深度研究：模型即产品，智能体即利润

红杉资本AI Ascent 2025主题演讲：AI的万亿美元机遇

一、 AI市场的宏观视角与机遇 (So What?)

• 市场潜力巨大：AI服务市场的起点远超云计算转型初期，未来十年甚至二十年有潜力成为一个极其庞大的市场。
• 利润池的转变：AI不仅在攻击服务业的利润池，也在攻击软件业。企业正从“销售工具”（软件预算）转向“销售成果”（劳工预算），这扩大了潜在市场（TAM）。
• 采纳速度空前：
• 时机已到 (Imminent, not just Inevitable)：计算、网络、数据和人才等先决条件均已成熟。
• 分发物理学已变 (Physics of Distribution)：借助ChatGPT、社交媒体（如Reddit、X）和全球互联网的普及，新产品能以前所未有的速度被认知、需求和购买。

二、 AI创业的致胜之道 (What Now?)

• 应用层是主战场：
• 历史证明，在过去的技术浪潮中，绝大多数实现十亿美元级收入的公司都位于应用层。红杉坚信AI时代同样如此。
• 面对基础模型向应用层的延伸，初创公司应采取“从客户出发”的策略，专注于垂直行业或特定职能的复杂问题，甚至可以引入“人在回路”（human in the loop）。
• 构建AI公司的核心要素：
• 建立护城河：提供端到端解决方案、利用产品使用数据构建数据飞轮 (Data Flywheel)、拥有深厚的行业知识（如Harvey派律师与律所沟通）。
• 警惕“氛围收入” (Vibe Revenue)：必须深入分析用户数据（采纳、参与、留存），区分真正的用户行为改变和表面的“试用”热度。
• 利润率路径清晰：尽管当前因Token成本导致毛利不高，但随着成本下降和产品向“销售成果”演进带来的价值提升，必须有一条通往健康毛利率的明确路径。
• 数据飞轮必须有效：数据飞轮必须能明确地提升某项关键业务指标，否则就是“胡说八道”(bullshit)。
• 95%是通用创业法则：解决重要问题，吸引优秀人才等基本原则不变。
• 5%是AI特有法则：
• 行动要快 (Maximum Velocity)：市场需求巨大（“巨大的吸引力”），宏观经济波动影响甚微。“大自然讨厌真空”，必须以最快速度行动，抢占先机。

三、 AI的现状与近期发展 (Year in Review: 2023-2024)

• 用户参与度显著提升：以ChatGPT为例，日活/月活（DAU/MAU）比率大幅提升，接近Reddit水平，表明AI正深度融入日常生活和工作。
• 突破性进展：
• 语音生成：实现了“Her时刻”，跨越了“恐怖谷”，声音的真实感大幅提升。
• 编码 (Coding)：成为年度突破性应用类别，达到了“尖叫的产品市场契合度”，从根本上改变了软件开发的经济性和可及性。
• 技术趋势：
• 虽然预训练（pre-training）速度放缓，但推理 (Reasoning)、合成数据 (Synthetic Data)、工具使用 (Tool Use) 和 AI脚手架 (AI Scaffolding) 成为推动智能扩展的新动力。
• 最具创新性的工作发生在研究与产品的模糊边界（例如：Deep Research, Notebook LM）。

四、 AI的未来展望：代理经济 (Agent Economy)

• 演进路径：从单个代理 (Agents) -> 代理群 (Agent Swarms) -> 代理经济 (Agent Economy)。
• 代理经济的定义：代理不仅交换信息，还能转移资源、进行交易，并拥有信任和可靠性的概念。这将是人与代理协同工作的经济体。
• 实现代理经济的技术挑战：

1. 持久身份 (Persistent Identity)：代理需要有一致的“人格”和可靠的“记忆”，超越现有的RAG和向量数据库技术。
2. 无缝通信协议 (Seamless Communication Protocols)：需要类似互联网TCP/IP的协议层，以实现信息、价值和信任的高效流转。
3. 安全 (Security)：在无法“面对面”的代理世界里，信任和安全的重要性被提到前所未有的高度。

五、 AI对思维和工作方式的重塑

• 思维模式转变：
• 随机思维 (Stochastic Mindset)：从确定性计算转向接受和管理随机性（AI的输出可能不是100%精确和一致）。
• 管理思维 (Management Mindset)：人们的角色将转变为“管理”AI代理，需要做出更复杂的管理决策。
• 工作范式变革：
• 更大的杠杆，更少的确性 (More Leverage with Less Certainty)：个人和组织能完成更多工作，但需更好地管理不确定性和风险。
• 重塑组织和经济：AI代理将整合职能，完成端到端流程，最终形成复杂的“神经网络中的神经网络”，从而彻底重塑个人工作、公司乃至整个经济。

详细阐述：宏观机遇、创业之道、技术前沿与未来经济形态

一、 AI市场的宏观视角与机遇 (So What?)

人工智能（AI）正以前所未有的速度和规模重塑全球经济和技术格局。本章节旨在深入剖析AI市场的宏观潜力，揭示其与以往技术浪潮的异同，阐明其对现有产业利润格局的冲击，并探讨驱动其空前采纳速度的深层因素。

A. 市场潜力：起点远超云计算转型初期

AI服务市场的起点和增长潜力预示着一个远超云计算转型初期的庞大市场。全球人工智能市场规模在2024年已达到2792.2亿美元，预计到2030年将激增至18117.5亿美元，期间的年均复合增长率（CAGR）高达35.9% 。其他市场研究也呼应了这一高速增长趋势，有预测认为AI市场到2030年的规模可能达到8260亿美元，意味着350%的增长 ，另有预测则认为2030年市场规模将达到13390亿美元，相较于2024年的2140亿美元有显著飞跃 。这些数据共同描绘出一个正在经历爆炸式增长的行业，为价值创造和市场领导地位的争夺提供了广阔的战场。

与早期云计算市场的比较更能凸显AI的独特发展轨迹。AI市场预计到2030年的增长速度将是云计算市场的2.5倍 。具体而言，AI领域预计到2030年将增长350%，而同期公共云市场的增长预计为133% 。作为参照，美国云计算市场在2023年的估值为2169.1亿美元，预计2024年至2030年的年均复合增长率为20.3% ，而全球云计算市场预计从2024年的7660亿美元增长到2035年的35000亿美元，年均复合增长率为14.623% 。这些对比数字清晰地表明，AI的增长速度远超云计算，这意味着AI领域建立市场主导地位和捕获市场份额的窗口期可能更短，竞争也更为激烈。

在AI市场的内部结构方面，软件解决方案在2024年占据了全球收入的35.0%，处于领先地位 。从功能上看，运营环节是AI应用的主要领域；从终端用途看，广告与媒体行业在2024年占据了最大的收入份额 。深度学习技术凭借其在语音和文本识别等复杂数据驱动应用中的突出表现，成为市场的技术引领者 。目前，北美地区是最大的AI市场，但亚太地区正以最快的速度增长，预示着未来全球AI影响力的潜在转移 。

表1：全球AI市场规模及增长预测 (2024-2030年)

表2：AI市场与云计算市场增长对比

AI市场相较于云计算展现出的更高增长率，预示着一个加速的产业颠覆周期。云计算作为一股主要的颠覆力量，其成熟和市场整合花费了数年时间。AI的迅猛发展则意味着市场颠覆、领导者确立以及现有非AI解决方案被淘汰的时间表都将大大缩短。企业适应这一变化的时间更为紧迫，传统企业面临更快速的威胁，而新兴企业建立自身地位的窗口期也更短。

此外，与云计算早期主要由基础设施即服务（IaaS）驱动的增长不同，AI市场当前的价值捕获更早地发生在应用层面。尽管AI同样需要强大的计算能力作为支撑，但其主要的收入驱动力已明确指向软件解决方案和应用 。这表明，虽然AI领域的“镐和铲”（如芯片、基础模型）至关重要，但市场份额的争夺战已经激烈地在应用和解决方案层面展开。

全球AI市场的地域动态也值得关注。北美目前占据领先地位，但亚太地区作为增长最快的市场，显示出快速追赶和未来AI影响力格局变化的潜力 。AI预计到2030年将为全球GDP贡献9.5%的增长 ，这意味着AI的普及和创新将成为衡量国家未来经济实力的关键因素，可能引发全球经济力量的重新平衡。

B. 利润池的转变：AI对服务业和软件业的双重攻击

AI技术不仅在创造新的市场，也在深刻地改变现有行业的利润分配格局，尤其对服务业和软件业构成了“双重攻击”。一个核心的转变是，企业正从过去的“销售工具”（主要对应软件预算）转向“销售成果”（更多触及劳动力预算），这一转变极大地扩展了AI的潜在市场（TAM）。

对软件行业而言，AI带来了效率的提升和成本的降低。AI技术能够自动化软件开发中的诸多环节，如代码生成、调试和测试，从而缩短产品上市时间并可能降低劳动力成本 。例如，AI驱动的代码生成器和自动化测试框架能够显著加速开发进程 。这种效率提升可能对传统软件的定价模型构成压力，如果AI能够以更低成本或更高效率提供相似甚至更好的功能，软件公司必须积极整合AI以保持竞争力。

对服务行业而言，AI的自动化能力同样显著。AI可以自动处理客户服务咨询、报告生成等任务，从而降低运营开销 。同时，AI通过赋能数据分析、预测能力和个性化客户互动，为服务业开辟了新的收入来源 。劳动密集型的服务行业尤其适合AI驱动的自动化和增强。企业采用AI进行开发流程优化的效率提升幅度可达30%至42% 。另据估计，仅生成式AI一项，每年就能通过生产力提升为全球经济增加2.6万亿至4.4万亿美元的价值 。

这种从“销售工具”到“销售成果”的转变，正在重新定义价值。传统软件作为工具销售，价值实现依赖于客户自身。而AI使得解决方案能够交付具体、可衡量的成果，例如降低特定比例的客服电话量或提升特定百分比的销售转化率。这使得供应商可以基于交付的价值而非仅仅是功能特性进行定价，从而触及到客户更大规模的“劳动力预算”或运营预算。这种模式的转变，不仅改变了供应商与客户的关系，也重塑了竞争的本质。未来的成功将取决于对客户业务问题的深刻理解和交付可量化成果的能力，而非仅仅是技术领先的工具。

随着AI日益深入地整合到产品和服务中，软件公司与服务公司之间的界限也日趋模糊。软件公司越来越多地提供由AI驱动的服务或成果，而服务公司则利用基于软件的AI来增强或自动化其服务。这种趋同效应将影响市场进入策略、人才需求和整体竞争格局。对于那些依赖非差异化特性或高销量、低复杂度解决方案的软件供应商而言，AI驱动的开发效率提升可能导致其利润空间受到挤压。价值将更多地向高度专业化、AI原生的解决方案或提供独特、难以复制能力的平台转移。

C. 采纳速度空前：计算、网络、数据和人才等先决条件的成熟

AI技术之所以能以空前的速度被市场采纳，关键在于其发展所需的计算能力、网络基础、数据资源和专业人才等先决条件均已达到较高成熟度。

首先，坚实的数据基础设施是AI发展的基石。企业需要能够获取清晰、规整的数据，并投资于可扩展的、面向未来的数据基础设施，以整合不同来源、不同形态的数据，从而获得有价值的商业洞察 。云计算与AI的结合，特别是与物联网（IoT）、区块链和5G等技术的融合，正在产生海量数据，这反过来又增加了对AI驱动解决方案的需求 。

其次，计算能力的巨大进步和存储容量的提升为AI的普及提供了动力。信息存储容量的提升、高性能计算以及并行处理能力的进步，是AI能够提供高端服务的关键因素 。

再者，AI技术本身的创新、可及性和可衡量性也达到了新的高度，使其成为企业获取竞争优势的关键工具 。企业认识到AI在自动化任务、优化运营和创造更佳客户体验方面的巨大潜力，这是驱动其采纳AI的主要商业动机 。已有72%的企业将AI应用于至少一个业务功能中 。

成功的AI采纳往往始于清晰的战略愿景，将AI计划与核心业务目标（如改善客户体验、优化运营或创造新产品）紧密结合 。同时，培养和引进AI人才，组建由数据科学家、工程师、领域专家和商业领袖组成的跨职能团队，对于弥合技术能力与业务需求之间的鸿沟至关重要 。

此外，AI项目的实验性质要求企业培育一种鼓励迭代、测试和持续学习的文化 。在医疗、金融等高风险、高影响领域，构建合乎道德且负责任的AI系统，对于维护技术信任和推动采纳同样不可或缺 。

这些先决条件的成熟形成了一种“飞轮效应”。计算、数据、算法和人才不仅各自为AI赋能，它们之间也通过AI相互促进。例如，AI改进了数据处理和分析能力，从而为训练新的AI模型提供了更高质量的数据；更优良的AI工具则吸引并培养了更多的人才。这种自我强化的循环使得各领域进展相互加速，导致AI的采纳速度呈现指数级增长的趋势，也使得后来者追赶的难度日益加大。

在这种快速演进的背景下，组织的敏捷性成为关键的差异化因素。面对AI及其前提条件的迅速变化，静态的计划或僵化的组织结构已不再有效。那些能够迅速组建跨职能团队、勇于实验、快速学习并灵活调整战略的企业，将更有能力抓住AI带来的机遇 。超过三分之一（35%）同时推进AI和云技术的公司，其AI采纳速度已超过云技术 。这凸显了组织学习和适应速度的重要性，领导力需要向 fostering 敏捷性和持续学习转变，人力资源部门也需具备快速重塑员工技能的能力 。

数据与计算之间的共生关系也在推动专业化AI的发展。物联网和5G等技术带来的数据爆炸为AI提供了“燃料”，而高效处理这些海量且往往专业化的数据则需要日益强大和专门化的计算资源，例如专用集成电路（ASICs）和定制芯片 。这种共生关系意味着，随着数据来源的多样化和数据量的激增，对定制化AI模型及其运行硬件的需求也将持续增长。这不仅将驱动AI算法和半导体设计的进一步创新，也凸显了掌控数据访问和计算能力的战略意义。

D. 分发物理学已变：借助全球互联网和社交媒体实现认知、需求与购买的极速传播

ChatGPT等现象级应用，结合Reddit、X（前身为Twitter）等社交媒体平台以及全球互联网的普及，已经从根本上改变了新产品的认知、需求和购买方式，使得创新成果能够以前所未有的速度触达全球用户。

过去五年中，AI市场的价值翻了一番以上，吸引了全球3.7亿用户 。像ChatGPT这样的平台，到2023年8月用户基数已达1.805亿 ，其迅速增长的用户量正是这种加速传播的明证。消费者对AI的熟悉度日益提高，已有55%的美国人经常与AI互动 。企业采纳AI的步伐同样迅速，72%的企业已将其用于至少一项业务功能，高达97%的企业主认为ChatGPT将为其业务带来益处 。

这种全新的“分发物理学”源于几个关键因素的叠加。首先，生成式AI工具如ChatGPT所具有的内在“惊艳”效应，极易在社交媒体上引发分享和讨论。其次，这些工具通常采用免费或免费增值模式，通过简单的网页界面或API即可访问，极大地降低了用户尝试的门槛。这种易用性和即时效用共同促成了病毒式的快速传播。随着用户数量的增长，他们创造内容、分享经验、构建社群，进一步放大了AI的认知度和采纳速度，形成了强大的网络效应。这可能导致在AI平台领域出现“赢者通吃”的局面，也意味着AI产品的营销和分发策略必须充分利用这些新渠道，追求有机的、社群驱动的增长。

全球互联网的普及和AI工具的易得性，显著降低了个人和企业尝试AI的门槛。与以往需要大量前期投资或专业知识的企业技术不同，许多AI工具几乎无需成本即可试用。这种便捷的实验条件加速了用户的学习曲线，帮助他们快速识别有价值的应用场景。其结果是AI应用创新周期的缩短，新想法可以更快地被原型化和测试，从而催生一个更具活力和竞争性的市场环境，并使AI能力得到更广泛的普及。

随着用户日益习惯于ChatGPT等AI工具所提供的即时答案、内容生成和个性化互动等功能，他们对所有数字产品和服务的期望也在发生转变。用户将越来越期望AI驱动的功能、智能化和个性化成为标准配置。缺乏这些“AI原生”特质的产品可能会显得过时或价值不足。这对所有软件和服务提供商都构成了压力，迫使他们将AI整合到自身产品中。这为AI优先的公司创造了机遇，同时也给那些适应缓慢的现有企业带来了挑战。这也与后文将讨论的“氛围收入”概念相关——最初的采纳可能由新奇感驱动，但持续使用将取决于真正的价值整合。

二、 AI创业的致胜之道 (What Now?)

在AI浪潮汹涌的时代背景下，初创企业面临着前所未有的机遇与挑战。本章节将探讨AI创业的核心战略，包括应用层的主战场定位、通用创业法则与AI特有成功要素的结合、对虚假繁荣的警惕、清晰的盈利路径规划以及快速行动的必要性。

A. 应用层是主战场：以客户为中心，深耕垂直行业

历史经验表明，在过去的技术浪潮中，绝大多数实现十亿美元级收入的公司都位于应用层。AI时代预计也将遵循这一规律。尽管基础模型和底层技术至关重要，但最大的商业价值往往通过解决特定用户和行业的实际问题来实现。

面对基础模型提供商向应用层延伸的趋势，AI初创公司应采取“从客户出发”的战略。这意味着要专注于垂直行业或特定职能领域内的复杂问题，甚至可以引入“人在回路”（human in the loop）的机制来处理那些需要高度人工判断或 nuanced 理解的任务。垂直领域AI（Vertical AI）凭借其深厚的行业知识和针对特定挑战的解决方案，能够为企业带来显著的竞争优势，例如提高生产效率、减少人为错误并驱动可观的商业价值 。这类AI通常利用行业特有数据进行训练，提供高度定制化的洞察，并能无缝集成到现有的企业工作流程中 。

众多成功案例印证了应用层和垂直领域策略的有效性。例如，CarMax利用生成式AI总结顾客评论，为潜在买家提供参考；高露洁棕榄公司则应用AI快速分析消费者研究数据，并测试新产品概念 。在金融科技领域，Appinventiv与Mudra合作开发了AI驱动的预算管理应用；在社交媒体领域，为Vyrb开发了通过语音命令操作平台的功能；在招聘领域，则助力JobGet成为蓝领工人的首选招聘应用 。这些案例都体现了AI在具体应用场景中解决复杂问题的能力。

大型基础模型提供商（横向参与者）拥有巨大的资源，可以轻松复制通用的AI功能。初创企业若试图在通用能力上与其竞争，成功的几率微乎其微。然而，深入特定垂直行业，理解其独特的工作流程、监管要求和数据特性，并积累相关的专有知识和数据，是大型横向参与者难以在众多垂直领域同时实现的。因此，垂直化战略构成了初创公司抵御巨头入侵的首要护城河。通过成为特定行业工作流程中不可或缺的一部分，并利用行业壁垒（如特定牌照、合规要求等），初创企业可以建立起难以被轻易取代的稳固市场地位。

“最后一公里”的AI实施能力是应用层成功的关键。通用AI模型提供了强大的基础能力，但要有效解决具体的业务问题，往往需要大量的定制化和集成工作。这“最后一公里”包括深入理解客户的独特背景、数据特点、现有工作流程和成功标准，并据此调整AI解决方案。那些能够出色完成这种“最后一公里”集成和定制的应用层初创公司，将能提供更高的客户价值，并建立更稳固的客户关系。这意味着，应用层的成功不仅仅取决于算法的优劣，更在于解决方案的交付能力、变革管理能力，以及确保AI真正在客户的实际运营环境中解决痛点。这往往需要一种服务或咨询的元素，从而进一步模糊了传统软件产品与服务的界限。

B. 构建AI公司的核心要素：95%通用创业法则与5% AI特有法则

构建一家成功的AI公司，绝大部分（95%）依赖于普适性的创业原则，而大约5%则是AI领域特有的成功要素。

1. 95% 通用创业法则：解决重要问题，吸引优秀人才

AI创业与其他领域的创业并无本质区别，核心在于：

• 解决重要问题：识别并解决客户真实存在的、具有相当价值的痛点。
• 吸引优秀人才：组建一支在技术、产品、市场和管理等方面都具备顶尖能力的团队。
• 实现产品市场契合（Product-Market Fit, PMF）：确保产品能够满足市场需求，并被目标客户广泛接受和使用。
• 建立稳健的商业模式：设计可持续的盈利方式和健康的单位经济效益。 这些基本原则是任何成功企业的基石，AI公司也不例外。对AI技术的过度关注不应掩盖这些商业本质。

2. 5% AI特有法则：构建护城河，警惕虚火，规划盈利

除了通用法则，AI创业者还需掌握一些AI领域的特有策略：

a. 构建可持续的护城河：端到端解决方案、数据飞轮与深厚行业知识

在AI时代，构建强大的护城河比以往任何时候都更为重要 。初创公司必须清晰地阐述其护城河如何构建，以及如何随着时间的推移而不断加深。

• 提供端到端解决方案：相较于仅提供单一功能的点解决方案，覆盖整个工作流程的端到端方案能创造更高的用户粘性和价值。例如，Harvey AI为律师事务所提供的不仅仅是某个环节的AI工具，而是更全面的法律工作辅助方案。fileAI通过将专业的AI组件深度集成到企业文档工作流中，也构建了类似的护城河 。

• 利用产品使用数据构建有效的数据飞轮 (Data Flywheel)：数据飞轮的核心在于利用产品使用过程中产生的数据来持续改进AI模型和产品本身，从而吸引更多用户，产生更多数据，形成正向循环。 * 有效性标准：一个真正有效的数据飞轮必须能够明确提升某项关键业务指标，否则便是“纸上谈兵” [User Query]。例如，英伟达（NVIDIA）内部使用的NVInfo聊天机器人，通过NeMo微服务构建的数据飞轮，使其路由代理的准确率提升至96%以上，同时降低了成本和延迟 。 * 构建要素：构建数据飞轮需要从语义层开始，培养数据素养，并将数据治理和质量控制作为基础 。 * 成功案例：新加坡的汽车交易平台Carro通过其AI驱动的端到端汽车生态系统，利用交易数据不断优化定价、金融和保险等服务，形成了强大的数据网络护城河 。印尼金融科技公司AwanTunai通过将其金融服务与专有ERP系统相结合，获取中小微企业的交易数据，从而改进其风险评估模型，也构筑了基于数据的壁垒 。 数据飞轮的构建并非简单的数据积累，而是一个需要精心设计的战略过程。其核心在于明确：用户互动如何产生数据？这些数据如何被处理以改进模型？改进后的模型又如何提升用户体验以鼓励更多互动？将这一循环与一个具体、可衡量的业务成果（如NVIDIA NVInfo bot的准确率提升）相关联，是验证飞轮有效性并证明其投资价值的关键。这要求产品、工程和数据科学团队紧密协作，将数据视为驱动持续改进的动态引擎，而非仅仅是静态资产。

• 拥有深厚的行业知识 (Vertical AI)：专注于特定行业（垂直AI）能够让初创公司积累独特的领域知识和专有数据集，从而开发出通用AI难以匹敌的高度定制化解决方案 。 * 成功案例：保险承保领域的Sixfold、家政服务销售辅导领域的Rilla、医疗笔记领域的Abridge以及法律索赔文件包领域的EvenUp等公司，都是深耕垂直行业的典范 。WIZ.AI凭借其针对东南亚市场的本地化会话AI，以及菲律宾数字银行Tonik结合监管优势和创新消费信贷产品，也建立了强大的垂直领域护城河 。 * 构建原则：成功的垂直AI企业通常会识别客户真正希望自动化的工作流程，避开易于商品化的应用，寻找AI能完成而人类难以胜任的任务，为客户创造收入，探索新的商业模式，并瞄准那些需求细致复杂、易被忽视的细分市场和工作流程。同时，虽然模型本身难以构成持久壁垒，但多模态能力可以增强防御性。模块化、可扩展的模型堆栈以及对高质量数据的重视（初期质量优先于数量）也是关键 。 在法律、医疗、金融等专业性强的垂直领域，信任和对现有工作流程的遵从至关重要。AI解决方案如果能深刻理解并无缝融入这些既定流程，同时严格遵守数据安全和合规要求，就能建立起显著的转换成本。这种“粘性”不仅来自专有数据，更来自成为专业人士核心工作中不可或缺的一部分。因此，对于垂直AI初创公司而言，用户同理心、深入的工作流程分析以及与行业专家的共同创造，与AI技术本身同等重要。其护城河既包含数据，也包含流程知识和用户信任。 在许多复杂或高风险的垂直领域，AI完全自动化尚不可行或未被用户/客户充分信任。此时，引入“人在回路”（HITL）不仅是权宜之计，更可以成为一种战略选择。它使初创公司能够处理这些复杂问题，确保服务质量，并建立用户信任。更重要的是，人工监督和修正过程中产生的数据，可以形成高度有价值的专有数据集，用于进一步优化模型——这本身就是一种特定类型的数据飞轮。这种策略使得AI能够从专家的人类判断中学习，从而让初创公司在复杂市场中提供卓越质量，并创造出竞争对手（尤其是那些过早追求完全自动化的公司）难以复制的独特数据资产。

b. 警惕“氛围收入” (Vibe Revenue)：深入分析用户数据，区分真实行为与表面热度

AI产品，尤其是生成式AI，因其新奇性和“惊艳”效果，往往能在初期吸引大量用户试用，从而产生看似可观的收入。然而，这种收入可能仅仅是“氛围收入”——源于用户的好奇心、新鲜感或错失恐惧症（FOMO），而非产品真正解决了用户工作流程中的持久痛点 。

• “氛围收入”的特征：初期转化率高，短期增长曲线喜人，但3-6个月后用户留存率差，账户内使用扩展有限，且对新的替代品高度敏感 。 * 危害性：“氛围收入”在短期内能够完美模仿真实产品市场契合（PMF）的指标，极具欺骗性。然而，随着新奇感消退，这些指标会不可避免地减弱 。 * AI产品的特殊性：与以往一些纯粹炒作的技术（如部分Web3项目）不同，当前的AI产品确实能够工作并提供初步价值，这使得“氛围收入”更难辨别 。 * 识别方法：必须深入分析用户数据，包括采纳率、参与度、留存率等，以区分真正的用户行为改变和表面的“试用”热度。关键在于考察产品是否已融入用户的日常工作流程，以及6个月以上的用户群组留存率是否强劲且持续增长 。其他衡量指标包括客户生命周期价值（LTV）和流失率 。用户留存率的计算公式为：(期末客户数 - 新增客户数) / 期初客户数 * 100 。 * 生成式AI的参与度衡量：可参考F1/BLEU分数（衡量输出准确性）、采纳率、使用频率、会话时长/每次会话查询数、查询长度以及点赞/点踩反馈等指标 。对于预测性用户细分，则关注打开/点击率、转化率、流失率、复购率、平均订单价值（AOV）、广告支出回报率（ROAS）和定性反馈 。 * 用户行为分析框架：可采用点击追踪、滚动追踪、会话记录、热图等方法 ，并借助Google Analytics、Mixpanel、Qualtrics等工具 。

表3：区分AI产品的“氛围收入”与可持续的产品市场契合（PMF）

AI产品所具有的即时、有形的（且往往令人印象深刻的）输出能力，赋予了其一种“新奇溢价”。用户可能因为好奇或兴奋而尝试甚至付费，即便产品并未解决其深层痛点。这会导致早期采纳和收入数据被夸大，无法反映长期效用。因此，标准的SaaS指标在AI产品初期可能具有误导性，必须更加重视定性数据（如是否整合到工作流程中）和更长期的用户群组留存（6个月以上），以判断产品价值是否在新奇感消退后依然存在。

AI领域快速的技术迭代周期也可能加剧“氛围收入”陷阱。新模型和工具层出不穷，如果一个产品的主要吸引力在于其当前的“技术领先”所带来的新奇感，那么它极易被下一个稍微更好或更炫酷的工具所取代 。这促使用户在不同工具间频繁“跳槽”，导致许多产品初期注册量高但长期留存率差。要摆脱这一困境，AI初创公司必须专注于构建深度的流程整合、专有的数据优势或强大的社群效应，以创造超越核心AI模型能力的持久用户粘性。仅仅依赖拥有“最佳模型”是一种脆弱的策略。

c. 利润率路径清晰：应对Token成本，实现价值提升

尽管当前AI应用（尤其是基于大型语言模型的应用）可能因Token成本等因素导致毛利率不高，但创业公司必须规划出一条通往健康毛利率的明确路径。这通常依赖于未来Token成本的下降，以及产品向“销售成果”演进所带来的更高价值感知和付费意愿 [User Query]。

• Token成本与性能权衡：AI的盈利能力在很大程度上取决于其性能，特别是对于大型企业客户而言，他们通常更看重性能和安全性而非单纯的成本 。昂贵但性能卓越的前沿模型更可能被大型企业采纳，而低成本模型则可能更多地应用于消费者AI或中小型企业 。领先的AI芯片因其每秒能生成更多Token（衡量模型响应速度的指标）而保持竞争优势 。 * 成本动态的复杂性：AI的运营成本并非注定持续下降。例如，能够执行多步骤推理和自我优化的“代理式AI”（Agentic AI）可能会需要双倍甚至三倍的计算资源，从而推高成本 。 * 盈利关键：最终的赢家将是那些能够有效控制AI经济学（硬件效率、模型训练成本、云基础设施）的公司，即思考“谁能以最低成本构建AI”以及“谁能以最高价格销售AI” 。 * GenAI投资回报率（ROI）的衡量：应综合考量运营指标（如开发时间/成本节约、缺陷率）、质量保证指标（如测试用例生成效率、Bug检测率）、营销指标（如潜在客户生成、客户获取成本CAC）、客户服务/销售指标（如呼叫中心业务量、客户满意度CSAT、销售周期）以及采纳与影响指标（如员工生产力、收入增长）等 。

在B2B领域，AI公司必须精通基于价值的销售和定价策略。这要求深入理解客户的投资回报率（ROI），并能够清晰阐述和证明AI解决方案所带来的经济效益，从而证明其价格的合理性，而不受制于底层的Token成本。随着AI模型效率的提升和单位计算的Token成本下降，人们可能期望AI的总体运营成本会随之降低。然而，正如历史上杰文斯悖论（Jevons Paradox）所揭示的（例如，煤炭使用效率的提高反而导致了总消耗量的增加），单位成本的降低可能会引发使用量的大幅增加和更复杂应用的出现（如多步骤的代理式AI）。因此，尽管单个AI任务的成本可能降低，但由于AI被应用于更多问题和更复杂的场景，AI计算的总支出可能会持续上升。AI公司及其客户需要为此做好规划，确保所创造的价值增长超过计算总成本的增长。这也进一步凸显了“销售铲子”（即计算资源提供商）的重要性。

d. 行动要快 (Maximum Velocity)：抓住巨大市场需求，抢占先机

AI市场需求巨大（呈现“巨大的吸引力”），宏观经济波动对其影响甚微。“大自然讨厌真空”，创业公司必须以最快速度行动，抢占市场先机 [User Query]。AI市场的预计增长速度（例如到2030年增长350% ）以及过去五年用户和市场价值的快速增长 都印证了这一点。

在AI这样一个快速演变的领域，仅仅快速推出产品（“上市速度”）是不够的。由于底层技术、用户期望和竞争格局都在迅速变化，初创公司从用户反馈、市场信号和技术进步中学习，并据此迭代产品和战略的速度（“学习速度”）也至关重要。因此，“最大化速度”应贯穿于整个学习和迭代周期，而不仅仅是初始发布阶段。这要求初创公司建立敏捷的开发流程、强大的反馈回路以及拥抱快速实验和适应的文化。

实现最大化速度需要一支高技能、高积极性的团队。AI人才目前供不应求，因此，快速吸引、吸纳和留住顶尖的AI工程师、研究员和产品经理的能力，成为决定初创公司发展速度的关键瓶颈或推动力。除了招聘，营造一个充满活力和挑战的工作环境，让顶尖人才能够快速学习和成长，也至关重要。那些能够成为AI领域“人才磁铁”的公司，将在速度上获得显著优势。这也意味着，随着需求的演变，内部的技能提升和再培训计划对于保持发展速度同样不可或缺。

三、 AI的现状与近期发展 (Year in Review: 2023-2024)

在2023至2024年间，人工智能领域取得了显著进展，用户参与度持续深化，关键技术实现突破，新的技术趋势也逐渐显现，共同推动着AI向更智能、更实用的方向发展。

A. 用户参与度显著提升：AI深度融入日常生活与工作

以ChatGPT为例，其日活跃用户数与月活跃用户数（DAU/MAU）的比率大幅提升，已接近知名社交平台Reddit的水平。这一现象表明，AI正从一个新奇的技术概念，迅速转变为深度融入人们日常生活和工作流程的实用工具 [User Query]。

更广泛的数据也支持了这一趋势。超过半数（55%）的美国民众表示会定期与AI互动，其中27%的人每天多次使用，28%的人每天或每周数次使用 。在工作场所，AI的应用已相当普遍，例如，78.5%的员工使用邮件垃圾信息过滤器，62.2%的员工接触过用于回答客户服务问题的聊天机器人 。高达72%的企业已将AI技术应用于至少一项业务功能中 。个人层面，虚拟助手（如Alexa、Siri）的使用率为61.4%，算法推荐和健身追踪器也广受欢迎 。美国半数移动用户每天都会使用语音搜索功能 。

这些数据清晰地表明，AI不再局限于少数技术爱好者或特定行业，而是正在广泛渗透到社会各个层面。旗舰平台如ChatGPT的高用户粘性，不仅证明了其自身的实用价值，也有效地提升了公众的AI素养，并塑造了用户对未来技术产品的期望。

值得注意的是，AI在日常平凡任务中的普及，例如邮件过滤、虚拟助手、歌单推荐等 ，正为更复杂应用的采纳铺平道路。用户通过这些日常的、往往“不易察觉”的AI应用，逐渐熟悉并建立起对AI能力的基本信任，即便他们可能并未意识到这些功能背后是AI在驱动（例如，68%的受访者能识别健身追踪器是AI应用 ）。这种常态化降低了用户采纳更高级AI工具以解决工作或生活中更复杂问题的心理门槛。随着AI逐渐成为一种后台效用，新型、更高级AI应用的采纳曲线可能会更加陡峭，因为用户已被“训练”得期望获得AI的辅助，从而产生对更多AI整合的需求。

然而，我们也需要区分平台级AI的高参与度与具体AI产品的持续用户粘性。ChatGPT等基础平台的高DAU/MAU比率 [User Query] 反映了用户对通用AI能力（如搜索、总结、构思）的广泛兴趣和实用性认可。但这并不自动意味着每一个基于这些平台构建或与之并行的特定AI产品都能获得同样持久的用户参与。用户可能高度依赖ChatGPT完成通用任务，但如果一个垂直领域的AI写作工具未能提供超越通用平台的核心价值，或未能有效解决特定工作流程问题，用户可能很快就会放弃它。因此，初创企业不能简单地认为AI整体的高参与度就能保证其特定应用的成功，仍需证明其独特且持久的价值。“AI本身”的DAU/MAU很高，但对初创公司而言，真正重要的是“其AI产品”的DAU/MAU。

B. 突破性进展

1. 语音生成：实现了“Her时刻”，跨越了“恐怖谷”

2023年，AI语音生成技术取得了重大突破，其真实感和情感表达能力大幅提升，达到了一个被喻为“Her时刻”的里程碑，成功跨越了令人不适的“恐怖谷”效应 [User Query]。AI语音不再是过去那种易于辨认的、略显生硬的机器声，而是能够更准确地模仿人类的语调、韵律和情感 。研究表明，先进的AI语音生成器已经能够传递喜悦、悲伤、愤怒等复杂情感 。微软的VALL-E和Coqui的XTTS等先进系统甚至能产生与真人语音几乎无法区分的超现实语音 。

这些进步为AI在播客、有声读物叙述、客户服务乃至更广泛的人机交互领域开辟了新天地。展望2024年及以后，AI语音技术预计将继续向更接近人类自然语音的方向发展，重点将放在提升情感智能、上下文理解能力以及个性化语音定制（如根据用户偏好或对话情境调整音调、音高和风格）等方面 。

AI语音在情感表达上的突破，解锁了全新的应用类别。以往的语音AI主要承担功能性任务，如执行命令或检索信息。如今，能够传递真实情感的AI语音，使其可以应用于需要共情、陪伴或进行精细情感交流的场景，例如心理健康伴侣、更具吸引力的教育工具、以及更富感染力的故事叙述。这标志着语音AI从单纯的实用工具向用户体验和情感连接的领域迈进，可能催生一波专注于情感计算和人机关系的新型AI应用。

AI语音的个性化发展潜力巨大，有望彻底改变品牌身份塑造和技术普惠性。品牌可以开发独特且易于识别的AI语音，作为其身份的听觉象征，为客户提供一致且个性化的体验。个人用户则可以根据自己的偏好定制AI语音，使互动更加舒适自然。在无障碍化方面，AI语音可以调整以更好地适应有特定听力或认知需求的个体。这种深度的个性化将使AI互动摆脱千篇一律的刻板印象，深化用户参与，同时也为数字品牌塑造和更具包容性的技术设计开辟了新途径。

2. 编码 (Coding)：成为年度突破性应用类别，达到了“尖叫的产品市场契合度”

AI辅助编码在2023-2024年成为年度突破性的应用类别，达到了“尖叫的产品市场契合度”，从根本上改变了软件开发的经济性和可及性 [User Query]。AI不仅提升了开发效率，还使开发者能更专注于复杂挑战 。

2024年的主要趋势包括 ：

• 开源AI的普及：如Llama3等模型正迅速追赶GPT-4o等商业模型，开源AI采纳率激增60%，极大地推动了代码生成工具的民主化。
• 多模态生成式AI的应用：结合文本、图像、音频等多源数据，为软件开发提供更全面的解决方案和更丰富的上下文理解。
• 定制化AI模型的兴起：针对特定行业需求训练的AI模型，能提供更精准、更相关的代码生成服务。
• 增强型AI (Augmented AI) 的发展：通过上下文感知代码建议、错误检测和自动文档生成等功能，显著提升人类开发者的生产力。
• AI微服务的出现：将复杂应用模块化，使开发更易于管理和维护。
• 自然语言处理系统 (NLPS) 和大型语言模型 (LLMs) 的进步：在代码理解方面取得革命性进展，能够解析复杂数据集以构建最优逻辑。
• 对AI伦理的日益关注：确保AI生成代码的透明度、公平性和负责任的使用。

诸如OpenAI Codex、DeepMind AlphaCode、GitHub Copilot、Cursor、Gemini Code Assist以及OpenAI的GPT-4o和o1模型等工具，都在AI辅助编码领域发挥着重要作用 。

AI编码工具的普及正在催生开发领域的民主化，并可能涌现出“公民开发者”群体。强大的AI编码助手，特别是那些基于开源模型和自然语言界面的工具，显著降低了创建软件所需的技术门槛。这使得拥有领域专业知识但传统编码技能有限的个体（如业务分析师、设计师、科学家）也能够构建或原型化应用程序。这将极大地扩展软件创造者的队伍，加速细分领域的创新，并可能将专业开发者的角色推向更复杂的架构设计和监督工作。

同时，开发者的技能组合也在发生转变，更加侧重于AI编排和系统设计。随着AI承担越来越多的常规编码任务（如样板代码、简单函数、调试），开发者的价值正从逐行编码转向更高级别的技能。例如，有效地向AI提问（即提示工程）、选择和微调AI模型、集成AI组件（如AI微服务）以及设计整体系统架构等能力变得日益重要。理解和管理AI编码工具输出（包括其伦理考量和潜在偏见）的能力也同样关键。这意味着“开发者”的定义可能发生演变，未来的角色可能涉及更少的直接编码，而更多地是AI工具的配置、系统集成以及确保AI生成/辅助软件的质量和可靠性。

C. 技术趋势：推理、合成数据、工具使用和AI脚手架成为新动力

尽管大规模预训练（pre-training）的速度有所放缓，但一系列新的技术趋势正成为推动AI智能扩展的新动力，包括推理 (Reasoning)、合成数据 (Synthetic Data)、工具使用 (Tool Use) 和AI脚手架 (AI Scaffolding) [User Query]。

• AI推理 (Reasoning)：AI正从基础的模式识别和信息检索，向更高级的逻辑推理、规划和决策能力演进。这涉及到让AI系统能够进行结构化的推断，而不仅仅是基于概率的预测 。实现更强的推理能力需要更多的计算资源进行预训练、后训练和推理过程 。链式思考提示（chain-of-thought prompting）和多步骤推理工作流是提升推理能力的关键技术。
• 合成数据 (Synthetic Data)：随着AI应用的普及，对高质量训练数据的需求激增。合成数据，即人工生成用以模仿真实世界数据集的数据，正成为主流技术。它有助于解决数据稀缺、隐私保护和监管限制等问题，尤其是在金融、医疗等数据敏感行业 。然而，合成数据的质量至关重要，低质量的合成数据可能引入噪声、偏见，甚至降低模型性能。
• 工具使用 (Tool Use / Function Calling)：大型语言模型（LLMs）通过接入外部工具（如代码编辑器、网络浏览器、数据库、API等）来获取实时信息、执行现实世界操作或利用专业功能，从而扩展自身能力 。LangChain和LlamaIndex等框架是实现工具使用和检索增强生成（RAG）的关键，它们分别侧重于工作流编排与代理系统，以及数据集成与知识图谱管理 。两者可以协同工作，使LLM能够调用外部函数来检索数据或采取行动。
• AI脚手架 (AI Scaffolding)：这是一种在模型训练完成后增强其能力的方法，使其能够执行比原始模型更复杂的多步骤任务 。它包括赋予模型访问工具的能力、构建代理循环（如AutoGPT、Devin）、实现多AI协作（如迭代放大）以及应用检索增强生成（RAG）等技术 。另一种相关的“脚手架学习”（Scaffolding Learning）方法，则是先训练模型掌握特定技能（如算术运算或一阶求导），然后将其应用于更通用的任务（如解决应用题或二阶求导）。
• 内部数据挖掘 (Internal Data Mining)：企业越来越重视利用其内部专有数据（如邮件、案例文件、客户记录等）的价值。趋势是转向那些能够通过RAG、内部数据微调和企业级向量搜索等技术，对这些内部信息进行挖掘和推理的模型 。

表4：关键AI技术趋势 (2023-2024年) 及其影响

这些技术趋势共同指向一个“可组合AI”（Composable AI）的范式。相较于依赖单一、全能的AI模型，未来的趋势是构建由多个小型、专业化的AI组件、外部工具和数据源组合而成的系统。LangChain和LlamaIndex等框架在此过程中扮演了“粘合剂”或编排层的角色。这种方法带来了更大的灵活性和模块化，通过整合不同元素的优势，能够构建出更复杂、能力更强的AI系统。这也意味着，行业的焦点正从构建单一的“完美”模型转向如何巧妙地组装和编排一系列工具与代理。

推理和脚手架等技术的发展，正在有效解决当前大型语言模型在可靠性和信任度方面存在的短板。标准LLM可能产生“幻觉”、缺乏深度推理能力，并且难以处理复杂的多步骤问题，这些都限制了其在关键任务中的应用。而显式推理提示（如链式思考）、利用工具进行事实核查以及脚手架技术（如问题分解、迭代优化）等，旨在使LLM的输出更加可靠、可验证和准确。这种对提升AI输出质量和可信度的关注，对于推动AI在企业级应用中的采纳至关重要。随着这些技术的成熟，AI将更有能力参与到金融、医疗、工程等领域的高风险决策中。

合成数据则正在成为解决特定领域AI开发和偏见问题的战略性资产。获取大规模、高质量、多样化的数据集是训练AI模型的主要瓶颈之一，尤其是在细分领域或针对代表性不足的群体时。合成数据生成技术使企业能够创建定制化的数据集，填补这些空白，提升模型在特定场景下的性能，并通过构建更平衡的训练集来潜在地减少真实世界数据中存在的偏见。这不仅为数据稀疏但影响重大的领域加速AI发展提供了可能，也为掌握合成数据生成技术的公司带来了竞争优势。

D. 最具创新性的工作发生在研究与产品的模糊边界

当前AI领域最具创新性的工作，往往出现在学术研究与实际产品开发的交叉地带，例如Deep Research项目和类似Google NotebookLM这样的产品就是例证 [User Query]。这表明从研究突破到产品功能的转化速度正在加快。那些能够有效弥合这一鸿沟，促进研究人员与产品团队紧密协作的公司，更有可能在创新竞赛中脱颖而出。这也意味着传统的、线性的“先研究后开发”模式正在被压缩。

这种研究与产品之间界限的模糊化，导致了“从实验室到市场”周期的显著缩短，从而加剧了竞争的激烈程度。新的AI能力能够更快地触达用户，公司竞相将最新的研究成果产品化。初创公司凭借其固有的敏捷性，有时能借此超越行动迟缓的大型企业。因此，持续关注AI研究前沿，并具备快速原型化和集成新发现的能力，已成为至关重要的竞争要素。传统意义上由“成熟产品”构筑的护城河，其侵蚀速度正在加快。

同时，一种新的趋势是“研究即特性”（Research-as-a-Feature）和“产品引领研究”（Product-Led Research）。这意味着，研究过程中的某些元素或尖端研究能力，正被直接作为产品特性呈现给用户（例如，高级推理能力、实验性模型访问权限等）。反过来，用户与这些“研究特性”的互动所产生的大量数据和反馈，可以直接指导和调整研究议程。这种模式在用户、产品开发和研究之间建立了更紧密的反馈循环，不仅能加速产品创新，也能推动研究本身的进步。这也改变了用户对AI产品的认知，他们可能成为AI能力持续发展和完善过程中的积极参与者。

四、 AI的未来展望：代理经济 (Agent Economy)

随着AI技术的不断演进，一个被称作“代理经济”（Agent Economy）的未来图景正逐渐浮现。这个概念预示着一个由自主AI代理深度参与并重塑经济活动的全新范式。本章节将探讨代理经济的演化路径、核心定义、实现所面临的关键技术挑战及其潜在的深远经济影响。

A. 演进路径：从单个代理 (Agents) -> 代理群 (Agent Swarms) -> 代理经济 (Agent Economy)

代理经济的形成预计将遵循一个渐进的演化路径：从目前初见雏形的单个AI代理，发展到能够协同工作的代理群（或称代理集群），最终汇聚成一个复杂的、相互依存的代理经济系统 [User Query]。

• 单个代理 (Agents)：目前，我们已经看到能够执行特定任务的AI代理开始出现。例如，一些AI工具可以帮助用户起草邮件、安排日程或进行初步的信息检索。这些代理通常功能较为单一，自主性有限。
• 代理群 (Agent Swarms)：随着技术的发展，多个具有不同专长的AI代理将能够相互协作，形成“代理群”来共同完成更复杂的任务。这种协作可能涉及任务分解、信息共享和结果整合。企业内部的专业化代理（如Silent Eight用于金融犯罪合规的代理）已经展现出这种趋势的早期迹象 。
• 代理经济 (Agent Economy)：最终阶段是形成一个成熟的代理经济。在这个经济体中，AI代理不仅能高效协作，还能自主地进行资源交换、价值转移和商业交易，并建立起基于信任和可靠性的互动关系。

理解这一演化路径有助于我们预见未来AI发展的阶段性特征以及在不同阶段所需的基础设施和治理机制。

推动这一演化的核心驱动力在于专业化和互操作性。随着AI任务日益复杂，单一的、无所不能的代理将变得低效。因此，具备特定技能或领域知识的专业化代理将更具优势。为了让这些专业化代理能够解决更大规模的问题，它们必须能够有效地协同工作，即形成代理群。而高效的协作则高度依赖于互操作性——即代理之间进行通信、共享上下文和协调行动的标准化方式。因此，代理互操作协议（详见IV.C节）和代理发现市场 的发展，将是实现从单个代理向功能性代理经济过渡的关键赋能因素。

当多个专业化代理动态协作时，其集体能力可能超越各部分简单相加之和。“代理群”内部的互动可能催生出未被明确编程到任何单个代理中的新兴解题策略或创新方案。这类似于自然界中的群体智能现象，例如蚁群或蜂群能够完成复杂的集体任务。如果代理群能够展现出强大的涌现智能，它们将有能力应对更高阶的复杂问题。然而，管理、调试并确保此类涌现系统的安全性与目标一致性，也将构成重大的挑战。

B. 代理经济的定义：信息、资源与信任交织的新型经济体

代理经济的核心特征在于，AI代理不仅仅是信息的传递者或处理者，它们将成为能够转移资源、进行交易，并拥有类似于人类社会中信任和可靠性概念的经济参与者。这将是一个人与AI代理深度协同工作的经济体 [User Query]。更进一步地，代理经济被设想为AI的智能与区块链的去中心化特性相结合的产物，其中自主的AI代理在一个基于区块链的经济体系内运作 。这些代理能够自主执行任务、管理资产并相互互动，其行为受到去中心化金融（DeFi）原则的支撑，以实现利益一致和共享所有权 。

代理经济的核心概念包括 ：

• 开源创生 (Open-Source Genesis)：开发者通过开源项目创建和部署AI代理，鼓励全球社区协作改进和增强代理功能。
• 自主运营 (Autonomous Operations)：AI代理像区块链协议一样自主运作，独立管理资产和执行任务。
• 社区所有与参与 (Community Ownership & Participation)：每个AI代理可被视为一个独立的加密项目，拥有治理代币、效用代币，甚至以NFT作为访问凭证，将所有权和控制权赋予社区。
• 无缝的代理间协作 (Seamless Inter-Agent Collaboration)：代理可以无障碍地访问和利用其他代理的服务，并自主完成支付和交易。
• 流动性注入 (Liquidity Infusion)：借鉴加密经济原理，为AI代理提供流动性，促进数字领域内更流畅和动态的经济互动。
• 超级智能合约 (Super-Smart-Contracts)：AI代理进化为能够自主适应、学习并与环境互动的“超级智能合约”。

这一愿景旨在克服当前数字环境中创造者和用户面临的挑战，倡导一种开源、社区驱动的创新模式，确保创造者得到合理的回报和认可，并通过赋予用户对其数字互动的控制权和所有权来增强其权能 。

代理经济的出现可能会极大地降低复杂数字服务的交易成本。当前许多数字服务涉及多个人工接触点、协调工作以及合同相关的管理费用，这些都构成了交易成本。如果AI代理能够自主地发现需求、协商条款、执行任务并完成结算，那么大量此类人为中介的开销将被消除。这对于那些目前因协调成本过高而难以实现的复杂、多步骤数字工作流（例如需要协调多个自由职业者或服务提供商的任务）尤其具有颠覆性。其结果可能是，大量复杂的定制化或利基服务变得更加易得且经济实惠，从而为那些目前因协调成本过高而难以商业化的任务开辟新市场，并可能导致现有手动撮合此类服务的平台被取代。

区块链和加密技术的整合，在代理经济的构想中扮演着远超支付手段的基础性角色。虽然加密货币可以便利代理间的支付，但区块链技术更深远的意义在于为代理的行为、能力和声誉提供一个透明且不可篡改的记录账本，从而在一个去中心化的环境中培育信任。代币化机制则可以实现对代理协议和市场的社区治理，协调开发者、用户和代理本身的利益。基于区块链的去中心化身份解决方案（详见IV.C节）能够为代理提供可验证的凭证。因此，一个去中心化代理经济的成功，可能与Web3技术的成熟度和普及度紧密相关。这预示着AI和Web3的发展可能会日益交织，相互赋能。然而，这也意味着代理经济将同时承袭加密领域在可扩展性、易用性和监管方面所面临的一些挑战。

C. 实现代理经济的技术挑战：持久身份、通信协议与安全保障

要实现功能完善、值得信赖的代理经济，必须克服一系列关键的技术障碍，其中最为核心的是为AI代理建立持久的身份认证机制、设计无缝的通信协议以及构建强大的安全保障体系。

• 持久身份 (Persistent Identity)：AI代理需要拥有超越当前检索增强生成（RAG）和向量数据库技术的、一致的“人格”和可靠的“记忆” [User Query]。传统的身份和访问管理（IAM）系统，如OAuth、OpenID Connect (OIDC) 和SAML，主要为人类用户或静态机器身份设计，无法满足AI代理动态、相互依赖且可能短暂存在的特性，尤其是在大规模多代理系统中。这些传统协议的粗粒度控制、单一实体关注点以及缺乏情境感知能力都使其难以胜任 。AI代理需要的是更精细、更具适应性的访问控制机制。 为此，业界正在探索新型的“代理式AI-IAM”框架，其核心是利用去中心化标识符（DIDs）和可验证凭证（VCs）为AI代理创建丰富且可验证的身份。这种身份将包含代理的能力、来源、行为范围和安全状况等信息 。此外，还需要代理命名服务（ANS）以实现安全的、基于能力的代理发现机制 。上下文保持（context retention）也是一个难题，尤其是在跨代理边界和跨时间维度上保持信息一致性方面 。
• 无缝通信协议 (Seamless Communication Protocols)：代理经济需要一个类似于互联网TCP/IP协议栈的底层通信协议，以确保信息、价值和信任能够在代理之间高效、可靠地流转 [User Query]。若缺乏统一标准，临时的、点对点的集成方案将难以扩展、保障安全或在不同领域间通用 。 目前正在涌现的代理通信协议包括：
• 模型上下文协议 (Model Context Protocol, MCP)：一种基于JSON-RPC的客户端-服务器接口，用于安全的工具调用和类型化数据交换 。
• 代理通信协议 (Agent Communication Protocol, ACP)：一个基于RESTful HTTP的通用通信协议，支持MIME类型的多部分消息以及同步和异步交互，并包含会话管理、消息路由以及与DIDs的集成等功能 。
• 代理间协议 (Agent-to-Agent Protocol, A2A)：一个点对点任务委派框架，通过基于能力的“代理卡”（Agent Cards）实现企业级工作流中的安全、可扩展协作 。
• 代理网络协议 (Agent Network Protocol, ANP)：一个支持开放网络中代理发现和安全协作的协议，利用DIDs和JSON-LD图谱 。
• 安全 (Security)：在一个主要由非面对面AI代理构成的世界里，信任和安全的重要性被提升到前所未有的高度 [User Query]。这不仅包括保护数据免遭未授权访问，还需要超越传统的基于应用的访问控制 ，确保在动态环境中实现安全的身份验证和授权，同时维持问责制并执行安全策略 。

除了上述核心挑战，构建生产级的代理经济还面临其他难题，如确保代理服务7x24小时不间断运行并能自动扩展的基础设施、高效的代理发现机制以及可靠的支付清算系统等 。

表5：实现代理经济的核心技术挑战

AI代理的“身份危机”是实现代理经济的核心瓶颈之一。为了使代理能够进行交易、拥有资源、建立声誉并承担责任，它们需要一种稳定、可验证且安全的身份形式。当前的身份系统主要以人为中心或为静态机器身份设计，难以适应AI代理（尤其是在去中心化系统中）的动态、自主和潜在的短暂特性。若不解决此问题，则难以在代理经济中建立信任、追溯行为、管理权限或确保安全。因此，为AI代理开发强大的去中心化身份解决方案至关重要，这可能成为一个新的重要基础设施类别。

通信协议的标准化是催生代理经济网络效应的先决条件。正如互联网的蓬勃发展得益于TCP/IP和HTTP等标准化协议，一个依赖大量异构代理互动的代理经济同样需要通用的通信标准。否则，生态系统将变得支离破碎，形成一个个“围墙花园”，从而限制广泛协作的潜力。因此，当前围绕MCP、ACP等协议的开发和推广工作至关重要。“协议之争”或最终向一套主导标准的趋同，将是代理经济发展过程中的一个重要阶段。

代理经济中的安全是一个超越传统技术控制的多层面问题。技术安全（如身份验证、授权、加密）固然重要，但在一个由自主代理构成的经济体中，安全还涉及确保代理按预期行事（即“对齐”问题）、防止恶意代理行为、保障代理生成信息的完整性，以及在出现问题时建立追索机制。这已延伸到AI安全、伦理和治理等领域，而不仅仅是传统的网络安全。构建安全的代理经济需要一种整体方法，将技术安全措施与健全的治理框架、伦理准则以及可能的新型自主系统审计和监督机制相结合。

D. 代理经济的经济影响：重塑产业与价值链

代理经济的广泛采用预计将对全球经济产生深远影响，其规模堪比以往的工业革命。这不仅意味着巨大的财富创造潜力，也伴随着可能需要审慎管理和政策应对的重大社会结构调整。

• 生产力飞跃：仅生成式AI一项，每年就有潜力为全球经济贡献2.6万亿至4.4万亿美元的价值 。AI的普及应用有望使劳动生产率年均增长1.5个百分点，最终可能为全球年度GDP带来高达7%的提振 。
• 就业结构重塑：据估计，AI可能自动化当前约四分之一的工作岗位，影响全球3亿个全职工作 。但这更多地意味着工作内容的转变和新岗位的出现，而非大规模失业。人类独有的能力，如创造性问题解决、情感智能和人际交往等，将变得更加宝贵 。
• 新兴产业崛起：AI将催生全新的产业领域，例如AI软件开发、AI伦理规范、AI安全防护以及AI管理等 。
• 成本效益提升：AI代理能够显著降低企业的运营成本。例如，某银行通过部署AI客服代理，成功将相关运营成本降低了十倍 。
• 预算结构调整：企业将日益把预算从传统的人力成本转向AI代理。据估计，劳动力相关预算的总体规模是软件预算的35倍，AI代理正准备同时从这两个预算池中获取份额 。普华永道预测，到2030年，全球代理经济每年可能产生高达15.7万亿美元的价值，其中中国（GDP预计提升26%）和北美（GDP预计提升14.5%）将是主要受益者 。
• 潜在的经济差距扩大：不同地区和行业从AI革命中受益的程度可能存在差异。发达地区的企业可能更快适应并抓住AI带来的经济机遇，而新兴市场则可能面临落后的风险，这需要政策制定者关注并设法平衡 。

在AI代理驱动的经济中，那些难以自动化的、真正体现人类独特价值的技能——如复杂的战略思维、深刻的同理心、原创性以及领导力——其相对价值可能会显著提升。依赖这些技能的岗位或将享有“人类溢价”。人类的工作重心将转向与AI代理协作、管理和指导AI代理，以及处理需要精细人际互动的任务。这必然要求教育和再培训体系进行重大调整，以培养这些“人类溢价”技能。

由专业化代理构成、能够高效协作和交易的代理经济，可能会催生出围绕特定任务或服务的高度动态的“微型经济体”。这些代理能够大规模提供超个性化服务，以目前成本高昂的方式满足个体用户的独特需求。例如，一个代理可以通过与其他多个专业化的信息收集和摘要代理实时签约合作，为用户组装定制化的新闻摘要。这将导致利基服务的大爆发，形成一个更细致、更个性化的经济图景，并可能挑战现有基于大众市场产品的商业模式。

然而，AI代理的技术能力和代理经济的潜在发展速度，很可能会超越现有法律、监管和伦理框架的适应能力。诸如代理行为的责任认定、代理互动中的数据所有权和隐私保护、代理决策中的算法偏见，以及代理驱动市场操纵的可能性等问题，都需要得到妥善解决。经济差距扩大的风险也提示我们需要制定关于社会保障、教育和财富分配的新政策。因此，主动发展适应性的治理机制和伦理准则，对于确保代理经济以有益和公平的方式发展至关重要。

V. AI的嬗变之力：重塑思维模式与工作范式

人工智能不仅是生产力工具的革新，更深层次上，它正在引发人类思维模式的转变，并彻底重塑工作范式、组织结构乃至整个经济的运作方式。

A. 思维模式转变：拥抱随机性，强化管理思维

与AI的深度互动，特别是与那些本质上具有概率性输出的AI系统（如大型语言模型）的互动，正在促使人类的思维模式发生转变。

• 随机性思维 (Stochastic Mindset)：传统计算强调确定性，即给定输入A，总能得到确定的输出B。然而，AI，尤其是当前主流的深度学习模型，其运作方式更接近概率统计。AI的输出可能并非100%精确或完全一致，但它能提供前所未有的杠杆作用和处理速度 。AI发展到一定规模后，概率性方法往往比确定性方法更有效率 。 这种思维转变意味着人们需要从追求绝对精确转向接受和管理随机性。工作流程将从刻板的执行转变为对工具、内容和策略的迭代式开发。人们将以更少的确定性换取更大的杠杆作用，如同将任务委托给他人而非事必躬亲 。面对AI生成的信息，人们会采取更具批判性的审视态度，认识到其中可能存在的随机成分。这种思维模式天然地更能适应变化，也更接近科学研究中提出假设并进行验证的方法论 。对创业者而言，具备随机性思维有助于他们更好地预判AI模型的不可预测的改进，并据此规划产品路线图 。尽管有研究在探索确定性AI路径以期绕过概率模型的某些固有问题（如幻觉），但当前的主流趋势及其对人类思维的影响，更多地是指向随机性思维的培养。然而，这种转变也可能带来新的认知负担。确定性流程虽然可能繁琐，但其可预测性降低了处理意外结果的心力。与随机性AI协同工作，意味着人类必须持续评估、验证，并可能修正或优化AI的输出，这需要高度的批判性思维和判断力。虽然AI提供了杠杆，但人类的角色转向了管理与概率性结果相关的不确定性和风险。如果管理不当，这可能导致新的认知压力。因此，开发能够帮助人类有效管理和解读概率信息的工具和培训变得日益重要。另一方面，随机性思维也可能激发更大的创造力和创新。确定性思维有时会导致在现有范式内进行僵化、渐进式的改进。而AI输出中固有的某种随机性和“不可预测性”，有时能引入人类未曾考虑过的新颖视角或意想不到的解决方案，正如AlphaGo的某些出人意料的棋步激发了围棋界人类棋手的创造力一样 。当被用于创造性探索时，AI的随机性（常被视为缺陷，如“幻觉”）反而可能成为一种特性，通过AI探索广阔的可能性空间来增强人类的独创性。
• 管理思维 (Management Mindset)：随着AI代理承担越来越多的执行性任务，人类的角色将更多地转变为“管理者”，负责设定目标、监督过程、评估结果，并做出更复杂的管理决策 [User Query]。

B. 管理思维的演进：从直接执行到AI编排

人类在工作中的角色正从直接执行任务，转向对AI能力的“管理”和“编排”，这要求管理思维本身也随之进化。

• 从创造到策展与指导：对于知识工作者而言，一个显著的转变是从零开始创作内容或解决方案，变为更多地审查、优化和指导由AI生成的初步成果 。这更加强调批判性评估能力、对情境的深刻理解以及有效引导AI系统向期望方向工作的能力。
• 人管理AI代理，甚至AI代理管理AI代理：AI代理有望自动化初级员工乃至部分监督管理层级的任务，例如日程安排、报告生成和基础数据分析。这可能促使组织结构向更精简、更扁平化的方向发展 。领导者需要开始思考如何管理AI代理，未来甚至可能出现AI代理管理其他AI代理的场景 。

这种转变意味着，“AI提示工程”（AI Prompt Engineering）和“AI团队协作”（AI Teaming）正成为核心的管理技能。有效地“管理”AI，首先需要能够清晰地向AI系统传达目标和约束条件——这正是提示工程的精髓。随着工作越来越多地涉及人类与多个AI代理（或AI代理之间）的协作，设计、配置和协调这些“混合团队”的能力，将成为一项关键的管理职能。这比传统的团队管理更为复杂，因为它要求管理者理解AI的能力边界、局限性以及复杂的互动动态。

同时，伦理监督也成为一项关键的管理职责。当管理者将更多的决策权和执行权委托给AI代理时，他们也必须对这些AI行为可能产生的伦理影响负责，例如招聘中的偏见、客户待遇的公平性等 。管理者需要理解AI模型的决策机制，识别潜在偏见，并确保AI系统的使用方式符合组织价值观和社会规范。这要求在管理层面增加一层新的伦理警觉和监督。

C. 工作范式变革：杠杆更大，确定性减少，人机协同成为主流

AI正在根本性地改变工作的基本范式，其核心特征是个人和组织能够借助AI完成更多的工作（更大的杠杆），但同时也需要更好地管理由此带来的不确定性和风险 [User Query]。

• 任务生产力的提升：AI越来越多地处理常规性任务，如文件处理和基础客户咨询，从而将人力从重复性活动中解放出来，专注于那些人类专业知识能带来最大附加值的工作 。工作完成的速度也因AI能更快处理耗时任务（如数据分析）而显著加快。
• 工作流程的转型：在AI融入的工作场所，任务常被分解为若干组成部分，并根据最优原则在人类员工和AI之间进行分配。人类提供情境理解和判断力，AI则负责模式识别、计算处理和执行，形成优势互补 。
• 新工作角色的涌现：AI在创造全新工作类别的同时，也使对某些常规技能（如信息处理、数据录入）的需求下降。创造力、情商、复杂问题解决能力等人类独有技能的价值将更加凸显 。
• 创新加速：AI通过大规模、高速的数据驱动分析，增强人类的创造能力，并揭示以往难以察觉的机遇，从而加速各行业的创新步伐 。

在这种新范式下，“半人马模式”（Centaur Model）的工作方式——即人类智能与AI能力相结合的协作模式——将变得日益普遍。人类擅长战略思考、复杂判断、伦理推理和理解微妙情境，而AI则在数据处理、模式识别和快速执行方面表现出色 。工作流程将被重新设计，以充分利用这些互补优势，由人类引导和优化AI的产出。

随之而来的是，持续学习和适应能力将成为个体在AI时代的“生存技能”。AI技术、工具以及AI增强型工作的性质都在飞速发展，这意味着特定的技术知识或对当前AI工具的熟练程度很快就会过时。因此，持续学习、适应新工具和新范式、并勇于摒弃旧工作方式的元技能，其重要性将超过任何静态的技能组合 。

D. 重塑组织与经济：迈向“神经网络中的神经网络”

AI的影响将超越个体任务和工作流程，延伸至组织结构乃至整个经济体的重塑。AI代理有望整合不同的组织职能，完成端到端的流程，最终可能形成复杂的“神经网络中的神经网络”结构，从而彻底改变个人工作、公司运营乃至经济形态 [User Query]。

• 组织结构的调整：AI工具赋予个体贡献者更大的能力范围和效率，同时AI驱动的自动化接管了大量行政管理任务，这使得组织有可能采用更扁平、更具自组织性的结构，中层管理的角色可能受到显著影响 。例如，亚马逊公司已提出要求，旨在提高一线员工与管理人员的比例 。
• AI辅助的组织设计：AI能够分析海量的组织数据（如沟通模式、绩效指标等），以识别结构性低效、沟通瓶颈和协作机会，从而支持数据驱动的、持续优化的组织结构设计 。

这种由AI驱动的组织变革，可能催生出“算法化管理”（Algorithmic Management）的新模式及其对组织设计的影响。在这种模式下，工作分配、绩效评估甚至部分战略决策都可能由AI算法深度参与或主导。这要求组织设计更加灵活，能够快速响应AI系统提供的洞察，并建立新的人机协同治理机制。

更宏观地看，AI作为一种通用目的技术，其广泛渗透和深度应用，正成为催化新型组织形态和价值网络的关键力量。传统的、层级分明的、基于固定流程的组织，可能难以适应AI时代对速度、灵活性和持续创新的要求。取而代之的，可能是更加动态、模块化、以项目为中心、跨越多学科边界的协作网络。在这些网络中，人类专家与AI代理紧密配合，根据任务需求灵活组合，共同创造价值。这种转变不仅仅是组织内部结构的优化，更是对企业边界、供应链关系以及整个产业生态系统运作方式的深刻重塑。

六、 结论与展望

人工智能正以其前所未有的发展速度和深远影响，引领一场波澜壮阔的技术与经济变革。本报告从宏观市场机遇、AI创业核心策略、近期技术突破与趋势、未来代理经济的构想，以及AI对人类思维与工作方式的重塑等多个维度，对当前AI的图景进行了深入剖析。

1. AI市场的空前机遇与颠覆性力量：AI市场不仅规模巨大，且其增长速度远超早期的云计算等技术浪潮，预示着一个更为迅猛的产业颠覆周期。AI正深刻改变服务业与软件业的利润格局，推动企业从“销售工具”向“销售成果”的价值主张转变。计算、网络、数据和人才等先决条件的成熟，以及全球化社交媒体驱动下的新型产品分发机制，共同加速了AI的采纳。企业和投资者需认识到，适应这一变革的时间窗口比以往任何时候都更为紧迫。

2. AI创业的战略要务：应用层依然是AI创业的主战场，初创公司应聚焦垂直行业或特定职能的复杂问题，以客户为中心构建解决方案。成功构建AI公司，既要遵循解决重要问题、吸引顶尖人才等普适创业法则，也要掌握AI特有的护城河构建策略，如打造端到端解决方案、运用有效的数据飞轮、积累深厚的行业知识。同时，必须警惕“氛围收入”的陷阱，通过深入分析用户数据辨别真实的产品市场契合度，并规划清晰的盈利路径以应对高昂的初始成本。在需求旺盛、变化迅速的市场中，“最大化速度”——不仅是上市速度，更是学习和迭代的速度——至关重要。

3. 技术前沿的持续演进：2023至2024年，AI在语音生成、辅助编码等领域取得了里程碑式的突破，用户参与度也显著提升，AI正深度融入日常生活与工作。推理能力的增强、合成数据的应用、工具使用（如通过LangChain、LlamaIndex等框架）的普及以及AI脚手架技术的创新，正成为推动AI智能边界扩展的新引擎。创新往往发生在研究与产品化的模糊边界，预示着“从实验室到市场”的周期将持续缩短。

4. 代理经济的未来曙光与挑战：从单个代理到代理群，再到成熟的代理经济，是AI发展的远期愿景。在这个经济体中，AI代理将不仅交换信息，更能转移资源、进行交易，并具备信任和可靠性的概念，与人类深度协同。然而，实现这一愿景面临着持久身份认证、无缝通信协议、强大安全保障以及可扩展基础设施等多重技术挑战。代理经济一旦实现，将对全球生产力、就业结构和经济形态产生革命性影响。

5. 思维与工作范式的深刻嬗变：AI的广泛应用正促使人类思维向“随机性思维”转变，即学会在不确定性中寻求杠杆，并从直接执行者转变为AI的“管理者”和“编排者”。工作范式随之变革，人机协同的“半人马模式”将成为主流，个体和组织在获得AI赋能的同时，也必须提升管理不确定性和风险的能力。持续学习和适应能力将成为AI时代的核心竞争力。组织结构也将向更扁平、更敏捷、更数据驱动的形态演化，最终可能形成高度复杂的、类似“神经网络中的神经网络”的经济运行体系。

展望未来，人工智能的发展无疑将继续加速，其影响的广度和深度也将持续扩展。对于所有市场参与者而言，无论是大型企业、初创公司还是个人，理解AI的本质特征、把握其发展趋势、积极拥抱变革，并致力于构建负责任、可持续的AI生态，将是在这场时代浪潮中立于不败之地的关键。AI不仅是技术的革新，更是对人类智慧、组织能力和未来社会形态的一次全面重塑与升级。