---
source_url: "https://www.snai.edu/mim/2026/0410/90449.shtml"
title: "深度视角 | 开源智能体火了， 但如何“管好”它呢？"
meta_description: "上海国家会计学院MiM六期学员王浩天、朱镓豪围绕开源智能体浪潮展开讨论，认为智能体如同“电子实习生”，能操作软件但尚不可靠，需人工监督。他们分析算力支出应区分训练与推理，Token可视为AI耗材，建议财务按原材料成本管控。评估科技公司护城河时，应关注工程交付能力与安全合规成本，而非仅看开源代码热度。"
publish_date: "2026-04-10"
modify_date: "2026-04-16"
author: "上海国家会计学院"
publisher: "上海国家会计学院"
category: "新闻中心"
language: "zh-CN"
priority: 0.5
---

# 深度视角 | 开源智能体火了， 但如何“管好”它呢？
> 上海国家会计学院MiM六期学员王浩天、朱镓豪围绕开源智能体浪潮展开讨论，认为智能体如同“电子实习生”，能操作软件但尚不可靠，需人工监督。他们分析算力支出应区分训练与推理，Token可视为AI耗材，建议财务按原材料成本管控。评估科技公司护城河时，应关注工程交付能力与安全合规成本，而非仅看开源代码热度。

## 一、详细说明 
**本期采访学员：**： 

**王浩天：**： MiM六期学员、上海格兰菲智能科技股份有限公司测试工程师

**朱镓豪：**： MiM六期学员、达煌信息科技（上海）有限公司高级经理

**Q：**： 两位好！2024年的《统计学与会计分析》课程中，陈教授就已经在课上引导我们设计开发适合自己日常工作的智能体。今年“小龙虾”出现后，几乎人人都在讨论智能体，请两位简单描述一下当前的AI智能体浪潮。

**王浩天：**： 我觉得这就像是给AI从“顾问”升了职，变成了“员工”。以前的AI是你问它答，像个嘴炮专家；现在的OpenClaw这种“小龙虾”，是真的能点开你的Excel、发邮件、甚至帮你跑代码。我们平时写自动化程序还是很花时间的，现在看着这些Agent自己操作GUI，感觉就像养了一只24小时不眠的“电子实习生”，但是还是要经常看着它，因为现在的智能体还是会经常把活干砸的。

**朱镓豪：**： 我太认同浩天说的“电子实习生”了。我们做OA系统的感受特别深，以前做个自动审批、数据同步要写一堆接口、配一堆权限，现在智能体直接模拟人点页面、填表单、跑流程。AI从“只会叭叭建议”，变成了真能上手干活。但这实习生有点不靠谱，理解容易跑偏，还经常漏步骤、点错按钮，必须有人盯着，不然分分钟给你干出乱子来。

**核心内容一**： 

**帮财务同学看懂“技术信号”**： 

**Q：**： 黄仁勋最近在GTC上提到，未来的数据中心不再是存储文件的仓库，而是生产Token的“工厂”。站在财务的视角，如果一个公司大量采购GPU，这算是一种“资本支出”还是一种“原材料采购”？

**王浩天：**： 这得看大家更关注哪张报表。我们公司就是做GPU的，天天跟GPU打交道，现在的趋势是：训练用的算力更像原材料——你把它“烧”掉，产出一个模型，这模型才是资产；推理用的算力更像固定资产——长期持有持续产出。但黄仁勋说的“Token工厂”其实要表达的是：未来这更像是电力采购，变成一种运营支出，按Token计费，用多少付多少。我觉得会计科目应该与时俱进，加快对算力相关支出的明确科目规定。

**Q：**： 镓豪，从计算机体系结构的角度，你怎么看？

**朱镓豪：**： 从底层架构看，浩天说得特别到位。训练模型是一次性消耗大量算力，更像原材料；推理是长期稳定服务，更像固定资产。黄仁勋说的Token工厂，本质就是算力服务化。以后企业不用囤一堆GPU，更多是按Token按量付费，财务上就从大额资本支出，慢慢变成日常运营费用。传统会计科目确实该更新了，不然都不好归类。

**Q：**： 最近OpenClaw这类开源智能体特别火，理论上谁都可以免费下载使用。这对财务同学评估一家科技公司的“护城河”会有什么影响？

**朱镓豪：**： 开源确实把入门门槛拉低了，谁都能下载代码搭个智能体，看上去大家都在同一起跑线。但真正落地到企业里，尤其是OA、财务这种系统，要做权限控制、操作留痕、安全隔离，麻烦得很。

**王浩天：**： 镓豪说得对，开源确实把“造轮子”的门槛拆了。但我得泼点冷水：代码开源不等于产品可用。OpenClaw在GitHub上28万星，但如果真部署到生产环境，安全配置、权限管理、异常处理，这些工程化的坑能把人埋了。护城河已经从“有没有代码”变成了“能不能稳定运行”——就像大家都能下载Linux源码，但RedHat照样能卖企业版赚钱。财务同学评估时，别只看GitHub星星，要看这家公司的工程交付能力和安全合规成本。

**Q：**： 黄仁勋提到“Token”正在成为新的商品，如何给财务同学解释“Token”的概念？

**王浩天：**： 你可以把Token理解成AI的“集装箱”。我们财务同学可能知道“字”或者“字节”，但AI处理的不是原始文字，而是压缩后的语义的集合。比如“应收账款”四个字，可能就是一个Token，也可能被拆成两半，这个要看不同模型的分词策略而定。Token为什么重要？因为现在AI计费是按Token的使用数量算的，不是按内容复杂度。而且中文信息密度高，有时候一个Token能装好多意思，有时候又装不下——这就导致同样的预算，问“今年营收多少“和“详细分析今年营收构成”用的Token是完全不一样，因此非常容易产生浪费Token的现象。建议财务做预算时，可以把Token当原材料成本来管控。

**朱镓豪：**： Token就相当于AI的“口粮单位”，不是按字算，是模型切出来的信息片段。AI读一段话、回一句话都在消耗Token，服务商就按这个量收费。问题越详细越费钱。对财务来说，Token就是AI时代的耗材，做预算时把它当成原材料管控，成本就不容易失控。

**核心内容二**： 

**技术视角下的商业洞察**： 

**Q：**： 接下来我们从商业的角度来谈谈。传统上，财务同学熟悉的是人力成本、原材料成本、营销费用。在AI智能体的世界里，一个产品最大的成本项会变成什么？

**朱镓豪：**： 明面上最大头肯定是算力成本，GPU和云服务跑起来特别烧钱。再就是数据和对接成本，尤其是把智能体接到OA、ERP这些系统里，调试兼容非常费人力。

**王浩天：**： 镓豪提到的确实是显性成本，但在我的工作当中，我最怕的是AI幻觉导致的返工成本。比方说你让AI生成一份财务报告，它可能90%都对，但剩下10%自己编数字——这在财务领域是灾难。为了控制这个风险，你需要大量的人工审核、A/B测试、边界案例覆盖，这些隐性成本往往比GPU费用还高，为了确保它是正确的，往往需要花费好几天来反复验证和调试。说白了，现在AI产品最大的成本不是“让它跑起来”，而是“确保它不乱来”。

**Q：**： 假设你们是一家软件公司的CTO，现在需要说服CFO批一笔预算，购买AI算力来开发智能体产品。你们会怎样说服财务同事呢？

**朱镓豪：**： 我会拿OA和财务场景说事。上AI智能体，能自动对账、自动汇总报表、自动跑审批流程，大量重复人力能省下来。短期看是算力投入，长期是实实在在降本增效。而且现在同行都在加速AI化，我们不投入，效率和体验都会被甩开，这笔预算是保住竞争力的必要投入。

**王浩天：**： 没错，从CTO角度确实要讲战略，但如果我是CTO，我会跟CFO算一笔风险账：不买这批算力，竞争对手用了AI把报表生成时间从3天压到3小时，我们还在用手工Excel对账——这就不是成本问题，是生存问题了。另外，我会用测试领域的“缺陷成本曲线”：早期投入算力做AI，就像早期做自动化或者RPA，预付成本高，但越到后期越省钱。如果等到被迫转型时再投入，那时候的技术债务和迁移成本，可能是现在预算的十倍。说白了，这钱不是消费，是买保险。

**Q：**： 财务的同学擅长给有形资产估值。但数据作为AI时代的核心资产，在你们看来，应该怎么评估一家公司的数据值多少钱？

**王浩天：**： 数据不是黄金，是原油——虽然值钱，但必须提炼。未经清洗的原始数据就像页岩油，开采成本极高。在我们日常工作中有很多“脏数据”把模型带偏的案例。评估时看三个维度：质量（标注准确率、完整性）、独特性（是不是全网独有）、新鲜度（实时性）。最重要的是可访问性——很多公司数据分散在不同的Excel里，格式乱七八糟，这种数据价值要打骨折。真正值钱的是“结构化、已验证、具有承接关系”的数据，这种数据才能称为资产。

**朱镓豪：**： 浩天把数据比作原油特别形象。我们做OA天天跟各类业务数据打交道，很多公司数据又乱又散，格式不统一、关联不上，再多也是废数据。真正值钱的数据，一定是干净规范、业务连贯、能直接喂给AI用的。能支撑智能体自动跑流程、减少人工干预的数据，才叫真正的核心资产。

**核心内容三**： 

**行业应用与未来预判**： 

**Q：**： 聊完商业，我们看看行业应用。结合技术洞察，你们认为金融财务领域会是最先被AI智能体大规模改造的行业之一吗？

**王浩天：**： 我觉得是“最先被试探，但最难被颠覆”的领域。优势很明显：金融数据结构化程度高，规则明确，特别适合AI发挥。但问题是，财务讲究可追溯、可审计、可解释，而现在的AI还是个“黑箱”。就像我们刚才说的幻觉问题，AI算错一笔账，责任算谁的？监管允许吗？所以我觉得金融AI会先从辅助决策开始，比如异常检测、报告生成，而不是直接自主决策。

**朱镓豪：**： 我完全同意，财务绝对是优先改造的领域。数据规整、流程固定，凭证、发票、对账、做表都特别适合AI。但因为跟钱和合规强相关，完全颠覆不现实。AI只能先做辅助，把体力活包了，关键审核、责任承担还是得人来。就是“AI干活、人把关”的模式。

**Q：**： 财务工作讲究严谨、合规、可追溯。但现在的AI模型很多时候像个“黑箱”。从技术角度看，这个问题未来能解决吗？财务工作者可以完全信任AI的决策吗？

**王浩天：**： 技术上部分可解，但完全透明不现实。现在已经有可解释AI技术，能告诉你“为什么给这个客户打低分”，但不会像传统代码那样逐行解释。我的建议是财务同学换个思路：别把AI当员工，当成一个能力很强但偶尔犯错的外包。你不需要知道它每一根神经怎么想，只需要设置好边界（比如最大亏损限额、人工复核触发条件），做好输入输出验证。就像我们做GPU，不关心晶体管怎么跳，只关心给定输入能不能得到预期输出。先从小额、高频、低风险场景开始使用。

**朱镓豪：**： 浩天这个外包比喻很贴切。完全透明很难，但可控、可追溯是能做到的。以后会有更完善的操作日志、审批留痕、可解释AI，满足审计合规没问题。但想让AI像代码一样100%不出错，短期不现实。财务同学可以放心用AI做执行，但核心决策和风险底线，一定要握在自己手里。

**Q：**： 关于就业问题，黄仁勋说“未来的编程语言就是人类语言”。这对财务工作者来说可能是个好消息——以后不需要写代码也能调动AI。但财务背景的同学若想在AI时代保持竞争力，最应该补充什么能力？

**王浩天：**： 我觉得别急着学Python，最需要的是“与AI协作的财务思维”。具体来说三件事：第一，学会怎么把需求说明白，这比写代码重要；第二，数据溯源能力——知道AI给的数据从哪来，靠不靠谱；第三，人机分工判断力——哪些决策必须人做（比如战略判断），哪些可以外包给AI（比如数据录入）。未来的财务高手不是会背Excel公式的人，而是最会使用AI的人。

**朱镓豪：**： 我也觉得不用硬卷Python。未来编程语言就是自然语言，会不会代码没那么重要。更关键的是会提清晰需求、会校验AI结果、懂合规边界，知道什么能交给AI、什么必须自己拍板。未来的核心竞争力，就是用好AI、管好AI、对结果负责的能力。

**给财务同学的“技术箴言”**： 

**Q：**： 请送财务背景的同学一句话，帮助他们在AI智能体的时代更好地理解技术、作出判断。

**朱镓豪：**： 可以大胆用AI，但永远别把合规和底线交给AI。

**王浩天：**： 镓豪说得很好，我补充一个我的版本：“别把AI当魔术，也别当威胁，就当是个特别聪明但有时候也会犯错的下属。你要做的不是取代他，而是学会给他派活、验收他的工作，还有，永远准备好PlanB”。

//////////////////////////////////

**总结：**： 谢谢两位的精彩对话！从GPU是资本支出还是原材料，到数据如何估值，再到财务同学的竞争力来源——相信财务背景的同学对AI智能体浪潮有了更立体的理解。谢谢大家！

## 二、引用与来源
- 原文来源：<>
- 机构：上海国家会计学院
- 版权声明：上海国家会计学院版权所有