于天宝一数智赋能专家

分享AI热点 · 探讨AI应用

一、海关的"AI审单员"全国上岗：一天看一百多万项商品

【热点速览】一个报关单里的商品归类和管制要求，过去要靠关员一条条翻政策、一项项核对数据。现在，这件事正在被一个智能体接管，而且已经铺到了全国。

"甬智"是谁

宁波海关首创的"甬智"AI审单智能体，在海关总署统一部署下启动全国第六批扩大试点。这一批落地之后，出口审单环节的"AI审单"在全国版图上补齐了最后一块，它也成为海关业务条线里首个全国全面推广的人工智能项目，也是首个"全量智能审核"项目。

它到底记住多少东西

这个系统的知识底座是八百余项管制政策。日复一日不间断运转，日均审核的商品超过一百万项。从二〇二五年以出口管制为切口首创，到仅用一个月完成本地落地，再到首批十个直属海关试点、一年内走向全国全量覆盖，累计审核报关单已超过三千五百万票。

变化在哪一层

最直接的变化不是"审得快了"，而是人的位置变了。借助智能体提示，现场关员不再受制于逐项翻查政策，一半的人力资源从常规审核转向高风险研判。高风险报关单处置环节，关员可以依托AI提示精准"把脉问诊"，针对性问询企业、靶向复核材料，处置效率较传统模式提升三成。同时，"单一窗口"上线了AI实时提醒，企业申报时参数缺失、指标填报不完整会立刻弹窗提示并推送合规指引，申报错误修正率提升七成。

一个容易被忽略的细节

这套系统经六轮测试优化，审核精准度从八成出头提高到九成九，算力使用效率提升四点二五倍。也就是说，它变强靠的不只是模型换新，更是"部署一版、测试一版、优化一版"这种笨办法，以及"AI智能研判加专家处置"的新分工。

我的判断

监管场景里，AI真正的价值不是取代关员，而是把"翻政策"和"做判断"这两件事分开：翻政策交给机器，做判断留给人。这个分工一旦跑通，效率提升是副产品，监管更严才是主产品。

你们单位的审批、审核环节，现在是人先翻规则还是机器先翻规则？欢迎留言聊聊。

二、武汉这家公司，给工厂造了九个"AI助手"

【热点速览】采购员想知道"推荐三家供应商"，以前要在库存、采购计划、供应商评价几个模块之间来回切换。现在他只需要对着系统说一句话，剩下的交给坐在系统前的那个"操作员"。

先说一个场景

武汉菲信智能科技有限公司自主研发的"菲信天一·AI工业操作系统"，被他们自己叫作"九个AI助手"。这九个智能体覆盖导航、销售、采购、计划、生产、质检、设备、仓储、实施九个业务环节，每个岗位都配一个专属助手。

以采购为例：员工发出"推荐三家供应商"的指令，智能体自动查询库存、筛选待补货物料、结合供应商评价推荐合适的供应商；人工确认之后，系统生成采购单并把审批待办推给主管；主管收到审批任务，也可以直接跟自己的AI助手对话完成审批。整个任务处理是秒级响应，消耗的Token还更少。

它为什么能听懂

每个助手都有一张专属"角色卡"，预设了能力边界：能查什么、调用什么工具、执行哪些操作，都写在里面。系统接入企业私域知识库，按企业现有的数据和规则执行，不是让它自由发挥。

效果与信任度

武汉博立达汽车饰件在二〇二六年五月底完成第三期项目上线后，交付周期缩短近两成。目前这套系统已服务博立达、坚实智造（湖北）、江西奥威汽车零部件等多家企业，后台调用最多的岗位是仓储、配置管理、采购——这些恰恰是过去最依赖"老师傅记性"的地方。今年八月，它加入"汉企通"AI赋能包，提供六个月免费试用；目前正与武汉飞瓴光电、武汉燎原模塑、江西华昊锂能等十余家企业洽谈。

值得一说的还有这家公司的投入结构：研发投入占营收一半以上，研发人员占比超八成，软件平均每天迭代两三次，几乎是收到客户反馈就当天改。

我的判断

中小企业上AI，最怕的不是没有大模型，而是没人帮它把流程理成机器能懂的样子。九个助手之所以好用，是因为背后有一整套岗位角色的拆解。这件事看起来不性感，但它决定了AI能不能真正进车间。

你所在的工厂，最先该"配助手"的是哪个岗位？评论区说说看。

三、武汉江岸那个"一人公司"社区：一个人的店，接得住一万人的活

【热点速览】一个人在武汉江岸区做内容创业，没有团队、没有设备、没有技术，能不能稳定日更、能不能接到品牌订单？这个社区给出的答案是：可以。

从"二房东"到"交付方"

众生云OPC生态社区在武汉江岸区新长江传媒大厦，运营面积约五千五百平方米，由众创网集团与长江日报集团共建。它最不一样的地方，是不把自己当"二房东"。很多所谓的OPC社区只解决"在哪办公"，不解决"怎么干活"——用什么工具、怎么调参数、怎么改bug，全都靠你自己。而这个社区做的是"前店后厂"：前店负责接单、定义场景、链接资源，后厂是智能体工厂，负责把需求做成能干活的产品交付出来。

一个人的产能是怎么长出来的

入驻的舞蹈从业者沐紫，此前长期做线下教学，想布局线上却卡在拍摄、剪辑、运营全流程只能靠一个人，精力有限根本没法日更。二〇二五年十二月入驻后，她依托社区的标准化AI工具，只需一次完成个人形象与声音采集，替换文案素材就能批量生成标准化口播短视频。此后视频号实现稳定日更，单条作品平均浏览量稳定突破四万，并顺利对接商业带货合作。

社区目前集聚近六十家小微创业主体，覆盖数字内容创作、AI设计、数字人直播、政务服务、大健康等赛道。社区还提供自建算力集群、开箱即用的智能体工具、工商财税一站式托管、政企真实需求对接和一对一专家陪跑。

一句话的价值判断

单人创业真正的门槛从来不是"会不会用AI"，而是"产能能不能稳定交付"。能稳定交付，才有商业；不能稳定交付，就永远停在玩票阶段。

如果你也在考虑"一个人加AI"这条路，你最想先补上的是内容产能、客户渠道，还是技术工具？留言告诉我。

四、医院大厅里那个机器人，一天被问了七百多次

【热点速览】去医院最怕什么？不是排队，是不知道往哪走。北京一家三甲医院的导诊台前，现在站着一个能回答这些问题、还能做出手势指路的"新同事"。

它干了什么

智元机器人与蚂蚁阿福合作，把灵犀X2放到了北京大学人民医院的导诊服务台。它接入蚂蚁阿福App的AI就医助理，基于蚂蚁医疗大模型实现智能导诊与智能问答，同时对接医院私有知识库，保证回答与院内实际一致。依托拟人化语音与肢体动作完成现场引导，它承接的是科室指引、就诊流程咨询、医保政策答疑、院内点位导航这类高频、重复性的基础问询。

数字比描述更有意思

截至九月三十日，灵犀X2在门诊导航台工作六十六个工作日，累计完成交互四万六千六百八十六次，平均每天约七百零七次，单日最高交互量达到一千四百二十次。

为什么这件事值得看

导诊台是医院里最典型的"高情绪、低信息量"岗位。患者焦急、问题重复、答案标准，但恰恰最消耗人的耐心。让机器人接住这一层，导诊人员就能腾出手来处理真正需要人来判断的事——比如安抚、协调、识别风险。这不是替代，是把人放回更需要人的位置。

另一个细节是"对接医院私有知识库"。医疗场景里，一个通用模型再强也不敢直接对患者说话，能不能把院内的规则、流程、政策都装进去，才是能不能上岗的分水岭。

我的判断

具身智能落地最快的场景，可能不是工厂流水线，而是这类"标准化问答加物理引导"的服务前台。它的技术门槛不高，但体验收益很直接，患者的感受是立刻的。

你在医院、银行、政务大厅遇到过能真正解决问题的机器人吗？还是只会说"请到窗口咨询"？

五、一份脊柱报告从二十分钟到几分钟：AI这次真的进了阅片室

【热点速览】医疗AI这些年最大的问题，是"跑分很漂亮，临床不好用"。最近有一个产品，把这个问题答得比较实在：它不改医生的工作流，直接长在医生的系统里。

先看痛点

脊柱磁共振是放射科的高频检查项目。在北医三院，脊柱MR日均接诊量接近三百例。一份规范的脊柱MR报告，医生要逐层观察椎体、椎间盘、韧带、脊髓、神经根等多个解剖结构，逐一甄别退变、突出、狭窄、水肿等各类征象，再按规范逻辑整理成文——传统模式下，一份报告要十到二十分钟。

它做对了什么

北京大学第三医院放射科与联影智能联合研发的脊柱MR"一扫多查"智能体，是全球首个覆盖多病种的同类产品。它的关键有三点：一是一次检查就能输出七十六种脊柱疾病及影像异常的结构化分析，从单点病灶识别走到全域系统研判；二是把单纯病灶检出升级为全流程提质增效，采用标准化结构化报告、征象点选录入，报告书写效率提升五成六；三是它不做外挂工具，而是深度嵌入医院的AI PACS工作流，医生不用切换系统、没有额外操作负担。

目前，这个智能体已全面落地北医三院本部及四个直属分院区。

主任医师说的两句话

放射科主任医师袁慧书提到，很多医疗AI像"偏科生"，只擅长单一病灶识别，无法对整段脊柱、全维度征象做系统性研判，不满足临床实际需求。她还提了另一件事：守住AI作为辅助的定位，所有诊断结果都必须由医生审核确认。

我的判断

医疗AI从"技术可用"走到"临床好用"，中间差的是两件事：一是嵌入原系统而不是新开一个窗口，二是承认自己只是辅助。前者省医生的时间，后者保医生的信任。这两条做到了，医院才愿意真的用。

你觉得AI在你所在的行业，是"多了个窗口"还是"少了道工序"？

六、一张图纸进厂，报价和交期当场出来

【热点速览】非标制造最典型的一天是这样的：客户发来一张图纸，工厂要回答三个问题——能不能做、多少钱、什么时候交。这三个问题，往往要等老师傅有空。

问题出在"各管一段"

非标制造的订单，张张图纸不同。报价靠老板或老师傅加一张Excel，排产靠计划员凭经验调，质检靠手工标注、手工出报告；接单、生产、交付各管一段，一处没对上，交期就容易失守。

把三个智能体拧成一个入口

上海精智集团孵化的工业AI企业蓝沃AI，在工博会上首次展示了面向非标制造的"订单履约工作台"。它是AI工艺、AI排产、AI视觉三大智能体的统一入口，以图纸为统一依据：AI工艺读懂图纸，完成报价、工艺卡和气泡图质检；AI排产根据工艺卡中的设备和工时预估交期、安排生产；AI视觉在现场盯进度、做报工和SOP检测，让计划随现场滚动调整。报价、工艺、排产、检验用的是同一份依据，改一处，下游跟着变。

同步开源的沃土大模型二点零，基于通义千问开源基座，九十亿参数，自一点零起累计训练图纸超过十万套，工序覆盖四十三类，由三十六位资深工艺老师傅参与标注和校验，采用可免费商用的开源协议。

最有说服力的演示方式

他们没有做大屏、概念图和动画，而是把上海精智康桥工厂——一座有八十多台多轴加工中心、三十多台精密加工设备、三十多台高精检测设备的真实工厂——搬进展台。观众带一张机加工图纸来，现场就能拿到报价和交期。五天里展台打卡超过四千人次。

我的判断

工业AI最难的不是模型精度，是"依据唯一"。报价、排产、质检各算各的，永远对不上账。蓝沃这套东西的思路其实很朴素：先把依据统一，再谈智能。这个顺序不能反。

你们厂里报价、排产、质检用的是一份数据，还是三份各算各的？

七、"前店后厂"不只卖空间了：AI时代的创业社区开始交付产能

【热点速览】过去几年，创业社区做的事大多是"给场地、给补贴、给代办"。但当创业者的核心难题从"没地方"变成"没产能"，社区本身也得换一种活法。

问题变了

一个AI创业者今天最缺什么？不是办公室，是把想法变成能稳定交付的产品的能力。工具买了一堆，账号密码记了满屏，却总用不出想要的效果；想接单，敲不开甲方门。这些不是场地能解决的。

解法：把生产端前置

众生云OPC生态社区的做法，是构建"前店后厂"的AI赋能体系。前店负责场景落地、资源对接、需求整合，承接创业者的行业资源与业务需求；后厂是众生云智能体工厂，负责按需把智能体做出来交付。社区提供的不是一张桌子，而是一整套产能：自建GPU算力集群、成本仅为市场价两三成的算力、开箱即用的内容与数据工具、工商财税一站式托管、以及武汉三百五十多个政企真实数字化需求的组织对接。

更关键的是"陪跑"这一层——技术工程师和连续创业者组成管家团，入驻即可预约一对一的技术咨询和商业打磨。

为什么这件事对产业有意义

传统的孵化逻辑是"我给你资源，你自己想办法用"。而AI时代的产能是高度专业化的，一个内容创业者很难自己搞懂模型调用、知识库搭建和审核规则。社区把这段能力接过来，等于把"一个人公司"的产能上限往上抬了一档。这也正是"一人加AI"能被称作一种创业范式、而不只是一个概念的原因。

我的判断

未来的创业社区会分成两类：一类收租金，一类交产能。前者拼地段，后者拼后端工厂的厚度。选社区的时候，先问一句"你能帮我做出东西吗"，比问"月租多少"重要得多。

如果你要入驻一个AI创业社区，你最想先确认哪一件事？

八、高铁沿线五万六千路摄像头，替人盯着轨道

【热点速览】高铁安全过去靠"人防"：巡线、盯屏、逐级上报。现在这套体系正在换挡，变成"技防加智防"。

一组数字

我国高铁沿线已接入五万六千路摄像机，覆盖隧道口、桥头等重点处所。通过视频与雷达融合的人工智能分析，系统可以自动识别侵入轨道的人员和异物。截至今年四月，这套系统已累计处置近三十一万条有效报警。

在兰新高铁途经的"百里风区"，一年有两百零八天刮八级以上大风。通过人工智能融合气象数据，系统能提前研判行车风险，让运输决策有更硬的依据。

它改变的不是"看得见"，是"看得过来"

过去需要人工持续盯看的大量画面，现在先由系统筛查，再由工作人员核实处置。机器不知疲倦地找异常，人把精力集中到真正需要判断的问题上。这是分工的改变，不是岗位的消失。

更大的背景

交通运输部全面启动"人工智能加交通运输"典型应用场景创新行动，围绕智能驾驶、智慧公路、智能铁路、智慧民航、智能邮政、智能多式联运等十个方向，发布了第一批四十一个重点典型场景建设指引，正式启动首批项目建设。符合"技术先进成熟、应用场景真实、具有行业推广价值"的项目，可纳入创新成果库，获得政策指导、标准服务和成果推广支持。

我的判断

交通这类强安全、强监管行业，AI落地有一个天然的顺序：先做"发现"，再做"处置"，最后才谈"决策"。发现这一层最容易验证，也最容易建立信任。很多单位一上来就想让AI做决策，反而卡在第一步。

安全和效率之间，你会先让AI做哪一件？

九、早餐店老板不懂代码，却给自己搭了套经营系统

【热点速览】全国登记在册的个体工商户有一点二七亿户，支撑近三亿人就业。但在不少小店老板那里，备多少货凭感觉、卖多少钱凭感觉、到底赚没赚钱要等月底翻银行卡流水。

一笔糊涂账

成都东郊记忆片区，一家二十四小时营业的早餐店换了新店主王成。他没有做过餐饮，加盟把店开起来之后发现问题比想象中多：烧麦、抄手是自己包的，一份用多少皮、多少馅难以量化，成本算不清；两家外卖平台扣费规则复杂，"怎么扣费都搞不清楚，只能看订单上那个预计收入"；订货更靠运气，看着仓库里有什么订什么，漏订一样，对应商品当天就缺货。

他做的三件事

第一，数据自动进来。他让AI给代码，通过RPA软件每天自动登录两家外卖平台后台，导出订单和账单，完成清洗、拆分，归入商品、财务两个维度表。第二，规则表化。他建了"别名映射表"把两个平台对同一商品的不同叫法统一归拢，又建了"产品映射表"把每样产品拆成原材料和单件成本。第三，对话式记账。不用库存系统逐单录入，直接对AI说"鸡蛋买了三件"即可记录。

最值得注意的是"给AI立规矩"

他给这套系统定了三条边界：不替老板下单，只给建议；没有可靠数据就如实写"暂无可靠数据"，不许编造；按会计标准毛利逐平台验算，不平即报警。这三条，比任何提示词技巧都重要。

结果

AI发现了两笔被误记为支出的平台赔付——那其实是平台付给商家的钱；还揪出一笔对不上的账，逐笔溯源到具体订单。它进一步发现周二盈利最低、国庆期间烧麦锅贴卖得更好，建议把周二定为促销日、周三周四加大投放。王成的判断也从"总觉得亏本"变成确认门店至少是盈利的。

我的判断

AI赋能小商户这件事，过去被想得太重了。真正的门槛不是技术，是老板愿不愿意把自己的经营逻辑说清楚。说清楚了，一个人也能搭出一套系统；说不清楚，买再贵的软件也是摆设。

如果你开一家小店，最想先让AI帮你看住哪笔账？

十、AI的记忆不该锁在某个App里

【热点速览】你有没有这种经历：在某个工具里交代过的偏好，换一个工具就得从头再说一遍；聊到一半的项目，关掉窗口就断了线。AI很聪明，但它记性很差，而且各记各的。

问题在哪

当前多数智能体只具备会话级上下文记忆，对话一结束，信息就难以留存，用户偏好、任务经验、历史意图无法沉淀，复杂任务的持续协作能力因此受限。更麻烦的是记忆被锁在单个应用内——在A工具里定的规范，到B工具又要重新说明。

这次开源了什么

腾讯混元把智能体记忆框架Hy Memory升级到二点零，并一次性开源专用模型、记忆框架与MemHub应用三层能力。核心变化有三点：一是把记忆从"文本追加"升级为可演化的分层结构化体系，采用六层记忆堆栈，搭配前台实时响应与后台持续提炼去重、冲突校验的双系统机制；二是在聊天记忆之外新增工作记忆与代码记忆，记录任务目标、已作出的决策、中间结果以及可复用经验及其适用条件，成为业界首个同时覆盖三类场景的智能体记忆框架；三是MemHub可以把不同AI工具的历史会话汇入本地统一记忆库，实现跨应用召回。

一些人用得上的细节

框架在聊天记忆基准上准确率七十二点六，单题Token消耗较此前减少约三成九。专用记忆模型在四套记忆系统评测中宏观均分五十五点四九，略高于Claude Opus 5的五十四点六二。这套东西不是实验室产物，已在腾讯内部金融、资讯、知识管理、办公Agent、游戏等多个业务落地，其中自选股场景接入后多跳召回率从五成提升至九成。

我的判断

智能体要真正成为"同事"，缺的从来不是智商，是工龄。没有记忆，它每天都是新人；有了可迁移的记忆，它才开始积累对业务的理解。所以记忆层的开源，比又一个模型刷榜更值得关注——它决定的是AI能不能持续为同一个组织干活。

你现在用AI，是每次重新交代一遍，还是它已经记住了你的习惯？

CONTACT US

交流合作，请联系我

专注数智转型二十年

专业服务客户两百家

联 系 人于天宝

联系电话180 7101 9998

© 于天宝一数智赋能专家

本内容由 AI 基于公开资讯整理，仅供学习参考
涉及具体公司与数据以实际为准 · 转载请联系授权