隨著以O(shè)penClaw為代表的自主執(zhí)行型智能體熱度攀升，人工智能應(yīng)用正加速從“對(duì)話交互”向“任務(wù)執(zhí)行”領(lǐng)域拓展。這一趨勢(shì)為企業(yè)帶來創(chuàng)新機(jī)遇的同時(shí)，也暴露出算力資源浪費(fèi)、安全合規(guī)性等現(xiàn)實(shí)問題。如何實(shí)現(xiàn)智能體在產(chǎn)業(yè)場(chǎng)景中的規(guī)模化、可持續(xù)應(yīng)用，已成為行業(yè)關(guān)注的焦點(diǎn)。

在中關(guān)村論壇未來產(chǎn)業(yè)創(chuàng)新發(fā)展論壇上，螞蟻數(shù)科大模型技術(shù)創(chuàng)新部負(fù)責(zé)人章鵬指出，OpenClaw的爆發(fā)預(yù)示著企業(yè)級(jí)AI發(fā)展范式將發(fā)生根本性轉(zhuǎn)變。產(chǎn)業(yè)應(yīng)用正從單純追求模型參數(shù)規(guī)模，轉(zhuǎn)向更注重單位Token產(chǎn)出效率的競(jìng)爭(zhēng)階段。這種轉(zhuǎn)變要求企業(yè)重新評(píng)估AI技術(shù)落地路徑，尋找算力投入與業(yè)務(wù)價(jià)值的平衡點(diǎn)。

當(dāng)前智能體在產(chǎn)業(yè)落地過程中面臨顯著挑戰(zhàn)。由于缺乏對(duì)行業(yè)特定規(guī)則和業(yè)務(wù)流程的深度適配，自主執(zhí)行型智能體在處理復(fù)雜任務(wù)時(shí)普遍存在工具過度調(diào)用問題。數(shù)據(jù)顯示，在高頻交互場(chǎng)景中，部分智能體的Token消耗成本可達(dá)傳統(tǒng)集成式方案的數(shù)十倍，這種低效模式嚴(yán)重制約了其商業(yè)化推廣進(jìn)程。

章鵬強(qiáng)調(diào)，產(chǎn)業(yè)智能化進(jìn)入深水區(qū)后，企業(yè)需要根據(jù)具體場(chǎng)景需求構(gòu)建差異化AI解決方案。以金融行業(yè)為例，該領(lǐng)域每天需要處理數(shù)以億計(jì)的高頻、低時(shí)延任務(wù)，包括意圖識(shí)別、信息抽取、實(shí)時(shí)檢索等。傳統(tǒng)大模型雖然推理能力強(qiáng)，但在這些場(chǎng)景中存在成本過高、響應(yīng)延遲等問題，難以滿足業(yè)務(wù)需求。

針對(duì)行業(yè)痛點(diǎn)，螞蟻數(shù)科在論壇期間發(fā)布了輕量化金融專用模型Ling-DT-Fin-Mini-2.5。該模型采用混合線性注意力架構(gòu)，專門優(yōu)化了金融領(lǐng)域高并發(fā)場(chǎng)景的處理能力。測(cè)試數(shù)據(jù)顯示，其推理速度較主流通用模型提升100%，硬件成本顯著降低，在保持專業(yè)精度的同時(shí)實(shí)現(xiàn)了規(guī)模化部署的經(jīng)濟(jì)性。

行業(yè)實(shí)踐表明，大小模型協(xié)同正在成為主流解決方案。大參數(shù)模型憑借強(qiáng)大的復(fù)雜推理能力，適合處理需要深度分析的任務(wù)；小參數(shù)模型則憑借低延遲、高性價(jià)比的優(yōu)勢(shì)，成為高頻短任務(wù)的首選。這種分層架構(gòu)既能保證關(guān)鍵業(yè)務(wù)的專業(yè)性，又能有效控制整體運(yùn)營(yíng)成本。

近期OpenAI推出的GPT-5.4 mini與nano系列模型，驗(yàn)證了這一技術(shù)路線的市場(chǎng)價(jià)值。這些輕量化模型專注于執(zhí)行層任務(wù)，通過降低延遲和成本，為大模型生態(tài)提供了重要的補(bǔ)充。這種發(fā)展趨勢(shì)反映出，產(chǎn)業(yè)界正在形成更理性的技術(shù)評(píng)估體系，不再盲目追求模型規(guī)模，而是更加注重實(shí)際業(yè)務(wù)效果。

據(jù)章鵬透露，螞蟻數(shù)科將持續(xù)完善企業(yè)級(jí)AGI技術(shù)體系，計(jì)劃推出百靈企業(yè)版Ling DT大模型及其行業(yè)定制版本。這些解決方案將聚焦復(fù)雜業(yè)務(wù)場(chǎng)景的智能化需求，通過優(yōu)化模型架構(gòu)和訓(xùn)練方法，進(jìn)一步提升Token利用效率，推動(dòng)智能體技術(shù)在更多產(chǎn)業(yè)領(lǐng)域的深度應(yīng)用。