10月22日，两场发布会同日举行。
上午，科大讯飞全球1024开发者节在北京开幕。董事长刘庆峰发布讯飞星帆WinWork数字员工平台，提出“让每个岗位都有一支数字员工团队”。
同日下午，重庆2026通用人工智能大会开幕。重庆通用人工智能研究院发布基于CUV架构的“明镜平台”，朱松纯教授明确指出：行业智能体交付周期由90天压缩至20天以内。
当“做一个能用的智能体”从三个月缩短为三周，它便不再是孤例，而是可排产的标准化产品。
数字员工开始抢岗位
讯飞WinWork通过构建“企业本体”，关联业务规程、数据与专家知识库，使数字员工理解规则并掌握经验。目前已有超80类专业数字员工上岗，组织提效从20%+提升至50%以上。
现场演示的两个场景值得关注：
一是“元器件替代选型”。面对供应商涨价通知，数字员工关联产品、生产计划及库存数据，分析经营影响，综合价格、质量和交期筛选替代物料。其推荐结果并非单价最低，而是最符合企业需求，且数据来源与判断路径均可回查，最终交由人工评审。
二是“供应商失信风险处置”。数字员工联动采购、法务、财务部门核查风险、分析影响并推进处置，涉及关键判断和授权的事项一律由人工确认。
数据显示，讯飞智能招采累计承接超50万个项目，平均评审提效65%、采购节支3.7%、风险检出提升28%，国家能源集团项目智能评审准确率达97%。
百度企业客户环比增长83%，交付物需求环比增长4.3倍，新上线投标套件可解读招标要求、审查文件并输出风险清单；腾讯推出WorkBuddy，阿里上线千问办公，字节打通飞书、豆包与火山引擎。四家大厂的企业级AI入口已全面布局。
智能体从“手搓定制”变成“批量生产”
明镜平台的核心价值在于将智能体从“手搓定制”推向“批量生产”。其依托智能体自进化基座、社会模拟平台、虚实闭环训练场三大底座，其中社会模拟平台可并行驱动百万级智能体，像城市级“数字沙盘”一样预演人群流动、应急疏散和政策传导。
平台面向政用“通鉴”、商用“通衍”、民用“通境”、测试“通测”等N个真实场景开放。实战数据显示：地灾防治实现灾前预警；社情民意“安心工程”市民诉求覆盖率从35%升至82%；人力资源研发岗招聘周期缩短约60%；新药实验周期压缩23%。
朱松纯强调，中国AGI发展应像高铁、公路网、“村村通”工程一样实现低成本、高效能落地，而非追求少数企业的高额利润。
认同这一方向的同时，更需警惕另一层问题：当智能体可以被批量生产，最先被批量化的一定是“干活”，最后被批量化的一定是“判断”。
“干活”批量化，企业降本增效，皆大欢喜；但“判断”批量化后，一旦出事，责任归属将成为难题。
一个被大多数人跳过的问题
批量生产智能体本身是正确的，交付周期从90天压到20天、研发效能提升4倍以上，是实打实的生产力进步。但随之被压缩的，是决策过程中的审慎性。
过去企业自建评标系统工程量巨大、周期漫长，因此天然慎重——人会核数据、讨论边界、承担责任。如今20天的交付周期，意味着原本“这辈子可能就做一次”的高风险决策系统，变成了一个季度可做两三个的项目。
这意味着判断被批量化生产了。批量化有个特点：出错的次数也一起被批量化。
一个系统一年只判一次，出错会追到底；一个月判三次，出了事大家容易觉得“AI偶尔也会错”。责任一旦被稀释成概率，就没有人需要负责了。
行业里有个清醒的做法，值得多说两句
讯飞的“Harness可信执行引擎”针对招采等高风险场景的AI幻觉问题，将智能判断拆解为三要素：可追溯的证据链、可复算的规则公式、可复核的风险点。
“可追溯”指结论基于哪些数据；“可复算”指他人用同样公开数据能算出相同结果；“可复核”指出问题时能逐条查证。他们将“执行全链可审计”写入安全体系，承诺的不是“AI不会错”，而是“AI错了你能查清楚怎么错的”。
这比任何“准确率97%”都更有价值。因为在判断密集的场景里，99%的准确率不是护身符，而是风险放大器。你以为它可靠而交出决策权，剩下1%出错时却连错误根源都找不到。
这才是“批量生产判断”必须配套的安全机制。
我在广西做的一些事，其实是同一件事
启信高考志愿智能体收录2952所高校（1412所本科+1540所高职）。重点不在于数据是否覆盖全部3000多所院校，而在于数据能否被复算。
例如县城考生梁雨模考578分、位次三万出头，想报区内某医科大学临床医学。她面临的不是“要不要学医”的人生抉择，而是具体问题：578分去年对应多少位次？该专业组去年招多少人？平行志愿按位次投档，进不去第一志愿是否会被调剂到基础医学或护理？
这些答案必须在纸上摊开验证。因此智能体不提供“推荐院校列表”，而是将2952所高校的历年位次、招生计划、专业组拆解开，让用户按当年一分一段表自行计算。只有算出的结果与工具一致，才说明工具有效；不一致时，以官方数据为准。
这不是保守，而是把“可复算”落到产品上。龙虾AI书童同理：三项测评（思维结构、数学思维、学习动力）的报告必须给出可执行的下一步，并能被下一周表现验证。婚盾背调结论也必须能被对方当面质询并提供依据。
在“AI辅助老人写回忆录”项目中，AI负责提问、整理、润色，但每一段回忆的事实必须由老人自己确认。AI可以帮记性不好的老人理清1970年入伍、1978年退伍的时间线，但不能替其确认记忆准确性。
让AI参与判断流程，不等于让AI替人承担责任。这与WinWork中“关键判断与授权由人工确认”的逻辑一致。
一个可以拿去用的判断标准
面对海量AI产品，普通人无法逐一试用或理解。提供一个实用标准：别看它说自己有多准，看它的结论你能不能自己复算一遍。
能复算，说明依据透明、对答案负责；不能复算——只给结论、百分比或“根据大数据分析”——本质上是在赌你不会追问。追问只能验证是否编造，复算才能验证是否正确。
例如AI判断“某岗位该招什么样的人”，你能否拿其依据自行排序验证？AI判断“孩子适合报某学校”，你能否用其提供的位次和计划自行计算？能，则敢用；不能，则仅作参考，勿作结论。
智能体已进入量产时代。20天一个的智能体会越来越多、越来越便宜、越来越像水电煤。届时唯一能帮你分辨可信度的标准，只剩“敢不敢让你复算”这一条。