從大模型的爆發，到邊緣計算的逐漸普及，從智能語音助手走進家庭，到智能設備接入云端，AI智能體與AIoT的結合，正成為產業界的新熱點。

但在技術熱潮的背后，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“智能幻覺”？

在這個問題上，潛在風險已有跡可循。

當下正被熱議的AI智能體概念，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項目將失敗》中的論述，Gartner指出大多數所謂的AI智能體系統，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，思科發布的一份研究報告稱，全球75%的物聯網項目最終失敗。

原因很簡單：在缺乏清晰目標與智能控制邏輯的情況下，“為了連接而連接”只會帶來堆疊的復雜性，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智能體的真正出路，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連接物理世界的底座。AI智能體只有與物聯網設備深度耦合、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能的工具，而應是更智慧的系統。

本文將從三個層面展開討論：

1. AI智能體與AIoT結合的真實價值與系統結構；
2. AI智能體如何突破“演示智能”的瓶頸，走向“場景智能”；
3. 如何通過“真實任務閉環”來驗證智能體能力邊界，避免下一場技術泡沫。

AI智能體為何必須“落地”？

從虛擬智能到物理閉環

AI智能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，缺乏與真實世界的交互。

只有當AI智能體開始與真實設備交互，接收真實傳感器數據，執行物理動作，面對環境不確定性，并對結果負責時，才具備了持續學習與優化的可能性。

這種從封閉輸入輸出向任務反饋閉環的演進，正是智能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，并不僅僅是設備的聯網，而是系統的“任務化”。每一個連接的設備，每一個傳感器節點，都是智能體理解世界、影響世界的一部分。

與其說AIoT是一個技術范疇，不如說它是AI智能體的“任務環境”。在這個環境中，智能體不再是一個等待調用的API，而是一個擁有目標感、調度權和反饋機制的自主執行者。

以智能倉儲系統為例，AI智能體不僅要理解訂單結構和庫存狀態，還需要實時調度多臺機器人，根據地面條件、交通密度、任務優先級進行動態路徑規劃，并在執行過程中不斷修正策略。

同樣，在自動充電樁調度中，AI智能體必須預測未來負載峰值、識別車輛類型、判斷電池狀態，并依據實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，傳統的物聯網項目之所以經常陷入“連接而不智能”的困境，根本原因在于缺乏一個能夠理解“為何連接”的智能主體。

在這樣的背景下，AI智能體的引入，不是錦上添花，而是結構性的升級。AI智能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智能體深度嵌入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。

2

從“接入模型”到“場景智能”

AIoT需要的是系統，而非插件

AI智能體真正的價值，不在于調用某個API返回一個答案，而在于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，智能系統并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，單一智能體往往難以勝任全部任務。一個高度動態、任務多變的系統（如智能工廠、智慧樓宇或城市能源系統），需要的不是“一個統領全局的超級智能”，而是多個智能體在職責明確的前提下協同運行的系統性智能結構。

以智慧工廠為例，調度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設備健康狀態并安排維修窗口。每一個子系統都具備自己的任務環境、數據接口與反饋機制，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能體，通過共享感知、有限通信與明確邊界，完成協同工作。這種多智能體協作模式，不僅更符合工程實踐的可維護性與可擴展性，也更貼合復雜系統的運行規律。

在融合路徑上，AI智能體承擔的是認知與決策的職責，而物聯網設備則負責感知與執行的任務。整個過程中，智能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“偽智能”的案例，常常淪為淺層交互的升級：控制臺加了一個語音助手，家居系統增加了一個聊天界面，看似“智能體驗”增強，實則核心能力未變——系統沒有真正理解任務目標，設備之間依然孤立運行，用戶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，還可能加劇用戶對AIoT的誤解與倦怠。

3

值得投入卻容易走偏

智能體+AIoT正站在分水嶺上

當下，AI智能體與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復雜而艱難。

從技術演進的角度來看，AI智能體與AIoT的結合正迎來前所未有的機會窗口。首先，物聯網設備的標準化程度顯著提高，通信協議、邊緣計算框架、數據接口逐步統一，極大降低了智能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，使得智能體具備了從任務中學習、從反饋中優化的能力，這標志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“擁有智能體”。這種幻覺危險的地方在于，它成功地制造了“智能感”，但卻沒有任何系統性的智能能力，一旦進入復雜環境，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能體，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能任務網絡。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用戶路徑中。

因此，AI智能體與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。

4

如何讓“智能體+AIoT”走出幻覺扎根現實？

圖：CRMarena-Pro首個面向AI智能體的多輪企業級基準測試

當AI智能體與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。

歷史已反復證明，技術本身并不會失敗，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。

真正的智能系統，不是為Demo存在，而是為持續運行而構建。這意味著設計初期就必須面向部署，考慮任務生命周期的管理、資源調度的優化、異常狀態的處理，以及用戶與系統之間的長期交互。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推出了首個面向智能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、多輪交互能力、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“看起來很智能”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“智能體+AIoT”項目具有真實價值，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，系統的運行是否可以用ROI、任務完成率、錯誤率等指標進行量化評估？其四，智能體是否作為任務執行的參與者，而不僅僅是一個界面入口或數據查詢工具？

真正的智能，其標志不在于解決頂尖難題的巔峰表現，而在于橫跨所有簡單與復雜任務的持續、穩定、不出錯的泛化能力。

在某些行業，AI智能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構建的癌癥研究AI智能體整合了超過百萬名患者的多模態數據，推動靶點識別、患者分類及臨床試驗優化，顯著提升了個性化治療水平。

在基礎設施與公共服務領域，智能體也正在推動傳統系統的智能重構。以金科環境自主研發的“水蘿卜AI智能體”為例，該智能體已在無錫區域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。

智能體不是萬能鑰匙，AIoT也不是萬能容器。AI智能體的真正價值，并不在于“讓設備更聰明”，而在于構建一種更具協同能力的系統結構。智能體與AIoT的結合，是推動AIoT從“連接”走向“智能協作”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“看起來更智能”，便在每一個設備中部署一個大模型、每一個系統中塞入一個智能體，我們最終只會制造出一個個無法協同、難以維護的“偽智能系統”。

真正值得追求的，不是每個設備都能對話，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、可控的協作網絡。未來的AI創新，或許沒有驚艷的界面、流暢的語義生成，甚至也不那么“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 Research
2. Agentic AI: the evolution of intelligent automation，作者：Paras Sharma，Joydeep Bhattacharyya，來源：Transforma Insights
3. 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

本文作者：彭昭（智次方創始人、云和資本聯合創始合伙人）

本文來源：物聯網智庫