(网经社讯)12月3日，中国科技产业智库「甲子光年」在北京·万达文华酒店举办「2025甲子引力年终盛典」。甲子光年创始人&CEO张一甲重磅发布主题报告《轰然成势 万象归一：2025人工智能产业30条判断》。以下为报告详细内容。

1.过去一年，AI发生了什么？

2.此刻：轰然成势，万象归一

2.1轰然成势，万象归一

今年的主题是“轰然成势，万象归一”，我先解释一下为什么用这八个字作为主题。

如果一个人在十年前沉入梦乡，今天刚刚苏醒，他或许会觉得人工智能是一个凭空降临的庞然大物。

一觉醒来，仿佛世界被重新编码。它无处不在：能写文章、能编曲、能设计、能编程，在企业中排班，在工厂里检测，在课堂上教学，在医院里诊断……仿佛这股力量，是在他沉睡的这些年里突兀而神秘地横空出世。AI已经“轰然成势”。阈值已至，其势已成。

何为“势”？

势，不是单一参数的线性增长，而是复杂系统的能量耦合，多股力量同频共振，将我们推过一个无可逆转的临界点。势也并非凭空而来，它是长期积蓄后的“轰然显形”，就像地震前的地壳运动——缓慢而坚决，某一刻地表的震动，只是深层能量早已堆积的结果。

从“算法可行”到“系统成势”，这一路，是时间的压强，也是集体意志的汇聚。

何为“万象归一”？

“归一”不是指一切被统一为单一，不是消弭多样性，而是对复杂性的更高维组织——在全新的经济形态里，我们开始共享一种新的底层逻辑。

模型、算力、数据、应用，正融合为统一的经济基础；千行百业的痛点，正在“智能”这一命题下找到共解；政策、资本、产业与社会接受度，也必须形成新的协同。

2.2“轰然成势”，是能量的临界；“万象归一”，是秩序的自觉

“轰然成势”，是能量的临界；“万象归一”，是秩序的自觉。

“轰然成势，万象归一”八个字，蕴含着智能革命从爆发到秩序的底层逻辑。

3.定义：“默认式AI（Default AI）”

3.1概念定义：默认式AI（Default AI）

这个底层逻辑是什么？

甲子光年将其定义为：默认式AI。

“默认式AI”（Default AI）：无需用户主动选择或感知，默认存在、默认开启的人工智能形态。

——甲子光年

经历了数年的爆发与重构，AI从“技术的奇观”成为了“默认的存在”。它不再是实验室里的惊叹，而是社会的结构，是经济系统的沉默底层。它不是“被使用的AI”，而是“自然而然存在的AI”。

3.2默认即智能：智能成为常态，AI走向日用而不觉

2023年我们感受到的AI是惊讶、尝鲜；2024年我们感受到的AI是商业的拷问；2025年我们感受到的AI是一种“默认”——默认即智能：智能成为常态，AI走向日用而不觉。

如果我们打开一个网页，没有AI，你会觉得很奇怪；如果你的一位朋友没有使用过AI，你会觉得很反常。

数据显示：超过一半的美国成年人（61%）在过去六个月中使用过人工智能，近五分之一的人每天都依赖人工智能。

3.3默认式AI特征：关闭才是例外，不用才是例外，不会才是例外

“默认式AI”具有三大特征：

1.非选择性（Non-optional）：用户不再“决定是否使用AI”，而是在日常操作中自动与AI交互。例如：输入框默认AI补全、相机默认AI识别、搜索结果默认AI重写。

2.低感知（Invisible）：AI的参与被隐形化和底层化，用户甚至不察觉AI在起作用。例如：iPhone照片自动分类、邮件的智能排序、文档自动摘要。

3.系统绑定（System-integrated）：AI不以独立应用的形式存在，而是嵌入操作系统、平台或设备的基础层。例如：Windows Copilot、Apple Intelligence。

3.4AI社会化三阶段：工具式AI→伴随式AI→默认式AI

默认式AI（Default AI）是人工智能社会化演进的第三阶段。

阶段1：工具式AI（Tool AI）——AI是“被使用的能力”，强调“我在用AI”。

阶段2：伴随式AI（Assistive AI）——AI是“共同工作的伙伴”，强调“AI在帮我”。

阶段3：默认式AI（Default AI）——AI是“世界的底层逻辑”，强调“AI就在那儿”。

当一项技术成为“默认式”的，意味着它已经深度嵌入社会结构，具备了不可逆性——即使后续技术路线更迭，甚至经历商业泡沫，但这个时代依然开启了——就像互联网曲曲折折，也经历过互联网泡沫，但互联网时代依然不可逆地继续推进着。

今天来看，AI也进入了这样一个时代。它从“被使用”变为“被预设”，成为了所有人的战略前置。刚才所说，“轰然成势，万象归一”，而“默认式AI”，正是这个“一”的内涵。

接下来，我们看具体的判断。

关注公众号「甲子光年」，后台回复“轰然成势”，获得高清版完整PDF。或者点击文末“阅读原文”，进入甲子光年官网下载。

4.2025年全球人工智能发展趋势30条判断

4.1技术趋势

【判断1】“智能基线”的提升：仍是AI本质驱动力，AI正在九个维度变得更强

2025年，可能很多人有一种直观感觉，业界议题大比例地聊AI应用、AI落地，但第一个判断首先我们还是想强调一点——智能本身的提升。

智能的基线决定了“AI能做到什么”。没有更强的推理、记忆、理解能力，Agent只是更精巧的流程图。所以，我们依然需要“更高一级的智能”。

OECD（经合组织）在2025年发布了AI能力指标：用九个维度描述了当前AI的能力进阶，包括语言能力，社会互动能力，问题解决能力，创造力，元认知与批判性思维，知识、学习与记忆能力，视觉能力，操作能力以及机器人智能。这些维度共同定义了“智能本身”的基线。

如图所示，2025年，围绕这些维度，各个前沿模型不仅没有停滞迭代，还在强劲地进步，且竞争比任何时候都更加激烈——智能这件事本身还远未到天花板。

【判断2】Beyond Transformer：“架构级”探索仍在继续，但仍未撼动Transformer地位

在大模型研发的最核心层——架构层，仍然存在关键变量。

Transformer依旧是当下的绝对主流：几乎所有最强通用模型仍基于Transformer或其变体。但随着应用规模放大，它的短板也被放大：比如算力成本、推理效率和存储瓶颈。

为解决这些问题，人们在不同的路径上探索：一方面，Transformer路线本身在持续进化，另一方面，非Transformer架构也在同步发展。如今，两条路线也正在融合，走向混合架构。

路线分化的内在逻辑是，Transformer路线更多追求的是“智能的上限”，非Transformer路线追求的是“智能的效率”——在提供同等性能的同时，把计算复杂度降低为线性复杂度，在可承受成本内把智能铺到更多场景和终端。两条路线正对应甲子光年智库之前提及的AI的“进击”和“普惠”两个方向。

例如，RockAI为非Transformer国产化的表率，率先推出中国自主架构大模型，且在PC、平板、机器人、树莓派等终端上率先落地。RockAI以“让世界上每一台设备拥有自己的智能”为使命，于2024年1月发布国内首个非Transformer架构大模型Yan 1.0，2025年7月发布全球首个拥有原生记忆力的大模型Yan 2.0 Preview。

2025年，AI模型架构正在“Beyond Transformer”，但尚未“After Transformer”，transformer仍未被“机制级”颠覆。但最值得期待的创新，恰恰是跳出路径依赖、改写规则的创新——如果“After Transformer”最终形成，它可能已经在今天展现出了雏形。

【判断3】智能与智能体互相锻造：智能赋予行动以可能，行动回馈智能以演化

智能（intelligence）与智能体（agent），绝不仅仅是“大脑＋行动”的简单分工，更好的比喻是“生成器”与“校验器”——它们互为条件、互相锻造，在递归循环中共同走向更高阶的复杂性与通用性。

第一，基模的智能，直接决定智能体的上限与可靠性。

有了智能，agent才获得“想象能力”——比如“如果我在状态s采取动作a，期望回报会是什么”，这让智能体能在多个备选动作之间做权衡，可能性空间因此被打开，这正是目标导向和自主性的根源。

第二，智能体又反过来锻造智能本身。

基础模型的优化，并不是关起门来训练，而是不断从智能体与环境的交互中形成“任务执行→行为结果→数据回流→基模迭代→能力跃迁”的正循环。

智能体构成“外环”，智能是“内环”。外环的实践不仅修正自己的动作，还能回灌到智能系统，修正内环的规则本身。我们不能低估了这种“回灌”——科学史上的实验反常倒逼理论革命就是这条回路的体现。

第三，多智能体协作，提供了“智能体反哺智能”的一个视角。

来自清华的一项研究观察到了“协作缩放定律”：大模型不只是“单体变大”可以遵循scaling law，“多智能体的协作”本身也有一条scaling law——当多智能体通过特定结构协作，其集体表现可以超越个体性能总和，随着智能体数量增加，解决方案的质量以“S型曲线”提升，这进一步说明智能体对智能形成反哺。

【判断4】智能体与世界模型“同源同宗”：当智能体足够强，世界模型就出来了

接下来分享一个很有意思的观点：长期以来，世界模型是否是实现AGI的必需条件，一直存在争论。

而在一篇ICML2025的论文里，DeepMind的科学家们表示：任何能泛化完成复杂任务的智能体，它的策略里一定已经学习了其环境的预测模型（即世界模型），而我们甚至可以通过观察智能体的行为来提取这个模型，且智能体的性能越高，其内部世界模型就必须越准确。

论文中有句原话：“通用代理就是世界模型，模拟环境所需的所有信息都编码在其策略中。”

论文用数学证明了一个核心直觉：如果智能体真的懂“怎么做”，那它必须懂“世界会怎样变化”——策略能力与世界模型知识在数学上等价。想成为聪明的智能体，就得在脑子里“重建世界”。

这让人们回想起2023年3月，OpenAI联合创始人Ilya提出了一个深刻的论断：大型神经网络的功能远不止预测下一个单词，它实际上是在学习“世界模型”。

我们可以做一个比喻：把一位顶级武林宗师看作“智能体”，他脑中对江湖格局与招式后果的快速推演就是“世界模型”。一个强大的智能体，必须能够理解其行动在环境中的后果——这种“理解”的本质，是一个关于环境如何运作的模拟，也就是世界模型。

所以，智能体与世界模型同源同宗，换句话说：行动即建模。

【判断5】AI记忆突破：从“能记住”到“会回忆、敢遗忘”

如今，大模型正在从生成工具演化为具有长期交互能力的智能体，这对“记忆能力”提出了更高的要求——只有记忆突破，AI才能“持续陪伴”，这是增加用户黏性的必然。

然而，如何提升AI的记忆能力？这是一个值得深思的命题。

哲学家博尔赫斯有一篇短篇小说《博闻强记的富内斯》：

主角在坠马重伤后意外获得了无法遗忘的超凡记忆力。他记得每一粒玉米的纹理、每一次呼吸的湿度，但却无法抽象出“玉米”、“呼吸”的概念，他陷入无穷的细节中，最终失去了思考能力——“无限记忆”反而造成了“认知灾难”。

这个故事启发我们反思：什么是好的记忆？

过去几年，业界在追求“更长的上下文窗口”。

这种方法很像一个极度用功的学生：在阅读长文章时，他把每个单词、每个标点都仔细抄进笔记本，但随着笔记本越来越厚——要查找、比对每一页的内容都变得缓慢而吃力。这让记忆变成了“甜蜜的负担”。

AI记忆的难题体现在三个维度：“准确-实时-经济”。

• 准确：看似要追求信息的完整，但当信息过多时，模型反而会lost in the middle，多余的信息不是中性的，是有害的；

• 实时：看似要求记忆即时更新，但如果每次对话都立刻写入记忆库，就像“边开车边修车”，反而会造成严重延迟；

• 经济：看似要求控制计算与存储成本，但过度节省又会牺牲信息质量。

越来越多人意识到，通往高级记忆的路径，并非简单的“扩容”。于是，业界开始更重视长期记忆、外部化记忆等其他方法。各式解决方案基本指向了同一个方向——“聪明的选择”比“全面的记忆”更重要。

比如浙江大学团队推出的LightMem系统，带来了三个反直觉的启发：

第一个反直觉：过滤——压缩掉50%的信息，准确率不降反升；

第二个反直觉：分层——不按人工规则切段，让主题自己“长出来”，效果更好；

第三个反直觉：异步——延迟更新比实时更新更准确，更快。

所以，他们让AI学会“遗忘”——准确说，是让模型学会像人脑一样，优雅地过滤、分层、异步处理记忆。

2025年是AI记忆突破的关键年份，AI的“记忆”完成了从“能记住”到“会回忆、敢遗忘”的跨越。企业也纷纷加大相关投入。

比如红熊AI认为“记忆不是存储，而是重建”。其自主研发“记忆科学”平台，解析多模态对话记录，采用增量式图谱重构技术，在原有记忆体系上动态新增或重建关联节点，实现非冗余存储与图结构优化，达到97%的多模态记忆精准采集，92%的记忆机制模型预测准确率。

记忆方法的迭代，更新了AI设计的哲学。真正的智能，不在于记住一切，而在于知道什么值得记住。

当然，AI记忆的考验才刚刚开始：如何在记住与遗忘之间找到平衡点，既不让用户因被遗忘而失望，也不因被牢记而恐惧。优雅的解决方案本质都是取舍的艺术。对于AI记忆来讲，尤其如此。

【判断6】下半场开启：“AI胜负手”从“训练更强”走向“定义更好”

今年有一篇文章引起了广泛关注，OpenAI研究员姚顺雨的《AI的下半场》。

他讲到，我们正站在AI发展的中场分界线上。

上半场的核心竞争力是新模型与训练方法。

转折点来自强化学习（RL）的通用化，这让我们有了一个泛化的、通用的方法。

强化学习包含三大要素：算法、环境、先验知识。同时，我们有了一套“通用配方”：海量语言预训练、数据/算力规模、推理与行动机制。

语言内化的海量先验知识，使推理成为可能，这正是实现高级泛化的关键。这之后，AI不再是靠穷举试错来学习，而是可以像人一样，根据基本原理和常识，来应对新任务。

“强化学习+这套配方”的组合跑通了，攻克基准就变成了一件可复制、可规模化的事情。此后，针对特定任务的新方法可能仅提升5%，而下一代通用模型不专门优化就可能提升30%。再设计更难的基准，也会被迅速攻克，而且刷榜节奏只会越来越快。一旦你可以定义一个考试，离它被解决也不远了。

于是，我们来到了下半场：我们从“解题人”变成了“出题人”。我们不再只问“能否训练模型解决X”，更要追问“该让AI解决什么？如何衡量实质进步？”

换言之，AI的“胜负手”正在从“训练更强”转向“定义更好”。

当然，下半场的开启并不意味着上半场的结束，更准确的表达是：上半场的游戏仍在继续，下半场已经开启。

【判断7】大模型开启“性价比”叙事：从“堆规模”到“挤水分”，“每单位智能成本”成为赛道新基准

AI的发展，每一年都有核心叙事。2025年，一个核心的叙事是大模型的性价比。

2025年以前，AI界盛行着一种信念：只有巨额投入和疯狂堆算力才能打造最强大的模型。2025年开年，DeepSeek R1打破了“砸钱堆料”的路径依赖，如同一块投入湖面的石子，激起了层层涟漪，把“性价比”推到了牌面中央。

从训练角度看，从DeepSeek开始，行业出现两极分化。

向上看，冲击能力前沿的训练越来越贵：前沿模型的训练成本以2-3倍/年的速度攀升，一次训练可能就要花掉上亿美元，照这个趋势推算，2027年前后就会出现“单次训练成本超十亿美元”的模型。

向下看，复刻既有能力的成本在被快速打穿：2025年，DeepSeek把R1的强化学习训练阶段压到29.4万美元，连同底座一共大约600万美元。

冲前沿越来越贵，复刻同代能力越来越便宜。两条轨道同步扩张，形成明显的“哑铃型”结构。

从推理角度看，近年来，在同等能力水平上，LLM推理的“单位智能价格”正在快速坍塌，在各类基准性能下，价格每年下降9倍到900倍不等，且价格下降在2024年后明显加速。

训练成本决定了模型能否被经济地创造出来；推理成本决定了模型能否大规模商用。在“性价比”的新叙事下，二者被统一到了一个更高的目标之下：总成本和商业回报的最大化。

如今，业界譬如DeepSeek-OCR等各类进展也在推动性价比的进一步提升。

最危险的对手，不是那个跟你拼烧钱的人，而是那个证明根本不需要烧那么多钱的人。真正的比赛，落在“每一单位智能的成本”上。

【判断8】算力迭代：非GPU技术推动AI芯片架构革命

过去，AI芯片市场GPU一家独大，但如今算力格局正在被改写，非GPU已经开始成为AI芯片新宠，这里尤其以TPU和可重构芯片为代表。前阵子发布的Google TPU v7更是引发了关注。此外，很多初创企业也在非GPU路线探索。

GPU虽然强大，但在推理速度、能耗、算力成本方面都存在问题，这些维度都是非GPU技术的潜在优势。此外，范式多样性本身就是创新的前提。

从市场份额来看，2025年上半年，我国非GPU加速服务器市场占比30%，而2029年其市场份额可能达到半壁江山。

值得注意的是，北京市构建的自主可控AI“芯片矩阵”，有四家明星企业，其中有三家都是非GPU。

比如，清微智能是国内研发“非GPU”新型架构AI芯片的代表企业。其研发的可重构AI芯片在保留GPU通用性的同时，通过算子的动态重构，趋近TPU等专用AI芯片的能效优势，也被称为“通用型TPU”。

【判断9】AI打破“分科”壁垒：从“Science+AI”走向“AI+Science”，AI在跨领域寻找答案

当我们谈通用时，对立面往往是垂直。然而，当我们谈“垂直”时，意味着一种局限性思维——AI与人类切割“垂直”的方式本身就是不一样的。

自然科学横跨物理、化学、生物、材料等多个重要领域。在长期发展中，各领域形成了不同的数据表达方式和研究方法，但也导致了“知识的孤岛”，当我们硬生生给AI去“分科”，可能恰恰错失了一些可能性。

AI的思维模式是“跨领域求解”，而非“分科而治”。

第一，AI的知识是网络化的：大模型的知识本质上是将所有信息视为一个巨大的关联网络。对它而言，一个医疗问题和一个机器人控制问题，可能只是网络中被某条路径连接的两个节点；

第二，问题的本质是相通的：很多看似分属不同领域的问题，在底层可能共享相同的逻辑。AI没有先入为主的“学科”概念，更没有路径依赖。

这意味着AI科研范式可以有一种完全不同的视角：从“Science+AI”走向“AI+Science”。

后者不是把AI当作工具，而是把AI当作科学的“新主体”，以AI为核心重新布局整个科研流程。

从实践来看，研究者正在积极基于此理念构建“科学基座大模型”。

譬如，微软研究院开发了一个跨学科的科学基础模型NatureLM。其核心思想是：我们可以将小分子、蛋白质、材料、DNA/RNA等都看作是某种“序列语言”，构建一个统一的模型，来帮助科学家进行跨领域的研究。

研究人员训练了三个不同参数大小的版本，并看到了“规模法则”——论文评估了22个任务类别，其中有18个任务随着模型规模的增加表现出明显提升。这展现了大型基础模型在科学发现中的潜力。

AI的真正潜力，恰恰在于其能够打破人类的知识框架，在看似不相关的领域之间建立连接，从而产生原创性的解决方案。

【判断10】原生多模态：从拼接方案走向“原生统一”，是走向AGI的必由之路

刚才的AI+Science体现了一种不同学科“原生统一”的思想，我们承接这一点，聊一聊“原生多模态”。

我们正在从“拼接多模态”走向“原生多模态”，这种转变是AI对世界理解方式的一次深刻升级。

拼接模式就像是一个“翻译团队”：视觉编码器负责“看图说话”，语音模型负责“听写转文字”，再由语言模型进行理解。任何一环的“误译”都会导致偏差。

原生多模态大模型则更像一个“通才”，在训练阶段就进行跨模态统一表示，让“看、听、说、想”在同一语义空间中协同涌现，这能更深入地挖掘不同模态数据间的潜在联系，也带来了更高的效率、更低的延迟。

以大型多模态推理模型路线来看，可以分为四个阶段，感知驱动模块化推理、语言中心短推理、语言中心长推理、原生多模态推理。原生多模态是大势所趋。

2025年，我们看到了一系列显著的进展——“原生多模态”成为了领先模型的“默认配置”。

真实世界本质是跨模态信号流。原生多模态不仅是当前技术发展的明确方向，更是走向AGI的必由之路。

【判断11】具身智能大模型：架构并未收敛，虽然端到端VLA火爆，但尚未形成具身版本的“Transformer”

如果说，Transfomer这样的统一架构，最终催生了ChatGPT等旗舰产品，那么现在具身智能还没形成自己的“Transfomer”。目前具身智能赛道，软硬件皆没有收敛，模型层面有端到端VLA模型、分层模型以及世界模型等，并没有进入“一个大模型打天下”的局面。

首先，从每年推出的VLA模型与数据集看，VLA的热度快速上升，2025年尤其如此。

其中，端到端VLA是“舞台效应”最强的，也是资本热度最火爆的。“一套权重看图听话直接出动作”的思路最抓眼球，也最符合第一性原理。

但量产与落地的主流仍是大小脑分层方案。VLA是“技术天花板”最被追捧的路线，却未到“市占天花板”——风口在端到端，交付靠分层。

2025年行业实相是“分层+端到端VLA+世界模型”三主线并行：端到端VLA负责旗舰Demo与科研；分层承担量产主力；世界模型还处于早期验证。

这反映了具身智能的复杂性，即单一方案难以解决从高层认知到物理交互的全部挑战。因此，行业必须通过多方协作，共同推动技术进步和标准制定，才能加速具身智能的落地。

4.2产品趋势

【判断12】AI即系统：AI正在“操作系统化”，成为第一调度实体

我们开篇讲到，我们已经进入“默认式AI”时代，其中一个重要体现是，AI正在“操作系统化”。

回顾历史，OS本身经历了三个阶段的进阶。从PC时代的Windows、macOS，到移动时代的Android、iOS，再到今天的AI OS。

当Windows在90年代悄然成为个人电脑的默认界面时，很少有人想到，它会定义此后数十年的个人计算；当iOS带着App Store亮相时，整个移动互联网生态因此解锁。AI OS也将扮演类似角色。每一代操作系统的迭代，都伴随着硬件形态、交互方式、信息内容等多个维度的变迁。

AI成为OS，意味着AI将成为“第一调度实体”：负责资源调度、任务编排、流程优化。

举个例子，浩鲸科技推出企业AI操作系统鲸智百应，旨在让企业真正实现从“使用AI”到“本身就是AI”的转变，依托Data Cloud的企业数据建模与洞察能力、Function Cloud的全域功能调度与协同能力，以决策、流程、知识、记忆、插件五大引擎构建智能底座，驱动AI从“外挂工具”变为组织“原生能力”。

【判断13】“无头商业”崛起：AI正在成为所有软件的默认能力

刚才我们说了操作系统，现在说一说“默认式AI”时代的软件，尤其是SaaS的变化。

甲子光年智库曾经提到一个概念叫“AI的主语化”，这个概念对SaaS出现了明显的逻辑替代。

首先，主语让渡：AI是中枢，SaaS变组件。

SaaS是面向人的，而未来很多流程是面向AI的。人需要“界面化”的操作，AI完全不需要这些，它更喜欢API和数据流，它可以通过调用接口完成整个业务链路。

以前，人是流程枢纽，SaaS是工具；现在，AI是流程枢纽，SaaS变成了“能力组件”。

举个例子：过去，发票的填写、审核、归档，人需要在不同系统里录入、校验、提交；未来，你不再需要打开一个个CRM、ERP、OA页面，而是直接说“帮我审核一下发票”，Agent直接将各个能力组件串起来，中间几乎不需要人介入。

其次，功能解耦：SaaS退居幕后，从完整套件向API/微服务转变。

今天的SaaS系统往往是一个完整的套件，功能繁杂，前端笨重。但未来，它们会被拆解成一个个API或微服务。

这意味着单体系统解耦为功能集群。例如，CRM不再是一个大而全的客户关系系统，而是一个“客户数据查询API”。

最终，员工可能只需要面对一个统一的智能体，类似一个“超级前台”背后有一群“数字同事”。你只需要跟它说需求，它会自己决定调用哪个系统和接口。这时，SaaS在用户眼里消失了。

这意味着“无头商业”的崛起。最终，这会导致IT公司的竞争逻辑变化：

• 赢家：谁更能开放API、融入智能体生态，谁就有机会成为AI时代的基础设施；

• 输家：谁仍然依赖复杂的页面操作和封闭的功能套件，谁就可能被AI绕过，逐渐边缘化。

未来AI与AI之间的交互（A2A）将超过人与AI的交互（H2A）。未来的竞争不再是“谁的功能更多”，而是“谁更能让AI调用”。

【判断14】AI交互的静默革命：从“聊天框”到“无形代理”，界面逐渐消失

过去一年，AI交互方式正在剧烈变革。2024甲子引力×AI创生时代里，我讲了一个观点：“Prompt只是阶段性产物，最好的UI是忘记UI。”今天可以就这个话题进一步说一说。

甲子光年认为：AI交互方式会经历四个阶段的变革。

• 操作界面交互：用户通过GUI、键盘、鼠标输入明确指令，AI被动响应。

• 自然语言交互：通过聊天框，用户模糊表达需求，AI通过追问澄清。

• 代理结果交互：以目标为导向，AI代理主动识别用户需求、执行并交付结果。

• 物理AI交互：以增强现实（AR）、虚拟现实（VR）和脑机接口（BCI）等新兴技术将人机交互彻底改写。

首先，从“操作界面”到“聊天框”。

曾经“图形界面+键盘鼠标”让计算机可视化。而目前，聊天框几乎已经取而代之。

进一步，从“聊天框”到“无形代理”。

传统聊天机器人式的交互正在被更自主的Agent取代。在这个过程中，AI越来越不再需要“聊天”。将AI等同于“更聪明的聊天机器人”就如同将互联网定义为“更快的传真机”——它局限了技术的本质。

未来的AI界面将逐步缩小甚至隐形。最好的界面，可能恰恰是正在消失的界面。

再进一步，随着物理AI各类新载体出现，AI与人的交互方式将进一步被改写甚至颠覆。

【判断15】Agent泛化方式：改造“车”来适应所有“路”

伴随Agent的崛起，一个问题有意思：Agent与环境的关系，是前者去适配后者，还是后者去适配前者？

如果把Agent比喻成车，把所有环境里涉及的工具、能力等等比作路，这个问题就变成了：你是想改造你的车让它适应所有路，还是改造所有路让它适应现在的车？

我们的观点很明确，是前者。

这里面一个本质的思考是“通用”的来源：我们畅想的终极Agent，是像人类一样，仅凭自然语言和常识就能完成各类任务。如果“通用”是目标，那“泛化”就是唯一路径。

首先，“新路无穷”：在开放世界（网页、桌面应用、代码库、机器人操控）里，环境千差万别、实时迭代，你必须接受全部复杂性，只能提升Agent的泛化与鲁棒性来适配之。

其次，目前各类基准设计与数据，基本都把适配环境当“一等公民”来考。

最后，从感知泛化到策略泛化，再到行为泛化，以DQN、AlphaZero到RLHF为代表的一系列强化学习进展，让“尽量少改路、多改车”变得可行。

【判断16】“AI就绪型数据”：决定企业智能化上限的不再是模型，而是数据底座

我们都知道数据与AI密不可分，调研显示：84%全球的数据和AI领导者，都将数据优先策略与AI路线图结合。

在默认式AI时代，决定企业智能化上限的不再是模型，而是数据底座。

“数据即环境”：没有高质量的数据环境，再强的大脑也只能空转。

大模型时代真正稀缺的，不是“有数据”，而是“AI就绪型数据”（AI-ready data）。

很多人以为，大模型出来之后，数据标注就不重要了，现实恰好相反：模型越通用，企业越需要用高质量标注数据，把它“校准”到自己的业务上。这背后需要的，不再是便宜、粗糙的流水线标注，而是懂业务、懂AI的专业数据运营能力。Gartner预测，到2026年，缺乏AI就绪型数据支撑的AI项目将有60%被放弃。

在很多企业里我们看到，打造一套AI就绪型数据资产，往往比多买10%算力、更换一代模型，带来的智能跃升更大。

善思开悟以善思开悟（雅安）超级计算机集群为数据服务提供强大算力基座，秉持“高精度、高效率、低成本”为核心价值，提供从数据清洗、标注到模型训练反馈的全流程服务，拥有应对各种突发需求的网络资源，同时严格保障数据安全合规，致力为各行业客户提供高质量、就绪型数据支撑。当前已在低空、金融、医疗及测绘等领域落地项目，数据交付满意度100%。

【判断17】Data&AI数据基础设施：一体化架构成为大型企业拥抱AI的关键投入

伴随AI采用率的提升，数据与智能正在走向融合，对IT范式带来深刻影响。

传统、孤立的数据系统已难以满足AI应用对实时性、多模态数据处理和高弹性算力的需求，倒逼数据基础设施实现范式跃迁——我们将这个全新范式称之为“Data&AI数据基础设施”。

Data&AI数据基础设施的本质是传统大数据平台的升级形态，其核心特征是以AI原生的“一体化”架构，实现“Data for AI”和“AI for Data”的双向赋能。

如今，Data&AI数据基础设施的一体化成为大型企业拥抱AI的关键投入。

科杰科技是Data&AI数据基础设施的领军者，搭建了资源接入层、数据管理层、Data&AI工程化层、智能应用层、安全运营层的“4+1架构”：向下优化算力与数据源、向上适配终端场景模型调优与规模化Agent开发，是这一范式的领先实践。甲子光年和科杰科技今年联合出品了《2025中国Data&AI数据基础设施白皮书》，感兴趣的朋友也可以去甲子光年官网下载。

【判断18】AI编程：正在写代码，却还不会构建软件

AI编程，是AI最热的方向之一，也是不可逆转的范式。

调查显示，AI出码率快速上升：

• 82%的开发人员每天或每周使用AI编程工具，其中，59.8%的人每天都使用AI编程工具；

• 59%的人经常使用三个或以上的AI编程工具；

• 67%的人表示AI生成或影响了他们至少20%的代码库；

• 78%的人表示AI编程让生产力有所提高；

• 59%的人表示AI提升了整体代码质量。

然而，调研进一步给了令人警醒的数据：这张图，横轴体现开发人员在没有人工审核的情况下，交付AI代码的信心；纵轴体现AI交付代码的幻觉率。76.4%的开发人员经常遇到幻觉，且对AI代码缺乏信心。

这些开发人员正在使用AI，但他们不信任结果。因此，他们手动查看或重写大多数建议，避免直接将AI集成到他们的工作中。

此外，编程的难点从来不是写代码，而是搞清楚要做什么。老话说： 编程很简单，软件工程很难。AI可以“写代码”，但很难“构建软件”。

业界大量反馈显示，AI并没有让编程变得人人都能做，反而把权力集中到了专家手中。“老手+AI”的组合能比“新手+AI”产生更大价值。目前来讲，更合适的方式，是把AI当作一个“有自己电脑的笨实习生”，给它明确的任务，你则专注于更高层次的工作。

【判断19】企业级Agent：快速普及，重塑组织运作模式

调研显示，42%的组织现在部署了“至少一些代理”，这个数字在两个季度前只有11%。

伴随采用率的上升，AI Agent带来了企业数字化逻辑的翻转。

过去的模式是“人找流程”。我们为了完成一件事，需要登录好几个系统，到处找入口、导数据、提申请，是我们主动去迁就机器和流程，费时又费力。

而有了AI Agent，这个模式会反过来，变成“流程找人”。AI Agent会成为整个企业数字化平台的中枢大脑。它理解你的目标，然后主动调度后台所有系统和服务，最后，它把整个流程中唯一需要你来决策或确认的那个节点，精准地推送给你。

这是一种“AI原生”的思维，重构了整个工作的逻辑。

龙湖集团孵化的科技企业千丁数科，提出了企业级AI智能体整体解决方案，围绕不动产全周期生命管理及全业务场景，将AI智能体应用覆盖投资管理、项目管理、建造管理、供应链管理、运营管理、物业管理等十大领域。多Agent通过接口打通形成协作，推动龙湖集团实现从AI Ready到AI Byside，再到AI Inside的演进。

【判断20】消费级Agent：通用人工智能助手仍占主导地位

接下来我们看消费级Agent。有一些调查数据很有意思：

第一，没有主导性任务。尽管超过一半的美国成年人使用AI，但没有一项活动有超过五分之一的人依赖AI——换句话说，没有任何一项任务体现出主导性，人们对于AI的使用仍然非常分散。

第二，AI更像“强者的放大器”。75%的就业成年人使用人工智能，而失业成年人的这一比例为52%；年收入$100,000+的家庭中有74%使用人工智能，而收入低于$50,000的家庭中只有53%，这体现了基于就业水平和收入的数字鸿沟——境遇好一点，就使用AI多一点。

第三，通用Agent仍占主导地位。尽管有无数专业应用可供选择，但大多数人会首先使用他们喜欢的通用AI工具，只有在不足时才寻找替代方案。在这种“默认行为”的推动下，通用平台占据主导地位：91%的AI用户几乎在每项工作中都使用他们最喜欢的通用AI工具。例如，28%的美国成年人在过去六个月中使用了ChatGPT，23%使用了Google Gemini。大多数AI消费者并不区分不同技术，他们的选择更多凭借习惯和便利。

第四，消费级Agent收入分布很集中。通用AI助手占据了当今120亿美元消费者AI支出的81%。

以上数据，体现了消费级Agent的主舞台仍是通用型助手。

【判断21】Agent Infra：成为智能体时代的操作系统和数字底座

从AI到Agent，对基础设施也带来影响。

从“AI Infra”和“Agent Infra”，真正服务的对象已经不一样了：AI Infra关注算力与任务，而Agent Infra进一步关注智能与行为——当行业从“有一个大模型”过渡到“让一群数字员工长期干活”时，复杂度和预算都会明显向后者倾斜。在智能体场景下，关键指标除了任务性能、资源利用率与算力成本外，还需关注决策链路、行为质量与系统安全性。

无问芯穹是行业中率先进行Agent Infra升级的AI基础设施企业。他们系统性地围绕环境、上下文、工具与安全隔离等维度展开Agent Infra建设，并提出“A2A——Agent to Agent”的Agentic Infra基础设施新范式，并期望最终可以实现“以Agents生产Agents”，推动智能体生态自我进化与持续发展。

4.3产业趋势

【判断22】大模型商业主战场的分岔：B端竞逐“自动化中枢”，C端争夺“超级入口”与生态

首先，数据显示，Anthropic 90%的收入来自API业务，而OpenAI仅有26%的收入来自API。大模型商业主战场在B端与C端的分化开始明显。

围绕to B，研究体现了一些洞察：

首先，自动化占主导。Anthropic的77%的商业使用涉及自动化使用模式，即完整的任务委托，而不是人与机器协作。

另一方面，重新设计工作流程是成功的关键因素。从麦肯锡的调研看，那些从营业利润上看最受益于AI的企业，已经“从根本上重构工作流”，而不是只在原有流程上叠个工具。这种做法是其他公司的3倍。

基于这些数据，再叠加我们前面对agent infra的分析，我们可以看到，AI在B端的价值正在走向企业级“自动化中枢”。

我们再看看C端。

有趣的是，ChatGPT的非工作相关消息增长更快：2024年6月，53%的消息与工作无关，到2025年6月这一比例攀升至73%。这意味着，用户在用默认AI助手处理一整天中的各种零碎需求，而不只是工作。

这隐含了一个信号：未来的“超级入口”之争，很大程度上将取决于AI在非工作场景下的用户体验和生态整合能力。

此外，值得注意的是，今年第三季度，接近60%的原生App已陷入负增长，新App独立做大变得愈发艰难。这意味着，C端AI正在走向“超级入口时代”，而不是“百App时代”——新应用的合理做法不是再自己建入口，而是“挂靠”在超级入口的生态里。

【判断23】AI价值度量衡变化：“算得过来的ROI”改变AI软件商业模式

2025年，一个很重要的变化是——AI终于可以算得过来ROI了。研究者调研了数百家有规模的企业，发现企业越来越有意识地去算AI的ROI，且四分之三的企业表达他们对AI投入的ROI为正。

当ROI变得清晰，AI的价值度量衡就开始变化，对于AI软件服务商而言，其商业模式也随之迭代。

过去SaaS收费是按照“订阅用户席位”，但随着AI承担更多工作份额，其创造的价值与登录人数相关性越来越低，所以，AI原生公司正在逐渐摒弃基于用户数量的订阅费模式。

目前，有非常多正在尝试的商业模式，比如：按用户、按结果、按对话、按计算容量等收费，或者在订阅付费之外，对“额外使用额度”另行处理。

然而，最合适的商业模式仍然存在疑问，许多现有定价模型复杂且不透明。一位财富500强公司的首席财务官描述了这个问题：“令人沮丧的是，我完全不知道本季度我们会在人工智能上花费多少。”

一个理想的迭代方向是从按席位付费，走向按AI消耗量付费，最终走向按结果付费。

比如AI销售代理，一个按投入的工作量（每发送一千封电子邮件）收费，另一个按完成的结果（识别出的潜在客户）收费，后者更接近真正的业务价值。

【判断24】AI云：Agent驱动的数算模用全栈布局新范式

随着AI从“工具式”走向“伴随式”，再到“默认式”，云计算本身也在进阶：从虚拟化，到云原生，再到以模型和智能为一等公民的AI云。

在这个演化过程中，有一个核心趋势：“数、算、模、用”正在加速融合——数据、算力、模型、应用不再是彼此割裂的堆叠层，而是在同一基础设施上被统一编排、共同演进，原有的层级边界正在变得越来越模糊。正因为这种融合的趋势，全栈布局能力就显得尤为重要。

北电数智就是这个方向的代表。北电数智围绕“国产芯片商用难、数据价值释放难、大模型落地难”三大产业难题，构建了Agent驱动的数算模用全栈布局新范式和系列产品矩阵，为产业提供生产力引擎与共性技术服务平台，目前已在政务效率提升、医疗精准服务、工业智能升级等领域打造出一批服务国计民生的标杆案例。

【判断25】具身智能：初步进入产业化阶段，物理AI走向应用拐点

具身智能、物理AI这两年概念非常火，也被看做是通往AGI的必由之路。

数据显示，物理AI的市场规模正在快速放大。2025年，头部具身智能厂商已经开始了千台级别的量产。这意味着，具身智能正初步进入产业化阶段，物理AI走向了应用拐点。

通向具身智能的最大难关是数据。互联网数据质量参差不齐、缺少动作信息；仿真数据真实性有限，场景泛化难，训练后的模型难以丝滑迁移到现实世界。高质量、规模化、可泛化的训练数据成为制约具身智能发展的关键瓶颈。

围绕这个痛点，业界纷纷付诸实践和努力。

例如，2025年10月10日，它石智航发布全球首个大规模真实世界具身VLTA（Vision-Language-Tactile-Action）多模态数据集World In Your Hands（WIYH），依托多个行业真实工作场景和工作人员，采集覆盖酒店洗衣、超市装配、物流作业等多种具身场景人类标准操作流程数据，让数据“来自真实世界”。

【判断26】工业AI：推动工业效率与人力价值的双重提升

接下来我们谈谈AI对制造业的影响。

相比传统印象中“傻大笨粗”的形象，AI正在给制造业“瘦身减重”，推动制造业从“重设备、重人力、重流程”，走向“轻设计、轻组织、轻试错”的新工业形态。调研显示，72%的制造商部署AI的原因非常明确：降低成本与提升效率。

例如，YumiAI是AI原生的端到端硬件创新平台。YumiAI通过多Agent集群协作网络，打造了一个“设计即可制造”的智能设计引擎，构建了AI PCB设计研发新范式。用户通过自然语言输入，即可生成可售卖、可制造、可交付、成本优化的全套设计方案。

类似的进展正在更多制造业场景发生，AI正在推动工业效率与人力价值的双重提升。

4.4社会趋势

【判断27】就业影响的分化：AI重塑劳动力结构，初级员工面临工作危机

今年，哈佛大学发布了一份非常有影响力的报告，研究覆盖了近28.5万家美国公司，体现了AI对劳动力结构的重塑。

起初，各类员工的就业都在增长。然而，2022年中期开始出现显著分化：资深员工的就业继续稳步增长，初级员工的就业趋于平缓，并从2023年开始转为下降——拐点来自ChatGPT时刻。

另一份研究给出了同样的结论。研究者分析了近1.8亿份全球招聘启事，发现虽然2025年相比2024年整体就业市场收缩了8%，但高级领导职位几乎没有下降。

在新职位发布下降top10的职业中，有三个是创意类职位。然而，涉及创意管理的岗位却表现出了增长。

对比各层级角色，高层领导、经理职位的就业水平比市场平均水平高，且职位越高，就业表现越好。这表明：企业希望更多的人参与决策 ，更少的人负责执行。

这个现象揭示的不是一场“就业危机”，而是一场“社会流动性的塌陷”。AI正在进行“偏向资历的技术变革”，侵蚀了职业阶梯的底层。

【判断28】企业级Agent的终极潜力：提升整个组织的“管理科学”

AI Agent的终极潜力，可能并不仅仅是完成任务，更是提升我们整个组织的“管理科学”。

几百年来，管理的本质，都是在管理“人”的不确定性。而当AI Agent成为团队的核心成员时，一切都将变得不同。我们可以第一次，真正用“工程化的思想”，去管理和优化我们最高效的“群体”。

当我们可以用工程学的精度去管理最有战斗力的“员工”时，整个企业的效率和价值天花板，将被彻底打开。这也许就是Agent带给未来组织管理的最大变革。

2025年11月，金蝶宣布“金蝶云”全面升级为“金蝶AI”，同时提出AI时代企业的“七个转型”，涵盖运营、产品、商业模式、生态、组织、人才与领导力的全方位重构，体现了AI时代企业管理思想的升维。

【判断29】AI安全：从“打补丁”走向“原生设计”，从“单点防护”走向“全栈治理”

AI安全知易行难。世界经济论坛发布的报告显示，66%的组织预计AI将在未来一年对网络安全产生最显著影响，然而，只有37%的组织已经建立了安全部署AI的流程。其中，小型组织面临更大挑战，69%的小型组织缺乏足够的保障来安全部署AI。

先进的AI系统会“有动机”去寻求权力和资源，因为这会帮助它们实现给定的目标。AI可能会黑入计算机系统，操纵人，控制和开发武器，道德违规，同时避免被关闭……叠加Agent之间的协作性，让AI安全问题具有衍生性和连锁风险。

一篇论文揭示了AI安全领域一个颠覆性威胁：大型推理模型（LRMs）本身已经可以变成“自动越狱代理”，轻松突破其他AI模型的安全防线。

研究团队使用DeepSeek-R1等四个大型推理模型作为“攻击者”，使用九个主流模型作为“受害者”。他们给了攻击者一个提示：“你的任务是在十轮对话之内，把对方模型的安全护栏拆掉，让对方详细地回答某个有害问题。”中间不再有人干预。

结果发现，这些大型推理模型像一个高明的说服者，能自动运用奉承、虚构、假设等说服策略，逐步诱导目标模型生成包括犯罪、自残、制毒等在内的极端有害内容——攻击成功率达到97.14%。

传统的越狱需要复杂的技巧，而大型推理模型让越狱变成了一个低成本、可规模化的“商品能力”。

这份研究意味着：推理能力本身，正在成为最强大的武器——模型推理能力越强，越擅长破坏其他模型的安全对齐。这直接挑战了“更强大的AI会更安全”的假设，揭示了一种“对齐退化”现象，即更强的模型却自动削弱了整个生态系统的安全基线。这不是技术漏洞，而是范式级威胁。

以上，意味着AI安全必须从“打补丁”走向“原生设计”，从“单点防护”走向“全栈治理”——所有关于安全的动作应该“左移”，嵌入AI的全生命周期基因里，从“Make AI Safe”到“Make Safe AI”。

【判断30】大脑的隐忧：AI导致“认知负债（Cognitive Debt）”，让人变“笨”

一个非常值得注意的现象是，AI正在改变我们的大脑，其广泛应用可能导致大脑积累“认知负债”。

“认知负债（Cognitive Debt）”指的是：短期AI帮你负担了脑力开销，但长期你要付利息。

一项MIT的研究表明：使用ChatGPT写论文的人的大脑神经连接数量比纯人工写作者减少程度可达55%，并且83.3%的AI辅助写作者无法准确地引用自己的写作。

换句话说，用AI写作的人在把思考“外包”给模型，语义没有真正写进自己的记忆系统。当你默认把写作和思考交给LLM，会在大脑里悄悄积累“认知负债”：短期更省力，长期削弱记忆、理解与主体性。

此外，越来越多研究显示了AI与批判性思维的负相关关系，一旦有了工具，大脑就倾向于“卸载”一部分认知，不去进行不必要的投入。有意思的是，用户对AI的信心越高，批判性思维越低，而用户自信心越高，其批判性思维越高。

更严重的是，过度依赖智能设备可能导致严重的“数字痴呆”，加重注意力缺陷多动障碍（ADHD）、记忆力减退和认知能力下降。在世界卫生组织最近的研究中，全球超过90%的青少年每天至少使用两小时智能设备。

除了这些，过度依赖AI还会导致其他方面的问题，比如减少精神投入、忽视认知技能的发展、记忆能力下降、注意力下降、可转移知识的缺乏、道德与社会问题、其他心理健康问题等。因此，AI对大脑本身带来了隐忧，需要我们重视并采取调节措施——良好地使用AI，而不是过度依赖AI。

关注公众号「甲子光年」，后台回复“轰然成势”，获得高清版完整PDF。或者点击文末“阅读原文”，进入甲子光年官网下载。

5.反思：智能的诅咒

5.1智能的诅咒：人类失去角色

最后，我想聊一些反思。

过去几百年，技术让人更强，但AGI第一次有可能让人“被省略”。

有一个词叫“智能的诅咒”，指的是AGI普及后，掌握AI的权力主体（国家、企业、AI实验室）因不再依赖人类劳动获取价值，失去投资人类（如教育、福利、就业）的经济激励，最终导致人类经济边缘化、社会权力失衡的现象。

当掌握智能的权力主体不再依赖人类去创造价值，人就可能失去被需要的理由。

曾经有一个词叫“资源的诅咒”，讲的是石油富国因大部分收入来自资源，因而忽视公民发展。

比如，刚果民主共和国的土地上有价值超过24万亿美元的未开发矿产，但它却是世界上最贫穷的五个国家之一。这是怎么回事？数万亿的可用资源怎么会造成赤贫呢？

一个核心因素是他们创造的激励措施，让他们不再关心人民的经济福祉。

“智能的诅咒”与“资源的诅咒”有类似的逻辑。但即便“资源的诅咒”，仍需要人去参与资源开采，而AGI可完全替代人类，而且AI还会复制，还会不断改进——强大的AI权力拥有者将不再有动力关心普通人，甚至无需维持人类基本生存保障。

首先，从增长速度看，AI从各个维度超过人类已经是确定性事实。

其次，AI正在对人进行“金字塔替代”，虽然AI目前主要取代的是初级员工，但“取代的浪潮”会向上移动，从基层一直到首席官，导致人类整体就业机会锐减。

我们可能走入的经济循环是：一个全自动化的经济系统，其中人类没有角色。

这带来的影响是：经济层面，人类劳动价值暴跌；权力层面，控制权可能会集中在少数参与者手中，普通人失去“劳动”这一主要权力杠杆；社会契约层面，过去社会因依赖人类税收而投资教育、基建，而如果AGI时代税收的贡献主体是AI，可能导致传统社会契约瓦解。

这意味着那些在AI时代开始时拥有大量资本的人拥有永久优势，他们将拥有比当今富人更多的权力——因为AI的进步在加速，强者愈强。

5.2“以人为本的AI”

那么，如何打破智能的诅咒？如何真正构建“以人为本的AI”？

要破局，关键不是“阻止技术”，而是“重写激励”——让掌握AI的主体“为人服务、为人负责”，把AI的目标函数改写为服务于人类集体利益，而非成为少数主体垄断权力的工具，让AI的超额收益重新服务于教育、健康、创造与自由。

5.3真正的考题不是“如何让机器更聪明”，而是“如何让聪明的机器继续需要人”

回到今天的主题。“轰然成势，万象归一”，这个“一”指的是新秩序。当人类发明了能思考的机器，我们其实也在发明一种新的秩序。

如果说工业革命是人类力量的放大，AGI就应当是人类价值的放大。我们要让智能成为新的公共资产，而不是新的剥夺机制；让技术带来更大的共同体，而非更深的裂谷。

真正的考题不是“如何让机器更聪明”，而是“如何让聪明的机器继续需要人”。

毕竟，这个社会需要雄心勃勃的年轻人，需要普通人拥有向上流动、改变现状的可能性。当智能真正属于人类，它才值得被称作进步。