AI全面取代工业，智能体发展的奇点在哪里？

智能体作为当前人工智能的一个重要分支，推动了AI技术的深化和发展。通过模拟生物智能的机制，智能体能够在复杂环境中进行自主决策和行动，提升了AI的应用能力和智能化水平。智能体的发展促进了多模态智能的融合，使得AI能够同时处理视觉、听觉、触觉等多种信息，增强了AI的理解和交互能力。

本文授权摘录至《智能体时代》，将从智能体发展的关键拐点与突破路径，以及企业智能体战略选择的决策框架系统展开，揭示智能涌现的本质规律，构建一个从微观到宏观的智能进化全景图。

技术预见：

智能体发展的关键拐点与突破路径

技术发展史常常呈现非线性的轨迹，关键突破往往出现在看似平稳的渐进过程中。人类历史上的重大技术飞跃，如蒸汽机、电力系统、晶体管和互联网，都经历了数十年甚至上百年的积累，然后在某个临界点突然加速，彻底改变整个社会。

智能体技术同样遵循这一发展模式，当前我们正站在智能体技术爆发式增长的初期阶段，对其未来发展路径和关键拐点的准确预见，不仅具有学术意义，更关乎企业战略布局和国家竞争力。在如此复杂且快速演进的技术领域，盲目跟随短期热点或过于保守观望都可能错失重要机遇，只有深入理解技术发展的内在逻辑和规律，才能在变革浪潮中把握先机，赢得未来。本节将从算力架构、数据质量、模型规模和组合智能4个维度，探讨智能体技术未来10年可能出现的关键拐点和突破路径。

（1）算力架构

在过去60年间，摩尔定律一直是推动计算技术进步的基本规律，预测晶体管数量每18个月翻一番。然而，随着硅基半导体工艺接近物理极限，传统摩尔定律的减速已成为业界共识。但这并不意味着计算能力进步的终结，而是暗示着计算范式的转变。在智能体时代，我们正见证摩尔定律的新面貌——从单纯追求通用计算芯片上晶体管密度的提升，转向为特定计算任务优化的专用架构、分布式系统和异构计算的多维进步。

当前智能体系统的训练和推理主要依赖GPU（图形处理单元）加速，这些最初为图形渲染设计的芯片因其高度并行的架构而成为AI计算的主力。NVIDIA公司凭借其在GPU领域的领先地位和为AI优化的软件生态，在这一波智能体浪潮中占据了核心位置。一个典型的大型语言模型训练可能需要数千张高端GPU协同工作数周甚至数月。例如，OpenAI的GPT-4据报道使用了大约25，000个NVIDIA A100 GPU进行训练，成本高达数亿美元。这种天文数字级的计算需求使得顶级智能体的开发仍集中在少数资本雄厚的企业手中，也限制了模型规模的进一步扩展和应用场景的多样化。

然而，专用AI芯片的快速发展正在改变这一格局。谷歌的TPU（张量处理单元）、Amazon的Inferentia和Trainium，以及中国的昇腾、寒武纪等专用AI芯片，都针对神经网络计算特性进行了深度优化，在特定任务上的能效比可能比通用GPU高出数倍甚至数十倍。与通用处理器相比，这些专用芯片牺牲了灵活性，但在特定计算模式上获得了极大的效率提升。例如，谷歌声称其TPU v4在大型语言模型训练中的性能价格比是GPU解决方案的3倍以上。这种专用化趋势预计将持续加深，未来5年内可能出现针对注意力机制、稀疏计算、低精度运算等智能体计算特性的更加细分的硬件解决方案。

与此同时，以Apple、谷歌为代表的终端芯片设计公司，正在将AI加速能力整合到移动处理器中。Apple的A17Pro芯片在其神经引擎上宣称达到35万亿次运算/秒的AI处理能力，这足以在手机上运行拥有70亿参数的压缩大语言模型。边缘智能的强化将打破当前云端智能体的垄断地位，开创本地化、私密化、低延迟的全新应用场景。更具颠覆性的是，当数亿甚至数十亿终端设备都具备了足够强大的AI计算能力，分布式智能体训练和推理的新范式将成为可能，这可能从根本上重塑AI系统的架构和交互模式。

量子计算代表了更加长远的算力跃升路径。虽然通用量子计算机仍面临诸多工程挑战，但量子退火和特定问题的量子模拟已展现出优势。谷歌、IBM、微软等科技巨头及初创公司如PsiQuantum、IonQ等都在这一领域投入巨资。量子计算在特定计算密集型任务，如大规模优化问题、材料模拟等方面有望提供指数级的速度提升。对智能体发展的影响可能首先体现在训练过程中的特定步骤优化，例如模型参数初始化、稀疏矩阵运算或特征工程等方面，而非完全取代传统计算架构。

从历史视角看，计算能力常常成为技术进步的瓶颈，但每一次算力局限都会激发架构创新和算法突破。当晶体管尺寸无法继续缩小时，多核并行成为主流；当单机性能提升放缓时，分布式计算和云计算兴起。如今，面对智能体对计算资源的巨大需求，我们已经开始看到计算架构的创新浪潮：神经形态计算模拟生物神经网络的工作方式，模拟退火、进化算法等启发式方法在优化大规模模型训练中展现潜力，甚至光计算、DNA计算等前沿技术也正从实验室走向早期应用。

下一个10年的算力演进将呈现多元化和专用化的特征，形成一个基于应用场景、能耗限制和性能需求的计算方案谱系，而非单一的技术路线。在这一趋势下，企业和国家的战略关注点应从单纯追求计算性能的顶峰，转向构建完整的计算能力体系，包括高性能计算中心、专用AI芯片、边缘智能设备，以及连接它们的高效通信与协调机制。这种全栈思维将是下一代智能体生态系统的基础。

▷图源：Matt Chinworth

（2）数据质量

如果说算力是智能体发展的发动机，那么数据则是其燃料。早期深度学习的成功很大程度上得益于大规模数据集的应用，ImageNet包含上百万张带标签的图像，Common Crawl抓取了数十亿网页内容，这些海量数据支撑了视觉和语言AI的快速发展。然而，随着模型规模和复杂度的增加，数据量的简单扩增所带来的边际效益正在迅速降低，数据质量已成为限制进一步突破的关键因素。在智能体时代，我们正经历从“大数据”范式向“高质量数据”范式的关键转变，这一转变可能成为未来几年智能体发展的决定性拐点。

当前大型语言模型训练数据集的构建仍然在很大程度上依赖于网络文本的大规模抓取和初步过滤。例如，GPT-3的训练数据包含来自Common Crawl的网页文本、维基百科、图书和其他互联网来源，总计数百GB的文本。这种方法虽然能够获取广泛的语言知识，但也不可避免地引入了互联网内容中普遍存在的偏见、不准确信息和低质量文本。最新研究表明，高达30%的网络文本可能是AI生成的内容，这些内容又被用作训练新一代模型的数据，形成了一个潜在的“数据污染”循环，长期看可能导致模型质量的退化。

数据质量革命的第一个关键趋势是数据筛选和评估方法的升级。简单的关键词过滤和基于启发式规则的清洗正在让位于更加复杂的质量评估机制。例如，Anthropic在训练其Claude模型时开发了一套多层次的数据质量评估系统，通过辅助模型预测文本在多个维度上的质量得分，如“信息价值”、“写作质量”和“伦理合规性”等，只保留最高质量的数据子集用于训练。Google的研究表明，仅使用最高质量的10%数据进行训练，可以达到使用100%数据的同等效果，同时显著减少计算成本和训练时间。这种趋势意味着拥有独特高质量数据的组织，即使规模不如科技巨头，也有机会在特定领域开发出竞争力强的智能体。

第二个趋势是合成数据的兴起。与其被动地从现有数据源筛选高质量样本，研究者开始主动生成专门设计的训练数据。例如，使用现有模型生成复杂推理问题及其详细解答步骤，或者创建特定场景下的对话数据集。微软研究院的WizardLM项目展示了这种方法的潜力，通过使用“Evol-Instruct”技术生成的高难度指令数据进行微调，显著增强了模型的推理能力和指令跟随能力。合成数据的独特优势在于可以有针对性地弥补现有数据集的盲点和不足，例如增加低资源语言的覆盖、强化特定领域知识，或者模拟罕见但重要的场景。

第三个趋势是多模态数据的融合与对齐。早期的AI模型大多专注于单一数据模态，如文本、图像或语音。但智能体的真正潜力在于理解和生成跨多种模态的内容，这需要不同类型数据之间的深度对齐。例如，将图像与其详细文本描述配对，或者将视频内容与对应的对话和行为注释关联。Meta的研究表明，经过良好对齐的多模态数据训练的模型，不仅在各个单独模态上表现更好，还能展现出模态间知识迁移的能力，例如通过文本理解改善视觉认知，或通过视觉经验增强语言生成。这种数据融合将成为下一代通用智能体的基础，但构建大规模、高质量的多模态对齐数据集仍是一个重大挑战。

第四个趋势是专业领域知识的系统整合。当前通用智能体的一个主要局限在于专业领域知识的深度不足。例如，医学、法律、金融等专业领域需要精确的术语理解和专业规则应用，而这些内容在通用网络文本中的覆盖有限且质量参差不齐。未来几年，我们预计将看到更多专注于高质量专业知识编码和整合的项目，如医学教科书和案例库的结构化转换、法律文件和判例的深度注释，以及金融报告和分析的标准化处理。

这些专业知识库将成为领域特定智能体的关键竞争力，也是通用智能体进化的重要补充。

这些趋势共同指向一个新的数据范式——从简单追求数量到精心设计质量，从被动收集到主动构造，从单一模态到多维融合，从通用知识到专业深度。这一范式转变对智能体开发策略有深远影响：一方面，它降低了大规模数据收集的门槛，使得中小型组织和非英语地区的参与者有了更公平的竞争机会；另一方面，它也提高了数据工程的技术复杂度和知识要求，数据科学家需要更深入理解特定领域知识和认知科学原理。

▷图源：Matt Chinworth

（3）模型规模

2020年，OpenAI研究团队发表了一项关键发现——“缩放定律”（Scaling Laws），揭示了神经网络模型规模与其性能之间的量化关系。该研究表明，在足够的数据和计算资源下，模型性能与其参数量的对数近似呈线性增长关系。这个看似简单的规律引发了大型语言模型的规模竞赛：从2020年的GPT-3（1,750亿参数）到Google的PaLM（5,400亿参数），再到 2023年的GPT-4（据估计超过1万亿参数），模型规模在短短三年内增长了近一个数量级。这种规模扩张带来了显著的能力提升，特别是在所谓的“涌现能力”（Emergent Abilities）方面，例如复杂推理、代码生成和上下文学习等，这些能力在较小模型中几乎不存在，但在超过特定规模阈值后突然显现。

然而，简单外推缩放定律面临多重挑战。首先是计算资源的限制。训练计算成本近似与参数量成正比，这意味着每增加10倍参数量可能需要10倍的计算资源。即使考虑硬件进步，维持当前的规模增长轨迹在经济上很快就会变得不可持续。其次是数据质量的瓶颈。高质量训练数据的有限性意味着简单增加模型规模可能导致过拟合，模型开始记忆而非泛化。第三是能源和环境成本。一个超大规模模型的训练可能消耗数百万度电，相当于数千个家庭一年的用电量，这在能源紧张和环境保护日益受关注的背景下引发了可持续性担忧。

面对这些挑战，研究界正在探索多条优化路径，试图在不过度扩大规模的情况下提升模型能力。第一条路径是架构优化。虽然Transformer仍是主流架构，但对其关键组件，如注意力机制、前馈网络和归一化层的优化，已显著提高了计算效率。例如，Flash Attention算法通过优化内存访问模式，将注意力计算速度提高数倍；而Mixture of Experts（MoE）架构通过动态激活模型中的不同子网络，实现了在保持推理效率的同时大幅增加参数量的目标。同时，受大脑分区功能灵感的Modular Neural Networks，以及针对特定计算优化的混合架构也展现出强大潜力。

第二条路径是训练方法创新。自监督学习、对比学习和强化学习从人类反馈（RLHF）等方法的组合应用，使模型能够从更少的数据中学习更多信息。例如，Anthropic的宪法AI方法通过让模型自我批评和改进，大幅减少了对人类标注数据的依赖；而DeepMind的Gopher模型通过精心设计的预训练目标函数，在较小规模下实现了与更大模型相当的性能。这些方法的进步暗示未来模型能力提升可能更多来自于学习算法的革新，而非简单的规模扩大。

第三条路径是知识蒸馏和模型压缩。大型模型可以作为“教师”，将其知识转移到参数量少得多的“学生”模型中。研究表明，经过精心设计的知识蒸馏过程，一个仅有原模型1/10大小的压缩模型可以保留原模型90%以上的能力。这种方法不仅降低了部署成本，还使智能体能够在资源受限的终端设备上运行。量化技术、剪枝方法和低秩近似等进一步优化了模型的存储和计算需求，为边缘智能应用铺平了道路。

这些发展趋势指向一个关键拐点：智能体发展可能从“垂直缩放”（简单增加单一模型的规模）转向“水平扩展”（结合多种技术和架构的综合优化）。未来最强大的系统可能不是单一的超大模型，而是不同规模、不同专长模型的协同组合，加上高效的协调和优化机制。这种“智能体生态系统”方法允许更灵活的资源分配和更有针对性的能力培养。

值得注意的是，尽管面临挑战，模型规模仍将继续增长，但增长轨迹可能会从指数级放缓为更可持续的速度。围绕涌现能力的研究表明，某些能力只有在达到特定规模阈值后才会出现，这意味着探索更大规模模型仍具科学价值和商业潜力。关键问题在于找到规模、效率和能力之间的最佳平衡点。

▷图源：Laurent Hrybyk

（4）组合智能

当前主流智能体开发仍集中在构建单一、大型、多功能的模型，如GPT-4、Claude或PaLM。这些系统虽然强大，但也面临固有的局限性：它们难以整合专业知识，难以进行持续学习，且缺乏复杂任务分解和协调执行的能力。对比人类社会的组织形式——我们很少期望单个专家解决所有问题，而是构建由不同专长个体组成的团队和机构，通过分工协作解决复杂问题。这种“社会化”智能的优势为下一代智能体技术指明了方向：从单一大模型向多智能体协作架构的转变。

多智能体系统（Multi-Agent Systems, MAS）由多个相互交互的智能体组成，每个智能体可以具有特定功能、知识领域或决策能力。这些智能体通过定义好的通信协议和协调机制共同工作，形成一个能力超越单个组件的综合系统。早期的多智能体研究可追溯到20世纪90年代，但直到2023年左右，随着大型语言模型作为灵活通用的基础构件的出现，这一领域才迎来真正的破局点。

多智能体架构的第一个关键突破是在模拟人类协作的能力。以斯坦福大学的AutoGen框架为例，它允许多个基于语言模型的智能体扮演不同角色（如规划者、执行者、批评者、专家顾问等），相互交换信息并协同解决复杂问题。实验表明，这种协作模式在软件开发、科学研究和创意写作等任务上，表现优于单一大模型，即使后者参数量更大。微软Research的研究发现，在复杂数学问题求解中，4个相互协作的小型模型的表现可以超过单个大模型，这暗示了组合多样性对认知能力的重要性。

第二个突破是智能体专业化分工的实现。不同于单一通用模型，专业化智能体可以针对特定任务或知识领域进行深度优化。例如，Anthropic开发的专门处理数值计算的“Math Agent”与主语言模型Claude协作，将数学计算错误率降低了超过80%；类似地，Google的Med-PaLM系列展示了如何将医学专业知识深度整合到特定智能体中。这种专业化趋势正在扩展到各个领域，从法律咨询、财务分析到科学研究，形成一个专业智能体的生态系统。

第三个突破是自反思与自适应能力的增强。通过多智能体结构，系统可以实现自我监督和迭代改进。例如，一个智能体提出解决方案，另一个扮演批评者角色识别潜在问题，第三个则尝试改进原方案。DeepMind的研究展示了这种“反思循环”如何显著提高复杂推理任务的准确性：一个配备反思机制的中等规模模型可以达到甚至超越更大规模模型的表现。这种能力特别重要，因为它使系统能够逐步完善自己的输出，而不是简单地寄希望于一次性生成完美答案。

第四个突破是工具使用和环境交互能力的整合。现代多智能体系统不仅能与其他智能体沟通，还能调用外部工具和服务，如代码执行器、网络搜索引擎或专业数据库。这种能力极大扩展了系统的功能边界，使其能够获取最新信息、执行精确计算或验证自己的推理结果。例如，AutoGPT和LangChain等框架允许智能体根据任务需求动态选择和调用适当的工具，形成一个“思考—行动—观察—适应”的循环。这种环境感知和工具增强的能力是多智能体系统与传统单一模型的根本区别之一。

多智能体架构的重要性远超技术层面，它可能从根本上改变智能体的开发和部署模式。在单一大模型范式下，智能体开发集中在少数拥有大量计算资源的科技巨头手中；而多智能体方法允许更分散的创新生态系统，各种组织可以专注于开发特定功能的专业智能体，并通过标准化接口与其他智能体协作。这种模式类似于早期互联网的开放创新，有潜力催生更多样化的应用和商业模式。

从长期看，多智能体架构可能是通向人工通用智能（AGI）的必经之路。复杂的认知能力如创造性问题解决、长期规划和开放式学习，很可能不是单一模型的简单扩大就能实现的，而需要多种认知模块的协同工作。事实上，人类智能本身就是多种神经系统相互作用的结果，不同脑区负责不同功能，共同构成完整的认知系统。因此，多智能体方法不仅是工程上的权宜之计，更可能是更准确反映智能本质的方法论。

综合来看，智能体技术的未来发展将呈现多元化的技术路径，而非单一的进化轨迹。算力架构将从同质化走向专用化和层次化；数据质量将取代数据规模成为关键竞争要素；模型设计将从盲目追求规模转向架构创新和效率优化；而系统组织方式则将从单一模型过渡到多智能体协作架构。

这些趋势共同描绘了智能体技术的长期演进图景：一个既保持技术连续性又充满范式转换可能性的未来。在这样一个复杂且快速演变的技术格局中，企业和政策制定者需要超越短期趋势，理解更深层次的技术发展规律。那些能够准确把握关键拐点、前瞻性布局核心能力的组织，将在智能体时代的长期竞争中占据优势地位。

未来已来：

企业智能体战略选择的决策框架

当深刻的技术变革席卷而来，企业决策者往往面临类似的困境：是积极拥抱新技术并承担相应风险，还是采取观望态度等技术成熟再行动？

回顾近代商业史，我们可以发现，不论是电气革命、互联网革命还是移动计算革命，最终获胜的通常既不是盲目冒进者，也不是故步自封者，而是那些能够基于对技术本质深刻理解，在适当时机做出精准战略选择的组织。智能体技术的爆发式发展使这一经典命题再次浮现在各行业决策者面前，但与以往不同的是，这一次技术演进的速度之快、影响范围之广、应用场景之多样，几乎不给企业留下从容思考的时间。因此，构建一个系统化、可操作的决策框架，帮助企业厘清智能体技术的战略意义并制定切实可行的行动路线，成为当下企业领导者的紧迫需求。

▷图源：Matt Chinworth

智能体技术并非单一、统一的发展路径，而是呈现出多元化的技术路线和实现方案。对企业决策者而言，理解这些不同路线的特点、优劣势及发展前景，是制定合理战略的第一步。目前智能体技术主要沿着三条并行但相互影响的路径发展：以OpenAI和Anthropic为代表的“通用大模型路线”，以Google和百度为代表的“全栈多模态路线”，以及以Microsoft和Salesforce为代表的“平台集成路线”。这三条路线分别代表了不同的技术哲学和商业逻辑，也为企业提供了不同的参与策略和合作机会。

通用大模型路线的核心理念是构建单一的、超大规模的基础模型，通过海量数据训练和模型规模扩展获取强大的通用能力，然后针对具体应用场景进行适配和微调。这一路线的优势在于技术路径清晰、能力边界不断拓展，且具有较强的通用性和可迁移性；但其挑战在于训练和运行成本高昂、对算力和数据依赖性强，且在特定专业领域的深度应用可能受限。以OpenAI为例，其发展战略聚焦于持续扩大基础模型（如GPT-4）的规模和能力，同时通过API和微调服务允许下游应用开发者根据特定需求定制应用。这种方式使得AI能力的生产与AI应用的开发实现了分工，为整个生态创造了新的价值链结构。

全栈多模态路线则强调构建覆盖多种感知和交互能力的技术体系，同时整合硬件、模型和应用层的资源优势。与专注于单一模型扩展的第一条路线不同，这一路线更强调不同能力模块的协同和互补，以及从数据中心到终端设备的全链条优化。Google的Gemini系列模型体现了这一思路，它不仅包含处理语言的能力，还深度整合了视觉、音频处理，甚至在未来可能融合传感器数据分析等功能，形成真正的多模态交互系统。

百度文心一言同样采用了类似方法，通过构建从AI芯片（昆仑）、框架（飞桨）到模型（文心）和应用（百度APP生态）的完整链条，实现技术协同和优化。这一路线的优势在于能力更加全面、用户体验更加一体化，且在特定场景下的整合表现更优；但其挑战在于研发复杂度高、协调成本大，对组织能力和资源整合要求极高。

平台集成路线则采取了更加务实的方法：将智能体技术视为增强现有软件平台和服务的功能组件，而非完全替代现有系统。Microsoft的Azure OpenAI Service和GitHub Copilot，以及Salesforce的Einstein GPT，都体现了这一思路。这些公司不一定自研最顶尖的基础模型，而是通过深度集成第三方AI能力到自身成熟的产品和服务生态中，创造增量价值。

这一路线的优势在于实施周期短、风险可控、与现有业务协同性强；但其局限性在于对外部技术依赖度高，差异化竞争优势可能不足，长期技术主导权有限。

这三条技术路线并非静态的，而是在市场竞争和技术进步的推动下不断演化和交汇。例如，我们已经看到通用大模型正在向多模态方向扩展，而平台集成者也在加强自身的模型研发能力。对企业决策者而言，关键不在于简单选择某一条路线，而是理解这些路线的发展逻辑和适用场景，在组织自身条件和战略目标的基础上做出合理选择。

▷图源：Aimi Gio

理解了主要技术路线后，企业面临的第二个关键问题是如何获取智能体技术能力：是投入资源自主研发，还是直接采购现成解决方案，或者采取某种混合策略？这个问题没有放之四海而皆准的答案，需要基于企业自身特点和战略目标建立系统的决策模型。我们可以从5个关键维度构建这一决策模型：战略重要性、技术差异化需求、资源能力约束、时间窗口考量以及风险承受能力。

战略重要性是首要考量因素。当智能体技术对企业核心业务和长期竞争力至关重要时，自建策略通常更具吸引力，因为它提供了更高的控制度和定制化可能性。例如，对特斯拉这样将AI视为核心竞争力的公司，从基础设施到算法的全栈自研成为必然选择；相比之下，对于一家将AI仅视为提升客户服务效率工具的零售企业，采购现成解决方案可能更加合理。评估战略重要性需要企业领导者跳出当前业务框架，前瞻性地思考智能体技术可能对行业格局、价值链位置和商业模式产生的深远影响，避免因短视而错失战略机遇。

技术差异化需求是另一个关键维度。当企业业务场景具有高度特殊性，或者差异化技术能力可能创造显著竞争优势时，自建方案的价值就会凸显。高盛开发的金融智能体需要整合专有的市场数据和风险模型，这种高度特化的需求难以通过通用解决方案满足；同样，蚂蚁集团在支付风控领域构建的智能系统，其差异化价值足以支撑大规模自研投入。相反，如果企业的应用场景相对标准化，且与市场上已有解决方案高度重合，那么“重复发明轮子”的自建策略可能难以证明其合理性。

资源能力约束是不可回避的现实因素。自建高质量智能体系统需要强大的技术团队、充足的计算资源和大规模高质量数据，这些都是稀缺资源。据估计，训练一个顶级大语言模型可能需要数千万到数亿美元的投入，这远超大多数企业的AI预算。因此，资源约束常常成为中小企业倾向采购策略的决定性因素。然而，资源约束也促使企业思考另类路径，如专注于特定垂直领域的小型高效模型，或者通过行业联盟共享研发成本和数据资源。例如，韩国互联网巨头Naver、LINE和日本软银合作开发的HyperCLOVA模型，就是通过资源整合实现了与全球科技巨头竞争的能力。

时间窗口考量是在快速变化市场中的关键因素。当市场竞争激烈，先发优势明显，或者存在关键战略时间窗口时，采购现成解决方案可以大幅缩短上市时间。2023年，大量企业通过集成OpenAI、Anthropic等公司提供的API服务，快速推出了AI增强产品，在市场上取得了先发优势。相比之下，自建路径虽然长期价值可能更高，但研发周期长、不确定性大，可能错过关键市场机会。当然，这种权衡不是静态的，企业可以采取“先采购后自建”的演进策略，在快速进入市场的同时，逐步构建自主能力。

风险承受能力对决策同样至关重要。自建策略面临的风险包括技术风险（研发不及预期）、资源风险（成本超支）、人才风险（核心团队流失）以及市场风险（技术路线被颠覆）。采购策略则面临供应商依赖风险、成本波动风险、功能受限风险和差异化不足风险。企业需要基于自身风险偏好和管理能力，评估不同路径的风险组合。例如，对于风险偏好保守的金融机构，分阶段、低风险的混合策略可能更为合适；而风险承受能力强的科技创业公司，可能倾向于高风险高回报的自建策略。

基于综合评估，企业可以在一个决策光谱上定位自己的策略，从完全自建到纯粹采购，中间包含多种混合策略：全栈自建适合技术领先的大型科技公司和将AI视为核心竞争力的企业；基于开源模型的二次开发平衡了自主控制与研发效率；API结合自有数据的混合模式在使用第三方服务的同时实现部分差异化；基于SaaS平台的定制开发可以快速实现业务场景落地；直接采购垂直领域解决方案则最大限度降低实施复杂度。

值得注意的是，企业的战略选择不应是静态的，而应随着技术成熟度、市场条件和组织能力的变化而演进。许多成功企业采取了“由外而内”的渐进策略：先通过采购现成解决方案快速积累经验和市场验证，同时培养内部团队能力，逐步提高自主研发比重。例如，摩根大臣最初通过与OpenAI合作快速部署了面向财富管理的AI助手，同时组建了自有的AI研究团队，长期目标是开发更符合金融行业特殊需求和监管要求的专有系统。

▷图源：Matt Chinworth

智能体技术的应用不仅带来巨大机遇，也伴随多维度的复杂风险。与传统IT项目不同，智能体技术的风险不仅涉及技术失效或成本超支等常规考量，还包括更为广泛的伦理、法律、声誉和社会层面的挑战。构建全面的风险评估矩阵，帮助企业系统识别、评估和管理这些风险，是智能体战略决策的关键环节。

技术风险是最直接且容易理解的维度，包括模型性能风险（如准确率低于预期、幻觉现象严重、鲁棒性不足等）、扩展性风险（如无法满足业务增长需求、延迟过高等）、安全风险（如提示注入攻击、数据泄露等）以及依赖风险（如供应商不稳定、API突然变更等）。评估这些风险需要企业建立清晰的技术指标和测试框架，例如，通过对抗性测试评估模型在极端情况下的表现，或通过负载测试验证系统在高压环境下的稳定性。较为成熟的企业会建立技术风险分级机制，区分“可接受风险”、“需监控风险”和“阻断风险”，并为不同级别设计相应的缓解策略。

商业风险则关注智能体项目的经济可行性和市场竞争维度，包括投资回报风险（实际收益低于预期）、市场接受度风险（用户抵触或适应缓慢）、竞争风险（技术路线被颠覆、差异化不足）和商业模式风险（定价策略失效、成本结构不可持续）。评估商业风险需要企业超越纯技术视角，深入分析智能体如何创造、传递和获取价值。例如，一个从技术角度看很成功的客服智能体，如果导致客户满意度下降或流失，从商业角度就是失败的。明确的成功指标定义、阶段性投资决策机制和持续的市场反馈收集，是管理商业风险的有效手段。

伦理与合规风险在智能体时代变得尤为重要，它包括隐私风险（如未经许可使用个人数据）、偏见与歧视风险（如模型输出体现系统性偏见）、透明度风险（如难以解释的“黑盒”决策）和监管合规风险（如违反新兴AI法规）。这些风险的特殊之处在于，它们不仅关乎技术功能或商业数字，还涉及企业价值观、社会责任和品牌声誉。评估这些风险需要多学科视角，通常需要技术团队、法务部门、伦理专家和业务主管的共同参与。

构建综合风险矩阵需要将这三个维度整合起来，分析它们之间的相互作用和权衡关系。例如，提高模型安全性（技术风险缓解）可能导致功能受限（商业风险增加）；追求极致个性化（商业价值提升）可能引发隐私担忧（伦理风险上升）。有效的风险评估不是试图消除所有风险，而是帮助决策者理解风险之间的关联和取舍，在充分信息的基础上做出平衡的战略选择。

具体操作上，企业可以构建“风险热图”，横轴表示不同风险类别，纵轴代表不同应用场景或业务流程，在每个交叉点评估风险级别，形成直观的风险分布图景。这种可视化方法有助于识别高风险区域和系统性模式，为资源分配和风险缓解提供参考。值得强调的是，智能体风险评估不是一次性活动，而是需要贯穿项目全生命周期的持续过程。初期评估有助于做出“是否进入”和“如何进入”的战略决策；开发阶段的持续评估可以及早发现问题并调整方向；部署后的评估则帮助识别实际使用中出现的预料之外的风险。

理论框架需要通过实际案例检验和丰富。以摩根士丹利的“智能财富顾问”项目为例，作为全球领先的金融服务机构，该公司面临着提升财富管理服务效率和个性化水平的压力。2022 年底，该公司开始评估将大型语言模型应用于财富管理业务的可能性。摩根士丹利组建了跨部门团队，包括技术、业务、合规和风险管理专家，对智能体技术进行全面评估。通过构建严格的评估矩阵，团队发现自建专用模型周期长、风险高，而直接采用公共API又存在数据安全和合规风险。经过权衡，公司采取了混合策略：与OpenAI建立专属合作关系，使用其技术在摩根士丹利自有基础设施上部署私有化模型，确保敏感数据不离开公司控制范围。

实施阶段，摩根士丹利采用渐进式路径：第一阶段仅将智能体用于内部知识管理，帮助财务顾问更高效地获取产品信息和市场研究；验证成功后，第二阶段扩展到辅助内容生成，如根据客户画像创建个性化投资建议草稿；第三阶段才谨慎推出直接面向高净值客户的智能财富助手。风险管理贯穿整个项目，公司建立了“三道防线”机制：模型层面实施严格的金融领域安全防护栏；流程层面设置人类顾问审核环节；治理层面成立专门的AI道德委员会。这一案例的关键启示包括：金融等高监管行业可以采取“控制中创新”的平衡战略；混合技术路线能够有效平衡速度与控制；成功的智能体项目不仅是技术实施，更是文化和流程的转型。

从以上案例中，我们可以提炼出智能体战略决策的通用原则：首先是“目标导向”，技术路线和实施策略应服务于明确的业务目标，而非追赶技术潮流；其次是“资源匹配”，战略野心应与组织资源和能力相匹配，量力而行比盲目扩张更可持续；第三是“风险平衡”，需在创新推动和风险控制间找到平衡点，特别是在高监管行业；第四是“渐进实施”，分阶段、低风险的实施路径通常比“大爆炸”式部署更成功；最后是“持续学习”，智能体技术发展迅速，组织需建立持续学习和调整的机制，而不是一次性决策。智能体技术的战略决策不仅是技术选型，更是组织能力、业务模式和文化转型的综合考量。那些能够将技术变革与组织变革有机结合，既着眼长远又务实落地的企业，将在智能体时代赢得持久竞争优势。

文章来自于“追问nextquestion”，作者“中信出版集团”。