农业、医疗、交通等多个领域。然而，当前网络架构面临资源孤岛化、业务灵活 性不足、商业模式单一等严峻挑战，严重制约了网络性能的进一步提升和行业的 创新发展。在此背景下，联盟网络作为一种创新的网络架构应运而生，它通过多 主体协作与动态资源共享，旨在打破传统网络的局限，为通信技术的发展开辟新 的路径。 联盟网络通过重构资源分配模式、优化服务架构、革新协作机制，为行业带 来四大核心价值。首先，资源动态共享能够显著提升全局效率，实现频谱、算力 与智能体技术则为网络 的智能化运维与优化提供强大支持。 1 白皮书还结合具体实例，生动描绘了联盟网络在全域通感网络、全域应急通 信及 Web3 服务三种典型场景中的广阔应用前景。全域通感网络通过多主体协作， 构建未来智慧城市，实现对城市基础设施的智能化管理与实时监控；全域应急通 信整合卫星、无人机与地面基站，打造空天地一体化的应急通信系统，大幅提升 灾害救援效率；Web3 服务则推动去中心化存储与算力市场的发展，为用户与运 营商之间的频谱闲置与容量短缺并存，不同主体重复投资现象普遍。专用通信网 络的部署耗时数周且难以协同既有系统，凸显灵活性的不足。运营商依赖单一的 流量计费获取营收，盈利水平的增长难以为继。在此背景下，联盟网络通过多主 体协作与动态资源共享，成为突破移动通信网络瓶颈的关键路径。联盟网络即是 网络的联盟，其核心目标是通过开放架构与智能化管理，构建跨行业生态的网络 系统，适配各行业应用的多样化定制化需求，实现资源全局流动、业务无缝协同

。 面向中远期，以“异构 CPU+智算 AI 芯片”一体融通、支撑训推一体的泛 AI 业务为目标，探索虚拟指令集等深度算力抽象技术，形成即插即用的统一 XPU 算力底座与工具链，释放多样算力整体协同效能，推动智算应用生态繁荣发展。 2.2 存储技术 随着智算业务的爆发与模型参数量的增长，智算应用在训练、推理等阶段对 9 存储服务提出了更为严苛的需求，如何对海量复杂的数据进行存储、调度、高效 度策略的潜在冲突，构建多元算 力池的弹性容灾体系。 2.5.4 智能体生成 智能体生成面临模型幻觉频发、自主规划能力有限及多智能体协同不足等问 题。未来智能体技术将通过检索增强、智能体自适应决策与多智能体协作三大方 向演进，形成任务执行可解释、多智能体协作高可信的智能体系统，加速行业智 能化升级。 2.5.4.1 检索增强生成 增强检索生成（RAG）技术面临多源知识库管理复杂、动态场景下知识更新 优。 面向中远期，实现智能体驱动的复杂任务处理。通过 LLM 与智能体协作，自 主完成从需求分析到代码生成、测试验证全流程自主完成，推动 AI 从工具向协 作伙伴的角色转变。 2.6 模型服务 MaaS 平台通过汇聚九天系列大模型和主流模型、整合多样化大模型和智能体， 以算网大脑为载体，实现智能体编排调度、多智能体协同，赋能各行各业多样化 场景。打造端到端模型交付能力，为用户提供算力、模型、数据、应用、安全、

入的目标迈进。通过在网元层、网管层、服务层和业务 层全面嵌入AI/GenAI技术，实现自动化智能化，建议电信运营商实现以下关键能力： 网络运维场景选择：通过人机协同、大小模型协作、多智能体协作，建议选择网络故障处理、投诉处理、变更监控和 业务质量优化等场景中显著提升运维效率，降低运营支出（Opex）。 服务质量与运营体验：增强服务的安全性和可靠性，优化用户体验，从而提升客户满意度。 1、以AI为核心的智能架构：AI驱动下的新产品系统架构演进，是下一个十年的真正走向AI智能架构的关键阶段，新 的智能架构需要以大模型为核心构建，突破传统限制。 2、多智能体协同是未来解决复杂问题的关键技术方向：随着大模型智能的增强，基于大模型的多智能体协同，是解 决自智网络复杂问题的关键技术方向。智能体由于其内在的智能能力，包括自主决策、学习适应和环境交互等，可以 针对复杂的问题通过感知环境、解析信息，运 行无缝互动，智能体都会表现得更加高效和有效。 我们正在进入AI重构Everything的时代，大模型驱动智能化变革，以AI为中心是将是行业深度智能的必然选择。 自智网络发展趋势 3、基于多智能体协同的自智网络设计新范式：AI驱动的自智网络演进，需要以智能化的终极目标出发，逆向思考和 设计今天的产品。未来基于智能体的通信网络，能够更好地进行动态资源调度、故障预测与修复、以及用户体验优 化，

编者将追究其法律责任。 （一）工业智能体是赋能新型工业化的关键使能技术，应用落地 可释放显著颠覆价值。工业智能体具备环境感知、逻辑推理、任务规 划、工具调用、任务执行及多主体协同能力，已逐步渗透研发设计、生 产制造、营销服务、运营管理等工业全流程，推动智能制造从“自动 化”向“自主化”跨越，在提效降本、流程优化、价值创造等方面展现 出突出的产业变革作用。 （二） 力的智能系统。工业智能体则是专门为工业生产制造场景设计、部署、 运行的，以工业大模型为核心认知与推理引擎，深度融合工业知识图 谱、机理模型、领域数据与业务流程，具备环境感知、逻辑推理、任务 规划、工具调用、任务执行及多主体协同能力的软件系统或软硬一体 实体。 （二）工业智能体内涵辨析 工业智能体是推动“人工智能+制造”迈上新台阶的关键驱动技术， 它并非脱离现有人工智能赋能制造业轨迹，而是对其的深化与超越。 五、我国发展工业智能体的建议 （一）筑牢技术创新根基，提升工业场景适配能力 一是探索搭建国家级协同创新平台，以重大科技专项、“揭榜挂 帅”等机制为抓手，重点攻关工业机理与智能体决策模型深度融合、轻 量化部署、多智能体协同适配等核心技术，破解泛化能力不足、实时响 应不达标、跨系统协同冲突等落地难题。二是构建工业级场景验证闭 环，搭建典型复杂工况测试平台，围绕极端环境、突发故障等场景，验 证工业智能体运行稳定性

ChatGPT 诞生以来，人工智能发展进入爆发期，GPT-4o、V-JEPA 2、OpenClaw 等多模态模型、智能体和具身智能前沿领域快速迭代， AI 技术从“序列预测”走向世界模型、从智能对话到智能体协同、从虚 拟智能走向物理 AI，并展现巨大的社会经济变革潜力，驱动制造业 智能化从以判别分析为主的“自动化智能”向具备自主决策与生成能 力的“自主化智能”演进，这一过程中实现了三个关键转变。一是从单 时间和运营风险；美国软件技术企业 LogicMonitor 的 AI 智能体能主 动分析设备运行数据，确定故障原因并给出解决方案，使警报减少 80%。 2.多智能体协同实现复杂工业流程调度和全局资源优化 在单智能体的自主执行与决策能力基础上，多智能体协同系统通 过多主体间的信息交互、能力互补与任务协同，突破单智能体的能力 边界，目前行业内已形成两条成熟的技术落地路径：一是“中心协调 器+多个执行智 “听懂”彼此。二是面对设计中“既要性能好、又要成本低”的多目标难 题，建立需求、方案、仿真、排程、根因分析的多智能体协同机制， 寻求最优设计策略。三是将产品生产、在役阶段的质量、维保、用户 反馈等数据进行沉淀并回流至设计阶段，用来修正最初的设计参数和 材料选择，推动模型与策略在全生命周期的持续进化。例如麻省理工 团队采用多智能体协作框架，整合了“视觉－语言”模型用于草图风格 工业智能创新发展报告（2026 年）

学习路径推荐和协作助理，智能化识 别岗位所需技能和员工现有能力，并 提供个性化学习和任务匹配方案。 • 将人才能力与业务流程直接关联，确 保关键岗位人员在业务操作和决策中 发挥最大价值，支持组织整体协同与 效率提升。 业务流程智能化 • 通过流程挖掘、智能决策支持和工作 流编排，将企业核心业务流程数字化、 标准化并智能化，实现端到端流程优 化。 • 打通各环节信息流与操作流，实现工 具、数据、岗位和业务的协同，使流 私域知识应用”问题： • RAG（用私有知识库增 强大模型生成能力） • 知识图谱与语义索引 知识增强 与推理类 让AI从“回答问题”升级为 “执行任务” • 多智能体系统（各类岗位/ 角色智能体协作） • 工作流编排与任务自动化 确保AI应用的可靠性、合规 性与可控性： • AI可解释性与审计追踪 （提供输出链路溯源） • 控制与数据安全权限 智能体与 自动化类 治理与 安全类 AI原生+产业级Know-How 688亿美元。 • 作为现阶段企业最直接可见的生产力提升方式，其市场规模已达 2024 年的869亿美元，并将在 2030 年达到 2,320亿美元，持续保持 主导地位，但增速有所放缓。未来，随着多智能体协同、跨系统知 识融合和工作流自动化的普及，该领域将继续保持企业级智能生产 力生态中的主导地位，成为连接知识、人才与业务的关键支撑层。 AI人才 培训与发展 AI人才管理 与效率工具 智能协作与

的代码生成与数据分析能力，推动内部流程自动化与决策智能化。 智能交互升级：通过 DeepSeek 构建智能客服与营销系统，实现用户需求精准匹配与响应效率提升。 推动行业从“工具赋能”向“智能体协同”跃迁，加速 AI 驱动的业务模式创新。 时间 公司名称 合作大模型 赋能方向 后续进程 2025 年 2 月 同花顺 DeepSeek 分析股票行情、制定投资策略 已接入同花顺股票软件 2025 在欺诈，同时为客户和精算师提供初步咨询与预警。 赋能公司投研：垂类大模型应用覆盖整个资管流程，发挥大模型深度推理能力，提升工作效率的同时协助发现潜在风险。 推动行业从“工具赋能”向“智能体协同”跃迁，加速 AI 驱动的业务模式创新。 时间 公司名称 合作大模型 赋能方向 后续进程 2025 年 2 月 太平保险 DeepSeek 核保 / 风险评估 / 理赔审核 / 投研 通过太平金科自研，与引入 帮助银行分析市场数据和进行投资组合优化， 同时基于客户需求推出定制化的金融产品。 智能编码研发： 通过自动生成代码、检测漏洞并优化现有的金融软件和 IT 系统。 推动行业从“工具赋能”向“智能体协同”跃迁，加速 AI 驱动的业务模式创新。 时间 公司名称 合作大模型 赋能方向 后续进程 2025 年 3 月 工商银行 DeepSeek 客户服务 / 风控 / 审贷建议 持续建设“工银智涌”大模

的颠覆性特质下被加速放大，呈现出清晰的分层特征： 1. 领先企业：从“数字化”迈向“智能化”的范式革命 这类企业已突破传统数字化边界，进入“AI 原生”运营阶段：一方面，超越单一流程自动化，追求 智能体协同。以酷特智能为例，其不再局限于“机器替代重复劳动”，而是进入了“多智能体应用”的领域。 每个生产环节（如设计、打版、排产、裁剪）都可能由一个或多个 AI 智能体负责，它们之间像一支“AI 战队” 的较量。企业将从 “紧 密耦合的组织机器”，演变为 “由无数智能体组成的弹性生态系统”。这一过程中，IT 部门的角色也将 彻底转变：从 “系统维护者” 升级为 “智能体生态培育者”，负责制定智能体协同规则、优化数据流通机制。 趋势 2：AI 实施路径从 “狩猎模式” 转向 “农耕模式” 当前多数企业的 AI 应用仍处于 “狩猎模式”―― 四处寻找能带来快速回报的 AI“猎物” （如一 个 执行到风控全面重构业务逻辑。2018 年以来，企业 AI 应用从单点自动化（如 RPA 财务审核）逐步演进， 2025 年已涌现酷特智能多智能体协同生产、世纪开元 AI 大模型驱动印刷产业智能定制应用、上海联 通 AI Agent 赋能企业数字化营销等标杆案例，实现从 “机器替代人工” 到 “智能体协同决策” 的跨越， 成为驱动业务创新的核心动力。 正如 Gartner 发布的 2025 年中国 AI 技术成熟度曲线显示，与大模型的

侧重垂直领域优化，但仍囿于对话式沟通， 与对话式AI产品逻辑类似，Agent的强势 能力尚未凸显 • 产品同质化严重，主动性、记忆能力、执 行感知能力有待提升 • 智能体与生产生活联系紧密度低，多智能 体协作生态尚未培育 24 ©2025.3 iResearch Inc. 图像语义解析 + 多任务协同执行 + 工具调用… Agent技术应用拐点出现 部分Agent应用突破性实现 “需求理解 - 任务规划 - 工具调用 - 结果交付” 全流程自动化，通过多智 能体协同架构与开源模型生态的深度整合，首次将 AI 从被动响应的 “对话工具” 进化为主动执行的 “数字劳工”。 AI Agent “认知-执行”的突破性拐点出现 大模型推理引擎 工具链生态体系 顶点Agent预期：通用场景中实现自主决策执行反思 拐点与顶点的差距 • 推理规划引擎的认知鲁棒性需升级 • 工具链生态广度与深度需拓展 • 大模型“幻觉”需进一步控制 • 多智能体协作需进一步发展 • …. 超复杂场景的自主认知决策能力 多步规划稳健 多智能体协作 2025年3月，Manus引发热议，其产品功能突破了 碎片式的对话问答，让业界看到了“AI执行复杂工 作”的巨大潜力。 46 ©2025.3 iResearch

侧重垂直领域优化，但仍囿于对话式沟通， 与对话式AI产品逻辑类似，Agent的强势 能力尚未凸显 • 产品同质化严重，主动性、记忆能力、执 行感知能力有待提升 • 智能体与生产生活联系紧密度低，多智能 体协作生态尚未培育 24 ©2025.3 iResearch Inc. 图像语义解析 + 多任务协同执行 + 工具调用… Agent技术应用拐点出现 部分Agent应用突破性实现 “需求理解 - 任务规划 - 工具调用 - 结果交付” 全流程自动化，通过多智 能体协同架构与开源模型生态的深度整合，首次将 AI 从被动响应的 “对话工具” 进化为主动执行的 “数字劳工”。 AI Agent “认知-执行”的突破性拐点出现 大模型推理引擎 工具链生态体系 顶点Agent预期：通用场景中实现自主决策执行反思 拐点与顶点的差距 • 推理规划引擎的认知鲁棒性需升级 • 工具链生态广度与深度需拓展 • 大模型“幻觉”需进一步控制 • 多智能体协作需进一步发展 • …. 超复杂场景的自主认知决策能力 多步规划稳健 多智能体协作 2025年3月，Manus引发热议，其产品功能突破了 碎片式的对话问答，让业界看到了“AI执行复杂工 作”的巨大潜力。 46 ©2025.3 iResearch