社区

两年前的外滩大会，时值行业步入“百模大战”阶段，会场大部分沟通讨论都聚焦在模型上。彼时刚担任蚂蚁数科CEO半年多时间的赵闻飙提出，大模型这样的前沿技术，很难适配产业数字化和智能化。

两年后，AI和大模型能力相比当时已经不可同日而语，但赵闻飙的观点并没有发生变化，企业的数字化和智能化不仅需要大模型，更需要安全合规以及工程化等能力。

这一判断也直接构建了蚂蚁数科的“进化”路线：用工业化体系思维制造与管理智能体。

赵闻飙认为，大模型在产业落地分为三个阶段：一是企业尝试将大模型作为工具接入部分场景，提升员工效率；二是智能体诞生，并进入客服、营销、风控、研发等企业核心岗位；三是智能体开始大批量进入组织，形成可复用的组织智能。

在这个生产演进的过程中，AI服务商的核心思考是如何帮企业打好基础设施，让智能体更安全、更可信地探索业务和组织能力的上限；其次是如何让智能体成为企业重要的生产力，创造业务价值。

本次外滩大会上，蚂蚁数科给出了答案——商业智能化超级工厂，即智能体的产业化平台，其价值不仅是开发智能体，更是怎么去规模化生产、应用、管理智能体，进而形成整个组织的智能。

超级工厂之下的具体“产线”，落在智能体、大模型、区块链+AI三个方面。

智能体对应批量生产、管理数字员工，在部分标准化场景中，智能体的交互周期已经缩短至小时级。目前蚂蚁数科的智能体业务已经覆盖金融、能源、消费、制造等多个行业，并接入了支付宝AI开放平台。仅金融行业，蚂蚁数科的产品已经服务全国所有国有银行和股份制银行，地方性商业银行覆盖率超过60%。

大模型方面，蚂蚁数科不追求通用对话能力，重心更多放在适配企业私有化数据，优先满足金融、医疗等严谨场景的安全性、准确性要求。

区块链一直是蚂蚁数科的差异化优势之一，如今则成为了智能体的“底座”，提供安全可信的环境，“AI负责创造智能，区块链负责创造信任”，包括本届外滩大会上讨论不少的KYA（Know Your Agent），区块链正是关键支撑技术之一。

如果将智能体超级工厂视作“涌现”，那么前提则是“蚂蚁”对自身的AI重塑。过去两年，蚂蚁数科持续推动原有业务AI化，推出行业大模型LingDT、智能体平台Agentar、模型服务平台DTMaaS、智能体安全产品“蚁天鉴”等AI原生产品。

数据层面印证了蚂蚁数科的AI转型成效：整体业务年均增长近50%，其中AI业务增长超过三位数，已成为新增长引擎；客户净收入留存率超过110%，大客户中AI产品采购占比已接近20%；同时业务模式也从过去以大客户项目制交付为主，逐步转向平台化、标准化产品驱动，平台产品ARR增速达到60%。

赵闻飙表示，“AI to B”已经成为蚂蚁数科的核心战略，AI价值交付、AI原生应用收入以及平台ARR，则是衡量公司发展的关键指标。

本次外滩大会期间，蚂蚁数科CEO赵闻飙、AI业务总裁余滨、国际业务总裁李世炜、科技算法技术部负责人章鹏、技术总监魏长征，共同与光子星球等进行了一场对话，以下为对话内容节选，部分内容经编辑梳理，不影响核心观点与表达逻辑：

让智能体实现工业化

Q：“超级智能体工厂”这个模式对于蚂蚁数科整体来讲有什么样的变化？为什么要做一个更重的事情？

赵闻飙：最大变化是数科衡量增长的指标变了。一是从数字化技术交付走到AI价值交付，通过帮助客户把AI真正带入生产系统，覆盖真实的业务岗位和流程，最终创造业务结果。

二是平台化的ARR，不能只靠一个个项目交付，需要形成可以复用的、持续付费的平台业务，这样AI to B才能形成规模化的效应，今天我们平台型ARR的增速已经超过60%。

三是聚焦原生AI应用。两年前做AI转型的时候是把原有的产品加一些AI，更多的像copilot的形态，比如AI营销、智能客服，人的比例比较高。现在之所以叫“工厂”，目标是智能体的工业化，会重点看AI原生业务带来的收入，也看有多少客户服务流程可以由AI端到端完成，有多少原来大量依靠员工的方式，沉淀为可以服务的智能体能力。

我理解的超级工厂有两层：第一层，不同企业、不同平台的智能体能够可信的连接和协作。第二层，规模化的生产能够进入到核心业务的智能体。数科一直在做的信贷风控、能源企业的交易调度、餐饮的开店、选址、运营，都分布在比较核心的系统里。智能体需要理解业务的规则，有售前、有协作、有结果的交付。

智能体时代是第四次工业革命，智能体超级工厂就是这条生产线，它要解决的是中间的一环，帮助企业、商家、服务批量生产连接AI的劳动力，最终形成AI的经济。

魏长征：企业应用AI和个人用的AI有本质区别，企业应用AI是一个非常复杂、体系化的一个事情，包括对企业本身原有数据系统的对接、升级。

举个例子，大家用一个通用工具可以处理手上的文档，但当想深入到工作流中，涉及到内部数据的读写、访问、统计，很多事情可能是这个工具自己做不了的，它需要整个企业的升级。所以数科的智能体超级工厂，本质是面向整个企业AGI升级的一个体系化方案。

做一名“陪跑者”

Q： 蚂蚁数科过往服务更多的是大客户，在外滩大会上提出服务更多的中小企业，会不会有一些不适应的地方？从尝试跟企业构建业务运营团队，到观察交付后的结果，具体过程中给你们带来了什么样的变化？

余滨：我们跟支付宝合作之后可以看到，像餐饮、健身等商家或中小型企业，可以快速实现高效率低成本的收益，这个点给我的感受还是非常惊喜的，我们最终目的就是通过产品给行业带来增益和帮助。越来越多的商家通过一键式的方式就能接入到支付宝里面去，甚至进一步把自身的能力来快速生成智能体，发布到一些开放平台的市场里。

赵闻飙：企业更多关注的是能不能提升生产力，首先是业务能不能增长，比如对银行客户来说，基金业务、信贷业务有没有增长。这个时候数科就扮演一个“深度陪跑”的角色，因为在通往AGI的过程中，每个企业的技术水平是不一样的。所以我们要打深度陪伴的这张牌，只有把整个价值交付出来了，客户才会买单。

其次是帮助企业提升组织的智能，比如企业里用了多少的AI的元素，有多少的Code是用AI去做的？许多企业技术部的人很难去统计，数科可以把AGI的看板给到他，比如这个部门AGI用得比较好，这个部门用得不怎么样。

Q：跟一年前相比，现在客户最关心的问题是什么？海外客户的需求有哪些区别？

李世炜：亚太市场我们基本上已经覆盖了头部的最强金融机构；中东、拉美和非洲等新兴市场慢一点，但探索的速度非常快；欧美日韩等发达区域，相对来说要求很高，比如说GDPR的要求、隐私需求、本地化遵从。这些区域我们都已经有了非常好的灯塔项目落地，也都验证了我们数科的这些产品不光在国内能够适用，在海外照样可以赢得很好的口碑。

不管是国内还是海外，数科都聚焦前台的AI to B，关键核心控制点是打造一个安全的、灵活的，能让客户去打造爆款AI的Agent工厂，同时能够解决数据的编排、清理能力，同时帮助客户在不同的场景下，根据业务选择不同模型的能力，也是我们打造MaaS平台的能力。

余滨：国内企业对于AI的需求已经非常切入到业务增长或者生产制造问题了。最近Anthropic发表了一个报告，价值链最深的地方是生产经营的核心领域，数科现在走的路径非常类似，已经从过去只是把AI当成工具，进入到AI怎么帮助业务增长，深入到经营的领域了。

所以我们成立了FDE团队，定义是希望成为客户的伙伴，一个陪跑者，陪伴客户从找AI的价值落点，到怎么把它做出来，最后实现业务价值。现在客户的欢迎程度非常高，我们确实走出了比较有特色的一条路。

多重兜底

Q：Agent从会执行的软件，到可以被识别、被追溯、有身份的一个经济体之后，实现了哪些新价值？数科现在做Agent身份认证是复用之前链上的能力，还是想寻找Agent商业化时代的一个新生态位？

魏长征：区块链解决的问题是数字经济中的信任、价值流转、确权等问题，本质上可以认为区块链是一个信任机制的自动化。而AI的本质是一个智能的自动化，智能的自动化和信任的自动化两者结合，就是高度互补，能让整个智能体经济完成一个闭环，然后才能支持到智能体经济规模和效率的提升。

所以区块链技术和AI技术是彼此需要，彼此依赖，甚至是互相等待。这一套逻辑是数科做区块链和AI结合的底层思考和动力。这方面我们的探索包括智能体支付和区块链结合，做相应的确权、认证。

具体到KYA，当智能自动化和信任自动化结合到一起的时候，智能体就会有非常多的自主性、知识性，我们需要对它的行为做监测、考量甚至认证。所以很自然就可以把对它的认证、确权、信任的机制，和区块链的信任机制结合到一起，形成基于区块链的KYA的体系，对智能体的来源、信誉和整个交易过程做严格的追溯和评价。

它是复用了区块链的能力，但智能体整个精进和变化对区块链的技术也带来了非常多不一样的挑战，所以我们在做KYA的时候定义了很多新的协议，来适配智能体本身的身份如何登记、确权，以及在交互过程中对它进行评价的体系。

KYA是整个智能体经济最核心的基础，就像日常商业活动的信誉、商誉、认证，也是社会经济活动信用的基础。这个生态位的角色是基础设施，能够支撑整个智能体信任的自动化的延续和流转。

Q：咱们智能体在进入真实产业的时候，怎么解决幻觉和可扩性问题？尤其是金融或者政务等高合规要求的场景，在基础设施上怎么去兜底？

章鹏：可靠性跟严谨性是一个系统性的问题，需要从模型到Harness，到最后的安全围栏，reflection整体的完成。模型是这里面非常重要的一环。第一是在模型的后训练阶段，因为蚂蚁本身就在做金融行业，我们加入了比较多关于引用、参考文献和对于思考过程去做double check的数据，极大提升了我们模型回答严肃问题的一个可靠性。

第二是数据的计算尤其是引用，本身就是造成幻觉非常大的来源，我们花费了比较多的精力在处理数据本身，数据的加工和引用本身。数科跟清华大学联合发布了data Agent的一个Bench，我们的Harness在这个Bench上面做到了NO.1，模型表现非常好。

第三，模型擅长的是推理，不擅长计算，所以我们很多的积累发生在行业工具，Harness tool那一层，一会魏长征会做补充。

我们在大模型安全这一侧有非常多的布局，从最开始的内容安全，也就是模型本身输入的暴恐症，敏感词这个地方开始已经进入到模型深水区，也就是cyber security。大概两个月前，数科跟港科大、西交、清华一起联合发布了一个Bench，我们在cyber security这一块同样会有比较多的持续投入。

魏长征：不管是通用还是专用，关键有几个手段：硬门禁、软引导、工具、记忆。对于一些规范性、确定性，或者授权、数据边界的问题，一定要有Harness来做规则性的管控。

软引导，比如我们不知道每一次模型回复的东西是不是幻觉，但我们会在一些关键的任务上给它做引导性反思，这个时候模型会自己做一些double check。

工具层面，对于数据处理、报表类准确率需求非常高的内容，一般我们不会让模型直接去做运算，本身它的准确性很难保证，同时也会耗token。所以会有专门的工具调动脚本化的东西，模型这个时候更多是驱动工具的执行。

记忆系统，和我们熟知的RAG这类知识体系类似，会把一些确定性的知识，行业的一些背景以embedding的方式，或者记忆卡片的方式存储到智能体周边的系统。智能体模型工作过程中一定不是凭空光靠自己的模型去想、推理，得出一些企业想要的数据，而是基于企业本身上下文，然后去抽取做回答，我们是有一系列这样的机制来保证的。