过去两年，杭州的"AI+生物/化工"领域每隔一段时间就会冒出一条新闻：化工车间的空压机在AI调节下更省电了；医学检验的报告审核开始由智能体代劳；化学研发平台上的AI在批量跑计算实验。单看每一条，都像是某个行业的"个例"；但如果把它们放在一起看，会发现一个更值得注意的事实------这些企业行业不同、场景不同，却在回答同一串问题：行业知识沉淀在哪、AI先接哪个环节、哪些动作必须留给人。
谁把这串问题想清楚了，谁的智能体就跑得通。行业标签，反而是最不重要的变量。
一、三幕场景，同一道考题
先看三幕真实发生过的场景。
第一幕在化工车间。 传化化学的实践是一个典型样本（据钱塘区公开调研口径）：AI会议听记把每天的班前会变成可检索的记录，安全巡检的智能识别替人盯住视觉死角，空压机等设备的AI节能则把老师傅多年的工艺调节经验变成持续优化的决策模型。这家企业上AI有一个鲜明的特点------算账驱动：投多少钱、省多少钱、服务商怎么分成，账算得清楚才上马。它把AI当成一笔能放进财务报表的投资，而不是形象工程。
第二幕在医学检验实验室。 第三方医学检验是数据资产最厚的行业之一：金域医学三十年服务23000家医疗机构，把海量检验报告、质控记录沉淀成了可检索、可训练的知识资产，同时运行数十个智能体处理报告审核、结果解读这类"重复性脑力活"（据公开报道及2025年智能体应用创新案例集）。这一行的关键词是数据+合规------数据越厚，智能体越聪明；合规做得越扎实，数据才越敢开放。
第三幕在化学研发与生物制药一线。 研发是另一类难题：候选物海量、周期以年计、试错成本高昂。恩和科技把基因、蛋白、细胞代谢等专业工具封装进物理AI平台，让AI批量做计算实验，把以年计的候选物筛选周期压缩到以周计（据企业公开资料，属计算模拟层面，最终仍需湿实验验证）。再往前走一步，是自动化实验室里的新课题：机械臂早已会执行实验步骤，新一代系统开始理解实验意图、自主排布方案（据公开报道，代表性案例英矽智能总部在上海，杭州企业多作对照借鉴）。
三幕场景看似毫不相干，问的是同一道考题：我的行业Know-How在哪里？哪个环节最该先交给AI？哪些动作AI可以做、哪些必须留人？
二、拆掉行业标签，剩下三块共性基石
把这三幕的答案抽出来，做得成的企业几乎都踩在同一套地基上。这套地基由三块基石组成。
基石一：先把行业Know-How变成数据资产。 传化的节能模型，学的是老师傅的调节逻辑------手感不可复制，但手感背后的决策逻辑可以被记录、被结构化；金域医学三十年积累的检验数据，是它敢同时运行几十个智能体的底气；恩和能调用几百种专业工具，前提是把实验流程、文献、数据沉淀成机器可读的知识。智能体不是凭空聪明，它站在行业数据的肩膀上。先问"我的Know-How沉淀在哪里"，再问"AI能干什么"------顺序反了，项目必翻车。
基石二：用"高频×高价值×低容错"圈出第一个场景。 化工的会议听记与安全巡检是每天发生的高频动作；医学检验的报告审核是错不起的高价值动作；化学研发的候选物筛选是量大且费人的低容错动作。三者交集不同，筛选逻辑一致------先找那种"人不愿做、又不得不做、做错了代价高"的活，让AI先接住，跑通一个再复制一个。那些一上来就要"全流程智能"的企业，多半半年后停摆。
基石三：把"人机边界"当作设计输入，而不是事后补丁。 走得稳的企业几乎都在项目启动时就回答同一个问题：哪些步骤可以交给AI，哪些必须留人？化工的安全巡检留人复核，药企的批次放行留人签字，自动化实验室对危险操作、昂贵试剂保留人工决策权（据公开报道）。行业里有个精炼的说法值得记住：自动化执行的是步骤，自主化执行的是意图；敢放手的团队，都是先把"哪些不能放手"写清楚的。 
三、同一副骨架，三种长法
骨架相同，不代表长出来的形态相同。同样是站在三块基石上，杭州的企业长出了三种不同的形态，这也是企业对照自身时最该看清楚的地方。
第一种，长在自家车间里。 像传化这样，AI直接长进自己的工厂与上下游，解决的是"我这家企业"的问题。好处是数据不出门、Know-How沉淀在自己手里；代价是前期投入与数字化底子都得自己扛。
第二种，长成平台卖给别人。 像明度智云这样，把智能体能力做成产品，服务数百家药企（据公开报道）------自己不做药，但让做药的企业更容易用上AI。它赌的是"行业里不止一家有需求"。
第三种，长成工具开放给科学界。 像恩和科技这样，把计算实验能力做成通用科研工具（据企业公开资料），面向更广泛的研究者。它解决的不是某家企业的效率，而是整个行业的上限。
没有哪种形态绝对正确，只有与自身数据基础、组织规模是否匹配的区别。同一个杭州，既有人把AI当"车间技工"用，也有人把AI当"行业水电"卖------这恰恰说明这套骨架有弹性。
四、从企业里的智能体，到城市里的智能体
如果只盯着单个企业，会漏掉更重要的一层变化：杭州正在把这些"企业里的智能体"托举成"城市里的智能体"。
单个智能体解决的是"AI能替我干什么"；当案例多到一定程度，城市开始回答"怎么让所有企业都更容易用上AI"。杭州"十五五"规划提出打造人工智能创新发展高地，人工智能核心产业营收达4600亿元；市数据资源局明确推动"工业智能体平台建设"，每年培育和开放200个以上高质量场景资源（以上据杭州市"十五五"规划相关文件及公开报道口径）。场景开放、知识库沉淀这类公共底座，最终会摊薄每一家企业的落地成本------先行者把路蹚平，后来者的门槛就更低。
另一个标志是生态开始自我复制：当传化、明度智云、恩和科技从"个例"变成业内并称的"名片"（据公开报道及企业公开资料），说明这套打法已经被验证到可以跨行业复制。杭州生态的繁荣也吸引了企业级智能体服务商在本地扎根，比如杭州本地的联保致新，其推出的企智孪生（ETA）就把"AI进车间、进实验室、进业务系统"作为产品方向（据企业公开资料）------行业企业做深场景、服务商做厚通用底座，这类"行业纵深+平台通用"的互补，正是生态成熟的标志。
五、给企业的一张清单
看完杭州这批样本，最想提醒企业管理者的一句话是：别急着挑产品，先把上面那串问题想清楚。 可以按四步走：
- 盘点数据资产。 你的行业Know-How沉淀在哪里？是老师傅的经验、三十年的报告，还是实验记录？哪些已经数字化、哪些还没有？先回答"我有什么"，再回答"AI能干什么"。
- 圈出第一个场景。 用"高频×高价值×低容错"三个维度给业务流程打分，找出那个"人不愿做、又不得不做、做错代价高"的环节，从单点切入，不要一上来做"全流程智能"。
- 写清人机边界。 明确哪些动作AI可自主完成、哪些必须人工审批，形成一张边界清单------宁可开始时多留几道闸，跑顺了再逐步放开。
- 选择长法。 是像传化那样深度自建，像明度那样借助平台，还是像恩和那样采购工具服务------取决于企业规模与数据基础。
行业会变，场景会换，三块基石不会变。智能体这笔账，最终算的不是技术新旧，而是这四步有没有走扎实。
加粗样式