一月二十四日消息，三六零集团创始人周鸿祎近日现身二〇二六崇礼论坛，围绕人工智能产业演进、智能体发展方向、企业数字化转型以及数据安全等议题发表演讲。他结合近年来技术迭代的速度、企业应用中的真实反馈和产业竞争格局的变化，分享了对未来人工智能发展路径的判断。在他看来，人工智能正在从“能不能用”加速迈向“能不能真正创造价值”，产业竞争的重点也会从单纯比拼模型参数，逐渐转向比拼应用效率、组织能力和落地成果。
论坛开场，周鸿祎以轻松幽默的方式活跃现场气氛。他说，自己来到太舞小镇和大家一样，主要是为了滑雪，也希望借此机会完成一个小愿望：滑雪多年后，终于学会上下身分离的技巧。朴实的玩笑迅速拉近了与听众的距离，也让原本偏技术和产业化的讨论多了几分生活气息。对不少听众来说，这种不端着、不绕弯的表达方式，更容易把复杂的科技话题讲得接地气、听得懂。
在周鸿祎看来，人工智能产业正经历一轮明显的方向切换。二〇二四年，行业目光集中在大模型；二〇二五年，重点逐渐转向智能体；到了二〇二六年，全球智能体数量或许达到百亿级，届时即使拥有百亿规模的企业，也未必能称得上大型玩家。随着智能体进入办公、制造、金融、教育、医疗、客服和公共服务等场景，人工智能的使用方式将更加分散，也更加贴近每个人的工作与生活。未来，人们面对的可能不再只是少数几个通用工具，而是一批各有分工、能够长期协作的数字化助手。
他指出，早期不少大模型更接近功能强化后的聊天工具，虽然能够回答问题、生成内容，却难以独立处理复杂事务。只有当模型具备理解目标、拆解任务、调用工具、执行流程并根据结果持续修正的能力，人工智能才算真正走进企业生产和日常经营。换句话说，真正有价值的智能体，不只是把话说得漂亮，更要能够把事情办成。它需要知道任务的边界，理解不同岗位的要求，在遇到异常时及时提醒，并在必要时把关键决定交还给人来确认。只有形成“人机协同”的工作机制，技术才不会停留在展示层面。
谈到市场上的常见误区，周鸿祎特别提醒，二〇二四年至二〇二五年间，许多人习惯把训练算力与推理算力混为一谈。实际上，两者承担的任务、投入的方式以及使用频率都不同，如果只看总量进行比较，很容易得出片面结论。训练算力主要用于让模型学习海量知识和复杂规律，投入集中、周期较长，往往需要大规模基础设施支撑；推理算力则发生在模型实际响应用户、执行任务的过程中，使用次数越多、任务越复杂，持续消耗就越明显。理解这种差异，有助于企业更准确地评估人工智能项目的成本与收益。
他进一步解释，大模型训练离不开海量数据、庞大算力和持续资金投入，通常是少数头部企业才能长期承受的赛道。对普通个人和大多数企业来说，更迫切也更常见的需求，是调用已经训练完成的模型，完成判断、分析、检索和具体业务操作。企业不一定要从头打造一个无所不知的通用模型，却可以围绕自身业务建立知识库、设计工作流程、配置权限体系，让模型在明确的范围内发挥作用。这样既能降低技术门槛，也能避免重复投入，把有限资源用在真正影响经营效率的地方。
从日常使用情况看，两类算力的消耗差别十分明显。普通用户即便每天向大模型输入两万字，一个月产生的调用规模通常也只有几万；可一旦要求智能体制作短剧、筛选视频素材、整理课程内容，或连续完成专业授课，算力消耗便可能跃升至百万甚至千万级。原因在于，复杂任务并不是简单生成一段文字，而是包含资料检索、内容理解、步骤规划、文件处理、多轮校验和结果修订等多个环节。智能体每完成一次操作，都可能需要调用不同工具并进行多次推理，这也意味着企业部署人工智能时，不能只关注购买成本，还要把长期运行、数据存储、安全审计和人员培训等支出纳入整体规划。
周鸿祎还注意到，行业里存在另一种较窄的判断：只有研发大模型、制造芯片，才算人工智能产业的核心参与者。这种看法过度强调底层技术，容易忽视应用环节的价值，也看不见大量企业正在业务流程中释放出的真实需求。事实上，一项技术能否形成社会价值，不仅取决于实验室里的性能指标，也取决于它能否进入真实场景，解决具体问题，降低重复劳动，改善服务体验，并在长期运行中经得起成本、效率和安全性的检验。没有丰富的应用反馈，底层技术也很难持续进化。
他并未否认模型研发和芯片制造的基础作用。相反，这些环节为产业发展提供了重要底座。只是要让人工智能真正进入企业、服务生产经营，还必须打造能够解决具体问题的智能体，而熟悉业务流程、了解实际痛点的专业人员，正是应用落地不可替代的关键力量。技术人员需要理解业务人员在忙什么、难在哪里，管理者也需要重新审视组织流程中哪些环节适合自动化、哪些环节必须保留人工判断。只有让技术能力和行业经验真正结合，人工智能才不会成为摆设，也不会因为脱离实际而半途而废。
在他看来，每家企业都保存着数量可观的隐性知识，包括岗位职责中的特殊要求、部门协作时形成的默契、突发事件的处理经验，以及长期经营后逐渐形成的工作规则。这些内容未必写进制度，却常常直接影响订单推进、客户服务和风险控制。比如，面对不同类型的客户应该采取怎样的沟通方式，某种异常信号出现后应当联系哪些岗位，某个项目在什么条件下需要升级审批，这些看似琐碎的判断，往往决定着企业能否稳定运行。把隐性经验系统化，不只是为了训练智能体，也是推动企业管理规范化、知识资产化的重要过程。
许多重要经验并没有完整留存在文件或数据库中，而是沉淀在老员工、管理者和技术骨干的判断之中。某项工艺如何调整、重点客户怎样维护、设备异常如何处置，往往依靠多年实践形成的直觉。这些经验既是企业财富，也可能属于不能轻易外传的核心机密。企业在整理这类知识时，不能只追求数量和速度，还要明确知识来源、适用范围、更新时间与责任人，及时清理过时内容，避免把错误经验不断复制给智能体。只有经过验证、标注和持续维护的知识，才能真正转化为可靠的组织能力。
如果企业把内部知识未经整理便交给通用大模型训练，权限管理和数据隔离一旦出现疏漏，就可能导致商业秘密泄露，甚至让竞争对手获取关键经营信息。相较之下，将知识限定在企业内部，围绕自身流程打造专属智能体，往往更安全，也更容易产生实际收益。当然，专属智能体并不等于绝对安全，企业仍需建立分级授权、数据脱敏、操作留痕、风险预警和定期审计等制度，对不同人员能够查看和调用的内容作出清晰限制。技术方案、管理制度和员工安全意识缺一不可，数据安全也不能只靠一句承诺来保障。
周鸿祎认为，未来企业之间的竞争，不会只停留在模型规模、芯片性能或资金投入层面。谁能更早识别并梳理组织内部的隐性经验，把它们转化为智能体能够理解、调用和执行的知识，谁就更有可能抢先获得人工智能应用红利，真正形成业务优势。这个过程考验的不只是企业有没有购买工具，更考验管理者能否推动流程再造、员工能否适应新的协作方式，以及组织能否在创新与安全之间找到平衡。人工智能不会自动替企业完成转型，但它有机会帮助那些愿意开放思路、持续学习、尊重专业并重视责任的组织，把分散的经验变成可传承、可复用、可增长的能力。技术最终服务于人，也服务于更高效、更安全、更有韧性的社会运行。
本文为作者原创内容，五二雷电转载仅用于分享相关信息与观点，不代表对文中任何观点表示支持。若读者对文章内容存在疑问、异议或其他反馈，欢迎与我们联系，我们将及时关注相关情况，并依照实际内容予以处理。科技发展速度越快，越需要保持理性判断和责任意识，任何新技术的推广都应在合法合规、保护隐私和维护公共利益的基础上推进。
网友留言：