图片来源： a16z Z Highlights ： a16z 是硅谷最具影响力的风险投资机构之一，它长期深耕人工智能、企业软件等多个领域，支持了包括 OpenAI 、 Databricks 在内的全球领先科技企业。 作为新一代技术与产业变革的推动者， a16z 不仅在资本层面提供支持，更通过研究、行业洞察与政策对话推动技术生态的成熟与落地。本篇文章由 a16z 团队发表于 2025 年 8 月 28 日，系统性地勾勒了 Agents 成为未来数字同事的趋势，并进一步展现了他们在生成式 AI 和未来工作模式探索中的前瞻视野。 自主型智能的临界点：从 RPA 到真正的 Agent 化转变 想象一下，你被要求为公司寻找新的办公空间 —— 这是个你宁愿避免的任务。现在再想象，你能把整个流程都交给一个 AI 来完成：从确定需求、调研地 点、安排看房、谈判租约，到处理保险和突发问题，全程无需你的参与或明确指令。 这样的自主型、任务导向的 "AI Agents" ，长期以来一直是这一领域 的终极目标。 然而，尽管已经投入了大量关注和努力，如今的 Agents 仍然未能实现这一愿景。目前市面上的 Agents 更接近于先进的 ...

随着大型语言模型（ LLMs ）的发展，应用端对其推理效率和性能的要求不断提高，研究人员持续探索更有效的推理方法。因此 Deep Think with Confidence （ DeepConf ）方法应运而生，它克服现有方法的不足，通过利用模型内部置信度信号，在推理过程中或生成后 动态过滤低质量推理轨迹 ，实 现 推理效率和性能的双重提升 。 本次访谈， Z Potentials 特邀 Meta FAIR 研究科学家、加州理工学院博士 Jiawei Zhao 于北京时间9月9日9:00am 直播 talk ，深度解析其团队颠覆性工 作 DeepConf ，揭开了 LLMs 推理中 " 置信度信号驱动低质轨迹动态过滤 " 的核心逻辑。 Yichao FU 和 Jiawei Zhao 为 DeepConf 的共同贡献者。 图片来源： https://jiaweizzhao.github.io/deepconf/ Jiawei Zhao 是 Meta FAIR （ Meta 的基础 AI 研究部门）研究科学家。拥有加州理工学院（ Caltech ）的博士学位。研究成果主要集中在机器学习领域，特 别是针对大型语言模 ...

该公司此前已从 Radical Ventures 和 Horizons Ventures 等投资方处筹集了 800 万美元资金。 如下图所示， Solver 收购案只是推动科技并购复苏的众多 AI 交易之一。 周二， OpenAI 宣布以全股票交易方式斥资 11 亿美元收购产品测试初创公司 Statsig 。预计未来会有更多收购——既因为大型初创企业正在寻求技术和人才 来构建更好的应用和模型，也因上市软件公司亟需将更多 AI 技术融入产品以保持竞争力。 编程领域尤其受到潜在收购方的重点关注。 图片来源： Unsplash 我们正处于人工智能初创企业并购热潮之中。 最新动态是：据知情人士透露，英伟达上月收购了 Solver 。这家成立三年、原名 Laredo Labs 的初创公司开发了一款 AI 编程助手，可替用户完成软件开发 任务。 参考资料 https://www.theinformation.com/articles/nvidia-buys-coding-startup-ai-deal-blitz-grows?rc=rpuplc 编译： ChatGPT 例如，过去一年里， OpenAI 曾试图收购热门代码 ...

文章核心观点 - OpenAI联合创始人Greg Brockman分享GPT-5和GPT-OSS的技术突破及AGI战略路径 强调推理能力演进、算力核心地位和模型泛化能力 [3][4][6] - GPT-5实现深度认知突破 在数学证明、编程和科研领域达到接近人类专家的智能水平 标志AGI发展进入新阶段 [24][25][26] - 强化学习与在线学习范式成为技术核心 通过推理-训练循环和现实交互提升模型可靠性 推动智能体集群协同发展 [9][10][29] - 算力规模化是技术突破的根本驱动力 成本两年半降低1000倍 未来算力分配将成社会核心议题 [12][39][59] OpenAI推理能力演进 - GPT-4后期训练发现对话能力 但存在可靠性不足和错误答案问题 通过强化学习实践提升假设验证能力 [5][6] - 推理技术团队提出10种方案验证 最终由Jerry领导团队取得突破 依赖卓越基础设施和跨团队协同 [7] - 模型从离线预训练转向在线学习 通过token价值强化实现高质量数据生成 样本效率远超传统预训练 [8][9] - 人类策划任务产生高杠杆效应 10-100个任务可激发复杂行为 下一步将实现实时在线学习 [10] 算力规模化与超临界学习 - 算力是根本瓶颈 通过持续突破算力边界推进技术 扩展过程蕴含工程实践价值 [11][12] - 算力转化为智能势能 通过摊销效应降低单次使用成本 形成优美技术范式 [12] - IMO模型能力可迁移至IOI竞赛 核心团队仅三人 证明通用学习技术解决复杂问题的可迁移性 [14] - 生物学语言与人类语言在神经网络中同构 400亿参数模型已达GPT-2水平 需突破长上下文处理 [18][21][22] GPT-5技术特征与应用 - 智能达到深度认知领域 能写出媲美人类的数学证明 在编程任务中实现无需调整的完美执行 [23][24] - 作为科研合作伙伴加速研究 帮助物理学家快速推导洞见 改变传统科研范式 [25] - 在竞争性编程平台表现卓越 但真实编程环境更复杂 需连接智能与现实应用多样性 [26][27] - 通过多实例协同释放潜力 用户需培养模型直觉 成为智能体集群管理者而非单智能体 [28] 模型优化与安全架构 - 采用指令层级技术建立信任层级 类似SQL注入防护 通过沙盒隔离和多级防护保证安全性 [30] - Model Spec提供价值对齐框架 规范与行为差距持续缩小 社区反馈完善争议问题处理 [31] - 架构决策受限于运行时资源 混合专家模型优化内存占用和计算消耗 体现工程务实性 [43] - 本地与远程模型协同实现隐私架构 边缘计算保持基础功能 智能分配计算负载 [44] 技术普及与生态建设 - 降价策略激进 价格降低80%后用量激增 需求曲线陡峭 推理效率持续优化 [39] - 开源模型构建技术栈依存关系 有利于商业发展和国家战略 形成完整生态系统 [46] - 软件工程变革聚焦AI优化架构 创建自包含单元和模块组合 提升10倍效率 [47][48] - 算力分配成未来核心议题 物质需求满足后 算力访问权决定问题解决能力 [59] 发展路径与行业展望 - 研究领域存在多样性 各实验室持有独特视角 OpenAI专注阶跃式突破和范式转移 [52][53] - 多模态、语音、图像生成相互关联 但需聚焦连贯核心问题 硬件瓶颈领域进展缓慢 [55] - 模型连接现实应用蕴藏机遇 需深入理解行业和建立合作关系 而非单纯技术优化 [56] - 技术发展速度使2045年难以想象 人类或成多行星物种 算力需求持续飙升 [58][59]

OpenAI新产品规划 - 公司正在开发AI驱动的招聘平台OpenAI Jobs Platform 预计2026年年中推出服务[2][3] - 该平台旨在利用AI技术实现企业需求与人才供给的精准匹配 重点服务中小企业和地方政府[3] - 产品将使公司与LinkedIn形成直接竞争 后者目前隶属微软旗下 而微软是OpenAI最大资金支持者[3] 公司战略扩张 - 公司计划超越核心产品ChatGPT 向多个新市场扩张 包括浏览器和社交媒体应用[3] - 应用部门CEO菲吉·西莫负责管理聊天机器人之外的多个应用项目[3] - 公司通过OpenAI Academy教育项目为不同AI熟练度人员提供认证 认证项目计划2025年底试点推出[4] 行业影响与合作 - LinkedIn过去一年持续注入AI功能提升求职匹配效率[4] - 与沃尔玛合作推进认证计划 目标2030年前为1000万美国人提供AI认证[5] - 该项目是响应白宫提升全民AI素养倡议的举措 公司CEO将参与白宫人工智能议题讨论[5] 行业趋势研判 - 科技企业高管担忧AI将颠覆传统工作岗位 Anthropic CEO预测2030年前AI可能淘汰50%初级白领职位[4] - 公司承认AI变革带来的风险 但强调通过帮助人们掌握AI技能并与企业对接来应对挑战[4]

融资与估值 - 公司完成3.5亿美元融资轮 由Greenoaks Capital领投 估值达100亿美元 [3] - 融资总额累计达6.35亿美元 包括红杉资本和Benchmark领投的1.1亿美元及Greenoaks领投的1.75亿美元 [5] 公司背景与团队 - 公司由前Salesforce联席CEO Bret Taylor和谷歌资深员工Clay Bavor于2024年初共同创立 [4] - 联合创始人Taylor曾创立Quip（2016年被Salesforce以7.5亿美元收购） Bavor曾管理谷歌Gmail和Google Drive等产品 [5] - 公司运营18个月内已获数百家客户 包括SoFi、Ramp和Brex等企业 [4] 业务与技术 - 公司专注于为企业构建客户服务AI Agent [3] - 启动APX项目 为计算机科学专业毕业生提供智能体工程和产品管理轮岗机会 复刻谷歌早期人才培养模式 [6][7] 行业与市场影响 - AI Agent技术可能对劳动力需求产生冲击 企业正评估相关工具的影响力 [6] - 在严峻就业市场中 公司通过APX项目提供新毕业生直接参与产品发布的机会 [6][7]

DeepConf方法技术特点 - 通过利用大型语言模型内部置信度信号动态过滤低质量推理轨迹 实现推理效率和性能双重提升 [1] - 无需额外模型训练或超参数调优 可无缝集成现有服务框架 [8] - 分为离线和在线两种操作模式 在线模式相比全并行推理最多减少84.7%生成Token [8][10] 性能表现数据 - 离线模式下DeepConf@512在GPT-OSS-120B模型上实现99.9%准确率 远超传统多数投票的97.0% [10] - 在线模式下在保持准确率提升的同时显著降低计算开销 [10] - 在包括AIME2025在内的多个推理基准测试中均表现优异 [10] 相关技术研究背景 - 研究覆盖低秩梯度/权重结构、张量分解、Quantized GaLore等内存优化方法 [6] - GaLore利用梯度低秩结构显著节省内存和计算资源 相关成果发表于ICML 2024 [12] - Mini-Sequence Transformers针对长序列训练进行中间内存优化 成果发表于NeurIPS 2024 [12] 研究人员背景 - Jiawei Zhao是Meta FAIR研究科学家 拥有加州理工学院博士学位 专注于LLM和深度学习优化方法 [5] - Yichao Fu是加州大学圣地亚哥分校博士生 聚焦LLM推理优化与系统优化 [8] - 研究人员曾开发"Efficient LLM Scheduling by Learning to Rank"发表于NeurIPS 2024 [8]

融资与估值 - 风险投资公司Benchmark牵头向Exa Labs投资8500万美元B轮融资 使公司估值达到7亿美元 是去年融资估值的10倍[2] - Benchmark通常在A轮阶段投资约1500万美元 但对Exa在B轮投资5000万美元 打破自身投资原则[4] 公司定位与产品 - Exa Labs致力于开发专为AI Agent设计的新型搜索引擎 帮助AI系统从网络筛选最相关数据[2] - 传统搜索为人类输入查询设计 而Exa从零开始为AI构建 专门服务自主进行搜索的大语言模型[3] - 采用按查询次数收费模式 与谷歌广告驱动模式不同 该模式能激励提供高质量结果而非诱导用户点击[3] 市场前景与战略 - Benchmark合伙人认为AI搜索领域将孕育价值数百亿美元的公司[4] - AI正重新构想整个技术栈 搜索作为所有软件的基础功能之一 传统网页索引模式供应商难以转型为最佳AI搜索引擎[5] - 公司计划扩建价值500万美元的图形处理器集群"赫菲斯托斯" 并扩大现有35名员工的办公空间[6] 客户与合作 - 客户包括Cursor开发商Anysphere、Databricks、亚马逊云科技和Vercel 被创始人称为"旧金山半壁江山"[3] 团队与人才 - 公司希望吸引志在打造世界最佳搜索技术、渴望在即将爆发领域抢占先机的人才加入[7] - 办公地点位于米慎区 已为员工配备午休舱 体现人工智能热潮的激烈程度[6]

收购交易核心信息 - Atlassian以6.1亿美元现金收购The Browser Company [2] - 交易预计于2026财年第二季度完成 [4] - 被收购公司将在Atlassian旗下保持独立运营 [3] 战略动机与产品定位 - 收购旨在开发AI驱动的知识工作浏览器 优化SaaS应用标签页管理 [2][3] - 目标为打造专为AI时代设计的工作浏览器 替代现有浏览导向产品 [2] - 浏览器公司将继续开发Dia浏览器项目 已停止旧款Arc浏览器开发 [3] 被收购方背景与估值 - 浏览器公司最近融资估值达5.5亿美元 去年获5000万美元投资 [5] - 累计融资总额1.28亿美元 投资者包括Pace Capital及多家科技公司高管 [5] - 收购将加速其人才招聘 功能发布和多平台开发 [4] 行业背景关联 - 交易宣布前一日 美国法院裁定谷歌无需被迫出售Chrome浏览器 [6]

DeepConf方法核心创新 - 利用大型语言模型内部置信度信号动态过滤低质量推理轨迹 实现推理效率与性能双重提升 [1] - 无需额外模型训练或超参数调优 可无缝集成现有服务框架 [8] - 分为离线和在线两种操作模式 适应不同推理场景需求 [8] 技术实现机制 - 采用组置信度、底部10%组置信度及尾部置信度作为核心评估指标 [8] - 在推理过程中或生成后实施动态过滤机制 [1] - 在线模式下相比全并行推理最多减少84.7%生成Token [10] 性能表现数据 - 离线模式DeepConf@512在GPT-OSS-120B模型上达到99.9%准确率 显著超越传统多数投票97.0%的基准 [10] - 在AIME2025等多个推理基准测试中均表现优异 [10] - 在线模式下在减少生成Token的同时实现准确率提升 [10] 研究人员背景 - Jiawei Zhao为Meta FAIR研究科学家 拥有加州理工学院博士学位 专注大型语言模型优化方法 [5] - Yichao Fu为加州大学圣地亚哥分校博士生 聚焦LLM推理优化与系统优化 [8] - 团队在NeurIPS 2024、ICML 2024等顶级会议发表多项相关研究成果 [8][12] 相关技术研究 - GaLore方法利用梯度低秩结构显著节省内存和计算资源 发表于ICML 2024 [12] - Mini-Sequence Transformers针对长序列训练进行中间内存优化 发表于NeurIPS 2024 [12] - HeadInfer通过head-wise offloading实现内存高效推理 S²FT为模型微调策略 均发表于NeurIPS 2024 [12]