牛云鹏先生在2026观点数字科技未来大会发表的演讲。
牛云鹏（北京浓墨见智信息咨询有限公司创始人兼CEO）：谢谢大家，今天也非常荣幸能够在咱们观点这个平台和各位专家领导，以及行业界的同仁分享一下我们关于这个智能体相关的一些认知。
因为我们公司，主要也是从事智能体方面的这个应用和开发方面的工作。所以我们也有相关的一些心得，也在今天这个场合我跟大家来交流一下。
首先，梳理一下近三年AI的一些发展情况。
2024年，我们可以认为这是一个大模型的爆发之年。众多优质的模型迭代更新，比如GEMINI、GRM、千问、kimi，都在2024年推出新模型的更新迭代。
2025年是AI行业转向了这个智能体的元年。DeepSeek的深度思考与一些GPT的基础模型，诞生了很多类似于Computer Use、Minus、Open Cloud 等强大、功能丰富的智能体。
2026年，行业普遍认为正处于智能体的爆发元年，将会有更多的智能体呈指数的方式增长。
我们现在要面临AI发展时代的临界点。未来要何去何从，以及相关的智能体发展，接下来又是怎样的一个趋势，接下来我要给大家分享一下个人的一些看法。
首先我们来看一些数据，目前中国生成式AI的用户规模已达到6亿人，半数网民日常都在去用生成式AI协助解决和处理问题。
国内日均的token调用量呈指数型的增长，现在日均调用量已达140万亿，两年增长超过千倍。Gartner预测，到今年年底将有40%的企业部署自己的专属AI智能体。
智能体今年肯定是一个爆发增长年。有机构预测，到2031年，大量低技术门槛、事务性、重复性岗位，或将被AI全面替代。
基于AI发展，我们可以思考，AI目前是否处于一个非常高效，能够完全替代人类的发展阶段？
结合实际使用体验不难发现，AI 普遍存在幻觉问题，我们无法把所有的问题都交给AI去解决，也不能直接相信它给出的这个结论答案。因为从本质来讲，现在的所有大模型其实都是活在概率论里的“囚徒”。它输出的每一个字，都是基于前置语境条件，算出下一个字出现的概率并输出。
当前所有的大模型都是基于Transformer架构，Transformer架构本身就是一个概率论，所以完全没有办法来去解决幻觉问题，这个是架构本身的一个问题，这就是土壤的问题。
所以现在各大的厂商与企业专家，都在去想办法解决幻觉，或者让幻觉降得更低。
有两种方式，一种是我们从基础模型层面，去做一些调优；一种就是不断去增加我们的参数量。
我们原来的大模型参数可能有几百亿，到了上千亿，现在到了上万亿的参数。但是我们发现你让GPT或者让DeepSeek去回答一些基础计算问题，仍然会出现错误。
所以，OpenAI前首席科学家Ilya提出：如果还去卷模型的参数量，已经很难能够实现模型能力的提升。模型参数量从百亿级提升至千亿级，可实现能力从60分到80分的跨越；但从千亿级扩容至万亿级，能力提升大幅放缓，仅能实现80分到85分的微小突破。
他认为，模型规模化的时代已经结束了。所以我们还要探索新的一些方法，让AI变得更加智能。
目前，我们有四个方向的趋势，已经能达到技术成熟的临界点。
首先，基础模型叠加推理能力，还有MOE专家模型，能够去做复杂问题的解决，达到我们基础问题处理的一个门槛。但更复杂或者更加个性化的一些场景，它依然还是解决不了。
第二，基础模型增加了更多的比如MCP、Agent to Agent相关的一些协议，让优质大模型一起协助解决问题，让所有大模型不同的智能体和工具用同一套语言来协助解决问题，也是奠定了基础。
其次，全球的头部企业完善AI架构的治理，保证大模型能够产出更安全的数据，减少大模型AI幻觉等，这种体系也是逐渐成熟。
更关键的是，推理成本随着算法的迭代在下降。虽然调用量高，但是整体推理的单个推理成本是下降的。
所以，每个企业其实都更愿意去部署一个Agent的智能体，经济上是可行的。
同时，基于这四个发展方向，我的观点是，未来我们的智能体发展的浪潮，其实已经不再执着于本身技术的迭代升级，也不在于我们扩充更多的参数量带来技术的划时代的升级，而是围绕一个可用的“大脑”，去叠加更多的工具插件和使用方法。
这个使用方法一部分是由我们人类的认知给过去的，还有一部分是大模型结合我们的一些提示词或者context，它能够感知到任务的背景场景，最后达成的一个结论共识。
这也就是现在比较火的一个词“碳硅比”：人类是碳基生命，AI是硅基生命，碳硅的一个结合，能够让我们完成的任务更好，而不是说完全把一些任务直接丢给AI。人类还需要跟AI进行多轮交互，去纠正AI的一些错误。未来发展的方向就是达到一个“碳硅比”的平衡。具体平衡比例是多少，我们后面也会有一些分析和分享。
现在有很多人也在焦虑，在AI智能体系越来越强大的情况下。“碳硅比”的比例，未来会不会有一天直接硅基（AI）占据大幅比例，最终直接替代了碳基（人类）。
前几天cloud的公司Anthropic发布的研究报告，详谈了人类的哪些技能和岗位非常容易被AI替代。他给了一个比例，蓝色是理论可以替代的值，而红色是我们现在实际替代的值。
对于数据标准化、结构化程度高，决策逻辑清晰的行业与岗位，AI替代效率极高；对于任务发散性强、容错率低的标准化重复工作，AI可快速批量落地替代。
但在医疗、设备维修等高风险、零容错领域，一旦失误会引发安全事故或重大损失，AI的实际替代率始终比较低。
不禁思考，未来我们会不会面临其中一部分岗位的失业潮，这个我们还会后面再去分享。
先看前几次工业革命带来的失业潮。第一次蒸汽时代工业革命，机械化替代传统手工业；第二次电气化革命，淘汰落后人力岗位；第三次信息化革命，重构全社会就业结构。其实，每一次工业革命的过程中都是不断以新的岗位的诞生，替代旧的岗位。这个过程也是我们人类认知提升的一个过程。
可能隔50年以前，我们给任何一个人用智能手机，大家都不会用。但是现在三四岁的孩童已经知道哪个APP应该怎么点，怎么播放，怎么暂停。人类的认知也是在潜意识里有不断的学习和提升过程。
根据前两天一个世界经济论坛预测，到2023年，AI将催生1.7亿个新的岗位。同时发生迭代，替代目前9200万个岗位，中间会有七千多万的岗位差值。也就是说，AI它会替代部分，但是也会创造新的岗位，所以不一定会带来持久的、巨大的失业潮，但是一定会导致我们人类的技能和认知的一些提升。
诺贝尔经济学奖得主彼得·豪伊特认为，AI取代人类目前为时尚早，我们需要现在做一个“碳硅比”平衡。
对于普通人来说，以后去找工作，或者做好一些AI的应用，一生可能要经过多次的认知提升和转岗，才能让我们的工作做得更好，让我们整体的技能得到一些发展。
因此我也给出第二个观点：在“碳硅比”达到平衡、我们真正能用好AI的时候，我们必将经历一段阵痛期。
这个阵痛期会导致一部分的失业潮，但也会导致一些新的岗位被释放出来，让我们有新的人员，去学习新的技能，从事这种岗位。这个阵痛期要持续多久，主要还是取决于我们人的认知升级需要多长时间。
如果人的认知升级，学习能力更快，那我们阵痛期就非常短，如果时间更长，那阵痛期时间也会比较长。
前几次工业革命我们也是经过了经济危机、两次世界大战这样的阵痛期，我们逐步调整，最终认知和学习技能得到更好的一个提升。这也是我们未来发展可能会面临的境遇。
对此我推测，未来我们可能会在AI时代做好的三件事。第一，我们要想办法用自己的认知让AI变得更聪明；第二，我们要想办法用自己的认知，去限制AI大模型别太聪明，不要超过我们；第三，我们要持续供电。能源始终还是人类对于大模型去投喂的一个根本的价值，包括这些算力之类的。
我们再来看一下，前面也有嘉宾分享过关于中美AI方面的一些差距有多大。这里我也详细从多个方面比较了一下。刚才黄总也提到了，这里我也就不过多的去赘述了。
其实我个人认为中美的AI差距其实不大。中国在某些领域的优势，明显要优于美国。中国至少是前二是没有问题的。
未来，中国企业以及相关的这个AI行业的发展，有没有机会去超过美国，以及说我们未来超过美国的一些优势，可能会在什么地方呢？我给出了第三个观点：未来我们想让智能体或者AGI变得更聪明，有三个护城河--数据、数据结构、算法。
数据这一点，中国有14亿的人口，我们每天每人打开一次抖音，就有14亿条数据。这个数据量产生是很多的，而且能覆盖很多场景，这个是我们本身的一个优势。
但是数据量规模再大，它也会让模型训练面临到一些瓶颈。如何突破这个瓶颈？我个人认为可能就是在于数据结构。
当我们杂乱无章的数据按规则、结构去做处理，就能让这些数据提取和数据的一些推理演算的效率能够提升，并且能够得到相关的一些数据结论。
如果我们能把这些数据结构更多的抽象和深度化，那么可能就是能形成算法。
所以，数据结构是真正能拉开AI差距的一个重要因素。数据的结构本身其实就是做了一个压缩的过程：让杂乱无章的一个房间变得更加的规整有序，这样能够让我们装更多的东西；在这个房间里对更多东西去进行分类。压缩，才是真正智能的核心存在。
历史上有很多生动的例子，这里我举一个关于行星的例子。最早，我们要想确定一个行星位置，需要人长期的去观察，而且要记录每时每一刻这个行星它出现在了什么节点，我们要把这些时间、位置都存下来，这个工程量是巨大的。
但是有了开普勒，他意识到行星的轨道是一个椭圆，那就能规避掉很多行星不会出现的一些空间位置。这就是进行了第一次压缩。
之后，牛顿又发现了这个动力学的定律。根据牛顿的定律，我们可以根据一些常规的参数，还有一些输入的一些变量，直接通过公式计算出来，行星会出现到哪一个空间的位置。这又是进行了一次压缩。
我们可以看到，开普勒椭圆的一个发现，其实就是把数据结构规定到了一个轨道，这就是一个压缩。而牛顿发现了动力学的定律，这又变成了第二次压缩。这种压缩又偏向于一个公式定理，属于算法层面的压缩。所以经过这两次压缩，我们才有了天体物理的奠基。
今天我们的AI也处在这样一个历史节点上。如果我们只是不断去堆砌数据，而不小心翼翼得整理数据，那我们可能还是会变成一个“查表器”，把AI当成我们的一个搜索工具，而不是作为智能体，配合我们的工作。
如果我们能够去找到这样的AI时代发展的“开普勒时刻”，做好结构化和压缩，那么真正的AI的智能体，才能够真正做好相关的赋能。
最后我想说，AI时代已经到来。未来我们的发展，一方面取决于技术的突破，也取决于我们人类根据自己认知的选择。而且未来AGI真正会发展成什么样子，我们今天其实还很难去给出一个结论性的推断。
但是我们真正可以每天追问自己的一个问题就是，今天的AI经过不断地认知调优，有没有帮它完成一件昨天做不到的事。每天的进步，那都将是我们倾注数据、数据结构，以及思想的一个过程，让AI变得更好。
以上就是我的一些分享内容，谢谢大家。
免责声明：本文内容与数据由观点根据公开信息整理，不构成投资建议，使用前请核实。
热门跟贴