深耕行業(yè)十四年，知浪潮將至，當(dāng)相向而行。本文旨在結(jié)合企業(yè)思考，探討AI新時(shí)代下的技術(shù)與應(yīng)用趨勢，對(duì)內(nèi)秉初心以率眾，對(duì)外納灼見而求臻。

技術(shù)分水嶺：算力、算法和數(shù)據(jù)的能效博弈

隨著大模型的快速更迭，人類已經(jīng)走上了通往人工超級(jí)智能（ASI）的快車道。大數(shù)據(jù)技術(shù)的成熟為AI提供了海量生產(chǎn)要素，GPU技術(shù)的發(fā)展為AI解放了生產(chǎn)力，算法革新為AI突破了算力與數(shù)據(jù)的瓶頸。隨著DeepSeek、GPT o1、Grok等大語言模型在模型算法、訓(xùn)練參數(shù)和算力堆疊這幾棵技能樹上的不斷精進(jìn)，我們已經(jīng)來到了AI技術(shù)發(fā)展的十字路口：一次算力、算法和數(shù)據(jù)的能效博弈。

如果參考摩爾定律，算力的發(fā)展會(huì)最先觸及到能效天花板，基礎(chǔ)大模型依賴堆疊算力的時(shí)代終將結(jié)束。這并不是“算力無效論”，更多的參數(shù)和算力一定意味著更好的模型效果，但是邊際效應(yīng)遞減會(huì)讓技術(shù)發(fā)展在算力上的投入趨于平穩(wěn)。這點(diǎn)從當(dāng)前AI巨頭的產(chǎn)品更迭路徑就可見一斑：隨著xAI Grok的推出，算力堆疊帶來的效果提升已初現(xiàn)疲態(tài)，OpenAI等其他幾家AI巨頭已經(jīng)開始探索AI Agent等應(yīng)用領(lǐng)域，推出智能代理產(chǎn)品。

合成數(shù)據(jù)和私域數(shù)據(jù)是下一個(gè)大模型時(shí)代的數(shù)據(jù)突破口。雖然我們正處于數(shù)據(jù)大爆發(fā)的信息時(shí)代，但得益于大數(shù)據(jù)技術(shù)和算法突破帶來的數(shù)據(jù)處理效率飛躍，AI發(fā)展已經(jīng)面臨數(shù)據(jù)枯竭的問題。早在ChatGPT剛剛問世時(shí)，Sam Altman就警告“我們已經(jīng)處在當(dāng)前大模型時(shí)代的尾聲”。人類互聯(lián)網(wǎng)歷史上被保留下來的各種高質(zhì)量語料，已經(jīng)在 GPT-3/4中被消耗殆盡。大模型參數(shù)數(shù)量仍然可以繼續(xù)膨脹下去，但對(duì)應(yīng)數(shù)量的高質(zhì)量數(shù)據(jù)卻越來越稀缺，因此增長參數(shù)數(shù)量帶來的邊際效益也會(huì)逐漸降低。

算法更像是AI發(fā)展的“催化劑”，它能夠突破算力和數(shù)據(jù)的約束，實(shí)現(xiàn)非線性進(jìn)化。算法領(lǐng)域的突破往往意味著LLM的突破，例如Transformer下的ChatGPT，MoE下的DeepSeek。然而，隨著模型復(fù)雜度的增加，算法的改進(jìn)空間逐漸縮小。一般認(rèn)為算法突破可能需要結(jié)合更多跨學(xué)科的研究成果，例如神經(jīng)科學(xué)啟發(fā)深度學(xué)習(xí)，認(rèn)知科學(xué)啟發(fā)注意力機(jī)制，但未來還會(huì)有多少“Transformer時(shí)刻”，終究難以預(yù)測。

通付盾宣言：基礎(chǔ)大模型的發(fā)展在算力、算法和數(shù)據(jù)的能效博弈中趨于平穩(wěn)，成為通往ASI的堅(jiān)實(shí)基礎(chǔ)設(shè)施；技術(shù)資源逐步轉(zhuǎn)向?qū)I(yè)領(lǐng)域的數(shù)據(jù)價(jià)值提取和AI智能體的場景落地；“應(yīng)用落地”將成為下一個(gè)AI時(shí)代發(fā)展的主旋律。

應(yīng)用大爆發(fā)：多智能體協(xié)同開創(chuàng)Agent時(shí)代

AI Agent的發(fā)展是從“問答機(jī)器人”到“智能助手”的進(jìn)化。Agent的核心在于“任務(wù)執(zhí)行”，使AI不局限于給出建議，而是可以執(zhí)行具體的任務(wù)，例如網(wǎng)上下一筆訂單，或者執(zhí)行一筆交易。從簡單任務(wù)到復(fù)雜任務(wù)的演進(jìn)，往往需要不同模型、不同智能體之間的協(xié)同配合。我們將這種“多智能體協(xié)同”的概念定義為InterAgent（IA），它是技術(shù)架構(gòu)的革新，更是對(duì)產(chǎn)業(yè)應(yīng)用范式的重構(gòu)。我們相信IA將推動(dòng)AI實(shí)現(xiàn)從單一智能到群體協(xié)作、從工具輔助到自主執(zhí)行的跨越式發(fā)展，成為推動(dòng)Agent時(shí)代全面爆發(fā)的核心驅(qū)動(dòng)力。

在技術(shù)層面，Anthropic的MCP協(xié)議使不同數(shù)據(jù)源、模型、工具得以鏈接，為多智能體協(xié)同（IA）提供了標(biāo)準(zhǔn)化協(xié)議。MCP（Model Context Protocol，模型上下文協(xié)議）定義了應(yīng)用程序和模型之間上下文交換信息的方式，使Agent開發(fā)變得更加便捷簡單，也使多Agent體協(xié)同變得更加一致和高效。MCP的協(xié)議生態(tài)還在早期建設(shè)階段，通付盾作為AI Agent信任系統(tǒng)服務(wù)提供商，也積極參與其生態(tài)建設(shè)，部署MCP 服務(wù)器，面向社區(qū)開發(fā)MCP功能插件，為擴(kuò)展多智能體協(xié)同生態(tài)系統(tǒng)貢獻(xiàn)力量。

圖 1通付盾MCP AI插件服務(wù)

在應(yīng)用層面，隨著Dify、elizaOS等Agent框架的逐步成熟，AI Agent在“智能助手”這一角色上功能愈發(fā)完善。Manus的橫空出世更是掀起了對(duì)于“通用智能體”的討論熱潮。一方面，作為一款通用型AI 助手，Manus提供的示例展示了將大模型的邏輯推理能力轉(zhuǎn)化為實(shí)際生產(chǎn)力的能力，商業(yè)潛力巨大；另一方面，鑒于其未開放任何公開測試渠道，Manus的技術(shù)創(chuàng)新真實(shí)性、營銷策略和實(shí)際價(jià)值創(chuàng)造能力也備受爭議，尤其是其主打的“通用Agent”概念，在當(dāng)前AI技術(shù)發(fā)展趨勢下，還有相當(dāng)?shù)木窒扌浴?

相較于Manus的通用宏大敘事，Dify等Agent應(yīng)用平臺(tái)已經(jīng)在多個(gè)領(lǐng)域有了實(shí)際的落地應(yīng)用，這得益于社區(qū)共建的力量。相較于一個(gè)通用的大模型，針對(duì)特定應(yīng)用場景的專屬工作流更加有生命力，這種生命力來源于商業(yè)的本質(zhì)——價(jià)值創(chuàng)造。想象一家企業(yè)創(chuàng)建一個(gè)AI Agent進(jìn)行客戶觸達(dá)和銷售，為了最大化利潤一定會(huì)使用最高質(zhì)量的數(shù)據(jù)以及最優(yōu)秀的專家經(jīng)驗(yàn)來訓(xùn)練Agent，私域數(shù)據(jù)和行業(yè)know-how所帶來的信息壁壘使其效果必將遠(yuǎn)優(yōu)于通用Agent模型。再想象一個(gè)AI Agent市場，匯集了各個(gè)領(lǐng)域的優(yōu)秀Agent（因?yàn)槭袌鰹锳gent創(chuàng)造者提供了足夠的激勵(lì)），Agent之間進(jìn)行市場化競爭，只有價(jià)值創(chuàng)造能力更好的Agent可以生存。優(yōu)秀的Agent可以吸引更多用戶，更多用戶會(huì)提供更多數(shù)據(jù)進(jìn)一步推動(dòng)Agent進(jìn)步，形成正向循環(huán)。

圖 2通付盾鏈上會(huì)AI插件平臺(tái)（左）、AI Agent插件市場（右）

通付盾宣言：AI應(yīng)用時(shí)代以智能體（Agent）為應(yīng)用核心，以多智能體協(xié)同（InterAgent，or IA）為技術(shù)核心；協(xié)助構(gòu)建智能體的基礎(chǔ)設(shè)施將獲得巨大商業(yè)回報(bào)，其關(guān)鍵詞是“垂直領(lǐng)域”“社區(qū)激勵(lì)”和“開放平臺(tái)”。

模型的未來：小模型引領(lǐng)新時(shí)代“圖靈測試”

DeepMind聯(lián)創(chuàng)蘇萊曼在他的著作《浪潮將至》中提出了一種新時(shí)代的AI“圖靈測試”：給一個(gè)AI 10萬美元，看它是否能在亞馬遜上通過學(xué)習(xí)來做交易，并最終賺到100萬美元。這是一個(gè)非常有趣的概念，相較于技術(shù)基線，對(duì)于使用者來說AI Agent更重要的是它的行動(dòng)能力，也就是價(jià)值創(chuàng)造的能力。商業(yè)成功就是新時(shí)代的“圖靈測試”，并且這種測試專為Agent而生。技術(shù)的發(fā)展往往由商業(yè)模式驅(qū)動(dòng)，我們相信模型技術(shù)未來的發(fā)展方向也將由基礎(chǔ)大模型向?qū)I(yè)領(lǐng)域效果更好、盈利能力更強(qiáng)的專家領(lǐng)域小模型發(fā)展。

從技術(shù)角度看小模型的技術(shù)框架已經(jīng)成熟。與一般認(rèn)知不同，小模型的技術(shù)起源其實(shí)要遠(yuǎn)早于大語言模型，其雛形可追溯至20世紀(jì)60年代的專家系統(tǒng)，其核心思想是通過知識(shí)庫和推理機(jī)制模擬人類專家的決策能力。2010年前后備受矚目的MoE框架（也直接啟發(fā)了DeepSeek的算法革新）也是專家模型的基礎(chǔ)框架，通過動(dòng)態(tài)路由機(jī)制將輸入分配給不同的子模型（專家），在保證性能的同時(shí)減少計(jì)算量，為小模型的模塊化設(shè)計(jì)奠定基礎(chǔ)。大模型的成熟也為小模型的質(zhì)量提升提供條件，通過知識(shí)蒸餾、模型剪枝等技術(shù)，小模型在保持性能的同時(shí)可以大幅壓縮規(guī)模。

從商業(yè)模式上看屬于小模型的商業(yè)土壤已經(jīng)完備。小模型效能比出色，部署推理成本僅大模型的數(shù)分之一，但結(jié)合專家知識(shí)庫卻可以實(shí)現(xiàn)遠(yuǎn)優(yōu)于大模型的表現(xiàn)效果。數(shù)據(jù)孤島反而賦予了數(shù)據(jù)更高的商業(yè)價(jià)值和競爭壁壘，隨著小模型的商業(yè)化應(yīng)用成熟，高價(jià)值數(shù)據(jù)可以實(shí)現(xiàn)真正的數(shù)據(jù)要素化，為企業(yè)發(fā)展提供新型商業(yè)模式和盈利空間。

值得一提的是，分布式數(shù)字身份和小模型技術(shù)的結(jié)合可以在數(shù)字空間內(nèi)創(chuàng)造出高價(jià)值商業(yè)模式。通過小模型，各領(lǐng)域的私域數(shù)據(jù)可以最大化發(fā)揮商業(yè)價(jià)值，模型的數(shù)字身份就成了數(shù)據(jù)要素確權(quán)的關(guān)鍵。當(dāng)前分布式數(shù)字身份技術(shù)已較為成熟，如何讓每一個(gè)小模型、每一個(gè)AI Agent擁有數(shù)字空間的可信身份甚至是賬戶體系，是AI Agent商業(yè)應(yīng)用探索拓新的關(guān)鍵命題。

在一些特定領(lǐng)域，小模型則有著不可比擬的競爭優(yōu)勢。例如能源、軍工、醫(yī)療等數(shù)據(jù)敏感行業(yè)，數(shù)據(jù)需要進(jìn)行本地化處理甚至需要實(shí)現(xiàn)端側(cè)推理，這都是大模型所無法實(shí)現(xiàn)的。以電網(wǎng)業(yè)務(wù)為例，使用AI Agent搭配專家領(lǐng)域小模型，在業(yè)務(wù)風(fēng)控場景可以實(shí)現(xiàn)更智能，更人性化的風(fēng)控干預(yù)；在營銷場景可以實(shí)現(xiàn)自動(dòng)化市場線索收集、活動(dòng)運(yùn)營以及精準(zhǔn)營銷獲客；在分布式光伏、端側(cè)設(shè)備管理等場景，可以大幅提升調(diào)度效率，降低運(yùn)營成本。再比如金融風(fēng)控、法律、教培等行業(yè)，專家經(jīng)驗(yàn)寶貴且私密，本地知識(shí)庫結(jié)合自定義工作流可以很好地保護(hù)這部分內(nèi)容不被用戶逆向獲取。

圖 3 通付盾電網(wǎng)業(yè)務(wù)安全多AI Agent協(xié)同矩陣

圖 4通付盾銀行業(yè)AI Agent智能風(fēng)控平臺(tái)

通付盾宣言：商業(yè)成功是新時(shí)代的“圖靈測試”，小模型是AI Agent突破新時(shí)代“圖靈測試”的最佳路徑。分布式商業(yè)和分布式智能也將因小模型的發(fā)展而大放異彩。