如果说智能原生像新能源电车，而AI+软件，就像混合动力的模式，它与智能原生在设计理念上有很大差异。

智能原生软件是按照智能原生的架构去重新设计的，大会上阐述了智能原生架构设计：最底层是模型，模型不断产生TOKEN，也就是智力，类比于CPU产出算力；上层是资源层，核心包含“数据与知识”和“工具与技能”，“数据与知识”用于增强AI的认知能力与确定性能力，而“工具与技能”提供执行的能力；再往上是智能体平台，它变成了一个新的操作系统，使用底层的数据资源与技能资源去完成上层的功能；最上层是智能原生应用层，包括数字员工，负责价值释放。

新的智能原生应用都是按此架构全新设计，特点就是以智能体为中心，调用底层的技能和数据资源；整体更开放，能够独立完成开放的任务，随着自主智能体的能力越来越强，可以独立完成长时间的复杂任务。

浪潮数字企业发布的海岳智能原生产品体系架构也是遵循了这样的架构设计：从大的角度来讲，企业的智能体平台是在操作系统层面，企业原有的这些系统都会下沉到工具层，通过MCP、Skill等协议封装之后，给智能体调用。客户的技能，一方面是基于现有的软件，另一方面也可以自主开发和封装新的技能和工具。

而客户和模型的关系也是分层的，在海岳大模型基础之上，我们还提供了MaaS平台，帮助客户在垂域模型的基础上进一步定制私有化模型，涵盖从数据集管理、到微调、再到测试发布的全流程解决方案。

但是整体的大方向还是开放的架构：模型和智能体平台是解耦的，浪潮海岳智能体平台既支持自有智能体，也支持第三方智能体，同样支持客户自己开发的智能体。核心是通过开放的架构，以开放集成的方式满足不同客户的差异化需求，既能让每一个模块都能嵌入到不同的客户系统，也能提供完整的整体解决方案。

由于模型能力与智能体技术的持续进步，AI的能力和形态也发生了根本性的变化——现在的自主智能体配合大模型，已经能够在某些领域作为一个靠谱的同事，独立自主地完成任务，但依然需要人来操作。浪潮数字企业提出数字员工，也是因为这样的变化，未来企业中的人机协同将会是常态，现在也有一人组织或者一人团队的概念，麦肯锡也提出了智能体组织的概念，所以，在未来人机协同将会是一种新的组织范式。

在新的智能体模式下，人机交互的模式变成了人类员工与数字助理基于自然语言对话式的多模态交互模式。数字助理接收任务后，将任务转化成对软件的操作。软件变成了后台系统，对软件的开发也就转变为了面向智能体的开发。

智能体操作软件的方式不再是通过以往的图形化的界面，这对于智能体来说并不是最高效的，API、MCP、CLI这些命令行的方式更适合智能体操作。因此，软件的开发方式也在发生变化，更多聚焦于开发工具和技能，通过软件的工具化技能化，被智能体调用。

而对于数字员工的管理目前还处于发展阶段，数字员工在辅助性工作中已能发挥作用，但是，我们曾经设想让数字员工去承担评标员的工作，参与评标和投票，但目前还缺少相应的法律法规支撑，技术也尚未达到该阶段。预计未来随着数字员工管理的普及，相关的法律法规与制度将逐步健全完善。

目前企业可落地的场景较为丰富，浪潮数字企业已发布了海岳商业AI与海岳工业AI智能体集群。

其中，浪潮海岳商业AI主要围绕企业经营管理类场景，包括智能合同评审、智能辅助评标、现金流预测、智能财报等，覆盖原有各业务领域的广泛应用场景。浪潮海岳工业AI主要面向智能制造、矿山、化工等行业生产运营层场景，依托物联网采集的时序数据、工业机理与工业知识支撑上层场景应用。

以报账智能体为例，通过多智能体协同实现专业化分工，一方面通过自主智能体依据用户偏好与记忆识别结果提供自主规划，完成行程规划、酒店预订、价格比对等工作；另一方面，在报账环节完成电子发票等多模态单据的识别解析、费用分摊、补助计算等专业操作。每个环节复杂度高、专业性强，因此将其抽象为作用于不同环节的专业化智能体，按需调用，提升使用效率。同时由专业团队持续打磨，强化各智能体的专业能力，以处理更复杂的业务。通过分解与分工实现复杂流程的高效处理，提升整体流程的可靠性。

本次大会我们还发布了全新的本体孪生平台，并基于平台研发了新的集成供应链计划模块，在智能化层面实现大幅增强。针对供应链领域需求波动带来的影响，可通过本体孪生平台预测需求波动并开展推演，评估物料齐套、供应商状态、人力配备、设备负荷等情况，实现提前预警并输出优化建议。针对紧急插单的全局优化问题，传统经验方案仅适用于局部优化，难以实现全局最优。通过本体孪生平台进行推演，可重新规划生产计划、调拨库存、重算MRP，完成物料采购与产量调整，实现全局最优的统筹安排。

人工智能在企业应用的过程中，其实最核心的问题就是现在AI的能力在确定性输出上仍有不足。

与我们用它去写作等应用场景不同，企业要求所有的输出要有确定性、是可靠的，但大模型是有幻觉的。另一方面，大模型训练的时候往往是让大模型掌握公共知识，但是企业里很多的知识都是内部的，这些知识是大模型所不具备的。

所以，大模型去理解企业的业务规则、经验和流程，实际上存在一定的短板。解决这个问题的核心就是通过数据。一方面要把数据提炼成知识并构建知识库，挂载到大模型上，大模型才能够更好地去理解企业的知识和业务；另外，知识可以进一步提炼出具备明确关系的图谱，大模型的理解力会更强；而本体，实际上是在图谱的基础之上更进一层——通过建模技术将企业的业务活动、实体对象及上下游关系构建为“业务孪生体”，当孪生体和底层的数据进行映射，那AI就可以通过这个孪生体更好地理解企业的业务活动和底层的数据。

所以说，大模型输出的确定性、可靠性会更强，它的输出也更贴合企业的业务，因此在企业落地大规模型非常重要。

从我们服务的客户AI项目实践来看，AI项目要真正落地并发挥价值，核心在于以下关键点：

第一，知识工程至关重要。企业的数据治理水平、数据质量、知识提炼能力与知识治理水平、知识质量与覆盖范围，均会对AI应用效果产生显著影响。

第二，驾驭工程不可或缺。智能体的治理与管理，对保障AI可靠稳定运行、实现价值最大化起到关键作用。

第三，持续运营是关键保障。企业需配备专职人员持续调研使用情况，定期复盘检视用户价值点是否满足，定位问题根源来自数据与知识、模型能力适配性或其他因素，通过持续优化迭代，使AI场景真正发挥价值。