從大模型的爆發(fā)，到邊緣計算的逐漸普及，從智能語音助手走進家庭，到智能設(shè)備接入云端，AI智能體與AIoT的結(jié)合，正成為產(chǎn)業(yè)界的新熱點。

但在技術(shù)熱潮的背后，我們必須提出一個冷靜的問題：我們是為了更好地改進現(xiàn)狀，還是又一次陷入了“智能幻覺”？

在這個問題上，潛在風(fēng)險已有跡可循。

當(dāng)下正被熱議的AI智能體概念，有被過度包裝的嫌疑。根據(jù)文章《過度炒作+虛假包裝?Gartner預(yù)測2027年超40%的代理型AI項目將失敗》中的論述，Gartner指出大多數(shù)所謂的AI智能體系統(tǒng)，其實不過是“被賦予任務(wù)感的對話機器人”，缺乏真正的感知能力、行動能力和任務(wù)閉環(huán)能力。

而類似的情形，曾在物聯(lián)網(wǎng)的發(fā)展史中上演過一次。

2018年，思科發(fā)布的一份研究報告稱，全球75%的物聯(lián)網(wǎng)項目最終失敗。

原因很簡單：在缺乏清晰目標(biāo)與智能控制邏輯的情況下，“為了連接而連接”只會帶來堆疊的復(fù)雜性，而非系統(tǒng)性的智慧。

因此，問題從來不是AI或IoT本身，而是那些脫離任務(wù)閉環(huán)、脫離場景價值的“空中樓閣發(fā)展路徑”。

這正是本文希望重新審視的問題：AI智能體的真正出路，不在網(wǎng)頁瀏覽和虛擬對話，而在與真實物理系統(tǒng)的耦合——也就是AIoT。

物聯(lián)網(wǎng)是AI連接物理世界的底座。AI智能體只有與物聯(lián)網(wǎng)設(shè)備深度耦合、嵌入物理世界，才能擺脫“智商炫技”的宿命，真正成為AIoT場景中的價值創(chuàng)造者。我們需要的不僅是更智能的工具，而應(yīng)是更智慧的系統(tǒng)。

本文將從三個層面展開討論：

1. AI智能體與AIoT結(jié)合的真實價值與系統(tǒng)結(jié)構(gòu)；
2. AI智能體如何突破“演示智能”的瓶頸，走向“場景智能”；
3. 如何通過“真實任務(wù)閉環(huán)”來驗證智能體能力邊界，避免下一場技術(shù)泡沫。

AI智能體為何必須“落地”？

從虛擬智能到物理閉環(huán)

AI智能體目前仍面臨一個根本性瓶頸：它們大多生長在虛擬環(huán)境中，缺乏與真實世界的交互。

只有當(dāng)AI智能體開始與真實設(shè)備交互，接收真實傳感器數(shù)據(jù)，執(zhí)行物理動作，面對環(huán)境不確定性，并對結(jié)果負(fù)責(zé)時，才具備了持續(xù)學(xué)習(xí)與優(yōu)化的可能性。

這種從封閉輸入輸出向任務(wù)反饋閉環(huán)的演進，正是智能系統(tǒng)從被動工具走向主動行為體的轉(zhuǎn)折點。而這一切，唯有在AIoT的系統(tǒng)中才能發(fā)生。

AIoT的本質(zhì)，并不僅僅是設(shè)備的聯(lián)網(wǎng)，而是系統(tǒng)的“任務(wù)化”。每一個連接的設(shè)備，每一個傳感器節(jié)點，都是智能體理解世界、影響世界的一部分。

與其說AIoT是一個技術(shù)范疇，不如說它是AI智能體的“任務(wù)環(huán)境”。在這個環(huán)境中，智能體不再是一個等待調(diào)用的API，而是一個擁有目標(biāo)感、調(diào)度權(quán)和反饋機制的自主執(zhí)行者。

以智能倉儲系統(tǒng)為例，AI智能體不僅要理解訂單結(jié)構(gòu)和庫存狀態(tài)，還需要實時調(diào)度多臺機器人，根據(jù)地面條件、交通密度、任務(wù)優(yōu)先級進行動態(tài)路徑規(guī)劃，并在執(zhí)行過程中不斷修正策略。

同樣，在自動充電樁調(diào)度中，AI智能體必須預(yù)測未來負(fù)載峰值、識別車輛類型、判斷電池狀態(tài)，并依據(jù)實時電網(wǎng)負(fù)荷做出最優(yōu)分配。

當(dāng)然，AIoT本身也在逐步完善。事實上，傳統(tǒng)的物聯(lián)網(wǎng)項目之所以經(jīng)常陷入“連接而不智能”的困境，根本原因在于缺乏一個能夠理解“為何連接”的智能主體。

在這樣的背景下，AI智能體的引入，不是錦上添花，而是結(jié)構(gòu)性的升級。AI智能體不僅能夠?qū)痈兄妮斎?，還能整合業(yè)務(wù)規(guī)則、目標(biāo)約束、系統(tǒng)能力，形成具有自動規(guī)劃與適配能力的行為輸出。

因此，只有當(dāng)AI智能體深度嵌入AIoT系統(tǒng)，真正參與到物理世界的感知與行動中，才能具備真實的任務(wù)環(huán)境與反饋機制。

2

從“接入模型”到“場景智能”

AIoT需要的是系統(tǒng)，而非插件

AI智能體真正的價值，不在于調(diào)用某個API返回一個答案，而在于它是否具備面向任務(wù)的全流程能力，是否可以成為一個真正承擔(dān)責(zé)任的系統(tǒng)角色。也就是說，智能系統(tǒng)并不是簡單的模型嫁接，而是系統(tǒng)能力的重構(gòu)。

在面向真實世界的AIoT系統(tǒng)中，單一智能體往往難以勝任全部任務(wù)。一個高度動態(tài)、任務(wù)多變的系統(tǒng)（如智能工廠、智慧樓宇或城市能源系統(tǒng)），需要的不是“一個統(tǒng)領(lǐng)全局的超級智能”，而是多個智能體在職責(zé)明確的前提下協(xié)同運行的系統(tǒng)性智能結(jié)構(gòu)。

以智慧工廠為例，調(diào)度系統(tǒng)需要根據(jù)訂單與庫存狀態(tài)分配任務(wù)節(jié)奏，質(zhì)檢系統(tǒng)需要判斷產(chǎn)品是否達(dá)標(biāo)，物流系統(tǒng)要安排成品出庫路徑，而維護系統(tǒng)則要監(jiān)控設(shè)備健康狀態(tài)并安排維修窗口。每一個子系統(tǒng)都具備自己的任務(wù)環(huán)境、數(shù)據(jù)接口與反饋機制，試圖用一個大模型統(tǒng)一處理所有問題，不但效率低下，甚至可能因職責(zé)混淆而導(dǎo)致系統(tǒng)性風(fēng)險。

真正有效的架構(gòu)，應(yīng)該是多個具備專業(yè)能力的智能體，通過共享感知、有限通信與明確邊界，完成協(xié)同工作。這種多智能體協(xié)作模式，不僅更符合工程實踐的可維護性與可擴展性，也更貼合復(fù)雜系統(tǒng)的運行規(guī)律。

在融合路徑上，AI智能體承擔(dān)的是認(rèn)知與決策的職責(zé)，而物聯(lián)網(wǎng)設(shè)備則負(fù)責(zé)感知與執(zhí)行的任務(wù)。整個過程中，智能體不僅是任務(wù)的決策者，更是環(huán)境變化的響應(yīng)者與系統(tǒng)資源的協(xié)調(diào)者。

反觀一些“偽智能”的案例，常常淪為淺層交互的升級：控制臺加了一個語音助手，家居系統(tǒng)增加了一個聊天界面，看似“智能體驗”增強，實則核心能力未變——系統(tǒng)沒有真正理解任務(wù)目標(biāo)，設(shè)備之間依然孤立運行，用戶的意圖也未轉(zhuǎn)化為系統(tǒng)協(xié)同。這種“換殼不換魂”的做法，不僅難以帶來實質(zhì)性價值，還可能加劇用戶對AIoT的誤解與倦怠。

3

值得投入?yún)s容易走偏

智能體+AIoT正站在分水嶺上

當(dāng)下，AI智能體與AIoT的融合正處在一個值得投入、但也極易誤入歧途的臨界點。

一方面，技術(shù)基礎(chǔ)日趨成熟，似乎一切條件都已就緒；另一方面，卻又充斥著誤解、簡化與炒作，使得真正的價值落地變得更加復(fù)雜而艱難。

從技術(shù)演進的角度來看，AI智能體與AIoT的結(jié)合正迎來前所未有的機會窗口。首先，物聯(lián)網(wǎng)設(shè)備的標(biāo)準(zhǔn)化程度顯著提高，通信協(xié)議、邊緣計算框架、數(shù)據(jù)接口逐步統(tǒng)一，極大降低了智能體部署與接入的門檻。其次，AI模型的微調(diào)與強化學(xué)習(xí)技術(shù)不斷成熟，使得智能體具備了從任務(wù)中學(xué)習(xí)、從反饋中優(yōu)化的能力，這標(biāo)志著它們開始從科研原型走向可部署系統(tǒng)。

然而，正是因為技術(shù)變得看似“可用”了，風(fēng)險也隨之變得更隱蔽、更誘人。

第一個常見的誤區(qū)，是將“接入大模型”錯當(dāng)為“擁有智能體”。這種幻覺危險的地方在于，它成功地制造了“智能感”，但卻沒有任何系統(tǒng)性的智能能力，一旦進入復(fù)雜環(huán)境，便暴露出決策紊亂、執(zhí)行失控、無法追責(zé)等根本性缺陷。

第二個誤區(qū)，則是忽視任務(wù)的執(zhí)行閉環(huán)。一個真正能夠落地的智能體，必須擁有任務(wù)狀態(tài)的跟蹤能力、執(zhí)行路徑的規(guī)劃與調(diào)整能力，以及結(jié)果的驗證與反饋機制。

第三個更根本的問題，是缺乏場景設(shè)計能力。有效的AIoT系統(tǒng)，不是技術(shù)的集合，而是圍繞具體場景構(gòu)建的智能任務(wù)網(wǎng)絡(luò)。這要求系統(tǒng)設(shè)計者既懂技術(shù)，又懂業(yè)務(wù)流程，能夠把“感知-理解-行動-反饋”的閉環(huán)嵌入到真實的用戶路徑中。

因此，AI智能體與AIoT的結(jié)合，是一條值得走的路，但絕不是一條可以“走捷徑”的路。

4

如何讓“智能體+AIoT”走出幻覺扎根現(xiàn)實？

圖：CRMarena-Pro首個面向AI智能體的多輪企業(yè)級基準(zhǔn)測試

當(dāng)AI智能體與AIoT的融合逐漸成為新一輪技術(shù)熱潮，如何避免這一趨勢重蹈“科技泡沫”的覆轍，成為繞不開的問題。

歷史已反復(fù)證明，技術(shù)本身并不會失敗，失敗的往往是脫離現(xiàn)實的期待、脫節(jié)場景的設(shè)計、及缺乏治理的系統(tǒng)結(jié)構(gòu)。

真正的智能系統(tǒng)，不是為Demo存在，而是為持續(xù)運行而構(gòu)建。這意味著設(shè)計初期就必須面向部署，考慮任務(wù)生命周期的管理、資源調(diào)度的優(yōu)化、異常狀態(tài)的處理，以及用戶與系統(tǒng)之間的長期交互。在這一過程中，一個系統(tǒng)性的評估框架是不可或缺的。

例如，Salesforce推出了首個面向智能體的多輪企業(yè)級基準(zhǔn)測試CRMArena-Pro，提供了一套面向任務(wù)完成率、多輪交互能力、策略合規(guī)性與系統(tǒng)安全性的綜合評估體系，使開發(fā)者能夠在早期就識別設(shè)計缺陷，避免“看起來很智能”的產(chǎn)品在真實環(huán)境中崩塌。

站在企業(yè)戰(zhàn)略與開發(fā)實踐的角度，我們也需要一套判斷標(biāo)準(zhǔn)，來識別哪些“智能體+AIoT”項目具有真實價值，而哪些只是被營銷包裝的幻覺。

這四個問題可能可以作為初步的判斷基準(zhǔn)：其一，系統(tǒng)是否具備完整的“感知-決策-執(zhí)行-反饋”閉環(huán)？其二，是否解決了一個現(xiàn)實世界中存在的效率瓶頸或人力痛點？其三，系統(tǒng)的運行是否可以用ROI、任務(wù)完成率、錯誤率等指標(biāo)進行量化評估？其四，智能體是否作為任務(wù)執(zhí)行的參與者，而不僅僅是一個界面入口或數(shù)據(jù)查詢工具？

真正的智能，其標(biāo)志不在于解決頂尖難題的巔峰表現(xiàn)，而在于橫跨所有簡單與復(fù)雜任務(wù)的持續(xù)、穩(wěn)定、不出錯的泛化能力。

在某些行業(yè)，AI智能體的價值已經(jīng)開始顯現(xiàn)。

在精準(zhǔn)醫(yī)療領(lǐng)域，法國AI生物技術(shù)公司Owkin構(gòu)建的癌癥研究AI智能體整合了超過百萬名患者的多模態(tài)數(shù)據(jù)，推動靶點識別、患者分類及臨床試驗優(yōu)化，顯著提升了個性化治療水平。

在基礎(chǔ)設(shè)施與公共服務(wù)領(lǐng)域，智能體也正在推動傳統(tǒng)系統(tǒng)的智能重構(gòu)。以金科環(huán)境自主研發(fā)的“水蘿卜AI智能體”為例，該智能體已在無錫區(qū)域5座水廠上線，實現(xiàn)L4級無人值守運營，替代超過90%的人工日常任務(wù)，使得運維團隊縮減60-70%，能耗降低15%，綜合運營成本下降35%，而且通過了工信部“AI產(chǎn)業(yè)創(chuàng)新場景應(yīng)用案例”權(quán)威評估。

智能體不是萬能鑰匙，AIoT也不是萬能容器。AI智能體的真正價值，并不在于“讓設(shè)備更聰明”，而在于構(gòu)建一種更具協(xié)同能力的系統(tǒng)結(jié)構(gòu)。智能體與AIoT的結(jié)合，是推動AIoT從“連接”走向“智能協(xié)作”的關(guān)鍵轉(zhuǎn)折點，但它絕不是技術(shù)演進的終點。

事實上，如果我們只是為了“看起來更智能”，便在每一個設(shè)備中部署一個大模型、每一個系統(tǒng)中塞入一個智能體，我們最終只會制造出一個個無法協(xié)同、難以維護的“偽智能系統(tǒng)”。

真正值得追求的，不是每個設(shè)備都能對話，也不是每個終端都能推理，而是整個系統(tǒng)能夠圍繞真實任務(wù)形成動態(tài)、高效、可控的協(xié)作網(wǎng)絡(luò)。未來的AI創(chuàng)新，或許沒有驚艷的界面、流暢的語義生成，甚至也不那么“像人”，但它們能夠真實地承擔(dān)責(zé)任、解決問題、創(chuàng)造價值。

參考資料：

1. CRMArena-Pro: Holistic Assessment of LLM Agents. Across Diverse Business Scenarios and Interactions，來源：Salesforce AI Research
2. Agentic AI: the evolution of intelligent automation，作者：Paras Sharma，Joydeep Bhattacharyya，來源：Transforma Insights
3. Salesforce AI推出CRMArena-Pro：首個面向LLM代理的多輪企業(yè)級基準(zhǔn)測試，來源：nxrte.com

本文作者：彭昭（智次方創(chuàng)始人、云和資本聯(lián)合創(chuàng)始合伙人）

本文來源：物聯(lián)網(wǎng)智庫