Agent智能體，創業vs大廠，誰會贏？如何贏？

文：董指導

本期要點

#AI#AI Agent

雖然Manus引發了不少爭議，但不可爭辯地是，還是讓Agent出圈了。

然而，不到一天之內，就有另一個團隊實現了復刻、并進行了開源，這不禁令人擔憂Agent創業有壁壘嗎？

海外有觀點認為，“模型即產品（The Model is the Product）”，甚至說：許多Agent的項目，不過是創業者為大廠在探路、培育市場；一旦有好的產品形態，大廠立刻用模型功能來取代。

現實是否如此呢？ Agent是大模型產業的必經之路，但是不是大模型廠商的必經之路呢？Agent創業，是個好生意嗎？

帶著一系列問題，我邀請了三位嘉賓一起聊了聊Agent。分別從投資、學術和實際落地等角度，進行了充分討論。也列舉了一些好玩的案例和觀察視角。

【嘉賓介紹】

侯宏，北大國發院管理學助理教授，劍橋大學博士

楊鵬，騰飛資本 管理合伙人

錢雨，中關村智用研究院首席研究員，清研載物AI基金合伙人

更多真知灼見，可以在小宇宙、喜馬拉雅上收聽。

精華內容如下：

01 四象限的定位

可以按照業務市場地點（國內、國外）、創業目標（利潤賺錢、上市資產增值）分為四象限，來討論Agent創業是不是好項目。

面向國內市場，如果以上市為目的，勝率幾乎很低了；

如果面向海外市場、以賺利潤為目的，那有不少機會；

立足全球、用全球基礎設施做業務，發展空間會更大；

面向國內市場，如果以生意為目的，那么to C是特別有價值的，但是短期幾年內收費的難度依然很大；to B則是不錯的方向，更加確定。

02 “模型即產品”也有邊界

AI模型本身，就是未來的產品。這是一個趨勢。

因為通用性擴展，雖然仍有效，但也有邊界；而蒸餾或特定領域的在訓練，效果顯著改善。

但是，也有邊界的。由于大模型執行工作需要調用工具，因此就產生了兩個邊界：

第一是工具的完備性。很多新問題、新場景所需要的工具，是不存在的，是需要人去做的。

第二是工具的開放性。這是商業模式設計和生態的問題。

因此，一方面對這個趨勢有期待，另一方面又要看到邊界。

03 大廠未必自己下場做智能體

根據和國內大模型廠商的交流，頭部的廠商，是沒有意愿去做智能體這個事兒的。尤其阿里、DeepSeek會不斷推動基礎模型開源，也給許多創業者支持。

其次，大模型廠商們一直在找好的智能體，希望能來到大廠的模型平臺、云平臺上，并形成自己的生態。

另外，要實現通用的智能體，依然非常困難。因此，會有很強的垂直場景需求。通用性這一點，無論大廠還是創業者，都面臨一樣的困難。

所以大廠目前并不愿意投入較多精力去做智能體，而是先搞定基礎模型的能力。

04 Agent和Agent不一樣

我們要區分：Agent概念和Agent能力。

目前多數的Agent其實是“工作流”，預定好了工作路徑、調用工具，然后基于大模型來調用。套路型的，能解決的問題是有場景限定的。不過也依然有價值。

另一種是可以根據需求，自主動態規劃，并能根據進展狀況進行調優學習。不需要預先設定場景和模式。

第二種是更具備“智能體”意義的形態，創造的價值更大。

05 AI浪潮和移動互聯網比較

移動互聯網當時的基礎設施完善性，要比當下的AI高得多。

當時，通信網絡已經成熟，可以穩定、高速率地傳輸圖片、視頻等信息；手機作為終端也有了發展，屏幕夠大、使用性好；手機CPU計算能力也增強了。蘋果又解決了觸摸屏的方式，帶來了新的交互體驗。

所以，手機成了一個基礎平臺。這時候，應用的爆發，就是水到渠成的。

而目前算力的基礎設施還沒有那么完善。模型通用性還不夠，實用性也還待提高（還需要人工校對，某種情況下，甚至不如人工直接上手更快），算力也沒有平權到隨時隨地地支取。

未來隨著開源繼續普及、算力繼續平權，AI的應用爆發才會來到。

06 行業know-how 很難被大模型

大模型可以把行業know-how標準化。以前的經驗，都是在一些老師傅的腦子里，但現在用大模型去讀取、學習大量數據后，它可以自己總結一些經驗；同時，也可以把老師傅的經驗，進行標準化。

但這個過程很艱難。

第一要解決的依然是“數據”。能否獲得充分的數據，就非常重要。尤其在to B業務，許多領域的數字化并沒有那么好，這時候獲取數據是有難度的。真實場景的數據門檻，比想象的要高得多。

其次，如何能把經驗從老專家腦子里拿出來，也是復雜的問題。不在于技術，而在于利益。如果貢獻經驗，意味著自己的崗位被取代，那為什么要貢獻；如果專家已經退休了，貢獻經驗之后對自己沒影響，反而還能拿點專家費，那可能就更容易實現了。

再者，許多行業know-how不只是口頭經驗，更有很多實操內容。要實現真實物理空間匹配，也是復雜的。

同時，行業know-how被大模型總結后，有沒有地方、真實場景里可以進行驗證呢？這一點也是非常難的。萬一驗證失敗了呢？以經歷過的大模型賦能垃圾焚燒為例來看，往往是遇到“死馬”時才有機會當“活馬”醫，才有機會驗證。

觀點2：如果一個行業的know-how被大模型抹平、平權了，那就說明行業其實并沒有真的know-how。

大模型可以做到95%，而剩下的5%，就會成為行業know-how。小團隊可以在項目實踐中，積累出know-how，而非案頭研究。

因此，傳統信息化的B端企業，反而擁有Agent落地的優勢。案例比如：用友。

07 Agent有先發優勢嗎？

和賽道有關，在一些小而專，并且產品化程度高一點的領域，是有先發優勢的。因為市場總空間也不算大，用戶心智形成后，留給后進者的利潤空間并不大。要么吸引不了巨頭，要么進來之后也賺不了什么。

而在一些大廠必經之路，一些大模型性能提升就能覆蓋的賽道上，就不存在先發優勢了。

基于數據的先發優勢，可能是脆弱的。容易被擊垮的。就像DeepSeek依靠算法而非數據，也依然可以實現性能大幅提升。

對于Agent創業來說，可能有一種形態就是“游擊戰”，迅速做出一個產品，賺到市場給的利潤；如果大廠來做了，那就迅速尋找下一個agent產品。這種模式，是做生意的模式，也是小團隊創業應有的自我修養。

---全文完，歡迎交流

理工/金融 復合背景

暢銷書《英偉達之道》譯者

百億私募/頭部自媒體 雙重經歷