2026 年 7 月 20日，2026 世界人工智能大会暨人工智能全球治理高级别会议在上海闭幕。

图为当天，参观者从写着“芯火燎原”的广告牌前经过

  《环球》杂志：AI智能体真正进入企业业务，最大障碍是什么？如何应对？

　　段永朝：最大的障碍是思想与认知的更新跟不上，用“认知重启”来表述，可归结为三个层面。

　　一是智能技术与传统技术存在根本性的不同。传统技术是“死”的，按预设规则运行；智能技术是“活”的，能适应情境、生成方案、参与行动。如果用管理“死”工具的方式管理智能体，就会出问题。

　　二是智能经济的本质。智能经济的本质是互联互通、数字孪生、产消合一。前提是数据“活”起来，即持续连接现实、更新状态、形成行动反馈，而不是静态存放。

　　三是人机再分工。人将持续从大量重复性生产劳动中转移，角色转向目标设定、价值判断、异常处理与责任承担。

　　这些思想层面的障碍，最终都落在实践上：旧流程不变、权限不清、责任悬空、数据断裂等。真正的门槛，不是智能体能不能干活，而是企业能不能把行动、权限、监督与责任组成一个闭环。

　　周鸿祎：最大障碍不在于技术本身，而在于组织与流程没有适配AI时代。很多企业沿用AI出现之前旧的工作流程、岗位定义，即便个体使用AI提升单点效率，组织整体效率依然难以提升。另外智能体本身具有不确定性，存在失控风险，如果缺少“以模治模”的安全约束，没有给智能体设置权限隔离，人类没有保留最终监督干预权，智能体直接操纵业务系统会带来严重安全威胁。

　　白惠天：在已具备基本模型能力的场景里，我认为最大的障碍是企业没有把业务知识、系统权限和组织责任，转化为智能体能够稳定执行的工作安排。模型会回答问题，与一个系统能够持续承担业务，中间还有很长的距离。建议企业先选一个边界清楚、能衡量结果的业务，把数据、权限、异常处理和负责人一起安排好。先把一个流程持续跑通，再扩大范围。智能体进入企业，需要技术能力与组织承接能力共同成熟。

　　宋亚宸：从我们的视角看，最大障碍是AI输出能否直接进入生产流程。可用性是AI智能体进入企业业务的核心卡点。VAST在工程方面投入了大量精力，如我们的Tripo H3.1生成的模型可以一键进入3D打印流程，不需要手动修复；我们的智能拆分功能可以在一分钟内按语义结构自动拆分部件，省去了打印前繁琐的模型处理，也能更好地被智能体理解和调用。另一大障碍是信任问题。企业不需要一个偶尔惊艳的AI工具，更依赖一个稳定可靠的生产力组件。

　　李蒙：在应用层面，目前最明显的是一些大模型、智能体提取的数据存在真实性、准确性问题。很多机构从技术和商业保密等角度考虑，对外发布的信息的真实性是打了折扣的。同时，模型本身易受提示词影响，不同提示词或不同时段进行搜索，显示结果有时相互矛盾。应建立更具行业针对性的AI大模型，在数据录入甄别方面下大功夫，最好有一定的立法约束。

　　王传东：真正的核心障碍是“信任”——企业敢不敢把真实的业务流程、核心数据和操作权限放心交给智能体。今天AI竞争已从“模型能力”转向“系统能力”，智能体的核心价值也从“给出答案”升级为“完成任务”。企业落地智能体的真正卡点，集中在上下文工程、交付集成、全链路安全治理三个非技术维度。

　　问题解决方面，联想把所有复杂的工程化门槛“包下来”：从百应智能体的多模式部署，到擎天智能体集市的免安装体验，再到xCloud智能云的私有化方案，以“软件+硬件+服务”的全栈能力让企业“开箱即用”。

　　郝彬彬：最大障碍在于物理世界的适配成本和业务流程的重构成本。纯软件AI可以快速部署，但具身智能、工业级AI要落地，需适配真实的物理场景、对接企业现有的业务流程、符合严苛的安全标准。比如我们的无人配送车进物流园区，要适配园区的门禁、调度系统、作业流程；清洁机器人进写字楼，要匹配物业的保洁标准、人员的作息时间。很多企业的AI最后变成“演示项目”，原因就是只解决了技术问题，没解决工程和流程问题。通通达的做法是从标杆场景切入，先跑通单一场景的完整商业闭环，验证投资回报率后再规模化复制，把适配成本摊薄。

　　薄满辉：AI智能体能否真正发挥作用，关键在于企业内部如何构建一种适合AI智能体开展业务的环境，包括业务所需的数据基础是否完备、人机协同的管理模式是否有效、重要数据的保护机制是否到位等。

　　陈录城：工业智能体落地的最大障碍在于四大现实难题：第一，工业中大量高价值的知识来自老师傅、工艺专家的隐性经验，散落在人的脑子里，很难被标准化、数字化沉淀。第二，工业数据质量参差不齐，采集、标注、治理难度大。很多工厂数据碎片化，数据准备不足，即便拥有好的大模型，也训练不出可用的业务智能体，AI因此“能说不能做”，只能做对话演示，无法介入生产控制。第三，业务流程和组织没有同步重塑，出现AI外挂，业务和AI两张皮。第四，单点试点容易，规模化复制难。卡奥斯的解决路径是构建工业世界模型，沉淀标准化工业本体与机理知识，打造工厂级、企业级、领域级三级智能体集群，把单点成功沉淀为标准化能力，再向行业复制推广，破解规模化落地难题。

　　范振发：我们在研发过程中发现，要实现理想中的建筑智能场景，最大的障碍往往不是AI算法，而是设备之间的信息孤岛。不同厂商的设备采用不同的通信协议、数据格式和控制逻辑，即使单个设备已经具备智能化能力，也可能无法与其他设备有效协同。数据不能互通，系统就难以形成完整的感知、分析、决策和控制闭环。产业需要推动设备接口、数据模型和通信协议的标准化，同时建立安全控制、权限管理和责任边界。

　　郭人杰：结合我所在行业来说，当前具身智能发展的最大瓶颈仍在于机器人大脑无法实现类人脑的有效突破，技术本身遇到了实质性挑战。为此，乐享科技从一开始就瞄准人工智能“大脑”这个关键卡点，将其作为当前及下一个阶段科技竞争的突破口和制胜点。我们摒弃传统架构路径和语言模式，从第一性原理出发，从研究单细胞生物活动开始，认真思考人类进化、人脑构成、神经传递等，提出以神经元分配为核心、以能量流动为根基，从而实现物质与意识连接的“以太大模型”（Aether）。该模型的一个重要特征是具有元认知能力。

　　在此基础上，我们构建了一套从“大脑”到“脊髓”的完整仿生神经通路，对应人类大脑和脊髓神经系统，实现信息流双向贯通，感知、思考、行动、反馈形成闭环链路，从而进化出真正的智能，真正服务于人的智能。我们对大模型最终的想象是“心智超越”，它会持续超越人类。