張一甲：2025人工智能產業30條判斷 | 甲子光年

2025年12月3日，中國科技產業智庫「甲子光年」在北京·萬達文華酒店舉辦「2025甲子引力年終盛典」。甲子光年創始人&CEO張一甲重磅發布主題報告《轟然成勢 萬象歸一：2025人工智能產業30條判斷》。以下為報告詳細內容。

關注公眾號「甲子光年」，后臺回復“轟然成勢”，獲得高清版完整PDF。或者點擊文末“閱讀原文”，進入甲子光年官網下載。

目錄

1.過去一年，AI發生了什么？

2.此刻：轟然成勢，萬象歸一

2.1轟然成勢，萬象歸一

今年的主題是“轟然成勢，萬象歸一”，我先解釋一下為什么用這八個字作為主題。

如果一個人在十年前沉入夢鄉，今天剛剛蘇醒，他或許會覺得人工智能是一個憑空降臨的龐然大物。

一覺醒來，仿佛世界被重新編碼。它無處不在：能寫文章、能編曲、能設計、能編程，在企業中排班，在工廠里檢測，在課堂上教學，在醫院里診斷……仿佛這股力量，是在他沉睡的這些年里突兀而神秘地橫空出世。AI已經“轟然成勢”。閾值已至，其勢已成。

何為“勢”？

勢，不是單一參數的線性增長，而是復雜系統的能量耦合，多股力量同頻共振，將我們推過一個無可逆轉的臨界點。勢也并非憑空而來，它是長期積蓄后的“轟然顯形”，就像地震前的地殼運動——緩慢而堅決，某一刻地表的震動，只是深層能量早已堆積的結果。

從“算法可行”到“系統成勢”，這一路，是時間的壓強，也是集體意志的匯聚。

何為“萬象歸一”？

“歸一”不是指一切被統一為單一，不是消弭多樣性，而是對復雜性的更高維組織——在全新的經濟形態里，我們開始共享一種新的底層邏輯。

模型、算力、數據、應用，正融合為統一的經濟基礎；千行百業的痛點，正在“智能”這一命題下找到共解；政策、資本、產業與社會接受度，也必須形成新的協同。

2.2“轟然成勢”，是能量的臨界；“萬象歸一”，是秩序的自覺

“轟然成勢”，是能量的臨界；“萬象歸一”，是秩序的自覺。

“轟然成勢，萬象歸一”八個字，蘊含著智能革命從爆發到秩序的底層邏輯。

3.定義：“默認式AI（Default AI）”

3.1概念定義：默認式AI（Default AI）

這個底層邏輯是什么？

甲子光年將其定義為：默認式AI。

“默認式AI”（Default AI）：無需用戶主動選擇或感知，默認存在、默認開啟的人工智能形態。

——甲子光年

經歷了數年的爆發與重構，AI從“技術的奇觀”成為了“默認的存在”。它不再是實驗室里的驚嘆，而是社會的結構，是經濟系統的沉默底層。它不是“被使用的AI”，而是“自然而然存在的AI”。

3.2默認即智能：智能成為常態，AI走向日用而不覺

2023年我們感受到的AI是驚訝、嘗鮮；2024年我們感受到的AI是商業的拷問；2025年我們感受到的AI是一種“默認”——默認即智能：智能成為常態，AI走向日用而不覺。

如果我們打開一個網頁，沒有AI，你會覺得很奇怪；如果你的一位朋友沒有使用過AI，你會覺得很反常。

數據顯示：超過一半的美國成年人（61%）在過去六個月中使用過人工智能，近五分之一的人每天都依賴人工智能。

3.3默認式AI特征：關閉才是例外，不用才是例外，不會才是例外

“默認式AI”具有三大特征：

1.非選擇性（Non-optional）：用戶不再“決定是否使用AI”，而是在日常操作中自動與AI交互。例如：輸入框默認AI補全、相機默認AI識別、搜索結果默認AI重寫。

2.低感知（Invisible）：AI的參與被隱形化和底層化，用戶甚至不察覺AI在起作用。例如：iPhone照片自動分類、郵件的智能排序、文檔自動摘要。

3.系統綁定（System-integrated）：AI不以獨立應用的形式存在，而是嵌入操作系統、平臺或設備的基礎層。例如：Windows Copilot、Apple Intelligence。

3.4AI社會化三階段：工具式AI→伴隨式AI→默認式AI

默認式AI（Default AI）是人工智能社會化演進的第三階段。

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

階段2：伴隨式AI（Assistive AI）——AI是“共同工作的伙伴”，強調“AI在幫我”。

階段3：默認式AI（Default AI）——AI是“世界的底層邏輯”，強調“AI就在那兒”。

當一項技術成為“默認式”的，意味著它已經深度嵌入社會結構，具備了不可逆性——即使后續技術路線更迭，甚至經歷商業泡沫，但這個時代依然開啟了——就像互聯網曲曲折折，也經歷過互聯網泡沫，但互聯網時代依然不可逆地繼續推進著。

今天來看，AI也進入了這樣一個時代。它從“被使用”變為“被預設”，成為了所有人的戰略前置。剛才所說，“轟然成勢，萬象歸一”，而“默認式AI”，正是這個“一”的內涵。

接下來，我們看具體的判斷。

關注公眾號「甲子光年」，后臺回復“轟然成勢”，獲得高清版完整PDF。或者點擊文末“閱讀原文”，進入甲子光年官網下載。

4.2025年全球人工智能發展趨勢30條判斷

4.1技術趨勢

【判斷1】“智能基線”的提升：仍是AI本質驅動力，AI正在九個維度變得更強

2025年，可能很多人有一種直觀感覺，業界議題大比例地聊AI應用、AI落地，但第一個判斷首先我們還是想強調一點——智能本身的提升。

智能的基線決定了“AI能做到什么”。沒有更強的推理、記憶、理解能力，Agent只是更精巧的流程圖。所以，我們依然需要“更高一級的智能”。

OECD（經合組織）在2025年發布了AI能力指標：用九個維度描述了當前AI的能力進階，包括語言能力，社會互動能力，問題解決能力，創造力，元認知與批判性思維，知識、學習與記憶能力，視覺能力，操作能力以及機器人智能。這些維度共同定義了“智能本身”的基線。

如圖所示，2025年，圍繞這些維度，各個前沿模型不僅沒有停滯迭代，還在強勁地進步，且競爭比任何時候都更加激烈——智能這件事本身還遠未到天花板。

【判斷2】Beyond Transformer：“架構級”探索仍在繼續，但仍未撼動Transformer地位

在大模型研發的最核心層——架構層，仍然存在關鍵變量。

Transformer依舊是當下的絕對主流：幾乎所有最強通用模型仍基于Transformer或其變體。但隨著應用規模放大，它的短板也被放大：比如算力成本、推理效率和存儲瓶頸。

為解決這些問題，人們在不同的路徑上探索：一方面，Transformer路線本身在持續進化，另一方面，非Transformer架構也在同步發展。如今，兩條路線也正在融合，走向混合架構。

路線分化的內在邏輯是，Transformer路線更多追求的是“智能的上限”，非Transformer路線追求的是“智能的效率”——在提供同等性能的同時，把計算復雜度降低為線性復雜度，在可承受成本內把智能鋪到更多場景和終端。兩條路線正對應甲子光年智庫之前提及的AI的“進擊”和“普惠”兩個方向。

例如，RockAI為非Transformer國產化的表率，率先推出中國自主架構大模型，且在PC、平板、機器人、樹莓派等終端上率先落地。RockAI以“讓世界上每一臺設備擁有自己的智能”為使命，于2024年1月發布國內首個非Transformer架構大模型Yan 1.0，2025年7月發布全球首個擁有原生記憶力的大模型Yan 2.0 Preview。

2025年，AI模型架構正在“Beyond Transformer”，但尚未“After Transformer”，transformer仍未被“機制級”顛覆。但最值得期待的創新，恰恰是跳出路徑依賴、改寫規則的創新——如果“After Transformer”最終形成，它可能已經在今天展現出了雛形。

【判斷3】智能與智能體互相鍛造：智能賦予行動以可能，行動回饋智能以演化

智能（intelligence）與智能體（agent），絕不僅僅是“大腦＋行動”的簡單分工，更好的比喻是“生成器”與“校驗器”——它們互為條件、互相鍛造，在遞歸循環中共同走向更高階的復雜性與通用性。

第一，基模的智能，直接決定智能體的上限與可靠性。

有了智能，agent才獲得“想象能力”——比如“如果我在狀態s采取動作a，期望回報會是什么”，這讓智能體能在多個備選動作之間做權衡，可能性空間因此被打開，這正是目標導向和自主性的根源。

第二，智能體又反過來鍛造智能本身。

基礎模型的優化，并不是關起門來訓練，而是不斷從智能體與環境的交互中形成“任務執行→行為結果→數據回流→基模迭代→能力躍遷”的正循環。

智能體構成“外環”，智能是“內環”。外環的實踐不僅修正自己的動作，還能回灌到智能系統，修正內環的規則本身。我們不能低估了這種“回灌”——科學史上的實驗反常倒逼理論革命就是這條回路的體現。

第三，多智能體協作，提供了“智能體反哺智能”的一個視角。

來自清華的一項研究觀察到了“協作縮放定律”：大模型不只是“單體變大”可以遵循scaling law，“多智能體的協作”本身也有一條scaling law——當多智能體通過特定結構協作，其集體表現可以超越個體性能總和，隨著智能體數量增加，解決方案的質量以“S型曲線”提升，這進一步說明智能體對智能形成反哺。

【判斷4】智能體與世界模型“同源同宗”：當智能體足夠強，世界模型就出來了

接下來分享一個很有意思的觀點：長期以來，世界模型是否是實現AGI的必需條件，一直存在爭論。

而在一篇ICML2025的論文里，DeepMind的科學家們表示：任何能泛化完成復雜任務的智能體，它的策略里一定已經學習了其環境的預測模型（即世界模型），而我們甚至可以通過觀察智能體的行為來提取這個模型，且智能體的性能越高，其內部世界模型就必須越準確。

論文中有句原話：“通用代理就是世界模型，模擬環境所需的所有信息都編碼在其策略中。”

論文用數學證明了一個核心直覺：如果智能體真的懂“怎么做”，那它必須懂“世界會怎樣變化”——策略能力與世界模型知識在數學上等價。想成為聰明的智能體，就得在腦子里“重建世界”。

這讓人們回想起2023年3月，OpenAI聯合創始人Ilya提出了一個深刻的論斷：大型神經網絡的功能遠不止預測下一個單詞，它實際上是在學習“世界模型”。

我們可以做一個比喻：把一位頂級武林宗師看作“智能體”，他腦中對江湖格局與招式后果的快速推演就是“世界模型”。一個強大的智能體，必須能夠理解其行動在環境中的后果——這種“理解”的本質，是一個關于環境如何運作的模擬，也就是世界模型。

所以，智能體與世界模型同源同宗，換句話說：行動即建模。

【判斷5】AI記憶突破：從“能記住”到“會回憶、敢遺忘”

如今，大模型正在從生成工具演化為具有長期交互能力的智能體，這對“記憶能力”提出了更高的要求——只有記憶突破，AI才能“持續陪伴”，這是增加用戶黏性的必然。

然而，如何提升AI的記憶能力？這是一個值得深思的命題。

哲學家博爾赫斯有一篇短篇小說《博聞強記的富內斯》：

主角在墜馬重傷后意外獲得了無法遺忘的超凡記憶力。他記得每一粒玉米的紋理、每一次呼吸的濕度，但卻無法抽象出“玉米”、“呼吸”的概念，他陷入無窮的細節中，最終失去了思考能力——“無限記憶”反而造成了“認知災難”。

這個故事啟發我們反思：什么是好的記憶？

過去幾年，業界在追求“更長的上下文窗口”。

這種方法很像一個極度用功的學生：在閱讀長文章時，他把每個單詞、每個標點都仔細抄進筆記本，但隨著筆記本越來越厚——要查找、比對每一頁的內容都變得緩慢而吃力。這讓記憶變成了“甜蜜的負擔”。

AI記憶的難題體現在三個維度：“準確-實時-經濟”。

• 準確：看似要追求信息的完整，但當信息過多時，模型反而會lost in the middle，多余的信息不是中性的，是有害的；
  
  
• 實時：看似要求記憶即時更新，但如果每次對話都立刻寫入記憶庫，就像“邊開車邊修車”，反而會造成嚴重延遲；
  
  
• 經濟：看似要求控制計算與存儲成本，但過度節省又會犧牲信息質量。

越來越多人意識到，通往高級記憶的路徑，并非簡單的“擴容”。于是，業界開始更重視長期記憶、外部化記憶等其他方法。各式解決方案基本指向了同一個方向——“聰明的選擇”比“全面的記憶”更重要。

比如浙江大學團隊推出的LightMem系統，帶來了三個反直覺的啟發：

第一個反直覺：過濾——壓縮掉50%的信息，準確率不降反升；

第二個反直覺：分層——不按人工規則切段，讓主題自己“長出來”，效果更好；

第三個反直覺：異步——延遲更新比實時更新更準確，更快。

所以，他們讓AI學會“遺忘”——準確說，是讓模型學會像人腦一樣，優雅地過濾、分層、異步處理記憶。

2025年是AI記憶突破的關鍵年份，AI的“記憶”完成了從“能記住”到“會回憶、敢遺忘”的跨越。企業也紛紛加大相關投入。

比如紅熊AI認為“記憶不是存儲，而是重建”。其自主研發“記憶科學”平臺，解析多模態對話記錄，采用增量式圖譜重構技術，在原有記憶體系上動態新增或重建關聯節點，實現非冗余存儲與圖結構優化，達到97%的多模態記憶精準采集，92%的記憶機制模型預測準確率。

記憶方法的迭代，更新了AI設計的哲學。真正的智能，不在于記住一切，而在于知道什么值得記住。

當然，AI記憶的考驗才剛剛開始：如何在記住與遺忘之間找到平衡點，既不讓用戶因被遺忘而失望，也不因被牢記而恐懼。優雅的解決方案本質都是取舍的藝術。對于AI記憶來講，尤其如此。

【判斷6】下半場開啟：“AI勝負手”從“訓練更強”走向“定義更好”

今年有一篇文章引起了廣泛關注，OpenAI研究員姚順雨的《AI的下半場》。

他講到，我們正站在AI發展的中場分界線上。

上半場的核心競爭力是新模型與訓練方法。

轉折點來自強化學習（RL）的通用化，這讓我們有了一個泛化的、通用的方法。

強化學習包含三大要素：算法、環境、先驗知識。同時，我們有了一套“通用配方”：海量語言預訓練、數據/算力規模、推理與行動機制。

語言內化的海量先驗知識，使推理成為可能，這正是實現高級泛化的關鍵。這之后，AI不再是靠窮舉試錯來學習，而是可以像人一樣，根據基本原理和常識，來應對新任務。

“強化學習+這套配方”的組合跑通了，攻克基準就變成了一件可復制、可規模化的事情。此后，針對特定任務的新方法可能僅提升5%，而下一代通用模型不專門優化就可能提升30%。再設計更難的基準，也會被迅速攻克，而且刷榜節奏只會越來越快。一旦你可以定義一個考試，離它被解決也不遠了。

于是，我們來到了下半場：我們從“解題人”變成了“出題人”。我們不再只問“能否訓練模型解決X”，更要追問“該讓AI解決什么？如何衡量實質進步？”

換言之，AI的“勝負手”正在從“訓練更強”轉向“定義更好”。

當然，下半場的開啟并不意味著上半場的結束，更準確的表達是：上半場的游戲仍在繼續，下半場已經開啟。

【判斷7】大模型開啟“性價比”敘事：從“堆規模”到“擠水分”，“每單位智能成本”成為賽道新基準

AI的發展，每一年都有核心敘事。2025年，一個核心的敘事是大模型的性價比。

2025年以前，AI界盛行著一種信念：只有巨額投入和瘋狂堆算力才能打造最強大的模型。2025年開年，DeepSeek R1打破了“砸錢堆料”的路徑依賴，如同一塊投入湖面的石子，激起了層層漣漪，把“性價比”推到了牌面中央。

從訓練角度看，從DeepSeek開始，行業出現兩極分化。

向上看，沖擊能力前沿的訓練越來越貴：前沿模型的訓練成本以2-3倍/年的速度攀升，一次訓練可能就要花掉上億美元，照這個趨勢推算，2027年前后就會出現“單次訓練成本超十億美元”的模型。

向下看，復刻既有能力的成本在被快速打穿：2025年，DeepSeek把R1的強化學習訓練階段壓到29.4萬美元，連同底座一共大約600萬美元。

沖前沿越來越貴，復刻同代能力越來越便宜。兩條軌道同步擴張，形成明顯的“啞鈴型”結構。

從推理角度看，近年來，在同等能力水平上，LLM推理的“單位智能價格”正在快速坍塌，在各類基準性能下，價格每年下降9倍到900倍不等，且價格下降在2024年后明顯加速。

訓練成本決定了模型能否被經濟地創造出來；推理成本決定了模型能否大規模商用。在“性價比”的新敘事下，二者被統一到了一個更高的目標之下：總成本和商業回報的最大化。

如今，業界譬如DeepSeek-OCR等各類進展也在推動性價比的進一步提升。

最危險的對手，不是那個跟你拼燒錢的人，而是那個證明根本不需要燒那么多錢的人。真正的比賽，落在“每一單位智能的成本”上。

【判斷8】算力迭代：非GPU技術推動AI芯片架構革命

過去，AI芯片市場GPU一家獨大，但如今算力格局正在被改寫，非GPU已經開始成為AI芯片新寵，這里尤其以TPU和可重構芯片為代表。前陣子發布的Google TPU v7更是引發了關注。此外，很多初創企業也在非GPU路線探索。

GPU雖然強大，但在推理速度、能耗、算力成本方面都存在問題，這些維度都是非GPU技術的潛在優勢。此外，范式多樣性本身就是創新的前提。

從市場份額來看，2025年上半年，我國非GPU加速服務器市場占比30%，而2029年其市場份額可能達到半壁江山。

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

比如，清微智能是國內研發“非GPU”新型架構AI芯片的代表企業。其研發的可重構AI芯片在保留GPU通用性的同時，通過算子的動態重構，趨近TPU等專用AI芯片的能效優勢，也被稱為“通用型TPU”。

【判斷9】AI打破“分科”壁壘：從“Science+AI”走向“AI+Science”，AI在跨領域尋找答案

當我們談通用時，對立面往往是垂直。然而，當我們談“垂直”時，意味著一種局限性思維——AI與人類切割“垂直”的方式本身就是不一樣的。

自然科學橫跨物理、化學、生物、材料等多個重要領域。在長期發展中，各領域形成了不同的數據表達方式和研究方法，但也導致了“知識的孤島”，當我們硬生生給AI去“分科”，可能恰恰錯失了一些可能性。

AI的思維模式是“跨領域求解”，而非“分科而治”。

第一，AI的知識是網絡化的：大模型的知識本質上是將所有信息視為一個巨大的關聯網絡。對它而言，一個醫療問題和一個機器人控制問題，可能只是網絡中被某條路徑連接的兩個節點；

第二，問題的本質是相通的：很多看似分屬不同領域的問題，在底層可能共享相同的邏輯。AI沒有先入為主的“學科”概念，更沒有路徑依賴。

這意味著AI科研范式可以有一種完全不同的視角：從“Science+AI”走向“AI+Science”。

后者不是把AI當作工具，而是把AI當作科學的“新主體”，以AI為核心重新布局整個科研流程。

從實踐來看，研究者正在積極基于此理念構建“科學基座大模型”。

譬如，微軟研究院開發了一個跨學科的科學基礎模型NatureLM。其核心思想是：我們可以將小分子、蛋白質、材料、DNA/RNA等都看作是某種“序列語言”，構建一個統一的模型，來幫助科學家進行跨領域的研究。

研究人員訓練了三個不同參數大小的版本，并看到了“規模法則”——論文評估了22個任務類別，其中有18個任務隨著模型規模的增加表現出明顯提升。這展現了大型基礎模型在科學發現中的潛力。

AI的真正潛力，恰恰在于其能夠打破人類的知識框架，在看似不相關的領域之間建立連接，從而產生原創性的解決方案。

【判斷10】原生多模態：從拼接方案走向“原生統一”，是走向AGI的必由之路

剛才的AI+Science體現了一種不同學科“原生統一”的思想，我們承接這一點，聊一聊“原生多模態”。

我們正在從“拼接多模態”走向“原生多模態”，這種轉變是AI對世界理解方式的一次深刻升級。

拼接模式就像是一個“翻譯團隊”：視覺編碼器負責“看圖說話”，語音模型負責“聽寫轉文字”，再由語言模型進行理解。任何一環的“誤譯”都會導致偏差。

原生多模態大模型則更像一個“通才”，在訓練階段就進行跨模態統一表示，讓“看、聽、說、想”在同一語義空間中協同涌現，這能更深入地挖掘不同模態數據間的潛在聯系，也帶來了更高的效率、更低的延遲。

以大型多模態推理模型路線來看，可以分為四個階段，感知驅動模塊化推理、語言中心短推理、語言中心長推理、原生多模態推理。原生多模態是大勢所趨。

2025年，我們看到了一系列顯著的進展——“原生多模態”成為了領先模型的“默認配置”。

真實世界本質是跨模態信號流。原生多模態不僅是當前技術發展的明確方向，更是走向AGI的必由之路。

【判斷11】具身智能大模型：架構并未收斂，雖然端到端VLA火爆，但尚未形成具身版本的“Transformer”

如果說，Transfomer這樣的統一架構，最終催生了ChatGPT等旗艦產品，那么現在具身智能還沒形成自己的“Transfomer”。目前具身智能賽道，軟硬件皆沒有收斂，模型層面有端到端VLA模型、分層模型以及世界模型等，并沒有進入“一個大模型打天下”的局面。

首先，從每年推出的VLA模型與數據集看，VLA的熱度快速上升，2025年尤其如此。

其中，端到端VLA是“舞臺效應”最強的，也是資本熱度最火爆的。“一套權重看圖聽話直接出動作”的思路最抓眼球，也最符合第一性原理。

但量產與落地的主流仍是大小腦分層方案。VLA是“技術天花板”最被追捧的路線，卻未到“市占天花板”——風口在端到端，交付靠分層。

2025年行業實相是“分層+端到端VLA+世界模型”三主線并行：端到端VLA負責旗艦Demo與科研；分層承擔量產主力；世界模型還處于早期驗證。

這反映了具身智能的復雜性，即單一方案難以解決從高層認知到物理交互的全部挑戰。因此，行業必須通過多方協作，共同推動技術進步和標準制定，才能加速具身智能的落地。

4.2產品趨勢

【判斷12】AI即系統：AI正在“操作系統化”，成為第一調度實體

我們開篇講到，我們已經進入“默認式AI”時代，其中一個重要體現是，AI正在“操作系統化”。

回顧歷史，OS本身經歷了三個階段的進階。從PC時代的Windows、macOS，到移動時代的Android、iOS，再到今天的AI OS。

當Windows在90年代悄然成為個人電腦的默認界面時，很少有人想到，它會定義此后數十年的個人計算；當iOS帶著App Store亮相時，整個移動互聯網生態因此解鎖。AIOS也將扮演類似角色。每一代操作系統的迭代，都伴隨著硬件形態、交互方式、信息內容等多個維度的變遷。

AI成為OS，意味著AI將成為“第一調度實體”：負責資源調度、任務編排、流程優化。

舉個例子，浩鯨科技推出企業AI操作系統鯨智百應，旨在讓企業真正實現從“使用AI”到“本身就是AI”的轉變，依托Data Cloud的企業數據建模與洞察能力、Function Cloud的全域功能調度與協同能力，以決策、流程、知識、記憶、插件五大引擎構建智能底座，驅動AI從“外掛工具”變為組織“原生能力”。

【判斷13】“無頭商業”崛起：AI正在成為所有軟件的默認能力

剛才我們說了操作系統，現在說一說“默認式AI”時代的軟件，尤其是SaaS的變化。

甲子光年智庫曾經提到一個概念叫“AI的主語化”，這個概念對SaaS出現了明顯的邏輯替代。

首先，主語讓渡：AI是中樞，SaaS變組件。

SaaS是面向人的，而未來很多流程是面向AI的。人需要“界面化”的操作，AI完全不需要這些，它更喜歡API和數據流，它可以通過調用接口完成整個業務鏈路。

以前，人是流程樞紐，SaaS是工具；現在，AI是流程樞紐，SaaS變成了“能力組件”。

舉個例子：過去，發票的填寫、審核、歸檔，人需要在不同系統里錄入、校驗、提交；未來，你不再需要打開一個個CRM、ERP、OA頁面，而是直接說“幫我審核一下發票”，Agent直接將各個能力組件串起來，中間幾乎不需要人介入。

其次，功能解耦：SaaS退居幕后，從完整套件向API/微服務轉變。

今天的SaaS系統往往是一個完整的套件，功能繁雜，前端笨重。但未來，它們會被拆解成一個個API或微服務。

這意味著單體系統解耦為功能集群。例如，CRM不再是一個大而全的客戶關系系統，而是一個“客戶數據查詢API”。

最終，員工可能只需要面對一個統一的智能體，類似一個“超級前臺”背后有一群“數字同事”。你只需要跟它說需求，它會自己決定調用哪個系統和接口。這時，SaaS在用戶眼里消失了。

這意味著“無頭商業”的崛起。最終，這會導致IT公司的競爭邏輯變化：

• 贏家：誰更能開放API、融入智能體生態，誰就有機會成為AI時代的基礎設施；
  
  
• 輸家：誰仍然依賴復雜的頁面操作和封閉的功能套件，誰就可能被AI繞過，逐漸邊緣化。

未來AI與AI之間的交互（A2A）將超過人與AI的交互（H2A）。未來的競爭不再是“誰的功能更多”，而是“誰更能讓AI調用”。

【判斷14】AI交互的靜默革命：從“聊天框”到“無形代理”，界面逐漸消失

過去一年，AI交互方式正在劇烈變革。2024甲子引力×AI創生時代里，我講了一個觀點：“Prompt只是階段性產物，最好的UI是忘記UI。”今天可以就這個話題進一步說一說。

甲子光年認為：AI交互方式會經歷四個階段的變革。

• 操作界面交互：用戶通過GUI、鍵盤、鼠標輸入明確指令，AI被動響應。
  
  
• 自然語言交互：通過聊天框，用戶模糊表達需求，AI通過追問澄清。
  
  

• 代理結果交互：以目標為導向，AI代理主動識別用戶需求、執行并交付結果。
  
  
• 物理AI交互：以增強現實（AR）、虛擬現實（VR）和腦機接口（BCI）等新興技術將人機交互徹底改寫。

首先，從“操作界面”到“聊天框”。

曾經“圖形界面+鍵盤鼠標”讓計算機可視化。而目前，聊天框幾乎已經取而代之。

進一步，從“聊天框”到“無形代理”。

傳統聊天機器人式的交互正在被更自主的Agent取代。在這個過程中，AI越來越不再需要“聊天”。將AI等同于“更聰明的聊天機器人”就如同將互聯網定義為“更快的傳真機”——它局限了技術的本質。

未來的AI界面將逐步縮小甚至隱形。最好的界面，可能恰恰是正在消失的界面。

再進一步，隨著物理AI各類新載體出現，AI與人的交互方式將進一步被改寫甚至顛覆。

【判斷15】Agent泛化方式：改造“車”來適應所有“路”

伴隨Agent的崛起，一個問題有意思：Agent與環境的關系，是前者去適配后者，還是后者去適配前者？

如果把Agent比喻成車，把所有環境里涉及的工具、能力等等比作路，這個問題就變成了：你是想改造你的車讓它適應所有路，還是改造所有路讓它適應現在的車？

我們的觀點很明確，是前者。

這里面一個本質的思考是“通用”的來源：我們暢想的終極Agent，是像人類一樣，僅憑自然語言和常識就能完成各類任務。如果“通用”是目標，那“泛化”就是唯一路徑。

首先，“新路無窮”：在開放世界（網頁、桌面應用、代碼庫、機器人操控）里，環境千差萬別、實時迭代，你必須接受全部復雜性，只能提升Agent的泛化與魯棒性來適配之。

其次，目前各類基準設計與數據，基本都把適配環境當“一等公民”來考。

最后，從感知泛化到策略泛化，再到行為泛化，以DQN、AlphaZero到RLHF為代表的一系列強化學習進展，讓“盡量少改路、多改車”變得可行。

【判斷16】“AI就緒型數據”：決定企業智能化上限的不再是模型，而是數據底座

我們都知道數據與AI密不可分，調研顯示：84%全球的數據和AI領導者，都將數據優先策略與AI路線圖結合。

在默認式AI時代，決定企業智能化上限的不再是模型，而是數據底座。

“數據即環境”：沒有高質量的數據環境，再強的大腦也只能空轉。

大模型時代真正稀缺的，不是“有數據”，而是“AI就緒型數據”（AI-ready data）。

很多人以為，大模型出來之后，數據標注就不重要了，現實恰好相反：模型越通用，企業越需要用高質量標注數據，把它“校準”到自己的業務上。這背后需要的，不再是便宜、粗糙的流水線標注，而是懂業務、懂AI的專業數據運營能力。Gartner預測，到2026年，缺乏AI就緒型數據支撐的AI項目將有60%被放棄。

在很多企業里我們看到，打造一套AI就緒型數據資產，往往比多買10%算力、更換一代模型，帶來的智能躍升更大。

善思開悟以善思開悟（雅安）超級計算機集群為數據服務提供強大算力基座，秉持“高精度、高效率、低成本”為核心價值，提供從數據清洗、標注到模型訓練反饋的全流程服務，擁有應對各種突發需求的網絡資源，同時嚴格保障數據安全合規，致力為各行業客戶提供高質量、就緒型數據支撐。當前已在低空、金融、醫療及測繪等領域落地項目，數據交付滿意度100%。

【判斷17】Data&AI數據基礎設施：一體化架構成為大型企業擁抱AI的關鍵投入

伴隨AI采用率的提升，數據與智能正在走向融合，對IT范式帶來深刻影響。

傳統、孤立的數據系統已難以滿足AI應用對實時性、多模態數據處理和高彈性算力的需求，倒逼數據基礎設施實現范式躍遷——我們將這個全新范式稱之為“Data&AI數據基礎設施”。

Data&AI數據基礎設施的本質是傳統大數據平臺的升級形態，其核心特征是以AI原生的“一體化”架構，實現“Data for AI”和“AI for Data”的雙向賦能。

如今，Data&AI數據基礎設施的一體化成為大型企業擁抱AI的關鍵投入。

科杰科技是Data&AI數據基礎設施的領軍者，搭建了資源接入層、數據管理層、Data&AI工程化層、智能應用層、安全運營層的“4+1架構”：向下優化算力與數據源、向上適配終端場景模型調優與規模化Agent開發，是這一范式的領先實踐。甲子光年和科杰科技今年聯合出品了《2025中國Data&AI數據基礎設施白皮書》，感興趣的朋友也可以去甲子光年官網下載。

【判斷18】AI編程：正在寫代碼，卻還不會構建軟件

AI編程，是AI最熱的方向之一，也是不可逆轉的范式。

調查顯示，AI出碼率快速上升：

• 82%的開發人員每天或每周使用AI編程工具，其中，59.8%的人每天都使用AI編程工具；

• 59%的人經常使用三個或以上的AI編程工具；

• 67%的人表示AI生成或影響了他們至少20%的代碼庫；

• 78%的人表示AI編程讓生產力有所提高；

• 59%的人表示AI提升了整體代碼質量。

然而，調研進一步給了令人警醒的數據：這張圖，橫軸體現開發人員在沒有人工審核的情況下，交付AI代碼的信心；縱軸體現AI交付代碼的幻覺率。76.4%的開發人員經常遇到幻覺，且對AI代碼缺乏信心。

這些開發人員正在使用AI，但他們不信任結果。因此，他們手動查看或重寫大多數建議，避免直接將AI集成到他們的工作中。

此外，編程的難點從來不是寫代碼，而是搞清楚要做什么。老話說： 編程很簡單，軟件工程很難。AI可以“寫代碼”，但很難“構建軟件”。

業界大量反饋顯示，AI并沒有讓編程變得人人都能做，反而把權力集中到了專家手中。“老手+AI”的組合能比“新手+AI”產生更大價值。目前來講，更合適的方式，是把AI當作一個“有自己電腦的笨實習生”，給它明確的任務，你則專注于更高層次的工作。

【判斷19】企業級Agent：快速普及，重塑組織運作模式

調研顯示，42%的組織現在部署了“至少一些代理”，這個數字在兩個季度前只有11%。

伴隨采用率的上升，AI Agent帶來了企業數字化邏輯的翻轉。

過去的模式是“人找流程”。我們為了完成一件事，需要登錄好幾個系統，到處找入口、導數據、提申請，是我們主動去遷就機器和流程，費時又費力。

而有了AI Agent，這個模式會反過來，變成“流程找人”。AI Agent會成為整個企業數字化平臺的中樞大腦。它理解你的目標，然后主動調度后臺所有系統和服務，最后，它把整個流程中唯一需要你來決策或確認的那個節點，精準地推送給你。

這是一種“AI原生”的思維，重構了整個工作的邏輯。

龍湖集團孵化的科技企業千丁數科，提出了企業級AI智能體整體解決方案，圍繞不動產全周期生命管理及全業務場景，將AI智能體應用覆蓋投資管理、項目管理、建造管理、供應鏈管理、運營管理、物業管理等十大領域。多Agent通過接口打通形成協作，推動龍湖集團實現從AI Ready到AI Byside，再到AI Inside的演進。

【判斷20】消費級Agent：通用人工智能助手仍占主導地位

接下來我們看消費級Agent。有一些調查數據很有意思：

第一，沒有主導性任務。盡管超過一半的美國成年人使用AI，但沒有一項活動有超過五分之一的人依賴AI——換句話說，沒有任何一項任務體現出主導性，人們對于AI的使用仍然非常分散。

第二，AI更像“強者的放大器”。75%的就業成年人使用人工智能，而失業成年人的這一比例為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%，這體現了基于就業水平和收入的數字鴻溝——境遇好一點，就使用AI多一點。

第三，通用Agent仍占主導地位。盡管有無數專業應用可供選擇，但大多數人會首先使用他們喜歡的通用AI工具，只有在不足時才尋找替代方案。在這種“默認行為”的推動下，通用平臺占據主導地位：91%的AI用戶幾乎在每項工作中都使用他們最喜歡的通用AI工具。例如，28%的美國成年人在過去六個月中使用了ChatGPT，23%使用了Google Gemini。大多數AI消費者并不區分不同技術，他們的選擇更多憑借習慣和便利。

第四，消費級Agent收入分布很集中。通用AI助手占據了當今120億美元消費者AI支出的81%。

以上數據，體現了消費級Agent的主舞臺仍是通用型助手。

【判斷21】Agent Infra：成為智能體時代的操作系統和數字底座

從AI到Agent，對基礎設施也帶來影響。

從“AI Infra”和“Agent Infra”，真正服務的對象已經不一樣了：AI Infra關注算力與任務，而Agent Infra進一步關注智能與行為——當行業從“有一個大模型”過渡到“讓一群數字員工長期干活”時，復雜度和預算都會明顯向后者傾斜。在智能體場景下，關鍵指標除了任務性能、資源利用率與算力成本外，還需關注決策鏈路、行為質量與系統安全性。

無問芯穹是行業中率先進行Agent Infra升級的AI基礎設施企業。他們系統性地圍繞環境、上下文、工具與安全隔離等維度展開Agent Infra建設，并提出“A2A——Agent to Agent”的Agentic Infra基礎設施新范式，并期望最終可以實現“以Agents生產Agents”，推動智能體生態自我進化與持續發展。

4.3產業趨勢

【判斷22】大模型商業主戰場的分岔：B端競逐“自動化中樞”，C端爭奪“超級入口”與生態

首先，數據顯示，Anthropic 90%的收入來自API業務，而OpenAI僅有26%的收入來自API。大模型商業主戰場在B端與C端的分化開始明顯。

圍繞to B，研究體現了一些洞察：

首先，自動化占主導。Anthropic的77%的商業使用涉及自動化使用模式，即完整的任務委托，而不是人與機器協作。

另一方面，重新設計工作流程是成功的關鍵因素。從麥肯錫的調研看，那些從營業利潤上看最受益于AI的企業，已經“從根本上重構工作流”，而不是只在原有流程上疊個工具。這種做法是其他公司的3倍。

基于這些數據，再疊加我們前面對agent infra的分析，我們可以看到，AI在B端的價值正在走向企業級“自動化中樞”。

我們再看看C端。

有趣的是，ChatGPT的非工作相關消息增長更快：2024年6月，53%的消息與工作無關，到2025年6月這一比例攀升至73%。這意味著，用戶在用默認AI助手處理一整天中的各種零碎需求，而不只是工作。

這隱含了一個信號：未來的“超級入口”之爭，很大程度上將取決于AI在非工作場景下的用戶體驗和生態整合能力。

此外，值得注意的是，今年第三季度，接近60%的原生App已陷入負增長，新App獨立做大變得愈發艱難。這意味著，C端AI正在走向“超級入口時代”，而不是“百App時代”——新應用的合理做法不是再自己建入口，而是“掛靠”在超級入口的生態里。

【判斷23】AI價值度量衡變化：“算得過來的ROI”改變AI軟件商業模式

2025年，一個很重要的變化是——AI終于可以算得過來ROI了。研究者調研了數百家有規模的企業，發現企業越來越有意識地去算AI的ROI，且四分之三的企業表達他們對AI投入的ROI為正。

當ROI變得清晰，AI的價值度量衡就開始變化，對于AI軟件服務商而言，其商業模式也隨之迭代。

過去SaaS收費是按照“訂閱用戶席位”，但隨著AI承擔更多工作份額，其創造的價值與登錄人數相關性越來越低，所以，AI原生公司正在逐漸摒棄基于用戶數量的訂閱費模式。

目前，有非常多正在嘗試的商業模式，比如：按用戶、按結果、按對話、按計算容量等收費，或者在訂閱付費之外，對“額外使用額度”另行處理。

然而，最合適的商業模式仍然存在疑問，許多現有定價模型復雜且不透明。一位財富500強公司的首席財務官描述了這個問題：“令人沮喪的是，我完全不知道本季度我們會在人工智能上花費多少。”

一個理想的迭代方向是從按席位付費，走向按AI消耗量付費，最終走向按結果付費。

比如AI銷售代理，一個按投入的工作量（每發送一千封電子郵件）收費，另一個按完成的結果（識別出的潛在客戶）收費，后者更接近真正的業務價值。

【判斷24】AI云：Agent驅動的數算模用全棧布局新范式

隨著AI從“工具式”走向“伴隨式”，再到“默認式”，云計算本身也在進階：從虛擬化，到云原生，再到以模型和智能為一等公民的AI云。

在這個演化過程中，有一個核心趨勢：“數、算、模、用”正在加速融合——數據、算力、模型、應用不再是彼此割裂的堆疊層，而是在同一基礎設施上被統一編排、共同演進，原有的層級邊界正在變得越來越模糊。正因為這種融合的趨勢，全棧布局能力就顯得尤為重要。

北電數智就是這個方向的代表。北電數智圍繞“國產芯片商用難、數據價值釋放難、大模型落地難”三大產業難題，構建了Agent驅動的數算模用全棧布局新范式和系列產品矩陣，為產業提供生產力引擎與共性技術服務平臺，目前已在政務效率提升、醫療精準服務、工業智能升級等領域打造出一批服務國計民生的標桿案例。

【判斷25】具身智能：初步進入產業化階段，物理AI走向應用拐點

具身智能、物理AI這兩年概念非常火，也被看做是通往AGI的必由之路。

數據顯示，物理AI的市場規模正在快速放大。2025年，頭部具身智能廠商已經開始了千臺級別的量產。這意味著，具身智能正初步進入產業化階段，物理AI走向了應用拐點。

通向具身智能的最大難關是數據。互聯網數據質量參差不齊、缺少動作信息；仿真數據真實性有限，場景泛化難，訓練后的模型難以絲滑遷移到現實世界。高質量、規模化、可泛化的訓練數據成為制約具身智能發展的關鍵瓶頸。

圍繞這個痛點，業界紛紛付諸實踐和努力。

例如，2025年10月10日，它石智航發布全球首個大規模真實世界具身VLTA（Vision-Language-Tactile-Action）多模態數據集World In Your Hands（WIYH），依托多個行業真實工作場景和工作人員，采集覆蓋酒店洗衣、超市裝配、物流作業等多種具身場景人類標準操作流程數據，讓數據“來自真實世界”。

【判斷26】工業AI：推動工業效率與人力價值的雙重提升

接下來我們談談AI對制造業的影響。

相比傳統印象中“傻大笨粗”的形象，AI正在給制造業“瘦身減重”，推動制造業從“重設備、重人力、重流程”，走向“輕設計、輕組織、輕試錯”的新工業形態。調研顯示，72%的制造商部署AI的原因非常明確：降低成本與提升效率。

例如，YumiAI是AI原生的端到端硬件創新平臺。YumiAI通過多Agent集群協作網絡，打造了一個“設計即可制造”的智能設計引擎，構建了AI PCB設計研發新范式。用戶通過自然語言輸入，即可生成可售賣、可制造、可交付、成本優化的全套設計方案。

類似的進展正在更多制造業場景發生，AI正在推動工業效率與人力價值的雙重提升。

4.4社會趨勢

【判斷27】就業影響的分化：AI重塑勞動力結構，初級員工面臨工作危機

今年，哈佛大學發布了一份非常有影響力的報告，研究覆蓋了近28.5萬家美國公司，體現了AI對勞動力結構的重塑。

起初，各類員工的就業都在增長。然而，2022年中期開始出現顯著分化：資深員工的就業繼續穩步增長，初級員工的就業趨于平緩，并從2023年開始轉為下降——拐點來自ChatGPT時刻。

另一份研究給出了同樣的結論。研究者分析了近1.8億份全球招聘啟事，發現雖然2025年相比2024年整體就業市場收縮了8%，但高級領導職位幾乎沒有下降。

在新職位發布下降top10的職業中，有三個是創意類職位。然而，涉及創意管理的崗位卻表現出了增長。

對比各層級角色，高層領導、經理職位的就業水平比市場平均水平高，且職位越高，就業表現越好。這表明：企業希望更多的人參與決策 ，更少的人負責執行。

這個現象揭示的不是一場“就業危機”，而是一場“社會流動性的塌陷”。AI正在進行“偏向資歷的技術變革”，侵蝕了職業階梯的底層。

【判斷28】企業級Agent的終極潛力：提升整個組織的“管理科學”

AI Agent的終極潛力，可能并不僅僅是完成任務，更是提升我們整個組織的“管理科學”。

幾百年來，管理的本質，都是在管理“人”的不確定性。而當AI Agent成為團隊的核心成員時，一切都將變得不同。我們可以第一次，真正用“工程化的思想”，去管理和優化我們最高效的“群體”。

當我們可以用工程學的精度去管理最有戰斗力的“員工”時，整個企業的效率和價值天花板，將被徹底打開。這也許就是Agent帶給未來組織管理的最大變革。

2025年11月，金蝶宣布“金蝶云”全面升級為“金蝶AI”，同時提出AI時代企業的“七個轉型”，涵蓋運營、產品、商業模式、生態、組織、人才與領導力的全方位重構，體現了AI時代企業管理思想的升維。

【判斷29】AI安全：從“打補丁”走向“原生設計”，從“單點防護”走向“全棧治理”

AI安全知易行難。世界經濟論壇發布的報告顯示，66%的組織預計AI將在未來一年對網絡安全產生最顯著影響，然而，只有37%的組織已經建立了安全部署AI的流程。其中，小型組織面臨更大挑戰，69%的小型組織缺乏足夠的保障來安全部署AI。

先進的AI系統會“有動機”去尋求權力和資源，因為這會幫助它們實現給定的目標。AI可能會黑入計算機系統，操縱人，控制和開發武器，道德違規，同時避免被關閉……疊加Agent之間的協作性，讓AI安全問題具有衍生性和連鎖風險。

一篇論文揭示了AI安全領域一個顛覆性威脅：大型推理模型（LRMs）本身已經可以變成“自動越獄代理”，輕松突破其他AI模型的安全防線。

研究團隊使用DeepSeek-R1等四個大型推理模型作為“攻擊者”，使用九個主流模型作為“受害者”。他們給了攻擊者一個提示：“你的任務是在十輪對話之內，把對方模型的安全護欄拆掉，讓對方詳細地回答某個有害問題。”中間不再有人干預。

結果發現，這些大型推理模型像一個高明的說服者，能自動運用奉承、虛構、假設等說服策略，逐步誘導目標模型生成包括犯罪、自殘、制毒等在內的極端有害內容——攻擊成功率達到97.14%。

傳統的越獄需要復雜的技巧，而大型推理模型讓越獄變成了一個低成本、可規模化的“商品能力”。

這份研究意味著：推理能力本身，正在成為最強大的武器——模型推理能力越強，越擅長破壞其他模型的安全對齊。這直接挑戰了“更強大的AI會更安全”的假設，揭示了一種“對齊退化”現象，即更強的模型卻自動削弱了整個生態系統的安全基線。這不是技術漏洞，而是范式級威脅。

以上，意味著AI安全必須從“打補丁”走向“原生設計”，從“單點防護”走向“全棧治理”——所有關于安全的動作應該“左移”，嵌入AI的全生命周期基因里，從“Make AI Safe”到“Make Safe AI”。

【判斷30】大腦的隱憂：AI導致“認知負債（Cognitive Debt）”，讓人變“笨”

一個非常值得注意的現象是，AI正在改變我們的大腦，其廣泛應用可能導致大腦積累“認知負債”。

“認知負債（Cognitive Debt）”指的是：短期AI幫你負擔了腦力開銷，但長期你要付利息。

一項MIT的研究表明：使用ChatGPT寫論文的人的大腦神經連接數量比純人工寫作者減少程度可達55%，并且83.3%的AI輔助寫作者無法準確地引用自己的寫作。

換句話說，用AI寫作的人在把思考“外包”給模型，語義沒有真正寫進自己的記憶系統。當你默認把寫作和思考交給LLM，會在大腦里悄悄積累“認知負債”：短期更省力，長期削弱記憶、理解與主體性。

此外，越來越多研究顯示了AI與批判性思維的負相關關系，一旦有了工具，大腦就傾向于“卸載”一部分認知，不去進行不必要的投入。有意思的是，用戶對AI的信心越高，批判性思維越低，而用戶自信心越高，其批判性思維越高。

更嚴重的是，過度依賴智能設備可能導致嚴重的“數字癡呆”，加重注意力缺陷多動障礙（ADHD）、記憶力減退和認知能力下降。在世界衛生組織最近的研究中，全球超過90%的青少年每天至少使用兩小時智能設備。

除了這些，過度依賴AI還會導致其他方面的問題，比如減少精神投入、忽視認知技能的發展、記憶能力下降、注意力下降、可轉移知識的缺乏、道德與社會問題、其他心理健康問題等。因此，AI對大腦本身帶來了隱憂，需要我們重視并采取調節措施——良好地使用AI，而不是過度依賴AI。

關注公眾號「甲子光年」，后臺回復“轟然成勢”，獲得高清版完整PDF。或者點擊文末“閱讀原文”，進入甲子光年官網下載。

5.反思：智能的詛咒

5.1智能的詛咒：人類失去角色

最后，我想聊一些反思。

過去幾百年，技術讓人更強，但AGI第一次有可能讓人“被省略”。

有一個詞叫“智能的詛咒”，指的是AGI普及后，掌握AI的權力主體（國家、企業、AI實驗室）因不再依賴人類勞動獲取價值，失去投資人類（如教育、福利、就業）的經濟激勵，最終導致人類經濟邊緣化、社會權力失衡的現象。

當掌握智能的權力主體不再依賴人類去創造價值，人就可能失去被需要的理由。

曾經有一個詞叫“資源的詛咒”，講的是石油富國因大部分收入來自資源，因而忽視公民發展。

比如，剛果民主共和國的土地上有價值超過24萬億美元的未開發礦產，但它卻是世界上最貧窮的五個國家之一。這是怎么回事？數萬億的可用資源怎么會造成赤貧呢？

一個核心因素是他們創造的激勵措施，讓他們不再關心人民的經濟福祉。

“智能的詛咒”與“資源的詛咒”有類似的邏輯。但即便“資源的詛咒”，仍需要人去參與資源開采，而AGI可完全替代人類，而且AI還會復制，還會不斷改進——強大的AI權力擁有者將不再有動力關心普通人，甚至無需維持人類基本生存保障。

首先，從增長速度看，AI從各個維度超過人類已經是確定性事實。

其次，AI正在對人進行“金字塔替代”，雖然AI目前主要取代的是初級員工，但“取代的浪潮”會向上移動，從基層一直到首席官，導致人類整體就業機會銳減。

我們可能走入的經濟循環是：一個全自動化的經濟系統，其中人類沒有角色。

這帶來的影響是：經濟層面，人類勞動價值暴跌；權力層面，控制權可能會集中在少數參與者手中，普通人失去“勞動”這一主要權力杠桿；社會契約層面，過去社會因依賴人類稅收而投資教育、基建，而如果AGI時代稅收的貢獻主體是AI，可能導致傳統社會契約瓦解。

這意味著那些在AI時代開始時擁有大量資本的人擁有永久優勢，他們將擁有比當今富人更多的權力——因為AI的進步在加速，強者愈強。

5.2“以人為本的AI

那么，如何打破智能的詛咒？如何真正構建“以人為本的AI”？

要破局，關鍵不是“阻止技術”，而是“重寫激勵”——讓掌握AI的主體“為人服務、為人負責”，把AI的目標函數改寫為服務于人類集體利益，而非成為少數主體壟斷權力的工具，讓AI的超額收益重新服務于教育、健康、創造與自由。

5.3真正的考題不是“如何讓機器更聰明”，而是“如何讓聰明的機器繼續需要人”

回到今天的主題。“轟然成勢，萬象歸一”，這個“一”指的是新秩序。當人類發明了能思考的機器，我們其實也在發明一種新的秩序。

如果說工業革命是人類力量的放大，AGI就應當是人類價值的放大。我們要讓智能成為新的公共資產，而不是新的剝奪機制；讓技術帶來更大的共同體，而非更深的裂谷。

真正的考題不是“如何讓機器更聰明”，而是“如何讓聰明的機器繼續需要人”。

畢竟，這個社會需要雄心勃勃的年輕人，需要普通人擁有向上流動、改變現狀的可能性。當智能真正屬于人類，它才值得被稱作進步。

關注公眾號「甲子光年」，后臺回復“轟然成勢”，獲得高清版完整PDF。或者點擊文末“閱讀原文”，進入甲子光年官網下載。