问题——随着通用大模型能力不断提升，产业竞争焦点正从“模型能力比拼”转向“智能体规模化应用”；在调研中，周鸿祎指出，智能体要在企业侧大范围落地仍面临多重瓶颈：一是面向推理任务的算力供给存在结构性缺口，低时延、高密度推理集群不足；二是通用模型与企业流程、数据和工具体系衔接不顺，落地门槛较高；三是智能体进入关键业务环节后，安全风险与责任边界更复杂，传统安全体系对新型威胁的应对仍需加强；四是既懂行业又懂技术的复合型人才依然紧缺。 原因——周鸿祎认为，智能体要在真实业务中“能用、好用、敢用”，背后需要打通一条从基础要素到生产力的完整链路：电力与算力提供底座，推理算力支撑智能体稳定运行；通用能力只有与行业知识、场景工具和数据治理结合，才能沉淀为可复用的“专用智力”；同时，需要专业人才对流程改造、权限控制和效果评估进行规划与治理，并让安全能力贯穿全生命周期。若推理算力布局、工具平台供给、安全体系升级或人才培养任何一环跟不上，就容易出现“演示效果好、规模应用难”的落差。 影响——推理算力与安全能力的短板，不仅会拖慢智能体在工业制造、政务服务、金融风控、供应链管理等重点领域的部署进度，也可能推高中小企业的使用成本，影响“人工智能+”行动的普惠性和产业渗透率。更值得关注的是，随着智能体参与指令执行、流程审批、系统运维等操作，网络攻防形态可能从相对对称的“人与人”对抗，转向更不确定的自动化、规模化对抗。一旦漏洞被利用、权限被滥用或数据被污染，可能引发连锁风险，冲击业务连续性与产业信心。 对策——围绕“电力—算力—智力—人力—安全力—生产力”的协同路径，周鸿祎提出多项建议：一是将推理算力纳入全国一体化算力体系重点统筹，研究出台推理算力布局指导，形成“全国统筹、区域细化”的建设思路，在重点产业集聚区建设低时延推理集群，并通过统一调度提升资源利用效率。二是加快面向推理任务的专用软硬件能力建设，推动关键环节自主可控，增强产业链韧性，为智能体规模运行提供稳定供给。三是由主管部门牵头建设普惠型智能体公共服务平台，集成模型能力、行业工具与流程组件，提供开发、测试、部署、运维全流程支撑，降低中小企业构建垂直领域智能体的门槛和成本。四是同步推进人才与治理体系建设，探索建设“智能体课堂”等培训机制，完善技能培训与认证路径，培养“懂行业、懂技术、懂治理”的复合型队伍。五是把安全作为智能体规模应用的前置条件和底线要求，加快安全体系的智能化升级，探索“智能体对抗智能体”的防护思路，支持形成可批量部署的安全智能体产品，覆盖漏洞处置、攻击溯源、风险研判等能力，在关键信息基础设施、工业互联网等领域先行先试，并推动形成可复制的应用规范与评估指南。 前景——业界普遍认为，智能体将成为“人工智能+”在各行业落地的重要载体。随着推理算力布局更均衡、公共服务平台降低应用成本、安全能力实现体系化升级，智能体有望在更多业务场景中从“辅助工具”走向“流程伙伴”，带动生产组织方式、服务供给模式和治理能力的现代化提升。周鸿祎表示，只有把基础供给、应用生态和安全保障合力推进，才能持续提高产业转化效率，推动人工智能高质量发展。
人工智能已进入体系化协同阶段，产业发展正从技术竞争转向应用赋能；只有在夯实推理算力基础、完善智能体应用生态、强化安全防护体系的前提下，兼顾各要素协同，才能不断提升产业转化效率，推动人工智能实现高质量发展。这既是产业升级的必然要求，也是抢占新一轮科技竞争制高点的重要选择。