问题——从“生成答案”到“交付结果”，能力边界亟待突破； 近两年，生成式应用在内容生产、检索问答、辅助编程等场景快速普及，提升信息生成效率。但在真实业务中，需求往往不是“得到一段文字”，而是“把事情做成”：订票、预约、下单、流程流转、跨系统对接、持续迭代优化等，通常涉及多步骤、多工具、多约束与长周期管理。仅依靠一次性对话输出，难以完成任务闭环，也难以满足企业对可靠性、可追溯与可治理的要求。由此，“从会说到会做”的能力跃迁成为行业普遍关切。 原因——智能体兴起，推动计算范式从模型中心转向任务中心。 黄仁勋在访谈中提出，人工智能核心范式正在从大模型处理转向智能体处理，并给出算力增长判断：从生成式阶段到推理阶段，算力需求提升约两个数量级；从推理阶段到智能体阶段，预计再提升约两个数量级。其逻辑在于，智能体并非单次生成，而是围绕目标进行“理解—规划—执行—反馈—再规划”的循环，过程中要反复调用模型与外部工具，并维护工作记忆与长期记忆，形成持续运行的任务链条。 业内观点认为，智能体更接近“可调度的数字劳动力”：能分解目标、选择工具、管理上下文、记录进度，并在多轮迭代中优化策略。部分新兴开源项目的出现，也在一定程度上折射行业探索方向——即把记忆、文件/草稿区、任务调度、输入输出与可扩展接口等能力进行系统化封装，使其更像一套完整的“任务执行计算模型”。这意味着，竞争焦点正在从“参数规模与生成质量”延伸到“执行能力、协作能力与系统工程能力”。 影响——负载形态被改写，算力基础设施面临结构性重构。 智能体带来的首要变化，是工作负载从相对标准化转向动态化、碎片化与多样化。大模型时代的训练与推理，往往可以在较稳定的算子与批量处理中获得较高利用率；而智能体运行中，频繁的工具调用、检索访问、状态写入、长短期记忆交互，会显著抬升对存储与网络的压力，也使计算呈现“时强时弱、冷热交替”的特征。 其次，多智能体协同将推动“多模型混用”成为常态：复杂推理可能需要大模型支撑，低延迟响应可能更适合轻量模型，特定内容生成可能依赖扩散等专用模型，垂直任务又需要领域模型与规则系统配合。这种“多模型、多工具、多节点”的协作方式，使单一通用芯片难以在成本、能效与时延上同时达优。 因此，“解耦推理”和“异构计算”被视为重要路径：将推理流程拆分，把不同环节分配给更匹配的计算单元与系统组件，由GPU、CPU、网络处理器及各类专用加速器协同完成，并以高吞吐互联、分层存储与高效调度系统加以支撑。对产业而言，这将带动服务器形态、数据中心架构、软件栈与运维体系同步升级，也会重塑从芯片、整机、云服务到行业应用的分工格局。 对策——以系统思维完善“算力—数据—工具—治理”协同能力。 业内人士指出，迈向智能体并非简单叠加模型规模，更关键在工程化与体系化建设： 一是夯实数据与工具底座。智能体要“做事”，必须安全、稳定、可审计地接入业务系统与外部工具，打通接口标准与权限体系，避免“能调用但不可控”。 二是升级算力与存储网络协同。针对高频检索、记忆读写与多模型并发等特征，需要在存储层、网络层与调度层形成整体优化，提升资源利用率并降低时延抖动。 三是强化可靠性与治理能力。智能体执行涉及权限、合规与责任边界，应在日志追踪、行为约束、风险预警与人工接管机制上形成制度化安排，确保“可用、可控、可信”。 四是推进软硬件协同创新。通过模型压缩、推理加速、任务编排、缓存机制与端云协同等手段，在成本可承受前提下实现规模化落地。 前景——或将孕育新一代计算平台与产业增量空间。 从行业发展规律看，每一次计算平台变迁都会带来应用爆发与产业再分配：个人电脑推动办公与软件产业兴起，移动互联网催生平台经济与应用生态。智能体若能实现“目标驱动的自动执行”，有望深入降低数字化门槛，推动更多企业与个人以更低成本获得自动化能力，带动软件交付、企业服务、内容生产、研发运维、客户服务等领域的流程再造。 同时也需看到，智能体规模化仍面临多重挑战，包括复杂任务的稳定性、跨系统执行的安全性、长期记忆的质量控制、成本与能耗约束以及监管合规要求等。未来一段时间，行业或将经历从概念热度走向场景落地的筛选期：谁能在关键行业形成可复制的闭环方案，谁就更可能在下一阶段竞争中占据先机。
当计算技术从机械执行走向自主决策，人类正站在新一轮科技变革的门槛上；由智能体引领的变化，可能像电力应用与互联网普及一样，深刻影响生产与生活方式。面对机遇与挑战并存的未来，如何建立相匹配的技术伦理与产业标准，仍需要全行业持续讨论。历史经验也表明，真正的技术革命不仅是性能提升，更意味着思维方式与价值体系的重塑。