11月5日，一场名为“新浪新闻·2025探索大会”的活动在北京落下帷幕，由微博和新浪新闻共同举办。在主题演讲环节，火山引擎的副总裁张鑫分享了题为《智能体“1+N+X”一站式工作站从生产工具到生产力上岗》的讲话。

火山引擎副总裁张鑫-主题演讲

以下为演讲内容，经过编辑略有删减：

每当有新的技术浪潮出现时，人们常常会用一些宏大的词汇来描述和赞扬。比如有人将大模型称为第四次工业革命，也有人称其为新时代的水电煤。但我觉得更合适的方式是用一个个关键节点来描绘技术的发展过程。

比如从ChatGPT发布以来，我们经历了几个重要的阶段。首先是苹果时刻，因为人机交互方式发生了根本变化，从图形界面转变为自然语言交互，甚至开发方式也发生了巨大改变，自然语言成为AI时代的全新代码。

随后，豆包迅速积累了大量用户，带来了AI普及的时刻。到了今年春节，DeepSeek开源后，又通过开放方式推动了行业进步。

创新的脚步没有停止，反而加快了。例如Deep Research的出现让很多人感到惊讶，认为AI时代真正的智能体时刻已经到来。但我更关注的是如何预测下一个关键点。有些人使用了非常宏大的词汇，比如AGI，即达到人类水平的AI，甚至是超越人类智力的超级AI。但从我的角度来看，这些目标还很遥远，但我已经看到一个现实：AI可以作为数字劳动力直接上岗。

因此，几位专家也提出了一个问题：AI会让哪些人先失业？我认为在以下三个领域，AI和智能体最有可能成为数字员工。第一是人力密集型领域，这类场景需要大量重复劳动，人员众多，培训成本高，如客服、审核、标注等。智能体能拓展人类体力和时间的边界。

第二是知识密集型场景，对专业知识要求高，但资深专家稀缺，如咨询、法务、医疗。智能体解决的是知识分发的问题。

第三是IT密集型场景，如AI编程、网络运维。这些领域本身是数字化原生的，AI和智能体可以进一步提升效率。虽然理论听起来美好，但听众可能也会产生一些担忧，不过现在还不必过于焦虑。

真正打造一个智能体数字员工，理论很美好，现场有很多技术专家，大家看过很多架构图。什么是Agent？它能够感知、规划、反思，并与环境互动。但实际落地情况如何？

时间有限，我只分享两个步骤。

第一步是从好的模型到好的应用。我们越来越意识到，模型能力的上限决定了应用效果的下限。模型能力提升会解锁更多上层应用。豆包大模型就是一个例子，从2024年5月发布到现在，短短一年多时间，Tokens调用量增长了253倍，这已经成为衡量AI科技密度和智商密度的一个标准。

模型能力提升为何能带来更好的应用？因为它能解锁更多场景。今天大会的主题是探索，我们也想看看未来一年内，模型能力能带来哪些新场景。

第一个场景是多模态深度思考能力。过去大模型常被理解为大语言模型，但实际上人类的信息获取方式不只是语言，还包括视觉和语音。甚至文本token可能是技术发展中的偶然。所以深度思考不仅基于文字，还能基于视觉和听觉。

举个例子，很多影视行业的专家都知道找穿帮镜头。过去需要花费大量时间，但现在结合大模型的视觉理解能力，可以快速发现不符合时代背景的物品。比如一张古代背景的图片中，右下角的矿泉水瓶明显不符合那个年代。

再来看一个复杂案例，给定一个80年代末北方贫穷家庭的背景，大模型能分析出布景中不符合设定的物品，比如缝纫机不应该出现在那样的家庭里，甚至暖水壶和脸盆太新也不符合背景。

除了找穿帮，还可以进行多模态搜索。比如一张米老鼠弹钢琴的截图，可以通过文字、视频、图像统一映射到向量空间，找到对应的影片。

第二个信息传播方向是将信息转化为多模态表达。图像生成已经很常见，以豆包为例，支持图片创作和编辑，非技术人员也能轻松实现专业级的图片制作。

视频相比图片能提供更高的信息密度和沉浸感，因此我们可以生成一部AI电影。画质高清，支持多种运镜，保证故事逻辑连贯，还能加入经典元素，让非专业人士也能实现导演梦。

基于这些技术能力，火山引擎在今年9月与上海电影和剪映合作，参加了釜山电影节，并举办了AI未来影像峰会，展示了五部AI短片，实现了人人成为创作者的梦想。

多模态领域不仅限于视觉，语音方面也有突破。AI合成声音已很常见，但过去的声音显得机械。现在的大模型可以用少量样本模拟人声，甚至用更自然的语调播报。测试显示，真人和AI的声音几乎无法区分，说明AI已经通过了图灵测试。

第三个趋势是大模型真正开始执行任务。过去演示多是聊天框，现在智能体可以完成复杂操作。比如给一张图片，让它用剪映转成3D，配上音乐并发布到抖音。所有操作都由大模型通过Computer Use技术完成。

手机端同样可行，比如订票。智能体能理解意图，打开12306软件，根据偏好选择航班，最终完成订票。今天的智能体不再是简单的聊天机器人，而是能完成复杂任务的助手。

第一步是选择更好的模型，解锁更多应用场景。第二步是如何将好的场景转化为真正的数字生产力。

看一张时间表，这与很多同事的日常类似。早上八点半起床，对着系统发呆，九点整理数据，录入多个表格，十点连续开三场会，下午专注做事又被流程问题打断。这种时间安排暴露了企业效率的三大问题：规则性任务消耗大量工时，频繁切换系统导致上下文中断，数据孤岛影响决策效率。

第二步是帮助企业构建数字生产力平台，派遣数字员工解决这些问题。这个平台不是简单堆砌工具，而是一个体系化的系统，叫做“1+N+X”。

“1”是统一的交互入口，解决找工具难的问题；“N”是通用智能体，如数据分析、营销专家；“X”是面向特定需求的定制工具链。通过一个入口，可以调度多个智能体，直接与业务系统对话，返回结果。

为什么需要统一入口？现在很多企业智能体数量过多，平均超过130个，最多超过600个。但这些智能体分散在不同系统中，如OA、CRM，甚至独立聊天框。虽然进入AI时代，但烟囱式IT孤岛反而增多，因为智能体开发门槛低。

我们的解决方案是通过统一操作空间，利用A2A和MCP协议，让不同智能体协同工作。

统一入口带来三方面好处：多智能体协作，比如会议助手和差旅助手一起工作；打通企业业务系统，提高效率；千人千面，每个人都能获得最适合自己的智能体服务。

除了入口，还需要通用智能体解决企业共性问题，如流程提效。例如，一家公司从客户下单到产品交付涉及多个系统，人工操作耗时费力。通过大模型，可以模仿人类操作，生成自动化流程，减少人工干预。

智能体不仅是通才，还需要专才。智能体的效果不是一次性的，而是需要持续训练和优化，就像人类员工一样。

整个过程包括策略规划、能力开发、效果评测、品质优化，形成一个循环，让智能体从实习生逐步成长为行业专家。

回到“1+N+X”体系，就能构建企业从招聘到培养，再到与真人共同工作的完整链条。

最后还有一个想法：随着社会进步，宠物也在进化，狗变得越来越聪明。在AI快速迭代的今天，人类也需要进化。AI可能会取代部分职业，但也创造新的岗位。

从我的角度看，AI的高价值落地不仅是技术问题，更是人才结构和密度建设的问题。希望与各位共勉。