具身智能的 iPhone时刻要来了吗？

腾讯研究院·2026年07月14日 13:00

具身智能，路漫漫其修远兮。

马斯克曾在今年初表示，其人形机器人"擎天柱3"预计明年进入规模化量产。大模型的下半场，AI不止停留在数字空间，而是要能走入真实世界里替人完成任务，具身智能和机器人成为核心突破口。具身智能的"iPhone时刻"要来了吗？2026年7月2日，我们在武汉光谷腾讯云城市峰会上，举办了一场圆桌论坛，与企业、高校、政府的一线专家代表，进行了一次深入浅出的探讨。

嘉宾：

刘传厚湖北省人形机器人创新中心 COO

杨松桦轮湃科技联合创始人、CTO

马俊杰北京昆仑行机器人科技公司副总裁

李敏华中科技大学机械科学与工程学院教授

主持人：

吴朋阳腾讯研究院资深专家

【核心观点】

01 “iPhone时刻”远未到来，目前更像"大哥大时代"。

具身智能技术路线都还没有收敛，VLA之外还有多种探索，目前只能满足一些基础功能。

02 "能不能动"已解决，"能不能用"还需努力。

机器人小脑（运动控制）已经不错，但大脑（决策与泛化）远未达到规模商用程度。

03 数据是最大瓶颈，存在较大缺口。

具身智能至少需要千万条级数据才能迎来类似"GPT2.0时刻"，但目前全球加起来只有约50万条，差了200倍的数量级。

04 商业化的第一道关是经济账，现在还算不过来。

人形机器人的成本加上VLA、世界模型等的成本，目前和传统人力成本相比往往要贵得多。

05 具身智能应用有三类市场，最大有百万亿级的想象空间。

百亿级的情绪价值市场，如表演展示、陪护养成；千亿级的商业服务市场，如揽客导流、导览、导办、导购；百万亿级的劳动操作生产力市场，如进工厂打工、进家庭做家务等等。

06 人形机器人还有距离，但具身智能可以先行。

具身智能的应用现在就可以应用起来，不一定非要人形，也不一定非要能干活。能像宠物那样陪伴，人们也会很期待。

07 AI的终局在物理世界，不在屏幕里。

手机上的AI再可爱，终究隔着一层玻璃，人工智能最终会进入物理世界、走进千家万户。

08 用AI提效已成共识，但关键决策不能交给AI。

AI在编码、科研、教学等环节已大幅提升效率，但存在"欺骗性"和"认知替代"风险，核心判断和决策必须由人掌握。

完整访谈内容：

Q1：具身智能走到哪了？

吴朋阳： 非常荣幸今天跟各位专家一起探讨现在大家非常关心的一个事情，具身智能。这两年人形机器人的马拉松，机器人跑的都比人快了，公众都很兴奋。所以我们今天的主题用了一个比较刺激的名字叫——具身智能的"iPhone时刻是不是来了。

首先第一个问题，具身智能今天到底走到哪一步了？各位嘉宾可以从技术角度，底层技术路线的发展；或者能力角度，比如跑、跳或者执行复杂任务的能力，选自己擅长的方向谈一谈。

刘传厚： 先说结论，我觉得现在具身智能还远没到iPhone时刻。

用一个比较简洁的话来说，具身智能现在还处于类似手机"大哥大"的时代，只能满足基础的一些功能。现在人形机器人分成了大、小脑，全身运动控制 （小脑） 这一块已经做得非常不错了，但是大脑 （决策与泛化） 还远没达到可以商用的程度。从2024年开始，大家就不断在探讨人形机器人大脑这个事情，但现在产业的具体应用里还没有看到明显突破。

具身智能大脑的技术路径还没有收敛。现在比较火的是VLA模型，但也面临非常多的问题，整体的路还有非常长。技术不是一蹴而就的，要经历过一系列努力。当然今年也有相应的变化，比如世界模型和强化学习再加上VLA模型结合，能不能创造一个新的路径？在这个过程中，触觉数据等新的关键数据是不是可以揉和到模型里？这些都在探索。毕竟对于机器人来说，不单纯只是避障，还要做一定的接触。但目前，还没有出现一个超越VLA的算法模型。

路漫漫其修远兮，还是要有信心。就像手机在上世纪90年代的时候，很难想象到现在用手机可以解决非常多的问题。对于机器人来说，很可能也是这样。

杨松桦： 我比较认同刘总的观点。现在具身智能主要分成本体和模型。从本体来看，比如像去年的机器人马拉松以及春晚各家企业机器人的表演，可以看到机器人基本上已经解决了"能不能动"的问题。下一步整个行业都在关注机器人"能不能用"的问题，也就是大脑的问题。

关于大脑的话，因为我之前最早是做语言大模型的，回顾一下当时大模型的发展历程，我们（具身智能）现在可能连GPT2.0的时刻都还没有到，因为我们连路线都还没有收敛。像我们之前一直做VLA模型，但今年已经转向了世界模型等其他各种模型。

因为路线都没有收敛，大家都在做数据采集，各方面采的数据的异构问题、同步问题也很难解决。目前一个重大的问题还在于数据的缺口。业界普遍认为，起码要有达到千万条级的数据，具身智能才可能有一个GPT2.0或2.5这样的时刻。但目前市面上全球加在一起大概就是50万条左右，数据差了200倍的数量级。

所以，具身智能还有很长的路要走，包括模型架构上、数据采集方式及数据规模上等方面。但我觉得只要坚定这条路一直走下去，最终会实现大家对于机器人行业的一个畅想。

马俊杰： 我从产业从业者的角度，把我们理解的具身智能的能力分四个方面展开说一下。

第一个是运动控制能力，也就是小脑。这一块就像刚才大家说的，相对比较成熟。但要把它做到绝对的成熟，其实还有距离。核心还是在于一些关键模组，包括电磁屏蔽、热管理以及运控算法等方面，都需要精益求精地去打磨。

第二个是移动与导航能力。具身智能毕竟是在三维物理世界当中，首先要知道自己在哪里，然后要去哪里，要做自动的路径规划，还要做动态避障。整个技术只能说相对成熟，从自动驾驶端到端和VLA这种直接外延到具身智能行业是可以用的。但自动驾驶汽车用在路上，比具身智能应用场景要简单，比如这个会场就比公开道路复杂的多，具身智能要在这样的场景完全泛化应用还需要不断打磨。

第三个是多模态交互能力。现在大语言模型的语言交互能力比较好，但接下来在情感陪护场景中，可能会用到跟情绪相关的肢体交互，另外还有面部表情等，这些现在处于起步阶段。

第四个是劳动操作类能力。像刚才讲的，这方面相关的技术大方向，比如世界模型大家初步形成一致意见。但世界模型具体怎么做，每一家公司都在各自找能跑通的路。具体广泛落地，可能还需要一定的时间。

李敏： 大家能看到的，现在机器人的整体能力其实已经非常好了。但实际上它真正能落地能用，很重要的问题就是它的稳定性。机器人能不能保证像汽车或者其他生产工具一样，能长时间保持稳定运行，这一点还有很长的路要走。

再一个讲到模型，现在大家提到的所谓AI模型或者世界模型，本身的路径和路线还没有完全确定。大家还在百家齐放、百花争鸣的状态。很重要的原因就是，和GPT等虚拟AI相比，最重要的问题还是数据。GPT数据获取的难易程度相对来说更容易，因为它可以从互联网获取。但是对于具身智能来说，数据获取相当困难，这就导致了大家很难做数据采集，无论是真实世界的数据还是仿真数据，还有物理交互数据、触觉数据等，数据的缺乏实际上阻碍了模型发展。

总体来说，具身智能还有很长的路要走。但是这个行业发展很快，一天一个变化或者一周一个变化，未来可期。

吴朋阳： 感谢四位嘉宾，在这个热潮当中给了我们一些冷静的思考。我总结一下，具身智能发展到什么阶段了：如果拿手机来比较，可能是大哥大时期；如果拿模型来比较，可能是GPT 2.0。整体上，离iPhone时刻可能还有点远，还需要走一走、看一看。

Q2：具身智能应用现状和想象空间？

吴朋阳： 第二个问题，具身智能应用发展的怎么样？现在什么样的场景相对来说成熟，或者已经看到规模化应用的可能性？未来的想象空间更大的应用在什么地方？

李敏： 从学校角度来说，现在大的方向一个就是进工厂，另外一个就是居家或服务型。总体来说，大规模落地应用还为时尚早。现在大家看到的可能是一些示范性的应用。

吴朋阳： 有没有相对跑得比较快的？

李敏： 可能在巡检这一块做得多一些，因为巡检牵扯到具体操作的成分相对少一些，应用会稍微多一点。但真正要替代人进工厂，有很长的路要走，比如我前面提到的稳定性问题，因为工厂对效率、成功率要求非常高。

吴朋阳： 您这边现在主要在做什么应用研究？

李敏： 我们现在主要是工程巡检、汽车行业这些，都有一些龙头企业来联合做实验室。实际上很多企业对具身智能的需求还是非常非常大，大家都看好这个，但是这些企业不知道具体怎么去用、怎么去落地，所以会依托高校做一些研究和示范。

马俊杰： 我从市场层面分析，分三类市场。

第一类是情绪价值市场 （百亿级）。目前以表演展示为主，主要依赖运动控制能力。最近有些厂家在发布陪护、养成类的机器人，可能要用到多模态交互、移动导航能力。市场处于初期验证阶段。

第二类是商业服务生产力市场 （千亿级）。比如各种商业场景的揽客导流、展厅展馆的导览、办事大厅的导办、线下实体店的导购等，需要的主要是运动+导航+多模态交互的综合能力。这个市场如果能力成熟了，就是几千亿的市场。

第三类是劳动操作生产力市场 （百万亿级）。比如广泛地进工厂打工、进家庭做家务等，重点依赖的是机器人的劳动操作能力，这个市场规模有百万亿级。为什么？十亿的智能手机数量，乘以十万块钱（新能源自动驾驶汽车的较低平均价格），简单估算就是百万亿。这个市场非常大，也面临很多挑战。在一些相对标准、环境不太需要泛化的特定场景，实际上可以做一些尝试。进工厂打工可以，前提是ROI能算出来。我相信随着技术发展，会逐步找到更多场景，让它更加成熟。

吴朋阳： 您现在最看好哪个场景？

马俊杰： 肯定是以终为始，但这个路径就像前面专家说的，现在我们是大哥大时代，要在合适的时间做正确的事情。

吴朋阳： 您现在做的场景是什么？

马俊杰： 人形机器人的话，会以前两类为主要量产方向，锻炼我们商业模式往前走，同时也会重点投入一些具体地劳动操作场景。

吴朋阳： 第二个场景，商业服务市场更大一些，但我们也知道酒店里的这些机器人现在都有了，具身智能还能做什么、还有什么价值场景？

马俊杰： 商业服务的价值分两类，一个是情绪价值，一个是功能价值。现在酒店里看到的服务机器人主要是非人形的，主要是功能价值、没有情绪价值。如果给它加上人形来做这个事情，就是情绪价值加功能价值，市场场景非常大。

吴朋阳： 情绪价值刚好是杨总这边擅长的。

杨松桦： 我重点谈一下，也是我们年轻人比较关注的一点。

刚才专家提到了，今年机器人进工厂、做导览，替代一些传统行业重复性劳动是主流趋势。但这样就有一个问题：今年开始要逐步走向商业化，一旦开始商业化，就要开始算经济账。这时候会发现，人形机器人的成本加上VLA模型、世界模型的成本，和传统人力成本相比，这个经济账往往算不过来。

吴朋阳： 大概差多少？

杨松桦： 如果你要解决机器人一个应用的价值，造了一个机器人让它进工厂或者做家务，它往往比人更贵，而且要贵得多，而且有时候还不稳定。这就是一个道理：你要让一个事情去体现它的实际价值和应用价值，即便你再有钱，也会算出经济账。

我认为，三年内机器人可能主要还是给人们提供陪伴和情绪价值。情绪价值这个东西是没有上限的。像这几年国内泡泡玛特这样的企业，能做到接近万亿的市值，其实就是给年轻人、宝妈们提供情绪价值。国内最近很多企业都在关注仿生类机器人，在全网引起了数十亿、上百亿次的讨论。大家非常期待一个机器人，哪怕它不能干活，就坐在那里静静看着你、每天陪着你，陪你聊聊天，我们也会很期待。

吴朋阳： 会不会有点吓人？

杨松桦： 情绪价值不一定非要做成极度仿生人脸才有。我们养个猫养个狗，或者泡泡玛特有一个拉布布，没有任何人形一样可以提供情绪价值。

我们公司一直专注做情感陪伴的机器人。比如父母每天很忙，希望给小孩子每天可以跟机器人聊天；或者上班族很累，每天可以让机器人提供情绪价值，像养猫养狗一样，还没有喂、遛那么多负担。

至于未来，我们肯定都希望机器人最终能走进千家万户。但我觉得走第一步也是培养用户的认知，先让用户去感受机器人的陪伴价值，然后等我们的技术、模型、数据量都成熟了，机器人再去逐步做一些比如做家务这样的事情。

吴朋阳： 现在的大模型应用，包括我们平时用的ChatBot这类方式，其实也能陪伴、提供情绪价值，为什么还要加上机器人来做陪伴？核心价值是什么？

杨松桦： 这其实要回到行业的一个本质问题。比如手机上的AI，做的也很可爱，聊天也很有意思，很多人都在跟AI谈恋爱。但我们觉得，人工智能这个行业最终一定要进入物理世界。

早期人工智能只能做图片识别、翻译，然后有了大模型可以对话、回答问题。现在又有这么厉害的智能体可以帮我们解决各种工作流的问题。但是未来要实现像科幻电影里的最终场景，那机器人一定要像今天每个人会买车一样，未来可能每个人都会买一个机器人，每天都能陪着我们，买菜、做饭等等，这个是人工智能行业最终的趋势。只有这个最终的实体，每天你可以看得见、摸得着，才会真的给人带来一种非常真实的亲切感。

吴朋阳： 确实，光摸手机其实还是比较尴尬的。

刘传厚： 具身智能和人形机器人虽然相通，但其实也是两个东西。人形机器人本质上更像人，可以真正融入人类社会。具身智能范围更广，不单纯是人形机器人，还包括四足的、轮式的，都属于具身智能机器人的范畴。

人形机器人的应用还有距离，但具身智能的应用可以先行。现在酒店里送餐的机器人、自动扫地的机器人，其实也是具身智能的一种潜在应用。后面具身智能应用可以先从其他可以应用的场景切入，不一定先瞄准具体的人形。

我们创新中心目前也在积极探索具身智能在非人形机器人上的场景应用。因为中国和海外有很大差别，海外的比如特斯拉，追求的更多是第一性原理，就是想造一个人出来。但国内现在绝大部分公司还是在找场景、做直接的应用。很多机器公司的产品，也不是全双足的人形，好多是轮式的。具身智能的应用现在其实就可以应用起来，不用等十年、二十年后。

上个月，工信部和国资委联合发布了人形机器人与具身智能实景实训的专项行动，我们创新中心也积极申报了5、6个合作伙伴产品的建设。今年从战略定位来说，积极推动人形机器人和具身智能以真实场景去应用，也是国家坚定的大事。对于我们来说，跟上或者探索出一些可行的路非常重要。

吴朋阳： 您最希望突破的场景是什么？

刘传厚： 从长远来看，希望解决人的问题。在家里我不想做的事，或者人不想做的事，这个肯定是我们想去解决的问题。但现在现实的问题是：机器人在做我们擅长做的事，而不是替我们做不想做的事。我们想让机器人去炒菜、做家务，但实际上现在是我们在做家务，机器人在做一些脑力的事情。这很难短时间解决。

Q3：具身智能的产业生态情况和建设需要？

吴朋阳： 具身智能要突破，一定需要生态、产业链上下游的联动。大家从自己的企业、自己的产品出发，觉得目前产业生态发展的情况是什么样的？有没有觉得有缺乏的点，或者希望在环境上、制度上有一些突破的地方？

杨松桦： 我们湖北主要的优势在于我们是传统的制造业大省，在光谷这样地方有很多光电、3C制造企业，确实能给我们机器人开发提供很好的零部件生产制造环境。而且湖北、尤其是武汉的最大优势，就是高校资源很多，人才密度非常高。很多企业选择把研发放到武汉，因为这边有很多成熟的工程师。像湖北人形机器人创新中心刘总他们搞的数据采集，也确实帮助解决了很多大学生的就业问题。武汉这边主要优势就在于数据和工程师。

未来建设需要的话，要和北京、上海、深圳的企业对比，主要还是在大脑、模型这块。因为AI大脑需要最头部、最聪明的人做，武汉下一步也可能需要多引进一些优秀企业来做牵头的示范作用。

吴朋阳： 再具体一点，比如你现在开发产品的时候，有哪个具体环节，你觉得大模型公司需要提供什么东西给你们？

杨松桦： 现在大部分公司做多模态的话，可能还是针对传统的开源模型。我们现在很希望像一些VLA模型、世界模型也能做成服务化，但目前来看还有点难。希望大模型公司第一可以提供一个很好的基座，像腾讯的混元基座，我们直接可以做一些微调就可以用。所以开源还是很重要的。

马俊杰： 产业生态分上下游。上游的话，一个是AI，一个是硬件，现在中国的产业生态都还挺丰富。但每一个领域还需要不断推进，比如谐波减速器核心零件热处理、检测设备等，国内供应链的技术还要加强；AI里面的数据、产业生态等，需要进一步的整合。

另外我想提提下游。具身智能发展历程，可能跟新能源自动驾驶汽车比较类似，因为下游涉及销售渠道、金融方案 （如融资租赁） 、保险、售后维修市场等。随着具身智能越来越多的在我们生活中出现，将来下游市场也会逐步发展起来，这既是挑战也是机遇。

吴朋阳： 您觉得这些环节现在最有挑战的地方是什么？

马俊杰： 每一个环节都很重要，真正要把这些做好的话，就是要把市场培育成熟，市场与产业链的实现正向螺旋上升。

吴朋阳： 刚才您说到保险，这个东西很新，机器人保险怎么上？

马俊杰： 举个例子，比如机器人去做表演，它实际上最好是有保险方案的。万一没做好或者说出了事故之类，有保险来提供保障。实际上具身智能的保险，就跟新能源车一样，你可以这样理解。大家都正在探索，有一些细分行业已经开始在做了。

刘传厚： 具身智能的产业，从上游产业链来说，我们去年梳理湖北省内产业链，大概是三十几家。但是今年再去梳理可以进入产业生态的，大概已经有一百四十几家。当然，他们能不能进来还是另外一回事，因为涉及到产量问题。湖北省机器人或人形机器人相关的终端产品到底能生产多少，决定了由终端产品带动整个上游产业链的规模。

整个产业生态来说，卡脖子的地方到底在哪里？我觉得可能还是在数据和模型这一块。我从来不担心中国的制造业、生产制造的能力会有什么缺口，但是对于数据和模型可能是一个比较大的问题。

先前说到数据需要多少才能达到类似于现在自动驾驶L3或L4的水平，有业内专家预测过，自驾达到现在的话大概需要数百亿小时的数据。但对于机器人或人形机器人来说，可能数据量要达到数千亿小时。我们现在只有几百万小时的数据，还差得非常远。模型非常依赖数据，没有数据的话模型出来的效果在场景落地时会有非常大的问题。

所以我觉得现在比较薄弱的还是在数据这一块，我们需要大量的数据，而且这个数据要具备可交易性，可以让所有有模型训练需求的机构很方便、比较便宜地拿到，这样才能有更优秀的模型出来，推动整个产业的发展。

吴朋阳： 如果聚焦在人形机器人，因为要训练人的动作行为，有点像当时大模型训练请大家来打标一样，普通人来做这些动作是不是也可以，这样有可能让普通人也能参与到数据提供中？

刘传厚： 数据主要分成几类。遥操作的数据是最贵的，但它比较好的是可以直接移植到对应机器人身上做简单适配。人的数据，今年2月份开始，英伟达推出了一个新的技术方向，无本体的数据采集成为新赛道。大量的无本体数据，尤其是人的动作行为数据可以被采集用于模型训练，可以解决很大问题。

现在湖北人形机器人创新中心也积极探索合作，共建数据流通应用的平台。同时，也希望建立类似众包机制，让普通人能在生活生产场景中把数据采集上来。如果这个能成功发动社会力量，几百万人乃至上千万人去共同采集数据，我觉得可能加速具身智能发展。因为只有这样才能有这么多数据上来，推动模型迭代。

吴朋阳： 李教授，生态上下游的情况，从高校视角怎么看？

李敏： 武汉比如华科，很多毕业生在互联网的从业者相对比较多，这是有优势的。另外武汉传统制造业也非常强，包括现在光伏、光芯这一块的新兴制造业也非常好。

实际上具身智能发展很重要的一个驱动力是场景和应用。这关系到很重要的一点：生产数据，这对具身智能有非常大的促进作用，因为数据本身是一个基础设施。

从学校角度来说，国家和政府对这块的支持非常重视。比如昨天国家自然科学基金委和湖北省搞了一个联合基金，一年支持一个亿、连续支持五年，在人形机器人、具身智能相关方向做技术研究支撑。我们华中科技大学也牵头了人形机器人突破计划，联合清华、浙大、北京理工、大连理工等多所高校开展一系列研究，一共十个课题。

回到生态，人形机器人产业链很多以前是做制造自动化的，包括电机、感知这些。在一些核心零部件上，比如大家讨论比较多的电传动、物理交互信息的感知等，湖北省也有自己的优势。比如我们团队孵化的公司，专门做触觉感知，现在行业内很多灵巧手的触觉感知基本都是来自这个团队。湖北省在这些方面有很好的基础，有很强的后劲。

Q4："用AI造AI"的现状及未来可能性？

吴朋阳： 大模型和具身智能的结合情况怎么样？各位在工作当中怎么用大模型去帮助产品和组织的运营提效？

刘传厚： 我们基本上从23年开始到现在一直都在用大模型。当时ChatGPT出来的时候，我们就已经在探索怎么应用。但GenAI说实话有一个很大的问题——很大的欺骗性，它回答出来的问题不一定对。所以用AI去造AI，这个问题存在很大的认知问题。但这不妨碍我们去使用AI的技术能力，我们团队的研发也在用，比如编码、管理这些层面，我们公司的研发确实是深度用户，有比较开放的态度。

杨松桦： 我是一名00后创业者，还是在读博士，平常也会做很多研究、写论文，这个领域恰好是我的研究领域之一。

传统大模型训练的一般方法，把人类互联网上所有数据全都用完了。像GPT4.0之后的模型，基本上都是用AI生成的数据训练，或者说找一个比较厉害的教师模型去训练自己比较弱的模型。

具身智能领域的模型训练，主要有三种。

第一种，类似大模型的思路，用一个比较先进的模型作为教师模型，去微调一个本地自训小模型。

第二种，可以用现在比较先进的像VLA这些模型，去把数据做一些清洗、过滤、分段。

第三种，就是世界模型。最早世界模型生成的数据，其实就是用来做训练的，后来大家发现，既然可以生成机械运动的轨迹数据，为什么不能直接把预测结果作为输出呢？像自动驾驶，最早也是拿世界模型生成一些极端场景的视频作为训练数据补充。我觉得用世界模型训练具身智能，这个可能性还是很大的。

吴朋阳： 合成数据在具身智能上应用的情况？

杨松桦： 其实很多数据就是类似仿真这样的合成数据。但仿真还不算是用AI造AI，因为仿真需要人大量去参与撰写物理规则。不过仿真主要用来做VLA的预训练，如果做精细操作的话，还是以遥操作数据为主。

马俊杰： 我简短一点。我们是一家新成立的具身智能公司，也是一家AI native公司。AI已经进入到我们的日常办公以及整个研发，从产品到设计到接口，都有AI参与。整体上说，用AI效果是可以的，包括效率会提升不少，所以我们是坚定的AI-native公司。

吴朋阳： 您觉得传统企业和AI native企业，到底有什么区别？

马俊杰： AI对我们这种初创公司的核心第一是效率，另一个就是投入和产出成本。举个例子，基础的程序编码，可以做到人力1/3的成本达到3倍的效果。但我也要补充一下，AI目前是给我们提升了效率，但有些地方比如做市场调研，AI有的时候会反复重复之前的内容。所以我们的关键数据和决策，一定不要过分依赖AI，AI可以做一个参考。

吴朋阳： 哪些事情给AI、哪些事情靠人？有没有机制区分？

马俊杰：机制上是AI参与到我们每一项工作当中，但核心的一些决策点还是要靠人。AI的输出是基于通识的，而正确的决策很多时候是需要反通识的，我觉得很多时候还是要靠人，尤其是面对面的交流。

吴朋阳： 您公司的智能体自主执行的程度有多高？

马俊杰： 这个不好量化。只能说，无论是日常办公还是做活动、做设计，其实都有一个助手，可以大幅提升每一个人的工作效率。有点类似于智能体工作群的模式。

李敏： 年轻人比较容易接受新鲜事物，他们会想方设法找各种工具来节省时间和精力。在AI使用方面，不管是从最简单的周报、汇报、PPT，到代码，再到科研的想法和思路，再到论文撰写、绘图等，我们学生都有在用。各种智能体他们也都在用，我们也鼓励和支持，包括买会员之类。

教学方面我们也在用。因为学生数量很多、老师精力有限，有时我们会自己搭建智能体，让学生先和智能体进行交互讨论，智能体汇总出关键核心点之后，我们再针对性和学生进行深层次交流。这可以节省时间。写论文也是，学生对论文的结构框架思路不太熟悉，可以让AI辅助。当然，我要求他们不能直接用AI生成的图来应付作业，必须学会自己编制。

但这存在一个重要问题：工具的先进性会带来人的懒惰。有时候学生不知其所以然，认为AI的结果就是对的，思考过程完全被替代，直接交结果。调用东西是可以的，但一些思路、公式还是需要学会掌握，比如原理是什么，学生有时候很难理解。

AI使用过程要有一个度，必须把控每一个关键步骤，这样才能让AI为我们服务。它终究是工具，是提升效率的工具，但我们需要认识到工具所带来的负面效应，尽量去规避，才能把工具用到极致。

吴朋阳： 您在教学和带学生过程中，有没有什么办法让AI用对地方？

李敏： 有时候我们会自己做一些教学用的东西，让学生用我们限定范围之内的应用，而不是直接去跟没限制的AI交流。