第二十届沙利文峰会｜云知声创始人&CEO黄伟：大模型定义智能上限，智能体决定智能去向

8月4日-5日，由全球领先的增长咨询公司弗若斯特沙利文（Frost & Sullivan）主办的“2026第二十届沙利文全球增长、科创与领导力峰会暨第五届新投资大会”在上海举行。作为沙利文年度高规格全球性峰会，本届大会汇聚国内外政商学界代表、上市公司领军者、产业专家及投资机构负责人，围绕全球经济增长、科技创新、产业变革与企业高质量发展等前沿议题展开深入交流。

峰会期间，“上市公司高质量发展论坛”同步召开。云知声创始人兼CEO黄伟博士受邀出席，并发表《从理解到行动：智能体如何走进真实世界》主题演讲。围绕大模型产业演进趋势、智能体核心能力、AI价值创造路径以及医疗领域实践探索，黄伟系统阐述了人工智能从技术突破走向产业落地的关键路径，并分享了云知声推动智能体深入真实业务、创造产业价值的实践与思考。

01 从“会回答”到“能完成任务”：智能体成为AI产业化新方向

过去几年，大模型竞争主要围绕参数规模、知识能力和生成效果展开。从文本生成到复杂推理，从单一模态到多模态交互，大模型不断刷新人们对机器智能的认知。

但当技术开始进入企业生产环境，一个更现实的问题随之出现：模型能够回答问题，不等于它能够完成工作。

黄伟认为，大模型更接近人工智能的"认知内核"，其核心能力是理解信息、组织知识和进行语义推理；智能体则进一步为模型增加任务规划、工具调用、环境交互和结果验证能力，使AI从描述世界的"观察者"转变为参与现实流程的"行动者"。

"进入2026年，行业焦点正在从'谁更会聊天'转向'谁能把事干成'。"黄伟表示。大模型仍在持续提升推理、工具使用和多模态能力，Agent则开始进入操作系统、浏览器和桌面应用，从单次问答走向后台常驻、并行执行和长任务交付。

模型能回答多少问题，依然重要；但智能体能否在真实环境中可靠执行、持续工作并交付结果，正在成为行业竞争的新焦点。

02 从“卷参数”到“拼价值”：产业智能进入价值密度竞争阶段

当AI从聊天窗口进入企业工作流，产业的评价标准也在发生根本变化。参数规模和榜单成绩虽仍有参考意义，但企业决策者更关心的是另一组问题：完成一项任务需要多少算力？模型能否稳定部署？执行结果是否可验证？每一次调用究竟创造了多少业务价值？

黄伟将产业智能的价值归纳为一个公式：产业智能价值＝高智能密度× 高价值Token。

所谓高智能密度，是指单位参数、单位算力和单位时延能够释放多少有效智能。在完成相同任务的前提下，如果一个模型能够以更小的参数规模、更低的推理成本和更快的响应速度实现稳定交付，它就拥有更高的智能密度。

高价值Token关注的则是模型调用进入了什么场景、产出了什么结果。闲聊和内容生成可以体现模型能力，但在医疗、医保、金融、交通等严肃场景中，一次调用可能对应一份病历、一项审核意见、一次风险识别或一个业务决策。Token不再只是技术意义上的计量单位，而是开始与具体业务流程和交付结果绑定。

黄伟指出，这也是大模型产业竞争从"卷参数"转向"拼落地"的深层原因。当底层模型之间的能力差距逐步收窄，企业能否以可接受的成本将模型嵌入高价值工作流，并形成可计价、可复购的服务，将直接决定技术的商业化效率。

面向这一趋势，云知声确立了"强基模×深应用"的路线——强基础模型负责通用理解、推理和任务调度，深应用围绕行业知识、业务流程和交付标准持续打磨。相较于用单一超大模型处理所有任务，这种分层架构可以将高频、细碎的工作交给成本更低的专精智能，同时保留基础模型处理复杂任务的能力。

03 云知声U2原生Agent大模型：构建智能体时代的核心底座

“智能体要完成真实任务，需要解决的不只是"知不知道"，还包括"能不能判断"和"能不能执行"。基于这一判断，云知声今年6月发布的新一代基模U2构建了三层能力结构：

● 知识层：通过数据精筛提纯、知识点级萃取和稀疏知识编码，提高模型内部的知识密度。对企业而言，模型掌握多少通用知识只是基础，更重要的是能否理解特定行业的专业概念、业务规则和场景语境。

● 推理层：采用隐空间并行探索与显式逻辑验证相结合的方式，模型在内部同时探索不同解决路径，再对推理过程进行检查和修正。相比一次性生成答案，这种方式更适合多约束、长链条的企业任务。

● 执行层：通过Agent与Harness协同训练，将任务规划、工具调用、执行反馈和结果验证纳入同一个闭环，支持100步以上的复杂任务自主完成。

黄伟将这三者分别比作燃料、引擎和车轮——只有知识，模型可能只是一个信息丰富的问答系统；只有推理，AI仍然停留在提出建议的阶段；只有将三者连接起来，模型才有机会成为能够参与实际工作的智能体底座。

04 医疗成为智能体落地试金石：从辅助工具走向产业生产力

在黄伟看来，医疗是检验智能体能力的最佳场景。原因很直接：医疗知识体系庞大，涉及多模态数据和多科室协作，同时对准确性、安全性和可追溯性有着极为严格的要求。如果智能体能够在医疗场景中形成稳定交付，其技术与工程能力也更容易迁移到其他高价值行业。

围绕不同用户群体，医疗智能体正在形成三个层次：面向顶尖专家，参与科研协同、经验数字化和专业知识封装；面向普通医生，进入病历生成、合理用药、鉴别诊断和临床决策；面向患者，承担智能导诊、健康管理和院后随访。

黄伟以医保监管为例做了具体阐释。传统审核主要依靠结算清单和收费明细等结构化数据，通过关键词和固定规则识别问题，难以充分理解电子病历、检查报告和医嘱等非结构化内容，也很难还原完整的诊疗过程。

智能体带来的变化是：医保审核从规则匹配走向全病历理解。系统可以整合电子病历、检查报告、医嘱和影像资料等多源信息，结合知识图谱理解医学术语和诊疗逻辑，辅助完成风险识别与审核判断。政策规则可以被自动抽取，并在实时数据闭环中持续更新。

这个案例的意义不仅在于效率提升，更在于它验证了一件事：当智能体能够理解复杂业务语境并做出可靠判断时，它就不再是工具，而是生产力本身。

05 从“+AI”到“AI Native”：智能体重塑产业未来

黄伟分享了关于产业演进方向的判断。他认为，AI时代的产业升级正在经历三个阶段：

●  "+AI"阶段：在既有产品中增加智能功能，AI是附加项；

●  "AI+"阶段：围绕AI重构部分业务流程，AI是优化项；

●  "AI Native"阶段：从业务设计之初就将AI作为底座，重新组织任务、资源与协作关系，AI是基础设施。

当AI能够理解任务、规划步骤、调用资源并交付结果，它所改变的将不只是某个环节的效率，而是产业运行和价值创造的方式本身。

"大模型定义智能的上限，智能体决定智能的去向。"

从理解世界到进入工作流，智能体正在成为大模型产业化的新支点。如何让模型在真实环境中稳定执行，让每一次调用创造可衡量的价值，将是下一阶段人工智能竞争的核心命题。

标签：