在人工智能技术以周为单位迭代的今天，任何一场汇聚顶尖从业者观点的深度对话，都可能预示着工程范式的下一轮转向。本文档梳理了中国AI领域四位代表性人物——智谱AI唐杰、Kimi杨植麟、Qwen林俊旸，以及远程连线的姚顺雨——围绕AI行业未来走向展开的圆桌讨论。

这场对话的核心价值，在于揭示了AI正从“信息获取”向“任务执行”的范式跃迁。对于智能制造领域的研发与测试（R&T）体系而言，这不仅是一次技术升级，更是一场底层的工程重构。当底层逻辑发生迁移，传统的开发流程、测试标准和质量保障机制都必须重新审视。

智能制造本质上是计算智能与物理流程的深度融合。历史表明，每一轮技术浪潮——从PLC到IIoT，从数字孪生到AI赋能——都重塑了研发与测试的边界。当前，从“Chat”到“Agent”的演进绝非交互形式的简单升级，而是智能系统从“被动响应”迈向“主动规划与执行”的范式革命。这意味着研发必须重构人机协同模式，测试必须建立面向不确定性的评估体系。下文将围绕这一主线，展开系统性解析与实战化推演。

Agent时代来临：从「聊天」到「执行」的范式跨越

1.1 突破对话式交互的工程局限

智谱AI唐杰提出「Chat已死，Agent时代来临」，这不仅是对交互界面的预判，更是对AI系统能力边界的重定义。传统的Chat式交互本质是“信息压缩与呈现”，属于“认知”层面。而在智能制造中，核心痛点不在于“知道什么”，而在于“做什么”和“怎么做”。

工厂现场需要的不是一个能解释“为什么设备震动”的聊天机器人，而是一个能自主执行“读取振动数据—频谱分析—判别磨损—生成工单—更新EAM系统”全链路的数字操作员。这要求系统从单纯的 LLM（大语言模型） 进化为具备规划、记忆和工具使用能力的Agent架构。

1.2 Agent架构的技术内核与工业适配

Agent的核心在于利用大模型作为“大脑”，通过 Planning（规划） 拆解复杂任务，通过 Function Calling（工具调用） 连接MES、PLC、ERP等工业系统，并利用 Memory（记忆） 机制维护设备状态上下文。

对研发部门而言，这意味着开发模式的根本转变：

1、从API开发到Skill开发：研发重点不再是编写固定的API接口，而是为Agent定义可复用的“工具”，并设计Prompt引导模型正确调用工具。

2、多智能体协作：复杂的产线调度可能需要拆分为“物料Agent”、“设备Agent”、“质检Agent”，研发体系需要支撑Agent之间的通信与冲突解决机制。

1.3 测试挑战：验证“非确定性”系统

这是测试工程师面临的最大挑战。传统软件遵循“输入A—输出B”的确定性逻辑，而Agent是“目标导向”的，其路径具有随机性和涌现性，体现在：

1、测试维度的转移：从“验证功能点”转向“评估任务成功率”和“路径最优性”。

2、评估体系重构：需要建立基于“评分者模型”的自动化评估框架，对Agent生成的操作计划、决策逻辑进行打分，而非简单的断言测试。

智能的本质：数据质量与领域知识的工程化博弈

2.1 重新定义工业AI的“品味”

杨植麟提出的“品味”概念，在工程上应解读为 “高质量数据的选择能力”与“领域知识的注入深度” 。通用大模型追求的是“广度”，工业AI追求的是在特定垂直领域的“深度与精准度”。

Claude在编程榜单上未必最高分却被公认为最好用，说明用户体验而非刷榜指标才是核心。在制造业，一个在公开数据集上准确率99%的缺陷检测模型，若无法适配现场的光影变化，其价值为零。这要求研发团队具备极强的数据工程能力，而非单纯的模型调优能力。

2.2 构建工业级上下文

姚顺雨提到的“拥有足够的上下文来理解你”，在工业场景对应的是 RAG（检索增强生成） 技术与知识图谱的结合。

数据治理核心化：模型能力趋同的当下，数据质量成为护城河。研发团队需要构建包含设备手册、历史故障、工艺参数的结构化知识库，作为Agent的“长期记忆”。

小模型+大知识的路径：受限于算力成本（林俊旸提到的资源约束）和实时性要求，工业现场不宜盲目部署千亿参数大模型。更优解是利用 SLM（小语言模型） 配合RAG，在边缘侧完成低延迟推理，同时保证回答的时效性和准确性。

B端与C端的分化：走向软硬一体与端侧智能

3.1 工业场景的特殊约束：可靠性与确定性

姚顺雨敏锐指出To B市场愿意为生产力付费，但这有一个前提：可信赖。与C端产品“容错率高、甚至有趣”的特性不同，工业AI面对的是物理世界，错误决策可能导致设备损毁甚至安全事故。

在相当长一段时间内，工业AI将处于 “人机共存” 模式。Agent负责执行和推荐，人类专家负责审核和兜底。研发设计需包含完善的权限控制与异常熔断机制。

3.2 软硬结合：中国智能制造的突围路径

林俊旸提到的“软硬结合”及“穷则思变”，为中国制造业指明了一条务实路线。在高端算力受限的背景下，通过算法与芯片的联合优化，在边缘网关、工控机中部署经过量化剪枝的专用模型，是实现降本增效的关键。

测试部门的核心挑战：验证不确定性

唐杰提出Agent成功的三个条件：事情本身是否有价值、成本是否可控、能否在时间窗口内快速迭代。这三个条件指向核心问题：如何评估Agent系统的质量？

传统软件测试的范式建立在确定性假设之上，但Agent系统的行为具有内在不确定性，这不是缺陷而是智能的体现。这对测试方法论提出了根本性挑战：如何在不确定性中评估质量？

一种思路是转向「行为质量评估」。关注系统在一段时间内的整体行为表现，而非单次输入输出的对应关系。例如，测试自动化排产Agent的重点不是某次结果是否最优，而是面对订单变化、设备故障等动态事件时能否合理调整计划、控制风险、达成整体目标。

工业场景下的安全边界测试同样关键。测试需包含：异常情况下的安全降级能力、多Agent协同时的冲突处理、网络中断时的稳定性、紧急停止机制的有效性。这需要采用更接近「混沌工程」的思路——主动制造故障和异常，观察系统响应行为。

结语：在约束中坚持的长期主义

唐杰最后的总结——“一群敢于冒险的聪明人”和“笨笨地坚持”——正是中国智能制造转型的精神注脚。

从「对话」到「执行」的跨越，不仅是技术范式的迁移，更是工业文明向数字文明深水区的迈进。对于研发与测试团队而言，这要求我们既要有仰望星空的 “品味” （甄别技术方向），又要有脚踏实地的 “工程化” 能力（解决数据质量、边缘部署、行为验证等具体难题）。

智能制造的未来不属于空想者，而属于那些能够将愿景转化为行动的实践者。从Chat到Agent，从辅助到自主，这场范式迁移正在发生。

唯一的问题是：

你准备好了吗？