大模型商业化迎来TaaS时刻！科大讯飞让Token交付结果

　　Jay 一水发自凹非寺

　　量子位 | 公众号 QbitAI

　　大模型落地喊了一整年，Token Max 概念一度刷屏，但现实情况是，好像有点难产了啊。。。

　　年初我和一个在大厂做产品的朋友聊天，他跟我抱怨部门 AI 化进度拉满，天天在周会上汇报。

　　上周我又问他怎么样了。

　　他无语凝噎：

别提了…全是成本没有产出，老板现在周会上根本不提 AI 了。

　　没办法，落地和写 Demo，真不是一个维度的事。

　　工位上的员工整天在网页框里敲 Prompt、调接口，拼出来的东西大多是玩具级套壳，企业根本没法在上面跑核心业务。

　　对普通用户就更别提了。

　　平心而论，聊天框挺反人性的，手打一长串 Prompt 真不是个简单事。

　　两头，全都卡住了。

　　就在大家都在为商业化落地抓狂的时候，我翻看科大讯飞的财报，发现原来不是所有人都困在原地：

　　2026 年上半年，讯飞开放平台实现营收 37.05 亿元，同比增长 36.01%。

　　不仅开发者团队数量突破了1187 万，而且一整套 Agent 的解决方案，已经悄悄落地。

　　从加勒比海牙买加的高端度假酒店，到国家能源集团动辄几百上千亿的招采评审现场，全都在跑。

　　他们到底是怎么把 Agent 从玩具级的 Chatbot，交付到物理世界的？

　　看完科大讯飞全球 1024 开发者节的全场发布，我觉得，核心只有一件事：

　　把 AI 彻底拽出那个该死的输入框，扎进物理世界和真实业务流里去。

　　物理世界的交互鸿沟

　　最近 OpenAI 总裁 Greg Brockman 在接受采访时表示，「最好的 UI 是没有 UI，未来的 AI 可能连聊天框都没了」。

　　这话听着虽玄乎，但仔细一想，聊天框确实是当下 AI 最大的枷锁。

　　屏幕前的你也可以回想一下自己的日常。

　　你在工位上，打开网页端跟 AI 聊得风生水起，写周报、润色邮件，看着好像无所不能。

　　但只要你离开工位，走上大街，或者在家里做着饭、手里抱着娃，AI 瞬间就拉胯了。

　　谁能干点啥事都停下手里的活，掏出手机、解锁、找到 APP、点开输入框，再费劲巴拉地手打一大段 Prompt？

　　根本不现实。

　　从第一性原理来看，这背后最大的症结，就是「Context」。

　　聊天框最大的问题，是把原本极其丰富的人机互动，粗暴压缩成一段文字输入。

　　你手里正在做什么、周围有哪些人、眼睛看向哪里、刚才发生了什么，这些信息原本都是 Context。

　　但隔着一个聊天框，AI 统统看不见，除非你先整理成 Prompt，再主动告诉它。

　　可真实世界，本来就是多模态的。

　　人和人交流时，会结合语气、表情、手势和周围环境，补全对方没说出口的信息。

　　AI 想真正进入物理世界帮人干活，同样得装上「眼睛和耳朵」，自己去看、去听、去判断，主动获取现场的 Context。

　　所以，多模态交互并不只是给大模型增加一项新功能，它真正改变的，是获取 Context 的责任。

　　以前由人整理并输入，现在交给 AI 自己完成。

　　物理世界与聊天框之间的交互鸿沟，只能靠多模态来填平。

　　△图片由 AI 生成

　　如果把这件事换成一个更具象的产品，我想大概就是《钢铁侠》里的贾维斯——一个无处不在的超级管家。

　　这也是为什么，从 AI 刚冒头开始，几乎每一代智能助手都喜欢拿贾维斯作比较。

　　感觉它已经成了整个 AI 行业心中的「北极星」。

　　不过，虽然自称「贾维斯」的产品不少，但想真正抵达那个终点，还得把这道宏大的命题拆成一个个具体问题。

　　它能不能像人一样自然交流？

　　能不能在嘈杂、多语言、不断变化的环境里稳定工作？

　　以及，这套能力能不能被快速装进不同的机器人和智能硬件？

　　围绕这三个问题，讯飞给出了一整套多模态交互解决方案：

　　拟人、普适、易用。

1. 拟人。

　　打造贾维斯的第一步，是先让 AI 像人一样自然地和你交流。

　　这里既包括说话自然，也包括反应足够快。

　　讯飞就是靠语音模型起家的，模型能力就不细说了，用来作为底座肯定是没啥问题的。

　　想落地，还得看工程优化。

　　毕竟如果你在公共场合兴致勃勃地使用展厅机器人，结果说完一句话要傻等三秒，那脚趾真恨不得给地板抠烂了。。。

　　这方面，讯飞通过全链路端到端模型与端云协同架构，把端到端平均响应时间压缩到了 1.8 秒以内。

　　端到端好理解，但这个「端云协同」是如何降低延迟的？

　　看了讯飞刚刚发布的星火 X2.6，我算是明白了——

　　简单任务直接在端侧处理，复杂任务再交给云端，这样既能避免干等，也能减少 Token 消耗。

　　也难怪科大讯飞董事长刘庆峰在现场提出：

未来，60% 的应用可以在本地完成，保障数据安全；30% 的应用通过端云协同完成；10% 需要云端大模型解决。

　　「低延迟+声音自然」，让用户愿意接受新的交互方式。

1. 普适。

　　第二步，是让 AI 突破环境限制，不能说只在理想环境中才能 work。

　　这个广，分为三个层面。

　　一是分贝广。

　　讯飞的全景式多模态降噪，实现 360°实时的语音和图像分离。

　　二是语种广。

　　讯飞多语种免切换交互，已经支持超 40 种语种，实现全球化服务一站式访问。

　　三是场景广。

　　发挥 AI 千人千面的特性，基于场景定制模型输出。

　　这部分，他们去年就发过一个儿童陪伴场景下的大模型，模型会专门适配儿童的表达逻辑，接入儿歌、故事等内容，同时兼顾内容安全与情绪引导。

　　一年过去，现在也扩展到了老人康养、出行办公、门店营销等更多场景。

1. 易用

　　拟人和广谱解决的，还是 AI 能不能用的问题。

　　要真正形成产业规模，还需解决更多开发者能不能用得上的问题。

　　这也是我觉得，最重要的一个点。

　　他们直接把复杂的多模态 AI 能力封装成了现成的硬件模组。

　　开发者不需要从底层麦克风阵列算法写起，拿来就能直接做智能终端。

　　而且，软件方面也是准备好的。

　　开发者直接用自然语言交互就能在 AStudio 里完成配置，一键部署到机场机器人。

　　动动嘴皮子，一个机场多模态智能客服就落地了。

　　目前官方也已经有不少产品案例，并且很多都是大范围落地的。

　　比如有个叫WallEX的智慧空间解决方案。

　　很多传统智能家居最反人类的地方，就是设备各玩各的，你在这间屋子说了话，换到另一间屋子设备又失忆了。

　　WallEX 依托底层的SpaceMind智能空间架构，把设备联动、多协议兼容（KNX、Zigbee 等）和离线大模型能力全部打通。

　　这样，它就能知道是谁在哪个空间发号施令，并且上下文记忆在多设备之间无缝流转。

　　这个系统现在已经落地到了牙买加The Pinnacle Jamaica项目中，覆盖了140 套高端住宅与 200 间酒店客房。

　　当多模态交互在现实场景里能像网页端敲字一样稳定，物理世界的新场景，就被撬开了一条缝。

　　告别企业的数字化返祖

　　不过，这还只走了一半。

　　对普通用户，输入框隔开的是 AI 与物理世界，而对企业，隔开的则是 AI 与真实业务。

　　这一年多，很多企业其实经历了一场荒诞的「数字化返祖」。

　　老板们集体焦虑，给全员采购各种单点 AI 工具，买了一堆模型 API，恨不得每个员工都配上 Claude Code。

　　大家都觉得，只要把工具塞给员工，生产力就能原地起飞。

　　结果呢？

　　财务有财务的软件，ERP 有 ERP 的后台，CRM 又躺在另一朵云上，各部门的系统和数据谁也不认识谁。

　　员工每天上班，就是在三四个 AI 对话框和五六个业务系统之间反复横跳，疯狂 Ctrl+C、Ctrl+V。

　　工具确实越来越智能了，人反而干回了「数据搬运工」。。。

　　零散的 Prompt 和套壳工具，根本撑不起真正的企业业务闭环。

　　企业真正需要的，是一个组织级的协同底座，把这些支离破碎的业务断点重新缝起来。

　　讯飞这次亲自下场，直接掏出了Agent OS——行业首创的场景驱动 Agent 原生操作系统。

　　这套系统底层靠两个核心支柱撑着：

1. 组织级上下文工程：

　　写代码有专门的 Harness 提供代码和运行环境，而在日常企业办公里，Context 就是生命线。

　　Agent OS 在极其严格的企业权限体系下，彻底打通组织架构、人员职责和项目流转信息。

1. RSI 自我进化机制：

　　光有上下文，AI 大概能做到 90 分。

　　但从 90 分到 99 分的商业交付，必须依赖真实业务结果和人类专家的反馈信号。

　　这正是 RSI 思路发挥作用的地方。

　　伴随项目推进，Agent OS 会把业务流转中的每一次人工修正和结果沉淀为策略优化，实现「越用越好用」。

　　除了底座，讯飞还端出了两件杀手锏武器。

　　一件是星辰 TaaS（Token as a Solution）。

　　过去卖大模型就像卖自来水，按调用量卖冷冰冰的 Token，企业拿到手依然不会用。

　　星辰 TaaS 搭了一套完整的三层架构：底层由星辰 MaaS 提供模型能力，中间层负责模型调度、Agent 编排、知识和工具调用，上层进一步封装成同传翻译、数字员工、智能营销等场景应用。

　　这样一来，企业就能像搭积木一样，按需组合模型、Agent、知识和工具，快速搭出能够进入真实业务流程的 Solution。

　　在这套链路里，每一次调用，都对应着一项业务的推进或一项任务的完成，模型能力也由此转化为可以交付、可以衡量的业务结果。

　　正如讯飞所总结的：

让 Token 不空转，让价值看得见。

　　另一件是 APA（智能体流程自动化），直接革了传统 RPA（机器人流程自动化）的命。

　　以前部署传统 RPA，企业得提 IT 需求、找外包工程师、写脚本抓网页元素，流程一旦变动全盘重来。

　　现在在 APA 里，业务人员通过自然语言对话或者直接录制一段屏幕操作，系统就能把填表、查数、审批这些动作沉淀为 Agent 可直接调用的原子技能。

　　在 Cowork 协同环境里，员工一句话，Agent 就能跨系统直连 ERP 和 CRM 的底层接口执行任务，完全不需要 IT 团队介入排期开发。

　　这套打法在实际业务里，表现如何？

　　我们来看一组真实落地的数据。

　　在国家能源集团的招采业务场景里，多智能体协作框架结合 Harness 可信执行引擎，把困扰大模型已久的幻觉问题牢牢管住了。

　　据悉，目前系统已经平稳运行了超 21 万个项目，智能评审准确率飙到了97%，无人化率超过 89%。

　　算下来，直接创造的间接经济价值高达40 亿元。

　　这，才是企业真正需要的落地。

　　开发者生态被彻底重构

　　聊到这里，可能有人会问：

这些技术再厉害，讯飞自己一家公司能把所有行业做完吗？

　　当然做不完。

　　现实世界的长尾场景实在太多了，每个细分行业都有深不见底的 Know-How 壁垒。

　　AI 落地的终局，拼的一定是生态。

　　但问题是吧，就在不知不觉中，开发者生态的底层逻辑，好像也不太一样了。。。

　　先看一组讯飞开放平台的数据：

　　开发者团队总量已经突破1187 万，平台开放了1016 项 AI 能力。

　　就在今天收官的 2026 AI 开发者大赛上，参赛团队突破 5.2 万支，同比大涨 41%，历届新高。

　　而且当中超 3 万支队伍来自智能体与 Skill 开发赛道。

　　神了。

　　但更让我觉得有意思的，是参赛人员的画像。

　　以往写代码、做软件的，清一色是坐在工位上敲键盘的专业程序员。

　　但在星火杯高校赛中，参赛选手已经横跨 700 多个专业，其中 43% 来自非技术专业。

　　学经管的、学医学的、学艺术的学生，全都挽起袖子在做 Agent。

　　另一边，教师、医生、公务员、产品经理等职场白领也纷纷涌入 Skill 赛道，一口气产出了 7527 项 Skill 作品。

　　开发者的定义，正在被这波 Agent 浪潮彻底颠覆。

　　但有个很尴尬的事。。。

　　是，Vibe Coding 的出现，让开发应用的门槛低到了尘埃里。

　　只不过吧，要在场景落地，这仅仅是第一步。

不 er，客户说要在酒店大堂机器人身上用，这咋整啊？？？

　　真实业务逻辑、端侧终端部署……没有这些 Know-How，再怎么烧 Token 也是没法交付的。

　　怎么办？

　　讯飞的答案是：既然开发者群体变了，生产工具，也必须跟着彻底换代。

　　所以他们对开发者平台进行了 Agent 化重塑——

　　底层能力的调用极简化。

　　通过一句自然语言命令，开发者就能通过 Agent 开发工作台 XFYUN CLI 直接调度平台上的 700 多项 AI 原子能力以及 200 多项智能体适配能力。

　　在此之上，讯飞推出了研发插件 AIUI Code。

　　开发者不用去硬啃复杂的底层 SDK 说明书，只需要用大白话描述需求，Agent 会自动调用专家插件完成硬件逻辑构建。

　　即便是完全不懂硬件的小白开发者，也能言出法随，一键更新机器人配置。

　　在讯飞 GuideX 平台最新的一体化升级方案里，便已经内部打通了这个闭环。

　　具体机制如下——

　　前端，AStudio 充当全场景 AI 生产力工作台，负责承接和理解来自各行各业的复杂定制需求。

　　后端，GuideX平台作为集成了虚拟人、多模态与 Agent 的一体化底座，直接完成从配置组装到部署上线的所有流程。

　　工程师甚至只要对着麦克风说一句话，就能直接在机场大屏上部署出一个能查航班、能带路、能办理业务的多语种数字客服。

　　整个 Agent 的研发与上线周期被大幅压缩。

　　如今，在非洲肯尼亚的公共服务机构、在中东的运营商服务中心、在东南亚的轨道交通枢纽……GuideX 已经把这种软硬一体的交互能力，变成了标准化的公共服务基础设施。

　　凝心聚力

　　十多年前，讯飞开放平台最早对外开放的，是单点的语音识别（ASR）和语音合成（TTS）接口，大家用代码拼装简单的功能；

　　2022 年，大模型爆发，大家在狂热地卷基础模型参数，全行业都在买显卡、调 Prompt、测 API 调用量；

　　而到了今天，整个产业的分水岭已经彻底出现。

　　Token 提供了认知计算的基础算力。

　　但光有算力，改变不了世界。

　　只有当多模态感知能力让 AI 走出手机屏幕、当 Agent OS 深入企业核心业务流、当数以千万计的普通业务人员能用 Agent 工具链自由构建应用时，技术才真正转化成了生产力。

　　正如刘庆峰在 1024 开发者节上所说：这场凝心聚力。

　　无论在教育、在医疗、在市场、在各个领域，其实都是有基本使命愿景来凝聚，才能够让更多的产业伙伴、让上千万的开发者共享未来，才能够使得人工智能深刻改变世界。

　　从卖 Token 到交付业务闭环，一个由各行各业人才与 Agent 凝心聚力、共同进化的时代——

　　正在拉开序幕。