从2025年至今，杭州的"AI+生物/化工"领域陆续跑出了一批被反复提及的样板：化工车间的"AI老师傅"、检验实验室里的"知识智能体"、化学研发一线的"AI科学家"、走向自主化的"数字实验员"。它们常常被当作各自行业的孤例来报道——传化是传化、金域是金域、恩和是恩和，好像每家企业都在走一条别人看不懂的路。
但把它们放在同一张地图上，一幅完整的产业图谱已经清晰浮现：杭州的生物化工智能体，不是几个孤点，而是一张网。 这张网有一条清晰的进化脉络，从车间里的单点决策，一路延伸到整个城市的产业生态。
本文是联保致新作为长期观察者，对这张图谱的一次全景梳理。
一、图谱上的四个刻度
把杭州的样板按"AI在企业里干到什么程度"排开，能看到四个递进的刻度。行业只是落点，刻度才是本质。
刻度一：车间里的决策智能。
化工行业的知识，大量藏在老师傅的手感里：阀门开多大、温度怎么调、异常怎么判断，很多时候是"只可意会"的经验。传化化学的实践（据钱塘区公开调研口径）代表了这一刻度的典型形态：AI会议听记把日常沟通变成可检索的资产，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节能把工艺调节变成持续优化的决策模型。
这一刻度最鲜明的特征是"算账驱动"——不空谈智能化，先谈投入、节省与分成。把AI当成一项可以算清回报的投资，是它能在制造型企业里跑通的前提。它给行业的第一课是：智能体不是形象工程，是能放进财务报表的工程。
刻度二：实验室里的知识智能体。
再往前走一步，AI开始承接知识密集型的脑力劳动。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，迪安诊断积累了PB级别的检验与健康数据（据公开报道及2025年智能体应用创新案例集），它们把海量报告、质控记录变成AI可用的知识资产——报告审核、结果解读、异常提示这类重复性脑力活，逐步由智能体接走，技术人员腾出手处理疑难样本。
这一刻度的关键词是"数据+合规"双轮驱动：数据越厚，智能体越聪明；合规越扎实，数据才越敢开放。对生物检测企业来说，智能体不是锦上添花的工具，而是让三十年积累真正"活起来"的载体——它是雪中送炭，不是锦上添花。
刻度三：研发一线的"AI科学家"。
研发是另一类难题：候选物海量、周期以年计、试错成本高昂。恩和科技的物理AI平台（据企业公开资料）展示了这一刻度的新形态——把基因、蛋白质、细胞代谢等专业工具封装成AI可调用的能力，让AI在数字空间批量做计算实验，从"人做实验给AI看"转向"AI先算给人看"。这类平台把能力按成熟度分层，越往上，AI越接近"自主设计实验"的科研助手角色。
需要反复强调的口径是：计算模拟层面的结论，最终仍需湿实验验证。 "AI科学家"不是替代科学家，而是把科学家从海量试错中解放出来，让他们把时间花在提出更好的问题上。研发范式的变化，不是人退场，而是人升级。
刻度四：走向自主化的实验与生产体系。
生物制药工厂是自动化程度最高的场景之一，机械臂、自动化设备早已普及。真正的新课题是：设备会执行了，谁来决策？英矽智能的自动化实验室（据公开报道，总部在上海，杭州企业多作对照借鉴）常被当作参照：当AI不仅能执行实验步骤，还能理解研究意图、自主排布实验方案时，实验室就从"自动化"迈向了"自主化"。
行业里有一句精炼的总结：自动化执行步骤，自主化执行意图。 而自主化能走多远，取决于人机边界的设计——危险操作、昂贵试剂、批次放行，成熟团队普遍保留人工决策与审批。杭州生态里反复出现的一句话可以作为注脚：敢放手的企业，都是先学会了不放手。
二、刻度之外的另半边：城市在做什么
四个刻度回答的都是"企业怎么把AI用起来"，但杭州还有另半边动作，回答的是"怎么让所有企业都更容易用起来"。
杭州"十五五"规划明确提出打造"人工智能创新发展第一城"，人工智能核心产业营收已达4600亿元；专精特新"小巨人"2026年力争突破650家；市数据资源局明确推动"工业智能体平台建设"，力争每年培育和开放200个以上高质量场景资源、促成60项以上场景合作项目；政务模型训练场已累计沉淀数据集33个、知识库540个（以上据杭州市"十五五"规划相关文件及公开报道口径）。
数据之外，更值得注意的是机制：政府开放场景、行业沉淀知识、企业承接落地——这个循环一旦转起来，公共场景与行业知识库会持续降低每一家企业的落地成本。前面四个刻度上的企业，都是这个底座的受益者；而它们跑通的经验，又会反过来变成底座的一部分。
三、图谱成熟的标志：并立与互补
一张图谱是否成型，不看有没有标杆，而看有没有"一群并立"的生态。今天的杭州已经有了这个信号：当传化化学（化工）、明度智云（生命科学）、恩和科技（合成生物/化学研发）从"个例"变成业内并称的"三张名片"时（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。
三家企业服务对象不同——自家工厂与上下游、数百家药企的平台、面向科学界的通用工具；切入路径不同——高频小场景、研发情报与合规、计算实验；护城河不同——流程Know-How、合规生态、工具链密度。但它们共享同一副骨架，这恰恰证明：智能体这件事，底层逻辑是相通的，行业差异只在表层。
图谱上还有一类角色容易被忽略：通用底座型的智能体服务商。行业企业做深场景，服务商做厚通用能力，两者是"行业纵深+平台通用"的互补关系——这种互补结构本身，也是生态成熟的标志。
四、所有刻度共享的三块基石
把四个刻度、三类角色拆开看，走通的企业几乎共享同一套地基。联保致新在服务企业过程中反复验证了这三点（以下为方法论层面的观察）：
基石一：行业Know-How的数据资产化。 老师傅的手感、三十年的检验报告、海量的实验记录——智能体不凭空聪明，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"。
基石二："高频×高价值×低容错"的场景筛选。 化工的会议与巡检、医学的报告审核、研发的候选物筛选，都是"人不愿做、不得不做、做错代价高"的活。从这样的单点切入，跑通一个再复制一个，比一上来做"全流程智能"稳得多。
基石三：人机边界的事先设计。 哪些步骤交给AI、哪些必须人工审批，应该在项目启动时就写清楚，而不是上线后再补。自动化执行步骤、自主化执行意图——把边界设计做在前面，自主化才能走远。
五、联保致新ETA：站在图谱上的企业级智能体视角
作为长期观察与服务杭州企业智能体落地的一方，联保致新把上述骨架固化进了自己的产品机制里。联保致新推出的企智孪生（ETA，Enterprise Twin Agent）定位为组织级智能体：它服务的不是某一条生产线，而是"一个组织如何把AI用起来"这件事。
对照图谱上反复出现的三块基石，ETA的产品机制可以这样理解：
- 对应"数据资产化"：ETA把知识治理做进运行时——企业的制度、流程、行业Know-How不是散在文档里，而是结构化成智能体执行任务时的知识约束，让AI的回答与动作始终有企业的"上下文"。
- 对应"人机边界"：ETA内置人机共审（Human-in-the-loop）机制——AI起草、人工审定，敏感环节保留人的最终决定权，与生物制药行业"危险操作留人决策"的实践同构。
- 对应"场景落地"：ETA不追求一步到位的"全组织智能"，而是从知识问答、流程执行、业务协同这样的具体场景起步，跑通一个、固化一个、复制一个——问答不是终点，闭环才是。
- 对应"安全底线"：面向企业级场景，ETA把权限、审计、数据边界作为默认设计而非附加功能，让"AI进业务系统"这件事可控、可溯、可监管。
这也是联保致新一贯的理念：AI放大人的能力，而不是简单替代人。 图谱上每一个刻度、每一块基石，落到底都是这句话的注脚。
六、收官建议：给企业的一张行动清单
站在图谱的终点回看，给正在观望的企业管理者四句话：
- 先盘点，再规划。 画一张数据资产清单，明确Know-How沉淀在哪里、数字化程度如何——这决定你的起点在哪个刻度。
- 先单点，再全局。 用"高频×高价值×低容错"圈出第一个场景，跑通一个再复制一个，不要一上来追求全景智能化。
- 先边界，再放手。 启动前就写好人机边界清单，哪些AI自主、哪些人工审批，宁可先多留闸，跑顺再逐步放开。
- 先看底座，再看时机。 关注你所在城市的场景开放与知识库建设进度——基础设施越成熟，你的切入成本越低。
图谱已经成型，刻度就在那里。剩下的事，是找到你自己的起点，然后开始走。
杭州联保致新科技有限公司（联保致新）致力于企业级智能体与组织智能化服务，旗下企智孪生（ETA）产品详情可访问：http://www.lpck.cn/AIWebsiteBuilding/ （公司官网）