文章核心观点 - AI，特别是多智能体系统，正从“可选项”演变为银行运营体系重塑的核心引擎，这不仅是技术升级，更是一场从底层工作方式到组织结构的全面变革，旨在将运营从“成本中心”升级为“战略赋能引擎”[2][3][4] - 尽管技术已成熟，但全球范围内实现AI规模化应用的银行不足10%，成功转型的关键挑战不在于技术，而在于组织变革的深度与决心，需要自上而下、以业务价值为核心的全面转型[6][9][18] - 银行运营重构蕴含巨大经济价值，AI有望在部分成本类别带来高达70%的成本降幅，整体成本基础有望下降15%至20%，先行者已实现效率提升30%至50%及生产力提升2至3倍[3][6] 行业现状与转型驱动力 - 银行运营成本高昂，通常占总成本的60%至70%，且大量关键流程（如客户身份验证、贷款审批）仍依赖人工，系统割裂，效率提升有限[2][3] - 多重压力推动转型：客户对数字化体验要求提高、监管持续收紧、欺诈风险上升，迫使银行改变运营模式以维系未来竞争力[3] - 行业投入迅速增长：2023年全球金融服务业AI投入达350亿美元，预计2027年将接近1000亿美元，资金流向清晰表明转型趋势[4] - 监管环境趋向利好，例如中国香港财库局在2024年10月发布AI政策宣言，为行业探索提供了更清晰的政策边界[4] 多智能体系统的定义与优势 - 多智能体系统不同于传统AI工具，它是由承担不同角色、可彼此协作的“数字同事”组成的体系，能够完成复杂任务并持续学习优化[5] - 其核心优势包括：作为全天候互动的业务伙伴、打通自动化“最后一公里”以处理非结构化工作、实现规模化与个性化服务带来百倍效率提升、具备快速自我进化能力、内置精细化的安全护栏机制确保操作稳健可控[5] - 与传统自动化不同，多智能体系统是一个与人类并肩协作、具备自主判断能力的智能体网络，可形成可规模化、可复用的组织智能资产[14] 银行运营的十大转型战场与潜在成效 - 银行运营体系可拆解为十大关键领域，包括客户旅程管理、销售与网点运营、客户服务、信贷运营、支付交易、催收、金融犯罪防控等，它们合计占据银行60%至70%的价值空间[11] - 在这些领域嵌入多智能体系统可带来深刻变化，麦肯锡识别出九类可跨领域应用的智能体，在“人类在环”机制下保障合规、提升透明度并增强韧性[11] - 具体成效指标（部分示例）： - 客户旅程：直通处理率达95%+，流程数字化率95%+[15] - 销售与网点：生产力提升2至3倍，约60%时间用于创造收入的活动[15] - 客户服务中心：单个坐席处理工单数量提升4倍，净推荐值及客户满意度95%+[15] - 信贷运营：审批平均处理时间小于60分钟，返工及补充资料请求比例小于5%[15] - 支付运营：国内交易直通处理率90%+，异常清算平均处理时间小于2小时[15] - 金融犯罪防控：欺诈识别率提升3至4倍，误报率低于30%[15] 具体应用场景与价值释放案例 - **客户旅程**：以中小企业活期账户开立为例，办理周期可从5至8天压缩至24至48小时，返工率下降60%至70%，员工生产效率提升一倍[16] - **信贷运营**：融合数字化工具与AI对信贷流程再设计，可将决策周期从3至5天压缩至1天以内[16] - **支付业务**：依托AI提升处理效率、自动化解决异常问题，可将业务处理时间最多缩短70%[16] - **金融犯罪防控**：多智能体系统可将调查时间缩短50%以上[16] - **企业职能**：可自动化60%的财务交易类工作，将FP&A协调时间缩短30%至40%，报告周期从数周压缩至数天，预测准确率提升10%至25%[17] - **共享服务**：处理成本可降低20%至30%，合规成本降低20%至25%，整体运营支出下降30%至40%[17] 转型路径与成功关键 - 思维需从“技术优先”转向“业务优先”，聚焦客户体验、降低风险、提升成本效率等可量化成果[19] - 需系统评估十大关键运营领域，量化价值空间，优先将资源投入高影响领域[19] - 应锁定摩擦最大、价值流失最严重的流程（如人工KYC、支付异常处理）进行重塑，让AI成为流程再造核心[19] - 优先部署九大跨领域智能体，加速在不同业务场景的复用，避免重复开发[19] - 成功转型需在五个方面同时推进：建立以业务价值为核心的愿景与路线图、系统培养人才与协同团队、建立跨职能敏捷创新团队、引入模块化技术组件实现快速部署、建立完善的AI治理体系确保安全扩展[18] - 转型需要自上而下的牵引，往往由CEO与COO亲自挂帅，在战略对齐、资本配置与执行路径上形成合力[10]

行业发展阶段与趋势 - 人工智能产业已从最初的技术探索与概念热潮，进入聚焦落地效能的务实发展阶段 [1] - 大语言模型的基础研发步伐趋于平缓，产业重心向应用端加速转移 [1] - 技术演进的一个突出趋势是从单智能体向多智能体系统演进，通过协同配合处理具体场景任务的效果显著优于单一智能体 [1] - 人工智能正加速从数字世界向物理世界延伸，技术从文字信息处理向多模态模型、世界模型升级，着力攻克时间空间认知、物理常识推理等核心难题 [1] 北京人工智能产业生态与规模 - 北京作为人工智能发展的核心阵地，凭借全栈式生态布局为产业发展提供支撑 [1] - 2025年预计北京市人工智能核心产业规模达4500亿元，企业集聚超2500家，两项指标均占全国半数左右 [2] - 领域内上市企业近60家、独角兽企业约40家，国内首个上市的国产人工智能芯片企业和大模型企业、估值最高的人工智能独角兽企业均诞生于北京 [2] - 人才方面，北京入围“AI 2000全球最具影响力学者榜单”的有148人，占全国超40%，AI学者总量达1.5万人，占全国30% [2] 产业驱动因素与未来展望 - 顶层设计提供接地气、全方位的政策支持，叠加从底层算力芯片、中间层技术研发到顶层场景应用的完整布局，形成了闭环式产业生态 [2] - 科研机构、企业与政策层面形成的合力，正推动多智能体等人工智能领域新技术、应用加速突破场景壁垒、迈向商业闭环 [2] - 行业对2026年成为中国智能体爆发的关键之年充满期待 [2]

行业发展趋势 - 人工智能产业发展节奏换挡，从最初的技术探索与概念热潮，逐步回归务实本质、聚焦落地效能 [1] - 大语言模型的基础研发步伐趋于平缓，产业重心向应用端加速转移 [1][3] - 核心趋势之一是从单智能体向多智能体系统演进，多智能体通过协同处理具体场景任务的效果显著优于单一智能体，是技术走出实验室、深度融入实体经济的关键路径 [1][3] - 人工智能正加速突破数字世界边界，向物理世界延伸，技术从语言模型向多模态模型、世界模型升级，着力攻克时间空间认知、物理常识推理等核心难题 [1][4] - 当大模型基础能力提升进入平缓期，就迎来了应用落地爆发的绝佳阶段，行业更聚焦务实解决问题 [10] - 实现大模型的商业闭环，是技术与产业实现高质量发展的关键 [10] 北京人工智能产业生态 - 北京作为人工智能发展的核心阵地，凭借全栈式生态布局为产业发展提供支撑 [1] - 2025年预计全市人工智能核心产业规模达4500亿元，企业集聚超2500家，两项指标均占全国半数左右 [2] - 领域内上市企业近60家、独角兽企业约40家，国内首个上市的国产人工智能芯片企业和大模型企业、估值最高的人工智能独角兽企业均诞生于北京 [2] - 顶层设计提供接地气、全方位的政策支持，既支持0到1的颠覆式创新，也扶持新型研发机构开展前瞻研发，同时助力企业推进落地场景 [2][6] - 从底层算力芯片、中间层技术研发到顶层场景应用的完整布局，形成了闭环式产业生态 [2] - 科研机构、企业与政策层面形成的合力，正推动多智能体等新技术加速突破场景壁垒、迈向商业闭环 [2] 人才与科研优势 - 北京入围“AI 2000全球最具影响力学者榜单”的有148人，占全国超40% [2][4] - AI学者总量达1.5万人，占全国30% [2][4] - 北京拥有完整的人才培养与发展全链条，包括清华、北大、人大、中科院等高校院所，能培养顶尖人工智能人才 [7] - 新型研发机构能为年轻人提供远超其年龄的资源，助力快速成长 [7] - 北京市出台了多项人才支持政策，帮助年轻人扎根北京 [7] - 不同类型人才可在高校、新型研发机构、企业等多平台协同发展，适合颠覆式创新的人才在高校获得自由探索空间，新型研发机构助力突破重大科研成果，企业以高薪提供发展舞台 [8] 未来发展方向与预期 - 北京在人才、算力、产品、数据、资本等方面具备全方位布局，算力建设在加快推进，基础模型具备全球竞争力，接下来核心方向是促进大模型落地应用 [9] - 建议北京开放政务等领域智能体技能库、开展多智能体竞赛，通过开放场景助力多智能体落地，推动AI大模型产业繁荣 [9] - 对2026年成为中国智能体爆发的关键之年充满期待 [2][9] - 有真实案例显示，客户用单智能体始终达不到预期，而18个智能体组成的多智能体系统最终远超客户满意度 [9] - 多智能体系统已能真正解决生产生活中的实际问题，达到产品级效果，是大模型进入商业闭环阶段的有力证明 [11] - 人们已习惯具备思考推理能力的大模型存在，遇事不决时会先咨询大模型 [11]

文章核心观点 - 文章认为Manus公司的多智能体系统标志着AI应用进入了“DeepSeek时刻”，即AI从生成内容的工具转变为能够自主完成复杂任务的数字生产力，这代表了人工智能的范式转变 [4][5] - Manus模式的核心价值在于其创建了超过8000万个由AI自主操作的虚拟计算机实例，相当于拥有8000万名“员工”，其本质是一套“人工智能操作系统”，并将推动人类文明实现0.5个级别的跃升 [7][8][9] - 多智能体系统通过分工协作，实现了AI能力的指数级爆发，其发展路径已不可逆，将引发从科技巨头到创业公司的下一场“囚徒困境”式AI战争，并深刻改变人类从操作者到管理者的角色以及生产力与生产关系 [8][35][41] Manus模式的核心价值与数据 - Manus年度经常性收入突破1亿美元，累计处理了147万亿tokens，但其模式核心在于创建了超过8000万虚拟计算机实例，每一台都是一个由AI自主操作的独立数字工作单元 [10][11] - 这标志着核心操作者从人变成了AI，Manus系统本身成为了AI的操作系统（多智能体系统），意味着人类正在迎来“文明级”的生产力飞跃 [12][13] - 理论上，所有数字经济劳动岗位可被AI接管相当于文明提升0.5个级别；未来若AI员工规模从8000万扩展到8000万亿，将能彻底重构现有物理世界的所有生产工具 [13] 多智能体系统：AI应用的“DeepSeek时刻” - Anthropic研究显示，在多智能体架构下，Claude Opus处理复杂任务的性能比单个智能体提升了90.2%，这证明了智能协作的有效性 [15] - 多智能体系统不追求单一的“超级大脑”，而是通过规划代理、执行代理、验证代理的分工协作，打造“智能社会”，从而突破单个模型的能力局限 [17] - 在GAIA基准测试（评估AI处理现实复杂任务）中，Manus在所有三个难度级别都取得了最好成绩，超过了OpenAI的DeepResearch [21] - Manus推出不到一年ARR突破1亿美元，远超大多数SaaS初创公司，并有超过250万人在排队试用，其39美元/月与199美元/月的定价清晰，标志着AI应用从“助手”进入“工作者”阶段 [21][22][23] 多智能体系统的技术基石 - **虚拟机技术**：为每个任务创建独立的云端虚拟机沙盒，提供安全隔离的执行环境，解决了AI产业化的安全与可靠核心难题，Manus已创建超8000万台独立虚拟机 [25][27][28][29] - **池化与编排**：采用“分层推理”策略，根据任务难度动态匹配模型（如简单任务用Llama 3，复杂任务用Claude 3.5），将单个任务的token消耗降至行业平均水平的1/3 [31] - **智能编排系统**：作为“指挥中枢”，通过强化学习持续优化任务拆分与资源分配，并采用巧妙的上下文管理策略，以应对大模型上下文窗口的限制 [32] - **工程化能力**：中国团队在工程实现上具有优势，Manus系统能支持10万+任务同时运行，具备自动重试、响应时间稳定等特性，这是多智能体从演示品变为商业产品的关键 [33] 全球科技巨头的布局与竞争 - 技术、产品、生态三个维度驱动大厂必须跟进多智能体：技术上是模型能力的“放大器”；产品上重新定义人机交互；生态上可能成为新的应用开发与运行基础 [36] - **国外布局**：Meta结合Llama与多智能体框架提升内部任务效率30%；Google的Gemini项目包含多智能体思路并开源框架；微软通过Azure AI提供开发工具；亚马逊AWS Bedrock新增多智能体编排功能 [37] - **国内布局**：阿里千问团队曾计划与Manus合作打造适合中国市场的Agent系统；腾讯引入姚顺雨后目标明确指向智能体；百度在智能体编排平台有深厚沉淀；字节跳动持续提升算力，或在多智能体应用有巨大需求 [38] - **创业公司**：月之暗面已完成5亿美元C轮融资（IDG资本领投，估值30亿美元），计划加强多智能体研发，目标一年内实现1亿美元ARR，复制Manus路径 [39] - DeepSeek据称将在春节前后推出新版本模型，对标Anthropic的模型编程能力，此举可能扫清中国AI多智能体应用的技术障碍 [40] 人类角色的历史性转变与生产关系变革 - 编程语言正成为AI间的“通用语言”，人类与AI的关系从“操作者-工具”转变为“管理者-团队”，人类只需定义“干什么”，AI负责“怎么干” [41][42] - 多智能体能自动化创造性工作中的常规执行环节，可能减少对初、中级创造性工作的需求，同时放大高阶创造性工作的价值，推动职业进化而非消失 [43] - 生产力飞跃将带动生产关系调整：企业层级结构将变得更扁平；核心生产资料从机器、数据算法转变为“智能体团队”本身 [44] - Manus的定价模式本质是“数字劳动力租赁服务”（39美元/月可同时运行2个任务，199美元/月可运行5个任务），使企业能灵活调整“数字员工”规模 [44] - 当AI创造大量价值时，价值如何在企业、用户和社会间分配成为尚未解决的核心挑战 [45] 被低估的风险：数据主权与系统安全 - 在多智能体系统中，数据角色转变为AI协作的“流通货币”和系统进化的“记忆载体”，Manus通过联邦学习建立的“经验库”已积累2000多个行业任务模板和千万级任务执行记录，使用模板最高可提升效率60% [47] - 新问题包括：任务数据产权与价值分配模糊；数据质量的“马太效应”可能加剧数字鸿沟，使多智能体成为少数人的“特权工具” [48] - 多智能体安全挑战复杂，涉及三个层面：流程安全（子任务组合产生意外风险）、协作安全（AI间通信通道被攻击）、进化安全（系统通过数据学习可能“学坏”） [48][49] - Anthropic研究显示，多智能体安全风险随AI数量非线性增长，从单智能体增至三智能体，已知攻击路径增加5倍；增至五智能体，攻击路径增加23倍 [49] - 安全与效率需权衡：Manus企业版的“隐私计算模块”可能使加密状态下计算速度下降40%-60%；完全的安全监控会使任务执行时间增加15%-30% [50] 多智能体的发展路径与影响 - 多智能体标志着AI从“替代人类特定技能”进入“替代完整工作流”阶段，但并非零和游戏，而是生产力关系的范式转移 [53] - 人类角色将向任务设计者、过程监督者、价值判断者三个方向进化，历史类比：ATM机普及后，银行柜员数量增加但工作内容转变为金融服务顾问 [53] - **短期（1-2年）**：垂直领域（金融、法律、医疗、教育）的多智能体应用将爆发，Manus商业模式将被复制和改造，市场竞争激烈 [54] - **中期（3-5年）**：多智能体系统将从“工具”进化为“平台”，成为AI应用的基础设施 [55] - **长期（5-10年）**：人机协作进入“融合”阶段，工作流程深度整合，工作将由人机系统共同完成 [55] - 多智能体系统是协作方式革新的里程碑，让机器首次具备基于共同目标、分工协调、相互纠错的有机协作能力 [55]

Gartner 2026年十大战略技术趋势核心观点 - AI技术正加速进入大众生活，一个由AI驱动、超连接的世界正走向现实，AI在企业运营中既是创新的基础，也带来了新的安全风险，使其成为2026年战略布局的绝对核心 [1] - 2023-2024年是AI的“技术引爆”阶段，核心是展示“可能性”，而2025-2026年进入规模化落地阶段，核心是交付“价值”，主要难点正从“技术问题”转向“工程问题”和“商业问题” [9][11] - 2026年的AI世界既是创新高地，也是风险的战场，安全是发展的前提，只有做好风险防范，才能让AI真正成为业务增长的催化剂 [12] AI底层技术演进与关键趋势 - AI功能持续演进，随着Agent（智能体）功能持续落地，2026年这一趋势将进一步延续并升级 [1] - 多智能体系统（Multiagent Systems）从“单打独斗”走向“团队协作”，2026年将让多个专业AI分工协作，最后汇总成统一方案，提高了任务成功率并快速适应企业需求变化 [6] - 物理AI（Physical AI）目前主要布局在完全自动驾驶汽车和机器人领域，实现方式主要关注VLA（视觉语言模型）和世界模型两条路线 [7] - 构建AI超级计算平台是关键基础，它整合CPU、GPU、NPU等多种类型计算芯片，以处理海量数据的复杂计算任务，提高计算效率和连接能力是核心 [8] 四大重点看好的技术方向 - **AI原生开发平台**：已逐渐成为现实，非技术背景员工也能借助AI工具自主开发应用，Gartner预测到2030年，80%的企业将通过此类平台将大型软件工程团队转变为更小、更敏捷的团队 [2][3] - **特定领域语言模型**：基于企业私域数据训练，使AI从“通用能力”转向“专属价值”，例如利用企业内部数据训练垂域模型，帮助员工快速解决设备故障等问题 [6] - **多智能体系统**：多个专业AI分工协作，汇总成统一方案，提高任务成功率并适应需求变化 [6] - **物理AI**：主要应用于自动驾驶和机器人，技术路线包括VLA模型和世界模型，Gartner预测到2028年，80%的仓库将使用机器人技术或自动化 [7][8] AI规模化落地阶段的新挑战 - 从“大模型”转向“对的模型”，趋势是从“模型崇拜”转向“经济实用”，企业更需在特定领域表现出色、成本更低的“小模型” [10] - 在金融、医疗等高危领域，AI落地需解决幻觉、可解释性等问题，以应对那10%的“不可靠” [10] - AI需嵌入企业现有复杂系统，但数据分散在不同“数据孤岛”，且嵌入工作流需要重构软件、重组团队、重新培训员工，是一个庞大的“变革管理”工程 [10][11] - 市场人才需求转变，2024年前最缺“算法科学家”，从2025年起最缺“AI产品经理”和“AI应用工程师” [11] AI驱动的安全威胁与防御趋势 - AI驱动的攻击在速度和复杂性上增长，如深度伪造和“量身定制”的钓鱼邮件 [11] - 前置式主动网络安全成为2026年重要技术，核心在于运用AI驱动的安全运营、程序化阻断与欺骗技术在攻击者行动前实施干预 [11] - Gartner预测，到2030年，前置式主动防御解决方案将占到企业安全支出总额的一半 [12] - AI安全平台为第三方及定制AI应用提供统一防护，Gartner预测到2028年，使用该平台保护AI投资的企业比例将达到50%以上 [12]

文章核心观点 - AI正从技术工具全面渗透为业务核心驱动力，呈现出架构师、协调者、哨兵三大主题 [1] - 2026年十大战略技术趋势重点聚焦于八大新兴方向，涵盖AI原生开发、多智能体系统、物理AI等关键领域 [1] AI原生开发平台 - AI原生开发平台是下一代软件工程核心，通过自然语言提示词直接生成完整应用或辅助编写代码，实现“氛围编程” [2] - 市场上已出现一键生成前后端网站的工具及集成AI的IDE开发环境，部分技术公司20%–40%的代码由AI生成 [2] - AI正在重构软件开发本质，其价值更多体现在模块化、标准化任务的自动化上，难以独立完成复杂系统重写 [2] AI超级计算平台 - AI超算平台作为未来算力底座，呈现混合AI算力与算力调度两大特征，以应对模型规模与数据量激增带来的指数级算力需求 [3] - 云端与终端芯片协同工作，NVQLink和CUDA-Q等技术实现量子计算与经典超算的联动，形成跨架构任务调度能力 [3] - 中国企业推出“超节点”技术，通过堆叠AI芯片实现算力聚合，是地缘政治背景下的务实选择 [7] 多智能体系统 - 多智能体系统通过“分而治之”将复杂任务拆解，由不同智能体分工协作再整合结果，解决单智能体可靠性低、成功率随步骤骤减的问题 [8] - 案例包括贝塔斯曼的跨业务内容检索和GitHub上用于股票分析的开源多智能体项目 [8] - 多智能体是AI从“工具”走向“协作者”的关键一步，未来企业AI架构或将出现“智能体中台” [9] 特定领域语言模型 - 企业级AI项目失败率高达95%，核心问题在于通用大模型“不懂业务” [10] - 特定领域语言模型通过行业数据再训练成为解决之道，使AI从“通才”走向“专才” [10] - 企业需投入数据治理与领域训练，否则将陷入“有模型无智能”的局面 [10] 物理AI - 物理AI指能与现实世界交互的AI系统，主要应用于自动驾驶与机器人，技术路径包括VLA模型和“世界模型” [11] - 特斯拉、蔚来等车企正积极布局能理解物理规律、进行预测与规划的“世界模型” [11] - 物理AI是AI与实体经济融合的桥梁，将在制造业、物流、医疗等领域逐步替代重复性劳动 [11] 前置式主动网络安全 - AI驱动的攻击如“氛围黑客攻击”可自动化完成漏洞探测、钓鱼攻击甚至勒索软件生成，降低了黑客门槛 [12] - 前置式主动网络安全系统应运而生，包括预测性威胁情报、自动移动目标防御等技术 [12] - 企业需建立“预测-响应-欺骗”三位一体的主动安全体系，而非依赖静态防御 [14] 数字溯源 - 数字溯源通过建立软件SBOM、模型MLBOM等清单体系，追踪组件来源与安全性，以应对软件供应链攻击 [15] - AI生成内容的水印与标识技术正在逐步标准化 [15] - 中国在AI内容标识方面的法规实践值得行业关注 [16] 地缘回迁 - 地缘政治风险促使企业将数据与应用从全球公有云迁移至本土“主权云”，欧洲企业受影响最深 [17] - 中国早在信创与国产化替代中布局，DeepSeek为适配国产芯片支持特定数据格式，标志中国AI生态逐步闭环 [17] - 中国企业需在自主可控与全球协作之间找到平衡点，避免陷入“技术孤岛” [17] 延续性趋势与重点方向 - “机密计算”通过可信执行环境保护使用中数据，“AI安全平台”防范提示词注入、模型越狱等新型攻击，共同构成AI时代“安全双翼” [18] - 物理AI、AI原生开发平台、特定领域语言模型、多智能体系统是最值得中国企业在未来一年关注的四大重点趋势 [18] - 企业应避免盲目追逐技术热点，聚焦于将AI嵌入业务流程、具备护城河及形成生态协同，在制造业场景中可结合“组合式AI”实现投入与效果平衡 [18]

文章核心观点 - 2026年对技术领导者而言是至关重要的一年，变革、创新与风险将以空前的速度发展[3] - 2026年的各项重要战略技术趋势将密切交织，折射出一个由人工智能（AI）驱动的高度互联化世界的现实图景[3] - 企业机构必须推动负责任的创新、卓越运营和数字信任，这些趋势是促进业务转型的催化剂[3] - 由于下一轮创新浪潮已近在眼前，只有当下采取行动的企业才能应对市场波动和决定未来数十年的行业走向[3] 2026年十大战略技术趋势 AI超级计算平台 - 整合CPU、GPU、AI ASIC、神经系统计算和替代性计算范式，使企业能够统筹复杂工作负载[6] - 系统融合强大的处理器、海量存储、专用硬件及编排软件，可处理机器学习、仿真模拟和分析等领域的数据密集型工作负载[6] - 到2028年，将混合计算范式架构应用于关键业务流程的领先企业将达到40%以上，较当前8%的水平大幅增长[8] - 该技术已在推动医疗、生物技术、金融服务和公共事业等行业的创新[8] 多智能体系统 - 多智能体系统是由多个AI智能体组成的集合，它们通过交互实现复杂的个体或共同目标[8] - 这些智能体既可在单一环境中交付，也可在分布式环境中独立开发部署[8] - 通过使用多智能体系统，企业可实现复杂业务流程的自动化、提升团队技能并开创人类与AI智能体的新协作方式[10] - 采用模块化设计的专业智能体可提升效率、加快交付速度和降低风险[10] 特定领域语言模型 - 特定领域语言模型凭借更高的准确性、更低的成本和更好的合规性填补通用大语言模型的空白[11] - 该模型是在针对特定行业、功能或流程的专用数据上训练或微调的语言模型，能更加精准、可靠且合规地满足特定业务需求[11] - 到2028年，企业使用的生成式AI模型中将有超过半数属于特定领域模型[13] - 基于DSLM的AI代理可解读特定行业的上下文，具有出色的准确性、可解释性和决策合理性[13] AI安全平台 - AI安全平台为第三方及定制AI应用提供统一防护机制，能够进行集中监测、强制执行使用策略并有效防范AI特有风险[13] - 此类平台可帮助CIO有力执行使用政策、监控AI活动并在全AI系统中建立统一防护边界[13] - 到2028年，使用AI安全平台保护AI投资的企业比例将达到50%以上[16] AI原生开发平台 - AI原生开发平台使用GenAI实现空前快速、便捷的软件开发，企业只需维持现有开发人员规模即可开发更多应用[17] - 领先的企业正在组建微型平台团队，在安全和治理框架范围内让非技术领域专家能够自主开发软件[17] - 到2030年，80%的企业将通过AI原生开发平台将大型软件工程团队转变为更小、更敏捷的团队并通过AI赋能这些团队[19] 机密计算 - 机密计算重塑了企业处理敏感数据的方式，工作负载被隔离在基于硬件的可信执行环境中以保持私密性[20] - 这对受监管行业、面临地缘政治与合规风险的跨国公司以及竞争对手间的合作尤为重要[20] - 到2029年，75%以上在非可信基础设施中处理的业务将通过机密计算保障使用安全[22] 物理AI - 物理AI通过赋能具有感知、决策和行动能力的机器与设备，将智能带入到现实世界[23] - 它能为自动化、适应性和安全性至关重要的行业带来可观的收益[23] - 企业需要融合IT、运营与工程知识的新型技术人才，这一转变带来了技能提升与协作机会[25] 前置式主动网络安全 - 随着企业面临的网络、数据及联网系统威胁成倍增长，前置式主动网络安全正成为趋势[26] - 到2030年，前置式主动防御解决方案将占到企业安全支出总额的一半[26] - 该技术的核心在于运用AI驱动的安全运营、程序化阻断与欺骗技术在攻击者行动前实施干预[28] 数字溯源 - 随着企业日益依赖第三方软件、开源代码及AI生成内容，数字溯源验证已成为一项重要的需求[28] - 数字溯源指对软件、数据、媒体及流程的来源、所有权和完整性进行验证的能力[28] - 到2029年，在数字溯源方面投入不足的企业将面临高达数十亿美元的制裁风险[30] 地缘回迁 - 地缘回迁指企业因考虑到地缘政治风险而将数据与应用从全球公有云迁出至主权云、区域云服务商或自有数据中心等本地平台[31] - 将工作负载转移至主权立场更强的服务提供商可帮助CIO加强对数据驻留、合规及治理的控制力[33] - 到2030年，欧洲和中东地区将有超过75%的企业把虚拟工作负载回迁至降低地缘政治风险的解决方案，而2025年的这一比例不足5%[33]

AI超级计算平台 - AI超级计算平台整合CPU、GPU、AI ASIC、神经系统计算和替代性计算范式，能够统筹复杂工作负载并释放更大性能、效率与创新潜力[8] - 该平台融合强大处理器、海量存储、专用硬件及编排软件，可处理机器学习、仿真模拟和分析等领域的数据密集型工作负载[8] - 到2028年将混合计算范式架构应用于关键业务流程的领先企业将达到40%以上，较当前8%的水平大幅增长[9] 多智能体系统 - 多智能体系统是由多个AI智能体组成的集合，通过交互实现复杂的个体或共同目标[10] - 企业可通过多智能体系统实现复杂业务流程自动化、提升团队技能并开创人类与AI智能体的新协作方式[11] - 采用模块化设计的专业智能体可在各工作流中重复使用成熟解决方案，从而提升效率、加快交付速度和降低风险[11] 特定领域语言模型 - 特定领域语言模型在针对特定行业、功能或流程的专用数据上训练或微调，能更加精准、可靠且合规地满足特定业务需求[11] - 到2028年企业使用的生成式AI模型中将有超过半数属于特定领域模型[13] - 基于DSLM的AI代理可解读特定行业的上下文，即使在陌生场景中也能做出合理决策，具有出色准确性、可解释性和决策合理性[13] AI安全平台 - AI安全平台为第三方及定制AI应用提供统一防护机制，能够进行集中监测、强制执行使用策略并有效防范AI特有风险[13] - 到2028年使用AI安全平台保护AI投资的企业比例将达到50%以上[15] - 此类平台可帮助CIO有力执行使用政策、监控AI活动并在全AI系统中建立统一防护边界[13] AI原生开发平台 - AI原生开发平台使用生成式AI实现快速、便捷的软件开发，使"前沿部署工程师"能协同领域专家开发应用[16] - 到2030年80%的企业将通过AI原生开发平台将大型软件工程团队转变为更小、更敏捷的AI赋能团队[17] - 企业只需维持现有开发人员规模，通过组建微型团队配合AI即可开发更多应用，例如五支两人团队可同时交付五个应用[17] 机密计算 - 机密计算通过基于硬件的可信执行环境隔离工作负载，即使面对基础设施所有者或云提供商也能保持内容与工作负载的私密性[18] - 到2029年75%以上在非可信基础设施中处理的业务将通过机密计算保障使用安全[20] - 该技术对受监管行业、面临地缘政治与合规风险的跨国公司以及竞争对手间的合作尤为重要[18] 物理AI - 物理AI通过赋能具有感知、决策和行动能力的机器与设备，将智能带入到现实世界[21] - 该技术能为自动化、适应性和安全性至关重要的行业带来可观的收益[21] - 企业需要融合IT、运营与工程知识的新型技术人才来应对这一技术变革[23] 前置式主动网络安全 - 前置式主动网络安全运用AI驱动的安全运营、程序化阻断与欺骗技术在攻击者行动前实施干预[24][26] - 到2030年前置式主动防御解决方案将占到企业安全支出总额的一半[24] - 该技术通过预测实现防护，核心在于在攻击发生前进行干预[26] 数字溯源 - 数字溯源指对软件、数据、媒体及流程的来源、所有权和完整性进行验证的能力[26] - 到2029年在数字溯源方面投入不足的企业将面临高达数十亿美元的制裁风险[28] - 企业可使用软件物料清单、认证数据库、数字水印等新工具验证和追踪供应链中的数字资产[26] 地缘回迁 - 地缘回迁指企业因考虑到地缘政治风险而将数据与应用从全球公有云迁出至主权云、区域云服务商或自有数据中心[29] - 到2030年欧洲和中东地区将有超过75%的企业把虚拟工作负载回迁至降低地缘政治风险的解决方案，而2025年的这一比例不足5%[30] - 将工作负载转移至主权立场更强的服务提供商可帮助CIO加强对数据驻留、合规及治理的控制力[30] 技术趋势演进方向 - 2026年趋势显示AI从基础模型转向规模化、专业化和协同化应用，与物理世界的结合更为紧密[33] - 企业安全策略正整体向预防和内生转变，重点关注AI安全平台、数字溯源和前置式网络安全等解决方案[33] - 技术发展重点从构建能力转向安全运营，更加注重落地实施时的安全、信任、合规和运营问题[33]

纪要涉及的公司 因赛集团、智泽品牌、隐形天下、友益数字、某头部科技大厂、雅朵、腾讯云、微博、方泰、妙可蓝多、腾讯游戏、魅族、OPPO、华润三九、腾讯、华为、美的 纪要提到的核心观点和论据 - **资本运作**：因赛集团自2024年第三季度筹备重大资产重组，第四季度停牌，拟并购智泽品牌，该品牌主要客户为华为和荣耀，二者合计占其营收60%，2025 - 2027年业绩承诺扣非归母净利润分别为6300万、7200万和8100万元，预计营收分别为6亿、8亿和9亿元，项目6月30日获深交所受理，7月中旬收到审核问询函，预计九至十月过会；公司还计划在效果营销、电商营销、AI营销和出海营销等领域挖掘优秀公司和团队，通过并购、现金投资或合资等加速全球化布局[2][3] - **AI应用** - 任命新首席科学家研发多智能体系统，预计9月底上线，整合文案、图片、视频等智能体用于营销策划和内容生成，提升AI核心能力并探索海外应用[2][5] - 隐形天下与友益数字联合开发AI应用系统，整合抖音星图和小红书蒲公英数据，实现达人营销全链路管理，获双平台官方认证，提高自动化程度和平台返点[2][6] - 参投的搜索引擎公司开发AI搜索引擎智能体，可接收品牌和产品信息进行语义重组，生成适合新媒体平台的内容，已服务雅朵、腾讯云等客户，实现品牌声誉管理[2][9][10] - 9月底完成提升商务拓展效率功能，用于客户商务媒介团队与博主初步建立联系并筛选意向合作；研发AI智能脚本，提升审核效率；优化达人数据系统，提高AI选号精准度；加速出海，接入海外媒体平台，覆盖更多达人[8] - **全球化布局**：计划通过并购或合作，在欧洲、美洲及东南亚地区寻找本土团队，结合战略需求，投资或合资建立本土化部门，探索AI技术在海外市场的应用[2][7] - **战略合作**：争取成为某头部科技大厂全球战略合作伙伴，提供全链路营销服务，凭借天宇空、瑞从、智者、华赛、隐形和友谊等子公司优势有望达成合作[4][11] - **商业化方案**：短期内上线多智能体系统，提升AI生成效率，赋能视频剪辑、电商等产品，2025年目标实现至少百万级营收，以产品为主导增加用户数量[4][12] - **降本增效** - AI技术对广告、游戏及影视行业降本增效效果显著，如美图通过AI生成海报等工具提高效率[15] - 因赛集团使用AI工具后，腾讯游戏投流视频剪辑时间从三到四周缩短到一周，团队人数从10人减到5人；多智能体系统自动生成不同观点并提炼总结节省时间和成本；智模AI系统快速精准匹配达人，小公司使用后返点增加；AI搜索引擎工具简化流程，提高效率并降低成本[16] - **广告业务影响**：AI技术使视频智能剪辑和生图工具制作周期从三周缩短到一周，人力从10人减到5人；多智能体系统在出版、图书公司应用中提升效率，降低成本；智模AI系统快速筛选达人，节省时间，提高销售效益[17][18] - **短剧业务进展**：近期将推出与华润三九合作的医药类短剧，2025年品牌定制短剧广告主预算下降，因更关注效果转化，2024年已停止付费短剧业务，专注品牌定制；在为电子产品或游戏公司拍摄的短剧中，部分特殊场景通过AI实现，提高制作效率，降低成本[19][20] - **广告投放需求**：2025年以来，大客户在TVC和品牌营销方面需求稳定，中小型品牌倾向效果营销；游戏、互联网及快销品领域预算相对稳定，传统汽车领域预算下降，新能源和智能驾驶领域稳中有升[21] - **并购方向布局**：未来重点布局效果营销和电商营销领域，与知名效果营销公司洽谈，计划涉足电商SaaS公司，标的业绩体量在数千万至过亿之间；希望一次性并购弥补自身不足，还可能进行港股上市提升净利润至两到三亿人民币[22] 其他重要但是可能被忽略的内容 - 新任首席科学家原来曾在百度及娱乐传媒公司有大模型开发经验，加入后研发费用可能增长，商业化可能需推广费用[13] - 人员设置将逐步调整，目前按产品线分配，未来可能更轻量化，人员稍精简，有新鲜血液加入并淘汰不合适人才[14]