核心观点 - 大语言模型与强化学习的融合正加速催生自主智能体发展，公司定位为满足强化学习主导型未来需求的核心云服务商，是布局AI基础设施智能体阶段的高确定性标的 [1] 战略转型：从算力供应商到智能体运行平台 - 收购OpenPipe是公司向价值链上游突破的关键动作，获得强化学习工具包技术及开发者群体认可，打通智能体训练全流程 [4] - 转型是从硬件层加API接口到智能体全周期支持平台的质变，形成一站式解决方案 [5] - 智能体工作负载呈指数级增长，自研强化学习工具与运行时服务将显著扩大利润率 [6] - 公司将任务推进引擎、记忆模块、奖励评估系统等功能整合进技术栈，构筑竞争对手难以跨越的准入壁垒 [7] 技术优势：适配智能体的基础设施需求 - 智能体决策需要成百上千次前向计算，对高吞吐量系统互联、高速内存、回滚架构等提出全新要求 [9] - 传统云厂商无法满足智能体进化属性所需的日志记录、反馈循环、安全防护等专属需求，公司目标是将这些需求深度嵌入基础设施 [9] - 智能体AI经济消耗算力将是传统静态推理的数个数量级，一次决策可能调用数百次模型前向计算 [11] - 公司作为AI原生新云厂商领军者，占据强化学习训练先发优势，符合低成本电力、高密度散热方案、高性能GPU集群等赢家特质 [12] 财务表现与增长潜力 - 季度销售额同比激增200%，达到约12.1亿美元，已签约履约义务订单储备接近300亿美元，提供未来数年业绩可见性 [14] - 营收高增长但利润率承压是高速扩张期典型表现，向软件层平台层升级将长期改善利润率结构 [14] - 若核心平台通过GPU租赁及智能体调度相关软件服务盈利，长期利润率将迎来质的提升 [14] 市场机遇与估值逻辑 - AI范式从静态模型转向智能体模型是公司冲击万亿估值的核心前提，智能体决策循环对算力需求呈爆发式增长 [16] - 到2030年，若1亿专业人士与企业依赖智能体AI系统，平均每天执行5000次推理计算，每次计算收费0.00001美元，年化算力支出将达1.8万亿美元 [17] - 掌控从GPU硬件到强化学习工具包的垂直技术栈价值远高于按小时算力收费，智能体运行调度服务能从整个决策循环中捕获更多价值 [17] - 客户切换成本持续上升，依赖关系增强竞争壁垒并带来更高利润率 [17] - 采用混合估值模型，基础设施业务按6倍EV/Sales、智能体平台业务按14倍EV/Sales，企业价值合理区间为800-1000亿美元 [20] - 若强化学习训练需求加速增长，平台业务收入占比提升至30%，前瞻市销率可进一步升至7-9倍，企业价值或接近1200亿美元 [20]

AI行业发展趋势与价值创造 - 企业对AI基础设施的要求已从降本增效转向直接创造价值 [9] - AI创造的价值将远超互联网时代 当前正站在超级周期的起点加速进入智能经济时代 [11] - 人工智能的意义远超蒸汽机和工业革命 是实现想象即现实的人类能力边界最大突破 [17][18] - 未来十年变化将比过往任何十年更大 人工智能将突破传统需求天花板带来个性化自由 [16][19] 企业AI战略与实施路径 - 百度智能云已助力超过65%央企及46万家企业实现AI落地 [2] - 企业需构建AI原生思维 重构产品服务与用户关系 并做好基础设施/思维方式/组织方式准备 [25][24] - 企业选择基础大模型应关注通用性能/迭代速度/工具链完备性 而非模型榜单排名 [27][28] - 未来所有企业都会强依赖大模型 所有产品都将基于大模型开发 [15] 智能体（Agent）技术范式变革 - 智能体是智能时代核心 封装智能交付结果 连接人与结果 [10][13] - 模型能力决定智能体能力上限 未来每个岗位场景可能对应几个甚至几十个智能体 [22][24] - 工具调用能极大扩展智能体能力边界 RAG仍是控制幻觉提高准确性的经济有效手段 [34][33] - 智能体与过去AI工具的区别在于具备人设和互动感 使学习成为更自然的交流 [36] AI技术演进与关键要素 - 尺度法则重心从预训练转向后训练 强化学习训推一体是今年最重要的AI计算范式变革 [21] - RFT工具链将实现模型效果所需数据从数千条大幅降至数百条 [22] - 算力竞争从比规模转向比精算 极致计算效率仍是模型能力上限提升的核心驱动力 [42][43] - 数据是比算力更重要的核心要素 工程师50%-80%时间花在数据治理上 [35] 行业应用与落地实践 - 生成式AI将催生规模巨大的新职业 未来50%以上的人要成为指令师 [14] - 在制造业AI可充当数字老师傅 实现SOP生成和错误检测自动化 不知疲倦实时质检 [29] - AI云从成本中心转变为新型利润中心 现在投入1元未来可通过应用端产生数倍甚至百倍收入 [23][30] - 云要成为新操作系统 智能体需进厂房/课堂/商场直接参与生产经营 [29] 活动核心信息 - 混沌2025AI应用成果大课将于10月31日至11月2日在无锡飞马水城举办 汇聚2000多位AI创新者 [44] - 活动设主会场聚焦AI战略 三大分会场覆盖产品/营销/TOB领域 展示200多个优秀AI案例 [50][53] - 特色环节包括企业AI诊断报告 百个项目路演 以及海澜之家智慧工厂限量游学 [61][63][64]

中美AI技术发展现状 - 中美顶级AI大模型性能差距从2023年的17.5%大幅缩小至2024年的0.3%，TOP1和TOP10模型差距从12%缩小至5%[7] - 美国AI产业在顶尖模型产出和商业化能力上保持领先，而中国在模型数量、专利申请和应用落地速度方面具备优势[7] - 美国谷歌第六代TPU芯片Trillium等ASIC芯片在AI推理任务上的能效比GPU高出5-10倍[12] - 中国大模型产业面临算力芯片限制，头部产品仍处于L2水平，通用Agent能力待提升[20] AI应用与商业化趋势 - 美国谷歌AI产品API每月处理的token量从2024年4月的9.7万亿增长至1000万亿，增长100倍[12] - 美国ChatGPT网页端日活用户维持在2亿左右，同比增长135.7%；移动端日活达1.84亿，同比增长328.6%[13] - 美国已有49%的企业通过AI实现降本，金融行业AI渗透率最高达78%[17] - 中国通义千问-Max的API输入价格仅为2.4元/百万tokens，输出价格为9.6元/百万tokens，远低于美国OpenAI GPT-4.5的75美元/百万tokens输入和150美元/百万tokens输出[55] - 2024年全球AI手机出货量将超1亿部，预计2027年达5.22亿台，占智能手机市场的40%[43] 产业赋能与政策建议 - 中国需构建“国家引领、产业共建、企业突破”的协同发展体系，推动人工智能与经济社会各行业深度融合[81]

人工智能发展阶段 - 人工智能正从大模型阶段迈入智能体新阶段 [1] - 智能体具备自主规划、持续记忆、使用工具、分工协作四大类人特征 [2] - 推动智能体诞生的三大突破是推理能力提升、开源免费生态成熟、推理算力成本骤降 [1] 智能体的特征与定位 - 智能体更像实习生、助理乃至虚拟员工，需用对待人的态度看待 [1] - 智能体核心能力是通过强化学习与任务规划进行“慢思考”，将目标拆解为可执行路径 [2] - 构建高效智能体系统的关键在于“角色扮演”与“组织管理”，一个智能体最好专注一个角色 [2] 智能体的影响与前景 - 智能体将让个人成为“超级个体”、企业成为“超级组织”，发展前景比软件大十倍 [1] - 智能体能直接完成任务，既替代人力也替代软件，正催生全新“智能体经济” [2] - 美国不少初创公司仅数十人，却能创造千人团队效益，秘密在于智能体高效工作 [2] 企业AI转型框架 - 转变认知：把智能体当“人”来用，明确角色定位 [2] - 小切口切入：优先选择流程明确、人力密集的岗位进行试点 [3] - 构建“虚拟团队”：通过多智能体分工协作处理复杂任务 [4] - 业务专家主导：由懂业务的骨干设计流程，AI团队提供技术支持 [5] - 坚持“人在回路”：关键决策保留人类监督，确保可控可管 [6] 未来竞争力与人才培养 - 未来竞争力在于能否“领导”智能体团队，AI不会淘汰人，但会淘汰不会使用AI的人 [6] - 建议高校开设“自然语言编程”等课程，培养具备AI协作能力的复合型管理人才 [6]

报告核心观点 - AI初创公司资金主要流向API调用和高薪AI工程师招聘，而非昂贵的模型训练[1] - AI正在重塑个人技能、工作任务和团队架构，对大公司和初创企业的影响不同，初创领域涌现出围绕新软件架构的AI原生公司[1] - 榜单基于20万企业客户最近三个月（2025年6月至8月）的真实支出数据，评选出50家最受市场认可的AI原生应用层公司，反映了初创公司愿意为何种AI产品付费[1][2] AI应用市场趋势 - 横向应用（提升企业整体效率）占据市场主导，占榜单60%份额，垂直应用（针对特定岗位）占40%份额[2] - 横向应用中，通用大语言模型助手（如OpenAI、Anthropic、Perplexity、Merlin AI）和智能工作平台（如Notion、Manus）备受瞩目[2] - 会议支持工具（如Fyxer、Happyscribe、Plaude、Otter AI、Read AI）是横向应用的重要类别，并正向更深度功能（如实时会议反馈）拓展[3] - 创意工具和氛围编码两类垂直应用正在实现“横向化”突破，打破职能壁垒，被所有岗位员工使用[3] - 创意工具是榜单中最大的单一类别，共有十家企业上榜，图像与视频类应用数量突出，虚拟形象应用开始崭露头角[3] 垂直应用发展路径 - 垂直领域AI沿两条路径发展：一是通过接管重复性工作释放人力，二是从根本上改变传统岗位形式[4] - 在入选的17家垂直应用公司中，12家专注于人力增强型工具，5家直接提供端到端工作的“AI员工”[4] - 能够独立完成复杂流程的智能体正在崛起，未来可能催生完全由AI驱动的新服务模式[4] - 三大垂直赛道表现突出：客户服务领域（Lorikeet、Customerio、Ada、Crisp）、销售与市场拓展（Instantly、Clay、11x）、招聘与人力资源（Micro1、Metaview、Applaud）[4] - 另有专注于更广泛“运营”领域的企业，如Delve（合规自动化）和Combinely（智能财务），展现出垂直AI应用的多元化[4] 氛围编码领域演进 - “氛围编码”领域已突破消费市场边界，进入企业工作流，榜单中四家专注于AI应用开发的公司表现亮眼：Replit、Cursor、Lovable和Emergent[5] - Replit在企业客户中产生的收入约为Lovable的15倍，因其能开发功能完整的企业级应用、智能体和自动化工作流，更契合现代企业需求[5] - 该领域未来演进方向关注：会因不同应用开发平台兴起而走向“碎片化”，还是在企业级市场出现“赢家通吃”格局[5] 产品进化路径 - 榜单中近70%公司的产品支持个人用户直接使用并推广至团队，无需强制购买企业许可证[5] - 在12家同时出现在消费级TOP100榜单的公司中，11家遵循从服务个人用户起步，逐步拓展团队协作和企业级功能的发展路径[6] - AI带来的根本性变革使消费级AI产品在保持易用性的同时，首次具备满足企业需求的能力，正以空前速度被“自下而上”地引入工作场景[6] - 与以前的软件时代相比，新一代AI公司在成立初期就能通过产品驱动增长，快速进军高端市场[6]

技术价值评估新范式 - 评估技术价值的新范式在于观察其如何重组经济性，即规模、空间与时间的三维关系，而非技术本身[4] - 技术的真正力量在于其让资源、能量、信息、知识等要素更容易流动，现代史是一部“通量革命史”[4] - 经济进步的源头是技术所嵌入的系统，而非技术本身，重塑世界的技术均被嵌入到新的通量系统中[3] 冷链技术对肉类行业的影响 - 19世纪70年代，Gustavus Swift通过构建端到端的冷链系统，改变了肉的流动方式，其核心洞察是将集中屠宰与冷链运输结合[5] - 冷链系统实现了三重经济性：规模经济（集中屠宰与分销带来成本下降）、密度经济（运输单位价值提升）、时间经济（以冷冻对抗时间损耗）[5] - Swift并非冷柜发明者，而是冷链系统的发明者，其创新在于构建了包含冷藏列车、冷库与分销网络的基础设施与制度网络[5] 集装箱技术对全球贸易的影响 - 1956年，Malcom McLean通过改装油轮并装载58个钢制箱体，发明了集装箱航运，使装卸效率提升上百倍，运输成本骤降[5] - 集装箱创新的核心不是钢箱本身，而是其所连接的系统，包括港口机械化、铁路货架、卡车托架和国际标准[5] - 集装箱成为全球贸易的“最小交换单元”，重组了全球产业地理，使深圳、釜山、鹿特丹等港口城市成为高通量节点[5] 互联网技术对信息流动的影响 - 互联网让信息通量成为新的经济增长引擎，使信息流动的成本趋近于零[6] - 移动互联网时代实现了“虚实相融”，信息流与生活场景融为一体，信息交换在时间和空间都被克服的数字世界进行[5] - 信息通量的无限扩张带来了信息过载、知识碎片化等新约束，人类自身成为知识转化效率的瓶颈[6] 智能体技术对知识流动的影响 - 智能体（Agent）是突破信息过载瓶颈的关键，具备高带宽等碳基人不具备的性质，能理解意图、执行任务、生成成果[6] - 未来用户将拥有具备自主行为能力的智能体分身，开启“虚实相生”的新纪元，知识的生成、转化与协作成为核心[6] - 人与智能体形成“共生循环”：人类行为被捕捉成为学习素材（实生虚），智能体以知识驱动行动反馈现实（虚生实），知识在流动中被重组优化，即“知识通量”[6] 通量革命的制度化进程 - 每一次通量革命都需完成从技术系统到制度系统的转化，例如冷链催生食品安全监管，集装箱促成国际标准化组织，互联网催生TCP/IP协议[7] - 知识通量的提升需要新的制度与基础设施，包括重新定义知识产权、智能体身份、协作协议以及可信的计算环境、可互操作的标准接口[8] - 工业时代核心是物质通量，全球化时代是货物流通，数字时代是信息通量，而智能时代核心是知识通量，未来竞争取决于知识转化为行动的速度与深度[8]

政策导向与行业目标 - 国务院印发《关于深入实施"人工智能+"行动的意见》，明确提出推动AI与经济社会各领域深度融合，目标是到2030年我国新一代智能终端、智能体等应用普及率要超过90% [1] - 业界各方正将智能体作为大模型之后的重点发力方向，加速推进其应用场景落地 [1] 通信运营商战略布局 - 中国移动宣布新升级的"AI+"行动计划，目标是未来三年对人工智能领域的总体投入翻一番，同时加速其智能体用户规模突破2亿 [2] - 中国联通发布自己的开源智能体开发平台，支持上百种大模型统一接入 [2] - 中国电信上线了能自主执行复杂任务的超级智能体 [2] 智能体应用场景与案例 - 在酒店场景中，AI智能体通过线上对话解答住宿问题，并能根据旅客需求直接调动智能联网设备及服务机器人提供服务，已在一千多家门店、上万间客房试点应用超过半年 [1] - 智能体可帮助普通用户通过文字对话方式，在2到3小时内制作出个性化的精美攻略网页，无需懂技术代码 [2] - 多模态智能体可应用于内容创作，例如根据指令自动制作图片、视频并完成整合，将原本复杂的创作任务耗时缩短至约十分钟 [2][3] 智能体技术特点 - 用户看到的一个智能体背后，有多个"子智能体"像团队一样分工协作，过程中会根据需要调用不同的大模型能力 [2] - 智能体技术能将客户需求分析拆解后完成对应服务，既提升用户体验，也帮助提升运营效率 [1]

模型技术突破 - 公司构建了全球首个专为端侧Agent（智能体）构建的30亿参数模型，具备多模态、推理、长文本、面向UI Agent等五大能力优势 [1] - 该30亿端侧多模态推理大模型在10B以内大模型中能力断层领先，在权威榜单OpenCompass、SuperCLUE手机端侧大模型测试中表现出众 [2] - 该模型在行业内率先实现用2G运行内存支持128K长上下文能力，并能理解手机界面、执行跨应用操作，成为全球首个为端侧Agent构建的3B模型 [4] 用户体验提升 - 端侧模型小型化使AI具备“即时响应”和“离线工作”能力，可在无网络环境下处理长达128K的本地文件，实现无时无刻的可靠陪伴 [5] - AI从“对话者”进化成“执行者”，具备“看懂世界”和“动手操作”的能力，能理解图片并自动完成跨应用操作 [6] - 行业首个“端侧模型训练引擎”赋予手机本地学习进化能力，用户习惯和偏好可塑造专属于个人的“数字生命体” [6] 生态开放战略 - 公司搭建“蓝心个人智能框架”，从感知、记忆、规划、执行四个维度建设，旨在用户与智能体服务间搭建桥梁 [8] - 面向开发者的“蓝心智能开放平台”将个人化能力开放，意图框架2.0全面兼容MCP协议，推出适配智能体协议A2A，积极推进端侧模型能力开放 [10] - 已有超过50家生态伙伴接入开放平台，引入200多项服务，通过建立行业标准、开放技术能力推动产业从“技术竞赛”走向“生态共赢” [10][12]

公司AI战略与组织调整 - 国内大模型市场趋于集中，开源成为重要战略，DeepSeek的横空出世是重要变量 [3] - 公司AI产品服务从原来只基于混元大模型，转变为开放整合多家大模型 [3] - 2024年12月，云与智慧产业事业群（CSIG）与技术工程事业群（TEG）再度搭配，CSIG承担前端产品责任，TEG专注底层混元大模型，类似云服务合作模式 [3][7] - 将原技术团队孵化的元宝产品调整至业务部门，由拥有To C产品经验的负责人带领，任命原腾讯会议负责人Lori Wu负责元宝 [4][7] - 公司将浏览器、搜狗与输入法等工具类产品转到CSIG，以强化AI场景联动 [9] 元宝产品发展关键决策 - 元宝在国内同类产品中第一个全面拥抱第三方模型，优先接入DeepSeek R1，决策过程仅两三天，基于用户强烈需求 [3][18][20] - 决策核心是“以用户需求为本”，只要对产品价值大于包袱成本就应执行，大部分用户不关心模型是谁做的 [24] - 微信对元宝的支持力度前所未有，包括广告位、新闻插件、视频号与公众号可被@元宝点评，微信内可转发文件给元宝进行总结分析 [25][27] - 元宝团队重建需要大量招聘懂大模型的产品经理、搜索专家及模型后训练研究人员，每周持续面试 [28][29] - 元宝的目标是成为C端搜索信息的新入口，公司视其为继移动互联网后的关键战役，希望拿到AI时代的船票 [9][81] AI产品与技术洞察 - 新一代搜索服务更倾向由大模型理解意图，再针对性查找最新、最权威内容，是智能体驱动（Agent-driven）的方式 [11] - 2025年被认为是Agent元年，模型逻辑推理能力只是AI产品体系的一部分，还需搭配搜索、语音、专业数据、服务生态等能力 [11] - 大模型与搜索联动有两种路径：先搜再交模型解读，或模型先理解意图再去搜，需大模型判断，两者都有 [30] - AI Chatbot产品形态过去两年变化不大，对话仍是核心，但未来会涌现不同产品形态，不同玩家有不同侧重 [63] - AI可视为“生活上的操作系统”，是获取服务或资源的媒介，但比传统操作系统更智能、强大，能自主分解任务并协调资源完成 [64][65] To B市场与商业化 - AI在To B是激烈战场，国内头部云厂商基本都是大模型头部玩家，大模型服务可带动配套云服务收入增长 [84] - AI算力需求带动云厂商收入增长提速，GPU算力充足的云厂商获得更多市场份额，同时推动存储与通用计算消耗增长 [84] - 企业更关注模型应用落地以实现降本增效，国内开源大模型成为许多企业搭建智能体的首选，工具选择多，竞争激烈导致亏损与补贴 [84] - 腾讯云智能体开发平台（ADP）升级至3.0，支持超过140个MCP插件服务，扩展智能体工具能力，支持多智能体并行协作 [91] - To B领域公司聚焦平台产品，将服务交给生态伙伴，伙伴中年收入过10亿的案例很多 [98] 行业趋势与竞争格局 - AI产品范式变化主要体现在用更高效率满足已有场景需求，但尚未创造像移动互联网时代的新连接方式 [66][67] - AI时代可能出现Agent与Agent、模型与服务之间的新连接，未来互联网内容可能更多是为Agent生成而非用户直接消费 [68] - 大模型竞争是人才竞争，公司加大招聘力度，总办亲自吸引顶尖AI人才，推动扁平化管理，给年轻人更大发挥空间 [72] - 行业探索产品与模型的解耦合作方式，混元按自身节奏迭代模型，元宝基于稳定版本做产品工作，定期升级 [74][75] - 创业公司很难避开巨头竞争，在大厂生态找机会或专注海外市场是更好选择，海外用户付费意愿更高 [97][99]

文章核心观点 - 人工智能智能体技术正从理论走向实用，2025年被誉为“智能体元年”，其核心是由AI驱动的自主系统，能独立执行多步骤任务，对业务运营和数字基础设施产生显著影响[2] - 智能体在网络安全领域展现出巨大潜力，通过持续监控、实时威胁检测和人力增强等方式提升安全效率，但也在感知、推理、行动和记忆四个基础功能层面引入了新的风险[1][7][11] - 智能体架构通常构建于大语言模型之上，包含感知、推理、行动和记忆四个基础组件，多智能体系统的协作增加了复杂性，也带来了可解释性、隐私和系统安全性方面的新挑战[3] 智能体技术发展趋势与定义 - 2023年至2025年被视为AI技术演进的关键阶段，从“生成式人工智能”元年经过“人工智能实用化”阶段，稳步迈向“智能体”元年[2] - 智能体的核心定义是“由人工智能驱动的自主智能系统，旨在独立执行特定任务，无需人工干预”，强调其学习、记忆、计划、推理、决策和适应等一系列自主能力[2] - 建立智能体领域的技术领导地位可能带来重大的经济和地缘政治影响，尤其是在金融、医疗保健和国防等敏感领域的关键工作流程中嵌入智能体[2] 智能体系统架构与类型 - 智能体系统架构包含四个基础组件：感知模块负责从外部来源获取数据，推理模块利用LLM功能规划行动方案，行动模块执行任务，记忆模块存储上下文信息[3] - 智能体基础架构堆栈包括模型API、内存存储、会话管理器、外部工具集成以及支持模块化开发的开源框架和库[3] - 报告识别了七种主要智能体类型：简单反射智能体、基于模型的反射智能体、基于目标的智能体、基于效用的智能体、学习智能体、多智能体系统和分层智能体[4][5][6] - 当今领先的智能体如谷歌的Project Astra、OpenAI的Operator和CrewAI反映了通用智能体系统面向不同环境与行业灵活应用的发展趋势[6] 智能体在网络安全领域的优势 - 智能体通过自主辅助网络工作人员执行持续监控、漏洞管理、威胁检测、事件响应和决策等重要任务来增强网络安全[7] - 在持续监控和漏洞管理方面，智能体能应对高度分散化的现代数字环境，谷歌Project Zero团队已成功运用智能体发现多个零日漏洞[8] - 在实时威胁检测与响应方面，多智能体协同工作模式实现分钟级威胁检测与响应，微软Security Copilot等解决方案将平均响应时间缩短了60%以上[9] - 在网络安全人力增强方面，智能体通过自动化处理70%以上的告警误报，每周可为安全分析师节省40小时工作时间，有效应对全球400万的网络安全人才缺口[10] 智能体架构各层面的网络安全风险 - 感知模块面临对抗性数据注入和AI模型供应链风险，威胁行为者可能在预训练阶段将恶意数据嵌入基础模型中[12][13] - 推理模块的漏洞可能导致错误决策，风险包括模型底层漏洞的利用和模型利用攻击，攻击者可能提取专有知识或敏感训练数据[14] - 行动模块对利用智能体与外部系统交互能力的攻击敏感，风险包括提示注入、命令劫持、未经授权的访问和API集成漏洞[15] - 记忆模块可能发生内存篡改或损坏风险，威胁行为者操纵存储的内存来扭曲智能体的理解，早期引入的漏洞可能随时间得到强化[16]