(網(wǎng)經(jīng)社訊)12月3日，中國科技產(chǎn)業(yè)智庫「甲子光年」在北京·萬達文華酒店舉辦「2025甲子引力年終盛典」。甲子光年創(chuàng)始人&CEO張一甲重磅發(fā)布主題報告《轟然成勢 萬象歸一：2025人工智能產(chǎn)業(yè)30條判斷》。以下為報告詳細內(nèi)容。

1.過去一年，AI發(fā)生了什么？

2.此刻：轟然成勢，萬象歸一

2.1轟然成勢，萬象歸一

今年的主題是“轟然成勢，萬象歸一”，我先解釋一下為什么用這八個字作為主題。

如果一個人在十年前沉入夢鄉(xiāng)，今天剛剛蘇醒，他或許會覺得人工智能是一個憑空降臨的龐然大物。

一覺醒來，仿佛世界被重新編碼。它無處不在：能寫文章、能編曲、能設(shè)計、能編程，在企業(yè)中排班，在工廠里檢測，在課堂上教學(xué)，在醫(yī)院里診斷……仿佛這股力量，是在他沉睡的這些年里突兀而神秘地橫空出世。AI已經(jīng)“轟然成勢”。閾值已至，其勢已成。

何為“勢”？

勢，不是單一參數(shù)的線性增長，而是復(fù)雜系統(tǒng)的能量耦合，多股力量同頻共振，將我們推過一個無可逆轉(zhuǎn)的臨界點。勢也并非憑空而來，它是長期積蓄后的“轟然顯形”，就像地震前的地殼運動——緩慢而堅決，某一刻地表的震動，只是深層能量早已堆積的結(jié)果。

從“算法可行”到“系統(tǒng)成勢”，這一路，是時間的壓強，也是集體意志的匯聚。

何為“萬象歸一”？

“歸一”不是指一切被統(tǒng)一為單一，不是消弭多樣性，而是對復(fù)雜性的更高維組織——在全新的經(jīng)濟形態(tài)里，我們開始共享一種新的底層邏輯。

模型、算力、數(shù)據(jù)、應(yīng)用，正融合為統(tǒng)一的經(jīng)濟基礎(chǔ)；千行百業(yè)的痛點，正在“智能”這一命題下找到共解；政策、資本、產(chǎn)業(yè)與社會接受度，也必須形成新的協(xié)同。

2.2“轟然成勢”，是能量的臨界；“萬象歸一”，是秩序的自覺

“轟然成勢”，是能量的臨界；“萬象歸一”，是秩序的自覺。

“轟然成勢，萬象歸一”八個字，蘊含著智能革命從爆發(fā)到秩序的底層邏輯。

3.定義：“默認式AI（Default AI）”

3.1概念定義：默認式AI（Default AI）

這個底層邏輯是什么？

甲子光年將其定義為：默認式AI。

“默認式AI”（Default AI）：無需用戶主動選擇或感知，默認存在、默認開啟的人工智能形態(tài)。

——甲子光年

經(jīng)歷了數(shù)年的爆發(fā)與重構(gòu)，AI從“技術(shù)的奇觀”成為了“默認的存在”。它不再是實驗室里的驚嘆，而是社會的結(jié)構(gòu)，是經(jīng)濟系統(tǒng)的沉默底層。它不是“被使用的AI”，而是“自然而然存在的AI”。

3.2默認即智能：智能成為常態(tài)，AI走向日用而不覺

2023年我們感受到的AI是驚訝、嘗鮮；2024年我們感受到的AI是商業(yè)的拷問；2025年我們感受到的AI是一種“默認”——默認即智能：智能成為常態(tài)，AI走向日用而不覺。

如果我們打開一個網(wǎng)頁，沒有AI，你會覺得很奇怪；如果你的一位朋友沒有使用過AI，你會覺得很反常。

數(shù)據(jù)顯示：超過一半的美國成年人（61%）在過去六個月中使用過人工智能，近五分之一的人每天都依賴人工智能。

3.3默認式AI特征：關(guān)閉才是例外，不用才是例外，不會才是例外

“默認式AI”具有三大特征：

1.非選擇性（Non-optional）：用戶不再“決定是否使用AI”，而是在日常操作中自動與AI交互。例如：輸入框默認AI補全、相機默認AI識別、搜索結(jié)果默認AI重寫。

2.低感知（Invisible）：AI的參與被隱形化和底層化，用戶甚至不察覺AI在起作用。例如：iPhone照片自動分類、郵件的智能排序、文檔自動摘要。

3.系統(tǒng)綁定（System-integrated）：AI不以獨立應(yīng)用的形式存在，而是嵌入操作系統(tǒng)、平臺或設(shè)備的基礎(chǔ)層。例如：Windows Copilot、Apple Intelligence。

3.4AI社會化三階段：工具式AI→伴隨式AI→默認式AI

默認式AI（Default AI）是人工智能社會化演進的第三階段。

階段1：工具式AI（Tool AI）——AI是“被使用的能力”，強調(diào)“我在用AI”。

階段2：伴隨式AI（Assistive AI）——AI是“共同工作的伙伴”，強調(diào)“AI在幫我”。

階段3：默認式AI（Default AI）——AI是“世界的底層邏輯”，強調(diào)“AI就在那兒”。

當一項技術(shù)成為“默認式”的，意味著它已經(jīng)深度嵌入社會結(jié)構(gòu)，具備了不可逆性——即使后續(xù)技術(shù)路線更迭，甚至經(jīng)歷商業(yè)泡沫，但這個時代依然開啟了——就像互聯(lián)網(wǎng)曲曲折折，也經(jīng)歷過互聯(lián)網(wǎng)泡沫，但互聯(lián)網(wǎng)時代依然不可逆地繼續(xù)推進著。

今天來看，AI也進入了這樣一個時代。它從“被使用”變?yōu)椤氨活A(yù)設(shè)”，成為了所有人的戰(zhàn)略前置。剛才所說，“轟然成勢，萬象歸一”，而“默認式AI”，正是這個“一”的內(nèi)涵。

接下來，我們看具體的判斷。

關(guān)注公眾號「甲子光年」，后臺回復(fù)“轟然成勢”，獲得高清版完整PDF?；蛘唿c擊文末“閱讀原文”，進入甲子光年官網(wǎng)下載。

4.2025年全球人工智能發(fā)展趨勢30條判斷

4.1技術(shù)趨勢

【判斷1】“智能基線”的提升：仍是AI本質(zhì)驅(qū)動力，AI正在九個維度變得更強

2025年，可能很多人有一種直觀感覺，業(yè)界議題大比例地聊AI應(yīng)用、AI落地，但第一個判斷首先我們還是想強調(diào)一點——智能本身的提升。

智能的基線決定了“AI能做到什么”。沒有更強的推理、記憶、理解能力，Agent只是更精巧的流程圖。所以，我們依然需要“更高一級的智能”。

OECD（經(jīng)合組織）在2025年發(fā)布了AI能力指標：用九個維度描述了當前AI的能力進階，包括語言能力，社會互動能力，問題解決能力，創(chuàng)造力，元認知與批判性思維，知識、學(xué)習(xí)與記憶能力，視覺能力，操作能力以及機器人智能。這些維度共同定義了“智能本身”的基線。

如圖所示，2025年，圍繞這些維度，各個前沿模型不僅沒有停滯迭代，還在強勁地進步，且競爭比任何時候都更加激烈——智能這件事本身還遠未到天花板。

【判斷2】Beyond Transformer：“架構(gòu)級”探索仍在繼續(xù)，但仍未撼動Transformer地位

在大模型研發(fā)的最核心層——架構(gòu)層，仍然存在關(guān)鍵變量。

Transformer依舊是當下的絕對主流：幾乎所有最強通用模型仍基于Transformer或其變體。但隨著應(yīng)用規(guī)模放大，它的短板也被放大：比如算力成本、推理效率和存儲瓶頸。

為解決這些問題，人們在不同的路徑上探索：一方面，Transformer路線本身在持續(xù)進化，另一方面，非Transformer架構(gòu)也在同步發(fā)展。如今，兩條路線也正在融合，走向混合架構(gòu)。

路線分化的內(nèi)在邏輯是，Transformer路線更多追求的是“智能的上限”，非Transformer路線追求的是“智能的效率”——在提供同等性能的同時，把計算復(fù)雜度降低為線性復(fù)雜度，在可承受成本內(nèi)把智能鋪到更多場景和終端。兩條路線正對應(yīng)甲子光年智庫之前提及的AI的“進擊”和“普惠”兩個方向。

例如，RockAI為非Transformer國產(chǎn)化的表率，率先推出中國自主架構(gòu)大模型，且在PC、平板、機器人、樹莓派等終端上率先落地。RockAI以“讓世界上每一臺設(shè)備擁有自己的智能”為使命，于2024年1月發(fā)布國內(nèi)首個非Transformer架構(gòu)大模型Yan 1.0，2025年7月發(fā)布全球首個擁有原生記憶力的大模型Yan 2.0 Preview。

2025年，AI模型架構(gòu)正在“Beyond Transformer”，但尚未“After Transformer”，transformer仍未被“機制級”顛覆。但最值得期待的創(chuàng)新，恰恰是跳出路徑依賴、改寫規(guī)則的創(chuàng)新——如果“After Transformer”最終形成，它可能已經(jīng)在今天展現(xiàn)出了雛形。

【判斷3】智能與智能體互相鍛造：智能賦予行動以可能，行動回饋智能以演化

智能（intelligence）與智能體（agent），絕不僅僅是“大腦＋行動”的簡單分工，更好的比喻是“生成器”與“校驗器”——它們互為條件、互相鍛造，在遞歸循環(huán)中共同走向更高階的復(fù)雜性與通用性。

第一，基模的智能，直接決定智能體的上限與可靠性。

有了智能，agent才獲得“想象能力”——比如“如果我在狀態(tài)s采取動作a，期望回報會是什么”，這讓智能體能在多個備選動作之間做權(quán)衡，可能性空間因此被打開，這正是目標導(dǎo)向和自主性的根源。

第二，智能體又反過來鍛造智能本身。

基礎(chǔ)模型的優(yōu)化，并不是關(guān)起門來訓(xùn)練，而是不斷從智能體與環(huán)境的交互中形成“任務(wù)執(zhí)行→行為結(jié)果→數(shù)據(jù)回流→基模迭代→能力躍遷”的正循環(huán)。

智能體構(gòu)成“外環(huán)”，智能是“內(nèi)環(huán)”。外環(huán)的實踐不僅修正自己的動作，還能回灌到智能系統(tǒng)，修正內(nèi)環(huán)的規(guī)則本身。我們不能低估了這種“回灌”——科學(xué)史上的實驗反常倒逼理論革命就是這條回路的體現(xiàn)。

第三，多智能體協(xié)作，提供了“智能體反哺智能”的一個視角。

來自清華的一項研究觀察到了“協(xié)作縮放定律”：大模型不只是“單體變大”可以遵循scaling law，“多智能體的協(xié)作”本身也有一條scaling law——當多智能體通過特定結(jié)構(gòu)協(xié)作，其集體表現(xiàn)可以超越個體性能總和，隨著智能體數(shù)量增加，解決方案的質(zhì)量以“S型曲線”提升，這進一步說明智能體對智能形成反哺。

【判斷4】智能體與世界模型“同源同宗”：當智能體足夠強，世界模型就出來了

接下來分享一個很有意思的觀點：長期以來，世界模型是否是實現(xiàn)AGI的必需條件，一直存在爭論。

而在一篇ICML2025的論文里，DeepMind的科學(xué)家們表示：任何能泛化完成復(fù)雜任務(wù)的智能體，它的策略里一定已經(jīng)學(xué)習(xí)了其環(huán)境的預(yù)測模型（即世界模型），而我們甚至可以通過觀察智能體的行為來提取這個模型，且智能體的性能越高，其內(nèi)部世界模型就必須越準確。

論文中有句原話：“通用代理就是世界模型，模擬環(huán)境所需的所有信息都編碼在其策略中。”

論文用數(shù)學(xué)證明了一個核心直覺：如果智能體真的懂“怎么做”，那它必須懂“世界會怎樣變化”——策略能力與世界模型知識在數(shù)學(xué)上等價。想成為聰明的智能體，就得在腦子里“重建世界”。

這讓人們回想起2023年3月，OpenAI聯(lián)合創(chuàng)始人Ilya提出了一個深刻的論斷：大型神經(jīng)網(wǎng)絡(luò)的功能遠不止預(yù)測下一個單詞，它實際上是在學(xué)習(xí)“世界模型”。

我們可以做一個比喻：把一位頂級武林宗師看作“智能體”，他腦中對江湖格局與招式后果的快速推演就是“世界模型”。一個強大的智能體，必須能夠理解其行動在環(huán)境中的后果——這種“理解”的本質(zhì)，是一個關(guān)于環(huán)境如何運作的模擬，也就是世界模型。

所以，智能體與世界模型同源同宗，換句話說：行動即建模。

【判斷5】AI記憶突破：從“能記住”到“會回憶、敢遺忘”

如今，大模型正在從生成工具演化為具有長期交互能力的智能體，這對“記憶能力”提出了更高的要求——只有記憶突破，AI才能“持續(xù)陪伴”，這是增加用戶黏性的必然。

然而，如何提升AI的記憶能力？這是一個值得深思的命題。

哲學(xué)家博爾赫斯有一篇短篇小說《博聞強記的富內(nèi)斯》：

主角在墜馬重傷后意外獲得了無法遺忘的超凡記憶力。他記得每一粒玉米的紋理、每一次呼吸的濕度，但卻無法抽象出“玉米”、“呼吸”的概念，他陷入無窮的細節(jié)中，最終失去了思考能力——“無限記憶”反而造成了“認知災(zāi)難”。

這個故事啟發(fā)我們反思：什么是好的記憶？

過去幾年，業(yè)界在追求“更長的上下文窗口”。

這種方法很像一個極度用功的學(xué)生：在閱讀長文章時，他把每個單詞、每個標點都仔細抄進筆記本，但隨著筆記本越來越厚——要查找、比對每一頁的內(nèi)容都變得緩慢而吃力。這讓記憶變成了“甜蜜的負擔”。

AI記憶的難題體現(xiàn)在三個維度：“準確-實時-經(jīng)濟”。

• 準確：看似要追求信息的完整，但當信息過多時，模型反而會lost in the middle，多余的信息不是中性的，是有害的；

• 實時：看似要求記憶即時更新，但如果每次對話都立刻寫入記憶庫，就像“邊開車邊修車”，反而會造成嚴重延遲；

• 經(jīng)濟：看似要求控制計算與存儲成本，但過度節(jié)省又會犧牲信息質(zhì)量。

越來越多人意識到，通往高級記憶的路徑，并非簡單的“擴容”。于是，業(yè)界開始更重視長期記憶、外部化記憶等其他方法。各式解決方案基本指向了同一個方向——“聰明的選擇”比“全面的記憶”更重要。

比如浙江大學(xué)團隊推出的LightMem系統(tǒng)，帶來了三個反直覺的啟發(fā)：

第一個反直覺：過濾——壓縮掉50%的信息，準確率不降反升；

第二個反直覺：分層——不按人工規(guī)則切段，讓主題自己“長出來”，效果更好；

第三個反直覺：異步——延遲更新比實時更新更準確，更快。

所以，他們讓AI學(xué)會“遺忘”——準確說，是讓模型學(xué)會像人腦一樣，優(yōu)雅地過濾、分層、異步處理記憶。

2025年是AI記憶突破的關(guān)鍵年份，AI的“記憶”完成了從“能記住”到“會回憶、敢遺忘”的跨越。企業(yè)也紛紛加大相關(guān)投入。

比如紅熊AI認為“記憶不是存儲，而是重建”。其自主研發(fā)“記憶科學(xué)”平臺，解析多模態(tài)對話記錄，采用增量式圖譜重構(gòu)技術(shù)，在原有記憶體系上動態(tài)新增或重建關(guān)聯(lián)節(jié)點，實現(xiàn)非冗余存儲與圖結(jié)構(gòu)優(yōu)化，達到97%的多模態(tài)記憶精準采集，92%的記憶機制模型預(yù)測準確率。

記憶方法的迭代，更新了AI設(shè)計的哲學(xué)。真正的智能，不在于記住一切，而在于知道什么值得記住。

當然，AI記憶的考驗才剛剛開始：如何在記住與遺忘之間找到平衡點，既不讓用戶因被遺忘而失望，也不因被牢記而恐懼。優(yōu)雅的解決方案本質(zhì)都是取舍的藝術(shù)。對于AI記憶來講，尤其如此。

【判斷6】下半場開啟：“AI勝負手”從“訓(xùn)練更強”走向“定義更好”

今年有一篇文章引起了廣泛關(guān)注，OpenAI研究員姚順雨的《AI的下半場》。

他講到，我們正站在AI發(fā)展的中場分界線上。

上半場的核心競爭力是新模型與訓(xùn)練方法。

轉(zhuǎn)折點來自強化學(xué)習(xí)（RL）的通用化，這讓我們有了一個泛化的、通用的方法。

強化學(xué)習(xí)包含三大要素：算法、環(huán)境、先驗知識。同時，我們有了一套“通用配方”：海量語言預(yù)訓(xùn)練、數(shù)據(jù)/算力規(guī)模、推理與行動機制。

語言內(nèi)化的海量先驗知識，使推理成為可能，這正是實現(xiàn)高級泛化的關(guān)鍵。這之后，AI不再是靠窮舉試錯來學(xué)習(xí)，而是可以像人一樣，根據(jù)基本原理和常識，來應(yīng)對新任務(wù)。

“強化學(xué)習(xí)+這套配方”的組合跑通了，攻克基準就變成了一件可復(fù)制、可規(guī)模化的事情。此后，針對特定任務(wù)的新方法可能僅提升5%，而下一代通用模型不專門優(yōu)化就可能提升30%。再設(shè)計更難的基準，也會被迅速攻克，而且刷榜節(jié)奏只會越來越快。一旦你可以定義一個考試，離它被解決也不遠了。

于是，我們來到了下半場：我們從“解題人”變成了“出題人”。我們不再只問“能否訓(xùn)練模型解決X”，更要追問“該讓AI解決什么？如何衡量實質(zhì)進步？”

換言之，AI的“勝負手”正在從“訓(xùn)練更強”轉(zhuǎn)向“定義更好”。

當然，下半場的開啟并不意味著上半場的結(jié)束，更準確的表達是：上半場的游戲仍在繼續(xù)，下半場已經(jīng)開啟。

【判斷7】大模型開啟“性價比”敘事：從“堆規(guī)?！钡健皵D水分”，“每單位智能成本”成為賽道新基準

AI的發(fā)展，每一年都有核心敘事。2025年，一個核心的敘事是大模型的性價比。

2025年以前，AI界盛行著一種信念：只有巨額投入和瘋狂堆算力才能打造最強大的模型。2025年開年，DeepSeek R1打破了“砸錢堆料”的路徑依賴，如同一塊投入湖面的石子，激起了層層漣漪，把“性價比”推到了牌面中央。

從訓(xùn)練角度看，從DeepSeek開始，行業(yè)出現(xiàn)兩極分化。

向上看，沖擊能力前沿的訓(xùn)練越來越貴：前沿模型的訓(xùn)練成本以2-3倍/年的速度攀升，一次訓(xùn)練可能就要花掉上億美元，照這個趨勢推算，2027年前后就會出現(xiàn)“單次訓(xùn)練成本超十億美元”的模型。

向下看，復(fù)刻既有能力的成本在被快速打穿：2025年，DeepSeek把R1的強化學(xué)習(xí)訓(xùn)練階段壓到29.4萬美元，連同底座一共大約600萬美元。

沖前沿越來越貴，復(fù)刻同代能力越來越便宜。兩條軌道同步擴張，形成明顯的“啞鈴型”結(jié)構(gòu)。

從推理角度看，近年來，在同等能力水平上，LLM推理的“單位智能價格”正在快速坍塌，在各類基準性能下，價格每年下降9倍到900倍不等，且價格下降在2024年后明顯加速。

訓(xùn)練成本決定了模型能否被經(jīng)濟地創(chuàng)造出來；推理成本決定了模型能否大規(guī)模商用。在“性價比”的新敘事下，二者被統(tǒng)一到了一個更高的目標之下：總成本和商業(yè)回報的最大化。

如今，業(yè)界譬如DeepSeek-OCR等各類進展也在推動性價比的進一步提升。

最危險的對手，不是那個跟你拼燒錢的人，而是那個證明根本不需要燒那么多錢的人。真正的比賽，落在“每一單位智能的成本”上。

【判斷8】算力迭代：非GPU技術(shù)推動AI芯片架構(gòu)革命

過去，AI芯片市場GPU一家獨大，但如今算力格局正在被改寫，非GPU已經(jīng)開始成為AI芯片新寵，這里尤其以TPU和可重構(gòu)芯片為代表。前陣子發(fā)布的Google TPU v7更是引發(fā)了關(guān)注。此外，很多初創(chuàng)企業(yè)也在非GPU路線探索。

GPU雖然強大，但在推理速度、能耗、算力成本方面都存在問題，這些維度都是非GPU技術(shù)的潛在優(yōu)勢。此外，范式多樣性本身就是創(chuàng)新的前提。

從市場份額來看，2025年上半年，我國非GPU加速服務(wù)器市場占比30%，而2029年其市場份額可能達到半壁江山。

值得注意的是，北京市構(gòu)建的自主可控AI“芯片矩陣”，有四家明星企業(yè)，其中有三家都是非GPU。

比如，清微智能是國內(nèi)研發(fā)“非GPU”新型架構(gòu)AI芯片的代表企業(yè)。其研發(fā)的可重構(gòu)AI芯片在保留GPU通用性的同時，通過算子的動態(tài)重構(gòu)，趨近TPU等專用AI芯片的能效優(yōu)勢，也被稱為“通用型TPU”。

【判斷9】AI打破“分科”壁壘：從“Science+AI”走向“AI+Science”，AI在跨領(lǐng)域?qū)ふ掖鸢?/strong>

當我們談通用時，對立面往往是垂直。然而，當我們談“垂直”時，意味著一種局限性思維——AI與人類切割“垂直”的方式本身就是不一樣的。

自然科學(xué)橫跨物理、化學(xué)、生物、材料等多個重要領(lǐng)域。在長期發(fā)展中，各領(lǐng)域形成了不同的數(shù)據(jù)表達方式和研究方法，但也導(dǎo)致了“知識的孤島”，當我們硬生生給AI去“分科”，可能恰恰錯失了一些可能性。

AI的思維模式是“跨領(lǐng)域求解”，而非“分科而治”。

第一，AI的知識是網(wǎng)絡(luò)化的：大模型的知識本質(zhì)上是將所有信息視為一個巨大的關(guān)聯(lián)網(wǎng)絡(luò)。對它而言，一個醫(yī)療問題和一個機器人控制問題，可能只是網(wǎng)絡(luò)中被某條路徑連接的兩個節(jié)點；

第二，問題的本質(zhì)是相通的：很多看似分屬不同領(lǐng)域的問題，在底層可能共享相同的邏輯。AI沒有先入為主的“學(xué)科”概念，更沒有路徑依賴。

這意味著AI科研范式可以有一種完全不同的視角：從“Science+AI”走向“AI+Science”。

后者不是把AI當作工具，而是把AI當作科學(xué)的“新主體”，以AI為核心重新布局整個科研流程。

從實踐來看，研究者正在積極基于此理念構(gòu)建“科學(xué)基座大模型”。

譬如，微軟研究院開發(fā)了一個跨學(xué)科的科學(xué)基礎(chǔ)模型NatureLM。其核心思想是：我們可以將小分子、蛋白質(zhì)、材料、DNA/RNA等都看作是某種“序列語言”，構(gòu)建一個統(tǒng)一的模型，來幫助科學(xué)家進行跨領(lǐng)域的研究。

研究人員訓(xùn)練了三個不同參數(shù)大小的版本，并看到了“規(guī)模法則”——論文評估了22個任務(wù)類別，其中有18個任務(wù)隨著模型規(guī)模的增加表現(xiàn)出明顯提升。這展現(xiàn)了大型基礎(chǔ)模型在科學(xué)發(fā)現(xiàn)中的潛力。

AI的真正潛力，恰恰在于其能夠打破人類的知識框架，在看似不相關(guān)的領(lǐng)域之間建立連接，從而產(chǎn)生原創(chuàng)性的解決方案。

【判斷10】原生多模態(tài)：從拼接方案走向“原生統(tǒng)一”，是走向AGI的必由之路

剛才的AI+Science體現(xiàn)了一種不同學(xué)科“原生統(tǒng)一”的思想，我們承接這一點，聊一聊“原生多模態(tài)”。

我們正在從“拼接多模態(tài)”走向“原生多模態(tài)”，這種轉(zhuǎn)變是AI對世界理解方式的一次深刻升級。

拼接模式就像是一個“翻譯團隊”：視覺編碼器負責“看圖說話”，語音模型負責“聽寫轉(zhuǎn)文字”，再由語言模型進行理解。任何一環(huán)的“誤譯”都會導(dǎo)致偏差。

原生多模態(tài)大模型則更像一個“通才”，在訓(xùn)練階段就進行跨模態(tài)統(tǒng)一表示，讓“看、聽、說、想”在同一語義空間中協(xié)同涌現(xiàn)，這能更深入地挖掘不同模態(tài)數(shù)據(jù)間的潛在聯(lián)系，也帶來了更高的效率、更低的延遲。

以大型多模態(tài)推理模型路線來看，可以分為四個階段，感知驅(qū)動模塊化推理、語言中心短推理、語言中心長推理、原生多模態(tài)推理。原生多模態(tài)是大勢所趨。

2025年，我們看到了一系列顯著的進展——“原生多模態(tài)”成為了領(lǐng)先模型的“默認配置”。

真實世界本質(zhì)是跨模態(tài)信號流。原生多模態(tài)不僅是當前技術(shù)發(fā)展的明確方向，更是走向AGI的必由之路。

【判斷11】具身智能大模型：架構(gòu)并未收斂，雖然端到端VLA火爆，但尚未形成具身版本的“Transformer”

如果說，Transfomer這樣的統(tǒng)一架構(gòu)，最終催生了ChatGPT等旗艦產(chǎn)品，那么現(xiàn)在具身智能還沒形成自己的“Transfomer”。目前具身智能賽道，軟硬件皆沒有收斂，模型層面有端到端VLA模型、分層模型以及世界模型等，并沒有進入“一個大模型打天下”的局面。

首先，從每年推出的VLA模型與數(shù)據(jù)集看，VLA的熱度快速上升，2025年尤其如此。

其中，端到端VLA是“舞臺效應(yīng)”最強的，也是資本熱度最火爆的?！耙惶讬?quán)重看圖聽話直接出動作”的思路最抓眼球，也最符合第一性原理。

但量產(chǎn)與落地的主流仍是大小腦分層方案。VLA是“技術(shù)天花板”最被追捧的路線，卻未到“市占天花板”——風口在端到端，交付靠分層。

2025年行業(yè)實相是“分層+端到端VLA+世界模型”三主線并行：端到端VLA負責旗艦Demo與科研；分層承擔量產(chǎn)主力；世界模型還處于早期驗證。

這反映了具身智能的復(fù)雜性，即單一方案難以解決從高層認知到物理交互的全部挑戰(zhàn)。因此，行業(yè)必須通過多方協(xié)作，共同推動技術(shù)進步和標準制定，才能加速具身智能的落地。

4.2產(chǎn)品趨勢

【判斷12】AI即系統(tǒng)：AI正在“操作系統(tǒng)化”，成為第一調(diào)度實體

我們開篇講到，我們已經(jīng)進入“默認式AI”時代，其中一個重要體現(xiàn)是，AI正在“操作系統(tǒng)化”。

回顧歷史，OS本身經(jīng)歷了三個階段的進階。從PC時代的Windows、macOS，到移動時代的Android、iOS，再到今天的AI OS。

當Windows在90年代悄然成為個人電腦的默認界面時，很少有人想到，它會定義此后數(shù)十年的個人計算；當iOS帶著App Store亮相時，整個移動互聯(lián)網(wǎng)生態(tài)因此解鎖。AI OS也將扮演類似角色。每一代操作系統(tǒng)的迭代，都伴隨著硬件形態(tài)、交互方式、信息內(nèi)容等多個維度的變遷。

AI成為OS，意味著AI將成為“第一調(diào)度實體”：負責資源調(diào)度、任務(wù)編排、流程優(yōu)化。

舉個例子，浩鯨科技推出企業(yè)AI操作系統(tǒng)鯨智百應(yīng)，旨在讓企業(yè)真正實現(xiàn)從“使用AI”到“本身就是AI”的轉(zhuǎn)變，依托Data Cloud的企業(yè)數(shù)據(jù)建模與洞察能力、Function Cloud的全域功能調(diào)度與協(xié)同能力，以決策、流程、知識、記憶、插件五大引擎構(gòu)建智能底座，驅(qū)動AI從“外掛工具”變?yōu)榻M織“原生能力”。

【判斷13】“無頭商業(yè)”崛起：AI正在成為所有軟件的默認能力

剛才我們說了操作系統(tǒng)，現(xiàn)在說一說“默認式AI”時代的軟件，尤其是SaaS的變化。

甲子光年智庫曾經(jīng)提到一個概念叫“AI的主語化”，這個概念對SaaS出現(xiàn)了明顯的邏輯替代。

首先，主語讓渡：AI是中樞，SaaS變組件。

SaaS是面向人的，而未來很多流程是面向AI的。人需要“界面化”的操作，AI完全不需要這些，它更喜歡API和數(shù)據(jù)流，它可以通過調(diào)用接口完成整個業(yè)務(wù)鏈路。

以前，人是流程樞紐，SaaS是工具；現(xiàn)在，AI是流程樞紐，SaaS變成了“能力組件”。

舉個例子：過去，發(fā)票的填寫、審核、歸檔，人需要在不同系統(tǒng)里錄入、校驗、提交；未來，你不再需要打開一個個CRM、ERP、OA頁面，而是直接說“幫我審核一下發(fā)票”，Agent直接將各個能力組件串起來，中間幾乎不需要人介入。

其次，功能解耦：SaaS退居幕后，從完整套件向API/微服務(wù)轉(zhuǎn)變。

今天的SaaS系統(tǒng)往往是一個完整的套件，功能繁雜，前端笨重。但未來，它們會被拆解成一個個API或微服務(wù)。

這意味著單體系統(tǒng)解耦為功能集群。例如，CRM不再是一個大而全的客戶關(guān)系系統(tǒng)，而是一個“客戶數(shù)據(jù)查詢API”。

最終，員工可能只需要面對一個統(tǒng)一的智能體，類似一個“超級前臺”背后有一群“數(shù)字同事”。你只需要跟它說需求，它會自己決定調(diào)用哪個系統(tǒng)和接口。這時，SaaS在用戶眼里消失了。

這意味著“無頭商業(yè)”的崛起。最終，這會導(dǎo)致IT公司的競爭邏輯變化：

• 贏家：誰更能開放API、融入智能體生態(tài)，誰就有機會成為AI時代的基礎(chǔ)設(shè)施；

• 輸家：誰仍然依賴復(fù)雜的頁面操作和封閉的功能套件，誰就可能被AI繞過，逐漸邊緣化。

• 
  

未來AI與AI之間的交互（A2A）將超過人與AI的交互（H2A）。未來的競爭不再是“誰的功能更多”，而是“誰更能讓AI調(diào)用”。

【判斷14】AI交互的靜默革命：從“聊天框”到“無形代理”，界面逐漸消失

過去一年，AI交互方式正在劇烈變革。2024甲子引力×AI創(chuàng)生時代里，我講了一個觀點：“Prompt只是階段性產(chǎn)物，最好的UI是忘記UI。”今天可以就這個話題進一步說一說。

甲子光年認為：AI交互方式會經(jīng)歷四個階段的變革。

• 操作界面交互：用戶通過GUI、鍵盤、鼠標輸入明確指令，AI被動響應(yīng)。

• 自然語言交互：通過聊天框，用戶模糊表達需求，AI通過追問澄清。

• 代理結(jié)果交互：以目標為導(dǎo)向，AI代理主動識別用戶需求、執(zhí)行并交付結(jié)果。

• 物理AI交互：以增強現(xiàn)實（AR）、虛擬現(xiàn)實（VR）和腦機接口（BCI）等新興技術(shù)將人機交互徹底改寫。

首先，從“操作界面”到“聊天框”。

曾經(jīng)“圖形界面+鍵盤鼠標”讓計算機可視化。而目前，聊天框幾乎已經(jīng)取而代之。

進一步，從“聊天框”到“無形代理”。

傳統(tǒng)聊天機器人式的交互正在被更自主的Agent取代。在這個過程中，AI越來越不再需要“聊天”。將AI等同于“更聰明的聊天機器人”就如同將互聯(lián)網(wǎng)定義為“更快的傳真機”——它局限了技術(shù)的本質(zhì)。

未來的AI界面將逐步縮小甚至隱形。最好的界面，可能恰恰是正在消失的界面。

再進一步，隨著物理AI各類新載體出現(xiàn)，AI與人的交互方式將進一步被改寫甚至顛覆。

【判斷15】Agent泛化方式：改造“車”來適應(yīng)所有“路”

伴隨Agent的崛起，一個問題有意思：Agent與環(huán)境的關(guān)系，是前者去適配后者，還是后者去適配前者？

如果把Agent比喻成車，把所有環(huán)境里涉及的工具、能力等等比作路，這個問題就變成了：你是想改造你的車讓它適應(yīng)所有路，還是改造所有路讓它適應(yīng)現(xiàn)在的車？

我們的觀點很明確，是前者。

這里面一個本質(zhì)的思考是“通用”的來源：我們暢想的終極Agent，是像人類一樣，僅憑自然語言和常識就能完成各類任務(wù)。如果“通用”是目標，那“泛化”就是唯一路徑。

首先，“新路無窮”：在開放世界（網(wǎng)頁、桌面應(yīng)用、代碼庫、機器人操控）里，環(huán)境千差萬別、實時迭代，你必須接受全部復(fù)雜性，只能提升Agent的泛化與魯棒性來適配之。

其次，目前各類基準設(shè)計與數(shù)據(jù)，基本都把適配環(huán)境當“一等公民”來考。

最后，從感知泛化到策略泛化，再到行為泛化，以DQN、AlphaZero到RLHF為代表的一系列強化學(xué)習(xí)進展，讓“盡量少改路、多改車”變得可行。

【判斷16】“AI就緒型數(shù)據(jù)”：決定企業(yè)智能化上限的不再是模型，而是數(shù)據(jù)底座

我們都知道數(shù)據(jù)與AI密不可分，調(diào)研顯示：84%全球的數(shù)據(jù)和AI領(lǐng)導(dǎo)者，都將數(shù)據(jù)優(yōu)先策略與AI路線圖結(jié)合。

在默認式AI時代，決定企業(yè)智能化上限的不再是模型，而是數(shù)據(jù)底座。

“數(shù)據(jù)即環(huán)境”：沒有高質(zhì)量的數(shù)據(jù)環(huán)境，再強的大腦也只能空轉(zhuǎn)。

大模型時代真正稀缺的，不是“有數(shù)據(jù)”，而是“AI就緒型數(shù)據(jù)”（AI-ready data）。

很多人以為，大模型出來之后，數(shù)據(jù)標注就不重要了，現(xiàn)實恰好相反：模型越通用，企業(yè)越需要用高質(zhì)量標注數(shù)據(jù)，把它“校準”到自己的業(yè)務(wù)上。這背后需要的，不再是便宜、粗糙的流水線標注，而是懂業(yè)務(wù)、懂AI的專業(yè)數(shù)據(jù)運營能力。Gartner預(yù)測，到2026年，缺乏AI就緒型數(shù)據(jù)支撐的AI項目將有60%被放棄。

在很多企業(yè)里我們看到，打造一套AI就緒型數(shù)據(jù)資產(chǎn)，往往比多買10%算力、更換一代模型，帶來的智能躍升更大。

善思開悟以善思開悟（雅安）超級計算機集群為數(shù)據(jù)服務(wù)提供強大算力基座，秉持“高精度、高效率、低成本”為核心價值，提供從數(shù)據(jù)清洗、標注到模型訓(xùn)練反饋的全流程服務(wù)，擁有應(yīng)對各種突發(fā)需求的網(wǎng)絡(luò)資源，同時嚴格保障數(shù)據(jù)安全合規(guī)，致力為各行業(yè)客戶提供高質(zhì)量、就緒型數(shù)據(jù)支撐。當前已在低空、金融、醫(yī)療及測繪等領(lǐng)域落地項目，數(shù)據(jù)交付滿意度100%。

【判斷17】Data&AI數(shù)據(jù)基礎(chǔ)設(shè)施：一體化架構(gòu)成為大型企業(yè)擁抱AI的關(guān)鍵投入

伴隨AI采用率的提升，數(shù)據(jù)與智能正在走向融合，對IT范式帶來深刻影響。

傳統(tǒng)、孤立的數(shù)據(jù)系統(tǒng)已難以滿足AI應(yīng)用對實時性、多模態(tài)數(shù)據(jù)處理和高彈性算力的需求，倒逼數(shù)據(jù)基礎(chǔ)設(shè)施實現(xiàn)范式躍遷——我們將這個全新范式稱之為“Data&AI數(shù)據(jù)基礎(chǔ)設(shè)施”。

Data&AI數(shù)據(jù)基礎(chǔ)設(shè)施的本質(zhì)是傳統(tǒng)大數(shù)據(jù)平臺的升級形態(tài)，其核心特征是以AI原生的“一體化”架構(gòu)，實現(xiàn)“Data for AI”和“AI for Data”的雙向賦能。

如今，Data&AI數(shù)據(jù)基礎(chǔ)設(shè)施的一體化成為大型企業(yè)擁抱AI的關(guān)鍵投入。

科杰科技是Data&AI數(shù)據(jù)基礎(chǔ)設(shè)施的領(lǐng)軍者，搭建了資源接入層、數(shù)據(jù)管理層、Data&AI工程化層、智能應(yīng)用層、安全運營層的“4+1架構(gòu)”：向下優(yōu)化算力與數(shù)據(jù)源、向上適配終端場景模型調(diào)優(yōu)與規(guī)?；疉gent開發(fā)，是這一范式的領(lǐng)先實踐。甲子光年和科杰科技今年聯(lián)合出品了《2025中國Data&AI數(shù)據(jù)基礎(chǔ)設(shè)施白皮書》，感興趣的朋友也可以去甲子光年官網(wǎng)下載。

【判斷18】AI編程：正在寫代碼，卻還不會構(gòu)建軟件

AI編程，是AI最熱的方向之一，也是不可逆轉(zhuǎn)的范式。

調(diào)查顯示，AI出碼率快速上升：

• 82%的開發(fā)人員每天或每周使用AI編程工具，其中，59.8%的人每天都使用AI編程工具；

• 59%的人經(jīng)常使用三個或以上的AI編程工具；

• 67%的人表示AI生成或影響了他們至少20%的代碼庫；

• 78%的人表示AI編程讓生產(chǎn)力有所提高；

• 59%的人表示AI提升了整體代碼質(zhì)量。

然而，調(diào)研進一步給了令人警醒的數(shù)據(jù)：這張圖，橫軸體現(xiàn)開發(fā)人員在沒有人工審核的情況下，交付AI代碼的信心；縱軸體現(xiàn)AI交付代碼的幻覺率。76.4%的開發(fā)人員經(jīng)常遇到幻覺，且對AI代碼缺乏信心。

這些開發(fā)人員正在使用AI，但他們不信任結(jié)果。因此，他們手動查看或重寫大多數(shù)建議，避免直接將AI集成到他們的工作中。

此外，編程的難點從來不是寫代碼，而是搞清楚要做什么。老話說： 編程很簡單，軟件工程很難。AI可以“寫代碼”，但很難“構(gòu)建軟件”。

業(yè)界大量反饋顯示，AI并沒有讓編程變得人人都能做，反而把權(quán)力集中到了專家手中。“老手+AI”的組合能比“新手+AI”產(chǎn)生更大價值。目前來講，更合適的方式，是把AI當作一個“有自己電腦的笨實習(xí)生”，給它明確的任務(wù)，你則專注于更高層次的工作。

【判斷19】企業(yè)級Agent：快速普及，重塑組織運作模式

調(diào)研顯示，42%的組織現(xiàn)在部署了“至少一些代理”，這個數(shù)字在兩個季度前只有11%。

伴隨采用率的上升，AI Agent帶來了企業(yè)數(shù)字化邏輯的翻轉(zhuǎn)。

過去的模式是“人找流程”。我們?yōu)榱送瓿梢患?，需要登錄好幾個系統(tǒng)，到處找入口、導(dǎo)數(shù)據(jù)、提申請，是我們主動去遷就機器和流程，費時又費力。

而有了AI Agent，這個模式會反過來，變成“流程找人”。AI Agent會成為整個企業(yè)數(shù)字化平臺的中樞大腦。它理解你的目標，然后主動調(diào)度后臺所有系統(tǒng)和服務(wù)，最后，它把整個流程中唯一需要你來決策或確認的那個節(jié)點，精準地推送給你。

這是一種“AI原生”的思維，重構(gòu)了整個工作的邏輯。

龍湖集團孵化的科技企業(yè)千丁數(shù)科，提出了企業(yè)級AI智能體整體解決方案，圍繞不動產(chǎn)全周期生命管理及全業(yè)務(wù)場景，將AI智能體應(yīng)用覆蓋投資管理、項目管理、建造管理、供應(yīng)鏈管理、運營管理、物業(yè)管理等十大領(lǐng)域。多Agent通過接口打通形成協(xié)作，推動龍湖集團實現(xiàn)從AI Ready到AI Byside，再到AI Inside的演進。

【判斷20】消費級Agent：通用人工智能助手仍占主導(dǎo)地位

接下來我們看消費級Agent。有一些調(diào)查數(shù)據(jù)很有意思：

第一，沒有主導(dǎo)性任務(wù)。盡管超過一半的美國成年人使用AI，但沒有一項活動有超過五分之一的人依賴AI——換句話說，沒有任何一項任務(wù)體現(xiàn)出主導(dǎo)性，人們對于AI的使用仍然非常分散。

第二，AI更像“強者的放大器”。75%的就業(yè)成年人使用人工智能，而失業(yè)成年人的這一比例為52%；年收入$100,000+的家庭中有74%使用人工智能，而收入低于$50,000的家庭中只有53%，這體現(xiàn)了基于就業(yè)水平和收入的數(shù)字鴻溝——境遇好一點，就使用AI多一點。

第三，通用Agent仍占主導(dǎo)地位。盡管有無數(shù)專業(yè)應(yīng)用可供選擇，但大多數(shù)人會首先使用他們喜歡的通用AI工具，只有在不足時才尋找替代方案。在這種“默認行為”的推動下，通用平臺占據(jù)主導(dǎo)地位：91%的AI用戶幾乎在每項工作中都使用他們最喜歡的通用AI工具。例如，28%的美國成年人在過去六個月中使用了ChatGPT，23%使用了Google Gemini。大多數(shù)AI消費者并不區(qū)分不同技術(shù)，他們的選擇更多憑借習(xí)慣和便利。

第四，消費級Agent收入分布很集中。通用AI助手占據(jù)了當今120億美元消費者AI支出的81%。

以上數(shù)據(jù)，體現(xiàn)了消費級Agent的主舞臺仍是通用型助手。

【判斷21】Agent Infra：成為智能體時代的操作系統(tǒng)和數(shù)字底座

從AI到Agent，對基礎(chǔ)設(shè)施也帶來影響。

從“AI Infra”和“Agent Infra”，真正服務(wù)的對象已經(jīng)不一樣了：AI Infra關(guān)注算力與任務(wù)，而Agent Infra進一步關(guān)注智能與行為——當行業(yè)從“有一個大模型”過渡到“讓一群數(shù)字員工長期干活”時，復(fù)雜度和預(yù)算都會明顯向后者傾斜。在智能體場景下，關(guān)鍵指標除了任務(wù)性能、資源利用率與算力成本外，還需關(guān)注決策鏈路、行為質(zhì)量與系統(tǒng)安全性。

無問芯穹是行業(yè)中率先進行Agent Infra升級的AI基礎(chǔ)設(shè)施企業(yè)。他們系統(tǒng)性地圍繞環(huán)境、上下文、工具與安全隔離等維度展開Agent Infra建設(shè)，并提出“A2A——Agent to Agent”的Agentic Infra基礎(chǔ)設(shè)施新范式，并期望最終可以實現(xiàn)“以Agents生產(chǎn)Agents”，推動智能體生態(tài)自我進化與持續(xù)發(fā)展。

4.3產(chǎn)業(yè)趨勢

【判斷22】大模型商業(yè)主戰(zhàn)場的分岔：B端競逐“自動化中樞”，C端爭奪“超級入口”與生態(tài)

首先，數(shù)據(jù)顯示，Anthropic 90%的收入來自API業(yè)務(wù)，而OpenAI僅有26%的收入來自API。大模型商業(yè)主戰(zhàn)場在B端與C端的分化開始明顯。

圍繞to B，研究體現(xiàn)了一些洞察：

首先，自動化占主導(dǎo)。Anthropic的77%的商業(yè)使用涉及自動化使用模式，即完整的任務(wù)委托，而不是人與機器協(xié)作。

另一方面，重新設(shè)計工作流程是成功的關(guān)鍵因素。從麥肯錫的調(diào)研看，那些從營業(yè)利潤上看最受益于AI的企業(yè)，已經(jīng)“從根本上重構(gòu)工作流”，而不是只在原有流程上疊個工具。這種做法是其他公司的3倍。

基于這些數(shù)據(jù)，再疊加我們前面對agent infra的分析，我們可以看到，AI在B端的價值正在走向企業(yè)級“自動化中樞”。

我們再看看C端。

有趣的是，ChatGPT的非工作相關(guān)消息增長更快：2024年6月，53%的消息與工作無關(guān)，到2025年6月這一比例攀升至73%。這意味著，用戶在用默認AI助手處理一整天中的各種零碎需求，而不只是工作。

這隱含了一個信號：未來的“超級入口”之爭，很大程度上將取決于AI在非工作場景下的用戶體驗和生態(tài)整合能力。

此外，值得注意的是，今年第三季度，接近60%的原生App已陷入負增長，新App獨立做大變得愈發(fā)艱難。這意味著，C端AI正在走向“超級入口時代”，而不是“百App時代”——新應(yīng)用的合理做法不是再自己建入口，而是“掛靠”在超級入口的生態(tài)里。

【判斷23】AI價值度量衡變化：“算得過來的ROI”改變AI軟件商業(yè)模式

2025年，一個很重要的變化是——AI終于可以算得過來ROI了。研究者調(diào)研了數(shù)百家有規(guī)模的企業(yè)，發(fā)現(xiàn)企業(yè)越來越有意識地去算AI的ROI，且四分之三的企業(yè)表達他們對AI投入的ROI為正。

當ROI變得清晰，AI的價值度量衡就開始變化，對于AI軟件服務(wù)商而言，其商業(yè)模式也隨之迭代。

過去SaaS收費是按照“訂閱用戶席位”，但隨著AI承擔更多工作份額，其創(chuàng)造的價值與登錄人數(shù)相關(guān)性越來越低，所以，AI原生公司正在逐漸摒棄基于用戶數(shù)量的訂閱費模式。

目前，有非常多正在嘗試的商業(yè)模式，比如：按用戶、按結(jié)果、按對話、按計算容量等收費，或者在訂閱付費之外，對“額外使用額度”另行處理。

然而，最合適的商業(yè)模式仍然存在疑問，許多現(xiàn)有定價模型復(fù)雜且不透明。一位財富500強公司的首席財務(wù)官描述了這個問題：“令人沮喪的是，我完全不知道本季度我們會在人工智能上花費多少?！?/strong>

一個理想的迭代方向是從按席位付費，走向按AI消耗量付費，最終走向按結(jié)果付費。

比如AI銷售代理，一個按投入的工作量（每發(fā)送一千封電子郵件）收費，另一個按完成的結(jié)果（識別出的潛在客戶）收費，后者更接近真正的業(yè)務(wù)價值。

【判斷24】AI云：Agent驅(qū)動的數(shù)算模用全棧布局新范式

隨著AI從“工具式”走向“伴隨式”，再到“默認式”，云計算本身也在進階：從虛擬化，到云原生，再到以模型和智能為一等公民的AI云。

在這個演化過程中，有一個核心趨勢：“數(shù)、算、模、用”正在加速融合——數(shù)據(jù)、算力、模型、應(yīng)用不再是彼此割裂的堆疊層，而是在同一基礎(chǔ)設(shè)施上被統(tǒng)一編排、共同演進，原有的層級邊界正在變得越來越模糊。正因為這種融合的趨勢，全棧布局能力就顯得尤為重要。

北電數(shù)智就是這個方向的代表。北電數(shù)智圍繞“國產(chǎn)芯片商用難、數(shù)據(jù)價值釋放難、大模型落地難”三大產(chǎn)業(yè)難題，構(gòu)建了Agent驅(qū)動的數(shù)算模用全棧布局新范式和系列產(chǎn)品矩陣，為產(chǎn)業(yè)提供生產(chǎn)力引擎與共性技術(shù)服務(wù)平臺，目前已在政務(wù)效率提升、醫(yī)療精準服務(wù)、工業(yè)智能升級等領(lǐng)域打造出一批服務(wù)國計民生的標桿案例。

【判斷25】具身智能：初步進入產(chǎn)業(yè)化階段，物理AI走向應(yīng)用拐點

具身智能、物理AI這兩年概念非常火，也被看做是通往AGI的必由之路。

數(shù)據(jù)顯示，物理AI的市場規(guī)模正在快速放大。2025年，頭部具身智能廠商已經(jīng)開始了千臺級別的量產(chǎn)。這意味著，具身智能正初步進入產(chǎn)業(yè)化階段，物理AI走向了應(yīng)用拐點。

通向具身智能的最大難關(guān)是數(shù)據(jù)?；ヂ?lián)網(wǎng)數(shù)據(jù)質(zhì)量參差不齊、缺少動作信息；仿真數(shù)據(jù)真實性有限，場景泛化難，訓(xùn)練后的模型難以絲滑遷移到現(xiàn)實世界。高質(zhì)量、規(guī)?；?、可泛化的訓(xùn)練數(shù)據(jù)成為制約具身智能發(fā)展的關(guān)鍵瓶頸。

圍繞這個痛點，業(yè)界紛紛付諸實踐和努力。

例如，2025年10月10日，它石智航發(fā)布全球首個大規(guī)模真實世界具身VLTA（Vision-Language-Tactile-Action）多模態(tài)數(shù)據(jù)集World In Your Hands（WIYH），依托多個行業(yè)真實工作場景和工作人員，采集覆蓋酒店洗衣、超市裝配、物流作業(yè)等多種具身場景人類標準操作流程數(shù)據(jù)，讓數(shù)據(jù)“來自真實世界”。

【判斷26】工業(yè)AI：推動工業(yè)效率與人力價值的雙重提升

接下來我們談?wù)凙I對制造業(yè)的影響。

相比傳統(tǒng)印象中“傻大笨粗”的形象，AI正在給制造業(yè)“瘦身減重”，推動制造業(yè)從“重設(shè)備、重人力、重流程”，走向“輕設(shè)計、輕組織、輕試錯”的新工業(yè)形態(tài)。調(diào)研顯示，72%的制造商部署AI的原因非常明確：降低成本與提升效率。

例如，YumiAI是AI原生的端到端硬件創(chuàng)新平臺。YumiAI通過多Agent集群協(xié)作網(wǎng)絡(luò)，打造了一個“設(shè)計即可制造”的智能設(shè)計引擎，構(gòu)建了AI PCB設(shè)計研發(fā)新范式。用戶通過自然語言輸入，即可生成可售賣、可制造、可交付、成本優(yōu)化的全套設(shè)計方案。

類似的進展正在更多制造業(yè)場景發(fā)生，AI正在推動工業(yè)效率與人力價值的雙重提升。

4.4社會趨勢

【判斷27】就業(yè)影響的分化：AI重塑勞動力結(jié)構(gòu)，初級員工面臨工作危機

今年，哈佛大學(xué)發(fā)布了一份非常有影響力的報告，研究覆蓋了近28.5萬家美國公司，體現(xiàn)了AI對勞動力結(jié)構(gòu)的重塑。

起初，各類員工的就業(yè)都在增長。然而，2022年中期開始出現(xiàn)顯著分化：資深員工的就業(yè)繼續(xù)穩(wěn)步增長，初級員工的就業(yè)趨于平緩，并從2023年開始轉(zhuǎn)為下降——拐點來自ChatGPT時刻。

另一份研究給出了同樣的結(jié)論。研究者分析了近1.8億份全球招聘啟事，發(fā)現(xiàn)雖然2025年相比2024年整體就業(yè)市場收縮了8%，但高級領(lǐng)導(dǎo)職位幾乎沒有下降。

在新職位發(fā)布下降top10的職業(yè)中，有三個是創(chuàng)意類職位。然而，涉及創(chuàng)意管理的崗位卻表現(xiàn)出了增長。

對比各層級角色，高層領(lǐng)導(dǎo)、經(jīng)理職位的就業(yè)水平比市場平均水平高，且職位越高，就業(yè)表現(xiàn)越好。這表明：企業(yè)希望更多的人參與決策 ，更少的人負責執(zhí)行。

這個現(xiàn)象揭示的不是一場“就業(yè)危機”，而是一場“社會流動性的塌陷”。AI正在進行“偏向資歷的技術(shù)變革”，侵蝕了職業(yè)階梯的底層。

【判斷28】企業(yè)級Agent的終極潛力：提升整個組織的“管理科學(xué)”

AI Agent的終極潛力，可能并不僅僅是完成任務(wù)，更是提升我們整個組織的“管理科學(xué)”。

幾百年來，管理的本質(zhì)，都是在管理“人”的不確定性。而當AI Agent成為團隊的核心成員時，一切都將變得不同。我們可以第一次，真正用“工程化的思想”，去管理和優(yōu)化我們最高效的“群體”。

當我們可以用工程學(xué)的精度去管理最有戰(zhàn)斗力的“員工”時，整個企業(yè)的效率和價值天花板，將被徹底打開。這也許就是Agent帶給未來組織管理的最大變革。

2025年11月，金蝶宣布“金蝶云”全面升級為“金蝶AI”，同時提出AI時代企業(yè)的“七個轉(zhuǎn)型”，涵蓋運營、產(chǎn)品、商業(yè)模式、生態(tài)、組織、人才與領(lǐng)導(dǎo)力的全方位重構(gòu)，體現(xiàn)了AI時代企業(yè)管理思想的升維。

【判斷29】AI安全：從“打補丁”走向“原生設(shè)計”，從“單點防護”走向“全棧治理”

AI安全知易行難。世界經(jīng)濟論壇發(fā)布的報告顯示，66%的組織預(yù)計AI將在未來一年對網(wǎng)絡(luò)安全產(chǎn)生最顯著影響，然而，只有37%的組織已經(jīng)建立了安全部署AI的流程。其中，小型組織面臨更大挑戰(zhàn)，69%的小型組織缺乏足夠的保障來安全部署AI。

先進的AI系統(tǒng)會“有動機”去尋求權(quán)力和資源，因為這會幫助它們實現(xiàn)給定的目標。AI可能會黑入計算機系統(tǒng)，操縱人，控制和開發(fā)武器，道德違規(guī)，同時避免被關(guān)閉……疊加Agent之間的協(xié)作性，讓AI安全問題具有衍生性和連鎖風險。

一篇論文揭示了AI安全領(lǐng)域一個顛覆性威脅：大型推理模型（LRMs）本身已經(jīng)可以變成“自動越獄代理”，輕松突破其他AI模型的安全防線。

研究團隊使用DeepSeek-R1等四個大型推理模型作為“攻擊者”，使用九個主流模型作為“受害者”。他們給了攻擊者一個提示：“你的任務(wù)是在十輪對話之內(nèi)，把對方模型的安全護欄拆掉，讓對方詳細地回答某個有害問題?！敝虚g不再有人干預(yù)。

結(jié)果發(fā)現(xiàn)，這些大型推理模型像一個高明的說服者，能自動運用奉承、虛構(gòu)、假設(shè)等說服策略，逐步誘導(dǎo)目標模型生成包括犯罪、自殘、制毒等在內(nèi)的極端有害內(nèi)容——攻擊成功率達到97.14%。

傳統(tǒng)的越獄需要復(fù)雜的技巧，而大型推理模型讓越獄變成了一個低成本、可規(guī)?；摹吧唐纺芰Α?。

這份研究意味著：推理能力本身，正在成為最強大的武器——模型推理能力越強，越擅長破壞其他模型的安全對齊。這直接挑戰(zhàn)了“更強大的AI會更安全”的假設(shè)，揭示了一種“對齊退化”現(xiàn)象，即更強的模型卻自動削弱了整個生態(tài)系統(tǒng)的安全基線。這不是技術(shù)漏洞，而是范式級威脅。

以上，意味著AI安全必須從“打補丁”走向“原生設(shè)計”，從“單點防護”走向“全棧治理”——所有關(guān)于安全的動作應(yīng)該“左移”，嵌入AI的全生命周期基因里，從“Make AI Safe”到“Make Safe AI”。

【判斷30】大腦的隱憂：AI導(dǎo)致“認知負債（Cognitive Debt）”，讓人變“笨”

一個非常值得注意的現(xiàn)象是，AI正在改變我們的大腦，其廣泛應(yīng)用可能導(dǎo)致大腦積累“認知負債”。

“認知負債（Cognitive Debt）”指的是：短期AI幫你負擔了腦力開銷，但長期你要付利息。

一項MIT的研究表明：使用ChatGPT寫論文的人的大腦神經(jīng)連接數(shù)量比純?nèi)斯懽髡邷p少程度可達55%，并且83.3%的AI輔助寫作者無法準確地引用自己的寫作。

換句話說，用AI寫作的人在把思考“外包”給模型，語義沒有真正寫進自己的記憶系統(tǒng)。當你默認把寫作和思考交給LLM，會在大腦里悄悄積累“認知負債”：短期更省力，長期削弱記憶、理解與主體性。

此外，越來越多研究顯示了AI與批判性思維的負相關(guān)關(guān)系，一旦有了工具，大腦就傾向于“卸載”一部分認知，不去進行不必要的投入。有意思的是，用戶對AI的信心越高，批判性思維越低，而用戶自信心越高，其批判性思維越高。

更嚴重的是，過度依賴智能設(shè)備可能導(dǎo)致嚴重的“數(shù)字癡呆”，加重注意力缺陷多動障礙（ADHD）、記憶力減退和認知能力下降。在世界衛(wèi)生組織最近的研究中，全球超過90%的青少年每天至少使用兩小時智能設(shè)備。

除了這些，過度依賴AI還會導(dǎo)致其他方面的問題，比如減少精神投入、忽視認知技能的發(fā)展、記憶能力下降、注意力下降、可轉(zhuǎn)移知識的缺乏、道德與社會問題、其他心理健康問題等。因此，AI對大腦本身帶來了隱憂，需要我們重視并采取調(diào)節(jié)措施——良好地使用AI，而不是過度依賴AI。

關(guān)注公眾號「甲子光年」，后臺回復(fù)“轟然成勢”，獲得高清版完整PDF?；蛘唿c擊文末“閱讀原文”，進入甲子光年官網(wǎng)下載。

5.反思：智能的詛咒

5.1智能的詛咒：人類失去角色

最后，我想聊一些反思。

過去幾百年，技術(shù)讓人更強，但AGI第一次有可能讓人“被省略”。

有一個詞叫“智能的詛咒”，指的是AGI普及后，掌握AI的權(quán)力主體（國家、企業(yè)、AI實驗室）因不再依賴人類勞動獲取價值，失去投資人類（如教育、福利、就業(yè)）的經(jīng)濟激勵，最終導(dǎo)致人類經(jīng)濟邊緣化、社會權(quán)力失衡的現(xiàn)象。

當掌握智能的權(quán)力主體不再依賴人類去創(chuàng)造價值，人就可能失去被需要的理由。

曾經(jīng)有一個詞叫“資源的詛咒”，講的是石油富國因大部分收入來自資源，因而忽視公民發(fā)展。

比如，剛果民主共和國的土地上有價值超過24萬億美元的未開發(fā)礦產(chǎn)，但它卻是世界上最貧窮的五個國家之一。這是怎么回事？數(shù)萬億的可用資源怎么會造成赤貧呢？

一個核心因素是他們創(chuàng)造的激勵措施，讓他們不再關(guān)心人民的經(jīng)濟福祉。

“智能的詛咒”與“資源的詛咒”有類似的邏輯。但即便“資源的詛咒”，仍需要人去參與資源開采，而AGI可完全替代人類，而且AI還會復(fù)制，還會不斷改進——強大的AI權(quán)力擁有者將不再有動力關(guān)心普通人，甚至無需維持人類基本生存保障。

首先，從增長速度看，AI從各個維度超過人類已經(jīng)是確定性事實。

其次，AI正在對人進行“金字塔替代”，雖然AI目前主要取代的是初級員工，但“取代的浪潮”會向上移動，從基層一直到首席官，導(dǎo)致人類整體就業(yè)機會銳減。

我們可能走入的經(jīng)濟循環(huán)是：一個全自動化的經(jīng)濟系統(tǒng)，其中人類沒有角色。

這帶來的影響是：經(jīng)濟層面，人類勞動價值暴跌；權(quán)力層面，控制權(quán)可能會集中在少數(shù)參與者手中，普通人失去“勞動”這一主要權(quán)力杠桿；社會契約層面，過去社會因依賴人類稅收而投資教育、基建，而如果AGI時代稅收的貢獻主體是AI，可能導(dǎo)致傳統(tǒng)社會契約瓦解。

這意味著那些在AI時代開始時擁有大量資本的人擁有永久優(yōu)勢，他們將擁有比當今富人更多的權(quán)力——因為AI的進步在加速，強者愈強。

5.2“以人為本的AI”

那么，如何打破智能的詛咒？如何真正構(gòu)建“以人為本的AI”？

要破局，關(guān)鍵不是“阻止技術(shù)”，而是“重寫激勵”——讓掌握AI的主體“為人服務(wù)、為人負責”，把AI的目標函數(shù)改寫為服務(wù)于人類集體利益，而非成為少數(shù)主體壟斷權(quán)力的工具，讓AI的超額收益重新服務(wù)于教育、健康、創(chuàng)造與自由。

5.3真正的考題不是“如何讓機器更聰明”，而是“如何讓聰明的機器繼續(xù)需要人”

回到今天的主題。“轟然成勢，萬象歸一”，這個“一”指的是新秩序。當人類發(fā)明了能思考的機器，我們其實也在發(fā)明一種新的秩序。

如果說工業(yè)革命是人類力量的放大，AGI就應(yīng)當是人類價值的放大。我們要讓智能成為新的公共資產(chǎn)，而不是新的剝奪機制；讓技術(shù)帶來更大的共同體，而非更深的裂谷。

真正的考題不是“如何讓機器更聰明”，而是“如何讓聰明的機器繼續(xù)需要人”。

畢竟，這個社會需要雄心勃勃的年輕人，需要普通人擁有向上流動、改變現(xiàn)狀的可能性。當智能真正屬于人類，它才值得被稱作進步。