世事的起伏本來是波浪式的,人們要是能夠趁著高潮一往直前，一定可以功成名就；要是不能把握時(shí)機(jī)，就要終身蹭蹬，一事無成�！勘葋�

近期，德意志銀行發(fā)布了一份引起全球關(guān)注的報(bào)告，標(biāo)題很刺眼——《China Eats the World》，直譯過來就是《中國正鯨吞世界》，聽起來像是危言聳聽，但內(nèi)容確實(shí)分量感十足。

這份報(bào)告直指中國的迅猛崛起，稱中國如今不僅是全球制造業(yè)的中心，還在重重包圍中的高科技領(lǐng)域殺出了血路，甚至威脅到了西方的技術(shù)霸權(quán)。報(bào)告中還用了一個(gè)歷史比喻——“斯普特尼克時(shí)刻”。

“斯普特尼克時(shí)刻”是美國在冷戰(zhàn)期間提出的概念。美蘇冷戰(zhàn)時(shí)期的1957年，蘇聯(lián)領(lǐng)先美國，將第一顆人造衛(wèi)星“斯普特尼克1號(hào)”送入地球軌道。蘇聯(lián)這一科學(xué)技術(shù)領(lǐng)域的優(yōu)勢(shì)，給美國帶來巨大沖擊。

德意志銀行用了這個(gè)詞，形容中國如今的技術(shù)突破，尤其是在人工智能、制造業(yè)、新能源等領(lǐng)域的表現(xiàn)，其認(rèn)為2025年正成為中國超越世界其他國家的一年。以DeepSeek為開端，越來越多的事實(shí)已表明，中國科技企業(yè)正在以精益的工程化思維，完成另一種東方敘事。

AI精益思維與工程化能力

在《技術(shù)的本質(zhì)》中，布萊恩·阿瑟（Brian Arthur）曾表示：新技術(shù)并不是無中生有地被“發(fā)明”出來的，我看到的技術(shù)的例子都是從先前已有的技術(shù)中被創(chuàng)造（被建構(gòu)、被聚集、被集成）而來的。

2023年，一款名為Monica的AI助手以瀏覽器插件的形式在歐洲和拉美地區(qū)迅速走紅。這款集合了GPT-4、Claude、Bard、Gemini等主流模型于一體的智能應(yīng)用，能夠讓用戶在瀏覽網(wǎng)頁的同時(shí)即時(shí)調(diào)用AI功能，從AI對(duì)話、翻譯到繪圖、寫作無所不包，特別是其語言模型支持22種語言，用戶可以通過語音輸入進(jìn)行實(shí)時(shí)翻譯，驗(yàn)證了“工具全家桶”模式的用戶需求。

3月6日，Monica.im發(fā)布全球首個(gè)通用AI Agent產(chǎn)品Manus，效果超越OpenAI的Deep Research。與現(xiàn)有AI助手不同，Manus能夠獨(dú)立思考、規(guī)劃并執(zhí)行復(fù)雜任務(wù)，直接交付完整成果，展現(xiàn)出較好的通用性和執(zhí)行能力。

Monica創(chuàng)始人肖弘在Manus發(fā)布的前幾個(gè)小時(shí)，在即刻平臺(tái)上發(fā)文“高潮來臨”：很難現(xiàn)在就判定Manus的誕生就是AGI的里程碑，但它很有可能將讓Agent時(shí)代真的進(jìn)入“高潮時(shí)刻”。

從技術(shù)角度看，Manus本質(zhì)上是基于基座大模型的系統(tǒng)性工程優(yōu)化，通過構(gòu)建多智能體協(xié)作框架，將任務(wù)劃分為“規(guī)劃-執(zhí)行-驗(yàn)證”三個(gè)階段，由不同AI代理接力協(xié)作，模擬人類處理復(fù)雜任務(wù)的流程。同時(shí)，針對(duì)不同應(yīng)用場(chǎng)景設(shè)計(jì)了多層次環(huán)境適配機(jī)制，最終形成面向復(fù)雜任務(wù)的高度工程化整合方案。

在交互體驗(yàn)方面，Manus的核心能力體現(xiàn)在對(duì)用戶需求的洞察，它最后交付的不僅僅是文字，而是借助代碼生成了各類契合任務(wù)需求的結(jié)果，涵蓋了文檔、網(wǎng)頁、圖標(biāo)甚至是視頻。由此，用戶能夠更加直觀地獲取到自己想要的結(jié)果，還能在過程中對(duì)最終的交付結(jié)果進(jìn)行驗(yàn)證。

事實(shí)上，Manus并非在底層技術(shù)上有重大突破，而是通過工程化能力擠壓出了模型可以完成的最復(fù)雜任務(wù)。

首先，通過深度的后訓(xùn)練（Post-Training）帶來令人驚艷的“魔法感”。后訓(xùn)練，就是在預(yù)訓(xùn)練模型的基礎(chǔ)上，通過針對(duì)特定任務(wù)的數(shù)據(jù)集和監(jiān)督信號(hào)，對(duì)模型進(jìn)行微調(diào)，使其更好地適應(yīng)下游任務(wù)。

后訓(xùn)練過程通常包括微調(diào)、對(duì)齊和評(píng)估三個(gè)階段。

在微調(diào)階段，模型通過針對(duì)特定任務(wù)的數(shù)據(jù)集進(jìn)行監(jiān)督學(xué)習(xí)，調(diào)整模型參數(shù)以適應(yīng)任務(wù)需求。

在對(duì)齊階段，模型通過人類偏好數(shù)據(jù)等手段進(jìn)行訓(xùn)練，以使其輸出更符合人類價(jià)值觀和道德標(biāo)準(zhǔn)。

在評(píng)估階段，則需要對(duì)模型進(jìn)行全面評(píng)估，確保其在實(shí)際應(yīng)用中表現(xiàn)出良好的性能。

通過后訓(xùn)練，模型能夠?qū)W習(xí)到更多與任務(wù)相關(guān)的知識(shí)，更好地理解人類意圖，生成更符合人類期望的回答，從而在實(shí)際應(yīng)用中表現(xiàn)出更佳的性能。

其次，借助Monica在模型聚合領(lǐng)域的積累，構(gòu)建了一個(gè)遠(yuǎn)超單一模型調(diào)用的多模型協(xié)同網(wǎng)絡(luò)。最后，它將現(xiàn)有技術(shù)進(jìn)行整合，展現(xiàn)出了較強(qiáng)的系統(tǒng)集成能力。

Manus通過預(yù)設(shè)工作流和標(biāo)準(zhǔn)化場(chǎng)景（如生成報(bào)告、翻譯合同、簡(jiǎn)歷篩選），將語音、圖像、文本等多模態(tài)交互與行業(yè)工具鏈進(jìn)行整合，并通過優(yōu)化工具調(diào)用順序和參數(shù)配置，全面提升工作效率和產(chǎn)出效果。

例如，在生成市場(chǎng)報(bào)告時(shí)，能自動(dòng)調(diào)用數(shù)據(jù)分析工具和設(shè)計(jì)平臺(tái)完成全流程，形成“端到端”解決方案。這種工程化封裝能力使其在標(biāo)準(zhǔn)化任務(wù)中表現(xiàn)優(yōu)于通用大模型。

無論是DeepSeek還是Manus，都體現(xiàn)出了“Less is More”的技術(shù)理念。相比大模型，它們用更少的結(jié)構(gòu)、更少的資源，調(diào)動(dòng)更強(qiáng)的智能，強(qiáng)調(diào)通過優(yōu)質(zhì)數(shù)據(jù)、強(qiáng)大模型和靈活架構(gòu)實(shí)現(xiàn)能力的自然涌現(xiàn)。

這輪中國AI技術(shù)崛起，本質(zhì)上是一場(chǎng)大規(guī)模系統(tǒng)級(jí)工程創(chuàng)新的勝利。它證明在既有技術(shù)框架下，通過工程優(yōu)化與路徑創(chuàng)新，完全可能實(shí)現(xiàn)局部超越，這也是未來AI發(fā)展的關(guān)鍵勝負(fù)手。

Manus沒有追求自研大模型，而是通過多模型動(dòng)態(tài)調(diào)用（GPT-4、Claude3、Gemini）提升綜合能力，也就是常說的“套殼”，這成為其最受爭(zhēng)議的焦點(diǎn)。

其實(shí)“套殼”本身并不可怕，可以視為一種整合和優(yōu)化資源的方式，關(guān)鍵在于是否能夠解決用戶的實(shí)際問題。用戶更在乎的是產(chǎn)品體驗(yàn)，有沒有迅速且準(zhǔn)確地獲得所需的內(nèi)容，而不是底層用了什么，如何調(diào)用工具。

不過，互聯(lián)網(wǎng)時(shí)代的系統(tǒng)與應(yīng)用“兩層思維”在AI時(shí)代已經(jīng)失效，模型和應(yīng)用兩者的能力已經(jīng)相互融合不分彼此，模型即應(yīng)用。

做AI應(yīng)用最終還是在向用戶交付一項(xiàng)大模型能力，無論使用的是提示工程、強(qiáng)化學(xué)習(xí)、工作流、Agent，還是別的“套殼”手段，底層都還是那臺(tái)貫通一切的“大腦”。

比如OpenAI的Agent走的就完全是模型訓(xùn)練的路徑。Deep Research突出特點(diǎn)便在于端到端訓(xùn)練帶來的自主能力進(jìn)化，基于微調(diào)的OpenAI o3版本，底層訓(xùn)練賦予了Deep Research很多分析能力。

長(zhǎng)期來看，在模型之上進(jìn)行強(qiáng)化學(xué)習(xí)調(diào)整，可能才是構(gòu)建強(qiáng)大Agent的關(guān)鍵。

至于Manus是否是個(gè)好產(chǎn)品，仍需等待市場(chǎng)的驗(yàn)證。無論褒贊和爭(zhēng)議如何，Manus讓虛掩著的AI應(yīng)用大門正慢慢敞開。

Agent離臨門一腳還差多遠(yuǎn)？

人類與AI交互大致可分為三種模式：嵌入模式（Embedding）、副駕駛模式（Copilot）、智能體模式（Agent）。

嵌入模式下，AI大模型在特定環(huán)節(jié)被調(diào)用。用戶通過語言與AI互動(dòng)，用提示詞設(shè)定目標(biāo)，AI則協(xié)助完成。這種模式讓AI成為執(zhí)行命令的工具，而人類則是決策者和指揮者。普通用戶可以用它來創(chuàng)作小說、音樂、3D內(nèi)容等。

副駕駛模式則更加智能化，人類與AI成為合作伙伴，每個(gè)環(huán)節(jié)都能與AI大模型交互。AI介入工作的各個(gè)階段，從提供建議到協(xié)助完成。

例如在軟件開發(fā)中，AI可以為程序員編寫代碼、檢測(cè)錯(cuò)誤、優(yōu)化性能。人類與AI在此過程中相互協(xié)作，AI更像是知識(shí)淵博的伙伴，而非單純工具。

2021年，微軟在GitHub首次引入了Copilot概念。2023年5月，微軟在大模型加持下，Copilot迎來全面升級(jí)，并提出“Copilot是一種全新的工作方式”的理念。

智能體模式的AI參與度更高，任務(wù)被交給AI大模型，模型自行計(jì)劃、分解并自動(dòng)執(zhí)行。人類設(shè)定目標(biāo)并提供必要資源，如計(jì)算能力，然后AI獨(dú)立承擔(dān)大部分工作，最后人類監(jiān)督進(jìn)程并評(píng)估最終結(jié)果。

在這種模式下，AI展現(xiàn)智能體的互動(dòng)性、自主性和適應(yīng)性特征，近乎獨(dú)立的行動(dòng)者，而人類則更多扮演監(jiān)督者和評(píng)估者的角色。

談到AI Agent，很多人都認(rèn)為它是大模型的產(chǎn)物，畢竟大部分人接觸Agent是從基于GPT-4的AutoGPT、BabyGPT、GPT-Engineer等開源Agent程序開始的。

但了解AI Agent的人應(yīng)該知道，Agent概念并不是當(dāng)今的產(chǎn)物，而是人工智能不斷進(jìn)化的結(jié)果。

2023年6月，OpenAI應(yīng)用研究主管Lilian Weng發(fā)表了《LLM Powered Autonomous Agents》一文，其中她提出了一個(gè)公式：智能體=大語言模型+規(guī)劃+記憶+工具使用。

其中，大模型是Agent的大腦, 屬于“中樞”模型，要求有以下3種能力：規(guī)劃——就如同一位棋手，能將復(fù)雜局面分解為一系列精妙的子步驟；工具使用——宛如工匠，懂得從工具箱中選取最合適的工具并熟練調(diào)用 ；記憶——既有短期記憶存儲(chǔ)即時(shí)信息，又有長(zhǎng)期記憶沉淀持久知識(shí) 。

20世紀(jì)50年代，阿蘭?圖靈（Alan Turing）把“高度智能有機(jī)體”概念擴(kuò)展到了人工實(shí)體，并提出了著名的圖靈測(cè)試。這個(gè)測(cè)試是人工智能的基石，旨在探索機(jī)器是否可以顯示與人類相當(dāng)?shù)闹悄苄袨椤?/p>

在早期階段，研究人員開始探討如何讓計(jì)算機(jī)模擬人類的思維和學(xué)習(xí)過程。這個(gè)階段的Agent主要是基于規(guī)則的專家系統(tǒng)，它們可以在特定領(lǐng)域內(nèi)解決問題，但缺乏自主學(xué)習(xí)和適應(yīng)能力。

隨著機(jī)器學(xué)習(xí)的出現(xiàn)，Agent開始嘗試通過數(shù)據(jù)驅(qū)動(dòng)的方式來學(xué)習(xí)和改進(jìn)。主要依賴于監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)算法，如決策樹、神經(jīng)網(wǎng)絡(luò)和聚類分析等。這些算法使得Agent能夠在大量數(shù)據(jù)中學(xué)習(xí)和提取有用的信息，從而提高性能。

深度學(xué)習(xí)技術(shù)為Agent的發(fā)展帶來了革命性的變革。深度學(xué)習(xí)算法，如卷積神經(jīng)網(wǎng)絡(luò)（CNN）和循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN），使得Agent能夠在復(fù)雜的數(shù)據(jù)中自動(dòng)學(xué)習(xí)特征和規(guī)律，從而實(shí)現(xiàn)更高層次的認(rèn)知和決策能力。這個(gè)階段的Agent已經(jīng)在圖像識(shí)別、語音識(shí)別、自然語言處理等領(lǐng)域取得了顯著的成果。

強(qiáng)化學(xué)習(xí)是一種讓Agent通過與環(huán)境的交互來學(xué)習(xí)最優(yōu)策略的方法。近年來，強(qiáng)化學(xué)習(xí)在Agent領(lǐng)域取得了重要突破，使得Agent能夠在復(fù)雜的環(huán)境中實(shí)現(xiàn)自主學(xué)習(xí)和決策，為未來的Agent發(fā)展提供了新的可能性。

從以上發(fā)展歷程看，AI Agent經(jīng)歷了從基于規(guī)則的專家系統(tǒng)，到數(shù)據(jù)驅(qū)動(dòng)的機(jī)器學(xué)習(xí)方法，再到如今的深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)。

不少人認(rèn)為，Agent爆發(fā)需要兩個(gè)必要條件，一個(gè)是多模態(tài)能力，另一個(gè)是慢思考能力，在2024年都取得了突破性進(jìn)展。因此，2025年被行業(yè)認(rèn)為是AI至關(guān)重要的發(fā)展節(jié)點(diǎn)，Agent有望成為最重要的產(chǎn)品形態(tài)，引領(lǐng)AI從傳統(tǒng)的“工具”角色向更具互動(dòng)性與協(xié)作性的“伙伴”角色轉(zhuǎn)變。

全面爆發(fā)還要邁過幾道檻？

雖然AI Agent爆發(fā)曙光已現(xiàn)，距離真正的爆發(fā)仍有不少要克服的障礙。

一個(gè)關(guān)鍵的挑戰(zhàn)是，缺少一個(gè)能夠支撐整個(gè)生態(tài)的操作系統(tǒng)。初創(chuàng)公司/dev/agents計(jì)劃為AI Agent開發(fā)一個(gè)類似于安卓操作系統(tǒng)的通用平臺(tái)，試圖解決目前Agent碎片化的局面。

其它挑戰(zhàn)還包括如何實(shí)現(xiàn)低延遲、帶視覺理解的實(shí)時(shí)反饋；如何構(gòu)建個(gè)性化的記憶系統(tǒng)；如何在虛擬與物理環(huán)境都具備執(zhí)行能力等等。只有當(dāng)AI Agent從“工具”變成“工具使用者”時(shí)，真正的殺手級(jí)應(yīng)用才會(huì)出現(xiàn)。

在Agent的構(gòu)建上，仍有許多懸而未決的技術(shù)難題，例如大模型幻覺、長(zhǎng)時(shí)記憶的前后一致性問題、以及增強(qiáng)多模態(tài)的理解能力。

AI Agent依賴大模型“黑盒”，本身就存在不可預(yù)測(cè)性。至今在解決一些邏輯、推理等核心問題上，Agent的能力還偏弱。因此，Agent各模塊之間如何配合、多個(gè)Agent如何交互、人類與Agent如何互動(dòng)等方面，Agent技術(shù)尚處于早期階段。

接入Agent后，所有需要處理的業(yè)務(wù)場(chǎng)景，都會(huì)轉(zhuǎn)化成需要底層大模型理解的數(shù)據(jù)，從而產(chǎn)生高昂的推理成本。斯坦福的虛擬小鎮(zhèn)框架開源后，每個(gè)Agent一天就需要消耗20美金的Token數(shù)，比用人成本還要高。因此，如何控制高昂的調(diào)用成本，是擺在AI Agent面前的一大難題。

現(xiàn)階段一個(gè)最關(guān)鍵的制約因素，還是數(shù)據(jù)質(zhì)量、數(shù)據(jù)規(guī)模、應(yīng)用場(chǎng)景不足，AI模型、AI訓(xùn)練數(shù)據(jù)集、AI場(chǎng)景落地部署，都遠(yuǎn)遠(yuǎn)不夠。

以AI Agent機(jī)器人為例，由于缺乏高質(zhì)量的真實(shí)數(shù)據(jù)，機(jī)器人就無從進(jìn)行訓(xùn)練。通過互聯(lián)網(wǎng)數(shù)據(jù)，機(jī)器人的感知已經(jīng)出現(xiàn)了相當(dāng)強(qiáng)的泛化，能夠更好地理解物理世界。

不少AI企業(yè)通過真實(shí)數(shù)據(jù)和仿真數(shù)據(jù)結(jié)合的方式，將任務(wù)過程中的數(shù)據(jù)“喂”給大模型。然而，仿真數(shù)據(jù)還是不夠真實(shí)，Agent在模擬世界能成功，但導(dǎo)入到現(xiàn)實(shí)世界就會(huì)有一定的失敗率。

所以，要結(jié)合現(xiàn)實(shí)世界實(shí)時(shí)動(dòng)態(tài)信息，使AI系統(tǒng)不僅能夠理解信息，還要形成對(duì)物理現(xiàn)象的理解與智能決策能力，從而使得Agent能夠靈活應(yīng)對(duì)現(xiàn)實(shí)世界的復(fù)雜情況。

導(dǎo)入現(xiàn)實(shí)世界動(dòng)態(tài)數(shù)據(jù)將是大模型、AI Agent產(chǎn)生高階思維的必然路徑。一方面，基于互聯(lián)網(wǎng)上大量文本和圖像數(shù)據(jù)訓(xùn)練的生成式AI模型（GPT、Llama等）在生成人類語言和抽象概念方面已經(jīng)基本滿足需求，但是受其生成規(guī)則的限制，對(duì)于現(xiàn)實(shí)世界的理解有限，因此會(huì)出現(xiàn)不符合現(xiàn)實(shí)世界規(guī)律的“幻覺”。

另一方面，機(jī)器無法感知和察覺它們周圍的世界，需要借助AI網(wǎng)絡(luò)構(gòu)建和訓(xùn)練各類Agent，并與現(xiàn)實(shí)世界進(jìn)行實(shí)時(shí)交互并適應(yīng)各種環(huán)境，從而實(shí)現(xiàn)對(duì)現(xiàn)實(shí)世界的洞察和理解。

比如交通領(lǐng)域，AI網(wǎng)絡(luò)將交通流量、氣象條件、道路狀況、城市環(huán)境等實(shí)時(shí)數(shù)據(jù)納入模型訓(xùn)練，通過整合車輛、道路、云端等多方數(shù)據(jù)，可以進(jìn)行實(shí)時(shí)分析并為精準(zhǔn)決策提供支持，幫助駕駛員和自動(dòng)駕駛車輛即時(shí)優(yōu)化決策。同時(shí)，通過MogoMind等大模型對(duì)攝像頭視頻流進(jìn)行實(shí)時(shí)處理，可以為交通管理部門提供精準(zhǔn)的交通流量分析預(yù)測(cè)與動(dòng)態(tài)優(yōu)化、事故預(yù)警、交通信號(hào)優(yōu)化等服務(wù)。

當(dāng)前，AI Agent還遠(yuǎn)未達(dá)到數(shù)據(jù)飛輪的啟動(dòng)時(shí)刻，達(dá)不到自動(dòng)駕駛般的普及度，而真實(shí)數(shù)據(jù)的成本極高，需要花長(zhǎng)時(shí)間積累。數(shù)據(jù)的匱乏，不僅會(huì)影響模型的準(zhǔn)確性和穩(wěn)定性，還制約了其在真實(shí)場(chǎng)景中的廣泛應(yīng)用的可靠性。

Manus出現(xiàn)之前，業(yè)內(nèi)便已經(jīng)紛紛預(yù)測(cè)，2025年將成為AI Agent商業(yè)化應(yīng)用元年。DeepSeek爆火之后，其背后的V3、R1等多款A(yù)I大模型帶來的工程優(yōu)化和能力提升，快速引爆了市場(chǎng)熱情。在此基礎(chǔ)上，誰能基于這些模型能力打造出下一個(gè)超級(jí)App、超級(jí)Agent，成為行業(yè)關(guān)注的焦點(diǎn)。

斯蒂芬·茨威格在《人類群星閃耀時(shí)》中寫道：“充滿戲劇性和命運(yùn)攸關(guān)的時(shí)刻在個(gè)人的一生中和歷史的進(jìn)程中都是難得的；這種時(shí)刻往往只發(fā)生在某一天、某一小時(shí)甚至某一分鐘，但它們的決定性影響卻跨越時(shí)間�！�

從DeepSeek到Manus，就像AI初春里第一朵盛開的小花，當(dāng)我們看到這朵小花的時(shí)候，判斷其是不是曇花一現(xiàn)，是沒有意義的；判斷它是不是整個(gè)春天里最漂亮的花，也沒有意義。過早斷言并無必要，執(zhí)著預(yù)測(cè)也非關(guān)鍵。

真正的遠(yuǎn)見是：懷揣信念，默默耕耘，靜待破土的力量。當(dāng)春天來了，而耕耘者早已備好沃土，讓每項(xiàng)AI技術(shù)都能找到適合的土壤，這或許就是智能生長(zhǎng)的真正序幕。