未來幾年，有關(guān)智能體的討論會(huì)愈加密集，但比起這個(gè)，如何解商業(yè)化這道難題更加緊迫。

當(dāng)2024年全球科技峰會(huì)的話題從“大模型參數(shù)競賽”轉(zhuǎn)向“智能體落地場(chǎng)景”時(shí)，行業(yè)似乎完成了一次集體認(rèn)知躍遷。人們意識(shí)到，AI的價(jià)值不再是參數(shù)量的天文數(shù)字，而在于能否像水一樣滲入真實(shí)世界的縫隙。

過去兩年，隨著混合專家架構(gòu)（MoE）、神經(jīng)符號(hào)系統(tǒng)等技術(shù)范式的迭代：智能體不再依賴“暴力訓(xùn)練”，而是通過知識(shí)注入與邏輯推理的結(jié)合，逐步逼近人類專業(yè)能力。 全球科技巨頭與初創(chuàng)公司紛紛將資源投向AI Agent，人們甚至開始產(chǎn)生一種錯(cuò)覺——智能體很快會(huì)進(jìn)入成熟期。

這種感覺的背后，源于行業(yè)對(duì)“智能體”定義的微妙重構(gòu)。相比馬文·明斯基時(shí)代的“自主生命體”理想，在大模型取得突破性進(jìn)展的當(dāng)下，留給AI應(yīng)用落地窗口期愈發(fā)緊迫，對(duì)智能體的界定，雖然同樣具備能夠 “自主感知并采取相應(yīng)行動(dòng)” 的特征，但更多是把它視作AI應(yīng)用落地最重要的一種產(chǎn)品形態(tài)。

從Anthropic、Google DeepMind到OpenAI，從字節(jié)、百度等頭部大廠，到kimi、智譜等AI新勢(shì)力，各家公司都在探討如何利用這項(xiàng)技術(shù)去顛覆現(xiàn)有的行業(yè)格局，讓智能體真正成為打通AI從實(shí)驗(yàn)室到實(shí)際場(chǎng)景落地的利器。

然而看似繁榮的落地案例，大多僅是技術(shù)長跑中的零星里程碑：特斯拉Optimus機(jī)器人能分揀零件，但面對(duì)傳送帶突發(fā)卡頓仍需要人類救場(chǎng)；Anthropic的Computer Use讓用戶可以指揮Claude操作電腦，但面對(duì)復(fù)雜流程，也只有15%的操作成功率。

這些情況并非個(gè)例。當(dāng)前大多數(shù)智能體集中在高度結(jié)構(gòu)化的環(huán)境中運(yùn)行，而人類世界的復(fù)雜性遠(yuǎn)超實(shí)驗(yàn)室預(yù)設(shè)的邊界。站在2025年的節(jié)點(diǎn)，這個(gè)被賦予“顛覆生產(chǎn)力”使命的技術(shù)，仍處于爆發(fā)前夜。

篤信行業(yè)的人會(huì)認(rèn)為，當(dāng)大模型完成技術(shù)啟蒙，算力基建逐步完善，智能體正在打開一個(gè)比移動(dòng)互聯(lián)網(wǎng)更龐大的市場(chǎng)——結(jié)合麥肯錫與Gartner研究預(yù)測(cè)，到2027年，智能體將滲透至大部分的企業(yè)工作流，釋放萬億美元經(jīng)濟(jì)價(jià)值。我們看到的不是技術(shù)天花板，而是一個(gè)領(lǐng)域新的起跑線，技術(shù)、商業(yè)與社會(huì)的碰撞剛剛開始，真正的變革將在混沌中重塑規(guī)則。

01 智能體爆發(fā)前夜

在很多人的印象里，AI智能體能夠?qū)崿F(xiàn)工作流程的自動(dòng)化，其實(shí)早在多年以前，就有企業(yè)已經(jīng)開始嘗試使用基于規(guī)則的系統(tǒng)來處理簡單任務(wù)，比如一些系統(tǒng)可以根據(jù)預(yù)設(shè)的知識(shí)庫，自動(dòng)回答客戶的基本問題。

最接近智能體形態(tài)的產(chǎn)品是IBM Watson這類規(guī)則引擎驅(qū)動(dòng)的專家系統(tǒng)和Siri等單點(diǎn)交互工具，但這些依靠預(yù)設(shè)規(guī)則和簡單決策樹運(yùn)行的相對(duì)初級(jí)的程序，局限性非常明顯：當(dāng)面對(duì)復(fù)雜業(yè)務(wù)場(chǎng)景時(shí)，系統(tǒng)需要工程師編寫數(shù)以萬計(jì)的if-then規(guī)則，任何業(yè)務(wù)規(guī)則的細(xì)微調(diào)整都可能引發(fā)蝴蝶效應(yīng)，導(dǎo)致整個(gè)系統(tǒng)需要推倒重來。

真正革命性的突破發(fā)生在2015年前后。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，AI開始具備自主學(xué)習(xí)和環(huán)境適應(yīng)能力。谷歌DeepMind團(tuán)隊(duì)的AlphaGo就是典型的例子，在2016年擊敗圍棋世界冠軍，標(biāo)志著人工智能從”機(jī)械執(zhí)行者”向”策略制定者”的蛻變。

彼時(shí)的智能體，作為基于計(jì)算機(jī)程序和算法構(gòu)建的智能實(shí)體，也逐漸具備了基于數(shù)據(jù)自我迭代的能力，但由于“算法泛化能力不足”與“場(chǎng)景理解碎片化”的技術(shù)局限性，還沒有達(dá)到完全自主決策的程度。AlphaGo雖然在圍棋領(lǐng)域超越人類，卻無法將這種能力遷移至其他場(chǎng)景。這種專家系統(tǒng)式的智能，本質(zhì)上仍是戴著鐐銬跳舞。

直到大模型的出現(xiàn)。

2020年GPT-3橫空出世，智能體進(jìn)入了一個(gè)新的認(rèn)知革命，體現(xiàn)在兩個(gè)方面：AI認(rèn)知的泛化，千億參數(shù)構(gòu)建的大模型能理解跨行業(yè)的術(shù)語與業(yè)務(wù)邏輯；人機(jī)交互方式的改變，人們可以通過對(duì)話來生成結(jié)果。

2022年底，ChatGPT破圈，驗(yàn)證了大模型作為“通用認(rèn)知引擎”的可能性，次年多模態(tài)大模型爆發(fā)，被視為智能體的“成人禮”，GPT-4、Gemini等模型展現(xiàn)的跨模態(tài)能力，讓智能體初步具備人類的多感官協(xié)同。

在這樣的背景下，具備持續(xù)學(xué)習(xí)能力的AI Agent，在一定程度上有望突破工具屬性，成為具備商業(yè)思維的”數(shù)字員工”，也就是大家現(xiàn)在所理解的“企業(yè)智能助手”的雛形。

與此同時(shí)，大模型API調(diào)用成本從GPT-3的每千tokens 0.06美元，降至GPT-4 Turbo的0.01美元，意味著中小企業(yè)也能負(fù)擔(dān)智能體部署。包括麥肯錫在內(nèi)的多家研究機(jī)構(gòu)測(cè)算并得出結(jié)論，大模型推動(dòng)智能體部署成本下降60-80%。

智能低門檻、高適配、強(qiáng)進(jìn)化的應(yīng)用特征，讓不少為了擺脫商業(yè)化困境的AI玩家，將智能體當(dāng)作新的突破口。

而人們對(duì)智能體的終極期待，是構(gòu)建一套“企業(yè)認(rèn)知中樞”——它不僅是執(zhí)行命令的工具，更是沉淀知識(shí)、優(yōu)化流程、預(yù)測(cè)風(fēng)險(xiǎn)的核心引擎。這一愿景在過往受限于技術(shù)碎片化與成本壁壘，而如今，大模型的泛化能力、多模態(tài)融合與成本下降，終于讓商業(yè)社會(huì)看到了破壁的機(jī)會(huì)。

02 行業(yè)現(xiàn)狀冰火兩重天

Anthropic CEO Dario Amodei曾斷言，未來2~3年內(nèi)，AI可能在幾乎所有任務(wù)上超越人類，五年內(nèi)智能體將滲透90%的企業(yè)工作流。智能體之所以成為風(fēng)口，本質(zhì)是市場(chǎng)對(duì)“第二代數(shù)字化轉(zhuǎn)型”的豪賭，如果說2000-2020年實(shí)現(xiàn)了業(yè)務(wù)流程數(shù)字化，當(dāng)下正進(jìn)入“用智能體重構(gòu)業(yè)務(wù)本質(zhì)”的新階段。

根據(jù)CB Insights，2023 年，全球AI初創(chuàng)公司融資總額達(dá)到425億美元。而伽馬數(shù)據(jù)則顯示，過去的一年里，全球AI產(chǎn)業(yè)融資金額超4000億元，同比增長超77%，其中智能體相關(guān)的初創(chuàng)企業(yè)融資占比尤其顯著。

但資本市場(chǎng)的狂熱與產(chǎn)業(yè)實(shí)踐的謹(jǐn)慎形成微妙張力。綜合各類機(jī)構(gòu)調(diào)研，2024年全球僅小部分智能體部署項(xiàng)目實(shí)現(xiàn)盈利，多數(shù)企業(yè)仍在為“如何讓AI理解業(yè)務(wù)邏輯”焦頭爛額。這種矛盾映射出一個(gè)現(xiàn)實(shí)：智能體從技術(shù)演示到商業(yè)閉環(huán)之間仍有巨大鴻溝。

從技術(shù)布局看，頭部公司的探索方向已現(xiàn)分野。

例如OpenAI的Sam Altman押注“通用智能體”，試圖通過GPT構(gòu)建可適應(yīng)任意場(chǎng)景的認(rèn)知引擎，剛剛正式發(fā)布的“Operator”能讓智能體接管用戶電腦操作，例如自動(dòng)編寫代碼并調(diào)試運(yùn)行，但是否能避免此前Anthropic computer use所暴露的控制能力脆弱性，還需要進(jìn)一步驗(yàn)證；

而微軟CEO納德拉選擇深度嵌入路線，將Copilot植入Office、Teams等產(chǎn)品矩陣，試圖把智能體變成企業(yè)工作流的“隱形中樞”，但在供應(yīng)鏈管理等復(fù)雜場(chǎng)景中，其智能體因缺乏行業(yè)知識(shí)庫支持，也曾引發(fā)過合規(guī)危機(jī)。

具體到智能體的商業(yè)化路徑，不同類型的公司也呈現(xiàn)出不同的思路：以O(shè)penAI、谷歌和字節(jié)跳動(dòng)為首的平臺(tái)基建型玩家，和以Anthropic為代表的垂直深耕型選手。平臺(tái)型與垂直型智能體公司的分野，本質(zhì)上映射出技術(shù)普惠與深度價(jià)值的兩條進(jìn)化路徑。

OpenAI的GPTs上線三個(gè)月即吸引超300萬開發(fā)者，用戶通過自然語言指令創(chuàng)建各種智能體，這種“對(duì)話即開發(fā)”的模式將生態(tài)擴(kuò)張速度提升10倍，但繁榮背后暗藏隱憂——據(jù)SimilarWeb監(jiān)測(cè)，GPTs商店中近70%的智能體生命周期不足30天，同質(zhì)化工具泛濫導(dǎo)致用戶付費(fèi)意愿持續(xù)走低。

用生態(tài)化的平臺(tái)來聚攏開發(fā)者，這種玩法在互聯(lián)網(wǎng)早期就已顯現(xiàn)，本質(zhì)上是科技巨頭之間的軍備競賽。然而，平臺(tái)型玩家雖占據(jù)流量與開發(fā)者優(yōu)勢(shì)，卻難免廣度稀釋精度的悖論——當(dāng)微軟Copilot企業(yè)版用戶抱怨其生成的財(cái)務(wù)報(bào)告頻繁出現(xiàn)會(huì)計(jì)準(zhǔn)則誤用時(shí)，OpenAI工程師坦言“通用模型在專業(yè)場(chǎng)景的知識(shí)深度，不足人類專家的1/10”。

垂直型路徑則選擇向產(chǎn)業(yè)縱深處掘金，為了和OpenAI等公司差異化競爭，Anthropic在發(fā)布Computer Use之外，Anthropic 把目光鎖定在金融、醫(yī)療等對(duì)合規(guī)審查、風(fēng)險(xiǎn)評(píng)估的要求極高的領(lǐng)域，以滿足這些剛需場(chǎng)景為切入點(diǎn)，提供“憲法AI”約束，用Claude API滿足客戶的私有化部署。

不同于OpenAI的“通用模型+生態(tài)擴(kuò)張”，Anthropic采用“可控性+行業(yè)適配”方案，這么做的原因并非通過平臺(tái)的形式來賣鏟子，而是在自身技術(shù)優(yōu)勢(shì)的基礎(chǔ)上，滿足行業(yè)在AI時(shí)代對(duì)安全、精準(zhǔn)、定制化服務(wù)日益增長的需求。

聚焦細(xì)分領(lǐng)域且能快速落地的方案，對(duì)于科創(chuàng)型公司來說更具實(shí)踐意義，國外AI科技公司LangChain調(diào)查了從工程師、產(chǎn)品經(jīng)理到商業(yè)領(lǐng)袖和高管共計(jì)1300多企業(yè)人士，調(diào)研的企業(yè)里，超過一半用Agent來進(jìn)行研究和總結(jié)的工作，其他依次為個(gè)人生產(chǎn)力工具、客戶服務(wù)、代碼生成等方面。

在過去的兩年里，各類AI智能體產(chǎn)品，在全球各行各業(yè)釋放出極大的潛力。主打金融、法律文檔智能分析的Hebbia.ai、為企業(yè)客戶定制AI客服的Sierra，以及職業(yè)教育領(lǐng)域的Sana Labs等，都有不錯(cuò)的增長。

資本的瘋狂涌入，推動(dòng)這些新玩家們的融資規(guī)模與估值雙雙飆升。但與此同時(shí)，市場(chǎng)卷起的巨大泡沫，一些智能體初創(chuàng)公司的PS Ratio（市銷率）甚至超過50倍，遠(yuǎn)超此前SaaS行業(yè)平均水平。拿Sierra來說，這家成立不到兩年的公司，估值已經(jīng)達(dá)到45億美金，成為智能體初創(chuàng)企業(yè)中最火熱的投資標(biāo)的之一。

垂直化也意味著規(guī)模天花板，Gartner數(shù)據(jù)顯示，專注金融合規(guī)的智能體公司年均營收增速僅為平臺(tái)型企業(yè)的1/3，且客戶獲取成本持續(xù)攀升，部分賽道已出現(xiàn)用80%資源爭奪20%頭部客戶的殘酷內(nèi)卷。

從平臺(tái)型到垂直型，兩種路徑的角力實(shí)則指向產(chǎn)業(yè)根本矛盾：通用智能體的開放生態(tài)能快速鋪量卻難挖深井，垂直解決方案雖能創(chuàng)造高毛利但復(fù)制成本陡增。

于是在這種情況下，一些公司已悄然調(diào)整戰(zhàn)略，Anthropic 在Claude API中開放“憲法規(guī)則自定義”接口，允許企業(yè)將內(nèi)部合規(guī)條款植入模型，這種“可拆卸的垂直化”或許預(yù)示著未來智能體市場(chǎng)的終局形態(tài)：平臺(tái)提供基礎(chǔ)認(rèn)知引擎，垂直模塊則像App Store中的專業(yè)應(yīng)用般自由組合，最終在開放與封閉、普惠與深度的平衡中重塑商業(yè)。

但這些，還僅僅是一種預(yù)測(cè)。

03 智能體還在起跑線

回到智能體本身，行業(yè)領(lǐng)袖的反應(yīng)更為冷靜。Meta的扎克伯格坦言：“我們高估了短期進(jìn)展，低估了長期挑戰(zhàn)——讓智能體真正理解人類意圖，可能還需要十年?！庇ミ_(dá)黃仁勛則預(yù)測(cè)，”只有當(dāng)智能體開始改造企業(yè)利潤表時(shí)，真正的革命才剛開始。”

兩者觀點(diǎn)看似矛盾，前者警示短期高估，后者強(qiáng)調(diào)長期革命性，但這些判斷的背后，其實(shí)都是對(duì)當(dāng)下智能體技術(shù)瓶頸和商業(yè)化局限下的認(rèn)知。

當(dāng)前智能體的自然語言交互能力雖已突破語法層面，但在深層語義理解上仍存缺陷，在動(dòng)態(tài)環(huán)境和跨系統(tǒng)的協(xié)作協(xié)作，智能體仍存在各式各樣的可靠性不足。在商業(yè)化層面，不少公司面臨成本和收益失衡，波士頓咨詢調(diào)研顯示，企業(yè)智能體項(xiàng)目中不到20%達(dá)到預(yù)期ROI，多數(shù)企業(yè)仍在“試水”階段。

如果將視線放到國內(nèi)，情況將會(huì)更加復(fù)雜。

事實(shí)上，國內(nèi)和國外的智能體發(fā)展，一開始差異并不明顯，但現(xiàn)在差別越來越大。具體表現(xiàn)為，國外在智能體領(lǐng)域的融資規(guī)模不斷攀升，產(chǎn)品力不斷增強(qiáng)，部分超級(jí)公司正在崛起；而國內(nèi)目前大多還停留在概念階段，這種情況和當(dāng)年SaaS行業(yè)很相似。

從中國信通院發(fā)布的《2024年人工智能發(fā)展報(bào)告》來看，在金融、醫(yī)療、制造等領(lǐng)域的智能體公司數(shù)量龐大，但受限于高部署成本和商業(yè)化落地難度，企業(yè)級(jí)市場(chǎng)的盈利項(xiàng)目占比屈指可數(shù)。

這一差距背后，是技術(shù)路徑、產(chǎn)業(yè)生態(tài)和商業(yè)邏輯的多重差異。

目前國外大部分智能體產(chǎn)品的交付，仍沿用軟件定制開發(fā)或按時(shí)訂閱的商業(yè)路徑，主要得益于其SaaS化基因，有成熟的軟件生態(tài)基礎(chǔ)，另一方面，智能體對(duì)傳統(tǒng)線下生產(chǎn)和運(yùn)營流程的替代更加精細(xì)，可替代的人力環(huán)節(jié)更多，智能體能解決更多實(shí)際問題，因此擁有廣闊的發(fā)展空間。

商業(yè)發(fā)展的本質(zhì)，是要縮短傳統(tǒng)流程，并盡可能降低成本，當(dāng)成本比原來降低更多時(shí)，新的模式就會(huì)取代舊模式。但相比之下，國產(chǎn)AI的發(fā)展并非是因?yàn)檐浖鷳B(tài)成熟，有了AI后如虎添翼；恰恰相反，國內(nèi)軟件生態(tài)原本就不夠完善：既缺乏類似Hugging Face的模型庫、Databricks的數(shù)據(jù)處理平臺(tái)，行業(yè)內(nèi)的API標(biāo)準(zhǔn)化也表現(xiàn)不足，增加了企業(yè)的集成成本。

這種情況導(dǎo)致在AI領(lǐng)域，國內(nèi)還需要去彌補(bǔ)軟件生態(tài)方面缺失的功課。更棘手的是，企業(yè)客戶習(xí)慣為“功能模塊”付費(fèi)，但拒絕為“決策能力”溢價(jià)。一些頭部廠商的智能體一旦報(bào)價(jià)超過客戶預(yù)期的范圍，客戶流失率甚至能達(dá)90%。

所以在2025年的節(jié)點(diǎn)，清醒認(rèn)識(shí)到，伴隨AI從玩具編程工具，但如果要把智能體從生產(chǎn)力工具變成真正的生產(chǎn)力，這場(chǎng)變革還未抵達(dá)交卷的程度，它不會(huì)遵循摩爾定律的節(jié)奏躍進(jìn)，而是要在試錯(cuò)與迭代中蹣跚前行。