導(dǎo)語

經(jīng)濟(jì)學(xué)家保羅·克魯格曼曾說“經(jīng)濟(jì)蕭條、通貨膨脹、戰(zhàn)爭都會讓一個國家貧困，唯有生產(chǎn)率的提高可以讓它富裕起來?！碧岣呷祟惖纳a(chǎn)率，是技術(shù)發(fā)展不懈的追求，尤其是提高生產(chǎn)率的技術(shù)，無論是機(jī)械還是自動化，或多或少都涉及對勞動力的節(jié)約和替代。

隨著LLM能力的進(jìn)化與行業(yè)標(biāo)準(zhǔn)化體系的建立，2025年已然成為AI Agent從概念驗證到規(guī)模落地的關(guān)鍵轉(zhuǎn)折點，也是AI Agent規(guī)?；涞氐年P(guān)鍵一年，AI Agent正在改變企業(yè)的生產(chǎn)方式和交互模式，它不僅是技術(shù)的突破，更是企業(yè)戰(zhàn)略升級的關(guān)鍵。企業(yè)應(yīng)優(yōu)先在高頻、規(guī)則明確、數(shù)據(jù)豐富的場景試點AI Agent，逐步積累經(jīng)驗，最終實現(xiàn)全鏈條智能化升級。

一、大模型的知識處理能力

01新技術(shù)的使能效應(yīng)

大模型是AI歷史的突變和涌現(xiàn),從1956年達(dá)特茅斯學(xué)院的人工智能會議算起，人工智能歷史已接近70年。在機(jī)器學(xué)習(xí)中，模型作為核心概念，本質(zhì)是對函數(shù)映射的描述何抽象，通過對模型進(jìn)行訓(xùn)練何優(yōu)化，可以得到更加準(zhǔn)確和有效的函數(shù)映射。建立模型的目的，是從數(shù)據(jù)中找到一些規(guī)律和模式，用這些規(guī)律和模式，預(yù)測未來的結(jié)果。模型的復(fù)雜度越高，模型越容易過擬合。模型參數(shù)越多，意味著該模型可以處理更復(fù)雜、更豐富的信息，具有更高的準(zhǔn)確性和表現(xiàn)力。因此，超大模型的訓(xùn)練和調(diào)整需要極其巨大的計算資源和數(shù)據(jù)量級、更加復(fù)雜的算法和技術(shù)、大規(guī)模的投入和協(xié)作。

在中國，AI大模型的主要代表是阿里通義千問、百度文心一言、華為盤古、字節(jié)豆包，這些模型的共同是：需要在大規(guī)模數(shù)據(jù)集上進(jìn)行訓(xùn)練，基于大量的計算資源進(jìn)行優(yōu)化和調(diào)優(yōu)，借助大模型，深度學(xué)習(xí)算法可以更好的處理這些任務(wù)，提高模型的準(zhǔn)確性和性能。

經(jīng)濟(jì)學(xué)家保羅·克魯格曼曾說“經(jīng)濟(jì)蕭條、通貨膨脹、戰(zhàn)爭都會讓一個國家貧困，唯有生產(chǎn)率的提高可以讓它富裕起來?！碧岣呷祟惖纳a(chǎn)率，是技術(shù)發(fā)展不懈的追求。而提高生產(chǎn)率的技術(shù)，無論是機(jī)械還是自動化，或多或少都涉及對勞動力的節(jié)約和替代。

無論是在手工時代，還是工業(yè)革命時期，新的技術(shù)突破，也會帶來全新的產(chǎn)品和服務(wù)。19世紀(jì)30年代修建的蒸汽機(jī)車和鐵路；20世紀(jì)10年代的汽車和公路建設(shè)；21世紀(jì)10年代的智能手機(jī)和移動互聯(lián)網(wǎng)服務(wù)，都是巨大的新市場和蛋糕。重要的是，新的產(chǎn)品同樣會促進(jìn)其他行業(yè)產(chǎn)品的流通。新崗位的就業(yè)數(shù)量與市場規(guī)模成正比，新技術(shù)要打開新市場，才能源源不斷的增加崗位，來解決舊崗位被技術(shù)替代解決的失業(yè)問題。工業(yè)革命是在1840年后進(jìn)入的良性循環(huán)，1850年工廠發(fā)揮規(guī)模經(jīng)濟(jì)優(yōu)勢，刺激蒸汽機(jī)的應(yīng)用，催生密集型的新崗位。新技術(shù)的使能效應(yīng)過程中，呈現(xiàn)了兩個關(guān)鍵特征，分別是生產(chǎn)體系和人力教育對技術(shù)的主動適應(yīng)性。

圖1： 新技術(shù)的使能效應(yīng)圖

回顧幾次工業(yè)革命，技術(shù)對生產(chǎn)率的跨越提升，均需要生產(chǎn)流程圍繞新技術(shù)進(jìn)行重構(gòu)。

早期的印刷術(shù)改變獲取、保存、傳播知識的方式，促進(jìn)了知識的交流，百年后的大語言模型再次改變了人類的認(rèn)知過程。無論是印刷術(shù)還是互聯(lián)網(wǎng)技術(shù)，都提高了知識傳播的數(shù)量和質(zhì)量，大模型的出現(xiàn)改善了信息的互動方式，有效的在場景中運用，從記憶、理解、應(yīng)用、分析、評價、創(chuàng)造等六個層次中，大模型與大腦在知識處理中不同層次都各有優(yōu)勢，人們知識處理的范式轉(zhuǎn)換，由于坐擁全人類精選知識作為預(yù)訓(xùn)練輸入，大模型經(jīng)過RL、監(jiān)督學(xué)習(xí)、推理等多種能力后，它將更全面的參與到業(yè)務(wù)生產(chǎn)中。未來的科研和發(fā)明，都會有大模型的深度參與和助力。

大模型可以作為私人助手，幫人們高效完成工作，也可以自主平等協(xié)作，完成不同級別的業(yè)務(wù)流程。

圖2:未來無人企業(yè)開會的變化/不同級別的業(yè)務(wù)流程

02數(shù)字時代的智能基座：預(yù)訓(xùn)練模型；算法皇冠上的明珠：生成式模型

當(dāng)我們擁有了高質(zhì)量數(shù)據(jù)和算力后，算法可加深解析數(shù)據(jù)，能夠精準(zhǔn)定位關(guān)鍵信息并生成決策方案，減少算力消耗，優(yōu)化資源利用，通過遷移學(xué)習(xí)等技術(shù)，將已有知識遷移到新任務(wù)中，能減少訓(xùn)練時間和計算資源消耗，驅(qū)動算力發(fā)展效率。?三者協(xié)同作用，共同推動AI技術(shù)進(jìn)步。

預(yù)訓(xùn)練模型：預(yù)訓(xùn)練在算法大模型領(lǐng)域是革命性的技術(shù)范式，核心價值在于自監(jiān)督學(xué)習(xí)海量數(shù)據(jù)知識，可為下游提供強(qiáng)大的基礎(chǔ)能力。若將預(yù)訓(xùn)練比喻為神經(jīng)網(wǎng)絡(luò)模型的練習(xí)題，在預(yù)訓(xùn)練期間，模型會根據(jù)預(yù)測結(jié)果進(jìn)行反向傳播，調(diào)整模型參數(shù)來提高模型的準(zhǔn)確性。這個過程很像做練習(xí)題，每次的訓(xùn)練都可以讓模型更好的掌握語言知識和技能，提高下一次預(yù)測的準(zhǔn)確性。

企業(yè)在訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型中，都將對模型進(jìn)行參數(shù)優(yōu)化，讓模型在預(yù)測任務(wù)中表現(xiàn)準(zhǔn)確，這樣的反向傳播，利用誤差信號來更新模型參數(shù)，以便讓模型更好的擬合訓(xùn)練數(shù)據(jù)。同時，利用梯度下降算法更新模型參數(shù)，對參數(shù)進(jìn)行微調(diào)，減少誤差，提高模型預(yù)測準(zhǔn)確性。反向傳播與算法梯度下降的迭代，不斷調(diào)整參數(shù)，提高模型在預(yù)訓(xùn)練上的表現(xiàn)，為模型的預(yù)測任務(wù)提供準(zhǔn)確結(jié)果。對比傳統(tǒng)方式，預(yù)訓(xùn)練將重構(gòu)AI開發(fā)范式，統(tǒng)一基礎(chǔ)模型+微調(diào)、調(diào)用API、小時級部署，開發(fā)成本降低10倍以上。

整個過程是深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)模型學(xué)習(xí)和優(yōu)化的關(guān)鍵，核心機(jī)制為突破數(shù)據(jù)標(biāo)注瓶頸、實現(xiàn)通用能力遷移、構(gòu)建壓縮理解生成表征能力、涌現(xiàn)復(fù)雜推理能力（參數(shù)超千億，模型將突破0樣本學(xué)習(xí)、復(fù)雜推理）等。它是一個技術(shù)杠桿，將技術(shù)遷移通用智能化，是AI工業(yè)化的基礎(chǔ)、可降低AI邊際成本，支撐AGI核心底座。

生成式模型：生成式模型是算法領(lǐng)域的革新突破，AI感知到認(rèn)知的躍遷，不止是“生成逼真內(nèi)容”，它是一種對數(shù)據(jù)本質(zhì)和世界規(guī)律進(jìn)行深度理解和建模的能力。它的目標(biāo)是建模逼真真實數(shù)據(jù)的復(fù)雜概率分布，成功生成，意味著模型真正捕獲了數(shù)據(jù)的關(guān)鍵特征、變量間的依賴關(guān)系、數(shù)據(jù)生成的底層物理和語義規(guī)則。最大的價值就是全新、符合特定分布的、被約束的特定樣本（圖形、音頻、文本、代碼、視頻、分子結(jié)構(gòu)等）。打破不同數(shù)據(jù)類型的壁壘，還可創(chuàng)造出跨模態(tài)生成。

生成式模型賦予算法革新，提升判別模型能力、推動模型可解釋性、促進(jìn)多模態(tài)融合，也是實現(xiàn)跨模態(tài)理解和轉(zhuǎn)換的核心技術(shù)，進(jìn)一步加速認(rèn)知能力的“統(tǒng)一智能體”發(fā)展。

可見，投資算法是提升數(shù)據(jù)資產(chǎn)價值和最大化算力投資回報率的關(guān)鍵戰(zhàn)略。理解算法在推動數(shù)據(jù)、算力發(fā)展的作用，對于構(gòu)建高效、可持續(xù)的AI基礎(chǔ)設(shè)施至關(guān)重要。

二、大模型產(chǎn)業(yè)解析

01大模型優(yōu)化的GPU和云服務(wù)

一切數(shù)據(jù)處理都要經(jīng)過基礎(chǔ)設(shè)施廠商之手，這些決定了產(chǎn)業(yè)回報。每秒的浮點運算次數(shù)成了生成式AI的命脈。GPU在深度學(xué)習(xí)中非常重要相比CPU，GPU具有更大量的并行處理能力，特別適合處理深度學(xué)習(xí)中大規(guī)模矩陣運算，可以讓模型的訓(xùn)練和推理過程獲得顯著加速。

更高的計算力，與以往的深度學(xué)習(xí)模型相比，大模型具有更多的參數(shù)和更大的模型結(jié)構(gòu)，隨著模型的擴(kuò)大，計算復(fù)雜度也將呈現(xiàn)指數(shù)級增長。比如人臉識別的主流算法Deepface和A rcfacec參數(shù)規(guī)模在幾百萬和一億之間，而大模型的參數(shù)規(guī)?？蛇_(dá)到十億，甚至千億，參數(shù)規(guī)模就像渾厚的內(nèi)力。

在大模型進(jìn)行商業(yè)化后，推理成本將成為業(yè)務(wù)邊際成本的重要部分，需要對推理業(yè)務(wù)在GPU上進(jìn)行加速優(yōu)化，從而降低成本。這也代表企業(yè)需要更大的顯存容量、更快的顯存帶寬、更高效的集群通信能力。大模型供應(yīng)商進(jìn)行預(yù)訓(xùn)練和微調(diào)時，需要GPU，行業(yè)用戶應(yīng)用時，利用私域數(shù)據(jù)進(jìn)行模型微調(diào)時，需要GPU，最終應(yīng)用時，還需要GPU進(jìn)行推理。

大模型時代，算力的重要性毋庸置疑，模型的參數(shù)規(guī)模比以往的深度學(xué)習(xí)模型大的多，在訓(xùn)練和推理中需要消耗巨大的計算資源和時間。分布式的深度學(xué)習(xí)框架便成了大模型最重要的軟件基礎(chǔ)設(shè)施。

當(dāng)大模型加入圖像、視頻等多模態(tài)數(shù)據(jù)之后，模型規(guī)模、算力要求、訓(xùn)練時長都會進(jìn)一步提升。大規(guī)模計算、數(shù)據(jù)并行計算、容錯和恢復(fù)機(jī)制、高效的資源利用的難題，將讓分布式深度學(xué)習(xí)框架的重要性，在多模態(tài)條件下更加凸顯。

在算力、數(shù)據(jù)、算法的三要素中，大模型產(chǎn)業(yè)通過硬件基礎(chǔ)+分布式框架，重點解決算力問題后，數(shù)據(jù)的數(shù)量與質(zhì)量，便成了大模型訓(xùn)練的性能影響因素。預(yù)訓(xùn)練中，數(shù)據(jù)常?？赏ㄟ^購買、合作、抓取等方式，并進(jìn)行數(shù)據(jù)清洗，無需人工標(biāo)注。但，進(jìn)入后階段，RL與微調(diào)時，都需要人工標(biāo)注和樣本數(shù)據(jù)，這些數(shù)據(jù)獲取，一方面是專業(yè)人士數(shù)據(jù)標(biāo)注，以及采購專業(yè)數(shù)據(jù)公司和云廠商數(shù)據(jù)服務(wù)；另一方面是獲取合規(guī)性的公域或三方數(shù)據(jù)、接入企業(yè)私域數(shù)據(jù)；最后是搜索用戶使用過程中的反饋，這些數(shù)據(jù)加入訓(xùn)練，大模型的性能和使用體驗，將得到極大提高，也將啟動數(shù)據(jù)飛輪，走向自我強(qiáng)化的循環(huán)。

圖3:LLM的數(shù)據(jù)飛輪圖

-------------------------------

除了模型參數(shù)比拼，智能體正在定義人機(jī)協(xié)作邊界

落地實踐中，算力資源的高需求與技術(shù)難題相互交織、雙重凸顯。其中，Agent架構(gòu)相較于傳統(tǒng)AI產(chǎn)品呈現(xiàn)出更為突出的算力消耗特征--單次任務(wù)處理所需的Token數(shù)量可飆升至十萬量級，這一現(xiàn)象主要歸因于其對長上下文的理解分析、多Agent間的交互通信機(jī)制、復(fù)雜的驗證流程以及多模態(tài)融合應(yīng)用場景的綜合需求。以Manus平臺為例，其依托Claude 3.7 Sonnet模型執(zhí)行單次任務(wù)時，不僅產(chǎn)生超過10萬個Token的數(shù)據(jù)交互量，更伴隨約2美元的成本支出。

從技術(shù)維度審視，該領(lǐng)域正面臨三大核心挑戰(zhàn)：自然語言的模糊性引發(fā)的語義意圖誤判問題、多智能體協(xié)作中存在的群體思維趨同與利益分配失衡現(xiàn)象，以及模型生成內(nèi)容可能出現(xiàn)的事實性錯誤（即“幻覺”效應(yīng)）。針對這些瓶頸，學(xué)術(shù)界積極探索貝葉斯統(tǒng)計實驗設(shè)計與分層式系統(tǒng)架構(gòu)等創(chuàng)新路徑進(jìn)行優(yōu)化；而在產(chǎn)業(yè)界，則普遍采用RAG（檢索增強(qiáng)生成）技術(shù)方案來有效抑制幻覺現(xiàn)象，典型如醫(yī)療健康領(lǐng)域通過整合專業(yè)知識庫顯著提升了輔助診斷系統(tǒng)的精準(zhǔn)度。

02模型即服務(wù)層（MAAS）

大模型的產(chǎn)業(yè)核心是MAAS層，我們現(xiàn)在使用的大模型應(yīng)用均是這一層模型，通過企業(yè)服務(wù)模塊的應(yīng)用程序接口形式，實現(xiàn)對話、寫作、分析、寫代碼等各種功能。面向應(yīng)用開發(fā)者多功能調(diào)用，包括模型推理、微調(diào)訓(xùn)練、強(qiáng)化學(xué)習(xí)訓(xùn)練、插件庫、私域模型托管等。

被開發(fā)者常應(yīng)用的是開源模型，其源代碼、模型數(shù)據(jù)、模型訓(xùn)練過程內(nèi)容，均公開可用，不同的開源模型，可規(guī)定不同的內(nèi)容開放范圍和使用場景，不一定百分百開放。對比閉源模型，閉源模型商業(yè)化程度高，產(chǎn)品完善、模型性能更佳。開源模型可以降低模型的二次開發(fā)門檻，充分利用AI大廠預(yù)訓(xùn)練計算集群，規(guī)避算法調(diào)優(yōu)、無需清洗龐大數(shù)據(jù)，有助于領(lǐng)域應(yīng)用的廣泛應(yīng)用和普及，開發(fā)者以及社區(qū)驅(qū)動了開源模型的創(chuàng)新和改進(jìn)，群體智慧更快的發(fā)展(Meta LLaMA等擴(kuò)展出來的模型成為了生成式預(yù)訓(xùn)練的典范).

LLM需創(chuàng)造價值，若應(yīng)用層無法實現(xiàn)商業(yè)價值和客戶價值，整個大模型將失去持續(xù)發(fā)展的動力。面向服務(wù)，LLM最基礎(chǔ)的能力便是模型推理，微調(diào)訓(xùn)練（幫助企業(yè)適應(yīng)特定任務(wù)和領(lǐng)域、定制應(yīng)用）、強(qiáng)化學(xué)習(xí)、模型裁剪（幫助企業(yè)特定場景的規(guī)模化部署）、私域模型托管、插件庫（幫助企業(yè)獲得最新、最私密、少有的訓(xùn)練數(shù)據(jù)、執(zhí)行指定操作等）。應(yīng)用層擁有良好的創(chuàng)新和價值，為各行各業(yè)將帶來智能業(yè)務(wù)場景上的諸多可能。

例如：

Character.ai端到端自建大模型個性化人機(jī)聊天應(yīng)用：

特點：用戶選擇不同的角色，歷史上的名人/動漫人物/專業(yè)屬性的角色；用戶可以自建角色，后續(xù)溝通中產(chǎn)生“你的聊天對象認(rèn)識你”。

商業(yè)模式：實現(xiàn)”前向用戶付費+后向廣告“雙重模式，支持付費用戶和免費用戶共存。

市場價值：取決于定位人群，未來每個孩子在AI中陪伴中成長，AI將成為旅程伴侶。

競爭壁壘：自建大模型的架構(gòu)和訓(xùn)練方法；特色運營，如何利用特色、名人、文化屬性，結(jié)合社交、趣味，產(chǎn)生傳播；快速形成規(guī)模，降低獲客成本。

Cocounsel AI 法律助手

特點：基于本地文檔庫的文件問答、法律法規(guī)、內(nèi)容檢索、法律備忘錄、協(xié)議關(guān)鍵信息總結(jié)、合同數(shù)據(jù)提取、風(fēng)險條款修改等功能。

商業(yè)模式：根據(jù)使用的技能數(shù)量和委托給Ai的工作量，按次付費、訂閱付費，為獨立、公司內(nèi)部、大小律所服務(wù)。訂閱付費的方式，產(chǎn)生持續(xù)產(chǎn)業(yè)流，優(yōu)質(zhì)體驗保證續(xù)費率，持續(xù)擴(kuò)大規(guī)模。

市場價值：龐大的、最新的案例法和法規(guī)訓(xùn)練，生成的AI輸出具有難以置信的可靠性，以及高驗證。

競爭壁壘：大量專業(yè)的模型訓(xùn)練和微調(diào)；快速累積數(shù)據(jù)，在垂域領(lǐng)域搶先市場先機(jī)；行業(yè)的深厚積累，高頻次使用率。

三、大模型應(yīng)用與行業(yè)結(jié)合，提高現(xiàn)有生產(chǎn)力，是最落地的商業(yè)

新技術(shù)的引入和發(fā)展，勢必帶來新的產(chǎn)品與服務(wù)形態(tài)。由于大模型具有跨行業(yè)的通用性，通過自然語言、API系統(tǒng)對接交互手段，支持多樣化的使用方式。因此千行百業(yè)落地大模型應(yīng)用時，會因適應(yīng)場景能力、成熟度、企業(yè)應(yīng)用時間、企業(yè)性質(zhì)的不同，經(jīng)歷不同階段。

第一階段：幫助員工提高工作效率和質(zhì)量。大模型的產(chǎn)出歸屬于個人，員工也需為大模型產(chǎn)出質(zhì)量負(fù)責(zé)。為企業(yè)探索大模型業(yè)務(wù)場景的應(yīng)用成熟度、效率提升、模型缺陷、負(fù)面影響等，用于評估大模型價值，整合體系，為企業(yè)的進(jìn)一步?jīng)Q策提供價值參考。

企業(yè)需注意的是，內(nèi)部核心數(shù)據(jù)的保密，選擇大模型服務(wù)商提供的私域?qū)Ｓ心Ｐ?，部署專用服?wù)器，確保內(nèi)部數(shù)據(jù)不進(jìn)入公域大模型訓(xùn)練數(shù)據(jù)集中。此時AI：人類=1：1

第二階段：面臨業(yè)務(wù)流程調(diào)整和組織變革。大模型嵌入到了企業(yè)業(yè)務(wù)流程中，獨立承擔(dān)工作職責(zé)，可貢獻(xiàn)全局性的利益，產(chǎn)出歸屬與企業(yè)。LLM與人工形成協(xié)作關(guān)系，同時可接受監(jiān)督和指導(dǎo)。

需注意的是，要充分利用模型能力，調(diào)整和優(yōu)化自身流程，關(guān)注大模型對員工的影響，調(diào)整業(yè)務(wù)流程和職能崗位，設(shè)置好組織機(jī)制。為進(jìn)一步加大效果和產(chǎn)出，還可借助插件完成二次開發(fā)、讀取、查詢本地數(shù)據(jù)；包括模型微調(diào)訓(xùn)練、上下文學(xué)習(xí)、定制化、評估業(yè)務(wù)環(huán)節(jié)的信息量和容錯率。因地制宜，評估業(yè)務(wù)各個環(huán)節(jié)大模型應(yīng)用成熟度和優(yōu)先級。

第三階段：少量企業(yè)有能力嘗試的階段，讓大模型的多模態(tài)能力充分釋放，結(jié)合企業(yè)的全新業(yè)務(wù)模型設(shè)計產(chǎn)生顛覆性創(chuàng)新，重新設(shè)計業(yè)務(wù)，從根本上改變業(yè)務(wù)運作方式。這也將讓企業(yè)的AI能力更上一層樓。

企業(yè)需從技術(shù)、產(chǎn)品到市場、商業(yè)進(jìn)行全盤策劃，創(chuàng)建新的商業(yè)模式，它也是大模型產(chǎn)業(yè)應(yīng)當(dāng)追求的方向。

----------------------------

智能體將大模型擴(kuò)展到實際任務(wù)框架中

技術(shù)驅(qū)動中，隨著多模態(tài)與大模型支撐能力升級，目前最明顯的是Agent的核心能力依賴大語言模型（LLM）和視覺語言模型（VLM）的深度集成。依托于海量多模態(tài)數(shù)據(jù)的精細(xì)化訓(xùn)練，這些大模型成功構(gòu)筑起強(qiáng)大的語義解析與環(huán)境交互體系，宛如為Agent奠定了堅實的“認(rèn)知根基”。其能力進(jìn)階遵循著一條清晰的軌跡：“模仿學(xué)習(xí)”起步，歷經(jīng)“解耦”階段，邁向“泛化”應(yīng)用，最終實現(xiàn)“涌現(xiàn)”式的突破。具體而言，先是借助強(qiáng)化學(xué)習(xí)精準(zhǔn)勾勒物理世界的運行圖譜，繼而逐步拓展至跨任務(wù)領(lǐng)域的廣泛適應(yīng)，直至在錯綜復(fù)雜的場景中自主催生出高效的決策機(jī)制。

如今，Agent已衍生出多樣化的類型，諸如能夠跨越不同領(lǐng)域進(jìn)行交互的通用型Agent、專注于物理環(huán)境操作執(zhí)行的具象化Agent，以及擅長動態(tài)內(nèi)容創(chuàng)作的生成式Agent等，它們廣泛滲透至醫(yī)療健康、智能機(jī)器人、電子游戲等諸多行業(yè)領(lǐng)域。以醫(yī)療為例，診斷類Agent能有效輔助分診流程，然而仍需攻克“幻覺”這一技術(shù)難題；而在游戲世界中，Agent不僅能優(yōu)化非玩家角色（NPC）的行為邏輯，還能自動生成栩栩如生的開放世界景觀，極大地豐富了游戲體驗。

四、大模型時代的演進(jìn)產(chǎn)物：企業(yè)級AI Agent 的核心能力與應(yīng)用場景

大模型的能力持續(xù)進(jìn)化，行業(yè)標(biāo)準(zhǔn)化體系的逐步建立完善。2025年將成為AI Agent實現(xiàn)從概念驗證邁向規(guī)模落地的重要轉(zhuǎn)折點，更是其開啟規(guī)?；瘧?yīng)用征程的關(guān)鍵年份。當(dāng)下，AI Agent正以前所未有的態(tài)勢重塑著企業(yè)的生產(chǎn)方式與交互模式，這一變革絕非單純的技術(shù)層面突破，而是關(guān)乎企業(yè)戰(zhàn)略全面升級的核心驅(qū)動力。

圖4:《2025智能體研究報告》

對于企業(yè)而言，在推進(jìn)AI Agent應(yīng)用的過程中，應(yīng)當(dāng)聚焦于那些高頻發(fā)生、規(guī)則清晰明確且數(shù)據(jù)資源豐富的業(yè)務(wù)場景開展試點工作，通過在實踐中不斷積累寶貴經(jīng)驗，循序漸進(jìn)地推動整個業(yè)務(wù)流程向全鏈條智能化方向轉(zhuǎn)型升級。

企業(yè)級AI Agent的核心能力在于其自主規(guī)劃、記憶、工具調(diào)用和行動能力。這些能力使其能夠處理復(fù)雜的多步驟任務(wù)，如智能駕駛、智能家居管理、金融風(fēng)險預(yù)測等。AI Agent的應(yīng)用場景廣泛，涵蓋金融、醫(yī)療、制造、營銷等多個領(lǐng)域。在金融領(lǐng)域，AI Agent能夠?qū)崿F(xiàn)端到端的自動化流程，提升風(fēng)險控制和客戶服務(wù)效率；在醫(yī)療領(lǐng)域，AI Agent能夠輔助醫(yī)生進(jìn)行疾病診斷，提供個性化的治療方案；在制造領(lǐng)域，AI Agent能夠優(yōu)化生產(chǎn)流程，提升生產(chǎn)效率和產(chǎn)品質(zhì)量。

即便面臨諸多挑戰(zhàn)，但，得益于大模型技術(shù)的快速迭代以及應(yīng)用場景的持續(xù)拓展，Agent依然展現(xiàn)出巨大的發(fā)展?jié)摿?，有望迎來商業(yè)化的重大拐點。隨著A2A、MCP等協(xié)議日益普及，不同Agent之間的協(xié)作效率將得到顯著提升；而多模態(tài)技術(shù)領(lǐng)域取得的關(guān)鍵突破，例如圖像與語言生成技術(shù)的融合、機(jī)器人導(dǎo)航能力的增強(qiáng)等，將為醫(yī)療、工業(yè)等多個行業(yè)的實際應(yīng)用注入強(qiáng)大動力。可以預(yù)見，未來，Agent或成為企業(yè)數(shù)字化轉(zhuǎn)型的核心工具，驅(qū)動AI產(chǎn)業(yè)鏈從模型層向應(yīng)用層延伸，重點關(guān)注具備數(shù)據(jù)、場景和平臺能力的企業(yè)。

圖5:《2025智能體研究報告》

AI Agent的蓬勃興起，是大模型、充沛的算力供給、活躍的開源生態(tài)以及廣泛的產(chǎn)業(yè)應(yīng)用協(xié)同共進(jìn)的成果。其核心技術(shù)依托于大型語言模型（LLM），借助模塊化的設(shè)計架構(gòu)與高效的協(xié)作框架，得以實現(xiàn)對復(fù)雜任務(wù)的自動化精準(zhǔn)處理。如今，從最初功能單一的對話機(jī)器人（處于L1階段），逐步演進(jìn)為能夠主動發(fā)起行動、展現(xiàn)智能決策能力的高級智能體（達(dá)到L3水平），且正穩(wěn)步朝著更為高端的智能應(yīng)用場景邁進(jìn)。眾多科技巨頭，諸如OpenAI、Google、AWS等，均積極投身于企業(yè)級Agent市場的開拓之中，成功推出了一系列成熟且頗具影響力的產(chǎn)品與技術(shù)方案，像OpenAI精心打造的Operator、AWS推出的Bedrock Agent Core平臺等。這些創(chuàng)新成果不僅有力證實了AI Agent在實際場景中的可行性，還極大地促進(jìn)了其在企業(yè)領(lǐng)域的深度滲透與廣泛應(yīng)用。

然而，就目前而言，對于Agent這一概念尚未形成一個統(tǒng)一且明確的定義。學(xué)界與業(yè)界在此方面存在著顯著的核心分歧，焦點集中在是否應(yīng)著重突出“自主規(guī)劃能力”。在學(xué)術(shù)界看來，一個理想的Agent應(yīng)當(dāng)具備涵蓋環(huán)境感知、任務(wù)規(guī)劃、記憶學(xué)習(xí)等多個模塊所構(gòu)成的完整閉環(huán)能力。例如，他們所提出的多模態(tài)通用Agent范式，就全面包含了感知、學(xué)習(xí)、記憶、認(rèn)知以及執(zhí)行這五大關(guān)鍵模塊。與之相對，業(yè)界則更傾向于以結(jié)果為導(dǎo)向來界定Agent。以OpenAI為例，他們將Agent定義為“能夠獨立完成既定任務(wù)的系統(tǒng)”，著重強(qiáng)調(diào)其利用LLM進(jìn)行工作流管理、靈活調(diào)用各類工具以及實時動態(tài)糾錯的能力；而Anthropic則進(jìn)一步細(xì)化了概念區(qū)分，將Agent與Workflow明確區(qū)隔開來，指出前者是由LLM自主進(jìn)行流程編排，后者則是依據(jù)預(yù)先設(shè)定好的代碼路徑來協(xié)調(diào)工具的使用。

圖6:《2025智能體研究報告》

在AI Agent的開發(fā)與應(yīng)用進(jìn)程中，務(wù)必緊密貼合企業(yè)的真實需求。具體而言，可通過精心搭建知識庫體系、持續(xù)優(yōu)化上下文工程策略以及科學(xué)規(guī)劃工具集成方案等舉措，打造出高效且穩(wěn)定的智能體應(yīng)用場景。對于企業(yè)級AI Agent而言，其價值不僅體現(xiàn)在顯著提升工作效率方面，更能依托數(shù)據(jù)驅(qū)動的精準(zhǔn)決策支持，助力企業(yè)順利完成智能化轉(zhuǎn)型。伴隨相關(guān)技術(shù)的日益精進(jìn)與成熟，AI Agent必將躍升為企業(yè)數(shù)字化轉(zhuǎn)型的核心動力引擎，引領(lǐng)企業(yè)突破傳統(tǒng)管理模式的桎梏，推動企業(yè)從傳統(tǒng)的管理模式向智能化、自動化的方向發(fā)展。

五、AI Agent的未來展望與市場格局

圖7:《2025智能體研究報告》

在當(dāng)下的AI Agent市場中，競爭格局呈現(xiàn)出明顯的兩極態(tài)勢。一方面，科技巨頭依托自身在模型研發(fā)、算力儲備、數(shù)據(jù)資源以及生態(tài)構(gòu)建等方面的顯著優(yōu)勢，積極謀劃打造統(tǒng)一的平臺級解決方案；而另一方面，眾多創(chuàng)業(yè)公司與行業(yè)專家聚焦于特定的應(yīng)用場景，借助垂直領(lǐng)域的深度應(yīng)用開發(fā)、交互模式的創(chuàng)新探索以及成本效益的持續(xù)優(yōu)化等策略，努力探尋市場的突破契機(jī)。展望未來，AI Agent的發(fā)展路徑將著重圍繞多個關(guān)鍵維度展開，諸如成本結(jié)構(gòu)的精細(xì)化與效率水平的提升、通用型應(yīng)用與垂直細(xì)分領(lǐng)域的有機(jī)平衡、交互范式的革新演進(jìn)、數(shù)據(jù)資產(chǎn)的積累與競爭壁壘的構(gòu)筑，以及人才資源的激烈角逐等。

安全性作為AI Agent邁向大規(guī)模應(yīng)用的關(guān)鍵議題，備受關(guān)注。伴隨其自主決策能力和交互功能的逐步強(qiáng)化，所面臨的安全威脅也愈發(fā)復(fù)雜多樣，諸如隱私信息的泄露風(fēng)險、業(yè)務(wù)流程的人為篡改隱患、記憶數(shù)據(jù)的惡意投毒攻擊等一系列新型安全挑戰(zhàn)接踵而至。鑒于此，企業(yè)在部署和應(yīng)用AI Agent的過程中，必須在設(shè)計初期就融入全方位的安全防護(hù)機(jī)制，運用身份驗證技術(shù)、記憶數(shù)據(jù)的加固保護(hù)手段、控制流程的精準(zhǔn)管控措施等，以達(dá)成自主性拓展與風(fēng)險有效管控之間的動態(tài)均衡狀態(tài)。

從宏觀視角審視，AI Agent技術(shù)無疑將為企業(yè)的運營效能帶來顛覆性的提升，并孕育出豐富的業(yè)務(wù)創(chuàng)新機(jī)遇。隨著該技術(shù)的持續(xù)迭代升級以及在不同應(yīng)用場景中的深度融合，AI Agent具備在更廣泛領(lǐng)域?qū)崿F(xiàn)重大突破的潛力，進(jìn)而有力驅(qū)動企業(yè)乃至整個社會向智能化方向加速邁進(jìn)。

我們看到大模型從單一工具演變?yōu)轵?qū)動千行百業(yè)轉(zhuǎn)型升級的核心引擎。作為大模型落地應(yīng)用的重要載體，AI Agent正在重構(gòu)人機(jī)協(xié)作模式，引領(lǐng)AI從“被動響應(yīng)”邁向“主動服務(wù)”，成為產(chǎn)業(yè)創(chuàng)新的強(qiáng)勁動力。國內(nèi)企業(yè)將持續(xù)深化企業(yè)級AI Agent的核心能力，引領(lǐng)業(yè)界開啟智能業(yè)務(wù)的“主動服務(wù)”新時代，賦能全產(chǎn)業(yè)實現(xiàn)技術(shù)革新！

近日，由百林哲主辦，第九屆CSDI中國軟件研發(fā)創(chuàng)新科技峰會，于9月12-14日即將在深圳隆重召開。大會以“ 數(shù)算+智躍“為主旨，旨在深入展示AI領(lǐng)域最新技術(shù)與應(yīng)用趨勢， 詮釋中國企業(yè)，創(chuàng)新先鋒的深度應(yīng)用，融合業(yè)界領(lǐng)先的大模型、智能體技術(shù)深入在研發(fā)全方位應(yīng)用領(lǐng)域，攜手百名國內(nèi)外頂尖技術(shù)專家（京東、華為、百度、阿里、騰訊、字節(jié)、亞馬遜、中興、小米、360、螞蟻、攜程、順豐、普元......)，共同研討以LLM為核心的AI技術(shù)深入軟件研發(fā)的落地實踐。

總結(jié)

AI正在從大模型時代中，從信息處理者升級為任務(wù)執(zhí)行者，預(yù)示著復(fù)雜任務(wù)和系統(tǒng)，將被AI改寫為數(shù)字世界的“代理實體”。企業(yè)智能體是下一代核心基礎(chǔ)設(shè)施，是企業(yè)的群體智慧所在，是重塑生產(chǎn)關(guān)系的數(shù)字勞動力，最終幫助企業(yè)實現(xiàn)業(yè)務(wù)智能化閉環(huán)。

了解最新議程，更多優(yōu)秀嘉賓加入中，歡迎優(yōu)秀的您加入我們

內(nèi)容參考：網(wǎng)絡(luò)、大模型時代圖書、智能體發(fā)展

生成海報

免責(zé)聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性，但不保證有關(guān)資料的準(zhǔn)確性及可靠性，讀者在使用前請進(jìn)一步核實，并對任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負(fù)任何法律責(zé)任。任何單位或個人認(rèn)為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。