2025，ai agent還在起跑線

當2024年全球科技峰會的話題從“大模型參數競賽”轉向“智能體落地場景”時，行業似乎完成了一次集體認知躍遷。人們意識到，ai的價值不再是參數量的天文數字，而在於能否像水一樣滲入真實世界的縫隙。

過去兩年，隨著混合專家架構（moe）、神經符號系統等技術範式的疊代：智能體不再依賴“暴力訓練”，而是通過知識注入與邏輯推理的結合，逐步逼近人類專業能力。& nbsp;全球科技巨頭與初創公司紛紛將資源投向ai agent，人們甚至開始產生一種錯覺——智能體很快會進入成熟期。

這種感覺的背後，源於行業對“智能體”定義的微妙重構。相比馬文·明斯基時代的“自主生命體”理想，在大模型取得突破性進展的當下，留給ai應用落地窗口期愈發緊迫，對智能體的界定，雖然同樣具備能夠 “自主感知並採取相應行動” 的特徵，但更多是把它視作ai應用落地最重要的一種產品形態。

從anthropic、google deepmind到openai，從字節、百度等頭部大廠，到kimi、智譜等ai新勢力，各家公司都在探討如何利用這項技術去顛覆現有的行業格局，讓智能體真正成為打通ai從實驗室到實際場景落地的利器。

然而看似繁榮的落地案例，大多僅是技術長跑中的零星里程碑：特斯拉optimus機器人能分揀零件，但面對傳送帶突發卡頓仍需要人類救場;anthropic的computer use讓用戶可以指揮claude操作電腦，但面對複雜流程，也只有15%的操作成功率。

這些情況並非個例。當前大多數智能體集中在高度結構化的環境中運行，而人類世界的複雜性遠超實驗室預設的邊界。站在2025年的節點，這個被賦予“顛覆生產力”使命的技術，仍處於爆發前夜。

篤信行業的人會認為，當大模型完成技術啟蒙，算力基建逐步完善，智能體正在打開一個比移動網際網路更龐大的市場——結合麥肯錫與gartner研究預測，到2027年，智能體將滲透至大部分的企業工作流，釋放萬億美金經濟價值。我們看到的不是技術天花板，而是一個領域新的起跑線，技術、商業與社會的碰撞剛剛開始，真正的變革將在混沌中重塑規則。

01 智能體爆發前夜

在很多人的印象里，ai智能體能夠實現工作流程的自動化，其實早在多年以前，就有企業已經開始嘗試使用基於規則的系統來處理簡單任務，比如一些系統可以根據預設的知識庫，自動回答客戶的基本問題。

最接近智能體形態的產品是ibm watson這類規則引擎驅動的專家系統和siri等單點交互工具，但這些依靠預設規則和簡單決策樹運行的相對初級的程式，局限性非常明顯：當面對複雜業務場景時，系統需要工程師編寫數以萬計的if-then規則，任何業務規則的細微調整都可能引發蝴蝶效應，導致整個系統需要推倒重來。

真正革命性的突破發生在2015年前後。隨著深度學習技術的發展，ai開始具備自主學習和環境適應能力。谷歌deepmind團隊的alphago就是典型的例子，在2016年擊敗圍棋世界冠軍，標誌著人工智慧從”機械執行者”向”策略制定者”的蛻變。

彼時的智能體，作為基於電腦程式和算法構建的智能實體，也逐漸具備了基於數據自我疊代的能力，但由於“算法泛化能力不足”與“場景理解碎片化”的技術局限性，還沒有達到完全自主決策的程度。alphago雖然在圍棋領域超越人類，卻無法將這種能力遷移至其他場景。這種專家系統式的智能，本質上仍是戴著鐐銬跳舞。

直到大模型的出現。

2020年gpt-3橫空出世，智能體進入了一個新的認知革命，體現在兩個方面：ai認知的泛化，千億參數構建的大模型能理解跨行業的術語與業務邏輯;人機互動方式的改變，人們可以通過對話來生成結果。

2022年底，chatgpt破圈，驗證了大模型作為“通用認知引擎”的可能性，次年多模態大模型爆發，被視為智能體的“成人禮”，gpt-4、gemini等模型展現的跨模態能力，讓智能體初步具備人類的多感官協同。

在這樣的背景下，具備持續學習能力的ai agent，在一定程度上有望突破工具屬性，成為具備商業思維的”數字員工”，也就是大家現在所理解的“企業智能助手”的雛形。

與此同時，大模型api調用成本從gpt-3的每千tokens 0.06美金，降至gpt-4 turbo的0.01美金，意味著中小企業也能負擔智能體部署。包括麥肯錫在內的多家研究機構測算並得出結論，大模型推動智能體部署成本下降60-80%。

智能低門檻、高適配、強進化的應用特徵，讓不少為了擺脫商業化困境的ai玩家，將智能體當作新的突破口。

而人們對智能體的終極期待，是構建一套“企業認知中樞”——它不僅是執行命令的工具，更是沉澱知識、優化流程、預測風險的核心引擎。這一願景在過往受限於技術碎片化與成本壁壘，而如今，大模型的泛化能力、多模態融合與成本下降，終於讓商業社會看到了破壁的機會。

02 行業現狀冰火兩重天

anthropic ceo dario amodei曾斷言，未來2~3年內，ai可能在幾乎所有任務上超越人類，五年內智能體將滲透90%的企業工作流。智能體之所以成為風口，本質是市場對“第二代數位化轉型”的豪賭，如果說2000-2020年實現了業務流程數位化，當下正進入“用智能體重構業務本質”的新階段。

根據cb insights，2023 年，全球ai初創公司融資總額達到425億美金。而伽馬數據則顯示，過去的一年裡，全球ai產業融資金額超4000億元，同比增長超77%，其中智能體相關的初創企業融資占比尤其顯著。

但資本市場的狂熱與產業實踐的謹慎形成微妙張力。綜合各類機構調研，2024年全球僅小部分智能體部署項目實現盈利，多數企業仍在為“如何讓ai理解業務邏輯”焦頭爛額。這種矛盾映射出一個現實：智能體從技術演示到商業閉環之間仍有巨大鴻溝。

從技術布局看，頭部公司的探索方向已現分野。

例如openai的sam altman押注“通用智能體”，試圖通過gpt構建可適應任意場景的認知引擎，剛剛正式發布的“operator”能讓智能體接管用戶電腦操作，例如自動編寫代碼並調試運行，但是否能避免此前anthropic computer use所暴露的控制能力脆弱性，還需要進一步驗證;

而微軟ceo納德拉選擇深度嵌入路線，將copilot植入office、teams等產品矩陣，試圖把智能體變成企業工作流的“隱形中樞”，但在供應鏈管理等複雜場景中，其智能體因缺乏行業知識庫支持，也曾引發過合規危機。

具體到智能體的商業化路徑，不同類型的公司也呈現出不同的思路：以openai、谷歌和字節跳動為首的平台基建型玩家，和以anthropic為代表的垂直深耕型選手。平台型與垂直型智能體公司的分野，本質上映射出技術普惠與深度價值的兩條進化路徑。

openai的gpts上線三個月即吸引超300萬開發者，用戶通過自然語言指令創建各種智能體，這種“對話即開發”的模式將生態擴張速度提升10倍，但繁榮背後暗藏隱憂——據similarweb監測，gpts商店中近70%的智能體生命周期不足30天，同質化工具泛濫導致用戶付費意願持續走低。

用生態化的平台來聚攏開發者，這種玩法在網際網路早期就已顯現，本質上是科技巨頭之間的軍備競賽。然而，平台型玩家雖占據流量與開發者優勢，卻難免廣度稀釋精度的悖論——當微軟copilot企業版用戶抱怨其生成的財務報告頻繁出現會計準則誤用時，openai工程師坦言“通用模型在專業場景的知識深度，不足人類專家的1/10”。

垂直型路徑則選擇向產業縱深處掘金，為了和openai等公司差異化競爭，anthropic在發布computer use之外，anthropic 把目光鎖定在金融、醫療等對合規審查、風險評估的要求極高的領域，以滿足這些剛需場景為切入點，提供“憲法ai”約束，用claude api滿足客戶的私有化部署。

不同於openai的“通用模型+生態擴張”，anthropic採用“可控性+行業適配”方案，這麼做的原因並非通過平台的形式來賣鏟子，而是在自身技術優勢的基礎上，滿足行業在ai時代對安全、精準、定製化服務日益增長的需求。

聚焦細分領域且能快速落地的方案，對於科創型公司來說更具實踐意義，國外ai科技公司langchain調查了從工程師、產品經理到商業領袖和高管共計1300多企業人士，調研的企業里，超過一半用agent來進行研究和總結的工作，其他依次為個人生產力工具、客戶服務、代碼生成等方面。

在過去的兩年裡，各類ai智能體產品，在全球各行各業釋放出極大的潛力。主打金融、法律文檔智能分析的hebbia.ai、為企業客戶定製ai客服的sierra，以及職業教育領域的sana labs等，都有不錯的增長。

資本的瘋狂湧入，推動這些新玩家們的融資規模與估值雙雙飆升。但與此同時，市場捲起的巨大泡沫，一些智能體初創公司的ps ratio（市銷率）甚至超過50倍，遠超此前saas行業平均水平。拿sierra來說，這家成立不到兩年的公司，估值已經達到45億美金，成為智能體初創企業中最火熱的投資標的之一。

垂直化也意味著規模天花板，gartner數據顯示，專注金融合規的智能體公司年均營收增速僅為平台型企業的1/3，且客戶獲取成本持續攀升，部分賽道已出現用80%資源爭奪20%頭部客戶的殘酷內卷。

從平台型到垂直型，兩種路徑的角力實則指向產業根本矛盾：通用智能體的開放生態能快速鋪量卻難挖深井，垂直解決方案雖能創造高毛利但複製成本陡增。

於是在這種情況下，一些公司已悄然調整戰略，anthropic 在claude api中開放“憲法規則自定義”接口，允許企業將內部合規條款植入模型，這種“可拆卸的垂直化”或許預示著未來智能體市場的終局形態：平台提供基礎認知引擎，垂直模塊則像app store中的專業應用般自由組合，最終在開放與封閉、普惠與深度的平衡中重塑商業。

但這些，還僅僅是一種預測。

03 智能體還在起跑線

兩者觀點看似矛盾，前者警示短期高估，後者強調長期革命性，但這些判斷的背後，其實都是對當下智能體技術瓶頸和商業化局限下的認知。

當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，在動態環境和跨系統的協作協作，智能體仍存在各式各樣的可靠性不足。在商業化層面，不少公司面臨成本和收益失衡，波士頓諮詢調研顯示，企業智能體項目中不到20%達到預期roi，多數企業仍在“試水”階段。

如果將視線放到國內，情況將會更加複雜。

事實上，國內和國外的智能體發展，一開始差異並不明顯，但現在差別越來越大。具體表現為，國外在智能體領域的融資規模不斷攀升，產品力不斷增強，部分超級公司正在崛起;而國內目前大多還停留在概念階段，這種情況和當年saas行業很相似。

從中國信通院發布的《2024年人工智慧發展報告》來看，在金融、醫療、製造等領域的智能體公司數量龐大，但受限於高部署成本和商業化落地難度，企業級市場的盈利項目占比屈指可數。

這一差距背後，是技術路徑、產業生態和商業邏輯的多重差異。

目前國外大部分智能體產品的交付，仍沿用軟體定製開發或按時訂閱的商業路徑，主要得益於其saas化基因，有成熟的軟體生態基礎，另一方面，智能體對傳統線下生產和運營流程的替代更加精細，可替代的人力環節更多，智能體能解決更多實際問題，因此擁有廣闊的發展空間。

商業發展的本質，是要縮短傳統流程，並儘可能降低成本，當成本比原來降低更多時，新的模式就會取代舊模式。但相比之下，國產ai的發展並非是因為軟體生態成熟，有了ai後如虎添翼;恰恰相反，國內軟體生態原本就不夠完善：既缺乏類似hugging face的模型庫、databricks的數據處理平台，行業內的api標準化也表現不足，增加了企業的集成成本。

這種情況導致在ai領域，國內還需要去彌補軟體生態方面缺失的功課。更棘手的是，企業客戶習慣為“功能模塊”付費，但拒絕為“決策能力”溢價。一些頭部廠商的智能體一旦報價超過客戶預期的範圍，客戶流失率甚至能達90%。

所以在2025年的節點，清醒認識到，伴隨ai從玩具編程工具，但如果要把智能體從生產力工具變成真正的生產力，這場變革還未抵達交卷的程度，它不會遵循摩爾定律的節奏躍進，而是要在試錯與疊代中蹣跚前行。