Jay 一水 发自 凹非寺 量子位 | 公众号 QbitAI
大模型落地喊了一整年，Token Max概念一度刷屏，但现实情况是，好像有点难产了啊。。。
年初我和一个在大厂做产品的朋友聊天，他跟我抱怨部门AI化进度拉满，天天在周会上汇报。
上周我又问他怎么样了。
他无语凝噎：
别提了…全是成本没有产出，老板现在周会上根本不提AI了。
没办法，落地和写Demo，真不是一个维度的事。
工位上的员工整天在网页框里敲Prompt、调接口，拼出来的东西大多是玩具级套壳，企业根本没法在上面跑核心业务。
对普通用户就更别提了。
平心而论，聊天框挺反人性的，手打一长串Prompt真不是个简单事。
两头，全都卡住了。
就在大家都在为商业化落地抓狂的时候，我翻看科大讯飞的财报，发现原来不是所有人都困在原地：
2026年上半年，讯飞开放平台实现营收37.05亿元，同比增长36.01%。
不仅开发者团队数量突破了1187万，而且一整套Agent的解决方案，已经悄悄落地。
从加勒比海牙买加的高端度假酒店，到国家能源集团动辄几百上千亿的招采评审现场，全都在跑。
图片
他们到底是怎么把Agent从玩具级的Chatbot，交付到物理世界的？
看完科大讯飞全球1024开发者节的全场发布，我觉得，核心只有一件事：
把AI彻底拽出那个该死的输入框，扎进物理世界和真实业务流里去。
物理世界的交互鸿沟
最近OpenAI总裁Greg Brockman在接受采访时表示，「最好的UI是没有UI，未来的AI可能连聊天框都没了」。
这话听着虽玄乎，但仔细一想，聊天框确实是当下AI最大的枷锁。
屏幕前的你也可以回想一下自己的日常。
你在工位上，打开网页端跟AI聊得风生水起，写周报、润色邮件，看着好像无所不能。
但只要你离开工位，走上大街，或者在家里做着饭、手里抱着娃，AI瞬间就拉胯了。
谁能干点啥事都停下手里的活，掏出手机、解锁、找到APP、点开输入框，再费劲巴拉地手打一大段Prompt？
根本不现实。
从第一性原理来看，这背后最大的症结，就是「Context」。
聊天框最大的问题，是把原本极其丰富的人机互动，粗暴压缩成一段文字输入。
你手里正在做什么、周围有哪些人、眼睛看向哪里、刚才发生了什么，这些信息原本都是Context。
但隔着一个聊天框，AI统统看不见，除非你先整理成Prompt，再主动告诉它。
可真实世界，本来就是多模态的。
人和人交流时，会结合语气、表情、手势和周围环境，补全对方没说出口的信息。
AI想真正进入物理世界帮人干活，同样得装上「眼睛和耳朵」，自己去看、去听、去判断，主动获取现场的Context。
所以，多模态交互并不只是给大模型增加一项新功能，它真正改变的，是获取Context的责任。
以前由人整理并输入，现在交给AI自己完成。
物理世界与聊天框之间的交互鸿沟，只能靠多模态来填平。
图片
△图片由AI生成
如果把这件事换成一个更具象的产品，我想大概就是《钢铁侠》里的贾维斯——一个无处不在的超级管家。
这也是为什么，从AI刚冒头开始，几乎每一代智能助手都喜欢拿贾维斯作比较。
感觉它已经成了整个AI行业心中的「北极星」。
不过，虽然自称「贾维斯」的产品不少，但想真正抵达那个终点，还得把这道宏大的命题拆成一个个具体问题。
它能不能像人一样自然交流？
能不能在嘈杂、多语言、不断变化的环境里稳定工作？
以及，这套能力能不能被快速装进不同的机器人和智能硬件？
围绕这三个问题，讯飞给出了一整套多模态交互解决方案：
拟人、普适、易用。
拟人。打造贾维斯的第一步，是先让AI像人一样自然地和你交流。
这里既包括说话自然，也包括反应足够快。
讯飞就是靠语音模型起家的，模型能力就不细说了，用来作为底座肯定是没啥问题的。
想落地，还得看工程优化。
毕竟如果你在公共场合兴致勃勃地使用展厅机器人，结果说完一句话要傻等三秒，那脚趾真恨不得给地板抠烂了。。。
这方面，讯飞通过全链路端到端模型与端云协同架构，把端到端平均响应时间压缩到了1.8秒以内。
端到端好理解，但这个「端云协同」是如何降低延迟的？
看了讯飞刚刚发布的星火X2.6，我算是明白了——
简单任务直接在端侧处理，复杂任务再交给云端，这样既能避免干等，也能减少Token消耗。
也难怪科大讯飞董事长刘庆峰在现场提出：
未来，60%的应用可以在本地完成，保障数据安全；30%的应用通过端云协同完成；10%需要云端大模型解决。
「低延迟+声音自然」，让用户愿意接受新的交互方式。
普适。第二步，是让AI突破环境限制，不能说只在理想环境中才能work。
这个广，分为三个层面。
一是分贝广。
讯飞的全景式多模态降噪，实现360°实时的语音和图像分离。
二是语种广。
讯飞多语种免切换交互，已经支持超40种语种，实现全球化服务一站式访问。
三是场景广。
发挥AI千人千面的特性，基于场景定制模型输出。
这部分，他们去年就发过一个儿童陪伴场景下的大模型，模型会专门适配儿童的表达逻辑，接入儿歌、故事等内容，同时兼顾内容安全与情绪引导。
一年过去，现在也扩展到了老人康养、出行办公、门店营销等更多场景。
易用。拟人和广谱解决的，还是AI能不能用的问题。
要真正形成产业规模，还需解决更多开发者能不能用得上的问题。
这也是我觉得，最重要的一个点。
他们直接把复杂的多模态AI能力封装成了现成的硬件模组。
开发者不需要从底层麦克风阵列算法写起，拿来就能直接做智能终端。
图片
而且，软件方面也是准备好的。
开发者直接用自然语言交互就能在AStudio里完成配置，一键部署到机场机器人。
动动嘴皮子，一个机场多模态智能客服就落地了。
图片
目前官方也已经有不少产品案例，并且很多都是大范围落地的。
比如有个叫WallEX的智慧空间解决方案。
很多传统智能家居最反人类的地方，就是设备各玩各的，你在这间屋子说了话，换到另一间屋子设备又失忆了。
WallEX依托底层的SpaceMind智能空间架构，把设备联动、多协议兼容（KNX、Zigbee等）和离线大模型能力全部打通。
这样，它就能知道是谁在哪个空间发号施令，并且上下文记忆在多设备之间无缝流转。
这个系统现在已经落地到了牙买加The Pinnacle Jamaica项目中，覆盖了140套高端住宅与200间酒店客房。
视频封面
当多模态交互在现实场景里能像网页端敲字一样稳定，物理世界的新场景，就被撬开了一条缝。
告别企业的数字化返祖
不过，这还只走了一半。
对普通用户，输入框隔开的是AI与物理世界，而对企业，隔开的则是AI与真实业务。
这一年多，很多企业其实经历了一场荒诞的「数字化返祖」。
老板们集体焦虑，给全员采购各种单点AI工具，买了一堆模型API，恨不得每个员工都配上Claude Code。
大家都觉得，只要把工具塞给员工，生产力就能原地起飞。
结果呢？
财务有财务的软件，ERP有ERP的后台，CRM又躺在另一朵云上，各部门的系统和数据谁也不认识谁。
员工每天上班，就是在三四个AI对话框和五六个业务系统之间反复横跳，疯狂Ctrl+C、Ctrl+V。
工具确实越来越智能了，人反而干回了「数据搬运工」。。。
图片
零散的Prompt和套壳工具，根本撑不起真正的企业业务闭环。
企业真正需要的，是一个组织级的协同底座，把这些支离破碎的业务断点重新缝起来。
讯飞这次亲自下场，直接掏出了Agent OS——行业首创的场景驱动Agent原生操作系统。
视频封面
这套系统底层靠两个核心支柱撑着：
组织级上下文工程：写代码有专门的Harness提供代码和运行环境，而在日常企业办公里，Context就是生命线。
Agent OS在极其严格的企业权限体系下，彻底打通组织架构、人员职责和项目流转信息。
RSI自我进化机制：光有上下文，AI大概能做到90分。
但从90分到99分的商业交付，必须依赖真实业务结果和人类专家的反馈信号。
这正是RSI思路发挥作用的地方。
伴随项目推进，Agent OS会把业务流转中的每一次人工修正和结果沉淀为策略优化，实现「越用越好用」。
除了底座，讯飞还端出了两件杀手锏武器。
一件是星辰TaaS（Token as a Solution）。
过去卖大模型就像卖自来水，按调用量卖冷冰冰的Token，企业拿到手依然不会用。
星辰TaaS搭了一套完整的三层架构：底层由星辰MaaS提供模型能力，中间层负责模型调度、Agent编排、知识和工具调用，上层进一步封装成同传翻译、数字员工、智能营销等场景应用。
这样一来，企业就能像搭积木一样，按需组合模型、Agent、知识和工具，快速搭出能够进入真实业务流程的Solution。
图片
在这套链路里，每一次调用，都对应着一项业务的推进或一项任务的完成，模型能力也由此转化为可以交付、可以衡量的业务结果。
正如讯飞所总结的：
让Token不空转，让价值看得见。
视频封面
另一件是APA（智能体流程自动化），直接革了传统RPA（机器人流程自动化）的命。
以前部署传统RPA，企业得提IT需求、找外包工程师、写脚本抓网页元素，流程一旦变动全盘重来。
现在在APA里，业务人员通过自然语言对话或者直接录制一段屏幕操作，系统就能把填表、查数、审批这些动作沉淀为Agent可直接调用的原子技能。
在Cowork协同环境里，员工一句话，Agent就能跨系统直连ERP和CRM的底层接口执行任务，完全不需要IT团队介入排期开发。
这套打法在实际业务里，表现如何？
我们来看一组真实落地的数据。
在国家能源集团的招采业务场景里，多智能体协作框架结合Harness可信执行引擎，把困扰大模型已久的幻觉问题牢牢管住了。
据悉，目前系统已经平稳运行了超21万个项目，智能评审准确率飙到了97%，无人化率超过89%。
算下来，直接创造的间接经济价值高达40亿元。
以下视频来源于讯飞企业数字化
视频封面
这，才是企业真正需要的落地。
开发者生态被彻底重构
聊到这里，可能有人会问：
这些技术再厉害，讯飞自己一家公司能把所有行业做完吗？
当然做不完。
现实世界的长尾场景实在太多了，每个细分行业都有深不见底的Know-How壁垒。
AI落地的终局，拼的一定是生态。
但问题是吧，就在不知不觉中，开发者生态的底层逻辑，好像也不太一样了。。。
先看一组讯飞开放平台的数据：
开发者团队总量已经突破1187万，平台开放了1016项AI能力。
就在今天收官的2026 AI开发者大赛上，参赛团队突破5.2万支，同比大涨41%，历届新高。
而且当中超3万支队伍来自智能体与Skill开发赛道。
神了。
图片
但更让我觉得有意思的，是参赛人员的画像。
以往写代码、做软件的，清一色是坐在工位上敲键盘的专业程序员。
但在星火杯高校赛中，参赛选手已经横跨700多个专业，其中43%来自非技术专业。
学经管的、学医学的、学艺术的学生，全都挽起袖子在做Agent。
另一边，教师、医生、公务员、产品经理等职场白领也纷纷涌入Skill赛道，一口气产出了7527项Skill作品。
开发者的定义，正在被这波Agent浪潮彻底颠覆。
但有个很尴尬的事。。。
是，Vibe Coding的出现，让开发应用的门槛低到了尘埃里。
只不过吧，要在场景落地，这仅仅是第一步。
不er，客户说要在酒店大堂机器人身上用，这咋整啊？？？
真实业务逻辑、端侧终端部署……没有这些Know-How，再怎么烧Token也是没法交付的。
怎么办？
讯飞的答案是：既然开发者群体变了，生产工具，也必须跟着彻底换代。
所以他们对开发者平台进行了Agent化重塑——
底层能力的调用极简化。
通过一句自然语言命令，开发者就能通过Agent开发工作台XFYUN CLI直接调度平台上的700多项AI原子能力以及200多项智能体适配能力。
图片
在此之上，讯飞推出了研发插件AIUI Code。
开发者不用去硬啃复杂的底层SDK说明书，只需要用大白话描述需求，Agent会自动调用专家插件完成硬件逻辑构建。
即便是完全不懂硬件的小白开发者，也能言出法随，一键更新机器人配置。
图片
在讯飞GuideX平台最新的一体化升级方案里，便已经内部打通了这个闭环。
具体机制如下——
前端，AStudio充当全场景AI生产力工作台，负责承接和理解来自各行各业的复杂定制需求。
后端，GuideX平台作为集成了虚拟人、多模态与Agent的一体化底座，直接完成从配置组装到部署上线的所有流程。
工程师甚至只要对着麦克风说一句话，就能直接在机场大屏上部署出一个能查航班、能带路、能办理业务的多语种数字客服。
图片
整个Agent的研发与上线周期被大幅压缩。
如今，在非洲肯尼亚的公共服务机构、在中东的运营商服务中心、在东南亚的轨道交通枢纽……GuideX已经把这种软硬一体的交互能力，变成了标准化的公共服务基础设施。
图片
凝心聚力
十多年前，讯飞开放平台最早对外开放的，是单点的语音识别（ASR）和语音合成（TTS）接口，大家用代码拼装简单的功能；
2022年，大模型爆发，大家在狂热地卷基础模型参数，全行业都在买显卡、调Prompt、测API调用量；
而到了今天，整个产业的分水岭已经彻底出现。
Token提供了认知计算的基础算力。
但光有算力，改变不了世界。
只有当多模态感知能力让AI走出手机屏幕、当Agent OS深入企业核心业务流、当数以千万计的普通业务人员能用Agent工具链自由构建应用时，技术才真正转化成了生产力。
正如刘庆峰在1024开发者节上所说：
这场凝心聚力。无论在教育、在医疗、在市场、在各个领域，其实都是有基本使命愿景来凝聚，才能够让更多的产业伙伴、让上千万的开发者共享未来，才能够使得人工智能深刻改变世界。
从卖Token到交付业务闭环，一个由各行各业人才与Agent凝心聚力、共同进化的时代——
正在拉开序幕。