题图｜AI生成配资经验官网
智能体的浪潮正在改写AI产业的主导逻辑。
过去一年，从内容生成走向任务执行，智能体成为大模型能力的新出口，也成为独立模型厂商和互联网大厂争相布局的新赛点。
在这场变局中，大模型厂商面临艰难抉择：是继续作为通用能力的提供者，退居底层？还是向上走，构建平台、直达应用？商业化困局与技术路径选择交织下，哪些玩家能留在牌桌？
近期，《虎嗅·AI无悖论》节目特别邀请智谱高级商业副总裁、前字节跳动&Lark全球首席商业官吴玮杰，以及企业知识开源计划创始人、前波士顿咨询Platinion董事总经理、前IBM咨询全球合伙人陈果进行了探讨，请他们分享了智能体技术冲击下，模型厂商的战略近况及行业相关的深度思考：
智能体的普及，是在放大大模型的基础设施作用，还是正在削弱模型厂商的核心价值？
面对创业者蜂拥而上、互联网大厂全力抢占入口，模型公司能否通过MaaS平台与智能体生态“再造主导权”？
智能体到底是工具、入口，还是新操作系统？
本期主持人为资深媒体人、热AInext主理人陈庆春。
以下是交流实录，有删编：
智能体是什么，谁在制造？
主持人：智能体（Agent）到底是什么？它和大模型是什么关系？
吴玮杰：我会把大模型当做是一个图书馆。现在很多chat类的应用，更像图书管理员，当它接收到一个用户的指令，就会去图书馆里查阅各种图书，给出一个反馈。
但今天的智能体，它更像是一个项目经理或者项目的助手——基于我的某一个目的去图书馆里查阅相应的文献，最终做出相应的操作，或相应的产品。
陈果：简单来说，智能体是指一个能感知环境、做出判断，并据此采取行动以实现目标的智能系统。
智能体真正火起来是在2023年初，背景是2022年底ChatGPT等大模型的爆发。大模型最初用于文本生成，后来扩展到图像、音频等“生成式AI”。再往前一步，人们开始思考：既然能生成内容，是否也能“生成并执行动作”？这就进入了智能体的范畴。
简而言之，大模型驱动的“智能体”代表的是AI从“生成内容”进化为“完成任务”。
主持人：那现在是谁在制造智能体？是专业开发者的专利吗？
吴玮杰：现在人人都可以制造智能体。就像几年前流行“人人都是产品经理”一样。
对于普通用户和初级开发者来说，智能体更像是“美图秀秀”式的轻工具——简单、好玩，用于生成网页、聊天机器人等浅层场景。
而对于大模型公司或互联网大厂，智能体则更像是“Photoshop”——用于深度业务场景，模型公司可以把智能体的部分能力“训进模型”本身； 互联网公司更善于结合用户习惯与入口生态来落地产品。
陈果：我有个朋友创业，做的就是“五分钟教你做智能体”，只要你想学，五分钟就能做出来一个。
主持人：听陈总这么一说，吴总作为大模型厂商怎么想？现在智能体的门槛变得这么低，对大模型厂商有什么冲击？
吴玮杰：我反而认为这对大模型公司是很好的促进作用。大模型越来越基础设施化、算力成本降低，才能被用户真正的用起来。
当然这也带来一个问题，因为模型厂商更加基础设施化，相应的玩家会越来越少，这本身是预期内的事情。即便没有deepseek这样的开源模型，它也会被淘汰，只是时间早晚的区别。
今天第一梯队的模型厂商，尤其是服务B端、G端的，在商业化路径上不再只是“提供一个模型”，而是向上层的MaaS平台、智能体平台延伸，提供一整套可交付、可执行的能力包。
这种技术的迭代带来的能力“交替式上升”的竞争，其实有利于整个第一梯队的所有的玩家。
主持人：那第二梯队就不存在了吗？
吴玮杰：这是个很好的问题。事实上，从2024年底，有一个很大的变化是很多互联网大玩家进场了，早期的“六小虎”大多在转型、逐步走向分化，分别聚焦在国内的C端应用、垂直行业的应用、海外的应用。
这个问题，回到当年的SaaS时代是一样的。现在互联网大厂做SaaS主要做钉钉、飞书、腾讯会议这类工具类的应用，但是不影响市场上有很多深度的垂直行业的SaaS公司。
陈果：我认为在基础模型这一层，不会有第二梯队。大模型是基础设施，类似于云计算刚兴起时的演进逻辑：
一开始很多厂商都能“做云”，但最后真正能留下来的不超过五家，因为底层基础设施的竞争是同质化、高投入、拼成本的，最终往往是头部厂商形成垄断格局。
AI也一样，最底层是算力和GPU，现在全球80%的市场份额在英伟达手中；再往上是基础大模型层，长期来看也只会剩下极少数具备深厚技术和资源能力的公司。
主持人：那是不是意味着除了头部厂商，其他都没有机会了？
陈果：也不是。越往上走、越靠近用户侧，玩家就越多，因为用户需求复杂，场景多样；上层应用空间足够大，足以容纳各种差异化定位。
所以，大模型之上的几个“层级”才是创业和差异化竞争的空间：一是模型微调层（如小模型、二次训练、蒸馏等）——会有部分专注垂直场景的技术型公司参与； 二是智能体构建层——围绕不同行业、流程场景构建智能体，是最有可能百花齐放的领域。
主持人：所以吴总作为现在的大模型厂家，是给人类做最基础的贡献了？然后会慢慢退出历史的舞台，变成另外一种身份？
吴玮杰：我觉得我们还在舞台中央。
未来的模型市场，一类是以互联网大厂为代表的，有自己的生态，有自己的应用场景，长期以一个比较好的身位活着；第二类是国内以to B为主、toC为辅的独立模型厂商，给不同的企业提供差异化的服务。
我很同意陈总讲的，大模型越偏基础设施这一层，越是赢者通吃。第一、第二名活得很开心，第三名艰难的活着，第四、第五名每天想着能不能活。
中国市场和海外市场始终不一样的是，无论是SaaS时代，还是今天的模型时代，国外推的很多都是 MCP 标准化的接口。但国内这个生态始终没有完全接在一起，会给一些特定的企业机会。
技术与巨头冲击下，大模型厂家走向分野
主持人：刚才也讲到，创业公司可能面临更大的资源的问题，现在巨头压力会传递给你们吗？互联网巨头也在抢你的单吧？
吴玮杰：这是个很好的问题。其实今天市场上有一个很有意思的现象。不少B端和G端项目的招投标，还凑不齐三家去参与竞标，因为客户的要求越来越高。
互联网大厂其实做的是相对比较通用化的模型，比较easy money。通过API的调用，可以基于自己的生态，去推云智一体——卖大模型的目的是为了推动云，靠大模型亏一点钱，顺带去卖一点算力资源，再赚回这个钱。
陈果：我非常同意刚才吴总说的，去年的时候，大家大部分都在跑比跑分，像原先的手机、摄像跑分一样。但是跑到一定程度，是有极限的。
你做到95分之后，边际效率就开始走平了。
吴玮杰：对，这种情况23年和24年上半年比较多，就是一堆模型公司热衷于刷榜，这是特别离谱的一件事儿，我们甚至有一个阶段性的说法叫道德的下限决定了你排名的上限。
那个时候有很多榜单，它都是一些公开的数据集，你可以有针对性的做数据，很多的模型公司都有一个刷榜小组，专门用于解决榜单排名的问题。
越关注榜单其实是客户对模型的认知还处于一个比较早期的阶段。
主持人：刚才两位讨论了互联网大厂对to B端的冲击，to C端的话，大厂的冲击会不会更强？
吴玮杰：肯定的，大厂有入口的优势，天然会获得更多的C端客户。现在甚至有一些大厂在利用现有的垄断优势，不允许竞争对手在他们的环境中进行任何的投流工作，只能投自有产品，那这对整个C端的应用场景就造成很大的挑战。它有更多的语料，所以很容易强者恒强。
主持人：你们会把c端产品当成一个重点的产品来做，或者是商业变现的一个产品来做吗？
吴玮杰：目前在商业变现上，通过C端chat类的工具还是比较的难。其实也不只是智谱，所有国内外通过这种聊天类、订阅的方式去获得变现还是比较难，最近一个开始全免费的是百度。
主持人：大模型厂商都已经有这么大的压力了，那比如Manus这种没有基础模型、又没办法去to B服务的纯智能体厂家，压力会不会更大？
吴玮杰：我觉得会，这类厂家其实很多的收入来自海外的调用。因为海外的市场成熟度更高，商业市场程度高，用户愿意为此付费。
主持人：对于其他做智能体创业的公司来说，这种在国外的商业模式是可以复制的吗？
吴玮杰：今天很难讲任何一种商业模式能复制，如果去看大模型的应用的榜单，其实每半年有50%的明星公司就不在榜单上了。这也是一项技术在高速迭代的过程中，必然会产生的一个情况。
主持人：就是在智能体阶段，智能体却没有办法诞生出自己的创业公司？
吴玮杰 ：也不能那么绝对。我们能看到的趋势是，模型能力跟应用场景在逐步的解耦。
今天模型当中会出现MaaS层、智能体平台这样的中间层，是希望客户和用户聚焦在上层的应用上。
可能在某一些场景上，deepseek还是比较不错的，在另外一些场景下，智谱的能力是远超其他的对手的，某一些场景上可能OpenAI还是老大。客户可以通过上面的MaaS平台，去选择调用不同的模型的能力。所以我觉得还是会出现一些行业内较好的智能体公司。
陈果：补充一下，其实就是对模型的编排。所谓的智能体系统，指的是一个大智能体指挥一个小智能体，核心问题是，你做的是一个面向任务的智能体，还是面向流程的智能体？比如做一个客服的智能体，中间除了接电话，还有很多环节，会有一些综合服务的技术跑道新机会。
主持人：那大模型现在驱动出来一些在chatbot里可以直接点击购买的、原生的智能体，对于大模型厂商来说，是否有利于商业化的变现？
吴玮杰：智能体的出现，大大加快大模型tokens的调用量，但其实今天大部分国内的大模型厂商并没有因此能获得足够的利润。
陈果：不是国内的问题，全世界大模型公司都还没找到怎么赚钱的方法，如果只谈基础模型的营业收入的话。全世界大模型真正产生的收入，70%被GPU厂商拿掉了，30%被算力的厂商拿掉了，目前可能没有一家挣到钱。
吴玮杰：智能体的商业化变现，对我们来说是多种商业化变现中的一种，比如我们还会帮其他国家训练主权大模型。
主持人：那对于一些大模型厂商，是不是可以借着智能体这个机会去做一些转型？
吴玮杰：这个问题我有比较多的考虑过。2023、2024年的“几条虎”，在今天已经放弃基座模型的选择，转型全面做医疗，全面做教育。那是不是能够在另一条路上能够走得通？我觉得其实很有挑战。
我们刚刚讲了基础模型是最下面那一层，当大家去切换一条赛道，其实就是去做上层更偏应用层的事。但这两类公司对人才的画像，对基础能力的要求其实是不一样的，当你在一条赛道做的很难的时候，你在另一条赛道会碰到同样的问题，甚至会更难，因为在这个时刻你没有行业的洞察。
所以我觉得可能今天一家模型厂商，转型来做一个行业模型，不见得比一家曾经在这个赛道里面服务于医疗公司的SaaS公司，或者软件公司更有优势。
主持人：所以就和我们开始说的一样，大模型厂家要么就成为第一梯队，要么就被淘汰了？
吴玮杰：这是一个比较悲伤的故事，但这就是现实的故事。
智能体重构企业系统与入口
主持人：但是好多巨头现在都已经接入了MCP 协议，基本上应该是通行的标准了？
吴玮杰：怎么说呢，我觉得这是个被动式的响应。
早期的一些平台，心态上大多是自家的花园里种着自家的菜，自家的菜能让自家来收割。
陈果：我举个例子，大家都知道淘宝和微信没有打通，链接没办法拷贝过去。
我觉得是不是联通，还取决于上面的应用。MCP（Model Context Protocol）不是智能体的协议，是模型和周边数据交换的协议。MCP更偏底层一些，A to A更偏应用层一些。MCP本身逻辑是个电话号码簿，它有各种各样的接口，比如一个复杂的企业软件，有订单、物料、客户供应商、好多信息的接口，接10个还是100个，接的深还是浅，都有区别。
更底层的问题是企业的应用系统建设。在SaaS时代，有个说法是一个硅谷的公司大概会用一百多种SaaS，在每一个细小的环节都用一个，你的业务要跑起来，这些系统资源都要打通，自然而然就形成了生态，中国的情况是所有的厂商恨不得我把客户生意全做完了。
另外一个原因是客户本身的需求也有问题。一种是倾向于用大厂全弄完了，第二个情况是大型公司自己干，造成整个企业数字化的割裂和大厂的垄断，企业和企业之间互相不接触。
主持人：那现在不是正在二次起跑吗？智能体不是企业系统互通的解法吗？
陈果：应用系统之间是不是打通这个问题，跟是不是智能体系并没有直接的关系。智能体只是一种新形态的软件，软件行业、企业的应用环境本来如此，不是因为有智能体就变了。
智能体要有工具、环境，才叫智能体。智能体只是脑子推理说我要去ERP里做个订单、做个账，做账还是做账，做订单还是做订单。智能体是在企业的核心信息系统里跑的，换句话说，智能体是车，ERP是车跑的那个路。你有了大脑后，就像有了车，但没有路，车在哪里开？
企业如果连ERP都没有用好，不可能用智能体的。
主持人：所以您的观点是，在AI智能体这个时代，在中国依然是没有通用的这种协议存在，不会有一个比较通行的标准让A to A进行连接、智能体跟智能体之间调用，server和server之间还是割裂的？我相信吴总肯定不赞同。
吴玮杰：我最近在一个峰会上，他们问了我类似的问题，我当时讲了一句话，可能显得不那么有情商，就是当某一天在座的这群45岁以上CTO都退休的时候，我觉得这个时代会来临。
主持人：但最近山姆奥特曼说了一句话，大家也很有共鸣，他认为智能体将来是操作系统，您怎么看待？
陈果：他们说的都对，但那是2050年的事情。
吴玮杰：其实在这一点上我有不同的观点。今天我们看到智能体，已经有一定的入口的形态。
第一类是像OpenAI的GPT，包括智谱的AutoGLM这样的原生大模型作为入口，来做一些执行和操作。
第二类是互联网大厂已有的super APP，比如微信、支付宝的嵌入式入口。
还有一个新的入口就是操作系统和智能终端的结合。有的在做耳机，有的在做眼镜，有的在做手机，大家其实都是在做抢占入口的动作。
当智能体的能力更加前置，作为操作系统的一部分时，就能够越过APP、跳过很多应用场景来做执行。举个例子，我可以直接告诉我的操作系统，帮我订一张从上海飞往北京的机票，对智能体本身而言，它不会关注背后你用到的是什么APP，而是从各个APP中去找一个最便宜的机票帮你跳转过去。
这种情况下，现有的商业生态都会变化，开屏广告怎么卖？竞争是否变成后端供应链的竞争，而不是一个前端的入口竞争了。
陈果：这个要回到信息系统的原理上来。刚刚说订机票，但全世界的各个航司还是要有一个机票的信息系统。
今天所有企业级的系统和to C的系统有一个不同是，数据本身的合规性要求是非常高的，数据要持续存储、信息要可追溯。
但今天的大模型是基于连接主义的，它是基于神经网络的。所以它本身存在一个致命的问题就是永远不可以解释、不可预测。
所以企业如果要应用人工智能去做智能体的话，只能去解决那些对可预测性和可追溯性要求不那么高的活动。
从信息系统的原理上讲，智能体是行动系统（System of Actions），在业务流程、人机交互这一层，它可能发生范式的变革，但是在底层的话——企业的核心数据，也就是记录系统这一层，至少目前，我还看不到范式的变革。
吴玮杰：我挑战一下果总，我觉得这件事儿是有可能会被解决的。
类比十年前，全球制造业智能化时出现两种技术路径，一种是美国提出的“工业互联网”，不动原有系统，通过“外挂”方式增加智能，打个比方，就像是在老式水表上加一个摄像头，远程看到读数。另一种是以欧洲为代表提出的“工业4.0”，干脆把水表换成个智能的。
今天很多企业在用智能体时，还是“在老水表上加摄像头”——让智能体帮你去ERP系统里点一下下单按钮，处理一下表格，像一个AI版的按键精灵，我知道下一步是什么，然后让它去执行。
但在大模型时代，有可能会出现另一种范式——它不基于过往的规则引擎。
因为当我有越来越多的数据，大模型可能通过某种方式，甚至通过不断的迭代找出一套不完全基于原来这套“我要先做1，再做2，再做3，再做4”的规则引擎。
这个过程中，很有可能大模型还是不可解释，不可预测，但是它会越来越接近于这个事情的本质。
企业对AI的ROI误区
主持人：陈总咨询了很多企业，你也谈到了企业需求并不是很强烈，他们是出于什么样的考虑呢？是觉得没效果吗？
陈果：去年某个头部的制造业，是中国自建GPU最大的公司之一，他们自己买了一千张GPU，投入好几个亿，自建算力平台，部署了各种大模型。
可是那么大的算力都投下去了，他真正产生生产力的事情，就是画广告图片、广告文字。
我当时还问那个负责人，你们为什么不用智能体做客服，他说里面会有一些合规法律风险在里面，比如车坏了该怎么怎么修？消费者按照AI指令修了之后，万一出事算谁的，但如果让人去检修，客服人员又一点没减。
to B意味着要赚钱，但很不幸我们在企业价值论证这一块，一直非常不明显。
吴玮杰：我觉得两个维度会影响到客户对这个事的判断到底算成功还是失败。
第一是这个客户他有没有找到今天基于模型能力和业务价值的最大公约数。
第二是相关的负责人是否有合理的预期。
举个例子，国内一家知名企业用了我们最新的模型，再加了一些模型的微调，做一个行业垂直模型。但是大概运行了4到5个月，随着我们的基座模型能力一提升，他发现微调过的这个模型还不如提升过的基模。于是企业主来问我说，是不是从这个视角上来说，这个项目就不成功了？
这是个很典型的话题，我觉得这还是个成功的项目。因为在这个过程中，由于我们的模型服务帮这个业务达到了5到6个月的领先窗口期。核心点是你需不需要这5到6个月的领先期。
主持人：两位在服务企业的过程当中，去年跟今年相比有没有感觉到明显的变化？比如对AI的需求变得更强烈了？
吴玮杰：能明显感觉到，企业的需求快速收敛到了一个价值导向的时代。
从24年下半年至今，我们会发现客户会越来越聚焦在你到底能产生多少的商业价值，也就是陈总讲的，计算ROI。今天上市公司，它如果希望能够提升市场对它的信心，不是对外宣称我上了一个模型，而是要有明确的链路，想通过模型带来怎么样的价值，而且这个价值相对是有一个比较明确的路径的，资本市场才会对它有一定认可。
主持人：那有没有一种可能，因为企业对AI的这种紧迫性的需求，可以倒逼企业去重建数字化的系统？
吴玮杰：我觉得现在企业的需求还是比较分散。一类是非常简单直接的降本增效。明确需要在多少时间内收回投资成本、取代多少的人员编制。尤其是像智能客服这样的场景中会比较明显。
主持人：就是要有明确的ROI？
吴玮杰：对，这是一类。第二类是打造一个新的产品。本来这件事做不了，由于大模型的出现，今天这件事可以干了。比如汽车企业里的智能座舱、多意图识别的回答。
第三类我把它统一叫做POC，就是我有个美好的愿望，但是不知道模型能不能做。这类需求基本上有一个共同点，就是客户的预算一定低于100万。大家往往把它作为一个试验田，目标定的特别高，但最后实际做下来，大多数和预期会有一定的偏差。
陈果：我跟一家公司聊，这家公司是中国市值最高的一家制造企业，他们曾经也去找国内最头部的一些科技厂商去建工业视觉。
但仅仅做了POC之后，他们就开始自己干了，因为对他那个企业来讲，技术是机密，他不会让任何厂商去干，任何厂商去做它的机器学习，其实就等于把它的工艺给拿走了。
所以最初给他做的那个厂商，也只挣了个名而已，再来个一点点项目费，后面啥都没有。这说明厂商创新不形成一种社会机制的话，它有可能就成先烈了。
主持人：那对企业来说，智能体在什么样的应用场景下进行落地比较好一点？
吴玮杰：一个企业在AI上的竞争力，有几个参数可以参考。第一，他制作模型选择了什么样的基座模型。第二，他自己是一个什么样的组织能力，比如像智谱这样的公司，可能需要做很多预训练，需要很多指令工程师，但有一些企业更多做应用，它更需要产品经理，不需要算法工程师。第三，它有哪些数据资产。第四，它有哪些应用场景。
拿数据资产来举例，如果今天在这个访谈过程中，突然边上放出音乐，我们会认为是个噪音，但是我如果一个人在家里躺在床上，听着音乐就不是噪音了。所以数据资产始终是跟用户场景强关联的。你这个资产在这个场景上它是有价值的资产，那它就能够服务于企业。所以今天我们会建议企业会更加聚焦在它的应用场景，无论数据资产是不是被清洗过的高质量数据资产，剩下的这一部分其实都是可以通过越来越多的技术把它提炼出来，做一些能力优化。所以回到您刚刚的这个问题，到底企业从什么场景开始最好，其实没有这个答案。
主持人：所以没有相对通用的场景？
吴玮杰：至少我目前还没有梳理出一个通用的法则来。但有个非常有意思的现象。
如果这个大模型的选择，它是从一个IT团队来发起的，那大部分都会从智能客服或者知识库开始，因为这两类场景失败的可能性是最低的，差别无非是准确率是85、87还是91，从一个打工者的视角，它的安全系数最高。
但一个企业主往往不会从这个几个点来做选择，因为对他而言做一个行政问答知识库，只是降本增效，带来的价值是有限的，他会更加深入在业务本身。
所以您要问从哪个点上推荐，取决于他做大模型到底有没有想清楚为什么做。
主持人：最后一个问题，两位觉得智能体它会彻底颠覆哪些行业？
吴玮杰：第一改变的还是软件行业本身，尤其是以代码模型为主体的、偏前端的工程化的公司。比如有工程师原本五天完成的工作，借助代码模型三天就能搞定，另外两天可以用来摸鱼。
第二随着推理模型的成熟，像陈总曾经所从事的咨询行业也会受影响。
比如现在跟大模型说，帮我分析一下北京朝阳区和北京海淀区在过去一年大模型赛道所涌现的企业，它就可以生成一份1-2万字的价值分析报告。
陈果：这儿有一个矛盾，我一直没想清楚，大家有兴趣也可以想一下。
我认为数据信息收集、分析工作会被替代，但是像我这样的合伙人是不可以被替代的，为什么呢？因为咨询本身不仅仅是写文章，还有人与人之间面对面的沟通，会提供情绪价值。
我年纪比较大我也很有经验，企业领导愿意跟我聊，这里矛盾在哪里呢？如果我们把小朋友全部用机器替代之后，他没受到锻炼，他怎么成为合伙人？我觉得人工智能从社会逻辑上来讲有很多矛盾。
主持人：但人是不是可以跟机器人学习，以后机器人可以教人？
陈果：人跟机器学习好了之后，人就变老板了？机器不是把人都替代了吗，我连工作都没有，你怎么给我机会学习呢。
吴玮杰：我觉得从人工智能的发展的过程，可能有一些启发。人工智能最早干的一件事儿叫下棋。图灵测试本身也是拿人跟机器去下，看你能不能感受到对面是一个机器。
下棋有一个东西叫棋谱，也就是它的规则引擎。学围棋，学象棋，都是把几千种几万种不同的棋谱学到，但是AlphaGo当时战胜李世石的那一次，只有一手，我们后来把它定义叫神之一手，因为在所有的棋谱中都找不到这一手。
AlphaGo赢了李世石以后，AlphaGo自己跟自己对战，三天以后出了一个Alpha Master，Alpha Master跟Alpha Master对战，过了21天出了个Alpha Zero。
当机器的智商已经高于人类智商的时候，其实我们很难通过人类的规则引擎，去训练这个模型。
但这个就比话题比较大了，变成了硅基能否战胜碳基。
本文来自虎嗅，原文链接：https://www.huxiu.com/article/4528846.html?f=wyxwapp
倍享策略提示：文章来自网络，不代表本站观点。
