徐玉波：智能体的概念最早是在上世纪80年代作为分布式人工智能设想提出，一个智能系统是由多个智能体所构成的，由群体小智能组合成大智能。AI大模型全面发展之后，人们认识到AI大模型只是扮演了知识库和专家顾问的角色，而不能亲自下场干活。而且不同“专家”能力上的侧重点不同，同一个问题需要咨询不同的模型才能得到满意的答案。2023年，OpenAI推出了基于ChatGPT的Auto-GPT和BabyAGI，展示了将AI大模型与循环工作流结合以实现自主完成复杂目标的潜力，引发了全球性的开发热潮，各大模型厂商也陆续推出了自己的智能体产品。

当前阶段的重要突破主要表现在三个方面：一是集成了多个大模型的能力，如通用语言模型、专业领域语言模型、多模态模型等，并对这些模型返回的结果进行整合；二是多智能体协同，如著名的斯坦福“虚拟小镇”实验，创建了25个AI智能体角色在模拟环境中生活、社交、合作，展现不同智能体自主协作的能力；三是具身智能体，机器人与AI大模型、软智能体结合，实现了在真实物理世界的自主作业能力。

姚志强：这波“养龙虾”的出圈，我认为并不是某一个产品单点突破，而是整个AI智能体方向走到了一个临界点。像OpenClaw这类系统，让很多人第一次直观地看到，AI不再只是聊天，而是可以开始调用工具、拆解任务、连续执行，体验上实现了质的突破。

从技术角度看，这一轮变化更多源于工程层面的成熟，而不是模型突然变得特别强。过去模型能力其实已经很不错了，但很难落地到真实业务场景中；现在通过Agent框架，把模型、工具和流程串起来，AI才真正开始有“干活”的可能。但也需客观看待，现在这一阶段的智能体仍处于发展初期，在开放环境下的稳定性和可控性尚有不足。因此更务实的发展路径，是先在有边界、有规则的场景中落地应用，再逐步向复杂场景延伸迭代。

王海增：OpenClaw这一轮出圈，标志着AI正式从“交互聊天”跨越到“自主办事”的新阶段，是一次关键的范式转变。这也倒逼底层技术必须去啃“超长上下文处理”这块硬骨头。但实事求是地说，这种能力跃升背后的代价也巨大。智能体为了完成一个复杂的闭环任务，需要在后台持续进行规划、试错、迭代调用工具，算力消耗很大。最近数据显示，随着任务复杂度提升，近几个月日均Token（词元）的消耗量直接翻了不止十倍。尽管如此，智能体所展现出的自我纠错、持续迭代和自主进化能力，确实让我们看到了通向通用人工智能的曙光。

徐玉波：经过40多年的发展，我国安防行业已非常成熟并引领世界，尤其是在全系列安防产品制造和视频安防AI大规模落地应用方面，具备了强大的基础能力。传统安防系统从任务下达（布控）、感知、识别、分析、决策一直到行动的全过程基本上都是通过人工操作来连接和驱动，尤其是分析、决策和行动环节，主要依赖于人工判断和执行操作。AI语言大模型和多模态大模型的发展为解决这一问题带来了机遇，通过AI智能体和大模型可以把这几个环节连接在一起，形成完全自动化、智能化的能力，给安防行业带来了发展的转折点。

除此之外，可移动的具身智能体在感知、识别方面可以弥补固定感知设备的不足，如社会面、社区园区、高危环境、密闭空间、变电站等的自动化智能化巡检。由于安防智能体实现了技术和业务全面贯通，对系统总体规划和设计能力提出了更高的要求，会催生一批专业的规划设计团队。同时安防智能体作为一个新物种，相较于传统的安防系统，技术实现、使用和运行维护复杂度要高得多，需要AI模型持续迭代，客户的认知度和熟悉程度也需要一个较长的过程，更需要全过程服务来保障项目落地和运行成效，这会推动行业从系统交付转为服务交付。

姚志强：我认为这可以视作行业发展的一个重要转折点，但并非一蹴而就的突变，更像是一场循序渐进、逐步铺开的深刻变革。安防视频系统过去很长时间的核心是“看得见”，也就是视频感知和识别；大模型出来之后，系统开始能“看得懂”；而智能体带来的变化是让系统开始“能处理”。从发现问题到处理问题，这是一个比较关键的跨越。以后安防系统将不再局限于“报警+人工处置”，而是会出现越来越多自动闭环的流程。例如事件识别出来以后，系统可以自动匹配预案、分配任务、跟踪处理结果。这类复杂协同能力，显然不是单一模型能够实现的，而是智能体体系化能力的体现。

王海增：安防行业这两年的发展压力明显增大，同质化竞争加剧，过去靠堆砌硬件、扩张摄像头数量的粗放式增长早已触及发展天花板。智能体的出现，将从根本上重构行业的运行逻辑与价值模式。传统安防本质上是被动感知：设备采集画面、系统触发告警、人工复核，效率低、强度大，漏报误报较突出。有了智能体之后，AI将真正成为我们的“数字同事”，可实现全流程闭环处置。如当系统检测到人员翻越围栏，智能体可自动联动周边摄像机追踪、核验信息、生成预案，完成感知、决策与初步执行。未来监控中心操作人员将从值守复核者，升级为“指挥官”和“AI治理经理”，专注关键节点决策与AI行为合规性监督，推动安防系统从单一监控工具，向具备自主智能能力的感知空间跨越。

姚志强：整体来看，安防智能体仍处于早期发展阶段，但方向已慢慢清晰。目前行业已初步能看到几种产品形态：一是辅助型智能体，主要帮值班人员做分析、总结、研判；二是流程型智能体，在规则明确的情况下可以执行一些标准流程；三是多智能体协同，在复杂场景里分工处理任务。

从技术角度来看，这一轮真正的变化不在模型，而在系统层。比如任务编排、工具调用、端云边协同、多智能体调度这些能力开始慢慢成型。像OpenClaw这样的系统，本质上就是在解决这一层的问题——让模型真正能参与到实际工作流程里。但目前很多能力仍需要在相对受控的环境里运行，离完全开放的大规模应用还有一段距离。

徐玉波：近一两年来，在AI大模型应用需求的推动下，国内安防企业积极布局安防AI大模型和智能体的开发应用。如海康的“小海”安防智能体，融合DeepSeek和海康观澜大模型能力，嵌入到安防综合平台中，通过自然语言对话实现“动口不动手”的智能运维，替代传统手动操作、报表统计、工单填报等繁琐工作。大华依托星汉视觉大模型，打造了智能问数智能体、以文搜图智能体、融合协同智能体，构建一站式安防决策中枢。宇视科技依托自研梧桐大模型，打造“端-边-云”全链路AIoT智能体架构，定位为“可对话、可决策、可闭环、可进化”的安防中枢，核心产品包含万物搜智能体、万物巡智能体、万物控智能体、万物核智能体，实现自然语言交互、全域感知研判、工单自动处置，覆盖安防全场景智能化管理，并推出了轮式、轨道式和防爆安防巡检机器人，形成了全链路智能体产品AgentLink。安防厂商基于其安防视觉AI模型优势，对安防业务的深刻理解，把已有的安防行业小模型和语言大模型进行融合，加上在硬件上的长期积累，把软智能体和具身硬智能体协同一体，快速实现了软硬件联动和场景落地。

王海增：核心技术突破有两个特别值得一提。一是多智能体协作。如果把全城的摄像头看作一个协同团队，过去它们彼此孤立、无法联动。近几个月，MCP、A2A等底层通信协议持续成熟，相当于给各类智能设备搭建了高效协同的“工作群”。未来路口A的智能体发现嫌疑车辆后，可直接向路口B的智能体“传递信息、交接任务”，无需统一回传中心服务器中转，整体处置效率实现量级提升。二是安防行业独有的核心壁垒——可信数据环境构建，这也是我们区别于互联网企业的关键优势。在极暗光、暴雨、大雾等复杂场景下，视频画面极易出现噪点、模糊，如果直接输入大模型，很容易产生幻觉、造成误报乱报。现在在摄像机前端图像传感器层就引入AI-ISP技术，先对原始画面进行高质量降噪、增强与还原，把数据底座做纯净、做可靠。没有这一层可信数据支撑，后端再强的智能体也难以稳定发挥价值。

姚志强：最近一年需求明显在增加，但整体还没到全面爆发的阶段。很多客户其实是在关注和试点，真正大规模决策还是比较谨慎，主要担心的是稳定性和安全性。从我们看到的情况来看，比较容易落地的是那些流程比较清晰、规则比较固定的场景。比如安防运维里的巡检和告警处理，视频事件的初步研判，还有一些标准化的应急流程。这些场景有一个共同点就是允许一定的试错空间，但不能失控。而像综合指挥、重大事件判断这种更复杂的场景，目前还是辅助为主，很难完全交给智能体，这其实也是当前技术的一个现实边界。

徐玉波：从传统系统运行与使用模式切换到以智能体为核心的新模式，本身需要有一个市场教育过程，而且大模型在具体行业场景的落地本身也并不很顺利，用户需求需要一个较长的培育引导过程。目前主要客户集中在人少事多责任重且系统数据杂的部门，如公安机关、应急管理与消防部门、大型厂矿能源冶炼化工企业等，对安全专业知识与技能要求较高，安全相关系统和数据多而杂，决策难度高，执行链条长，安全相关业务流程较繁琐，需要管理与技术系统的紧密融合，这样的业务特点会特别需要智能体来发挥作用。目前来看，园区社区机器人常规巡检由于作业能力不如人且很容易被人所取代，在一定程度属于伪需求。

王海增：从落地实践来看，智能体最擅长处理跨系统比对、流程环节繁琐、需处理海量非结构化数据的复杂任务。目前落地速度最快、商业化价值较明显的场景主要包括：城市治理（如城市交通微循环调度等）、园区管理（比如大型园区智能运维、企业全域安全态势感知）、民生服务/生产作业等。

姚志强：当前行业面临的问题已不是“做不做得出来”，而是“能不能放心用”的挑战。主要的考验包括：一是可控性。智能体一旦能调用工具、接触业务系统，就必须解决权限、边界和审计的问题，否则很难进入真实生产环境；二是稳定性。很多智能体现在是能跑起来，但离长期稳定运行还有差距，而安防行业对这一点要求其实很高；三是工程复杂度。智能体不是一个单点产品，而是一整套系统工程，涉及模型、数据、流程和工具，落地成本和复杂度都不低。因此我们公司在内部推进落地时，一直在坚持一个原则：先把底座打稳，再谈规模化。无论是构建可信数据空间还是搭建可控训练环境，本质上都是在为智能体安全、稳定、可落地打下基础。

徐玉波：安防智能体在逻辑推理与决策方面主要依赖LLM通用大模型，但安防行业在这些方面没有太多积累，基本上是秉承拿来主义。行业应用需要私有化部署，而源头厂商公开发布的开源版本做了大量裁剪，其表现效果和应用体验远不及云上版本，还会出现大量“幻觉”，给用户以错误引导和错误执行，这对于安全管控要求高的用户是无法忍受的，即便是专业的LLM模型也同样面临这样的风险。另外，AI智能体需要把不同技术和业务系统打通，这从来都是行业最大的痛点。

王海增：从目前来看，行业面临的挑战仍不少，第一大核心考验是智能体自身的安全漏洞风险。在网络安全视角下，智能体极易成为攻击入口。如果网页、接口中嵌入隐蔽的恶意指令，它很可能不加判别就执行。将缺乏强约束的智能体直接接入安防系统后果不堪设想。第二是算力成本与能耗已逼近物理极限。如前所述，智能体任务复杂度提升带来Token消耗量急剧增长，而安防系统要求7×24小时不间断运行。若全量视频流均依赖云端大模型实时分析，有测算显示，到2030年数据中心耗电量或将大幅攀升。在当前各地严格推行ESG与碳排放管控的背景下，依靠暴力堆算力换取智能的模式，无论在经济效益还是政策合规上都难以为继。第三是隐私合规筑起的高墙。AI在运行中会采集到路人面部信息、车辆轨迹等敏感数据，如何在不破坏证据链的前提下实现实时脱敏，不仅是技术难题，更是不可触碰的法律红线。

姚志强：未来一两年，安防智能体不会一下子全面铺开，更大概率会遵循一条稳健的行业路径：先试点，再局部规模化，然后慢慢往更多场景扩展。一个比较明显的趋势是，智能体会先在可控环境里跑成熟，再逐渐进入更开放的系统。所以最近行业开始讨论“训练场”这种形态，其实背后解决的是同一个问题——如何让智能体既有能力，又能被管理。另外一个变化是，大家会慢慢意识到，竞争不只是模型大小，而是系统能力和工程能力。总而言之，AI在安防领域的真正价值，不在于追求能力上限，而在于在安全可控的前提下，实现多大程度的规模化落地。

徐玉波：未来1-2年，安防智能体还处于产品技术试错、迭代和客户教育阶段，在人干不了、干不好、不愿干、有风险的特殊环境下的巡检和作业机器人会发展最快。由于党和政府对国家安全、社会安全的高度重视，在LLM出现之前，我国的人工智能尤其是视觉AI首先就是在安防行业落地应用并产生规模化效应的，但它仅仅限于预警分析阶段，不涉及决策与执行，技术不成熟所带来的风险小。到了智能体时代，决策和执行是其核心能力，技术不成熟会带来极大的风险，建议优先在安全风险承受能力较强的场景开展试点与迭代，稳步推进技术成熟与落地。

王海增：展望未来，行业有几个趋势已经非常明确：一是低功耗边缘侧芯片会迎来大爆发。为了破解算力和能耗的瓶颈，以后大多数普通的结构化提取、基础过滤将在前端摄像机以极低的功耗就近完成，只有遇到高难度、不确定的复杂逻辑，才会调用云端大模型协同处理。二是生态操作系统的成型。硬件本身的价值会持续弱化，未来安防企业的核心竞争力，在于能否提供一个类似“AgentOS”的平台，把海量传感器串联成一个自动化闭环。三是具身智能的融合。以后固定摄像头是“静态哨位”，四足机器狗、挂着机械臂的巡检机器人等则是“游动哨”。当AI在屏幕上发现火情，不再只是发出告警，而是直接调度机器人移除周边易燃物，实现从发现到事中处置的完整闭环。

当AI“长出了手脚”，有了自己的思考，安防企业就不再是简单的设备供应商，而是支撑数字世界与物理世界高效运行的新型基础设施建设者。这是一场大洗牌，我们需要拥抱变化，立足自身业务，积极谋求转型突破。一是从卖硬件设备转向业务结果。不执着于比拼摄像头参数与硬件规格，客户真正买单的不是高清像素，而是“园区无违停”“风险零漏报”这类可量化的治理成效；二是人才结构要升级换代。企业不能只有写底层算法的程序员，更急需懂场景、懂流程的“场景架构师”和“安防语义工程师”，把行业的Know-how转化为智能体的技能。三是安全理念必须升级。AI安全已成为企业生命线，在智能体开发初期就要从第一行代码开始嵌入零信任架构、二次确认机制等内生安全设计，不能等到失控后再补救。