百度沈抖提出产业智能体操作系统，聚焦大模型落地实体经济

2026-09-18 12:43 0 阅读

大模型不能只停留在PPT里

9月16日，在北京举办的2026智能经济论坛上，百度集团执行副总裁、百度智能云事业群总裁沈抖没讲太多技术参数，而是直接点出一个行业痛点：大模型热了几年，但很多企业还是不知道怎么用它赚钱。

他说，现在围绕办公场景的AI应用已经卷得不行——写邮件、做会议纪要、整理文档，这些功能几乎每家都在做，但对企业核心业务影响有限。“办公智能化本质上只是原子级能力”，沈抖直言，“它解决的是效率问题，不是增长问题。”

真正的问题在于，如何让AI进入工厂车间、电网调度、物流仓储这些复杂、非标、高风险的生产环节。这些地方没有标准接口，流程千差万别，容错空间极小。通用大模型在这里常常“水土不服”。

为了解决这个问题，沈抖正式提出“产业智能体操作系统”的架构。这个系统不是单一模型，而是一个由三类智能体组成的协作网络：

通用智能体：负责基础认知和跨领域任务，比如理解自然语言、调用工具、规划简单流程。它像一个“通才”，能快速响应各种请求，但不深入细节。
专业智能体：扎根特定行业，内置了该领域的知识图谱、操作规范和安全标准。比如电力行业的专业智能体知道变电站巡检的国标流程，化工行业的则熟悉反应釜的压力阈值和应急处置方案。
定制智能体：完全贴合某一家企业的业务逻辑，甚至能对接其ERP、MES或SCADA系统。它了解这家公司的排产规则、客户合同条款、设备维护周期，能做出符合内部决策习惯的建议。

这三者不是割裂的。一个工厂的定制智能体在遇到超出自身知识范围的问题时，可以调用专业智能体获取行业最佳实践；如果连专业智能体也搞不定，再回退到通用智能体尝试通用解法。

沈抖认为，大模型正处在一个关键拐点：技术突破曲线和经济增长曲线开始分离。模型越做越大，但企业营收没跟上。如果不解决落地问题，AI投资可能面临“雷声大雨点小”的尴尬。

他举了个例子：某制造企业部署了AI质检系统，初期准确率很高，但产线换了一种新材料后，模型立刻失效。原因很简单——训练数据里没有这种材料。这时候，光靠通用模型微调远远不够，必须有懂材料科学的专业智能体介入，同时结合该厂的历史工艺参数（定制层）重新校准。

这种深度耦合，才是产业智能体的价值所在。它不是简单地把大模型“塞进”现有系统，而是重构人机协作的方式。比如在能源调度场景，专业智能体可以基于气象、负荷预测和电网拓扑实时生成调度方案，而定制智能体则确保方案符合该省电力公司的内部审批流程和应急预案。

当然，这套架构听起来很理想，但实施起来挑战不小。首先是数据壁垒。很多企业的核心业务数据根本没数字化，或者分散在几十个孤岛系统里。没有高质量数据，定制智能体就是空中楼阁。

其次是人才断层。既懂AI又懂炼钢、懂制药、懂港口运营的复合型人才极度稀缺。百度的做法是和行业协会、龙头企业共建行业知识库，把老师傅的经验转化成结构化规则，再喂给专业智能体。

最后是信任问题。在关键生产环节，企业不敢把决策权完全交给AI。所以当前阶段，产业智能体更多扮演“超级助手”角色——提供选项、解释依据、预警风险，最终拍板还是人来做。

沈抖也提醒，产业智能体并非万能药。对于流程标准化程度高、数据完备、容错空间大的场景（如客服、营销文案生成），通用智能体已经足够。但对于涉及人身安全、重大资产或强监管的领域（如航空、医疗、金融风控），必须走“专业+定制”的深度路线。

他透露，百度智能云目前已经在钢铁、电力、汽车制造等领域落地了多个试点项目。其中一个案例是帮某大型钢厂优化高炉燃烧效率。定制智能体接入了实时传感器数据，专业智能体提供了冶金热力学模型，通用智能体则负责协调不同子系统的通信。最终实现吨钢能耗下降2.3%，年节省成本超亿元。

说到底，大模型变现的“最后一公里”不是技术问题，而是业务问题。AI必须嵌入到企业的价值创造链条中，而不是作为一个孤立的工具存在。

沈抖打了个比方：过去企业买软件，是买一个功能模块；现在部署智能体，是引入一个能持续学习、适应变化的“数字员工”。这个员工不仅要会干活，还得懂规矩、守纪律、能协作。

产业智能体操作系统的意义，就在于提供一套让这类“数字员工”规模化上岗的基础设施。它不追求炫技，而是关注ROI（投资回报率）——能不能降本？能不能增效？能不能开拓新业务？

如果答案是否定的，再先进的模型也只是实验室里的展品。