AI电话机器人突围战：从“段子手”到“办事员”有多远？

2025年，全球企业在生成式AI上的支出达到370亿美元，其中190亿美元流向应用软件层。资金流向变化折射出一个现实：大模型能力越来越强，企业级AI应用却并没有变得简单。

以智能电话场景为例，现在做传统知识问答并不难，上传资料、接入模型，很快就能拿出Demo。但要真正进入业务环境，企业不仅要面临模型推理技术门槛，还要应对实时语音识别与合成、Agent业务执行等难题，以及对算力性能和系统稳定性、安全性提出的多重挑战。

显然，这不是一个单点技术能力的问题，而是一项覆盖软硬件全栈和应用实战的系统性考验。

近日，面向企业级AI电话机器人应用壁垒，海光信息、飞虎互动、网易有道三大厂商推出Flybot大模型电话机器人一体机联合解决方案，意在打通“算力—模型—Agent—场景”全链条，推动AI电话交互从简单问答走向完整业务闭环，加速大模型进入企业真实生产环境。

在业务性电话机器人场景中，智能客服的应用十分广泛。此前业内相关调查显示，85%的客服负责人计划在2025年探索或试用面向客户的生成式AI。毋庸置疑，客服业务量大、重复工作多，投入产出也容易核算，确实适合率先落地AI。但电话交互成为第一道难关。

麦肯锡在2025年联络中心研究中指出，生成式AI在邮件、聊天等异步渠道进展较快，语音应用仍受响应延迟制约。文字回复慢几秒尚可接受，电话里沉默几秒，用户很容易直接挂断。

通话也没有标准输入。客户可能抢话、改口、带口音，周围还伴随各种噪声。系统要连续完成语音识别、意图判断、模型推理和语音合成，任何一环变慢，都会形成明显停顿。

但实时语音只是智能电话的门槛，业务办结才是最终考验。

查询账单要访问账务系统，申请报修要核验身份、判断故障并创建工单，复杂投诉还要连同通话记录转给人工。模型负责理解和生成，Agent负责判断与调度，后台系统负责执行。电话机器人必须在很短时间内完成“听懂—判断—调用—反馈”，这比单纯做问答难得多。

复杂问题对应的是系统性解决方案。据悉，Flybot通过融合本体理论和LLM-Wiki构建企业级知识萃取、表达与运用能力，将散落繁杂的原始文档转化为知识网络和内化经验，从而能够精准理解业务背景和客户意图，大幅提升问题解决率。

根据实际业务场景反馈，该方案不仅能处理咨询问答，还能独立完成信息查询核对、诊断排查、履约流转等操作，覆盖呼入与外呼两大场景，并与企业现有CRM、工单及业务系统无缝衔接，有效拓展了AI在营销触达、咨询接待、履约服务、售后支持等环节的应用深度。

对用户来说，这显然比追求模型参数更有意义。毕竟，前端部门要的是一通电话把事情办成。

在企业智能化转型中，传统AI项目经常分段采购：服务器一家、模型一家、语音一家、Agent和系统集成再找其他厂商。各家的单项测试都能达标，整套系统上线后却可能出现响应慢、接口断、责任难划分等问题。Flybot换了一种交付方式。

飞虎互动提供Agent大脑与实时Agent运行框架，实现对业务的精准理解与快速执行；网易有道提供超拟人大模型TTS等语音处理模型能力；海光信息则以CPU+DCU协同算力底座，为大模型推理、实时语音处理和业务Agent运行提供稳定高效的计算支持。

从算力到模型、语音、Agent和话务能力，提前封装进同一产品，这也让Flybot形成了软硬件一体化能力闭环。企业只需要配置自己的知识、流程和接口，完全不必从底层环境逐步搭建项目体系，即可获取本地化部署、开机即用的AI电话交互能力。

而且，这种能力闭环在业务应用实战中，可以同时承载智能呼入、智能外呼等核心场景，并且广泛适配金融、电力、电信、医疗、政务、交通等行业，为用户带来实质性效能提升。

比如面向智能呼入场景，客户直接口述业务需求，机器人即可精准识别意图直达业务节点。经相关项目验证，Flybot可实现60%-70%的人工座席替代率，一站式承接全流程客户接待，不仅极大地缓解了人工坐席压力，还大幅改善了客户排队、漫长等待的交互体验。

在智能外呼场景中，由AI Agent驱动的电话机器人单日每路足以完成800-1500通外呼，效率直接飙升到人工的5-10倍，而且还能广泛支持线索初筛、营销触达、客户回访、续缴催收、通知提醒等任务，通话过程自动完成情绪识别、意向分级。

当然，Flybot消除的不是行业定制空间，而是各个项目中的重复建设工作，进而真正把有限的实施精力留给差异化定制环节。这才是企业AI产品化的起点——用提前封装好的能力闭环，为用户带来可复制、能落地的解决方案。

“人工智能+”行动下，软硬件生态协同已成为千行百业智能化转型的核心路径。尤其在部署运行环境复杂的场景，如何让算力与模型能力、应用需求同频，是产业上下游的共同课题。

Flybot本地运行时，背后实际是两类负载。

大模型推理、ASR和TTS需要并行计算，主要由加速卡处理；话务控制、Agent编排、数据库访问和业务接口则由CPU承担。海光信息是业内少有的同时具备双芯能力的厂商，CPU+DCU在同一技术体系内足以承担多类负载，并大幅减少异构平台下的适配与运维成本。

Flybot此次采用了海光C86-4G处理器与深算三号加速卡，兼顾通用计算与智能计算需求，为大模型推理、实时语音处理和业务Agent运行提供了稳定的算力支撑。同时，双芯产品支持本地化部署，满足了金融、政务等行业对数据安全和国产化替代的刚性要求。

但是，比双芯配置更难复制的，是它们周围的生态。

政企客户机房并非空白环境，里面运行着大量操作系统、数据库、中间件和行业软件。若算力硬件层无法直接兼容客户IT环境，就必须面对大量的迁移调优工作和系统稳定性风险。

海光C86芯片兼容主流x86生态，使Flybot接入CRM、工单及原有话务系统时，无需连带重建底层架构。DCU则采用通用GPGPU路线，配套驱动、编译器、算子库和开发工具，也为模型、语音算法及Agent后续升级留出了空间。

Flybot本身就是一次检验，网易有道的语音模型、飞虎互动的实时Agent和海光双芯能够在交付前完成联调，说明国产算力的角色已经从硬件供给侧延伸到应用开发环节。这也是算力转化为生产力的必由路径，国产软硬件生态正成为企业级AI交付力的孵化器。

可以预见，大模型厂商未来还会继续刷新能力，模型之间的距离也可能越拉越近。企业AI接下来的差距，更多会出现在模型之外：谁能更快接入旧系统，谁能实现软硬件极致优化，谁能对最终业务效果负责......

归根结底，谁先把算力、模型和软件做成可靠成品，谁才有机会吃到AI应用层的最大红利。