关键要点总结 涉及的行业与公司 * **行业**：人工智能（AI）行业，特别是AI Agent、软件/SaaS、互联网、AI硬件产业链（包括芯片、存储、光模块等）[1][2][3][4][11] * **公司**： * **海外**：英伟达（NVIDIA）、OpenAI、谷歌（Google）、Anthropic、博通（Broadcom）、OpenClaw、Manas、Workbody、CoWorker、OpenCloud[1][2][3][4][5][6][11][12] * **国内**：腾讯（Walker Body/Walkie Talkie/企微）、字节跳动（Arclo/阿克Cloud/飞书）、阿里巴巴（Q Code/JVS Cloud/钉钉）、美团、智谱AI、Minimax[1][5][8][9][10][7] 核心观点与论据 AI 技术发展趋势与产业焦点转变 * **产业焦点从多模态转向Agent**：与2025年12月聚焦图片/视频生成不同，2026年硅谷资源已全面投入（all in）Agent方向，核心驱动力是代码能力的提升[1][2] * **AI Coding应用已深入**：AI Coding工具已替代工程师约**80%至90%** 的日常工作，带来显著生产力提升[1][2] * **模型迭代新路径开启**：Agent执行任务产生的合成数据（含过程奖励模型）反哺训练，解决了高质量数据枯竭问题，为模型智能的下一轮跃迁指明路径，产业可能正进入非线性增长拐点初期[1][2][3] * **Scaling Law持续有效**：科学家预测训练网络仍有约**5倍** 提升空间，GPU在拓扑结构上比TPU更具优势[1][3] * **行业核心指标转变**：从关注上下文长度转向“Token经济学”，核心指标变为每瓦或每秒产生的Token数量，催生了对LPU、SRAM、光模块等提升带宽和通信效率技术的需求[1][3][4] 对就业、软件行业及商业模式的影响 * **软件行业转型方向明确**：软件公司正从探索模型微调转向将自身产品打造为AI生态中的“Skills”，凭借行业知识构筑壁垒，SaaS形态向“Skills”形态演进[1][4][5] * **Agent具备流量产品特征**：用户使用Skills越深入，马太效应越明显，未来可能发展出网络效应，技术争夺正演变为流量与生态位争夺[1][6] * **对就业的替代与创造**：AI短期内完全取代高级工程师的可能性不大，被释放的工程师可能流向缺乏IT能力的传统中小企业，反而可能促进整个IT产业的繁荣[4] * **Token价值逻辑变化**：Agent目标是替代人力，其潜在市场空间从工具费用跃升至整个人力成本，市场对Token价格的接受度会变高，在当前供需背景下Token价格理应上涨[7][8] 国内厂商的差异化路径与生态优势 * **差异化实现路径**：国内厂商利用人工编写精细Skills复刻工作流，在大量标准化工作流场景中，即使基础模型能力稍弱，也能通过无限细化Skills达到非常好的自动化效果，成本可能更低[1][8][9] * **Skills是高质量数据**：Skills是人类总结的、能稳定跑通的经验数据，用其训练模型效率可能更高，并能形成高度定制化的用户粘性[9] * **生态优势具体体现**：钉钉、飞书、企业微信等平台深度整合了企业办公场景，其内置、无缝的生态整合能力（如原生API接入）是海外市场不具备的显著优势[1][10] * **产品拐点显现**：2026年第一季度，腾讯Walkie Talkie、阿里JVS Cloud、字节相关产品等在特定工作流场景下的用户体验与海外产品差异已不显著，生态迭代速度快[10] 互联网行业景气度与AI投入影响 * **互联网行业处于景气底部**：2025年第四季度国内互联网公司业绩普遍放缓，但2026年第一季度线上零售数据在恢复中，补贴大战收窄（如美团与阿里外卖红包从5元降至1元），第四季度可能是基本面的最低点[5][7] * **AI投入的正向循环**：AI对成本节约的效果已在部分公司（如腾讯）财报中体现，大厂持续投入AI的前提是看到了效果，会形成“看到效果-坚决投入-效果更显著”的正向循环，AI投入并非纯粹的利润拖累项[7] * **市场交易逻辑转向**：自2026年1月Cloud Cowork发布以来，市场交易逻辑已全面转向对未来被替代的担忧等逻辑导向，与当期基本面关联度弱化，导致无论业绩好坏股价都可能下跌[5][6] AI硬件产业链与投资逻辑 * **产业链上下游显著分化**：因下游应用端未来不确定性强（技术替代风险、竞争格局复杂），而上游（如存储、光模块、CPU）订单和缺货状态确定性高，导致资本高度集中于上游确定性环节[1][11] * **投资逻辑聚焦涨价环节**：市场环境更多是产能问题，产能紧缺带来利润爆发，在总规模天花板已定的假设下，具备涨价潜力的环节将分得更多利润[11] * **英伟达架构的前瞻性**：其VeriRuby架构通过统一编码硬盘与内存解决KV Cache问题，以支持Agent长时任务（8-24小时）；LPU芯片负责人机交互并行线，整体架构已全面为Agent需求服务，价值可能被低估[1][12] * **边缘侧新增需求潜力**：若未来发展为每个Agent配置专用设备（如类似Mac mini的硬件盒子），将催生市场未预期的、庞大的边缘侧新增需求[12] AI的最终价值与未来模式 * **价值体现在“超级使用者”**：AI的最终价值可能更多体现在使用者身上，会使用AI的公司与不会使用的公司之间的差距将被显著放大（从10倍扩大到100倍），超额价值将归属于使用者而非硬件或模型提供商[13][14][15] * **与电力普及的关键区别**：AI带来的可能是碾压式收益，会无限放大顶尖人才或企业的能力，导致少数佼佼者变得极其强大，未来AI产品可能主要服务于能通过AI极大化创造价值的“超级使用者”[14][15] 其他重要内容 宏观市场与投资策略参考 * **市场分析框架**：在当前不确定性背景下，可关注三个核心指标：VIX指数（全球风险预期）、油价（对全球经济冲击）、国内市场成交额（国内情绪）[15] * **当前市场阶段与策略**：国内成交额已从**3.6万亿** 高点回落至**1.9万亿/1.8万亿** 水平，情绪释放较充分；但VIX和油价仍处高位（布伦特原油**100-105美元**），海外风险未解除。策略应从防御转向逐步寻找机会，根据海外风险变化选择高弹性成长方向或与高能源价格相关的领域（如新能源、电力设备）[15][16][17] 投资策略总结（基于纪要） * **短期**：关注Token涨价逻辑及上游确定性环节（存储、光模块）[1] * **中期**：关注AI“超级使用者”及边缘侧硬件（如Agent专用设备）的新增需求[1][12][13][15]

文章核心观点 - 以中长期视角看，社会对AI相关软件产品的需求是技术变革环境中的确定性存在，AI是软件行业技术演进的新阶段，难以脱离软件基础设施单独存在 [1] - 当前市场恐慌源于短期未看清AI发展进程中的“迷雾”：AI与软件共生形态不确定、可持续商业模式未成熟、对Agent冲击下SaaS核心护城河的担忧 [1][13] - 软件板块内部未来将出现显著分化，高转换成本、低自动化程度的基础软件护城河深厚，低转换成本、高自动化的工具型软件面临最大颠覆风险 [2][25] - 行业短期承压，估值经历重定价，但部分公司存在错杀，长期来看具备配置价值，未来“黑马”可能出现在三类B端软件公司中 [28][37][38][39] 市场情绪与估值重定价 - 美股软件板块行情与市场对AI认知深度绑定，经历了赋能、分化、颠覆、恐慌四阶段情绪脉络 [1][3] - 市场情绪发生颠覆性变化的直接原因是“AI替代论”叙事崛起，根本原因是软件公司未贡献令市场满意的规模化AI收入 [5] - 产品侧因素如Salesforce推出Agent产品但成熟度仍早期，技术侧因素如2025年9月以来模型层面Agent超预期更新，让市场觉得企业级SaaS护城河在减弱 [5] - 三个“放大器”合力放大恐慌：1）高估值板块天然脆弱；2）资金面去风险与仓位出清；3）从“点状利空”扩散成“系统性叙事” [9] - 本次软件板块估值下修周期呈现幅度较大、用时较短的特点 [10] - 自2025年四季度以来，对冲基金对微软、Meta、CoreWeave、Oracle等热门软件标的进行集体大量减持 [28] AI与软件的共生形态展望 - 未来AI与软件的共生或形成“大脑+躯干”式深度共生形态，二者缺一不可 [14] - 共生形态将沿四条主线演进：1）开发范式从人工编码转向AI原生开发；2）产品形态走向“软件内核+智能层+Agent”三层架构；3）交互使用升级为自然语言交互与AI代劳；4）竞争壁垒转向专有数据、合规主权、业务编排与行业know-how的综合护城河 [14] Agent商业化模式探索 - 基于Credits的消费模式正在成为主流，截至2026年3月5日，超过半数公布收费机制的主流企业已引入Credits计费制度，较2025年6月的37.5%有明显提升 [17] - 部分企业引入免费额度以推广产品，培养用户习惯 [17] - 新增针对大型企业用户的固定费用模式，有助于固定企业成本、提升采纳ROI可见度，但可能挤压软件企业利润端，类似回归早期一次性软件商业模式 [16][17] - C端Agent收费模式更简单直观，价格显著低于B端，例如Perplexity Pro（C端）月费20美元，而Enterprise Pro（B端）每用户月费40美元 [17] SaaS企业在Agent冲击下的核心护城河 - **企业级数据（首要因素）**：SaaS企业长期沉淀的独占性、结构化专有数据是通用AI Agent难以获取和突破的核心短板，AI的普及反而可能强化企业软件粘性 [18] - 42%的企业将数据质量与访问列为Agent从试点走向规模化的主要挑战之一 [19] - **生态（重要因素）**：SaaS企业的网络效应与协同价值，以及通过API、第三方应用构建的生态体系，是单一AI工具难以复制的 [21] - 46%的企业将生态集成挑战视为2026年扩大AI Agent规模时面临的主要挑战 [21] - **安全性与合规性（必要因素）**：SaaS企业具备的完善安全防护、权限管控和数据防护能力是通用Agent往往欠缺的 [22] - 68%的企业担心AI的数据泄露风险，60%担心AI存在过度权限访问的安全风险 [22] - B端Agent可通过动态权限复用（如Microsoft Copilot）和私有化部署（如Palantir AI Platform）来提升安全与合规能力 [23] 软件板块内部分化格局量化评估 - 通过界定“自动化程度”和“转换成本”两个核心功能来量化AI颠覆可能性 [2][25] - **高转换成本、低自动化程度的基础软件（如ERP、数据库）**：护城河深厚，AI短期难撼核心地位 [2][25] - **低转换成本、高自动化工具型软件（如设计、数据分析）**：易被AI原生能力重构，面临最大颠覆风险 [2][25] - **中端CRM与供应链系统**：处于过渡带，需加速AI融合以巩固壁垒 [2][25] 市场表现与财务数据 - 2025年四季度，软件板块（约221家公司样本）收入同比增速均值从上一季度的12.6%小幅下挫至11.8% [28][31] - 板块内收入同比增速超过20%、收入同比增速环比加速的公司占比均有小幅下滑 [28] - 2025年四季度营收超出市场预期的公司占比，以及2026年一季度收入指引超预期的公司占比，均环比下降 [32][33][35] 未来潜在投资方向（三类B端软件公司） - **第一类：AI以底层“黑箱式”嵌入工作流形态赋能的软件公司**：护城河来自将AI配置成端到端能力，并高频深度嵌入客户业务流程，其不可复制性源于专有数据、行业规则、权限体系等组合 [37] - **第二类：AI作为必不可少的风险管理工具的软件公司**：核心价值在于通过AI解决行业核心风险痛点并具有标准制定能力，有望形成深厚的行业生态壁垒 [38] - **第三类：提供AI系统支持的软件基础设施公司**：推动收费模式从“座位数”订阅制向基于请求量、数据量、风险敞口的价值导向型模式转变 [39] 行业未来演变趋势 - **AI落地加速，但企业分化加剧**：行业内部将出现显著优胜劣汰，已上市软件公司内部也将产生剧烈分化 [41] - **软件公司毛利率可能受到冲击**：使用第三方AI技术成本较高，随着2026年AI技术广泛应用，更多软件公司将面临毛利率压力 [2][41] - **定价模式转变或冲击高估值**：AI发展可能导致基于“座位数”的订阅模式受到冲击，削弱高估值的底层逻辑 [2][42]

文章核心观点 - 行业正从“讨好人”的软件逻辑转向“适配Agent”的新范式，衡量产品的核心指标从DAU等转向“被Agent调用的频次/token消耗”[7] - OpenClaw等AI智能体（Agent）正从工具进化为“数字劳动力”和“数字助理”，其价值在于构建可执行、可扩展、能连接真实世界的“AI操作系统”，关键在于提供开放环境和完整上下文（Context）以支持持续进化[3][13][14][17] - 行业共识是今年（2025年）可能是从单Agent到多Agent的拐点年，一个比人类社交网络更宏大的Agent网络正在加速到来[42] 01 投资人养虾的Aha moment - 软件世界的底层逻辑正在从“讨好人”转向“适配Agent”，传统GUI软件正在快速API/CLI化，衡量Agent产品的北极星指标从DAU、时长等转变成“被Agent调用的频次/token消耗”[7] - 当“做事的能力”因Agent而商品化后，“判断力”（Taste）成为拉开差距的关键，即决定“什么才是好的”以及“到底该做什么”的能力[9] - 投资者通过深度使用（如OpenClaw的Token消耗量迈过10亿）从“围观者”转变为“原住民”，OpenClaw已成为重要的数字世界交互入口，有时日使用时长超过微信[10][11] - Agent通过整合跨域上下文（如健康数据、日程）能提供有“决策温度”的建议，实现从单点工具到数字助理的升级[13][14] 02 Agent安全边界 - OpenClaw生态暴露出极大的攻击面，已披露82个CVE漏洞，超过46.9万个公网实例暴露，且官方Skills平台中高达20%的插件存在高风险[20] - 当前主要安全风险类型为过度授权、Prompt注入和恶意Skills，此外系统漏洞和AI幻觉等事件也高发[21] - 安全加固的核心策略是坚持“最小权限”和“零信任”原则，对敏感操作需引入人工二次确认（Human-in-the-Loop）[22] - 安装专业防护工具（如AgentGuard）进行安全体检、恶意Skills扫描等是直接有效的加固方法[23] 03 重构Agent生态 - AI正从“智能工具”进化为“数字劳动力”，全球人口80亿，但Agent有上千亿的增长空间，增长点在于释放Agent的生产力[26][27] - 企业级产品必须构建安全与优化的“护城河”，在网关、智能体、记忆存储等底层解决合规和效率问题[28] - 完善的创业支持系统非常重要，平台和投资机构的生态资源能为创业者提供快速资源和决策支持[29] 04 上下文是进化的灵魂 - 软件开发门槛彻底消失，自然语言交互即可搭建业务系统，例如将6小时的需求会议录音交给AI，14分钟就能自动生成带交互和权限的完整系统[32] - ToB端的AI容错率为零，企业级AI落地必须具备更明确的效率价值，而非花哨功能[33] - 大模型的价值取决于输入的上下文（Context），聪明的AI必须建立在充分喂养的碎片化、线性及结构化数据基础之上[33] 05 Builder们的理智时刻 - AI是杠杆，商业洞察的本质仍在于人，不会赚钱的人用任何工具都赚不到钱[35] - 节省Token成本的核心是“压缩会话”与“精准记忆”，避免在单一会话中携带冗余内容，有开发者通过将流程写成Skill形式，每天节省超过90%的Token[35] - Agent的记忆系统和身份设置使其能成为高度个性化的伴侣[35] - 在Agent承担执行后，人转为“决策者”，单位时间内决策密度大幅提升，稀缺的是在高频决策中保持正确方向的能力[38] - Agent可帮助决策者穿透组织内部的信息过滤，从团队海量信息中获取关键洞察[38] - 让Agent自我进化（如“收徒弟”、构建自我进化闭环）是重要方向，配上面向AI设计的软件基建，每个人或团队都能拥有专属的AI研发力量[38][39] 行业投资与未来展望 - 投资机构在OpenClaw爆发前已密集布局Agent原生应用，包括猴子说话（SiMenAI）、Deepwisdom、Pokee AI等众多项目[42] - 当这些独特的智能系统连接起来，将加速形成一个比人类社交网络更宏大的Agent网络[42] - 行业正处于“无限进化”中，将持续支持定义未来智能节点的Builder[42]

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]

行业现状与趋势 - 行业正经历从"技术试水"向"工程范式跃迁"的演进，大模型与智能体深度融入生产环境 [2] - 行业进入由智能体驱动、自动化程度极高的新周期，但与之匹配的工程规范、安全体系、组织形态等尚未准备好 [2] - 技术发展呈现"技术狂奔，治理滞后；效率飙升，风险暗涌；愿景宏大，现实骨感"的特点 [1] 大语言模型技术演进 - 大模型赛道已过"盲目拼参数"的蛮荒时代，技术决策者面临如何让模型在大规模业务中真正运行的现实拷问 [7] - 该专题旨在构建一套完整的大模型技术演进新坐标，汇集了来自奇点智能研究院、新浪微博、微软亚洲研究院等机构的顶尖学者与技术专家 [7] 智能体系统与工程 - 该专题旨在告别"盲盒式"开发，掌握构建可靠智能体的工程方法 [13] - 微信分享了在超高并发下构建可靠AI搜索智能体的实战经验 [16] - 美团与Macaron AI分享了如何通过低成本强化学习、十万级沙盒基建等手段，让智能体摆脱对人工编排上下文的依赖，实现自我进化 [16] - 专家将交付一套覆盖感知、推理、协作等六大维度的智能体顶层架构设计图纸 [16] OpenClaw行业实践 - 该专题聚焦从"全民养虾"到企业级"数字员工"的落地实践，提供从算力适配、记忆构建到产品级改造的完整指南 [17] - 腾讯云将分享打造全民AI工作台的经验，网易有道将复盘其智能体产品的养成与实践 [19] - 记忆张量MemTensor将揭秘如何让智能体学会持久化记忆管理，实现经验与上下文的高效复用 [20] - 沐曦股份将从底层GPU算力出发分享数字员工实践，MiniMax将展示国产大模型如何与开源框架深度绑定释放生产力 [20] AI基础设施与运维 - 该专题旨在用智能体思想重塑运维体系，提供面向多GPU集群的自动化运维破局方案 [21] - 无问芯穹将直击万卡集群痛点，分享基于智能体基础设施的AIOps智能体系统实践 [24] - 清程极智将提出以智能体为中心的智能软件栈，让基础设施具备自我感知与修复能力 [24] - 北京智源人工智能研究院将解析大模型框架多芯片统一高效插件体系，以跨越异构算力适配鸿沟 [24] - 昆仑芯将从国产高端AI芯片视角探讨推理框架的极致优化，清微智能将分享可重构计算超节点的探索与实践 [24] - 启元实验室将从国家级实验室视角，给出算力与数据智能融合的顶层解法 [24] AI原生应用创新与开发实践 - 该专题旨在将AI从"酷炫玩具"变成"商业摇钱树"，拆解日活千万级和估值亿级AI应用的工程实践 [25] - 小红书将拆解下一代非线性视频剪辑的架构设计，构建可落地的智能剪辑智能体 [28] - 平安科技将分享在复杂医疗场景下破局大模型落地"不可能三角"的多智能体实战经验 [28] - 商汤科技将揭秘AI PPT在线编辑系统如何通过HTML结构化输出与自研渲染引擎实现稳定闭环 [28] - AWS将直击ROI痛点，分享Inference-Free稀疏搜索等降本增效的平衡术 [28] - Dify将分享如何用严谨的系统工程构建"可执行、可治理、可复用"的AI工作流体系 [28] AI+行业落地实践 - 该专题聚焦将大模型转化为实打实业务ROI的方法论，回应"能给公司赚多少钱、省多少人力"的灵魂拷问 [29] - 小红书将拆解如何用自适应强化学习驱动AI搜索智能体，在极高并发流量中准确理解用户意图以实现业务增长 [32] - 京东将分享如何利用大模型结合因果推断，让智能体掌握动态定价权，从传统预测迈向反事实建模 [32] - 蚂蚁集团将从金融风控视角剖析大模型在企业信用等高壁垒场景下的可信落地与价值重塑 [32] - 金山办公将复盘多模态模型在文档理解与图片翻译等智能办公体系的探索与实践 [32] - 百度将展示经典OCR技术如何与大模型结合持续进化，打通企业数字化转型的视觉通道 [32] AI原生软件研发与氛围编程 - 该专题旨在将AI从"代码补全器"升级为"软件研发的操作系统"，提升团队整体交付效能与工程质量 [33] - 快手将分享研发范式如何从L1单点辅助向L3深度协同跨越，并复盘如何在万人规模研发团队中实现体系化的研发效率跃迁 [37] - 通义灵码将探讨大模型如何从"代码生成"进化为"意图执行"，构建具备上下文感知、推理与自主修正能力的智能体架构 [37] - 百度Comate将深度复盘其在大规模工程实践中的设计智慧 [38] 多模态与世界模型 - 该专题旨在提供从模型训练、后训练对齐到云端规模化部署的全栈可落地工程路径 [39] - 昆仑万维将拆解从视频生成到世界模型的多模态生成技术演进与实践 [41] - 京东将分享在多模态理解与生成上的最新实践 [42] - 蚂蚁集团将分享百灵多模态大模型的后训练算法实战，以提升模型在金融等严苛场景下的意图对齐能力 [42] - Google Cloud将从云端工程化视角，指导如何将复杂多模态大模型高效部署到商业生产环境 [42] 开源模型与框架 - 该专题聚焦推理加速与架构解耦的极致优化，旨在将GPU利用率从30%提升至80%以上，并获取支撑万亿参数规模推理的分布式架构蓝图 [43] - 专题汇集了SGLang、vLLM、Mooncake等开源项目的核心开发者与贡献者 [46] - 月之暗面将基于Kimi大规模模型训练的真实生产线，深度拆解线性注意力等先进架构的硬件感知设计逻辑与工程权衡 [46] 具身智能与智能硬件 - 该专题提供从"视觉感知"到"底层控制"的全链路落地方法论，旨在突破物理壁垒 [47] - 北京大学专家将拆解如何利用电声磁射频等多物理场模态，为AI开启突破视觉盲区的感知能力 [51] - 网易伏羲将解析"世界模型+强化学习"如何驱动无人装载机完成高精度作业 [52] - 来自复旦大学、同济大学、优必选等机构的专家将共同探讨具身智能在多关节控制、人机协同与先进制造场景下的工程落地瓶颈 [52] 行业大会与生态 - 2026奇点智能技术大会旨在系统性理解AI变革，为穿越"十倍速变革"绘制兼具前瞻性与实战性的认知地图 [3][5] - 大会将深入探讨多模态、世界模型、AI原生研发、AI基础设施、大模型系统架构、智能体系统等12大前沿专题 [5] - 大会汇聚全球顶尖学术专家与一线技术实践领军者，旨在推动AI生态融合与行业协同创新 [53]

文章核心观点 - 飞书CEO谢欣指出，个人电脑上运行的AI智能体（Agent）与企业环境中使用的AI智能体存在本质区别，前者允许试错，后者则需承担更高责任 [1] - 企业级AI智能体的安全性和可靠性是其能否真正应用于工作场景的关键，能力越强，若安全下限不足则潜在风险越大 [1] 行业观察：企业级AI智能体的应用挑战 - 个人场景的AI智能体出错后果较轻，可重新尝试，而企业场景出错可能导致文件被删除、数据泄露等严重问题 [1] - 决定AI智能体能否进入工作场景的核心因素是其安全下限，而非单纯的能力上限，缺乏安全保障的强大能力反而更危险 [1]

会议概览 - 2026奇点智能技术大会将于4月17-18日在上海举行，由CSDN与奇点智能研究院联合主办[1] - 会议旨在为一线技术决策者与开发者提供应对未来半年技术挑战的实战指南，议题覆盖AI技术全生命周期[2] - 会议将汇聚50余位技术专家，围绕大语言模型、多模态世界模型、AI Infra、AI原生应用等十二大专题展开深度分享[22] 具身智能与多模态感知 - 当前具身智能在暗光、遮挡或重工业等复杂场景下存在感知局限[6] - 北京大学许辰人教授将分享“多模态超视感知”范式，利用电、声、磁、射频等可穿透物理场模态，为AI开启“第六感”[7] - 网易伏羲陈广大将分享数据驱动算法在无人装载机中的应用，通过“世界模型+强化学习”实现7x24小时无人化作业，人效提升120%[7] 商业AI与决策智能 - 传统商业AI多止步于预测，而企业需要能进行反事实推演和博弈决策的AI[8] - 京东邓金秋将分享“Agentic Commerce”与商业世界模型，利用大模型语义先验结合时序动态与因果建模，刻画“决策—环境—结果”关系[8] - 商业AI正从预测驱动进化为基于Agentic AI的决策驱动，通过多智能体博弈与仿真推演最优策略[9] 数字生命与操作系统Agent - 当前Agent面临数据与反馈瓶颈，难以胜任复杂的跨应用任务[10] - 美团薛涛锋将分享EvoCUA架构，该项目以56.7%成功率登顶OSWorld榜单，通过“生成即验证”引擎与RFT动态去噪反思，使Agent能在万级沙盒中自我迭代[11] 垂直场景AI应用工程化 - 通用大模型在处理专业办公文档（复杂版式、多语种）和非线性创作流程（如视频剪辑）时能力不足[12] - 金山办公孙亚博将分享Monkey系列模型如何实现对复杂文档的像素级精准解析及端到端版式理解[12] - 小红书许思杰将分享如何设计状态驱动的调度机制，在OpenStoryline中实现可控、可工程化的智能视频创作闭环[13] - 商汤科技马林将分享AI PPT在线编辑系统的工程化实践，通过HTML结构化输出与自研渲染引擎，实现从“生成”到“可编辑”的跨越[15] AI算力优化与推理架构 - 大模型推理面临成本高、延迟大的挑战[16] - 亚马逊云科技杨扬将探讨通过Inference-Free稀疏搜索、Graph RAG等技术平衡效果、速度与成本，并利用Claude Code对性能场景进行自动化优化[16] - 趋境科技杨珂将分享Mooncake的分离式架构，通过P/D分离、全局KVCache复用与弹性专家并行，支撑Token量的爆发式增长[16] - 清微智能楼群芳将分享可重构计算超节点方案，通过芯片-系统-软件三层可重构设计，动态适应AI算力需求[17] AI原生研发与架构 - 企业关注如何将AI编码从单点辅助提升至体系化协同，并思考在万人团队中代码资产的核心价值[18] - 快手华剑侃将分享如何在万人规模研发组织中建立L1-L5智能研发能力分层，实现体系化效率跃迁[23] - 腾讯云汪晟杰将通过CodeBuddy等工具案例，分享AI如何在实际业务中重塑团队协作[23] - 行业专家黄佳将提出覆盖感知、记忆、推理、行动、反思、协作的六维Agent设计模式体系，以构建可靠Agent[20] 模型底座与基础设施 - 行业专家探讨大模型如何从“辅助工具”进化为软件开发的“基础设施”，以及Agent如何重塑编程未来[23] - 会议演讲嘉宾包括来自新浪微博、小红书、微软、京东、百度、智源研究院等公司的AI研发负责人与首席科学家[29]

行业投资评级 - 报告给予传媒行业“买入”评级 [2] 核心观点 - 报告核心观点认为，AI Agent（智能体）的商业化拐点正在加速到来，其渗透空间可观 [1] - 以OpenClaw、Kilo Code为代表的具备自主规划与执行能力的Agent已成为token（代币）结构性增长的新引擎 [5] - Agent用户的token消耗量和客单价相比传统聊天机器人用户明显提升，随着高客单价付费用户渗透率提升，模型公司有望加速实现投资回报率（ROI）打正和盈亏平衡 [5] - 国产模型凭借性价比优势在全球调用量中提升份额，模型出海和Agent需求共同推动了Kimi等模型的收入快速增长 [5] - 2026年第二季度预计将进入新一轮模型大版本迭代期，国产文本及多模态模型加速追赶，Agent商业化临近拐点，高客单价叠加渗透率提升潜力可观，以算力需求与模型为核心的投资趋势仍将持续，AI有望迎来新一轮价值重估 [5][33] 根据目录总结 一、AI周专题：Agent有望迎来商业化转折点 - **Agent重构Token增长结构，C端商业化拐点加速**：以OpenClaw为代表的Agent成为token增长新引擎，截至2026年3月1日近一个月，OpenClaw消耗6.5T token，Kilo Code消耗4.38T token，显著高于第三名 [13]。Agent可在无人干预下持续运行，其token消耗量和客单价远高于传统聊天机器人；根据数据，multi-agent系统相比单Agent解决问题正确率提升90%，token消耗量约为单一聊天的15倍，甚至有观点认为Agent的token消耗量有望比传统场景提升两个数量级 [14] - **模型出海+Agent放量驱动Kimi收入加速增长**：在模型出海和Agent需求驱动下，Kimi收入快速增长；Kimi K2.5发布后的二十天累计收入已超过2025年全年 [17]。国产模型在OpenRouter等全球调度平台上凭借性价比优势获得份额，例如DeepSeek V3.2和MiniMax M2.5在性价比上领先 [17]。Kimi收入增长得益于模型能力迭代（如原生多模态理解）和应用层工程优化（如OpenClaw等工具降低了使用门槛） [18]。国内模型（如MiniMax M2.5、Kimi K2.5、GLM-5）在MoE架构的工程优化上普遍更适配Agent场景，通过强化学习框架等方法优化了Agent的调度与执行效率 [19][21] - **Agent产品逻辑与算力趋势**：Agent产品逻辑已在专业开发者中得到验证，但对非开发者用户仍存在使用门槛，未来渗透空间可观 [21]。2026年算力供需紧张预计延续，但随着Agent渗透率提升，单位任务消耗更高，将持续推高推理侧算力压力；同时，国内研发实验算力的缺口预计将逐步显现 [22] 二、国内外AI应用股价与估值复盘 - **美股市场**：上周（报告期前一周）美股软件指数企稳回升，并跑赢纳斯达克指数和费城半导体指数，B端SaaS公司股价表现较优，例如Hubspot、Salesforce、ServiceNow股价相对纳斯达克指数分别上涨14.2%、6.2%、4.5% [5][24][25] - **港股市场**：上周港股AI模型公司（如智谱、MiniMax）股价回调，AI应用表现较为低迷；2026年以来至报告期，智谱、MiniMax股价分别上涨341%和125% [27][28] - **A股市场**：上周A股传媒AI应用公司股价普遍回调，AI营销、AI影视等主题近一周股价有所回调 [5][30] 三、投资建议 - 报告建议围绕自研模型+云+生态的垂直整合进行布局：短期关注**谷歌**，中长期关注**微软、阿里巴巴、腾讯控股** [5][33] - **多模态应用场景**建议关注**快手、美图公司** [5][33] - **IP+AI视频**建议关注**阅文集团、中文在线、上海电影、欢瑞世纪、华策影视、掌阅科技**等 [5][33] - **AI营销**建议关注**汇量科技、易点天下、蓝色光标、钛动科技（拟上市）** 等 [5][33] - **AI陪伴社交**建议关注**恺英网络**，**AI游戏**关注**心动公司** [5][33] - **AI内容确权**建议关注**阜博集团** [5][33] - **AI医疗**建议关注**京东健康、阿里健康** [5][33]

AI编程范式演进 - Cursor CEO Michael Truell提出AI编程已正式迈入“第三时代” 其特征是Agent能在更长的时间跨度、更少人工干预下独立完成更大规模任务[1] - AI编程的第一时代以Tab自动补全为标志 第二时代以同步的prompt-response循环指挥智能体为标志 第三时代则转向由成群的智能体组成“工厂”来生产软件[3] - Cursor的核心已从“写代码”转变为帮助开发者构建由智能体组成的软件“工厂” 开发者角色转变为给出初始方向、配备工具并审查产出[3] 各时代特征与转变 - Tab时代持续近两年 擅长自动化低熵、重复性工作 带来了显著的效率提升[6] - 同步Agent时代可能持续不到一年 开发者通过实时交互指挥智能体处理需要上下文和判断力的任务[12] - 云端Agent时代消除了同步Agent对开发者实时在线和本地算力资源的限制 每个Agent运行在独立虚拟机上可自主迭代数小时[13] - 人类的角色从逐行指导代码转变为定义问题与设定评审标准[13] Cursor内部采用与数据变化 - 在Cursor内部 合并的代码提交（PR）中超过三分之一（35%）是由运行在云端、独立运作的智能体创建的[3][15] - 2025年3月 Cursor的Tab用户数量大约是Agent用户的2.5倍 目前该比例已反转 Agent用户数量是Tab用户的2倍且使用量仍在快速攀升[8] - 过去一年中 Cursor的Agent使用量增长了15倍以上[11] - 团队预计 一年之后 绝大多数开发工作都将由这类智能体完成[3] 新工作方式开发者特征 - 采用新工作方式的开发者特征包括：Agent几乎编写了他们接近100%的代码[17] - 开发者把时间主要花在拆解问题、审查产物/代码以及提供反馈上[17] - 开发者会同时启动多个Agent 而不是手把手地盯着一个Agent跑完[17] 挑战与未来方向 - 要让云端Agent模式成为软件开发的标准范式还有大量工作要做 工业规模下不可靠测试或损坏的环境可能演变成系统性故障[15] - 仍需确保Agent能以最高效率运行 并获得其所需的完整工具与上下文访问权限[16] - Cursor最近的重磅更新是朝此方向迈出的初步但重要一步 Agent能快速上手代码、在云端电脑上直接修改并生成成品演示视频[16] 行业观点与讨论 - 有观点认为从Tab到同步Agent再到云端Agent的演进仍是同一范式下的优化 代码依然是最终产物 下一次真正跃迁是彻底移除“源代码”这一持久化产物本身 当“意图”可以直接执行时 整个技术栈都会改变[18] - 另有观点指出 随着Agent迈向长时运行的云端执行 验证仍然必要但已不充分 核心问题转变为由什么样的执行模型来决定谁被允许合并代码以及在什么条件下合并[18]

AI行业焦点转向：从布道到价值评估 - 2026年初，AI行业焦点已从“能不能做到”转向“在什么条件下、以什么成本、为谁创造价值”[2] - 斯坦福HAI明确指出，2026年是AI从布道走向评估的一年[2][7] - 大量企业已完成第一轮生成式AI部署，开始有条件回看投入与产出[4][5] 现有评价体系面临挑战 - 过去依赖的Scaling Law（模型越大、数据越多、算力越强，能力越好）在医疗、法律等高责任领域显得单薄[8][9][10] - 分数上涨不等于风险可控，能力增强不代表系统可落地，现有评价体系可能跟不上应用场景的复杂度[10] - 吴恩达指出“AGI”概念被过度滥用，导致学生、CEO及社会对AI能力产生系统性高估[11][13] 提出新的评估标准：图灵-AGI测试 - 吴恩达提出“图灵-AGI测试”，旨在重新界定AI上限[7][14] - 该测试核心是评估AI能否在任务不预设、路径不可控、反馈持续变化的条件下，从头到尾完成一件事[16][18] - 与当前主流基准测试不同，它关注长期规划、持续学习和跨任务迁移等真实智能，而非固定题目解题能力[18] AI价值评估需算“经济账” - 斯坦福学者指出，过去几年AI行业只算“能力账”，系统性地回避了“经济账”，现在是时候好好算钱的问题了[21] - AI“单点能力”提升并不必然带来整体效率提升，有时甚至因引入核查、协调等新成本而产生反效果[21] - 评估不能只测模型，必须测“人+AI+流程”这个整体，关注系统整体是否变得更复杂、更难以信任[23] 企业级AI投资回报的关键发现 - 谷歌云《The ROI of AI 2025》报告调查了3466名全球营收千万美元以上的企业老板或高管[6][29] - 真正实现正向、可持续投资回报的，并非零散的生成式AI能力，而是“Agent+流程+组织”的系统级落地[7][30] - 在最早一批入场Agentic AI的公司里，88%已在至少一个GenAI场景中看到正向回报[7][30] 技术路径拐点：从大模型到Agent体系 - 当前AI核心问题从“模型能不能更强”转变为如何将其真正用进系统里[31] - 在使用GenAI的企业中，52%已将Agent投入生产环境[33] - 谷歌报告显示，让AI获得正向ROI的场景具有流程清晰、可规模化复制的共同点，如生产力、客户体验、业务增长、营销和安全[34][36] Agent的等级划分与演进方向 - 谷歌将Agent按效果分为三个等级：Level 1（生成式AI工具）、Level 2（真正意义上的单体Agent）、Level 3（多Agent协同工作流）[37][38] - 目前绝大多数已产生正向ROI的Agent集中在Level 2，属于“单体Agent+明确流程”形态[40] - Agent的下一步演进方向是“更可管理”，让多个Agent在清晰分工和明确规则下稳定协作，而非盲目堆砌数量[40] Skill-First成为Agent发展的核心理念 - 未来趋势是Agent调度一堆边界清楚、可被调用复用监控的“技能模块”[40][41] - 吴恩达是“Skill派”，强调将AI能力拆解为可验证、可组合、可评估的能力单元，以判断边界和管理风险[43][44] - 能跑出ROI的系统往往是Skill拆得够细、流程跑得顺、责任链条说得清楚的Agent系统[42] 学界对AGI与行业热度的冷静预测 - 斯坦福HAI联合主任James Landay预测2026年不会出现AGI[25] - 2026年AI主权的前景在于模型运行位置和数据由谁掌控，而非比拼模型大小[25] - 斯坦福HAI对全球算力投资升温发出警告，认为资本持续涌入却看不到回报拐点带有泡沫意味[27][28]