“AI产业化的关键，是让产业AI以数据、闭环与安全托底真实生产。

在2026人工智能+大会上，算力、模型、智能体、具身智能、行业应用成为密集出现的关键词。但走出主论坛和分论坛之后，一个更具体的问题浮现出来：

当AI不再只是生成一段文字、回答一个问题，而是要读懂物流单证、进入生产线、连接内网系统，甚至操控现实世界中的设备时，决定它能否真正落地的，究竟是什么？

中数联物流科技（上海）有限公司（以下简称为数联科技）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杨冀龙的访谈，分别从行业数据、物理AI和安全治理三个方向，提供了三个观察窗口。

他们共同说明，AI产业化的难题已不再只是“模型够不够强”，而是数据能否进入业务、模型能否理解现实、系统能否在边界内可靠运行。

从碎片化数据到行业智能
物流AI首先要进入业务流程

在大模型快速发展的今天，企业并不缺少接入模型的渠道，真正稀缺的是能够被模型理解、调用并转化为业务结果的数据。

物流行业尤其能够说明这一点。肖慧彬介绍，物流行业参与者众多，业务分布在公路、铁路、水运、航空、枢纽、多式联运和危化运输等不同环节。行业中既有大型国央企，也有数量众多的中小物流企业；不同运输方式之间的单证标准并不统一，部分业务仍然依赖纸质文件和人工处理。

数联科技副总经理肖慧彬

这意味着，物流行业的AI应用并不是把一个通用模型接入系统那么简单。模型首先要面对数据来源分散、格式不一、业务流程差异明显等问题。如果这些数据不能被整理、连接和理解，模型即使拥有较强的通用能力，也很难直接转化为稳定的行业服务。

肖慧彬认为，物流AI需要先“深度地去结合场景”，再把专家经验与高质量数据结合起来形成技能模块，最后通过智能体应用到具体业务中。这个路径的重点不在于单独训练一个模型，而在于把行业经验、业务规则和数据资源组织成能够被系统反复调用的能力。

目前，物流行业可以尝试的场景已经比较具体。比如报关、客服和单证识别等工作，通常包含大量重复性操作，人工处理效率有限；航空货运则涉及运价预测、运力与运输工具匹配、线路调度和多式联运路径规划等任务。这些任务既需要数据支撑，也需要对行业规则和业务背景进行综合判断。

在航空货运运价问题上，肖慧彬举了一个例子：当如国际局势紧张等不稳定因素导致的油价上涨时，人们容易直接判断运输价格也会同步大幅上涨，但模型测算可能会显示，油价并不是决定运价的唯一因素，季节、供需和行业特点同样会产生影响。AI在这里的作用，并不是替代所有人的判断，而是利用数据对经验判断进行补充。

这也解释了为什么行业AI的价值不能只用“模型回答得是否流畅”来衡量。对于物流企业而言，更重要的是模型能否识别单证、理解业务状态、调用相应工具，并将结果放回原有流程中。只有当AI能够处理具体任务，行业数据才不再只是训练材料，而会成为改善运营效率的生产要素。

但智能体并不意味着传统自动化会被全面替代。肖慧彬认为，二者不是替代关系，而是互补关系，各自有适合的场景。

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

对于标准化程度高、准确率要求高、容错空间小的流程，规则明确的传统自动化仍然具有优势。例如财务等业务通常需要严格按照固定流程执行，任何偏差都可能带来风险。而在半标准化、非标准化或需要处理多模态信息的任务中，智能体可以发挥更大的灵活性。

因此，物流行业的智能化并不是在传统自动化和AI智能体之间进行简单二选一，而是要重新划分任务边界：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仍由人工参与。

从这个角度看，物流AI首先是一项数据治理和流程重构工作。模型只是其中一个环节，真正决定应用效果的，是企业能否把分散的数据、专业经验和业务系统连接起来，并形成可以持续更新的行业知识体系。

从数据训练到持续学习
物理AI的关键在于闭环

物流AI面对的是复杂的数字业务，物理AI则要进一步进入现实世界。机器人、自动驾驶设备和其他具身智能系统，不仅需要理解语言和图像，还要感知空间、识别物体、执行动作，并承受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，在物理世界中试错的成本比仿真环境中要高。仿真环境中，机器人可以无限试错并带来持续进步；但在现实环境中，机器人一次错误可能碰撞设备、损坏物体，甚至对人员造成伤害。因此，具身智能需要的不只是更强的推理模型，还需要大量能够描述真实世界的学习数据和大规模的仿真训练。

杜习奇将机器人学习所需的数据分为几类。真机数据更接近实际操作，但成本较高、数量有限，而且往往与具体机器人本体和场景绑定难以支撑大规模训练；仿真数据具备规模化、高效率的特点，可以快速扩展任务场景，具有较强的泛化能力并降低试错成本，前提是解决仿真环境与真实环境之间的差异；人类操作数据能够提供丰富的操作示范，可以让机器人更好的学习人的动作方式，但采集设备、动作质量和数据标准仍处于不断探索之中。这三类数据并不存在简单的替代关系。

也正因此，物理AI的核心问题不是“数据越多越好”，而是数据能否被有效使用，能否覆盖不同任务和环境，能否在训练之后通过评测验证，最终能否支持真实部署。

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，光轮智能打造“求解、测量、生成”三位一体全栈自研的仿真底座。“求解”用于引入物理规律，“测量”用于获得真实物体的重量、体积、摩擦力、弹性和扭矩等属性，“生成”则用于形成可供模型训练和测试的数据。这个过程可以减少纯粹依赖虚拟环境造成的偏差，让仿真数据更接近真实世界。

需要强调的是，仿真并不是对真实环境的完全替代。它的价值更多体现在部署前的训练和验证：让机器人在成本较低、风险较小的环境中完成反复尝试，先发现问题，再进入真实产线或实际场景。

因此，物理AI真正需要建立的，不是一次性训练流程，而是一条持续学习链路。杜习奇将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。

这一闭环改变了人们对“仿真评测”的理解。RoboFianls评测不只是给模型一个分数，也不是为了在不同模型之间做简单排名。更重要的是，评测要指出模型在哪些任务上失败、在哪些环境下不稳定，以及下一轮训练应该补充什么数据、如何调整与提升。

如果机器人只是在固定场景中完成一个动作，它还不具备真正的通用能力。只有当系统能够面对不同物体、不同空间和不同任务条件，仍然保持相对稳定，并在出现异常时及时停止或调整，才有可能进入真实生产环境。

物理AI的数据问题还涉及成本和供给方式。杜习奇介绍，光轮智能正在探索数据复售，即让客户购买数据使用权，通过数据复用帮助客户降低使用成本、扩大行业供给。对于仍处于早期阶段的具身智能行业而言，光轮智能的这种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。

无论采用何种商业模式，数据质量、使用边界和效果验证都不能被忽略。数据能否支撑机器人学习，最终仍要回到真实任务中检验。

杜习奇对行业前景的判断是：“路径是曲折的，前景是光明的。”这句话并不是对短期技术成熟度的简单乐观，而是说明物理AI仍处于基础设施建设阶段。未来的竞争重点，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否形成完整链路。

从能够接入到敢于执行
智能体落地必须把安全内生化

当AI进入物流系统和机器人环境之后，它最终还要面对一个无法回避的问题：企业是否愿意把真实权限交给它。

杨冀龙所在的网络安全行业，首先面对的是政府、央企和关键业务系统的内网场景。在互联网环境中，模型可以调用搜索、数据检索和外部服务；一旦进入内网，系统就需要在相对封闭的环境中运行，模型升级、算力条件和数据资源也可能受到限制。

知道创宇联合创始人兼CTO杨冀龙

同时，内网环境往往存在复杂的软硬件组合，需要适配不同芯片、操作系统、网络架构和权限体系。杨冀龙提到，内网AI还必须满足更高等级的审计、审批和第三方验证要求。一个模型能否运行，只是落地的起点；它能否在既有安全制度和业务流程中运行，才是决定企业是否采用的关键。

这使得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异：问答系统出现错误，通常会造成信息误导；智能体一旦拥有调用系统、访问数据和执行任务的权限，错误就可能直接转化为业务风险。

因此，企业需要明确智能体能够访问哪些数据、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。对关键系统而言，权限管理、过程审计、模型调用、数据流转和结果复核，都需要被纳入统一的控制体系。

杨冀龙认为，政府和国央企的AI应用需要一个更长的产业链协同，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并不是某一个模型厂商能够独立完成的产品，而是需要硬件、软件、模型、服务和安全能力一起进入系统。

具身智能又将安全边界进一步推向现实空间。机器人要模仿人的操作，就需要采集人的动作数据；这些数据如何保护、如何界定使用边界，模型学会动作之后如何避免出现变形，机器人遭遇网络攻击后如何阻止异常控制，都需要在系统设计阶段被考虑。

如果机器人在平滑、理想的环境中表现良好，但在异常情况下仍会继续执行错误动作，那么它就不适合直接进入高风险场景。杨冀龙提到，具身智能需要逐步建立安全框架，先从最关键的安全要求做起，再随着应用发展不断补充专业场景。

这也是为什么，智能体落地不能只追求功能数量和自动化程度。一个系统能够完成多少任务固然重要，但它在错误发生前能否被阻止，错误发生后能否被发现，任务失败后能否恢复，同样决定着企业是否敢于使用。

从互联网应用走向政企内网，从数字任务走向机器人动作，AI的安全边界正在不断扩展。数据安全、网络安全、模型安全、权限安全和物理安全，未来将越来越难以被分割处理。

从单点能力到产业系统
AI应用的下一场竞争

这三场访谈分别从物流、物理AI和安全场景出发，但它们并不是三个彼此孤立的案例。

物流行业说明，AI必须建立在真实、持续、可调用的行业数据之上；物理AI说明，数据不能停留在训练阶段，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，当AI进入企业生产环境之后，能力越强、权限越大，对治理和审计的要求也越高。

这三条线连接起来，构成了AI产业化的基本条件：数据基础、任务闭环和安全边界。

首先，企业需要解决“AI从哪里学习”的问题。行业数据不能只是简单汇总，还要具备明确的来源、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，都需要经过治理，才能转化为模型可以理解、系统可以调用的知识。

其次，企业需要解决“AI如何证明自己有效”的问题。模型在演示环境中表现良好，并不意味着能够在复杂生产环境中长期稳定运行。对于不同领域，企业需要建立与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，企业需要解决“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。因此，企业需要在系统中预先设置权限边界、人工确认、审计记录、风险拦截和恢复机制，让AI的错误能够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，而是根据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应用价值的标准会发生变化。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够演示多少功能，而会更加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，是否能够在异常情况下及时停止并恢复。

2026人工智能+大会所呈现的产业图景，正从“模型能力展示”转向“产业链协同建设”。数据企业、模型企业、硬件企业、平台企业和安全企业，需要共同完成从训练到部署、从应用到治理的完整链路。

AI已经开始进入真实场景，但这并不意味着产业化已经完成。相反，模型越接近业务流程、物理环境和关键系统，越需要更扎实的数据、更严格的评测和更清晰的责任边界。

从“能用”到“好用”，解决的是应用效率；从“好用”到“敢用”，考验的则是整个产业系统能否稳定、可控地承担结果。AI真正的下一程，也许不在于它还能展示多少新能力，而在于这些能力能否被企业长期信任，并成为日常生产的一部分。

文：月满西楼 / 数据猿

责编：凝视深空 / 数据猿