目前一個值得關注的趨勢在悄然發生：AI不再只是一個云端工具，開始成為一個“在場”的智能體，而物聯網正塑造AI在實體世界的運行框架。

本文將通過以下5個部分闡述：

1.范式轉變：從通用智能到場景智能
2.“場景智能” 是通用智能的結構重構
3.技術底座：雙引擎與四板塊
4.商業重構：穩定幣與機器經濟
5.生態戰略：從工具到平臺的演化

范式轉變：從通用智能到場景智能

在過去一年里，我們見證了AI技術以令人眩目的速度演進：大模型從百億參數沖向萬億參數，生成式AI從文本走向多模態。

大家有沒有體驗過讓ChatGPT幫忙寫一封郵件，寫得非常漂亮，但我還是要自己復制、粘貼、打開郵箱、查找聯系人、發送？它是不是“聰明”？當然。但它是不是“實用”？未必。

這正是大模型落地時遇到的第一道墻：它能理解，但它不能執行。AI“能說話”但是不一定“能干活”。

AI落地的現狀與挑戰，這當中涉及到通用智能與場景智能之間的鴻溝。

通用智能：聚焦語言理解和內容生成，依賴大算力、大語料，擅長對話、寫作、創作，但難以理解行業流程與物理邏輯。

場景智能：針對特定行業和任務，植入業務語義和流程邏輯，可部署在邊緣，真正進入“能干活”的階段。

ChatGPT能說話，但不能干活。企業用AI，不要“演示效果”，而要“現場效果”。AI，不再只是一個云端工具，而應成為一個“在場”的智能體。

“熱”不代表“成熟”，“強”不代表“適配”。

打個比方：大學教授懂得很多知識，但他未必能修好一臺車；一個汽修工人可能學歷不高，但能在5分鐘內判斷問題、拿出工具、完成修復。

這就是“懂知識”和“懂場景”的區別。在AIoT世界中，我們要的不是“能寫論文的AI”，而是“能換輪胎的AI”。

下文將從五個問題出發，逐步走進AIoT智能體的真實世界：

1.為什么大模型不能直接落地？
2.“場景智能”到底意味著什么？
3.智能體的發展路徑是怎樣的？
4.AIoT落地的底層支撐是什么？
5.未來的關鍵控制點在哪里？

“場景智能”不是通用模型的子集，

而是結構重構

我們過去一直在說“通用智能”，現在又說“場景智能”，它們是什么關系？

這里我想強調一個觀點：場景智能不是通用智能的簡化版本，而是AI認知結構的重塑。

我們看到通用模型在C端世界非常驚艷，能寫詩、畫畫、聊天，但一旦進入產業場景，問題就變了。

為什么通用大模型到了產業場景里“水土不服”？

因為產業不是語文題，它是物理題。它不是開放世界，而是高度約束的封閉系統。它的核心不是生成內容，而是控制變量、保障穩定、優化效率。

所以產業AI的未來，一定屬于垂類模型。

為什么？因為通用大模型存在三個結構性障礙：

1.成本高昂：推理成本遠高于傳統系統，難以部署到終端；
2.泛用性強但不懂行業：缺乏對具體業務語義、流程、上下文的理解；
3.執行能力缺失：無法“動手”，只能“動嘴”。

正如GPT-4處理原始傳感器數據時，其活動識別準確率僅為40%，機器診斷準確率不足50%——遠低于工業場景要求。這不是參數不夠，而是“場景理解力”不足。

產業AI不是“參數戰爭”，而是“閉環戰爭”——誰能跑通數據-模型-決策-反饋的閉環，誰就能沉淀出“場景智能”。

通用大模型是AI的“百科全書”，垂類小模型將成為產業的“操作手冊”。類似的，產業智能體不是單純的技術革新，而是一場系統性的轉型。

這一頁我們來明確一個重要但易被混淆的概念：AI智能體≠AIoT智能體。

今天我們講“智能體”，但不是所有智能體都一樣。

我們先來看左邊這個大家熟悉的角色——AI智能體。這類智能體擅長什么？

●擅長語言理解、知識推理；

●擅長對話互動、內容生成；

●它們部署在云端，需要強大的算力支持；

●但它們沒有“手腳”——不能感知物理世界，也無法執行具體動作。

所以，AI智能體的核心價值，是“認知”。

而我們今天真正關心的，其實是右邊這個詞：AIoT智能體。

AIoT智能體的核心，不只是認知，而是“認知+行動”。

●它部署在邊緣或設備端；

●它能連接傳感器、控制器，能感知、能決策、能執行；

●它還能嵌入錢包，實現鏈上身份與結算。

AI智能體是一個“能說會道”的大腦，而AIoT智能體，則是一個“能看、能想、能干、還能收錢”的完整勞動力。

不是所有智能體都能進車間、進園區。要能感知、能執行、能結算，才配叫AIoT智能體。

接下來，我們來回答一個非常關鍵的問題：

什么才是真正的AIoT智能體？

很多人以為，只要設備能聯網，能識別圖像，就可以叫“智能體”了。但實際上，從產業落地的角度來看，智能體要能真正“干活”，必須具備五種核心能力。

第一種能力：感知。這是最基礎的能力，AIoT智能體必須具備對環境的持續感知能力。

第二種能力：推理。感知之后，不是直接行動，而是做出判斷。推理是智能體的邏輯中樞，讓設備開始“思考”。

第三種能力：認知。推理解決的是局部判斷，而認知解決的是整體理解與規劃。認知，代表了從“理解一個點”到“理解整個任務”的躍遷。

第四種能力：執行。理解完了，還要能動手做事。執行決定了：智能體是不是一個真正的行動者。

第五種能力：金融結算。這是很多人容易忽略，但未來極其重要的一環。如果一個設備能完成任務，卻沒有結算能力，它就無法真正參與平臺協作；金融能力讓智能體擁有自主性，也具備經濟行為能力。

這五種能力構成了AIoT智能體的能力閉環：感知世界，推理判斷，認知任務，執行動作，結算價值。

階段一：感知體

●能采集數據、上傳信息；

●典型形態是傳統IoT設備：攝像頭、傳感器、PLC控制器；

●問題：只能“執行”，不能“理解”。

階段二：協同體

●能理解任務、與其他設備協同；

●以邊緣AI+規則系統為核心；

●典型形態是智能家居系統、園區自動化系統；

●問題：固化規則、缺乏自適應。

階段三：智能體

●能感知、理解、推理、行動，并具備自主結算能力；

●具備：LLM/SLM+規劃+調用工具+錢包+反饋；

●典型形態是：自動駕駛智能體、工業質檢智能體、農業協作智能體。

這一演進的核心在于讓設備從“感知世界”到“理解世界”，再到“參與世界”。

這一頁，我們從時間軸的角度，來回顧AIoT智能體的演進路徑。

智能體并不是一蹴而就，憑空產生的，而是經歷了漫長的前期積累。十年感知，五年互聯，走向真正智能。這不是口號，這是我們過去十幾年智能設備演進的真實寫照。

第一階段：感知體普及
從2009年之后，物聯網概念興起，傳感器開始大規模部署。
我們稱它為感知體。這是智能體的第一個階段，設備可以感知世界，但不理解、不自主協作。

第二階段：協同體部署
從2016年開始，邊緣計算興起，5G網絡落地，大量設備開始“互聯互通”。
這個階段，我們稱為協同體。它們之間開始“配合動作”，但智能還來自中心平臺，設備本身還不具備自主性。

第三階段：智能體商業化
真正的變化發生在近兩三年：AI讓設備能夠具備語義理解與推理能力；錢包與鏈上結算機制，讓設備擁有身份與價值控制權。
這意味著，設備不再是被動執行的終端，而開始成為“能感知、能推理、能決策、能執行、還能結算”的主體。我們稱之為智能體。

所以我們說：十年感知，是設備看到了世界；五年互聯，是設備開始協同運作；而今天，我們走向真正的智能體時代：自適應、自運行、自結算。

我們來看幾個未來AIoT智能體的應用案例：

1.自動駕駛×充電樁×穩定幣

想象你是電動車車主，正穿行在城市中尋找充電樁。導航能告訴你哪里有樁、電價多少、距離多遠，但你仍要自己判斷：這個樁靠不靠譜？會不會被占用？價格是否真實？更不用說，車無法自動決策去哪充、預付多少、何時結算、充完后能否自動離開。

但一切在引入AIoT智能體 + 穩定幣支付后發生了變化：出發前，車輛就可與充電樁“簽合約”——鏈上鎖定電價、服務等級、時間窗口，并凍結一筆穩定幣作為預付款。到站即插即充，充滿后系統自動結算，按實際電量扣費，余額實時返還你錢包，車子無需等待，直接駛離。無需掃碼、無需APP、無需對賬。

信任寫在協議里，支付嵌在執行中。這不是“更智能的支付”，而是“機器之間的經濟協作”。

2.工業制造×AIoT智能體×按次付費

以工業制造為例，一家中小企業可能無法一次性采購一臺昂貴的激光切割機。但如果設備制造商允許客戶按小時使用，并通過鏈上錢包實時收取費用，客戶只需在需要時喚醒設備，系統根據使用時長自動從其錢包中扣除穩定幣。這樣，不僅降低了企業的使用門檻，也為設備提供商帶來了持續收入。

從技術架構到商業模型：

“四板塊+雙引擎”

正如我曾經提出：“人工智能+”的70%價值來自物聯網，但真正釋放這70%的潛力，靠的是智能體能動起來，模型能“下沉”。

這兩頁PPT是我們今天的核心內容之一：技術架構：四板塊+雙引擎。

為什么要講這個？

因為很多人談AIoT，還停留在“設備聯網”或者“智能感知”階段，但我們今天要講的是“能動的智能體”，是可以完成任務、產生價值的智能體。

引擎一：邊緣智能

●不只是把模型部署到邊緣，而是讓智能真正“駐扎”在現場；

●它能在毫秒級響應、在斷網狀態下運行、在本地完成決策；

●邊緣智能，是讓設備從“被控對象”變成“自治單元”的關鍵。

邊緣智能決定了智能體能不能“獨立思考、就地反應”。

引擎二：垂類模型

●通用大模型解決不了行業問題；

●AIoT需要的是針對工業、電力、安防、農業等領域的垂直模型；

●垂類模型讓智能體具備“專業知識”和“行業判斷力”。

垂類模型決定了智能體能不能“聽懂行話、看懂場景”。

邊緣智能讓智能體跑得起來，垂類模型讓智能體干得專業。兩者疊加才能真正釋放AIoT的價值。

但這也引出一個新的問題：既然模型能夠下沉，未來智能體可以“動起來”——那它到底屬于AI，還是屬于IoT？它是一個“AI模型的終端形態”，還是一個“IoT設備的進化版本”？

我們發現，AI和物聯網正在產生越來越大的交集，物聯網成為了AI落地物理世界的底座。越來越多的設備，正在從“硬件終端”演化成具備智能、目標、自主行為的智能體。

所以，接下來這一頁，我們就來回答這個問題：端側AI和AIoT智能體，到底是什么關系？

它們不是兩條線，而是一條線的兩個階段。

●AIoT智能體是端側AI的高級形態

端側AI提供了算力基礎和模型執行能力，而AIoT智能體則將這些能力封裝為具有認知與行動能力的實體，甚至與其他智能體協同完成復雜任務。

●端側AI是AIoT智能體的底層支撐

沒有端側AI的推理與感知能力，AIoT智能體無法實現“在地運行”。

我們將端側AI的四大技術支撐與協同結構，劃分為四大板塊：芯、模、端、智。

這四個字，既是縮寫，也是路徑。

第一塊：芯

“芯”代表的是整個端側智能的算力基礎。

包括AI芯片、低功耗NPU、SoC、RISC-V架構處理器；

同時也涵蓋邊緣AI加速器、異構計算單元。

可以說，沒有“芯”，就沒有端側智能的“運行力”。

第二塊：模

“模”指的是模型，尤其是適合端側部署的小模型和垂類模型。

包括視覺識別模型、語音識別模型、SLM、TinyML等；

模型的輕量化、專用化，是智能體下沉的關鍵。

我們說，大模型讓AI會說話，小模型讓設備能干活。

第三塊：端

“端”是智能體的物理載體，是它的“身體”。

包括攝像頭、機器人、工業設備、傳感器、邊緣盒子等；

沒有這些終端設備，AI就無法與現實世界連接。

端，是智能體接觸世界的“著陸點”。

第四塊：智

最后，“智”代表的是智能體本身。

這里包括智能體平臺、調度框架、邊緣智能OS、鏈上身份與結算系統；

它是感知、推理、決策、執行、結算的調度中樞。

我們不只是要讓設備智能，更要讓它能自主行動、自我協作、參與經濟活動。“智”，是端側AI的價值閉環。

“芯”給了智能體算力，“模”給了它思維，“端”給了它身體，而“智”，讓它擁有了行動與經濟能力。

穩定幣：設備經濟的“銀行賬戶”

穩定幣不僅是Web3的工具，更是AIoT設備的銀行賬戶。

在傳統系統中，設備只能“響應命令”；在AIoT世界中，設備不但要理解任務，還要為服務計價并收款。

我們一起設想這樣的場景：

一臺風力發電機為鄰近電網供電，誰來結算？

一個果園的土壤傳感器每天上傳數據，憑什么獲得收益？

一臺激光切割機被“按小時租用”，怎么自動計費？

答案都指向一個關鍵詞：穩定幣。

穩定幣帶來了三大改變：

1.經濟人格：每個設備擁有錢包地址、預算、財務邊界；
2.交易協議：設備對設備（M2M）即可完成微支付、結算；
3.自治能力：無需平臺調度，設備可自主協作、資源協商。

穩定幣讓設備從連接走向協作，從行為走向計價，從硬件走向經濟體。

穩定幣是連接AIoT設備與價值世界的金融基礎設施，推動物理世界設備實現“可信感知、自動結算、協作執行”的閉環：

1.物理世界的設備（如土地、能源、機械）通過傳感器接入網絡，形成感知層；
2.數據驅動的設備行為，需要與價值掛鉤，于是引入金融層（穩定幣+區塊鏈）；
3.借助智能合約，設備可按規則自動執行服務、調度資源、完成結算；
4.最終，多個設備形成去中心化協作網絡，構建機器信任與支付閉環。

穩定幣是設備的銀行賬戶，是AIoT系統的經濟協議，是智能體之間的“價值語言”。

穩定幣還將加速重塑物聯網的商業模型。

機器經濟的商業模式正在從一次性“賣設備”，走向持續性“賣訂閱”，最終升級為“按行為或結果計費”的智能勞動力。

1.賣設備：一次性交付，收入依賴出貨量，價值捕捉有限。
2.賣訂閱：提供持續服務，建立客戶關系，收入更穩、更可預測。
3.賣行為/賣結果：按動作付費、按結果結算，設備變成“可計費的智能勞動力”，嵌入鏈上協作網絡。

誰能從“賣產品”轉向“賣結果”，誰就能在機器經濟時代掌握價值分配權。

產業生態組織：

智能體不是模型，是平臺×協議×生態

要推動AIoT智能體產業落地，我們要跳出“軟件即產品”的邏輯，進入“智能體即生態”的戰略。

智能體不是“一個模型”，而是“平臺×協議×生態”的系統性產物，由芯片/模組廠商、平臺方、行業伙伴共建完成。

芯片/模組廠商：提供算力與部署接口，是智能體的底座；

平臺方：提供垂類模型與智能體操作系統，是智能體的大腦與中樞；

ISV/SI廠商：結合場景構建應用智能體，是最終落地者。

智能體不是誰獨立完成的產品，而是芯片、平臺、集成方共同協作的系統工程。AIoT智能體生態的價值，不在個體強，而在協同。

接下來回答一個問題：AIoT智能體應該落地在哪些場景？

AIoT智能體不是無所不能，而是要選對戰場，專注在“高頻率、高價值、強閉環”的任務中，才能真正落地并創造價值。

1.高頻率：場景重復、數據密集，智能體有學習空間，才“值得訓練”。
2.高價值：每個動作能帶來效率、成本或質量的改善，才“值得執行”。
3.閉環性：能識別問題，也能執行反饋，形成閉環，才“真正落地”。

高頻確保“能做”，高價值保證“值得做”，閉環決定“做得成”。

當然，今天我們所討論的，只是AIoT智能體、場景智能、垂類模型等廣闊圖景中的一角。作為一個仍在快速演化的新生事物，AIoT智能體的技術邊界、應用路徑與商業模式，還有許多值得深入思考與持續驗證的地方。

無論是模型如何更高效地下沉終端，還是AIoT智能體如何在多智能體系統中有效協作，亦或是機器經濟如何在真實環境中閉環運行，這些問題都沒有標準答案。我們正處在一個充滿可能性的起點。

未來的探索，不可能依靠某一家企業、某一個技術體系獨自完成，而需要整個生態共同努力。也誠摯期待在后續的實踐中，與各位產業同行、研究者、開發者一起，持續碰撞、驗證、打磨，尋找屬于AIoT智能體的真正落點。

更歡迎大家在后續的交流活動中，與我深入探討、共同探索答案。

最后，我想用三句話做結尾：

1.通用大模型是AI的高原，智能體才是產業的金礦。
2.智能體不是模型，是工具+協議+經濟行為的復合體。
3.未來的AI，不是更聰明，而是更能干、能協作、能收錢。

本文作者：彭昭（智次方創始人、云和資本聯合創始合伙人）

本文來源：物聯網智庫