AI技术在全球及中国企业的应用现状 - 全球88%的企业已在至少一个业务职能中使用AI技术，比2024年高出10个百分点，但仅三分之一已着手推进AI的规模化落地 [7] - 中国内地AI应用普及率与全球持平，83%的企业在至少一个职能中常态化使用生成式AI，领先全球平均水平 [8] - 中国内地有45%的受访企业实现AI的规模化或全面部署，高于全球38%的均值 [9] AI Agent（智能体）的应用与挑战 - AI Agent热度高，62%的受访组织已在试验，但真正跑通业务流程的企业是少数派，在任何部门中推动AI Agent的公司都不到一成 [10] - AI Agent率先应用于流程清晰、标准化程度高的部门，如IT运维、知识管理、营销与销售 [10] - 部署AI Agent的根源挑战在于需要重构流程、重塑组织并重训员工，多数组织仍处于试用或验证阶段 [11] Agentic AI（智能体AI）成为未来趋势 - Agentic AI被置于技术趋势首位，其核心是AI能主动完成任务 [11] - 推动Agentic AI发展的三大底层动力：推理成本大幅下降（2025年模型推理价格中位数下降约50倍）、小模型爆发、多模态能力突破 [11][12] - Agentic AI深度融入后，将在企业、经济和个人三个层面带来改变，包括重塑组织架构、拉大企业间生产率差距（可能达两位数提升）以及改写工作定义 [12] 金融行业的AI应用与分化 - 金融业是AI技术落地的前沿阵地，但不少金融机构反馈AI应用效果不达预期，投入产出比不高，根源在于应用尚处尝试阶段，未真正重塑作业模式 [3][14] - 高绩效AI组织（能将至少5%的EBIT增长归因于AI）的成功特征在于：绘制明确的AI路线图，并主动重写业务流程，将AI嵌入前线流程与系统 [14] - 大模型加速行业分化，大型金融机构优势明显，但中小金融机构可借助降低的推理成本，通过寻找合适应用场景和合作伙伴实现能力跃升 [15] 实现AI价值的关键经验 - 要通过智能体AI实现业务价值，必须改变工作流程，例如财富管理流程未来在AI助力下可能从五步简化为三步 [16] - 智能体并非万能药，高变化、低标准化的工作流程更适合应用，在部署前需评估任务需求 [16] - 需杜绝“AI垃圾”，重视用户信任，这需要结合专业知识创建评估标准，并让专家持续参与测试 [17] - 人的作用依然不可或缺，需要监督模型准确性、确保合规、运用判断力并处理边缘情况 [17] AI在金融领域的治理与平衡策略 - 不能“一刀切”地应用AI，需根据业务特性选择最适合的AI类型 [17] - 规则型AI适用于信贷审批等标准化场景，可确保决策一致性和可解释性；生成式AI和智能体AI在非标知识领域更具优势，但不应让其直接制定规则 [18] - 需建立完善的治理框架，采取“规则主导+AI辅助”的混合模式，在创新与风险间找到平衡 [18]

核心观点 - 微软团队提出名为“异步思考”（AsyncThink）的新方法，旨在实现LLM从个体智能到“智能体组织”的范式跃迁 [1] - AsyncThink通过“组织者-工作者”协议将内部思考过程组织成可并发执行的结构，以解决现有并行思考方法的高延迟和动态性差等难题 [1][2] - 实验表明，该方法在提高数学推理准确性的同时，将推理延迟降低了28%，并展现出良好的跨任务泛化能力 [1][14][16] 研究方法 - AsyncThink的核心是“组织者-工作者”（Organizer-Worker）思考协议，LLM同时扮演组织者和工作者两个角色 [2] - 组织者负责将复杂问题拆分成子任务，并通过“Fork”和“Join”操作安排任务顺序；工作者负责执行子任务并返回中间结果 [2][4] - 该方法采用两阶段训练过程：冷启动格式微调和强化学习 [4] 训练过程 - 冷启动格式微调阶段使用GPT-4o生成合成训练数据，并对基础LLM进行监督微调，使其掌握AsyncThink框架的组织语法与行动结构 [5] - 强化学习阶段通过改进的群组相对策略优化（GRPO）算法，利用准确性、格式和思考并发奖励来指导模型学习高效、准确的策略 [7][9] 实验评估 - 在多解倒计时任务中，AsyncThink的全对率达到89.0%，显著高于并行思考的68.6%和序列思考的70.5% [11][13] - 在数学推理任务AIME-24和AMC-23上，AsyncThink的准确率分别为38.7%和73.3%，延迟分别为1468.0和1459.5，在保证精度的同时延迟降低约28% [14][15] - 在跨任务泛化实验中，AsyncThink在4×4数独任务上准确率达到89.4%，延迟为2853.0，优于序列思考和并行思考 [16][17] 消融实验 - 格式微调使LLM学会“语言”，即如何Fork与Join；强化学习使LLM学会“策略”，即何时Fork、如何Join才能更快更准；并发奖励则让LLM学会平衡准确率与延迟的效率 [18][19] 未来工作 - 未来研究将围绕扩展智能体的规模和多样性进行，探索异步思考的扩展定律以及由异构专家工作者组成的大型组织 [21] - 将探索递归智能体组织，使工作者可动态提升为子组织者，以解决深度嵌套的复杂问题 [22] - 将研究人类-AI智能体组织，创建人类-AI协作框架，实现混合智能 [23]