深耕行業十四年，知浪潮將至，當相向而行。本文旨在結合企業思考，探討AI新時代下的技術與應用趨勢，對內秉初心以率眾，對外納灼見而求臻。

技術分水嶺：算力、算法和數據的能效博弈

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

如果參考摩爾定律，算力的發展會最先觸及到能效天花板，基礎大模型依賴堆疊算力的時代終將結束。這并不是“算力無效論”，更多的參數和算力一定意味著更好的模型效果，但是邊際效應遞減會讓技術發展在算力上的投入趨于平穩。這點從當前AI巨頭的產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疲態，OpenAI等其他幾家AI巨頭已經開始探索AI Agent等應用領域，推出智能代理產品。

合成數據和私域數據是下一個大模型時代的數據突破口。雖然我們正處于數據大爆發的信息時代，但得益于大數據技術和算法突破帶來的數據處理效率飛躍，AI發展已經面臨數據枯竭的問題。早在ChatGPT剛剛問世時，Sam Altman就警告“我們已經處在當前大模型時代的尾聲”。人類互聯網歷史上被保留下來的各種高質量語料，已經在 GPT-3/4中被消耗殆盡。大模型參數數量仍然可以繼續膨脹下去，但對應數量的高質量數據卻越來越稀缺，因此增長參數數量帶來的邊際效益也會逐漸降低。

算法更像是AI發展的“催化劑”，它能夠突破算力和數據的約束，實現非線性進化。算法領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，隨著模型復雜度的增加，算法的改進空間逐漸縮小。一般認為算法突破可能需要結合更多跨學科的研究成果，例如神經科學啟發深度學習，認知科學啟發注意力機制，但未來還會有多少“Transformer時刻”，終究難以預測。

通付盾宣言：基礎大模型的發展在算力、算法和數據的能效博弈中趨于平穩，成為通往ASI的堅實基礎設施；技術資源逐步轉向專業領域的數據價值提取和AI智能體的場景落地；“應用落地”將成為下一個AI時代發展的主旋律。

應用大爆發：多智能體協同開創Agent時代

AI Agent的發展是從“問答機器人”到“智能助手”的進化。Agent的核心在于“任務執行”，使AI不局限于給出建議，而是可以執行具體的任務，例如網上下一筆訂單，或者執行一筆交易。從簡單任務到復雜任務的演進，往往需要不同模型、不同智能體之間的協同配合。我們將這種“多智能體協同”的概念定義為InterAgent（IA），它是技術架構的革新，更是對產業應用范式的重構。我們相信IA將推動AI實現從單一智能到群體協作、從工具輔助到自主執行的跨越式發展，成為推動Agent時代全面爆發的核心驅動力。

在技術層面，Anthropic的MCP協議使不同數據源、模型、工具得以鏈接，為多智能體協同（IA）提供了標準化協議。MCP（Model Context Protocol，模型上下文協議）定義了應用程序和模型之間上下文交換信息的方式，使Agent開發變得更加便捷簡單，也使多Agent體協同變得更加一致和高效。MCP的協議生態還在早期建設階段，通付盾作為AI Agent信任系統服務提供商，也積極參與其生態建設，部署MCP 服務器，面向社區開發MCP功能插件，為擴展多智能體協同生態系統貢獻力量。

圖 1通付盾MCP AI插件服務

在應用層面，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完善。Manus的橫空出世更是掀起了對于“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化為實際生產力的能力，商業潛力巨大；另一方面，鑒于其未開放任何公開測試渠道，Manus的技術創新真實性、營銷策略和實際價值創造能力也備受爭議，尤其是其主打的“通用Agent”概念，在當前AI技術發展趨勢下，還有相當的局限性。

相較于Manus的通用宏大敘事，Dify等Agent應用平臺已經在多個領域有了實際的落地應用，這得益于社區共建的力量。相較于一個通用的大模型，針對特定應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的本質——價值創造。想象一家企業創建一個AI Agent進行客戶觸達和銷售，為了最大化利潤一定會使用最高質量的數據以及最優秀的專家經驗來訓練Agent，私域數據和行業know-how所帶來的信息壁壘使其效果必將遠優于通用Agent模型。再想象一個AI Agent市場，匯集了各個領域的優秀Agent（因為市場為Agent創造者提供了足夠的激勵），Agent之間進行市場化競爭，只有價值創造能力更好的Agent可以生存。優秀的Agent可以吸引更多用戶，更多用戶會提供更多數據進一步推動Agent進步，形成正向循環。

圖 2通付盾鏈上會AI插件平臺（左）、AI Agent插件市場（右）

通付盾宣言：AI應用時代以智能體（Agent）為應用核心，以多智能體協同（InterAgent，or IA）為技術核心；協助構建智能體的基礎設施將獲得巨大商業回報，其關鍵詞是“垂直領域”“社區激勵”和“開放平臺”。

模型的未來：小模型引領新時代“圖靈測試”

DeepMind聯創蘇萊曼在他的著作《浪潮將至》中提出了一種新時代的AI“圖靈測試”：給一個AI 10萬美元，看它是否能在亞馬遜上通過學習來做交易，并最終賺到100萬美元。這是一個非常有趣的概念，相較于技術基線，對于使用者來說AI Agent更重要的是它的行動能力，也就是價值創造的能力。商業成功就是新時代的“圖靈測試”，并且這種測試專為Agent而生。技術的發展往往由商業模式驅動，我們相信模型技術未來的發展方向也將由基礎大模型向專業領域效果更好、盈利能力更強的專家領域小模型發展。

從技術角度看小模型的技術框架已經成熟。與一般認知不同，小模型的技術起源其實要遠早于大語言模型，其雛形可追溯至20世紀60年代的專家系統，其核心思想是通過知識庫和推理機制模擬人類專家的決策能力。2010年前后備受矚目的MoE框架（也直接啟發了DeepSeek的算法革新）也是專家模型的基礎框架，通過動態路由機制將輸入分配給不同的子模型（專家），在保證性能的同時減少計算量，為小模型的模塊化設計奠定基礎。大模型的成熟也為小模型的質量提升提供條件，通過知識蒸餾、模型剪枝等技術，小模型在保持性能的同時可以大幅壓縮規模。

從商業模式上看屬于小模型的商業土壤已經完備。小模型效能比出色，部署推理成本僅大模型的數分之一，但結合專家知識庫卻可以實現遠優于大模型的表現效果。數據孤島反而賦予了數據更高的商業價值和競爭壁壘，隨著小模型的商業化應用成熟，高價值數據可以實現真正的數據要素化，為企業發展提供新型商業模式和盈利空間。

值得一提的是，分布式數字身份和小模型技術的結合可以在數字空間內創造出高價值商業模式。通過小模型，各領域的私域數據可以最大化發揮商業價值，模型的數字身份就成了數據要素確權的關鍵。當前分布式數字身份技術已較為成熟，如何讓每一個小模型、每一個AI Agent擁有數字空間的可信身份甚至是賬戶體系，是AI Agent商業應用探索拓新的關鍵命題。

在一些特定領域，小模型則有著不可比擬的競爭優勢。例如能源、軍工、醫療等數據敏感行業，數據需要進行本地化處理甚至需要實現端側推理，這都是大模型所無法實現的。以電網業務為例，使用AI Agent搭配專家領域小模型，在業務風控場景可以實現更智能，更人性化的風控干預；在營銷場景可以實現自動化市場線索收集、活動運營以及精準營銷獲客；在分布式光伏、端側設備管理等場景，可以大幅提升調度效率，降低運營成本。再比如金融風控、法律、教培等行業，專家經驗寶貴且私密，本地知識庫結合自定義工作流可以很好地保護這部分內容不被用戶逆向獲取。

圖 3 通付盾電網業務安全多AI Agent協同矩陣

圖 4通付盾銀行業AI Agent智能風控平臺

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

免責聲明：此文內容為本網站轉載企業資訊，僅代表作者個人觀點，與本網無關。所涉內容不構成投資、消費建議，僅供讀者參考，并請自行核實相關內容。

原文轉自：信陽新聞網