价值重构：智能体不是“更好的 RPA”，而是“任务目标驱动”的新范式

论坛一开场，主持人周俊临便把第一个问题抛给全场：智能体与RPA（机器人流程自动化）、低代码的本质区别是什么？

刘丹的回答直接切中要害。在他看来，RPA 代表的是“以流程为导向的自动化”，而智能体代表的是“以任务目标为导向的智能化”。前者把已经定义好的流程执行得更高效，后者则能够面对模糊目标自主拆解、调用工具、完成任务。“深度训练之后，智能体已经能够部分取代人的工作。”刘丹甚至给出了一个大胆的判断：人类认识世界的方法与智能体认识世界的方法相似度超过 90%，辅以具身智能，未来智能体将能承担 90% 以上的人类工作。

罗引则从工业场景出发，把智能体的价值拆得更细。他将工业场景分为生产流程、企业运营、产品创新三个层次。RPA 和低代码只能解决生产流程最表层、重复性最强的环节，不具备决策、推演和感知能力；而智能体不仅能理解场景，还能把模型能力与丰富的工具调用能力串联起来，像人一样组合工具解决复杂问题。在现场，他特别提到刚刚发布的 UMind：“它能够适应不同场景，用不同的专家模型、专家智能体去组合起来解决问题，这对降本增效是一个非常好的机会。”

唐明伯进一步把智能体划分为“1.0”和“2.0”两个阶段。1.0 是具备工具调用能力的智能体，其价值已经体现在报告生成、数据抓取等具体任务中；2.0 则是具备自驱动能力的“数字员工”。他特别强调，这里的“同事”不是数字人，而是能够独立承担岗位任务的智能体。这一划分，实际上为企业的智能体建设划定了一条从“工具辅助”到“员工替代”的升级路径。

落地密码：大模型只是“大脑”，真正决定边界的是知识与数据

“通用大模型一到具体场景，能力衰减非常严重：普通用户可能 90% 满意，专业用户却只有三四十分。”罗引的这句话，点出了当前智能体落地最大的隐痛。

他指出，突破边界的关键不在通用模型本身，而在三个层面：领域知识、高精度数据、工具与模型组合。领域知识需要完成本体化，才能真正被模型理解；生产环境中的高精度数据则需要与小模型打通，再由大模型基于知识进行驱动。只有把这三者组合起来，智能体才能从“Demo 能用”变成“产线可用”。

唐明伯则从投资人的视角给出了一个更直白的结论：没有行业积累的通用智能体，不值得投。

“通用人工智能的语料来自日常交流和公开文献，缺少行业垂直知识。”唐明伯说，一个细分行业几十 T 的专业资料训练出来的垂直模型，在准确率和减少幻觉方面的表现，是通用大模型无论如何都达不到的。因此，他判断每个中大型垂直行业最终只会留下 3~5 家头部企业拿到投资。“要快、要早。手上最大的价值就是你曾经服务过的客户数据——当然，必须清洗，必须获得授权。”

张继华从TGV（玻璃通孔）这一“硬核”制造场景出发，提供了制造业用户的真实体感。他坦承自己不是计算机专业出身，但正是作为“初级用户”，才能直观感受到智能体带来的“质的飞跃”：它不再是一台机器，而是一个“同事”，可以自主帮助解决质量问题。对于 TGV 这种高精度制造，他认为智能体在工艺制造、生产管理、质量检测等环节都有巨大空间，只是目前还处于“双向奔赴”的初期——TGV 既需要 AI 提升自身能力，也可以为 AI 和高算力芯片的封装提供硬件支撑。

生态共建：分层推进、价值共创、加速本地化

智能体进入企业，从来不是一家公司能闭环完成的事。它需要算法、算力、数据、行业Know-how，甚至资本的协同。那么，生态该如何建？数之联这样的平台型企业又该如何定位？

唐明伯给出了两条具体建议。一是企业分层推进：对于董事长没有IT背景的企业，可以从 WorkBuddy 这类通用办公智能体切入，做科普和市场培育；对于京东方这类数字化基础扎实的企业，则可以直接上 UMind 这样的专业工业智能体和数字员工。二是算力、智能体、数据全面本地化。他以合同机密为例反问：一份写着采购金额、赔偿条款的合同，放到公网去问通用大模型，这合理吗？随着端侧算力爆发，办公和工业智能体的本地化将在两三年内快速普及。

罗引则在商业模式上提出建议。他认为，to C大模型可以“羊毛出在猪身上”，但 to B 智能体更适合与用户价值共创：通过帮助客户降本增效，再从效能提升中获取收益回馈。这一模式如果设计得当，将比单纯的软件授权更可持续。

刘丹用嘉立创的案例提供了一个更具野心的视角。嘉立创通过免费的学生版EDA 工具培养了海量潜在用户，再通过企业级服务、供应链管理和元器件差价盈利。刘丹认为，智能体赋能工业也可以借鉴这一思路：用轻量化的智能体，让数以百万计的中小企业先用起来，培养用户习惯，再逐步升级。

张继华的回应则带着制造业的务实。他认为，智能体真正落地必须“有载体、有场景”，只有把智能体与具体应用场景紧密结合，才能产生价值。对 TGV 而言，这意味着从工艺、生产管理到质量控制的全链条合作。

未来图景：从“数字员工”到 AI 平权

论坛最后，每位嘉宾用一句话总结了自己的判断。

罗引相信大势已至，关键是“把路走对”。刘丹带着期待而来，也带着信心离开，京东方案例已经证明，UMind 在部分场景节省了 80% 的人力，品质合格率也进一步提升。张继华呼吁大家“积极拥抱智能体，拥抱小U”，同时用 TGV 为智能体提供硬件支撑。唐明伯则勾勒出一条从云端通用智能体，到工厂级局域智能，再到边缘、端侧本地智能的演进路径。

而刘丹的发言，或许最贴近这场讨论的终极意义。他说，所有带屏的硬件里，未来都会住着一个甚至N个智能体；当 to C 智能体以专家顾问的方式普及时，普通人将拥有过去只有专业人士才能获得的判断力——“AI 平权”将让人类社会进入下一个文明跃迁阶段。

从UMind 的发布到圆桌的交锋，不难看出，智能体真正要“破局”，靠的是对垂直行业的深刻理解；真正要“落地”，靠的是知识、数据、算力与商业模式的协同。数之联选择从工业质检切入，正在这条路上迈出关键一步。而当更多企业、资本、研究机构加入这场“双向奔赴”，智能体才有望从发布会上的明星产品，变成工厂里随处可见的“新同事”。