作者：彭昭（智次方創始人、雲和資本聯合創始合夥人）
這是我的第378篇專欄文章。
從大模型的爆發，到邊緣計算的逐漸普及，從智慧語音助手走進家庭，到智慧裝置接入雲端，AI智慧體與AIoT的結合，正成為產業界的新熱點。
但在技術熱潮的背後，我們必須提出一個冷靜的問題：我們是為了更好地改進現狀，還是又一次陷入了“智慧幻覺”？
在這個問題上，潛在風險已有跡可循。
當下正被熱議的AI智慧體概念，有被過度包裝的嫌疑。根據文章《過度炒作+虛假包裝?Gartner預測2027年超40%的代理型AI專案將失敗》中的論述，Gartner指出大多數所謂的AI智慧體系統，其實不過是“被賦予任務感的對話機器人”，缺乏真正的感知能力、行動能力和任務閉環能力。
而類似的情形，曾在物聯網的發展史中上演過一次。
2018年，思科釋出的一份研究報告稱，全球75%的物聯網專案最終失敗。
原因很簡單：在缺乏清晰目標與智慧控制邏輯的情況下，“為了連線而連線”只會帶來堆疊的複雜性，而非系統性的智慧。
因此，問題從來不是AI或IoT本身，而是那些脫離任務閉環、脫離場景價值的“空中樓閣發展路徑”。
這正是本文希望重新審視的問題：AI智慧體的真正出路，不在網頁瀏覽和虛擬對話，而在與真實物理系統的耦合——也就是AIoT。
物聯網是AI連線物理世界的底座。AI智慧體只有與物聯網裝置深度耦合、嵌入物理世界，才能擺脫“智商炫技”的宿命，真正成為AIoT場景中的價值創造者。我們需要的不僅是更智慧的工具，而應是更智慧的系統。
本文將從三個層面展開討論：
1. AI智慧體與AIoT結合的真實價值與系統結構；2. AI智慧體如何突破“演示智慧”的瓶頸，走向“場景智慧”；3. 如何透過“真實任務閉環”來驗證智慧體能力邊界，避免下一場技術泡沫。
AI智慧體為何必須“落地”？從虛擬智慧到物理閉環
AI智慧體目前仍面臨一個根本性瓶頸：它們大多生長在虛擬環境中，缺乏與真實世界的互動。
只有當AI智慧體開始與真實裝置互動，接收真實感測器資料，執行物理動作，面對環境不確定性，並對結果負責時，才具備了持續學習與最佳化的可能性。
這種從封閉輸入輸出向任務反饋閉環的演進，正是智慧系統從被動工具走向主動行為體的轉折點。而這一切，唯有在AIoT的系統中才能發生。
AIoT的本質，並不僅僅是裝置的聯網，而是系統的“任務化”。每一個連線的裝置，每一個感測器節點，都是智慧體理解世界、影響世界的一部分。
與其說AIoT是一個技術範疇，不如說它是AI智慧體的“任務環境”。在這個環境中，智慧體不再是一個等待呼叫的API，而是一個擁有目標感、排程權和反饋機制的自主執行者。
以智慧倉儲系統為例，AI智慧體不僅要理解訂單結構和庫存狀態，還需要即時排程多臺機器人，根據地麵條件、交通密度、任務優先順序進行動態路徑規劃，並在執行過程中不斷修正策略。
同樣，在自動充電樁排程中，AI智慧體必須預測未來負載峰值、識別車輛型別、判斷電池狀態，並依據即時電網負荷做出最優分配。
當然，AIoT本身也在逐步完善。事實上，傳統的物聯網專案之所以經常陷入“連線而不智慧”的困境，根本原因在於缺乏一個能夠理解“為何連線”的智慧主體。
在這樣的背景下，AI智慧體的引入，不是錦上添花，而是結構性的升級。AI智慧體不僅能夠對接感知的輸入，還能整合業務規則、目標約束、系統能力，形成具有自動規劃與適配能力的行為輸出。
因此，只有當AI智慧體深度嵌入AIoT系統，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環境與反饋機制。
從“接入模型”到“場景智慧”：AIoT需要的是系統，而非外掛
AI智慧體真正的價值，不在於呼叫某個API返回一個答案，而在於它是否具備面向任務的全流程能力，是否可以成為一個真正承擔責任的系統角色。也就是說，智慧系統並不是簡單的模型嫁接，而是系統能力的重構。
在面向真實世界的AIoT系統中，單一智慧體往往難以勝任全部任務。一個高度動態、任務多變的系統（如智慧工廠、智慧樓宇或城市能源系統），需要的不是“一個統領全域性的超級智慧”，而是多個智慧體在職責明確的前提下協同執行的系統性智慧結構。
以智慧工廠為例，排程系統需要根據訂單與庫存狀態分配任務節奏，質檢系統需要判斷產品是否達標，物流系統要安排成品出庫路徑，而維護系統則要監控裝置健康狀態並安排維修視窗。每一個子系統都具備自己的任務環境、資料介面與反饋機制，試圖用一個大模型統一處理所有問題，不但效率低下，甚至可能因職責混淆而導致系統性風險。
真正有效的架構，應該是多個具備專業能力的智慧體，透過共享感知、有限通訊與明確邊界，完成協同工作。這種多智慧體協作模式，不僅更符合工程實踐的可維護性與可擴充套件性，也更貼合複雜系統的執行規律。
在融合路徑上，AI智慧體承擔的是認知與決策的職責，而物聯網裝置則負責感知與執行的任務。整個過程中，智慧體不僅是任務的決策者，更是環境變化的響應者與系統資源的協調者。
反觀一些“偽智慧”的案例，常常淪為淺層互動的升級：控制檯加了一個語音助手，家居系統增加了一個聊天介面，看似“智慧體驗”增強，實則核心能力未變——系統沒有真正理解任務目標，裝置之間依然孤立執行，使用者的意圖也未轉化為系統協同。這種“換殼不換魂”的做法，不僅難以帶來實質性價值，還可能加劇使用者對AIoT的誤解與倦怠。
值得投入卻容易走偏：智慧體+AIoT正站在分水嶺上
當下，AI智慧體與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，技術基礎日趨成熟，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複雜而艱難。
從技術演進的角度來看，AI智慧體與AIoT的結合正迎來前所未有的機會視窗。首先，物聯網裝置的標準化程度顯著提高，通訊協議、邊緣計算框架、資料介面逐步統一，極大降低了智慧體部署與接入的門檻。其次，AI模型的微調與強化學習技術不斷成熟，使得智慧體具備了從任務中學習、從反饋中最佳化的能力，這標誌著它們開始從科研原型走向可部署系統。
然而，正是因為技術變得看似“可用”了，風險也隨之變得更隱蔽、更誘人。
第一個常見的誤區，是將“接入大模型”錯當為“擁有智慧體”。這種幻覺危險的地方在於，它成功地製造了“智慧感”，但卻沒有任何系統性的智慧能力，一旦進入複雜環境，便暴露出決策紊亂、執行失控、無法追責等根本性缺陷。
第二個誤區，則是忽視任務的執行閉環。一個真正能夠落地的智慧體，必須擁有任務狀態的跟蹤能力、執行路徑的規劃與調整能力，以及結果的驗證與反饋機制。
第三個更根本的問題，是缺乏場景設計能力。有效的AIoT系統，不是技術的集合，而是圍繞具體場景構建的智慧任務網路。這要求系統設計者既懂技術，又懂業務流程，能夠把“感知-理解-行動-反饋”的閉環嵌入到真實的使用者路徑中。
因此，AI智慧體與AIoT的結合，是一條值得走的路，但絕不是一條可以“走捷徑”的路。
如何讓“智慧體+AIoT”走出幻覺，紮根現實？
當AI智慧體與AIoT的融合逐漸成為新一輪技術熱潮，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。
歷史已反覆證明，技術本身並不會失敗，失敗的往往是脫離現實的期待、脫節場景的設計、及缺乏治理的系統結構。
真正的智慧系統，不是為Demo存在，而是為持續執行而構建。這意味著設計初期就必須面向部署，考慮任務生命週期的管理、資源排程的最佳化、異常狀態的處理，以及使用者與系統之間的長期互動。在這一過程中，一個系統性的評估框架是不可或缺的。
例如，Salesforce推出了首個面向智慧體的多輪企業級基準測試CRMArena-Pro，提供了一套面向任務完成率、多輪互動能力、策略合規性與系統安全性的綜合評估體系，使開發者能夠在早期就識別設計缺陷，避免“看起來很智慧”的產品在真實環境中崩塌。
站在企業戰略與開發實踐的角度，我們也需要一套判斷標準，來識別哪些“智慧體+AIoT”專案具有真實價值，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：其一，系統是否具備完整的“感知-決策-執行-反饋”閉環？其二，是否解決了一個現實世界中存在的效率瓶頸或人力痛點？其三，系統的執行是否可以用ROI、任務完成率、錯誤率等指標進行量化評估？其四，智慧體是否作為任務執行的參與者，而不僅僅是一個介面入口或資料查詢工具？
真正的智慧，其標誌不在於解決頂尖難題的巔峰表現，而在於橫跨所有簡單與複雜任務的持續、穩定、不出錯的泛化能力。
在某些行業，AI智慧體的價值已經開始顯現。
在精準醫療領域，法國AI生物技術公司Owkin構建的癌症研究AI智慧體整合了超過百萬名患者的多模態資料，推動靶點識別、患者分類及臨床試驗最佳化，顯著提升了個性化治療水平。
在基礎設施與公共服務領域，智慧體也正在推動傳統系統的智慧重構。以金科環境自主研發的“水蘿蔔®AI智慧體”為例，該智慧體已在無錫區域5座水廠上線，實現L4級無人值守運營，替代超過90%的人工日常任務，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產業創新場景應用案例”權威評估。
寫在最後
智慧體不是萬能鑰匙，AIoT也不是萬能容器。AI智慧體的真正價值，並不在於“讓裝置更聰明”，而在於構建一種更具協同能力的系統結構。智慧體與AIoT的結合，是推動AIoT從“連線”走向“智慧協作”的關鍵轉折點，但它絕不是技術演進的終點。
事實上，如果我們只是為了“看起來更智慧”，便在每一個裝置中部署一個大模型、每一個系統中塞入一個智慧體，我們最終只會製造出一個個無法協同、難以維護的“偽智慧系統”。
真正值得追求的，不是每個裝置都能對話，也不是每個終端都能推理，而是整個系統能夠圍繞真實任務形成動態、高效、可控的協作網路。未來的AI創新，或許沒有驚豔的介面、流暢的語義生成，甚至也不那麼“像人”，但它們能夠真實地承擔責任、解決問題、創造價值。
參考資料：
1. CRMArena-Pro: Holistic Assessment of LLM Agents. Across Diverse Business Scenarios and Interactions，來源：Salesforce AI Research2. Agentic AI: the evolution of intelligent automation，作者：Paras Sharma，Joydeep Bhattacharyya，來源：Transforma Insights3. Salesforce AI推出CRMArena-Pro：首個面向LLM代理的多輪企業級基準測試，來源：nxrte.com