2025年以来，人工智能行业接连出现了几个重要节点。
新年伊始, DeepSeek迅速走红, 全球科技行业重新评估中国大模型的技术稳步进展。这之后, OpenAI、Anthropic、Google一类企业持续加码智能体赛道, 愈发更多产品开始试着直接操作计算机、调用各类软件并达成多步骤复杂任务。与此同时, AI手机、AI眼镜踏入高密度发布节点, 人形机器人亦频繁现身各类工厂、参展展会以及流动资本市场之中。
这些变动看来归属于不同领域赛道。DeepSeek属于基础大模型, 智能体属于软件应用类, AI眼镜属于电子消费类, 人形机器人则关联到机械设计、控制技术和制造生产。但要是把它们排布在同一技术进化序列上, 会发现其实它们指向着全部相同方向: 人工智能的能力范畴正在从生成内容扩展为执行任务, 并且往更进一步的方向延伸到真实物理环境中的感知与行动。
不过几个已过去的年份里, 人工智能行业的核心重点, 是把模型打造得愈发有智有慧。至于紧接着就要面对的那个相应问题, 明显要更加详实且具体: 这些已然具备的实力, 如何能够深入日常工作的运转流程当中, 怎样最终形成牢固稳定的产品内容, 以及又要如何切实转化成可以精准统计计算得出的商业价值。
人工智能由此开始进入下半场。
01从GPT开始，AI第一次真正走向大众
2022年底正式发布后GPT就第一次, 以自然且直接的方式进入了人工智能普通用户的生活；在此之前的AI, 早就已经广泛存在于搜索、那些推荐、语音识别哦和机器视觉等这些各类系统中存在, 只是这些呢能力呀大多早已隐藏在每款产品后台里, 用户你很少能再直接感受到那些机器正参与过来做的各种判断。
GPT改变了人与AI的交互方式。用户不需要理解代码和算法, 仅需要用自然语言提出要求, 模型便能生成文字、翻译内容、整理知识, 乃至辅助编程。生成式AI迅速从技术圈扩散到教育、办公、内容创作等繁多场景, 大模型也由此成为全球科技产业的竞争中心。
行业关键词2023年是百模大战。互联网企业、创业公司、科研机构密集发布基础模型, 市场最先关心的是, 谁拥有自己的大模型? 2024年, 竞争进一步转向了能力比拼, 参数规模、上下文长度、推理能力、多模态水平和榜单成绩, 成为最最常见衡量的标准。
这两年里, 历经一次关键的能力迁移的完成。往昔的AI, 专门拿手的是辨认和预判；大模型则令机器获具了更为强劲的言语领会、实质发生与知识处置之能力。自动智能, 始于后台计策, 转往前台器具；同时, 亦令各种行业, 均望见了重新排布产品及步骤的可能。
行业逐渐意识到, 若每一次能力提升, 都要依托倍增增长对应倍数的, 被用作模型参数规模训练与推理相关流程, 以及直接关联芯片、数据、资金新增投入总量翻倍的核心生产要素资源, AI的普惠覆盖速度与可实现商业发展空间, 都会在这样的路径驱动下受到不同程度的实质阻碍。
DeepSeek正是在这个阶段成为转折点。
02 DeepSeek出现后，大模型的游戏规则变了
DeepSeek引起全球关注, 表面上看是因为模型能力趋近国际头部水平, 底下更深的影响则源自成本和效率。
在它出现之前, 大模型行业普遍沿着规模扩张的路径推进。更多参数、更大训练集和更强算力被视为提升模型能力的主要方式, 美国头部模型公司依托芯片云计算和资本优势, 不断把训练规模推向新的高度。这条路径推动了AI能力快速增长, 也让基础模型越来越接近一场重资产竞赛。
DeepSeek给出了另一种解法, 通过架构、训练方法和工程体系上的优化, 高性能模型可以在资源使用效率上实现明显改善, 它没有消除算力的重要性, 前沿模型的训练和大模型推理仍然需要强大的计算基础, 但它让行业看到, 算力投入并非唯一变量, 算法效率、工程能力和软硬件协同同样能够影响最终结果。
这件事改变了大模型竞争的计算方式。
过去行业每每把性能最强模型总等同于资金人力投入最大模型, 眼下企业更该对比考量模型于单位算力、单位成本以及具体实际任务里的表现效果, 各选用模型的公司里, 模型价格下调降低也象征更多应用场景能够得以跨过商业化落地的门槛。以及客服、代码编程、知识梳理管理同数据统计分析等等各类场景之中, 仅当模型调用运行后的成本足够低廉且稳定性也达到标准时, 才有所可能由初步试点阶段转向规模化的铺展部署之中。
与此同时, 开源生态的重量性也被更进一步地巨大。DeepSeek、Qwen等模子缩水了主体和开辟者运用前代AI能力的门槛儿, 让更多公司可能在自个儿的数据和生意境况内中举行安插、微调和二次开垦。本事模型本领先导从少数头部企业的独占资源, 徐徐变成为简略被遍及调拨的技术底座。
当一个接一个的模型越来越强、越来越便宜, 产业领域自然就会接连抛出下一个连一个的问题: 有了这么一个发达的大脑, 人工智能能不能直接一件接着一件把事情做完?
03从聊天助手到智能体，AI开始进入工作流程
聚焦对话展开是聊天机器人的核心, 用户发出提问, 模型给出作答, 而企业切实需要开展的相关工作, 往往并没有这般简易。
要完成一次市场分析, 需收集资料也要核对数再归纳着趋势后输出一份报告；要处理一项客服任务, 可能涉及到去查询订单还要修改信息得发起退款来记录结果；完成一段软件开发呢, 也包括去理解需求同时编写代码和测试接着还得排错。单次生成内容要么就只能覆盖其中一部分罢了, 剩余的环节始终还是需要人在不同软件和系统之间不停地反复着去操作。
智能体试图解决这段距离。
它建构在大模型之上, 同时加入任务规划、记忆存储、工具调用和执行反馈模块能力。客户提供目标后, 系统即可尝试拆解形成步骤, 调用检索查找、浏览器端、代码工具或企服软件, 并根据推行执行结果持续调整优化。人工智能由此开始接入到作业流程, 负担过去必须由人员串联组合完成的某一一部分任务内容。
Anthropic推出Computer Use能力后, AI直接电脑界面操作成为行业热点。OpenAI、Google和国内厂商也在持续推进类似方向, 银行、运营商和制造企业则开始尝试智能品将客、审员工部。
这类变化已然越过了聊天机器人的覆盖边际, 但奔向完全自立作业仍存在清晰差距。任务环节越繁杂, 失误积少成多的几率就越高；一旦关联到邮件递送、数据调整和资金操作层面, 权限、保障和责任相关议题也会飞快加剧。企业不该只聚焦模型能不能完成一回示范展示, 更要查验长期运转过程里的精准度、溯源能力和反常处理水平。
因此, 会有一段较长时间内智能体边界清晰、流程明确那类任务更可能由它承担, 类似目标划定、关键判定与结果审核这类事项依旧需由人类来全部担责, 工作范畴里的任务分配会被AI最先做出改变, 在此之后才或许继续影响岗位架构及组织模式走向。
04 AI正在离开屏幕，进入真实世界
智能体使AI跻身软件流程内, 终端及机器人则把此种能力引至更具体的生活和生产环境中。
过去, 普通用户使用大模型, 通常需打开网页或APP后再主动输入问题, AI手机和AI PC希望把模型能力嵌入操作系统, 让设备参与文件整理, 开展会议记录, 处理图片, 施行翻译且推进跨应用操作, AI眼镜更向前一步, 它可通过摄像头, 连接麦克风和传感器持续获取环境信息, 帮助用户识别物体并记录内容以及获得实时提示。
这批产品的核心绝非在于嵌入了几多AI功能, 而在于是否搭建出新的交互入口模块。移动终端具备终端用户、积累数据体系与成熟应用生态, 依旧算作最牢靠的个人运算装备；智能穿戴设备中的眼镜式终端更贴近人的视觉感知与听觉观感, 拥有环境感应先天优势, 但续航表现、机身重量、隐私安全与日常使用习惯依旧掣肘着这类装备的大面积普及。
终端竞争解决的是AI如何潜入个体日常具象行为生活, 具身智能则竭力促使AI更深一步介入实际物质劳作。
人形机器人近两年快速升温, 与大模型能力进阶有紧密关联。传统工业机器人依赖固定程序和条件明确环境, 擅长在生产线上重复执行标准化动作, 却难以应对开放场景和临时变动。大模型、VLA和世界模型的成长进展, 让机器人有机会理解自然语音指令、感知复杂环境, 并按照预设目标生成运动。
人形机器人重新受关注原因也这个, 现实里的工厂、仓库、办公室和家庭, 大多按照人体尺度设计, 机器人要是能使用人类工具、通过楼梯和门廊, 并完成多种任务, 就有可能减少对既有环境的改造成本。
但从走步、跳舞到胜任稳定的工, 中间仍旧隔着可靠性、成本和数据。数理模型能够透过互连网得到海量文本和图像, 机器人需求的却是带有的行动、力量和反馈, 那才是实打实的交互实质数据。一个杯子位置、质地跟重量哪怕稍有变动, 抓取举措就大概得重来另调成。实操室的得胜演示, 亦难径直等同于工场里头的接续运行。
所以, 具身智能此前最要紧的指标已经逐步从动作难度转成工作能力。家伙能不能久久运行, 能不能对付意外情境，能不能在下标上赛过人手和常见自动化, 终于会下结论这轮热潮能不能化成实打实业。
05从模型竞争到产业竞争，AI进入下半场
从GPT到DeepSeek, 从智能体到人形机器人, 人工智能的每一步递进都在延展技术的运用极限。
以大模型突破的机器理解与生成信息难题, 借助名为DeepSeek的主体正推动数字产业重新审视建模能力与部署落地的投入产出关系, 有类智能体的存在始将对应模型的介入视作嵌入式应用软件及业务流的关键衔接点所在, 各类关联人工智能技术的终端设备仍在持续角力个人数字场景的准入席位, 至于具身智能类的技术方向则把努力的目标放置在相关现实场景的具象性任务执行层面之上进行拓展。
此路径也说明了, 未来的AI较量不易由单独某一项指标裁定算力厘定基础供给模型确定能力上限开源生态干扰扩散速率行业数据与业务流程定夺应用成效终端牵制用户入口制造和供应链更判定AI可否真正获到躯体。
于模型公司而言, 能不能将技术优势转为稳定收入, 会成为长期考验；于传统企业而言, 是否拥有可用的数据、清晰的流程与适合AI介入的场景, 会影响转型效果；于不同国家和地区来说, 芯片、能源、软件、人才与制造能力的组合, 将共同决定AI产业的竞争位置。
处在以往之三年, 人工智能行业之主要问题, 曾被以“机器是否可望变得更趋更聪明”作答处。接踵而来的数来年中, 行业所亟待作出之答之问题, 则会更显着实可行: 此类具形态各异智能之能力, 能否具备保持稳定正常地发挥作用之性否? 能否切实催产出可予作之计算具之价值否? 能否顺利踏人人之所有们及现实生活生产之体系否?
这就是人工智能下半场真正要解决的问题。
