在联合举办的AI与大数据博览会以及智能自动化会议的首日议程中，虽然AI作为数字化同事的前景主导了讨论，但技术会议重点关注了支撑这一愿景的基础设施。
从被动自动化向"智能体"系统的发展
展览现场的一个核心议题是从被动自动化向"智能体"系统的发展。这些工具能够进行推理、规划和执行任务，而非遵循僵化的脚本。来自花旗银行的Amal Makwana详细介绍了这些系统如何在企业工作流程中发挥作用。这种能力将其与早期的机器人流程自动化(RPA)区分开来。
DeepL的Scott Ivell和Ire Adewolu将这一发展描述为缩小"自动化差距"。他们认为智能体AI的功能是充当数字化同事，而非简单的工具。真正的价值在于缩短意图与执行之间的距离。来自SS&C Blue Prism的Brian Halpin指出，组织通常必须先掌握标准自动化，才能部署智能体AI。
这种转变需要能够处理非确定性结果的治理框架。来自Informatica的Steve Holyer与MuleSoft和Salesforce的发言人共同认为，构建这些系统需要严格的监督。治理层必须控制智能体如何访问和使用数据，以防止运营故障。
数据质量决定系统表现
自主系统的输出质量取决于其输入质量。来自SAP的Andreas Krause表示，没有可信的、互联的企业数据，AI就会失败。要让生成式AI在企业环境中发挥作用，它必须访问既准确又具有上下文相关性的数据。
来自Gigaspaces的Meni Meller解决了大语言模型中"幻觉"的技术挑战。他主张使用增强检索生成(eRAG)结合语义层来解决数据访问问题。这种方法允许模型实时检索事实性的企业数据。
存储和分析同样面临挑战。由Equifax、英国燃气和Centrica代表参与的小组讨论了云原生、实时分析的必要性。对于这些组织而言，竞争优势来自执行可扩展且即时的分析策略的能力。
物理环境中的AI集成与安全
AI集成延伸到物理环境中，引入了与软件故障不同的安全风险。包括ARIA的Edith-Clare Hall和IEEE RAS的Matthew Howard在内的小组讨论了具身AI如何在工厂、办公室和公共场所部署。在机器人与人类互动之前，必须建立安全协议。
牛津机器人研究所的Perla Maiolino从技术角度分析了这一挑战。她对飞行时间(ToF)传感器和电子皮肤的研究旨在赋予机器人自我感知和环境感知能力。对于制造业和物流等行业，这些集成感知系统可以防止事故发生。
在软件开发中，可观察性仍然是一个并行关注点。来自Datadog的Yulia Samoylova强调了AI如何改变团队构建和排除软件故障的方式。随着系统变得更加自主，观察其内部状态和推理过程的能力对于可靠性变得必要。
实施挑战与基础设施要求
实施需要可靠的基础设施和接受的文化。来自Expereo的Julian Skeels认为网络必须专门为AI工作负载设计。这涉及构建主权、安全且"始终在线"的网络架构，能够处理高吞吐量。
当然，人的因素仍然不可预测。来自IBM自动化的Paul Fermor警告说，传统的自动化思维往往低估了AI采用的复杂性。他将此称为"AI准备就绪的错觉"。Jena Miller强化了这一观点，指出策略必须以人为中心以确保采用。如果员工不信任这些工具，技术就不会产生回报。
来自赛诺菲的Ravi Jay建议领导者需要在流程早期就提出运营和伦理问题。成功取决于决定在哪里构建专有解决方案，在哪里购买既定平台。
联合举办活动首日的会议表明，虽然技术正朝着自主智能体方向发展，但部署需要坚实的数据基础。
首席信息官应专注于建立支持检索增强生成的数据治理框架。必须评估网络基础设施，确保其支持智能体工作负载的延迟要求。最后，文化采用策略必须与技术实施并行进行。
Q&A
Q1：什么是智能体系统?它与传统自动化有什么区别?
A：智能体系统是能够进行推理、规划和执行任务的AI工具，而非遵循僵化脚本的传统自动化。它们能够充当数字化同事，在企业工作流程中发挥作用，真正缩短意图与执行之间的距离。
Q2：企业部署智能体AI需要什么条件?
A：企业需要先掌握标准自动化，建立能够处理非确定性结果的治理框架，确保数据质量和可信度，以及评估网络基础设施以支持智能体工作负载的延迟要求。
Q3：如何解决大语言模型的幻觉问题?
A：可以使用增强检索生成(eRAG)结合语义层来解决数据访问问题。这种方法允许模型实时检索事实性的企业数据，避免生成不准确的信息。