智谱AutoGLM单任务成本约0.2美元。 8月20日，大模型初创公司智谱将旗下Agent（智能体）产品AutoGLM升级至2.0版本，开启云电脑与云手机执行任务模式。据第一财经记者了解，此次智谱 主要与阿里云及腾讯云合作，不占用用户本地设备存量，在云端运行Agent程序，避免影响用户使用其他APP。 智谱在Agent方面的迭代从去年10月持续至今，初级版本可微信点赞、淘宝购物、携程订票。11月升级后新增会议总结、文档处理、网页搜索与总结等功 能。彼时智谱CEO张鹏对记者表示，智谱对智能体的理解更偏底层技术。 关于底层技术路线的变化，采访中智谱AutoGLM 技术负责人刘潇对记者表示，与其他Agent不同的是，智谱相信"模型即Agent"，即Agent相当大一部分能力 正直接被模型通过端到端强化学习的方式吸纳。去年智谱Agent方案更多依赖于对人类专家轨迹的学习，虽然当时产品可以点外卖，但只要是没有见过的任 务类型，就无法完成。这推动团队在沉思产品上实现Deep Research（深度研究）与Browser-use Agent（网页智能体）的融合，因为如果不使用Browser-use的 方式，便无法阅读大量数 ...

公司战略与行业参与 - 公司成为智能体创新推进计划首批24家核心合作伙伴之一 参与构建多元协同智能体生态 [1] - 公司明确All in Agent战略 将AI作为集团发展核心支点 [3] - 公司深度参与计划十大方向工作 包括建机制 瞰趋势 搭平台 推应用 倡开源 立标准 助融通 促共赢 育人才 保安全 [4] - 公司将依托人工智能大模型 数字安全 智慧应用等技术能力 与政产学研用各界协作促进技术创新和应用生态建设 [5] 技术能力与产品成果 - 公司打造国内排名第一的AI搜索及智能体应用纳米AI多智能体蜂群 [3] - 公司创新采用L1至L5五级智能体能力划分体系 覆盖从基础聊天助手到自我进化型智能体 [3] - L3级推理型智能体实现连续执行100步任务0出错 单次处理Token达100万 调用工具超100种 任务成功率98.2% [3] - L4多智能体蜂群完成1000步连续任务 Token消耗覆盖500万至3000万 任务成功率95.4% 可凭用户指令自动生成30分钟完整视频 [3] 行业发展趋势 - 智能体技术处于从突破到广泛应用的关键阶段 产业协同与生态共建需求迫切 [3] - 行业计划通过多元协同生态推动人工智能技术创新与应用落地 [1] - 中国互联网大会作为互联网领域最具影响力年度盛会 已成功举办24届 [5]

产品发布与定位 - 智谱于8月20日发布全球首个手机通用智能体AutoGLM2.0 由纯国产基座模型驱动 [1] - 该产品通过单一App实现手机智能化转型 具备云端自主执行和跨端协作能力 [2] - 产品形态体现公司对AGI早期形态的理解 基于3A原则（全时/自运转/全域连接）设计 [4][5] 技术能力与执行表现 - 智能体可在云端完成生活服务指令 如美团下单20杯奶茶并使用8元优惠券 仅支付环节需人工确认 [2] - 支持复杂办公任务全流程自动化 包括信息检索/内容生成/多模态创作及社媒发布 [2] - 实现跨App长链路操作 例如差旅场景中连续完成票务预订和酒店住宿安排 [3] 基座模型与AGI路径 - 采用专为智能体打造的GLM-4.5与GLM-4.5V基座模型 覆盖推理/非推理/编码/研究等多类任务 [4] - 模型致力于统一多样化能力 解决现有模型在专项任务表现突出但通用性不足的问题 [4] - 公司认为智能体需实现从对话型助手到任务型助手的转变 直接执行指令而非仅提供建议 [3] 行业意义与发展方向 - 具备多模态和思维能力的模型被视为通向AGI的重要里程碑 [1] - 智能体技术突破浏览器对话框限制 实现与手机/电脑/手表/家电等多设备连接 [5] - 该产品推动普通人机协作新范式 通过AI智能体并行任务提升综合执行水平 [1]

人工智能市场格局演变 - 人工智能市场在过去四年发生显著演变 从GPT-3问世到尺度定律公开讨论 发展轨迹预示革命性变化 [2] - 2022年期间代码与人工智能驱动软件工程领域重要性显现 但当时赢家尚未明确 [3] - 当前第一波人工智能市场已稳固 核心赢家浮现 新市场仍在形成过程中 [3] 基础模型领域竞争格局 - 大语言模型(LLMs)发展由规模驱动 需要数十亿美元资本投入 [4] - 核心参与者包括Anthropic、谷歌、Meta(Llama)、微软、Mistral、OpenAI及X.AI 其中3-4家公司在基准测试和采用率方面领先 [5] - 中国公司推出深度求索、阿里巴巴Qwen和Kimi等开源项目 在基准测试表现良好 [10] - 由于资本壁垒 未来新LLM公司出现概率较低 除非出现未普及的新突破 [11] - 其他基础模型领域(语音/图像/视频等)仍缺乏明确赢家 [12] 编码应用市场发展 - 编码成为生成式AI最早的大规模应用之一 GitHub Copilot2021年推出后广泛采用 [13] - 头部公司产品收入在两年内从0增长至5000万-5亿美元 [13] - 核心竞争者包括Anthropic Claude Code、Cognition/Windsurf、Cursor、谷歌/Windsurf、微软/GitHub、OpenAI及Magic/Poolside等初创公司 [13] - 智能体工作流与IDE工作流之争及基础模型公司功能整合将决定最终赢家 [14] 专业服务领域应用 - 法律市场由Harvey和CaseText主导 其他初创公司在细分领域崭露头角 [15] - 医疗服务文档领域主要玩家包括Abridge、Ambience、Commure/Athelas与微软Nuance [17] - 客户服务市场整合至Decagon和Sierra等初创公司 老牌企业通过增加AI功能竞争 [19] 商业模式变革趋势 - 出现从"卖座席"向"卖认知单元"或"等效人力"的商业模式转变 [20][32] - 推理模型进步与智能体基础设施加速这一转变 [21] - 搜索与信息检索市场由谷歌、OpenAI、Perplexity和Meta主导 Perplexity是主要初创公司 [22] 新兴市场机会领域 - 会计领域同时进行软件开发和行业整合 [24] - 合规领域(如制药合规)出现Blue Note Health等早期玩家 [24] - 金融工具、销售工具与代理、安全等领域存在大量机会 [24] - 安全领域将出现专门针对AI端点、智能体或基础模型使用安全的新公司 [24] 市场发展关键驱动因素 - 模型性能提升开启新市场 GPT-3.5到GPT-4改进推动法律工作流发展 Claude 3.5发布提升编程工具效果 [26] - 市场进入策略错误或既有企业锁定可能阻碍采用 [29] - 买家采用速度较慢但逐步跟进 [30] - 合适团队缺失或创始人需要时间学习迭代 [38] - 产品开发需要时间 市场格局需6-12个月才显现 [38] 智能体技术发展 - 从AI聊天工具向智能体工作流转变 智能体能代用户执行操作 [31] - B2B领域最早采用智能体工作流 如Devin编程工具和Decagon/Sierra客户服务工具 [31] - ChatGPT、Gemini和Perplexity等增加智能体功能进行深度研究 [31] - 新基础设施支持智能体部署和工作流 [31] 行业整合趋势 - 生成式AI驱动行业整合并购 通过收购实现更快采纳速度和经济效益 [33] - AI采纳是组织流程与人的问题 需要实际拥有公司才能重塑流程 [33] - 市场整合导致并购、合作、渠道锁定等战略举措 [34] - 通过合并初创领导者或既有企业/初创组合可能赢得市场 [34]

核心观点 - AI智能体Manus在3个月后迅速撤出中国市场 国内厂商如智谱随后发布大量智能体产品 包括AutoGLM 2.0 [1] - AutoGLM 2.0由纯国产模型GLM-4.5与GLM-4.5V驱动 具备推理 代码和多模态处理能力 定位为执行型助手 能够自主完成云端操作 [1][2] - 该产品突破传统AI仅对话的局限 实现从"说"到"做"的跨越 支持跨40多个高频应用执行生活与办公任务 [1][2] 产品功能 - 生活场景中支持一句话操作抖音 小红书 美团 京东等40多个应用 可点外卖 订机票 查房源 预约健康服务 [2] - 办公场景中支持跨应用全流程工作 包括信息检索 内容撰写 生成1分钟短视频 PPT或播客 并直接完成小红书发布 [2] - 配备专属云手机和云电脑 Agent在云端自主完成任务 不占用本地设备 用户可同时使用其他APP 实现异步代理办公 [2] 技术特点 - 采用端到端强化学习 模型通过结果反馈自主探索解决问题 支持动态适应应用迭代和环境变化 [3] - 基于自主研发模型 单次任务成本约0.2美元 仅为传统API方式的1/10至1/20 且可规模化降低 [3] - 全端适配支持手机 电脑 AI眼镜等多设备 通过云技术解决不同系统适配问题 [3] 模型基础 - 由GLM-4.5驱动 该模型为智能体应用打造 首次在单个模型中实现推理 编码和智能体能力原生融合 [3] - GLM-4.5V为开源视觉推理模型 总参数106B 激活参数12B 实现从理解到执行的原生GUI任务闭环 [3] 市场定位 - 产品偏向C端应用 面向普通个人用户 融合技术模型能力与产品形态 解决日常及工作任务 [2] - 注重用户体验 能突破用户自身能力边界 例如用户不懂的事情可通过AI完成 [2]

机器人ETF市场表现 - 机器人ETF易方达（159530）盘中成交额突破1亿元，净申购达500万份 [1] - 8月以来该产品累计净流入达14亿元，最新规模突破50亿元创历史新高 [1] - 产品在国证机器人产业指数相关ETF中规模居首，指数人形机器人相关个股占比近八成 [1] 人形机器人技术进展 - 宇树科技新款人形机器人身高1.8米，配备31个自由度 [1] - 7月25日发布的R1型号售价3.99万元起，关节数量达26个，整机重量约25kg [1] - 公司已推出G1、H1、R1三款人形机器人产品线 [1] 行业发展趋势 - 华泰证券认为智能体发展将遵循"先2B再2C，最后终端"的产业轨迹 [1] - 中国在机器人等终端领域具备显著比较优势 [1] - 国证机器人产业指数聚焦机器人本体和核心零部件，为最纯粹的人形机器人指数 [1]

财务表现 - SSG营收同比增长20% 连续17个季度保持双位数增长 [1] - 高附加值"即服务"业务占比达总营收58% [1] - SSG运营利润率22.2% 远超行业平均水平 [2] 增长驱动因素 - 全栈AI能力成为SSG高速增长核心动力源 [1] - 构建从基础设施、平台工具到行业场景的完整AI价值链 [1] - 采用"内生外化"策略将自身转型经验转化为客户价值 [1] 技术解决方案 - "乐享"超级智能体系统基于大模型架构 能精准识别用户意图并自动完成跨系统任务 [1] - 在门店场景实现智能导购和多屏协同 在展会现场通过机器人与大屏联动完成品牌推广 [1] - iChain智能体平台串联计划、采购、制造等环节 联动供应商与客户 [2] 应用成效 - 客户周活跃用户增长270% 电商业务订单转化率提升30% [1] - 供应链风险识别准确率达90% 响应周期缩短至原先四分之一 [2] - 在全球数十个行业场景实现AI规模化落地 [4] 差异化优势 - 以硬件为基座 在180多个国家复杂业务场景中验证解决方案 [2] - 输出"软硬服"一体化能力 每个联想设备都是数据入口 [2] - 区别于纯软件厂商的核心优势 [2] 技术策略 - 通过任务分级机制处理大模型幻觉问题 关键决策由人类把关 低风险任务交由智能体处理 [2] - 提出"模型路由器"概念 根据场景需求动态调度最合适的大模型 [2] - 智能体架构正从L2向更自主的L4演进 [3] 市场策略 - 海外市场偏好SaaS模式融入AI 中国企业更关注混合部署 [2] - 简化解决方案组合 避免部署复杂化 [2] - 聚焦能创造可量化业务价值的场景 [4]

360集团AI战略转型 - 公司在20周年庆典上展示最新纳米AI技术"一句话生成视频"能力 通过虚拟周鸿祎表演揭示技术突破 [1] - 宣布战略方向重大调整为"All in Agent" 全力投入智能体技术发展 [1] - 纳米AI具备L4级别能力 是目前该级别唯一智能体 采用"多智能体蜂群"概念实现群体协同 [3] 纳米AI技术特性 - 技术可实现从单张照片和简单描述生成完整视频 包含剧情设计 配音配乐 运镜剪辑等专业制作元素 [1] - 支持多智能体灵活组队 多层嵌套协作 覆盖视频制作 行业研究 电商运营等全场景应用 [3] - 用户可通过自然语言交互清晰描述需求 系统能感知环境并自主决策执行任务 [3] 市场表现与行业地位 - 产品在AI榜单中以显著优势位列智能体类月度访问量第一 [4] - 技术突破标志AI从简单对话进入自主创作和解决实际问题的新阶段 [1] - 公司凭借20年技术积累和差异化战略 在人才 数据 技术层面具备发展智能体的基础优势 [3] 战略布局意义 - "All in Agent"既是技术趋势判断 也是对网络安全核心业务的延伸拓展 [4] - 智能体技术将增强网络安全防护能力 同时为企业个人提供多元化解决方案 [4] - 技术发展契合AI实际应用期需求 通过群体智能实现复杂任务处理 [3]

产品发布 - 百度文库与百度网盘联合发布全端通用智能体"GenFlow2 0" 支持超100个专家智能体同时工作 [1] - 产品3分钟并行完成超5项复杂任务 生成速度超主流同类型产品10倍 [1] - GenFlow2 0已在百度文库Web端和App端正式上线 所有用户可直接使用无需排队或邀请码 [1] 技术升级 - GenFlow2 0基于4月推出的内容操作系统"沧舟OS"开发 是GenFlow1 0的升级版本 [1] - 重点解决通用智能体描述难 等待久 交付差 不可编辑等难题 [1] - 可自主理解用户意图并规划执行 自动切换简单对话与复杂任务等不同协作模式 [1] 功能特性 - 支持用户在任务过程中随时干预 包括暂停 追问 修改思考内容 上传文件参考等操作 [1]

大模型与小模型对比 - 大语言模型在Agent任务中处理重复、专业化子任务时消耗大量计算资源，成本高、效率低、灵活性差 [1] - 小语言模型在性能够用的前提下，使Agent任务执行更经济灵活 [2] - 实测显示6.7B参数的Toolformer调用API后性能超越175B的GPT-3 [3] - 7B参数的DeepSeek-R1-Distill推理表现优于Claude3.5和GPT-4o [4] 小模型优势 - 体积小巧，可在GPU上高效共享资源，并行运行多个工作负载并保持性能隔离 [8] - 更低显存占用，支持超分配机制，提升并发能力 [9] - GPU资源可灵活划分，实现异构负载弹性调度和整体资源优化 [10] - 优先调度小模型的低延迟请求，预留资源应对大模型调用，优化整体吞吐与成本控制 [11] 任务优化与部署 - Agent任务多为重复性、可预测、范围明确的操作（如文档总结、信息提取、模板编写、工具调用） [14][16] - 为每个子任务选择专业微调的小模型，避免大模型资源浪费 [15][16] - 运行70亿参数小模型比700-1750亿参数大模型便宜10-30倍 [20] - 小模型计算资源占用低，适合本地或边缘部署，大模型依赖中心化云计算 [20] 争议与挑战 - 反对观点认为大模型通用理解能力更强，在专业任务中表现更佳 [22] - 小模型可通过微调达到可靠性，且复杂问题可分解为简单子任务，降低对大模型通用能力的需求 [23][24] - 质疑小模型经济性：大规模部署时大模型的规模经济可能更优 [26] - 行业惯性使创新仍集中在大模型，小模型面临基础设施适配、市场认知度低、评估标准缺失等挑战 [28][29] 转型方法 - 采集大模型运行数据，脱敏后保留使用模式 [32] - 聚类工作负载识别常见子任务 [33] - 选择小模型并匹配GPU分配策略，定制数据微调后部署 [34] - 构建持续反馈闭环优化性能和资源利用率 [35] 行业讨论 - 简单任务（如Amazon产品退款）使用小模型更具成本效益 [36] - 小模型在偏离预设流程时可能不够鲁棒，需预先考虑更多变数 [37] - 小模型遵循"一个程序只做好一件事"的设计哲学，但功能多样性可能增加操作复杂度 [37][38][39]