“AI产业化要解决的核心，是让产业AI用数据、闭环和安全撑起真实生产。

算力、模型、智能体、具身智能、行业应用，是2026人工智能+大会上反复出现的关键词。可主论坛、分论坛散场之后，一个更实际的问题摆了出来：AI不再只负责写一段文字、答一个问题，而是要读懂物流单证、走进生产线、接进内网系统，甚至去操控现实里的设备，那它到底能不能真正落地，靠的是什么？

围绕这个问题，中数联物流科技（上海）有限公司（下称数联科技）副总经理肖慧彬、光轮智能战略与对外合作副总裁杜习奇、知道创宇联合创始人兼CTO杨冀龙分别接受了访谈，从行业数据、物理AI、安全治理三个方向给出了观察。三人指向同一点：AI产业化的难点已经不只是“模型够不够强”，而是数据进不进得了业务、模型懂不懂现实、系统能不能在边界内稳定运行。

数据从碎片走向行业智能；物流AI得先钻进业务流程

大模型发展这么快，企业接模型的渠道并不缺，缺的是模型能看懂、能调用、还能变成业务结果的数据。

物流行业就是个典型。肖慧彬说，这个行业参与方多，业务散在公路、铁路、水运、航空、枢纽、多式联运和危化运输等环节里。大型国央企有，中小物流企业也有一大批；不同运输方式的单证标准对不上，有些业务还得靠纸质文件和人工处理。

数联科技副总经理肖慧彬

所以物流行业用AI，不是把通用模型往系统里一接就完事。模型先得应付数据来源散、格式乱、业务流程差别大这些麻烦。这些数据整理不了、连不起来、读不懂，模型通用能力再强，也很难稳定变成行业服务。

肖慧彬的看法是，物流AI要先“深度地去结合场景”，再把专家经验和高质量数据合到一起做成技能模块，最后借智能体落到具体业务上。这条路的关键不是单独训一个模型，而是把行业经验、业务规则和数据资源攒成系统能反复调用的能力。

眼下能试的场景已经挺具体。报关、客服、单证识别这类活，重复操作多，人工效率有限；航空货运那头，则要运价预测、运力与运输工具匹配、线路调度、多式联运路径规划。这些任务既吃数据，也得靠对行业规则和业务背景的综合判断。

运价就是个例子。肖慧彬说，国际局势紧张等因素把油价推高时，人容易顺势判断运价也会跟着大涨，但模型测算下来，油价未必是运价的唯一决定项，季节、供需和行业特点同样在起作用。AI在这儿干的不是替所有人拍板，而是拿数据给经验判断做补充。

这也说明，行业AI的价值不能只看“模型回答得顺不顺”。对物流企业来说，更要紧的是模型能不能认单证、看懂业务状态、调得动工具，再把结果送回原来的流程。AI真能处理具体任务了，行业数据才不只是训练材料，而会变成提升运营效率的生产要素。

不过智能体也不代表传统自动化就该全面让位。肖慧彬认为两者是互补，不是替代，各有各合适的场景。

左为数据猿联合创始人、总编辑张艳飞 右为数联科技副总经理肖慧彬

标准化程度高、准确率要求高、容错空间小的流程，规则明确的传统自动化照样占优。财务这类业务一般得严格按固定流程走，出一点偏差都可能带来风险。半标准化、非标准化或者要处理多模态信息的任务，智能体的灵活性就更大。

所以物流行业智能化不是在传统自动化和AI智能体之间简单二选一，而是重新划任务边界：确定性强的环节交给规则系统，需要综合判断的部分交给智能体，涉及重大责任和例外情况的环节还是得有人参与。

这么看，物流AI首先是一项数据治理和流程重构的活。模型只是其中一环，应用效果好不好，真正取决于企业能不能把散落的数据、专业经验和业务系统串起来，并形成一套能持续更新的行业知识体系。

从数据训练到持续学习；物理AI的看点在闭环

物流AI对付的是复杂的数字业务，物理AI还得再往现实世界里走。机器人、自动驾驶设备和其他具身智能系统，不光要懂语言和图像，还得感知空间、识别物体、执行动作，并且扛住动作失败带来的现实后果。

光轮智能战略与对外合作副总裁杜习奇

光轮智能战略与对外合作副总裁杜习奇认为，让机器人在真实物理世界里试错，代价比仿真环境高得多。仿真里机器人可以反复跌倒、反复重来，还能不断积累进步；可放到现实中，一次失误就可能撞上设备、毁坏物品，甚至伤到人。所以具身智能缺的不只是推理更强的模型，还得有大量能描述真实世界的学习数据，以及成规模的仿真训练。

杜习奇把机器人学习所需的数据拆成几类。真机数据贴近实际作业，但代价高、总量少，还常常和特定的机器人本体、场景捆在一起，很难撑起大规模训练；仿真数据能规模化、效率高，任务场景可以快速铺开，泛化能力也强，试错成本还低，前提是得把仿真与真实之间的差异解决好；人类操作数据能提供大量操作示范，让机器人更好地模仿人的动作方式，但采集设备、动作质量和数据标准都还在摸索。这三类数据之间，并不是谁简单替代谁的关系。

也正因如此，物理AI的关键不在于“数据越多越好”，而在于数据能不能被有效用起来，能不能覆盖不同任务和环境，训练之后能不能通过评测验证，最终能不能支撑真实部署。

数据猿专访光轮智能战略与对外合作副总裁杜习奇

杜习奇介绍，光轮智能搭建的仿真底座走的是全栈自研路线，把“求解、测量、生成”三件事合为一体。“求解”负责引入物理规律，“测量”负责取得真实物体的重量、体积、摩擦力、弹性和扭矩等属性，“生成”负责产出可供模型训练和测试的数据。这样做能减少单纯依赖虚拟环境带来的偏差，让仿真数据更贴近真实世界。

不过，仿真并不能完全替代真实环境。它的价值更多落在部署前的训练和验证上：让机器人在成本低、风险小的环境里反复尝试，先把问题暴露出来，再进真实产线或实际场景。

所以物理AI真正要建的，不是一次性的训练流程，而是一条持续学习的链路。杜习奇把这一过程概括为机器人“学习-评测-部署”，部署之后再把新经验反馈回来，形成闭环。

这条闭环也改变了人们对“仿真评测”的理解。RoboFianls评测不是给模型打个分数就完事，也不是为了在不同模型之间排个简单名次。更关键的是，评测要指出模型在哪些任务上失败、在哪些环境下不稳定，以及下一轮训练该补什么数据、该怎么调整和提升。

如果机器人只会在固定场景里完成一个动作，那它还谈不上真正的通用能力。只有当系统面对不同物体、不同空间和不同任务条件时仍能保持相对稳定，并且在出现异常时及时停下或做出调整，才有可能进入真实生产环境。

物理AI的数据问题还牵扯到成本和供给方式。杜习奇介绍，光轮智能正在探索数据复售，也就是让客户购买数据使用权，通过数据复用帮客户压低使用成本、扩大行业供给。对仍处在早期阶段的具身智能行业来说，光轮智能这一举措正在推动数据从一次性交付的定制资源，逐步转向赋能行业发展的基础设施。

不管采用哪种商业模式，数据质量、使用边界和效果验证都不能被忽略。数据能不能支撑机器人学习，最终还是要回到真实任务中去检验。

杜习奇对行业前景的判断是：“路径是曲折的，前景是光明的。”这话并不是对短期技术成熟度的盲目乐观，而是说明物理AI还处在基础设施建设阶段。未来竞争的重点，除了模型本身，还包括数据生产、仿真训练、评测体系和部署反馈能不能串成完整链路。

从能够接入到敢于执行

智能体落地必须把安全内生化

AI进入物流系统和机器人环境之后，最终还要面对一个绕不开的问题：企业愿不愿意把真实权限交给它。

政府、央企以及关键业务系统的内网场景，是杨冀龙身处的网络安全行业首先要应对的。模型在互联网上能调搜索、查数据、接外部服务；可一进内网，系统只能在相对封闭的环境里跑，模型升级、算力、数据资源都可能受限。

知道创宇联合创始人兼CTO杨冀龙

内网里还常是软硬件的复杂拼盘，芯片、操作系统、网络架构、权限体系各不相同，都得逐一适配。杨冀龙说，内网AI还得过审计、审批和第三方验证这几道更高的门槛。模型能不能跑起来，只是落地的第一步；真正决定企业用不用的，是它能不能在现有安全制度和业务流程里跑起来。

这就让AI安全不再只是对模型输出做内容过滤，而是要贯穿数据、模型、工具、权限和操作的全过程。

杨冀龙说，智能体最重要的问题是“怎么把它管得住用得好”。这句话对应的是智能体与普通问答工具之间的差别：问答系统出错，通常只是造成信息误导；智能体一旦握有调用系统、访问数据和执行任务的权限，错误就可能直接变成业务风险。

所以企业得明确智能体能访问哪些数据、调用哪些工具、执行哪些操作，以及哪些动作必须经过人工审批。对关键系统来说，权限管理、过程审计、模型调用、数据流转和结果复核，都要被纳入统一的控制体系。

杨冀龙认为，政府和国央企的AI应用需要更长的产业链协同，从芯片、服务器、操作系统，到大模型、智能体和应用落地，都要在安全要求下共同适配。这说明企业级AI不是哪一家模型厂商能独立做完的产品，而是需要硬件、软件、模型、服务和安全能力一起进入系统。

具身智能又把安全边界进一步推向现实空间。机器人要模仿人的操作，就得采集人的动作数据；这些数据怎么保护、使用边界怎么界定，模型学会动作之后怎么避免出现变形，机器人遭到网络攻击后怎么阻止异常控制，都得在系统设计阶段就考虑进去。

机器人在平滑、理想的环境里表现好，碰上异常却照样把错误动作做下去，这种机器人就不该直接进高风险场景。杨冀龙表示，具身智能的安全框架要一步步建，先把最关键的安全要求立起来，再跟着应用的发展补齐专业场景。

正因如此，智能体落地不能一味盯着功能多不多、自动化到什么程度。系统能跑多少任务当然重要，可出错前拦不拦得住、出错后查不查得到、任务失败后能不能恢复，同样决定企业敢不敢用。

从互联网应用走进政企内网，从数字任务延伸到机器人动作，AI的安全边界一直在往外扩。数据安全、网络安全、模型安全、权限安全和物理安全，往后越来越难拆开单算。

从单点能力到产业系统，AI应用的下一场竞争

这三场访谈分别落在物流、物理AI和安全场景，但并不是三个互不相干的案例。

物流行业说明，AI得建在真实、持续、可调用的行业数据上；物理AI说明，数据不能停在训练阶段，还要经过仿真、评测、部署和反馈，形成持续学习闭环；安全场景则说明，AI进了企业生产环境之后，能力越强、权限越大，对治理和审计的要求就越高。三条线连起来，就是AI产业化的基本条件：数据基础、任务闭环和安全边界。

首先，企业得解决“AI从哪里学习”的问题。行业数据不能只是简单汇总，还要有明确的来源、结构、语义和使用范围。

物流单证、生产记录、设备数据和人类操作数据，都要经过治理，才能变成模型能理解、系统能调用的知识。

其次，企业得解决“AI如何证明自己有效”的问题。模型在演示环境里表现好，不代表能在复杂生产环境中长期稳定运行。

不同领域要建立跟具体任务对应的评测指标，持续观察模型的准确率、稳定性、异常处理能力和失败恢复能力。最后，企业得解决“AI出错时怎么办”的问题。

智能体不可能永远正确，物理系统也不可能完全排除异常。所以企业要在系统里预先设好权限边界、人工确认、审计记录、风险拦截和恢复机制，让AI的错误能被及时发现，并控制在可承受范围内。

从这个角度看，AI产业化不是把同一个模型复制到更多行业，而是按不同场景重新组织数据、工具、流程和责任。这也意味着，未来衡量AI应用价值的标准会变。企业不会只看模型在公开榜单上的分数，也不会只看发布会上能演示多少功能，而会更关注它是否真正减少了重复劳动，是否缩短了故障处理时间，是否提高了生产稳定性，是否能在异常情况下及时停止并恢复。

2026人工智能+大会上透露出的产业走向，已经不再是单纯秀“模型能力”，重心挪到了“产业链协同建设”上。数据、模型、硬件、平台、安全这几类企业，得一起把训练到部署、应用再到治理这条完整链路打通。

AI确实已经在真实场景里落地，可产业化并没有因此画上句号。恰恰相反，模型越是贴近业务流程、物理环境和关键系统，对数据的要求就越扎实，评测要越严格，责任边界也得划得越清楚。

从“能用”走到“好用”，处理的是应用效率问题；“好用”再往“敢用”走，考的是整个产业系统能否稳定、可控地把结果扛下来。AI接下来的路，或许不在它还能亮出多少新本事，而在这些本事能不能被企业长期信任，真正融进日常生产里。