高盛硅谷回顾：人工智能代理、工作流程和世界模型

作者：李佳，《华尔街日报》

人工智能正在进入一个新阶段，从“能够回答问题”发展到“能够执行问题”。

据 Wind Trading Desk 报道，高盛最新报告显示，人工智能的商业化正在从“按席位订阅”转向基于消费量、交易量和结果的收费；与此同时，智能体正在从辅助工具转变为工作流执行器，行业价值也正在从模型本身转向专有数据、业务背景和领域专业知识。

这意味着人工智能行业的竞争正在从“谁的模型更强大”转向“谁能真正掌握工作流程”。模型能力固然重要，但能否进入企业生产环境、理解业务背景并可靠地完成任务将成为更为关键的竞争壁垒。

这一判断源于高盛近期对硅谷人工智能产业链的实地调研。8月18日至19日，高盛连续第三年走访了人工智能初创公司、领先的风险投资公司以及来自斯坦福大学、加州大学伯克利分校和旧金山大学的研究人员。高盛认为，随着智能体加速部署，前沿模型、开源模型、世界模型、企业软件和专有数据之间的价值分配格局将发生变化。

代理实施：企业真正缺乏的不是能力，而是“可控性”

如果说人工智能过去解决的是“帮助人们完成任务”的问题，那么智能体则试图解决“自主完成任务”的问题。然而，在企业大规模部署过程中，最大的障碍可能不再是模型的能力，而是如何划分职责以及能否控制整个执行过程。

报告援引斯坦福大学研究人员的观点指出，大多数企业仍然处于人工监管模式。尤其是在法律、风险控制、保险和审计等领域，如果模型出现错误，谁应承担责任、如何追踪错误过程以及能否及时纠正，这些都可能与模型本身的能力同样重要。

因此，最有可能率先实现自动化的工作流程通常具备三个特征：清晰的决策边界、可验证的结果和可逆的错误。发票处理就是一个典型的例子。人工智能负责提取字段和执行检查，置信度较低的情况由人工审核，然后通过可逆的ERP流程完成后续操作。

这也意味着，拥有可信赖的内容、经过验证的领域模型和成熟的监管关系的信息服务提供商更有可能率先进入企业生产环境。

模型竞争：前沿模型与开源模型之间的分工

关于“开源还是闭源”的争论，高盛在此次调查中释放的信号表明，这不是一个非此即彼的选择，而是不同的模型可能对应于不同的工作流程级别。

前沿模型阵营认为，企业基准测试往往低估了模型能力。在实际生产环境中，模型准确率下降造成的业务损失可能远远超过推理成本的节省。因此，尽管许多人工智能原生企业声称采用多模型策略，但它们的核心生产环境仍然严重依赖前沿模型。

另一种观点认为，绝大多数企业工作流程并不需要尖端智能。随着开源模型性能的不断提升，客户越来越愿意以有限的性能损失来换取更低的推理成本。一家风险投资公司预测，未来12到18个月内，约90%的推理任务将流向开源模型。

这意味着未来的 AI 模型市场可能会形成更清晰的劳动分工：尖端模型将负责高价值、高可靠性的复杂任务，而开源模型将处理更大规模的标准化任务和大部分代币消耗。

世界模型：人工智能计算能力或将迎来第二波增长

在过去的 18 个月里，研究人员逐渐将研究重点从 LLM 转移到“世界模型”。

与主要依赖互联网数据进行训练的线性模型不同，现实世界模型需要理解现实世界的环境、因果关系、物理定律和动态交互作用，其数据更多地来源于物理系统、特定行业和实际运行场景。这意味着专有数据的重要性可能会进一步提升。

高盛认为，物理、工业、科学和机器人等领域的问题空间远大于纯文本生成，这些工作流程通常需要更高的计算能力投入。随着人工智能从数字世界进一步渗透到物理世界，模型训练、仿真和推理方面的计算能力需求也可能迎来新的增长。

高盛预测，未来五年内，对计算能力的需求可能会增长约 24 倍，供需紧张局面预计将持续更长时间，这将直接惠及微软、甲骨文和 CoreWeave 等云计算和计算基础设施公司。