文章核心观点 - AI领域正在经历一场以Agent为核心的生产方式重构，软件工程师的工作方式已发生根本性转变，从主要自己写代码变为主要驱动Agent执行任务[9][10] - 未来的软件与商业体系将围绕Agent进行重构，App可能消失，设备只需开放API，由Agent作为新的“操作系统”统一调度[3] - 行业需要为人类与AI构建更广阔的协作界面，并探索如何将研究人员从循环中移除，实现自动化研究以最大化效率[43][44][51] 工作范式转变与个人体验 - 资深专家的工作方式从去年12月起发生剧变，从80%自己写代码、20%交给Agent，转变为20%自己写代码、80%交给Agent，目前甚至已远超此比例[9] - 专家已近半年未手写一行代码，每天工作16小时与Agent对话，并行驱动十多个任务，并因未将token吞吐量用到最大而感到焦虑[3][9][20] - 工作瓶颈从个人打字和编码效率，转变为个人组织、调度多个Agent协同工作的能力，思考单元从代码行变为“宏操作”[12][16] Agent作为新操作系统与软件生态重构 - 未来设备只需开放API，Agent将成为新的“操作系统”，统一控制智能家居等各类设备，例如通过三段提示词在WhatsApp对话中控制全屋设备[3] - 大量定制化、碎片化的App是被过度生产的，未来能力应以API形式暴露，由Agent作为智能胶水层进行调用和组合[38][39] - 未来的用户将不再是人类，而是代表人类行动的Agent，整个软件与商业体系都必须围绕此进行大规模重构[4][40] 自动化研究与提升杠杆率 - 发挥AI工具最大价值的关键是将人类从系统瓶颈中移除，实现完全自动运行，核心目标是最大化无人类参与的token吞吐量[43][44] - 自动化研究是此理念的体现，给定目标、评估指标和边界条件后，系统可自行探索优化，甚至在已调优的模型上发现新的改进点[47][48] - 研究机构可被定义为一组markdown文件（角色、流程），这些“代码”可以被持续优化，存在对研究组织本身进行元优化的空间[4][51][52] AI能力的不均匀性与未来分化 - AI能力存在不均匀性，在可验证、被重点优化的领域（如代码生成）表现强大，但在未被强化的领域（如讲笑话）进步缓慢[57][59][60] - 当前主流是追求覆盖所有能力的单一模型，但未来应出现更多针对特定任务专门化、智能分化的模型，类似动物大脑适应不同生态位[62] - 实现智能分化的技术挑战包括如何在微调时不损失已有能力，目前缺乏精细化“操作智能”的基础工具[66] 算力与协作模式的新形态 - 算力可能取代财富成为更关键的稀缺资源和衡量标准，个人算力设备既可自用也可贡献给自动化研究网络[76][77] - 可设计系统利用互联网上大规模的不可信算力节点池进行协作（如自动化研究），通过可信节点验证结果，形成“群体智能”[70][71][72] - 这种模式下，算力成为最核心的贡献形式，个人或公司可为自己关心的研究问题贡献算力[73] 对就业市场与工程需求的长期影响 - AI现阶段应被视为赋能工具，可大幅加速工作中的部分任务[83] - 软件工程领域可能呈现杰文斯悖论，即开发成本下降将释放被压抑的需求，导致软件需求总量增加[84] - 长期影响不确定，但构建AI的研究人员本身也在打造可能替代自己工作的自动化系统[86][87] 开源与闭源模型的竞争格局 - 闭源模型仍处领先，但开源模型与前沿的差距已从18个月缩短至约6到8个月[100] - 预期形成健康平衡格局：闭源模型探索前沿；开源模型稍落后，作为行业可信任的公共智能层，覆盖大量基础场景[105][106][107] - 过度集中化于少数闭源系统存在风险，希望有更多实验室参与前沿竞争[111][113] 数字世界与物理世界的演进路径 - AI引发的效率提升和重构将首先大规模发生在数字世界，然后转向数字与物理的接口层，最后才是全面的物理世界自动化[116][121] - 机器人等物理世界应用因复杂度高、投入大而滞后，但未来市场规模巨大[116][120] - 许多创新公司将出现在数字与物理的接口层，解决现实世界数据输入与决策输出问题[119][122]

人工智能发展现状与趋势 - 人工智能进入以持续学习为核心的"经验时代"，潜力远超以往，人类数据红利正逼近极限 [3][4] - 当前AI技术仍缺乏对智能本质的科学理解，仅具静态知识存储能力而非真正的智能，存在逻辑混乱和幻觉问题 [11][12] - 智能的核心在于自我验证与自我纠错能力，需构建基于数学原理与闭环反馈的白箱模型实现自主智能演进 [12][14] 开源与闭源模型竞争格局 - 开源模型与闭源模型的选择成为AI竞争关键变量，开源含义从代码开源演进为资源开放（开放数据与计算资源） [6][7] - 2025年开源成为革命性变化，世界顶级基础模型从集中在美国头部公司转向开源化，例如通义千问Qwen和DeepSeek开源 [7] AI基础设施与产业化进程 - AI驱动基础设施大规模扩张，OpenAI的Stargate和Musk的Colossus等项目需100万个GPU，耗电量相当于北京市用电量的八分之一 [10] - 2025年美国主要科技公司AI相关资本开支预计超3000亿美元，IDC产业大规模建设带动电力生态和经济发展 [10] - 模型和GPU算力成为未来组织核心资产，Agent将重塑企业流程，"超级个体+agent"带来结构性变革 [10] 垂直领域应用与挑战 - AI医疗领域坚持人机结合路径，AI无法替代医生但可作为助手拓展医生能力边界，解决多学科会诊等场景需求 [16][17] - AI医疗落地面临三大核心难题：高质量数据、抑制幻觉和医学伦理 [17] - 具身智能领域存在高质量数据与模型算法挑战，视频生成与机器人控制模态对齐仍需突破 [20] 创新环境与产业机遇 - 创新创业门槛大幅降低，年轻创新者可用AI工具实现新创意，小组织爆发力持续增强 [20] - 去中心化协作可实现多智能体双赢，权力和资源将流向最聪明的智能体 [4]