从2024年末开始，随着Manus等自主智能体的发布，人们似乎已经看到了AI从对话框走向全自动执行的未来。大家期待2025年会成为Agent元年。
然而，当我们把视线从硅谷的Demo拉回真实的产业现场，一种巨大的错配感油然而生。AI在实验室里能写代码、做规划，但在企业的核心决策流和工厂的生产线上，它依然像个局外人。
为何在模型能力狂飙突进的今天，AI依然难以在产业深处落地生根？
在2025腾讯ConTech大会暨腾讯科技Hi Tech Day圆桌论坛上，由清华大学智能产业研究院（AIR）助理教授、智源学者赵昊担任主持，与四位嘉宾——明略科技创始人、CEO兼CTO吴明辉，智平方副总裁邱巍，苏州明义微电子技术有限公司创始人、CEO朱总，以及清华大学经济管理学院可口可乐讲席教授、清华大学经济管理学院互联网发展与治理研究中心主任陈煜波一起，撕开了繁荣表象下的技术与产业断层。
以下为圆桌实录，经腾讯科技整理：
赵昊：大家好，我是来自清华智能产业研究院的赵昊。从2024年末开始，随着Manus等自主智能体的发布，人们似乎已经看到了AI从对话框走向全自动执行的未来，大家都在期待2025年会成为“Agent元年”。然而，当我们把视线从硅谷的Demo拉回真实的产业现场，一种巨大的错配感油然而生。AI在实验室里能写代码、做规划，但在企业的核心决策流和工厂的生产线上，它依然像个局外人。为何在模型能力狂飙突进的今天，AI依然难以在产业深处落地生根？
今天我们邀请到了四位来自不同领域的重磅嘉宾：有做大企业数据分析的明略科技吴总，有深耕具身智能的智平方邱总，有解决芯片底层供电难题的明义微电子朱总，以及从经济学与组织架构视角进行观察的清华经管学院陈煜波教授。我们将围绕“困境”、“解法”与“未来”三个维度，撕开繁荣表象下的技术与产业断层。
01
困境深水区：沉默的知识与物理的极限
赵昊：我们先进入第一部分：困境。AI要赋能产业，各位在各自深扎的领域里，究竟遇到了哪些具体的、难以逾越的障碍？首先请问吴总，明略科技服务了全球30%的500强企业，在您看来，阻碍AI在企业管理和流程中发挥更大作用的核心困难是什么？
吴明辉：这确实是一个非常有意思的话题。大家都在说AI落地，其实所有搞IT的人本质上一直都在做“自动化”，也就是广义的AI。但今天我们谈论的AI，是指基于大模型、拥有多模态能力、能连接各种软件工具并形成闭环的Agent AI（智能体）。
如果从数据分析和企业决策这个场景来看，我认为AI落地面临着“三层数据壁垒”的挑战，其中最难的是第三层。
第一层是公开数据：互联网上能获取的数据，或者像明略旗下秒针系统这种第三方分析软件积累的数据。这部分AI处理得已经很好了。
第二层是企业私有数据：企业内部的ERP、CRM数据。像Palantir、Databricks这些公司之所以估值高，就是因为他们在解决如何安全地把模型与企业私有Data连接起来的问题。但这在技术上是可解的。
第三层，也是最难的一层，是“隐性知识”与“语境”。
什么意思？企业里真正决定商业成败的决策，往往依赖于决策者脑海中那些未被显性化、未被记录在数据库里的信息。
当前的AI Agent就像一个拥有顶级学历、智商极高，但完全不懂公司“潜规则”和历史背景的实习生。如果无法提取这些非结构化的决策逻辑，无法理解老板为什么在数据A和数据B之间选择了看似不合理的B，那么AI就只能做辅助（Assistant），而无法真正做代理（Agent）。
赵昊：这个观点非常犀利。AI无法获取决策者脑中的“思维链”（CoT），这就导致了它永远只能在这一层之外徘徊。接下来请问邱总，具身智能是公认的难点，既要聪明又要快，还要保护隐私，您在高端制造的一线发现了哪些“坑”？
邱巍：具身智能是AI与物理世界交互的桥梁。在落地高端制造的过程中，我们发现了三个维度的挑战：
第一是“聪明与速度的博弈”。现在的模型泛化能力很强，比如我们能让机器人完成PCBA（印制电路板组装）的全流程，包括进料、分拣、上托盘、推送到上料口。这是一个复杂的长程任务，AI能“思考”明白。但是，节拍（Beat）能不能跟上？工厂的流水线是不等人的。模型在进行长程复杂思考时，推理延迟会导致动作变慢。我们现在尝试用“快慢系统”拆分来解决，但要达到熟练工人的速度，软硬件的配合还需要时间。
第二是“数据治权与工艺壁垒”。这就呼应了吴总刚才说的隐私问题。在家庭场景，叠衣服的数据不敏感；但在高端制造业，数据就是身家性命。机器人的每一个动作轨迹、力度、参数，背后是这家工厂的核心工艺流程。企业会问：我的数据是在本地训还是上云？这涉及“数据治权”。这种隐私壁垒导致我们难以获得足够的高质量工业数据来训练模型的泛化能力。
第三是“对工艺的重构”。我们不仅要适应现有的工艺，更要用算法的视角去重构工艺。这需要极深的行业Know-how，是纯算法公司很难跨越的门槛。
赵昊：看来高端制造的“工艺参数”和企业高管的“决策逻辑”一样，都是AI难以触碰的秘密。接下来我们把视角转到底层硬件。朱总，大家都在谈算力瓶颈，您提到电力也将成为巨大的瓶颈，甚至可能导致系统崩溃？
朱总：是的，这是一个物理世界的硬约束。AI带来的算力增长，正在以一种甚至超越摩尔定律的速度消耗能源。
我们可以做一个对比：CPU时代一个机柜的功耗大概是十几千瓦（KW）。而在AI时代，现在主流的英伟达Blackwell架构，单机柜功耗正在逼近兆瓦级（MW）。
这是什么概念？一个AI智算中心几千个机柜，其耗电量就相当于一座中小型城市的总负荷。马斯克最新的数据中心甚至需要2个GW的电力。这意味着，AI行业可能将消耗全人类10%以上的电力。
这带来了三大挑战：
电从哪来？我们需要核聚变等新能源，这一点中国有优势（光伏、水利）。
电怎么进？在如此高的功率密度下（单机柜1MW），传统的供电方式（从十几千伏变压到380V交流电）效率太低，大概有20%-30%的电损耗在了路上。所以现在行业正在推行800V高压直流架构，试图把效率提上去。
瞬态不稳定性。GPU在运行大模型时，负载不是恒定的，而是会发生剧烈的瞬态跳变。这种毫秒级的巨大波动，极易击穿现有的供电网络，导致系统“挂掉”。对于训练大模型来说，跑着跑着因为供电不稳断了，损失是巨大的。
陈煜波：我补充一点。刚才三位从数据、硬件、能源谈了瓶颈，其实从社会学角度看，最大的瓶颈是“技能的演变”。
大家担心AI替代人，其实AI替代的是旧的技能。就像当年“自动化”这个词在日语里是“人”字旁加一个“动”，意思是人与机器的协同。现在的困境在于，我们的组织架构和管理流程，还没有学会如何“骑马”。我们还在用管理人的方式管理AI，或者试图让AI去适应旧的流程，这种错配才是落地难的根源。
02
破局方法论：渐进式接管
赵昊：听完大家的分析，感觉困难重重。数据拿不到、电力跟不上、隐私有顾虑。那么，2025年如果Agent真要落地，解法是什么？请吴总先谈谈。
吴明辉：既然直接追求全自动（L5级）不切实际，我认为解法是：分级治理，从OLAP向OLTP进化。
我们可以借用数据库领域的概念
●OLAP（在线分析处理）：比如做报表、分析数据趋势。这类任务容错率高，AI算错了大不了重算，不会导致公司倒闭。
●OLTP（在线交易处理）：比如银行转账、订火车票。这是Mission Critical（关键任务），一旦出错，后果严重。
Agent的落地也应遵循这个路径。2025年，我们应该先让Agent在OLAP类场景中大量试错、应用。比如明略的DeepMiner，它可以做非常复杂的数据挖掘，即便只有90%的准确率，人稍微把关一下就能用，效率提升是巨大的。
在这个过程中，我们建立人机信任，积累Corner Case（长尾数据），然后再逐步让Agent介入到OLTP类任务中。就像自动驾驶，先有辅助驾驶，再有人类监管的自动驾驶，最后才是无人驾驶。这不是技术的妥协，而是商业落地的必然规律。不要指望一步到位做全自动，而是设计好“人机接管”的机制。
赵昊：这个分级策略非常务实。朱总，针对电力的瓶颈，您这边的解法是什么？
朱总：我们的解法是“架构重构”。为了解决单机柜兆瓦级的供电难题，我们正在配合英伟达和谷歌推动800V直流供电架构。通过提高电压等级，减少传输损耗，同时利用我们最新的电源管理芯片技术，去解决GPU负载瞬态跳变的问题，确保在纳秒级的负载变化下，电压依然稳定。
此外，从宏观来看，算力中心必须跟着能源走。中国西部有丰富的水电和光伏，未来的算力基建一定会与绿色能源深度绑定。这不仅是技术问题，也是国家的战略优势。
陈煜波：破局的核心在于“人机融合”。刚才吴总提到了“人机协同”，我想更进一步叫“融合”。未来的组织中，人不再是指令的执行者，而是AI Agent的指挥官。我们需要重新定义每一个工种：哪些是AI做的，哪些是人做的，哪些是人机一起做的。
特别是管理者，过去是基于经验做决策，未来是基于“机器理性+人类直觉”做决策。这种“骑马方式的改变”，是企业数字化转型的深水区。谁能最先构建出这种人机融合的组织架构，谁就能最先吃到Agent的红利。
03
未来图景：干二休五与技术的自我进化
赵昊：我们聊了当下的困境和解法，最后请各位展望一下未来。如果跨越了这些障碍，未来5-10年，AI将把我们带向何方？
邱巍：具身智能将有一个明确的时间表。这一次AI与物理世界的结合是不可逆的。我认为2-3年内，具身机器人将攻克高端制造，解决复杂工艺的自动化问题。3-5年内进入公共服务领域，比如机场行李搬运、物流分拣。5-8年内真正走进千家万户。
届时，机器人将不再是昂贵的玩具，而是能做保姆、能养老、能干家务的家庭标配。这将得益于Scaling Law（缩放定律）带来的模型泛化能力提升，以及硬件成本的快速下降。
朱总：我看到了一个更科幻但也更具冲击力的未来：AI设计AI，技术闭环的到来。最近英伟达收购了EDA（电子设计自动化）巨头Synopsys，这是一个强烈的信号。
未来，AI将开始设计AI芯片。当AI能够自我优化底层的算力底座，甚至重构EDA软件、优化存储和计算架构时，算力的摩尔定律将被AI自己重新改写。那时候，AI不仅是软件工程师，也是硬件工程师。这种自我迭代的速度，将是我们现在无法想象的。
吴明辉：我最期待的是生产关系的根本性变革，具体来说就是“干二休五”。现在的工业体系消耗了大量的能源和人力。未来，随着Agent真正从助理（Assistant）进化为代理（Agent），人类绝大部分重复性的脑力劳动和体力劳动都将移交给AI。
在我们的有生之年，工作制可能会变成“干四休三”，甚至“干二休五”。人类将从不得不做的工作中解放出来，去从事两件事。第一是AI For Science，探索科学的边界，研究更底层的自然规律。第二是享受生活，包括消费、艺术、创造。这将解决就业问题、科技问题和消费问题。这是我作为技术从业者最想看到的终局。
陈煜波：总结大家的发言，我想用一个词来概括未来，那就是“融合”。
这个融合包括数实融合，AI作为通用技术赋能实体经济。业态融合，让制造业和服务业的界限消失，所有行业都是基于AI服务的行业。软硬融合，意味着算法必须通过硬件（如机器人、智能眼镜）感知物理世界。人机融合，让决策链条中不再区分人与机器，二者合二为一。
最后我想说，科学家负责突破生产力的天花板，而企业家负责重构生产关系。今天的嘉宾有科学家，也有企业家。面对AI这个庞大的新物种，旧有的能源、数据与组织形式确实“装不下”了。但这正是企业家的机会。去发明新的生产关系，去设计新的组织形态，去解锁下一个增长范式。
赵昊：感谢陈老师高屋建瓴的总结。
从数据孤岛到电力极限，从渐进式接管到人机融合，今天的讨论让我们看到了Agent落地路上的荆棘与鲜花。破局之道，不在于等待一个完美的模型，而在于在不完美的现实中，通过软硬融合、数实融合，去一步步逼近那个“干二休五”的未来。
感谢各位嘉宾的精彩分享，本次圆桌论坛到此结束。"