关于AI时代未来的一些思考

从美国各巨头公司宣布大幅提高26年度资本开支——尤其是AI基础设施建设，这预示着AI应用时代来临，AI从模型能力竞赛进入应用规模化落地阶段。
市场是怎样体现的呢，互联网公司都在做通用agent，各个行业的大大小小的公司都在紧跟ai潮流，做自己行业的垂类agent，希望借助本公司的经验、数据优势让ai接管某个方向的运营、迭代。
可以预见的是，ai现在不是单一应用、领域的独现了，已经开始融入各行各业中。

Agent
agent是当下最火的方向，看起来所有行业都在用agent来改造自身工作流，这也是我认为巨头们扩大ai基础设施资本开支的最核心原因，agent运行时会大量调用云端模型，产生大量模型推理需求。
身为开发，两年前我还完全手写代码，大概从那以后不久出来了Inline Complete，开始初步感叹ai的强大——在此之前我自身也只是chatbot玩家，然后大概一年半前开始接触agent，那时候coding agent还很弱，几乎无法完全完成在某个项目上进行需求开发的任务，所以那时候还是以补全为主；后来模型能力和上下文扩展的原因吧，发现ai用来做项目问答效果非常好，然后ai coding这个方向就一路向上，以可见的速度变强，大概半年前基本上80%的代码都用ai生成，直到现在，几乎100%的代码都是用ai写了。
毋庸置疑，ai coding是目前公认最成功的ai应用方向。
但其他行业能像coding一样有这样的效果吗？
agent是能帮我们干很多通用行业的活——找一个agent工具，接入mcp、skill，你就可以让他帮你办公了；但是会有很多问题在里面——效果上来看，目前无法完成100%成型，还是需要大幅度调整甚至推倒重来；成本上，调用模型尤其是视频等多模态模型，成本是非常高的，而我们做agent的目的是什么？对于企业来说，无非是两个原因：1、希望用agent替代人力，实现成本控制。2、提高迭代速度。如果agent的效果太差，需要经常做调整，那企业就需要衡量一下agent下token的开销和纯人工两者的成本，迭代速度在我个人看来，是肯定有提升的，在有agent工具的加持下，你不能用以前的方法评估一个项目的时长，进展进度。
在我个人看来，对于企业来说，即使抛开agent研发成本，目前agent的并没有帮企业节省大量开支（替代大量岗位），因为如果这样的话，我们应该能看到一些企业大批裁员，但事实上并没有发生，说明现在agent可能只是帮助企业提效了，比如提高单人产出，缩短项目周期等，还没有达到完全“无人值守”——说明还是会有需要人去审查和兜底的地方，没有非常高的可靠性能让企业“放心”裁员。
我个人对agent是看好的，因为还有很大的发展空间，模型能力也在以周为时间单位迭代。所以未来可能会发生ai替人直接干整个流水线上的活。那人的作用呢？首先就是兜底，处理ai那x%发生的bad case，其次是会指挥ai的人，知道怎样最大化发挥ai能力。
我认为“无人值守”将是一个重要发展节点，取决于模型能力和工程技术建设，一旦达到将给社会带来重大变革。但是目前还没看到有这方面的迹象。未来可能有两种路线的公司或产品路线：一种对工程质量倾向性不高，注重快速产出，快速验证——这种大概率可以优先做到agent全流程；另一种是有一定质量要求的，这种相对会慢一些，并且有一些业务重要性特别高的领域，可能是AGI之前都无法达到的，因为需要人去承担责任。

算力
关于算力需求，我觉得要取决于应用和模型发展情况。
应用越广，那自然算力需求越大。但是还需要考虑一个问题，模型能力提升可能会降低算力需求。因为我们经常听到模型厂商做宣传时候提到，新模型完成xxx任务只用了上一代模型50%的token。如果真是这样，模型推理越来越强，可能到某个发展点后，算力需求反而会逐步降低，因为模型更强了，以前需要agent反复纠错，中间多了很多步骤，甚至以前一次做不成的，需要推倒重做的，现在直接能做成了。所以短期看，由于AI 应用刚开始规模化渗透，Agent、多模态、长上下文、企业级自动化都会带来大量推理调用，所以算力需求会猛增。但长期看，算力需求并不一定持续上行。模型效率提升、推理成本下降、任务成功率提高，都可能减少重复调用和无效推理。未来算力需求如何还是要看具体技术的发展，能不能带来一些新的增长点。比如像网络，如果没有音视频这些应用的协同发展，光有最原始的文本，也不需要千兆网速的基础设施了。

AI与机器人
这是我非常兴奋的领域，因为在这一方向上如果有LLM那样的突破，可能整个人类社会都将发生巨大改变了。现在agent基本上仅仅活跃在云端终端这种设备上，可以想象将agent拓展到现实中，所有人类的生活、工作、日常都有机器人和ai，工厂、外卖、家务等等各方面，真正实现机器人替代人类去完成现实世界的事务了。
但是目前看来只是设想，现在ai还没有到能在物理世界上有一个比较好的效果。一个是训练数据获取困难；再有现实世界的错误成本远远高于LLM，即使是有了突破性技术变革，并且发展了这么久的LLM还是犯错和出现幻觉等问题，更何况还没有进行充分训练的物理世界的AI了。一个目前可能离我们最近的机器人ai结合的例子——自动驾驶，即使发展了这么多年，最顶尖的特斯拉FSD还是无法达到规模性部署L3，一方面是训练模型达到的效果还不符合预期，另一方面也说明机器人犯错的成本远高于普通ai应用。
所以这个方向还是需要很长时间去耕耘，好在现在有很多巨头在投入这个领域，拭目以待，首先是要看能不能有一个突破性进展，确定技术上是可行的，随后就是各个公司都去跟进，迭代优化了。

总结
22年gpt横空出世到现在，从刚开始的略显笨拙的chatbot，到后来结合检索等能力实现任何模型都能获取处理实时信息，再到现在由于模型能力的持续提升，结合一些工程化建设和包装，能真正赋能各行各业产生实际生产价值，也就是ai应用的实际规模化落地，必须得说ai发展是日新月异的。当下这一轮ai革命随着agent出现，进入到一个拐点——我们要思考下一个ai技术增长点是什么，是现有方向的工程化迭代、模型的优化，还是依然存在其他未发掘的新大陆，相信此时此刻有一些人正在探索，就如同哥伦布一样。