OAIC 产业联盟规划介绍

音频围绕人工智能、大模型、智能体领域的合作展开，探讨了联盟的定位、发展方向、企业应用智能体的问题、开源与开放的重要性，还提出了调研和项目探索的建议，内容如下：

• 联盟定位与发展方向
• 合作目标
• 解决问题与推动发展：希望参会人员共同寻找解决方案，推动人工智能、大模型、智能体领域的发展，避免重复讨论浪费时间精力。
• 构建生态：建立一个生态，而非仅开发几个 APP 或智能体，包括智能体的编排系统（AOS）、基于智能体的软件工程（ASE）、合作平台（marketplace）等。
• 场景驱动与体系构建
• 基于场景定义能力：强调人工智能需有场景驱动，从商业变现角度应基于真实需求构建能力，定义能力优先级，避免纯理论或纯技术定义。
• 提炼架构与标准：期望抽象出 AOS 架构、AIC 体系框架等，需要学术界从理论角度提供指导，形成体系化、规范化的标准，通过快速迭代和实验验证来完善。
• 开源与商业化
• 开源与商业化不冲突：认为开源是免费的广告，能加速发展，与商业化不冲突，可通过开源版本吸引用户，同时进行商业化运作。
• 双向推进：主张文档和实践双向推进，既有理论指导，又有实践验证，以最快速度形成影响力。
• 组织架构与工作组
• 组织框架：设想有理事会指大方向，技术委员会关注具体框架，项目孵化负责快速试错，秘书处负责日常运营管理。
• 工作组设置：计划设立五个工作组，分别对应理论体系（ASE）、系统框架（AOS）、OpenToken、应用创新等方面，各工作组相互合作协同。
• 企业应用智能体问题
• 个人助手与岗位智能体区别
• 责任主体不同：个人助手为个人负责，出了事由个人承担责任；岗位智能体是企业级的，作为数字员工引入企业系统，与原有软件系统架构需整合，存在可信挑战。
• 管理难度差异：个人助手相对管理简单，岗位智能体需要解决现实中管人、组织管理的问题如何进入软件世界，以及如何管理智能体等复杂问题。
• 智能体引入的挑战与解决思路
• 挑战：企业软件智能化涉及解构再重构，引入智能体后，软件的确定性与智能体的不确定性需要平衡，且智能体犯错可能造成无法挽回的损失，缺乏责任感和敬畏心。
• 解决思路：分阶段推进，先进行验证，目前可做到半自动化验证，逐步实现自动化验证，同时要将个人助手和岗位智能体分开，避免混淆。
• 开源与开放的重要性
• 理论与战略意义
• 国际贸易理论借鉴：以英国、德国的国际贸易理论为例，说明需要构建适合数字商品的国际贸易理论，为中国在人工智能等领域出海提供理论支持，讲好中国故事。
• 开源战略价值：认为开源的价值不亚于 WTO，中国在技术和市场上有优势，应积极走向开放，参与国际合作，制定规则和标准。
• 开放生态建设
• 开放平台设想：提出搭建基于智能体的智能学习平台，开放但不开源，集中运营，让非计算机专业人员也能参与平台建设，形成开放生态。
• 飞书开放模式借鉴：以飞书为例，说明开放系统在 AI 时代的优势，飞书通过开放接口，让其他系统易于接入，获得了很大的发展，建议借鉴其权限控制等经验。
• 调研与项目探索
• 调研问卷
• 收集需求与资源：计划制作调研问卷，在大群中收集基于 agentic AI 的需求，以及参会人员愿意共建共创联盟的责任和可贡献的资源。
• 鼓励回应：鼓励大家积极回应，无论支持还是反对，都希望有明确的态度，以便更好地推进联盟建设。
• 初始项目探索
• GEO 问题：从出海企业角度出发，提出生成式引擎优化（GEO）问题是需求较大的领域，如解决亚马逊广告费用高、排名提升困难等问题，可作为初始探索项目。
• 开源前景：认为该项目未来开源的话，会有很多企业愿意参与，可进一步探讨如何生成更好的提示词和内容，以适应海外大模型。
• 参会人员的体验与期望
• 技术变革带来的兴奋
• 能力提升感受：多位参会人员分享了使用 AI 编程的体验，认为其能力有了巨大提升，解决问题的效率和质量大幅提高，带来了 20 年一次的机遇。
• 项目实践成果：有人分享了用 AI 完成安卓应用移植到鸿蒙操作系统、编写 40 多万行 Rust 代码等项目的经验，展示了 AI 在实际项目中的应用价值。
• 开源验证与落地期望
• 开源验证思想：认为开源可以验证软件工厂思想和相关理论，通过开源项目解决卡脖子软件、工业软件等问题，放大效应最大。
• 落地推进期望：希望找到志同道合的伙伴，将社区、学校、产业界等各方力量拉在一起，快速推进项目从理念落地到有影响力的项目和方法论。
• 后续工作计划
• 黑客松活动：7 月份启动 OAIC 黑客松活动，8 月底完成内部迭代，第二阶段面向社会和商业公司开放，按照 AI native 的方式设计，吸引优秀人员参与。
• 调研问卷：制作调研问卷，在群里发布，收集大家对于基于 agentic AI 的需求以及愿意为联盟共建共创贡献的资源和责任。
• 初始项目探索：持续跟进生成式引擎优化（GEO）问题，将其作为初始探索项目，探讨如何生成更好的提示词和内容，以适应海外大模型，未来考虑开源吸引企业参与。