级”为题，从制造业企业的角度，介绍了AI技术的应用与思考。

（1）随着AI智能体应用的不断深化，场景切分会越来越细，开始从单点提效走向重构整个制造工艺和流程，在真实产业场景中接受验证。通过智能体工厂，点点滴滴争取每一分钟的改善、每一秒钟的绩效，提高工厂生产实效（如：设备管理、产品品控）。

（2）强调转型过程关键是数智化人才的体系化培养（例如：如何与模型互动，与知识对话，写提示词，以及敢于改变的勇气），这是基本功。

阿里云Qoder解决方案总监以“企业级AI Coding解决方案”为题，介绍了Qoder在阿里内部落地，搭建起真人+数字员工团队。

（1）开发者的角色正从编写代码转向定义需求、制定规范和管理智能体，而编码、测试、修复等执行工作更多由智能体完成。通过多智能体协同，通过定义知识引擎、专家套件等，实现效率提升（如：HR面试，客户关系维护）。新的模式：一个正式员工带着多个数字员工工作。

（2）在企业组织中，人与AI协同的重要因素：决策链路不能太长；人才队伍建设（AI咨询师）；开发协作的成本要低；工作流程的闭环验证。所以这个团队不适合人员太多。

腾讯资深技术产品专家以“从对话到执行的企业智能体规模化落地”为例，结合AI Agent服务、上下文工程等，介绍了智能系统在企业组织中的实践。

（1）当前企业智能体落地的瓶颈已从理解能力转向执行能力。企业不需要更聪明的聊天机器人，需要的是能干活、靠谱、可控的数字员工。从理解到执行，这是从"能聊"到"能干"的质变。

（2）借助7*24的企业数字员工，进行拆活、派活、并行、回流，由人来派发任务目标，验收结果，形成执行闭环。

创新公司的服务探索

Kimi大模型负责人以“开源AI加速探索智能上限”为题，介绍了开源大模型研究及应用情况。

（1）开源模型让编程技能释放到更多人的手中，推进开源生态建设。可能也逐渐从程序员拓展到更多原来不会写代码的工作者（从3000万程序到10亿知识工作者）。

（2）通过Agent集群来提升任务的复杂度，实现规模化的输入、输出、执行、编排。

（3）下一步，AI可以更多地指导AI本身的研究，有更多的AI模型参与到下一代AI模型的开发。

素源矩阵创始人以“打造智能体时代的超级个体，当AI走进工厂”为主题介绍了实战案例与思考。

（1）对于工业而言，AI智能体有价值的地方不是模型的准确度有多高、统计数字看起来多么漂亮，而是它最终能不能进入生产的决策，能不能进入生产报表，变成质量、成本和利润。（日产5000吨水泥的工厂，从20年老师傅的经验到数据的运用）

（2）模型回答的是原理上能不能行；产品要回答的是这家工厂今天能不能用、敢不敢用、愿不愿意为此付费。搞科研的人，往往不是卡在中间最难的一个公式上，而是卡在技术和产品之间，在执行的泥潭里动弹不得。

（3）所谓的超级个体，不是一个人干完所有事，而是一个专业的个体调度一组智能体：设定目标和边界；选用哪些专业的东西；验收关键的结果；最后对结果负责。

（4）过去稀缺的是你会不会完成一项具体任务；今天稀缺的是你能不能定义问题，调动智能体，判断结果；始终稀缺的是真正的专业理解、边界意识，是为结果负责的担当。

未来已来

正如有专家提到，人工智能开源模型打破了少数闭源模型对智能能力的垄断，开放生态则进一步把模型能力扩散至平台、工具、场景、组织和开发者中，推动AI从“可用”走向“规模化可用”。

从经济发展的引擎、社会心理的变化，到用户友好型工具的涌现与应用、更多实战场景的验证，AI产业正在推动着各领域的生产生活，发生越来越多的变革与增长点。