此次调查于2025年10月进行，涵盖130家企业的IT高管，平均员工数达8200人，IT预算约8亿美元。调查揭示了企业AI部署面临的核心挑战：59% 的受访者认为投资回报率不明确是最大障碍，这一比例较今年3月的50%显著上升。合规监管担忧(45%)和内部专业人才不足(43%)分列二、三位。 调查还发现，AI应用并未导致大规模裁员。40%的受访企业表示AI将推动员工增长，仅31%预期会减少人员，且只有1%预期大幅裁员。这一发现 对基于席位收费的SaaS企业构成利好，缓解了市场对AI替代人工的担忧。 企业自建AI成主流趋势 尽管人工智能技术持续升温，但企业级AI应用的规模化部署进展缓慢。 据追风交易台，瑞银Karl Keirstead团队最新发布的第五次企业AI调查显示，仅17%的受访企业实现了AI项目的大规模投产，相较今年3月的14% 仅略有提升。 调查结果显示，微软、OpenAI和英伟达继续在企业AI市场占据主导地位。在云基础设施层面，微软Azure保持领先；在大语言模型方面，OpenAI 的GPT系列模型占据前五名中的三席，尽管谷歌Gemini和Anthropic Claude正快速追赶。微软的M365 C ...

| 机器之心报道 | | --- | 现在，谷歌的一篇新论文填补了这一空白！ 他们通过大量实验找到了智能体的 Scaling Law，只不过他们将其称为 quantitative scaling principles ，即定量扩展原则。 编辑：Panda 智能体（Agent），即基于语言模型且具备推理、规划和行动能力的系统，正在成为现实世界 AI 应用的主导范式。 尽管其已被广泛采用，但决定其性能的原则仍未被充分探索，导致从业者只能依赖启发式经验，而非有原理依托的设计选择。 具体来说，他们将这种扩展定义为智能体数量、协作结构、模型能力和任务属性之间的相互作用。 他们在四个不同的基准测试中对此进行了评估：Finance-Agent（金融推理）、BrowseComp-Plus（网络导航）、PlanCraft（游戏规划）和 Workbench（工作流执 行）。 | Benchmark | Task Evaluation Design | | --- | --- | | BrowseComp-Plus (2025) | Web Browsing / Information Retrieval Multi-websit ...

核心观点 - 北美AI产业近三年由FOMO情绪主导算力超前投入，AI资本支出叙事贯穿美股，但算力需求主导因素从大模型训练转向大模型推理，同时2025年底不同模型合作阵营出现分化[3] - 2026年云计算资本支出预计延续增长，但市场更关注投入回报率，五大云厂和互联网巨头FY26资本支出总和达5540亿美元，同比增长38%[3][18] - AI大模型头部厂商差距缩小、阵营分化、研发方向分野，重点关注Anthropic和谷歌Gemini[3] - AI应用创收预计达数百亿美元，AI广告持续兑现，AI编程规模化，2026年关注AI视频、B端AI软件、C端AI Agent进展[3] - AI算力供给多元化，竞争焦点转向开发生态，AI网络从Scale out向Scale up倾斜，光通信、铜连接、电力电源、液冷成为关键环节[3] 云计算：2026年资本支出延续扩张但回报率分化 - 根据彭博预期，谷歌、微软、亚马逊、META、甲骨文在FY26的资本支出总和为5540亿美元，同比增长38%[18] - 谷歌云增长动力来自TPU对外供应、Anthropic需求旺盛和Gemini市场份额提升，亚马逊AWS增长动力来自Anthropic需求，预计年底达到百万卡Tranium2容量[15] - 从资本支出与经营现金流比率看，全栈AI布局的谷歌最为健康，甲骨文预计债务压力较大[3][18] - AI算力投资已带来显著折旧摊销成本提升，科技巨头商业模式体现重资产特征，微软、META的折旧摊销费用占运营总支出比例明显提升[23] 大模型：海外AI阵营分化，商业化加速 - 大模型头部TOP3中，Anthropic聚焦B端编程落地，近期营收预期上修且现金流有望2027年转正；OpenAI供应链分散、算力需求庞大，B端与C端并重；谷歌Gemini在多模态领域体现底蕴[3] - Anthropic创收策略专注于B端，深度受益AI编程爆发，2025年10月上修未来乐观营收预期，预计2028年达700亿美元营收[39] - 谷歌Gemini 3.0版本年内发布，2025年10月Tokens月消耗达300万亿，独立应用流量份额从2025年4月的5.5%提升至10月的12.9%[33] - OpenAI营收策略B端和C端并重，2025年10月估值达5000亿美元，但算力供应商众多且分散[39] AI应用：编程商业化加速，静待AI视频与B端软件进展 - AI编程工具年化收入在2025年明显加速，当前年化收入总和或已超50亿美元，包括微软GitHub Copilot、Cursor、Claude Code等产品均实现出色收入[63] - AI视频临近商业化临界点，Veo3、Sora2等效果出色但算力成本较高，随着2026年算力供应增加，有望孕育优质AI视频平台[59] - 企业级AI平台加速落地时间点或在2026年上半年，ServiceNow指引2026年AI ACV订单总额达10亿美元，较2025年5月的2.5亿美元明显加速[67] - 垂类应用面向法律、招聘、客服、营销等领域获得商业化进展，多个AI应用企业估值提升[58] AI算力：参数性能差距缩小，开发生态成竞争关键 - 领先的AI芯片在参数性能上差距有所收窄，AI芯片竞争中软件开发生态成为决定性因素，谷歌TPU硬件性能差距缩小且开发生态陆续成熟[76] - 谷歌TPU v7已迎来Anthropic等客户，出货量预期上修，整体能力大幅提升接近英伟达B200，且具备性价比优势，达到外供临界点[81] - AMD、亚马逊Tranium面临开发生态不成熟问题，但2026年有较大边际变化，AMD迎来OpenAI开发者群体，亚马逊Trainium百万卡集群交付Anthropic使用[85] - 博通受益TPU外供趋势，与META/OpenAI合作的自研芯片有望2026年开始大规模量产爬坡[81] AI网络：由Scale out向Scale up倾斜，硅光进入爆发关键节点 - 全球主流算力方案已形成Scale up网络生态，协议标准有望收敛，封闭和开源两大方向预计并行，NVLink、UALink、SUE是重要演进方向[90] - 2026年是硅光方案高速爆发、CPO网络导入起步的关键节点，光通信景气度从光模块扩散至芯片、线缆、OCS、CPO等上下游环节[3][96] - 高密度算力方案面临供电瓶颈，HVDC成为最优解，过渡方案sidecar预计2026年开始应用，最终方案预计2027年后去除UPS[107] - 英伟达、博通发布CPO产品，2026年是重要突破元年，谷歌OCS光交换机是TPU产业链重要一环[104]

核心观点 - 亚马逊在AI人才争夺中面临多重障碍 包括薪酬结构、行业声誉和返岗政策 导致其难以吸引顶尖AI人才 在竞争中处于不利地位 [1][4][5][6][7][8][9] 薪酬结构问题 - 公司采用固定薪酬区间和"平等主义哲学" 使待遇比头号竞争对手偏低 多个关键岗位薪酬区间未能提升 [4] - 股票归属计划高度后置 对新员工吸引力较低 高管通常没有现金奖金 [4] - 2020年机器人副总裁布拉德·波特因公司拒绝提高薪资区间而离职 [4] 行业声誉与竞争地位 - 在AI领域被认为落后 尚未推出类似OpenAI ChatGPT或Anthropic Claude的爆款AI产品 [1][4] - 工程师留任率低于Meta、OpenAI和Anthropic [5] - 摩根士丹利分析师指出华尔街普遍认为AWS在AI领域落后 引发股价下挫 [6] - Meta从ScaleAI、苹果和OpenAI招募高知名度人才 谷歌和OpenAI是AI专家首选目的地 微软列出挖角Meta AI员工名单 [1] 返岗政策影响 - 要求员工搬迁至指定办公中心 否则面临解雇风险 限制招聘高需求人才能力 [7] - 越来越多求职者因返岗政策拒绝工作邀请 即使竞争对手薪酬更低但提供远程办公 [8] - 过去两年甲骨文从亚马逊挖走600多名员工 因严格返岗政策使挖角更容易 [9] 应对措施 - 公司优化薪酬与工作地点策略 探索提供更多"地点灵活"职位 [6][7] - 举办更多活动展示生成式AI能力 在AWS等部门设立生成式AI专项招聘团队 [6] - 发言人声称薪酬具有竞争力 正吸引和留住世界最优秀人才快速构建生成式AI应用 [3]

OpenAI战略转向开源 - OpenAI近期开源两款权重模型gpt-oss-120b（1170亿参数）和gpt-oss-20b（210亿参数），分别针对云端高推理与边缘低延迟场景[2] - 这是公司自2019年开源GPT-2后首次重回开源领域，采用Transformer架构和专家混合（MoE）技术[2][7] - 两款模型遵循Apache 2.0开源协议，开发者可本地部署无需API调用，但训练数据和完整训练代码未开源[14][15] 开源模型技术参数 - gpt-oss-120b激活5.1亿参数/token，可在单块英伟达数据中心GPU运行，支持数据中心及高端PC部署[8] - gpt-oss-20b激活36亿参数，仅需16GB内存，适配主流PC设备[8] - 性能测试显示gpt-oss-120b在MMLU达90分，AIME 2025数学竞赛97.9分，接近闭源模型水平[11] 市场竞争格局 - ChatGPT周活用户达7亿（同比+4倍），付费用户500万，Pro会员贡献超60%收入[3] - 企业级市场面临Anthropic（预计35%份额）和谷歌（20%）的竞争压力[3] - 中国开源模型崛起，阿里Qwen系列全球下载量超4亿次，衍生模型14万个，Hugging Face榜单前10中占8席[17][18][22] 开源商业模式 - 开源模型通过云平台（如AWS）扩大影响力，但企业只需支付算力费用不直接向OpenAI付费[17][19] - OpenAI年度经常性收入达120亿美元，远超Anthropic的50亿美元，具备开源商业基础[19] - 行业趋势显示头部企业将采取"开源基础模型+闭源核心模型"的双轨策略[18] 行业发展趋势 - 开源模型性能差距缩小，中国DeepSeek-R1和阿里Qwen 3系列打破闭源优势认知[17] - 开源生态价值在于构建开发者网络，全球反馈加速模型迭代[18] - 当前开源领域更易形成"赢家通吃"，但长期竞争格局仍存变数[22]

AI应用现状 - 2025年AI被企业高层视为提升效率的核心工具 但基层员工认为其掩盖裁员真相 [1] - 78%的企业在至少一个业务环节应用AI 远高于2023年的55% [3] - AI工具广泛应用于文案创作 代码优化 客服对话生成等多个领域 [1] 成本效益分析 - 企业财报显示AI带来成本削减成果 但后续维护投入持续攀升 [1] - 麦肯锡调查显示AI应用后平均成本降低不足10% 收入提升不到5% [3] - 企业为纠正AI错误产生新职业群体 开支可能超出最初预期 [1] 实际应用问题 - AI生成文案质量平庸乏味 客户需支付额外费用进行重写 [2] - ChatGPT误导导致代码修改错误 引发网站崩溃与黑客攻击事故 [2] - 客服领域AI存在语音识别错误 口音识别困难 对话记录不完整等问题 [2] 行业影响预测 - Anthropic CEO预测未来1-5年内AI可能取代半数入门级岗位 [1] - AI可能导致美国失业率飙升至10%-20% [1] - 企业倾向于展示AI使用率而非实际效果 在核心流程易出现决策失误 [3] 风险应对措施 - 亚马逊招聘AGI风险管理经理 专门识别AI技术与社会风险 [3] - 多邻国 Shopify和Audible等公司因AI替代人类员工遭遇舆论反对 [3] - 企业需要建立AI治理流程应对理解偏差和品牌事故风险 [3]

AI在企业中的应用与挑战 - AI被视为推动效率革命的利器，企业CEO期望通过AI重塑生产力，但基层员工认为AI是掩盖裁员的工具 [1] - 企业在财报中炫耀AI带来的成本节约，但后续维护、内容审核和安全合规等方面的投入与日俱增 [1] - 新兴职业群体专门负责纠正AI的失误，企业通过AI削减的开支以另一种形式被重新投入甚至超出预算 [1] AI工具的普及与问题 - AI工具迅速渗透到企业各个角落，功能贴近职场需求如文案撰写、代码修改和客服话术生成 [1] - Anthropic公司CEO预测未来1至5年内一半的入门级岗位被AI取代，美国失业率可能飙升至10%至20% [1] - 许多企业在通过AI节省预算的同时，不得不花费更多资金处理AI引发的问题如文案修改和代码漏洞 [2][4] AI在技术领域的应用与风险 - 数字营销公司客户因ChatGPT误导修改代码导致网站崩溃并遭黑客攻击，损失惨重 [4] - AI在客服领域的应用暴露出语音识别错误、口音识别困难和对话记录不完整等问题 [4] - 客服人员需纠正AI错误并安抚愤怒客户，AI的"帮倒忙"行为增加工作压力 [4] AI的实际效果与落差 - 78%的企业在至少一个业务环节中使用AI，远高于2023年的55%，但成本平均降低不足10%，收入提升不到5% [7] - 企业更注重展示AI使用情况而非实际效果，AI在正式流程中易出现理解偏差、决策漏洞或品牌事故 [7] - 可口可乐尝试用AI致敬经典圣诞广告失败，广告被批评为诡异且缺乏灵魂 [8] AI的法律与品牌风险 - 加拿大法院裁定企业必须对AI聊天机器人的误导行为负责 [8] - 亚马逊招聘"AGI风险管理经理"以识别AI的技术与社会风险并建立治理流程 [8] - 多邻国、Shopify和Audible等企业因尝试用AI替代人类遭受舆论压力 [8] AI的消费市场反应与调整 - 资本市场将AI取代人类视为利好消息，但消费市场逐渐将其视为负面信号 [8] - Klarna在推行AI客服和翻译系统后用户体验急剧下降，不得不重新招聘客服员工 [8] - AI未能真正实现"自动化"，新技术上线初期需经历混乱期才能趋于稳定 [9] AI的未来展望 - 企业可利用AI提高工作效率，但需充分考虑其可能带来的后果 [9] - AI出错仍需人来兜底，只能取代可替代流程，无法取代有判断力、负责任的人类 [9]

行业趋势 - 硅谷裁员潮持续至2025年，AI技术被CEO们视为效率革命和生产力重塑的未来之光，但对普通员工而言却成为裁员理由[1][2] - AI工具在企业内部流程的应用成为显著商业趋势，OpenAI、Google Gemini、Anthropic Claude等模型围绕职场场景推出文案编写、代码修改、客服话术生成等功能[5][6] - Anthropic CEO预测未来1至5年内50%的入门级岗位将被AI替代，美国失业率可能升至10%～20%[7] AI应用的实际效果 - 企业使用AI节省的成本在财报中成为亮点，但后续维护、内容校对、安全合规等环节的投入增加，导致实际节省有限[3][24] - 麦肯锡调查显示78%的企业在至少一个业务环节使用AI，但成本平均降低不足10%，收入提升不到5%[24] - 清华大学与广西电网的联合研究显示AI客服助手在改进流程的同时，暴露出语音识别错误、口音识别困难、对话记录不完整等问题[19][20] AI返工现象 - 专门为AI返工的新职业兴起，包括文案修改、代码修复、客服善后等，原本节省的成本以更高代价重新投入[4][8][13] - 自由文案人案例显示客户使用ChatGPT生成的文案因平淡空洞需返工，20小时修改工作收费2000美元[9][10][11] - 数字营销企业创始人指出客户因AI误导改代码导致网站崩溃，损失360英镑，需支付额外排查费定位AI导致的bug[15][17] 品牌与法律风险 - 可口可乐AI广告因缺乏情感温度引发负面舆论，被批评为"诡异""没有灵魂"[28][29] - 加拿大法院裁定企业需对AI聊天机器人的误导信息负责，加航因AI提供错误丧亲优惠信息被判赔偿[30][31] - 亚马逊招聘AGI风险管理经理，职责包括识别AI技术与社会风险、建立治理流程、协调法律与安全部门[32][33] 市场反应与调整 - 多邻国、Shopify、Audible因推行AI替代人类策略遭遇用户强烈反弹[35] - Klarna在裁员700人并推行AI客服后用户体验下降，最终重新招聘客服员工[37][38][39] - Anthropic与Andon Labs的AI全权运营商店实验因采购失误、定价混乱、伪造账户等问题以破产告终[42][44][45] 技术发展规律 - 斯坦福经济学家提出"J型曲线"理论，新技术初期效果下滑，需经调整完善后才能实现价值超越[46] - 历史表明蒸汽机、电力、互联网等通用技术均经历混乱期，AI也需完成从兴奋到理性的过渡阶段[47] - AI可替代流程但无法取代需判断力和责任归属的工作，企业需为AI错误兜底[48]