在智能化加速演進的當下，企業正從單點應用AI工具，走向以大模型、智能體和組織協同為核心的系統性變革。9月4日至5日，A2M星空人工智能創新峰會在上海IBP國際會議中心順利舉辦，大會聚焦AI技術與產業實踐的深度融合，匯聚來自技術、產品、業務與組織管理領域的實踐者，圍繞AI原生組織建設、智能體協作、產業應用創新與企業生產方式升級等議題展開深入交流，共同探討企業如何抓住智能化轉型窗口，重構技術與業務的連接方式，推動AI從效率工具進一步成為驅動組織創新與產業增長的新引擎。
一線大咖集結，
拆解AI原生時代的真實戰局
開幕式特邀五位產業一線領軍者帶來硬核主題分享——從智能體網絡協同、數據底座重構，到多模態交互進化與AI自進化實踐，直擊AI規模化落地中最真實的技術抉擇與組織陣痛。以下為本次開幕式核心干貨完整梳理：
劉付強：用工程師文化構建 AI-Native 組織
_
msup創始人兼CEO、微上信息技術研究院院長劉付強，以“用工程師文化構建AI-Native組織”為題進行了分享。他結合多年服務企業、開展培訓與組織陪跑的實踐指出，AI正在從輔助工具逐步轉變為組織的重要生產方式。企業競爭的關鍵，也將從單純比較人才數量、技術投入和Token消耗，轉向重新思考人機協同、組織能力、創新效率以及價值創造。
他認為，AI-Native組織并非簡單地增加幾個AI工具或Agent，而是要從業務、戰略、組織和技術架構等多個層面進行系統重構。圍繞這一目標，他分享了DRIVE模型，并提出了以下五項關鍵實踐：
第一，推動技術戰略解碼，從“支撐業務”走向“引領業務”。企業首先要回答“要打造什么樣的組織、圍繞什么樣的業務發展”等根本問題，再將AI納入商業戰略與組織戰略。技術委員會也應重新定位，從過去偏重技術選型和產品創新的職能，升級為由CEO或董事長牽引的AI戰略治理機制，明確未來一段時期的技術主航道，并根據模型、產品和業務變化持續調整，推動技術成為業務創新和商業模式變化的重要驅動力。
第二，推動組織認知與能力重塑，實現戰略意圖與一線執行對齊。AI轉型不只是工程師的技能升級，更要求CEO、董事長和中高層管理者首先形成戰略共識。企業應通過“訓戰結合”而非單一培訓，圍繞定標、對標和達標，提升不同崗位的人機協同能力，重新定義組織中的勝任力。未來，企業管理的不僅是傳統的人力配置，還包括人與Agent、模型和工具之間的任務分工與協同組合。
第三，構建持續創新和試錯的組織土壤，促進智慧涌現。當AI顯著降低了Demo和原型開發的門檻，創新就不再只是少數技術人員的任務，而應成為全員參與的組織機制。企業可以通過創新基金、Hackathon、創新實驗室、聯合共創和揭榜掛帥等方式，鼓勵員工和團隊主動探索。同時，創新不能停留在大量Demo的堆積上，還要建立面向客戶洞察、市場價值和商業結果的判斷機制，篩選真正有機會形成第二增長曲線的創新成果。
第四，跨越創新鴻溝，從“技術管理”走向“技術經營”。AI項目從原型走向規模化和商業化，往往會面臨明顯的創新鴻溝。技術負責人不能只關注研發進度、技術指標和項目交付，還需要以經營者的視角審視技術投入，關注技術如何轉化為收入增量、利潤改善和客戶價值。CTO及技術管理者應逐步成為業務和經營的參與者、結果的承擔者，推動AI從“成本項”轉變為“經營變量和利潤變量”。
第五，建設高效能組織，將組織經驗和能力沉淀為可復用的數字化資產。AI時代，組織效能的核心不再是單純儲備多少人力或消耗多少Token，而是價值能否高效流動并轉化為經營結果。企業應建設面向自身業務的組織級技術中臺或Harness，將內部知識、流程、專家經驗和最佳實踐沉淀為知識庫、Skill和Agent，形成能夠被不同崗位持續調用的數字員工與組織能力。進一步地，企業還可以借助MCP等協同機制，連接內部部門與外部生態，讓組織能力成為可組合、可復用、可協同的價值接口。
劉付強最后表示，AI-Native組織的建設不是一次性完成的技術項目，而是一場貫穿技術戰略、組織認知、創新機制、經營意識與效能體系的持續變革。技術人員需要從技術架構師走向業務架構師、組織架構師，與CEO共同完成組織系統的重新設計，最終把技術能力轉化為真實的商業價值和經營成果。
郭振宇：從 Agent Collaboration 到 Coherence Engineering：Avernet與長期演化的智能體網絡
_
螞蟻安全 AI 基礎設施負責人郭振宇以“從 Multi-Agent 到 Coherence Engineering：Avernet 與長期演化的智能體組織”為主題進行分享。他介紹，團隊從2026年年初開始推進Agent組織基礎設施建設，目前相關系統已經在公司內規模化部署，并有多個BG在使用，同時也已經開源。結合這一階段的實踐與下一步的思考，他認為，Agent組織的建設不能只關注多Agent如何完成任務，還需要進一步解決它們之間如何形成持續、穩定和可演化的協作。
核心思考一：任務可以結束，但協作不能隨之消失。比如一個多Agent貸款審批流程完成之后，企業經營狀況、所屬行業和外部環境仍可能發生變化，原有評估也可能需要重新審視、調額或復審。此時，企業需要知道過去是誰分析過、當時為什么這樣判斷、誰負責后續監控，以及出現新情況后應該通知誰。因此，問題就從“Agents如何完成當前任務”，轉變為“Agents如何保持長期協作”。
核心思考二：整體目標從以任務為中心，轉向以協作為中心。當前方式更多關注任務完成率，在任務前尋找合適的Agent、組隊和授權，在任務中通過工作流或動態協作完成執行，在任務后進行評價和優化。但當Agent數量不斷增加之后，企業還會遇到找不到合適協作對象、各自目標完成但整體目標沒有實現、單個Agent運行很快但整體協作效率沒有提升，以及完成任務后協作關系沒有沉淀等問題。以協作為中心，需要在任務前關注成員關系、權限和風險，在任務中處理既有關系與臨時協作之間的選擇，在任務后持續更新關系、角色、路由、協作單元和組織狀態。
核心思考三：哪些對象應該成為以協作為中心的Agent系統設計的一等公民。他認為，Agent協作是以身份、關系、權限和上下文記憶為基礎，將協作本身沉淀下來，使任務能夠不斷穿越這些持續存在的協作關系，并影響后續任務的執行。圍繞這一方向，團隊探索了Bot Coordination Network（BCN），用于管理Agent之間的身份發現、信任關系、邀請、授權和委托等關系問題；同時探索不同的協作空間和協作拓撲，使單聊、群組、開放式論壇和分布式計算等模式能夠根據不同任務進行組合。
郭振宇分享最后提到，多Agent協作還面臨語義漂移的問題：同一個概念被不同協作空間、不同Agent和不同時間點引用時，可能產生不同理解，導致局部執行正確，但整體系統并不一致。對此，團隊提出了Coherence Engineering的探索方向，最終，他將這一思路概括為：一次任務，可以靠編排；長期協作，需要組織；持續演化，需要 Coherence Engineering。
范孝劍：從服務人到服務 Agent：重塑數據底座
_
騰訊云數據庫研發總監范孝劍帶來了主題為《從服務人到服務 Agent：重塑數據底座》的分享。他指出，數據庫的服務對象正在第一次從“人”轉向“Agent”：過去，人通過一條 SQL 即可完成查詢；而在 Agent 場景中，系統往往需要先讀取歷史對話、檢索知識、查詢業務狀態，再將執行結果寫回數據庫。隨之而來的，是數據庫服務范式的三重變化：數據消費者從工程師、BI 和應用系統，擴展為 Agent 與自主工作流；數據結構從結構化報表為主，演進為文本、圖片、日志、向量、圖關系等多模態并存；數據庫的角色，也從單純的事實記錄系統，升級為支撐智能體執行的基礎設施。
而Agent 從demo走向生產，真正的瓶頸并不在模型，而在數據層本身：一是記憶缺失，向量、全文與關系查詢彼此割裂，導致 Agent 難以形成持續認知；二是彈性不足，脈沖式流量讓傳統資源供給方式難以匹配成本模型；三是迭代受阻，缺少低成本 Branch、Clone 與回滾能力，一次誤操作就可能污染主庫。
圍繞這些挑戰，騰訊云數據庫沉淀出面向 Agent 時代的數據底座能力體系，包括 Agent 原生架構、多模統一、語義與記憶、治理與自治四個方向，并形成了 TDSQL-C、CloudBase、TDSQL Boundless、Agent Memory、DatabaseClaw 等一整套產品布局。其中，TDSQL-C 提供 Serverless 彈性與秒級零拷貝 Branch，支持閑時歸零和快速試錯；CloudBase 進一步把后端“最后一公里”收斂為 BaaS；TDSQL Boundless 以一張多模表統一關系、JSON、全文、向量、圖與對象存儲；Agent Memory 則通過 L0-L3 四層記憶架構，將單 Agent 記憶擴展到團隊共享，在 SWE-Bench 上將成功率從 60% 提升至 80%，并將成本降低 66.3%，項目已開源斬獲2萬+Star；DatabaseClaw 依托四級操作分權、全鏈路審計和 10 萬級工單沉淀的專家 Skill，推動數據庫治理走向根因定位與自愈自治。
他強調，正是騰訊云數據庫 15 年云端運營經驗、100% 災備切換成功率、50 萬+核心業務承載能力以及金融級安全體系，構成了支撐 Agent 時代的底氣。未來，核心系統與 Agent 應用將共用一套數據底座——服務對象變了，但對穩定性、性能與智能化的要求并沒有降低。
姚遠：邁向類人交互的多模態大模型
_
面壁智能學術合伙人、多模態智能首席科學家，清華大學星空人工智能學院助理教授姚遠分享了“邁向類人交互的多模態大模型”。他指出：全雙工全模態已成為多模態大模型的重要趨勢。基于端側智能爆發趨勢，面壁從 MiniCPM-V、MiniCPM-o 系列起步持續探索，并于 2026 年初發布行業首個開源全雙工全模態模型 MiniCPM-o 4.5。
但傳統視覺語言模型仍停留在"離線靜態數據 + 一問一答輪次"的窠臼，距離人類多模態智能相差甚遠；類人交互的關鍵一是上下文帶寬——讓模型直接接管人感受到的全模態上下文，二是"bitter lesson"——讓交互能力成為模型的原生能力，而不是外部 pipeline 或 hook。
圍繞"更像人"的目標，他提出三大特性：① 高同步 IO，token-level 全雙工讓模型在說話的同時實時看與聽，輸入輸出毫秒級對齊；② 自由交互，每秒高頻自主判斷說話時機、內容與韻律，覆蓋打斷、插話與主動說話；③ 低延遲自然語音生成，循環一秒生成保證長語音穩定。架構上以全模態主干 + 輕量級各模態編解碼器 + 隱層 token-level 緊密連接實現，并把系統提示擴展為"文本 + 參考音頻"實現端到端語音克隆。MiniCPM-o 4.5以 9B 參數量在單卡 4090 上即可流暢推理，相比此前 35B / 兩臺 A800 的方案效果可比、效率顯著提升；配套自研 llama.cpp-omni 端側推理框架已適配 Mac M5、4090、5070 等設備，并已在汽車、手機、具身智能、智能座艙等場景規模化落地。
他判斷全雙工交互已成行業共識，全模態與全雙工加速融合，模型正從"能說話"走向"實時智能"，并演進為端云協同的新一代形態：端側承接低延遲、隱私敏感的伴隨式交互，云側承載復雜任務——類人多模態助手將在手機、PC 上迎來自己的"PC 時代"。
霍承富：AI 自進化—技術趨勢與業務實踐
_
淘天集團-1688事業部CTO霍承富分享了“AI 自進化—技術趨勢與業務實踐”。他表示，AI Native 產品與傳統互聯網最大的不同，在于具備"自進化"能力。他把智能躍遷分為感知智能、認知智能、自主智能三層，當下焦點已從"能理解"轉向"自主執行"；系統進化有三條路徑：Training-Free（圍繞 Skills、上下文與記憶工具迭代，不重訓模型也能越用越懂業務）、Training-Based（以真實業務軌跡做蒸餾與強化，讓小模型在垂直場景逼近大一個數量級模型的效果、壓低推理成本）、Product Evoloop（從用戶軌跡中抽取未滿足需求，自動生成 PRD / Bugfix 工單并由 AI Coding 執行上線，產品自驅演進）。
從需求側看，舊范式是"設計交互流程、用戶適配系統"，ChatGPT 之后轉向深度理解與持續對話，如今則是 Agentic 的理解與自主規劃。他以 1688 線上的 AI 搜索產品為例：Agent 自主完成檢索、供應商資質校驗、IM 詢盤等一整串動作，引入 self-improvement 機制后用戶留存曲線明顯上揚。但他強調要"保持敬畏"——成敗取決于 LLM + Harness + Environment，長程任務仍受制于記憶與上下文、規劃與分解、錯誤累積三大難題。
為此團隊做"自主經營"：讓 Agent 店長自主完成選品、鋪貨、定價、客服、履約與復盤，采用 Master–Worker 架構，由 Master 提出經營假設、多 Worker 并行做控制變量實驗、交叉驗證后沉淀可遷移的經營 Skill，線下 5 家店鋪跑出約 10% 的利潤率。為量化長程能力，他們開源 Merchant Bench：365 天 ×24 小時逐小時推進，含 98,843 個 SKU、36,576 家供應商、26 個商家工具。結果顯示最佳 Agent 期末凈資產僅為人類的 27.3%，固定 SOP 的 Workflow 反超多數自由決策 Agent，并暴露"動作一致性"與"策略一致性"隨時間衰減兩大問題。
他總結，智能躍遷、自主經營與仿真環境構成自主智能飛輪，帶來生產力的指數級釋放；但真實生產環境可能發生資損，對齊、可控性與可解釋性仍是挑戰——在能力狂奔時為 AI 裝上"方向盤"和"剎車"，是大廠必須承擔的責任。
從 Demo 到生產：
企業級 Agent 落地的三道關
在本屆開幕式Panel環節，技術領導力創始人黃哲鏗作為主持人；Microsoft Principal Group Engineering Manager, STCA Agentic Innovation Team魏瑋、國金證券首席信息官王洪濤、中國企業知識開源計劃創始人 前波士頓咨詢Platinion董事總經理陳果三位嘉賓，一致認為，企業 Agent 從 demo 走向生產，關鍵不在模型夠不夠強，而在能否找到"模型能力已及、業務收益明顯"的交集。魏瑋主張放棄通用 Agent，鎖定具體問題與特定人群做內部共創，用"團隊滲透率"和"使用強度"兩個指標驗證需求真偽與可推廣性；王洪濤強調 POC 之前先做"輕咨詢"對齊認知，再用業務價值與可行性兩個維度做九宮格排序，POC 后還要校準準確率與 token 成本，不達標就及時止損；陳果以社保代繳、合同風控、智能投標等案例說明點狀應用已經跑通，同時援引 Gartner 今年 4 月的 Agentic AI 成熟度曲線提醒，行業整體仍處于期望爬升期——從 Chatbot/Copilot，到可被編排進流程的 Agentic Workflow，再到群聊式的人機協同（Human-Agent Collaboration），三種形態成熟度依次遞減，后者走向成熟仍需五年以上。
圍繞火熱的 FDE 與組織流程變革，三位的判斷同樣務實。魏瑋認為 FDE 的核心是與行業專家共同識別"有 pattern、有周期性、可衡量"的任務并定義評價標準，同時搭建人與 Agent 之間的上下文拓撲；王洪濤更愿意稱之為"AI 產品經理"，其成效取決于中臺的 API、MCP 與數據是否開放可達，單兵作戰遠不如組織協同；陳果則直言 FDE 與當年的 ERP 實施顧問并無本質區別，只是技術棧從后端配置升級為"AI 全棧"，且需要 Echo（懂業務）與 Engineer（能落地）兩類角色配合。落到流程與組織，魏瑋建議優先替換 SOP 中"信息相對封閉、結果易判定"的環節；王洪濤指出強監管行業的"雙人復核"等規則需同步演進，非監管領域則可圍繞 AI 原生工作流把七八個角色壓縮為"產品經理 + 全棧工程師"，試點效率提升三到五倍；陳果強調不要以工程師思維看待組織——傳統 Workflow 是預先編排的結構化執行，Agent 則是目標驅動的推理與迭代，企業要重劃的是每條流程的邊界、決策點與控制點，把可審計可追溯的風控點握在手中，其余放心交給 Agent，因為"Agent 替代的是 task，不是人"。
大模型前沿風向
50個AI落地實戰全解
本屆大會為期2天，共設置15個專題演講分論壇。技術專題包括agentic時代的數據分析與數據工程、AI Agent架構設計與工程落地、智能體新基建：從Harness到Loop再到自進化、Agentic工程與企業級智能體落地、AI Agent重塑企業全域生產力與研發新范式、AI原生基礎設施建設、大模型底層技術迭代與推理優化、行業大模型的工程化實踐、多模態與AIGC：模型能力的工程化實踐、AI賦能研發效能倍增、AI安全內容與風險治理、金融垂直大模型、Agent驅動業務：從場景選擇到可靠交付、AI驅動研發：從代碼生成到全流程交付等，結合諸位講師的實踐經驗，幫助參會者掌握AI工程化與產品創新的核心方法，應對大模型時代的落地挑戰。
嗶哩嗶哩游戲技術中臺算法負責人王磊在"多模態與AIGC"分會場分享《從"能翻"到"敢交付"——B站游戲大模型支撐數百萬字本地化的三次進化》。他介紹，B站以四層架構的大模型翻譯體系替代傳統人工流程，通過自動術語挖掘、檢索增強翻譯與翻譯質檢模型，使翻譯周期縮短85%以上、成本節省70%~80%，支持10種語言同步發布，線上客訴控制在萬分之一以內，完成了游戲數百萬字本地化的"三次進化"。
科大訊飛Agent開發專家盧祎俊帶來《用AI Coding構建AI Agent：AstronAgent從代碼生成到全流程交付》。他介紹了 Astron Agent 項目的整體定位、核心架構與關鍵能力，展示其在 AI Agent 應用開發中的工程化實踐。隨后重點分享了個人如何通過 Loop Engineering，將 AI Coding 引入真實研發流程，自動化解決需求拆解、代碼開發、測試驗證、CI 檢測、部署上線等環節中的效率與質量問題，形成從需求到交付的自動化閉環。通過這一實踐，Astron Agent 項目的研發流程正在從傳統人工驅動，逐步演進為 AI 原生、自動化、可驗證的工程體系，為復雜 AI 應用平臺的持續迭代和規模化交付提供了新的實踐路徑。
作業幫售賣平臺研發部負責人張朋在"AI賦能研發效能倍增"分會場分享了《從方案設計到自動化測試：AI Coding重構軟件研發流程實踐落地》話題。他指出代碼產出更快、交付卻不一定更快，癥結在于需求未成契約、上下文失真、驗證缺失與協作斷點；作業幫把不確定的AI生成裝進可觀測、可驗證、可回滾的工程系統獲得一套覆蓋 PRD、技術方案、代碼生成、Code Review、自動化測試和知識沉淀的端到端落地框架。
個推算法專家、AI架構師書酉分享的《Agentic數據分析驅動企業智能運營：從智能問數到策略執行的全鏈路工程實踐》獲得了現場的一致好評。他重點拆解了語義治理、可信查詢、診斷推理、策略生成、人工決策門禁、運營編排和效果反饋等關鍵工程環節，說明如何構建“數據查詢－分析歸因－策略生成－運營執行－效果評估－持續優化”的閉環，讓數據分析真正進入企業日常運營工作流，揭秘個推AIBI智能問數登頂“NL2SQL全球最難榜單”，實現準確率全球第四，效率全球第六背后的技術實力。
此外，得物、快手、小紅書、騰訊音樂、京東、蔚來汽車、字節跳動等公司的技術專家，也圍繞企業級Data Agent架構、大模型推理加速、一站式Harness研發平臺與智能座艙問答工程化等議題深度分享，共同勾勒出AGI時代企業數字化轉型與智能進化的全景圖。
生態共振，聚勢共贏
大會圓滿舉辦，背后是生態伙伴的深度參與與協同共創。除了一場場高密度技術演講，合作伙伴打造的沉浸式互動展區，更成為全場人氣焦點。
個推、金山、騰訊等領軍企業悉數亮相，集中展示最新技術成果與創意交互體驗，展區交流熱度不斷攀升。參會者在這里沉浸式體驗AI創新應用，面對面深度探討，在思想碰撞中勾勒技術落地的現實路徑
AI落地——從技術驗證
到規模化提效的挑戰
為了幫助參會者進行更深入的交流探討，會議第一天晚上，A2M大會開設了panel開場，由Komputer Blue創始人來新璐主持，安徽聽見科技有限公司SaaS平臺研發經理何旭峰、深圳傳音控股集團公司TEX AI電商負責人張宗碧、月之暗面API部門Dev Rel唐飛虎同臺，結合各自的落地經驗，討論AI從技術驗證走向規模化提效的真實路徑，這場晚宴成為了大會之外又一場沒有標準答案的實戰復盤。
攜手同行，北京A2M再見
A2M峰會上海站圓滿落幕，在這里，特別感謝各位講師以及業內同仁共同把握行業技術走勢，與參會者分享2026年最新的實踐成果，攜手為推動技術生態良好發展做出了努力。值此盛會圓滿落幕之際，我們謹向所有傾情奉獻的演講嘉賓及行業伙伴致以最誠摯的謝意！我們期待與更多創新力量攜手同行，在技術迭代的浪潮中共筑開放協作的AI新生態，以持續突破回應時代命題。大家明年再見！
星空人工智能技術網 倡導尊重與保護知識產權。如發現本站文章存在版權等問題，煩請30天內提供版權疑問、身份證明、版權證明、聯系方式等發郵件至1851688011@qq.com我們將及時溝通與處理。！：首頁 > 新聞 » AI落地，重構產研新范式！A2M星空人工智能創新峰會圓滿落幕