7月17日至20日，以“智能伙伴，共创未来”为主题的2026世界人工智能大会暨人工智能全球治理高级别会议（WAIC 2026）在上海举行。作为本届大会的C位热词，智能体正以能干活、会思考、创价值的特征，宣告AI产业迈入规模化落地的新纪元。在这场引领行业风向的盛会中，由中国信通院主办的“从大模型到智能体：迈向自主智能新纪元论坛”无疑是最具前瞻性的核心阵地之一。

该论坛由中国信通院承办，中国信通院华东分院联合中国信通院云计算与数字化研究所协办，聚焦智能体技术迭代、产业落地、互联互通与生态建设等核心议题，探讨人工智能如何从模型能力竞争走向规模化应用。

活动现场，云知声创始人兼CEO黄伟博士以《从理解到行动：智能体如何走进真实世界》为题发表演讲，围绕大模型与智能体的关系、产业智能的价值逻辑、云知声U2原生智能体大模型的技术路线，以及智能体在医疗、医保等高价值场景中的实践，分享了云知声对智能体产业化的判断。

以下为分享精华，我们做了整理，谨供学习：

PART 1

2026:大模型继续上探，Agent开始真正执行

过去几年，大模型竞争主要围绕参数规模、知识能力和生成效果展开。从文本生成到复杂推理，从单一语言模态到多模态交互，大模型不断刷新人们对机器智能的认知。但当技术开始进入企业生产环境，一个更现实的问题随之出现：模型能够回答问题，不等于它能够完成工作。

黄伟认为，大模型更接近人工智能的“智能内核”，其核心能力是理解信息、组织知识和进行语义推理；智能体则进一步为模型增加任务规划、工具调用、环境交互和结果验证能力，使AI从描述世界的“观察者”转变为参与现实流程的“行动者”。

“进入2026年，行业焦点正在从‘谁更会聊天’转向‘谁能把事干成’。”黄伟表示，大模型仍在持续提升推理、工具使用和多模态能力，Agent则开始进入电脑、浏览器和桌面应用，从单次问答走向后台常驻、并行执行和长任务交付。

模型能够回答多少问题，依然重要；但智能体能否在现实环境中可靠执行、持续工作并交付结果，正在成为行业竞争的新焦点——从“会聊”到“能干成”，AI真正走进真实世界的分水岭已经出现。

PART 2

从参数竞赛到价值交付

产业的评价体系正在改变

当AI从聊天窗口进入企业工作流，模型的评价标准也在发生变化。参数规模和榜单成绩依然重要，但大家更关心的是另一组问题：完成一项任务需要多少算力，模型能否稳定部署，执行结果是否可验证，以及每一次调用究竟创造了多少业务价值。

黄伟将产业智能的价值归纳为一个公式：产业智能价值＝高智能密度×高价值Token。

所谓高智能密度，是指单位参数、单位算力和单位时延能够释放多少有效智能。在完成相同任务的情况下，如果一个模型能够以更小的参数规模、更低的推理成本和更快的响应速度实现稳定交付，它就拥有更高的智能密度。

高价值Token关注的则是模型调用进入了什么场景、产生了什么结果。闲聊和内容生成可以体现模型能力，但在医疗、医保、金融、交通等严肃场景中，一次调用可能对应一份病历、一项审核意见、一次风险识别或一个业务决策。Token不再只是技术意义上的计量单位，而是开始与具体业务流程和交付结果绑定。

这也是大模型产业竞争从“卷参数”转向“拼落地”的重要原因。当底层模型之间的能力差距逐步缩小，企业能否以可接受的成本，将模型嵌入高价值工作流，并形成可计价、可复购的服务，将直接影响技术的商业化效率。

面向这一趋势，云知声选择了“强基模×深应用”的路线。强基础模型负责提供通用理解、推理和任务调度能力，深应用则围绕行业知识、业务流程和交付标准进行持续优化。相较于用单一超大模型处理所有任务，这种分层架构可以将高频、细碎的工作交给成本更低的专精智能，同时保留基础模型处理复杂任务的能力。

而这一路线的最新成果，正是云知声于 2026 年 6 月发布的新一代基模 U2——它不是为聊天而生，而是为执行而造。

PART 3

U2：为执行而生的原生智能体大模型

2026年6月8日，云知声发布新一代基模U2。作为云知声面向个人、开发者与组织打造的原生智能体大模型，U2强调的不是单纯提升表达效果，而是复杂任务中的理解、规划、执行与交付能力。在相同性能条件下，其单位Token成本为稠密模型的十分之一，并兼容OpenClaw、Hermes等智能体生态，以降低部署、适配和迁移成本。目前，云知声U2已登上LLM STATS榜单，位列全球大模型厂商第8。

智能体要完成真实任务，需要解决的不只是模型“知不知道”，还包括“能不能判断”和“能不能执行”。基于这一判断，U2构建了知识、推理和执行三位一体的技术底座。

在知识层面，U2通过数据精筛提纯、知识点级萃取和稀疏知识编码，提高模型内部的知识密度。对于企业级应用而言，模型掌握多少通用知识只是基础，更重要的是能否理解特定行业的专业概念、业务规则和场景语境。知识密度越高，模型在有限参数与算力条件下完成专业任务的效率也越高。

在推理层面，U2采用隐空间并行探索与显式逻辑验证相结合的方式。模型可以在内部同时探索不同的解决路径，再对推理过程进行检查和修正，以提升复杂任务中的判断质量。相比一次性生成答案，这种方式更适合多约束、长链条的企业任务。

在执行层面，U2通过Agent与Harness协同训练，将任务规划、工具调用、执行反馈和结果验证纳入同一个闭环，支持100步以上的复杂任务自主完成。知识提供任务所需的信息基础，推理负责形成判断与规划，执行则把规划转化为真实结果。

黄伟将三者分别比作燃料、引擎和车轮，三者缺一不可——只有知识，模型可能成为一个信息丰富的问答系统；只有推理，AI仍然停留在提出建议的阶段；只有把知识、推理和执行连接起来，模型才有机会成为能够参与实际工作的智能体底座。

PART 4

医疗行业，正在成为高价值智能体的试验场

在黄伟看来，医疗是检验智能体能力的典型场景。医疗知识体系庞大，涉及多模态数据和多科室协作，同时对准确性、安全性和可追溯性有着严格要求。如果智能体能够在医疗场景中形成稳定交付，其技术与工程能力也更容易迁移到其他高价值行业。

围绕不同用户的需求，医疗智能体正形成三个应用层次：面向顶尖专家，智能体可以参与科研协同、经验数字化和专业知识封装；面向普通医生，可以进入病历生成、合理用药、鉴别诊断和临床决策等环节；面向患者，则可以承担智能导诊、健康管理和院后随访等任务。

目前，云知声已围绕智慧医院、三医协同和大健康产业形成医疗智能体矩阵，相关应用包括语音电子病历、门诊病历生成、辅助诊疗、智能病历质控、医疗质量监管、医保支付管理、智能候诊、智能导诊与智能随访等，其医疗相关产品已服务600多家头部医疗机构，覆盖内科、外科、妇科、儿科等临床科室。

以医保监管为例，传统医保审核主要依靠结算清单和收费明细等结构化数据，通过关键词和固定规则识别问题，难以充分理解电子病历、检查报告和医嘱等非结构化内容，也很难还原完整的诊疗过程；智能体则让医保审核从规则匹配走向全病历理解——系统可以整合电子病历、检查报告、医嘱和影像资料等多源信息，结合知识图谱理解医学术语和诊疗逻辑，辅助完成风险识别与审核判断。同时，政策规则可以被自动抽取，并在实时数据闭环中持续更新，减少规则维护对人工梳理的依赖。在实际应用中，相关智能监管方案可支持100%全量审核，审核效率提升10倍，核减率提升2%-5%，并实现规则的实时更新。

围绕医保与商保场景，云知声打造了知医慧保大模型U1-InsureMed，通过一套模型覆盖医保、商保业务，支持相关政策问答、编码对齐等任务。这一能力在省级项目中也得到验证：2025年12月，云知声江苏公司中标江苏省医保大模型及智能体应用项目，围绕“AI审计官”和智能健康服务开展建设。目前，云知声相关智能体实践已覆盖全国450多家医疗机构，百强三甲医院覆盖率超过30%。

PART 5

从+AI 到AI Native：智能体重构产业生态

黄伟指出，AI时代的产业升级经历了“+AI”、“AI+”、“AI Native”三个阶段。早期的“+AI”是在既有产品中增加智能功能，“AI+”开始围绕AI重构部分流程，而“AI Native”则是从业务设计之初就将AI作为底座，重新组织任务、资源与协作关系——当AI能够理解任务、规划步骤、调用资源并交付结果，它所改变的将不只是某个环节的效率，而是产业运行和价值创造的方式。

“大模型定义智能的上限，智能体决定智能的去向。”从理解世界到进入工作流，智能体正在成为大模型产业化的新支点。如何让模型在真实环境中稳定执行，让每一次调用创造可衡量的价值，将成为下一阶段人工智能竞争的核心命题。

面向未来，云知声将持续以U2原生智能体大模型为技术基座，坚持“强基模×深应用”的发展路线，不断提升智能体的理解、推理、执行与交付能力，进一步拓展智能体的能力边界与应用空间，让自主智能更广泛地服务于每个人、每个组织，真正走进工作与生活的真实场景。