打造最強智能體平台，最大雲巨頭狂堆猛料。智東西拉斯維加斯12月3日報導，在年度雲端運算盛會AWS re:Invent大會上，AWS Agentic AI副總裁Swami Sivasubramanian發表主題演講，詳細闡述為什麼是亞馬遜雲科技（AWS）建構和運行智能體的最佳選擇，並行布多項智能體（agent）開發新工具。Strands Agents SDK智能體框架新增對TypeScript和邊緣裝置的支援，讓智能體建構更輕鬆，並拓展至更廣泛的汽車、遊戲、機器人等邊緣領域。Amazon Bedrock AgentCore智能體平台推出多項創新：策略功能支援團隊為智能體的工具使用設定邊界，評估功能幫助團隊瞭解智能體在實際場景中的表現，情景記憶功能讓智能體能夠從經驗中學習並持續最佳化。Amazon Bedrock全託管AI平台新增強化微調功能，提供自動化微調能力；Amazon SageMaker AI平台新增模型定製功能，支援深度底層調整，簡化高效AI的建構流程。Amazon SageMaker HyperPod新增的無檢查點訓練功能則實現了大規模、低成本的訓練，整體目標是最大化客戶在生產環境中這些工作負載的價值和投資回報率（ROI）。此外，針對建構智能體可靠性的Amazon Nova Act服務，正式版全面可用，有助於實現智能體大規模生產部署。01. Strands Agents SDK新增兩大功能，支援TypeScript和邊緣裝置Strands Agents SDK是一款開源、模型驅動的AI智能體框架，提供模型驅動編排，自發佈以來下載量已達到529.9萬次。今日，亞馬遜雲科技宣佈兩項新功能：一是支援TypeScript（預覽版）。TypeScript是全球最受歡迎的程式語言之一，這將讓全端智能體應用的建構變得更加輕鬆。Strands Agents對TypeScript的核心特性提供全面支援，包括類型安全、async/await非同步語法，以及現代JavaScript/TypeScript程式設計範式。開發者可借助AWS CDK（雲開發工具包），全程使用TypeScript建構完整的智能體技術堆疊。二是支援邊緣裝置。客戶可通過Strands Agents SDK建構能在小型裝置上運行的自主式AI智能體，落地汽車、遊戲、機器人等領域的智能體應用場景，在現實世界中交付智能服務。02. Amazon Bedrock AgentCore新增策略、評估、情景記憶功能，助力下一代智能體開發將智能體引入生產困難重重，需要快速規模化部署智能體，記住過去互動和學習，識別和訪問所有智能體和工具的控制，掌握用於執行複雜工作流的智能體工具使用，最後觀察和偵錯問題。而複雜性會拖慢創新。如何幫助客戶大規模建構、部署安全的生產級智能體？這正是Amazon Bedrock AgentCore的核心價值所在。Amazon Bedrock AgentCore是一款專為安全、大規模建構和部署智能體而設計的智能體平台，相容各類框架和模型，於今年7月在AWS紐約峰會上首次發佈預覽版，隨後快速迭代，10月已正式全面可用。企業要將智能體從原型推向生產環境，需要一套安全、可靠、可擴展且適配智能體非確定性特性的專用基礎設施。智能體需要動態擴展的底層支撐，能支援長期運行的工作負載，並可即時、安全地儲存和檢索上下文資訊。然而，當前早期採用者需要投入大量資源從零建構這類基礎設施，過程耗時費力，嚴重拖慢開發周期。Amazon Bedrock AgentCore則通過提供全託管服務來解決這一挑戰。它包含一系列關鍵元件，提供了大規模運行生產級智能體所需的種種，包括：Runtime：無伺服器、安全且隔離的執行階段計算資源；Observability：可觀測性工具（開源且相容OpenTelemetry協議），幫助客戶瞭解智能體的運行狀態；Memory：記憶功能，讓智能體能夠長期與使用者互動，記住過往互動內容，從而建構智能、個性化的應用；Code Interpreter：程式碼直譯器，讓智能體能夠通過編寫程式碼訪問以往無法使用的工具；Gateway：閘道器功能，支援連接AWS內外系統；Managed Browser與Identity：網路使用權限和身份認證功能，明確智能體的身份及其代表的主體，這與治理和可觀測性密切相關。客戶既可以使用Amazon Bedrock Agent建構智能體，也可以結合任何開源智能體建構框架。目前該平台已獲得廣泛採用，迄今開發者下載量已超過200萬次。在此基礎上，Bedrock AgentCore新增兩項新功能：一是Policy in AgentCore，策略功能，為智能體的操作設定明確邊界。通過獨立於智能體程式碼的即時確定性控制，主動攔截未授權的智能體操作。企業只需用自然語言描述規則即可建立精細化策略，可以為智能體定義策略（可訪問的工具和資料、可執行的操作、適用條件等），比如“當報銷金額超過1000美元時，拒絕所有客戶的退款申請” 之類的策略。這些策略會在智能體執行前進行評估，確保智能體始終在設定的規則邊界內運行。二是AgentCore Evaluation，評估功能，幫助開發者基於智能體的行為持續檢測其質量，確保其行為符合預期。AgentCore評估功能無需管理複雜基礎設施，提供了13種預置評估器，覆蓋正確性、實用性、工具選擇精準性、安全性、目標達成率、上下文相關性等常見質量維度。開發者還可靈活使用自己偏好的大語言模型和提示詞，編寫自訂評估器。三是AgentCore Memory Episodic Functionality，情景記憶功能，自動保存互動過程中的關鍵事件和狀態，助力智能體從過往經驗中學習，提升決策水平。它包含短期記憶和長期記憶。短期記憶用於記錄當前的互動過程，幫助智能體瞭解與使用者或操作者的即時互動狀態；長期記憶用於追蹤長期的互動歷史。情景記憶則能在這些記憶基礎上，疊加特定互動場景的上下文資訊，讓智能體能夠給出更智能的建議。舉個實際例子：假設有一個預訂智能體，你第一次使用時，它為你預訂了車輛，並預留了45分鐘的趕航班時間，但你當時因照顧家人和孩子而錯過了航班，不得不重新預訂。借助情景記憶，系統會記錄下這次互動經歷。當你6個月後再次預訂航班時，智能體將記得你需要更多的準備時間，會自動為你預留2小時的車輛預訂窗口，而非45分鐘。這一功能已深度整合到AgentCore中。這些功能的核心目標，都是加速智能體從想法到大規模生產落地的處理程序。03. Amazon Bedrock與SageMaker AI新功能：簡化模型定製流程，建構更快速高效的智能體隨著智能體應用的普及和生產環境中模型規模的擴大，效率已成為客戶必須關注的核心問題。企業客戶在使用現成模型時面臨一種挑戰：這些模型功能強大，但往往未針對效率和規模進行最佳化，最終導致不必要的成本支出、響應速度變慢以及資源浪費。而效率並不僅僅關乎成本，它涉及多個關鍵因素：延遲（智能體能否快速響應，實現即時互動）、擴展性（能否應對預期的高負載）、敏捷性（能否根據應用演進和客戶互動快速迭代調整）。解決這一問題的關鍵在於定製化：通過定製小型專用模型，處理智能體最常執行的工作，以更低成本實現更快、更精準的響應。但在此之前，強化學習等先進定製技術需要深厚的機器學習專業知識、龐大的基礎設施支援，且開發周期長達數月。對此，亞馬遜雲科技宣佈Amazon Bedrock與Amazon SageMaker AI推出全新功能，以便開發者運用先進的模型定製技術。1、Reinforcement Fine-tuning in Amazon Bedrock：強化微調，提升模型精準率亞馬遜雲科技宣佈Amazon Bedrock的一項新的強化微調功能——Reinforcement Fine-Tuning（RFT）。該功能簡化了模型定製流程，核心目標是讓客戶無需具備深厚的機器學習和AI模型開發專業知識，就能輕鬆提升模型精準率。其相比基礎模型平均可提升66%的精準率，幫助客戶無需依賴龐大昂貴的模型，而是通過更小、更快、更具成本效益的模型，獲得更優結果。操作流程很簡便：開發者選擇基礎模型，指定呼叫日誌或上傳資料集，選擇獎勵函數，然後Amazon Bedrock中的自動化工作流會全程處理微調流程，以最大化獎勵函數的結果。如此一來，客戶無需專業知識，就能獲得更貼合自身需求的定製化模型。發佈初期，Amazon Bedrock強化微調功能將支援Amazon Nova 2 Lite模型，後續將逐步相容更多模型。2、Model Customization in Amazon SageMaker AI：模型速度更快、成本更低、精準率更高還有一類客戶是領域專家，希望對AI工作流擁有更多控制權。雖然Amazon Bedrock的強化微調功能非常便捷，但部分客戶希望深入底層進行自訂調整，因此亞馬遜雲科技在用於大規模訓練和定製模型的平台SageMaker AI中新增了Model Customization深度模型定製功能。SageMaker AI自2017年推出以來，一直是客戶進行AI和機器學習模型開發的核心平台。為了滿足客戶的深度定製需求，亞馬遜雲科技讓這一過程在SageMaker中變得更加簡單：客戶無需管理基礎設施，可為其生成合成資料，助力提升應用效果。亞馬遜雲科技提供了兩種體驗模式：一是智能體驅動模式（預覽版）：通過智能體引導開發者完成模型定製流程。客戶用自然語言描述需求後，智能體將全程引導完成定製流程，從生成合成資料到模型評估無一不包。二是自主引導模式：適合喜歡自主操作、希望獲得精細化控制和靈活性的開發者。這種模式無需管理基礎設施，同時提供合適的工具供開發者選擇定製技術，並能調整相關參數。通過這兩種模式，開發者都能運用先進的定製技術，包括基於AI反饋的強化學習、帶可驗證獎勵的強化學習、監督式微調及直接偏好最佳化。SageMaker AI新增功能將支援Amazon Nova以及Llama、Qwen、DeepSeek、gpt-oss等熱門開源模型。亞馬遜雲科技希望通過多樣化的介面，為專業客戶提供所需的全部功能、控制權和靈活性，讓客戶能夠定製模型，以最低成本獲得最佳性能，並根據自身專業水平和偏好的工作模式提供適配的解決方案。04. SageMaker HyperPod無檢查點訓練：數分鐘內從模型訓練故障中恢復在與客戶合作進行模型定製和訓練的過程中，亞馬遜雲科技意識到仍有改進空間，模型訓練成本高昂且流程繁瑣。通常，客戶需要運行大型GPU叢集，這些叢集執行階段成本不菲，閒置或故障時損失更大，無法開展有效工作。為解決這一問題，亞馬遜雲科技開發了Amazon SageMaker HyperPod。它是SageMaker中的託管訓練功能，是目前大規模模型訓練成本最低的方案之一， 能最大化叢集執行階段間，讓客戶在進行訓練和定製任務時，充分發揮叢集的價值。Amazon SageMaker HyperPod簡化了模型訓練與部署的基礎設施管理，最高可降低40%成本。當訓練規模擴展至數百或數千個加速器時，可能會出現硬體或軟體故障等問題。傳統基於檢查點的恢復方式耗時最長可達1小時，不僅成本高昂、佔用儲存資源，還會導致價值數百萬美元的計算叢集在恢復期間處於閒置狀態。對此，亞馬遜雲科技宣佈SageMaker HyperPod推出Checkpointless Training無檢查點訓練功能。該功能無需人工干預，即可在數分鐘內自動從基礎設施故障中恢復，使包含成千上萬張AI加速器的叢集訓練效率最高可達95%。對於大型長期運行的任務，重啟和重跑極其痛苦。而無檢查點訓練徹底改變了這一模式：系統自動記錄所有操作，若發生故障，可在幾分鐘內快速恢復，客戶能迅速繼續工作。當故障發生時，系統會自動替換故障元件，並通過從鄰近正常加速器進行模型和最佳化器狀態的點對點傳輸來恢復訓練。這一機制大幅縮短了停機時間。這不僅降低了整體營運成本，還能讓客戶更快地將定製模型部署到生產環境。它真正實現了，無論客戶需要多大的規模，都能以簡單、經濟、可靠的方式完成訓練。05. Amazon Nova Act正式發佈：建構可靠智能體，實現UI工作流程自動化當智能體應用和這些工作流部署運行後，可靠性就成為了核心要求。每個企業都有希望自動化的流程，但他們需要的，是可預測、可靠、可規模化的自動化，而這一點靠企業自身很難實現。為了簡化這一過程，亞馬遜雲科技建構了一套端到端服務Amazon Nova Act，幫助開發者建構、部署和管理大量可靠的智能體，實現生產環境使用者介面（UI）工作流程的自動化。企業使用智能體進行自動化時，通常都是針對螢幕和介面的自動化操作，而Amazon Nova Act的設計初衷就是讓這類開發更簡單，同時保障可靠性和規模化部署能力。今年早些時候，亞馬遜雲科技發佈了Amazon Nova Act研究預覽版。為了將智能體投入生產環境，亞馬遜建構了一個完全整合的解決方案，用於實現可用於生產環境的可靠瀏覽器自動化。今日，Amazon Nova Act正式版即日起全面可用。該服務與Amazon Nova、Bedrock和AgentCore深度整合，讓客戶能夠輕鬆建構可靠的智能體。它能夠大規模地提供超過90%的任務可靠性，同時與其他AI框架相比，還能更快實現價值，並簡化部署過程。客戶可在自己選擇的任何開發環境中建構這些應用，系統支援部署大量平行的UI智能體，這些智能體依託模型，具備高可靠性。Amazon Nova Act基於定製的Amazon Nova 2 Lite模型，能夠出色地驅動瀏覽器、支援API呼叫，並在必要時將問題升級至人工處理。該服務具備Web質量保證（QA）測試、資料錄入、資料提取和結帳流程等核心功能。如今大多數模型都是獨立訓練的，與執行任務的協調器和執行器分離，這降低了可靠性。Amazon Nova Act採用不同的方法，利用強化學習，讓智能體在模擬真實世界使用者介面的定製合成環境（Web Gym）中運行。這種模型、協調器、工具和SDK的垂直整合，以及所有元件的同步訓練，實現了規模化下更高的任務完成率。最終得到的智能體系統不僅偶爾有效，而且能夠大規模可靠運行，並具備推理和適應變化的能力。Amazon Nova Act將適配客戶使用的各種整合開發環境（IDE）。它是一套可擴展的框架，完全適配客戶的開發習慣，同時讓客戶能夠輕鬆實現大規模生產部署。其核心適用場景是任何需要自動化UI的場景。它包含一個動作模型，亞馬遜雲科技還針對該模型開發了大量SDK和工作流，用於操控UI。06. 結語：建構智能體的最佳平台，亞馬遜雲科技志在必得亞馬遜雲科技堅信生成式AI是人們正在經歷的關鍵變革之一，將助力客戶實現業務轉型，並在未來數月、數年內普及開來。當前，這家雲巨頭致力於成為客戶建構智能體、實現業務自動化的最佳平台，不僅讓開發過程更簡單，還提供了安全、高彈性的基礎架構，保障營運的領先性和世界級的基礎設施，讓客戶能夠按需定製所使用的基礎設施和技術堆疊，從而獲得理想的結果。其平台提供了豐富的AI功能，內建負責任的AI機制，擁有支撐這些技術在現實世界發揮作用所需的資料資源，還依託全球最大的合作夥伴網路，使其客戶可通過市場輕鬆獲取各類智能體。而亞馬遜雲科技會處理好各種底層複雜工作，助力企業及開發者通過生成式AI應用實現業務變革。 (智東西)

最近，微軟CEO納德拉與Stripe聯合創始人約翰·科里森（John Collison）進行了一次對話。本次對話深入探討了AI時代的範式變革、技術架構與企業戰略。核心要點如下：1、建構企業AI護城河與隱性知識主權。納德拉認為，企業應建構自己的“AI工廠”，核心是利用 Microsoft 365 Graph（知識圖譜）將企業內部的非結構化資料（郵件、文件、會議）語義化，釋放長久以來丟失的隱性知識。在AI時代，真正的公司主權在於擁有捕獲自身隱性知識的模型微調層（LoRA），這是新的競爭優勢。2、智能體（Agent）架構與未來軟體形態。智能體要實現持續學習，必須將記憶、權限體系和行動空間這三大基石置於模型之外，並與模型深度結合。未來的軟體將是跨工作流的，核心UI（如表格、收件箱）將保持不變，但工作將由大量平行Agent在後台驅動，新一代IDE或收件箱將成為管理這些Agent的“抬頭顯示器”（HUD）。3、歷史教訓與範式轉變。微軟從錯過網際網路浪潮中吸取教訓：認清技術範式後，關鍵在於找到新的“組織層”（如搜尋引擎、應用程式商店，現在是聊天機器人）和正確的商業模式。同時，不能高估競爭的“零和”性質，必須堅持模組化和開放性（如Azure支援Linux），以最大化市場。4、AI基礎設施與文化。當前AI發展的最大瓶頸是“熱機房”（電力、土地等供應），而非需求不足。在企業文化上，CEO必須通過與客戶溝通保持“親民”，並堅持“成長型心態”，學習創始人基因，即始終關注開發者和創業公司，以保持技術平台的相關性。01. 與其羨慕別人不如建構自己的護城河1. 知識圖譜，將是“殺手級”應用對微軟來說，要確保AI真正“滲透”到企業內部。不是讓大家去仰望別人家的AI工廠或 AI Agent，而是思考“如何建構屬於你自己的AI 工廠”。其中最複雜的部分是組織企業內部的資料層，這需要跨越整個企業體系，並讓資料能夠與智能層真正對接。我想這會是我們重點推進的方向。我們要做的最大一件事建立了圖譜，把那張隱藏在企業最重要資料庫之下的關係圖釋放出來。那些資料庫就是包括你的郵件、文件、Teams會議等等背後的系統。所有人都不是臨時、無結構地工作，而是在圍繞某個業務事件進行協同。這將是一種“殺手級應用”，以前，語義關係一直都只存在在人腦裡，也一直都丟失掉了，而現在你第一次可以真正呼叫起來。當然，這一切其實剛剛開始。和我們以往推出 Office 套件相比，這次算是歷史上“最快”的一次變革。但歸根結底，這屬於“變革管理”。你得真正把它部署進去，人們得真正用起來。而且在企業環境中，一切還必須滿足審計要求，資料治理要能跑通。這是很大的工程，但我們現在終於開始看到加速的跡象。另一點是：讓它在Microsoft 365 Graph（圖譜）內部工作是一回事，那 ERP 系統怎麼辦？現在的連接器“能用但很弱”，就像一根細吸管。你需要的是一個更好的資料架構，把所有東西語義化嵌入在同一個層裡。如果我沒記錯的話，Bill（比爾·蓋茲）90 年代就提出了“information at your fingertips（資訊觸手可及）”。他一直非常執念。我記得很清楚，我那時還只是個新人，他說過一句話：“軟體只分一個類別：資訊管理。你只需要結構化人、地點和事物，就夠了。”他討厭檔案系統，因為它不結構化。若所有東西都是SQL資料庫，那他就能寫 SQL 來處理所有資訊，那才是優雅的解決方案。問題是人是混亂的。即便資料結構化了，它也不可能真的給你一個統一的索引或 SQL 查詢把所有內容都調出來。這就是過去時代最大的挑戰。我們以前從來沒想過，最後解決這個問題的不是某種極複雜的資料模型，而是一個規模巨大的深度神經網路，靠算力堆出的參數的“捕捉模式”。2. agent的三大基石模型有兩個關鍵——“上下文學習”和“持續學習”。如果你把模型的認知能力和知識分離，那麼從本質上，你就得到了一個持續學習的架構：演算法是獨立的，知識可以被更新。不過模型執行階段，有三樣關鍵東西必須放在模型之外：記憶：包括短期、長期，以及人類擅長的長期信用分配。權限體系：模型必須遵守角色權限、訪問規則。行動空間：模型可執行的操作必須被系統定義。這三個就是“環境”。如果模型擁有行動、權限管理和記憶，就能持續學習。而這些都必須在模型之外、但又與模型深度結合。例如， Copilot 今天用的是 OpenAI 模型，也能用 Claude，系統必須讓它們都能工作。我認為下一階段的突破就在這裡。3. 微軟的AI技術堆疊微軟的AI佈局分為三層：第一層：基礎設施業務（token 工廠）。我們必須極其擅長打造“token工廠”，也就是以最低的“成本/能耗”生產最多的 token。第二層：智能體工廠（agent 工廠）。與 token 工廠不同，agent 工廠的目標是用token 驅動真實業務價值或消費者價值。這就像新的應用伺服器（App Server），是 AI 時代的新“應用層”。第三層：AI 系統（Copilot 家族）。包括資訊工作（Office）、軟體開發（GitHub Copilot）、安全（Security）這是三個水平層。除此之外，我們在業務應用上也深度投入到醫療與科學領域。02. 微軟的歷史教訓範式正確不代表一定會贏1. 差點錯過網際網路浪潮1994 年，我住在微軟園區旁邊的公寓，那裡聚集了一大幫天才，我們卻錯過了網際網路。作為當年一個新人，回看那段歷史，我的感覺是：我們其實理解網際網路，但又不完全理解。比如我們不相信TCP/IP 能成，我們覺得必須有服務質量保證，所以建構的是資訊高速公路。MSN 最早還是X.25 網路，因為我們在和AOL的撥號上網競爭。但 Bill在 95 年果斷轉向了。就在 Windows 95 推出時，他說：“一切都會改變。”所以大概93–95年之間，技術堆疊到底會不會是開放網際網路，還不清楚，但 Mosaic 瀏覽器出來之後，一切變得清晰，然後微軟全面轉向。還有另外一個教訓。我一直關注的一件有趣事情是——我認為這可以遷移到 AI 上：首先你得把“範式”認清楚。但即使你認清了範式，也不意味著你能找到那個殺手級應用，甚至不意味著你能找到正確的商業模式。歷史上一直如此。比如網際網路，誰能想到在開放 Web上，一個具有網路效應的搜尋引擎竟然會成為“組織層”？我常說，根本不存在所謂的“開放網頁”，只有“Google的網頁”，因為Google徹底統治了它。回頭看很有意思：AOL和MSN輸給了開放Web，大概可以這麼說。但它們又被新的 AOL 和 MSN 形式替代了：它們叫搜尋引擎、叫應用程式商店。移動 Web 就是一個非常迷人的例子。對我來說，更深刻的觀察是：即使在開放生態中，“組織層”仍會不斷出現，而大量的品類力量會流向這個組織層。只是每一次這個組織層是什麼都不確定，上一代是搜尋引擎，今天是聊天機器人。它能持續多久？沒人知道，但今天它毋庸置疑存在。ChatGPT 的成功不可否認，它已經成為一種新的聚合點。搜尋引擎、應用程式商店也曾經是組織層。那麼下一步是什麼？在“智能體市場”或“智能體電商”中，電商又會變成什麼？這些都是未來要討論的問題。2. 做“顯然該做的事”遠遠不夠2000年，我們成為了市值最大的公司，超過了GE。我記得那個時刻。回頭看，即便拋開金融周期，當時的長期趨勢非常明確：網際網路會成為主導。因為那個時候商業模式已經開始出現。對微軟來說，當時最大的教訓是：天啊，連我們的第一反應（做瀏覽器、做 Web 伺服器、把網際網路協議塞進所有產品、用 FrontPage 做網站建構器……）這些“顯然該做的事情”都不夠。我們意識到不能只做顯然的事情，我們必須重新發明自己正在做的東西，同時理解新的商業模式。從某種意義上講，那輪泡沫周期確實像是從天而降，由某種非理性繁榮驅動的。但當泡沫破滅時，它也確實洗掉了一堆糟粕。但真正好的點子都活了下來。現在我看這次浪潮，有兩個特點：一是基礎設施這次是“立刻就需要”的，不像以前那樣——你建好一條暗光纖，還得等某家公司十億使用者才能把它點亮。說實話，這一次我們是落後的一方。我們不是坐在那裡說“我 GPU 都架好了但沒有人用”。完全不是。我只希望更高的利用率……但我沒有“資源空著沒人用”的問題。恰恰相反：我必須趕緊拿到更多的供應。而且不可能做到供應鏈完全匹配需求，因為這次建設周期很長。長周期部分包括：土地批准、電力批准、站點位置……我們現在甚至需要給華爾街解釋：這些資產，有的使用周期20年，有的4–5 年。你必須用不同思路做決策。一個冷機房空在那裡根本沒什麼——就像一個公司有五座空樓，不會成為資產負擔。所以，現在最大的瓶頸就是“熱機房”，能接上電、馬上裝機、馬上點亮。如果我沒有足夠多已經通電的機房，我就無法把機架推進去、裝機、投入營運。3. 高估競爭的“零和”我們經常高估了競爭是“零和”的。你需要很敏銳地判斷那些生意天然是“多玩家”。例如云：當年Azure啟動時，大家都說AWS已經太領先，第二名沒有空間了。但我從與 Oracle 和 IBM 競爭的經驗中知道：企業永遠不會只要一家雲。所以我們堅持做 Azure。如果你“捆綁過度”，反而會縮小市場。例如Azure 原來叫Windows Azure，問題巨大，因為雲不可能只支援 Windows。我們必須把 Linux 當作頭等公民，把 MySQL、Postgres 當頭等公民，這是贏下 TAM 的必要條件。我對模組化的原則是：什麼配置能最大化市場？什麼能真正滿足客戶？什麼能保持競爭力？我們必須先贏下來，至於未來他們是否願意遷移，那是另一回事。Outlook把郵件、日曆、聯絡人整合在一起，Teams則是把聊天、頻道、視訊等功能組合成一個“工作空間”。這類集束本身就是一種產品形態，但你仍然需要在底層保持足夠的原子化能力：確保模組化不會犧牲競爭力。如果你做了一個“超級雲”，但只能跑 Windows 和 SQL，那只能佔市場的一小塊而已。AI 堆疊也是一樣，我希望基礎設施、應用伺服器、應用層，三個層次都能獨立站得住。使用者可以從任意一層進入。03. 對未來的思考1. 未來的軟體是跨工作流的從某種意義上說，表格這種東西……我覺得它體現了“列表與表格的力量”。它和軟體的可塑性結合在一起，才成為一個完美的存在。我們可能會加很多花裡胡哨的功能，但它的核心不會變。電子表格也是一樣，我們從來沒有給它足夠的重視。其實你可以認為它是全世界最容易上手的程式設計環境，甚至在“不知道自己在程式設計”的情況下就開始用了。這是它的另一重美妙之處。反過來看，現在的AI，我們依然把它“神秘化”得太厲害。你我都討論過：天啊，我們需要變革管理、組織重構等等……但當年電子表格剛出現時，沒有人說“需要變革管理”。大家直接用就完了。我們現在處在一個類似的時代，即將出現新的“工作產物與工作流程”，從底層重塑、重新發明。某種程度上，我們已經能生成所有程式碼，所以也就能生成更定製化的 UI 框架。實際上我們過去就在討論：文件、網站、應用之間到底有什麼本質區別？都是不同形式的表達而已。同樣有趣的是，雖然大家說“應用會消失”，但看看我們的老朋友 Excel 和 VS Code——它們其實又回來了。因為 AI 會生成內容，而我需要理解和編輯這些內容。我需要一個優秀的編輯器，能夠讓我對AI生成的結果做 diff、做迭代。因此，IDE 會迎來全新的一代，它們會與智能層有遙測循環，同時像“抬頭顯示器”（HUD）一樣，幫助我管理數千個平行的 agent。我得理解它們的工作，並對其進行“微調度”。這就是未來 IDE、收件箱、消息工具的樣子。我在思考：未來我們如何與大量 agent 協作？我會發佈大量指令，agents 會執行數小時甚至數天，然後不斷回報進度。我又如何在有上下文的情況下進行微調？絕不能是今天這種“通知地獄”——給我 5 個字，我完全不知道上下文。未來的軟體必須是跨應用、跨工作流的。最終，大多數軟體在成熟後都會變成：一個 inbox（收件箱）、一個消息工具、一個畫布，螢幕上不斷閃爍結果，但大量工作已在後台完成。我認為仍然是少數幾個。甚至從“極簡主義”的角度看，可能還是那幾個，只是它們執行的任務變了。比如說：人類喜歡表格、喜歡線性的文件、喜歡 inbox / messaging，這些 UI 其實是經過驗證的。2. 智能體電商我們一直以來都有一個想法：什麼樣的“基礎設施”對商家最友好？什麼樣對消費者最友好？有沒有一種完美匹配？“對話式電商”大家談了很多年，而現在靠你們與其他團隊的工作，我們真的能把商家、使用者，通過一個智能體式的體驗連在一起。當然現在還很早，必須做得“有品位”、能贏得使用者信任。但我真的非常激動。我經常在各個平台上找東西。亞馬遜、沃爾瑪等等的站內搜尋真的不太行。但聊天式體驗真的太好用了。而且關鍵是，它會回到商家的商品目錄。目錄依然是王，但如果我能把“目錄 + 支付”結合起來，那體驗就完全無縫了。目前，“關鍵詞搜尋”是最合理的找東西方式，本質上是一個“定製化商品目錄”。它的結果不像搜尋引擎結果頁那樣機械。現在有一個巨大問題：目錄質量參差不齊，缺少可推理的資料結構。解決這個問題之後，每一個商品都能找到屬於它的搜尋請求。那對每個商家來說，怎樣才能以最低摩擦接入“智能體工作流”？最終每個商家可能都會說：“我有商品目錄，我有支付系統。請幫我以最簡便的方式接入所有智能體。”“通用介面”的方式正在流行，讓他們點一個按鈕就能啟用“智能體電商”，而不是跑去自己搭MCP伺服器。而誰把這件事做得“優雅、有品位”，誰就贏得未來。在智能體世界裡，這些流程可以完全打通，不再像今天這樣處處是縫。3. 重新定義“公司主權”：隱性知識的權重化所有國家與政策制定者都非常關注資料主權的話題，也確實有合理原因。但在 AI 時代，我對“主權”的看法有些變化了。真正的主權問題其實是：公司的未來是什麼？按照科斯定理的邏輯，如果模型是那個掌握所有知識的東西，那為什麼組織內部還需要存在？組織存在是因為內部交易成本更低、存在“隱性知識”。但如果模型知道一切，這會被徹底顛覆。所以我現在認為：未來核心主權，是企業對其自身模型的主權，不是別人家的基礎模型，而是你的公司是否擁有一個屬於自己的基礎模型，它能夠吸收你的隱性知識，使組織內部知識的積累與擴散成本更低。這就是未來意義上的“主權”。我最關心的是“隱性知識到底存在於那裡”。它顯然存在於人腦中，是通過時間積累的 know-how。但它也會以權重的形式存在於某些屬於你的 LoRA（模型微調層） 層中。未來的智慧財產權，不僅是員工和檔案，還有一些“嵌在模型裡的東西”。但你怎樣保護這些能力不會“洩漏”回基礎模型？我認為未來公司形態是這樣的：基礎模型提供通用能力，而公司自己通過多個模型、記憶、工具呼叫、獨特的資料，建構出屬於自己的“智能層”。4. 打造模型選擇器在消費產品領域，這是我們第一次看到：當你切換模型時，變化並不一致，而且每個人受到的影響都不一樣。人格、風格等等，會成為全新的維度。從另一個角度看，這說明：AI 模型的差異化不止IQ，還有EQ，還有風格偏好等維度。但從長期來看，我認為關鍵是模型必須持續提升，尤其是在最難、最高價值的任務上。然後你要不斷根據任務進行最佳化。對我們這種產品建構者而言，我的目標是讓最強的模型上線，但真正投入生產的，會是一組“多模型陣列”。我最終希望有一個“模型選擇器”。你需要建構一組模型，中間由 agent 來協調，根據使用者偏好和任務來決定使用什麼。它要足夠智能，能夠知道這個任務需要多少算力、需要那種智能——如同GitHub裡的Auto功能。我們都很難改變自己的默認設定，這就是為什麼“預設值”如此重要。甚至連模型選擇介面，如果你拿掉，人們都會不滿。但從長期來看，如果我能信任某個系統，它每次幫我選模型時都能做出“令人愉悅的選擇”，我就會把選擇權交出去。04. 微軟的企業文化1. 最親民的工作方式，是與客戶保持溝通我日常工作的核心其實有兩個部分：首先，是與客戶相關的事情。基本上沒有那一天我不跟客戶開會，這是讓我保持“親民”的最好方式。然後，就是大量的會議。作為 CEO，我逐漸意識到，其實會議分兩種：一種是我只需要召集大家，然後閉上嘴，不要表現過度，因為召集本身就是這次會議最重要的事。所有的工作要麼已經在會前完成了，要麼會在會後繼續。而另一類會議則很重要，我必須學習、必須做決策、或者必須傳達某些重要內容。然後我必須說，我花大量時間在Teams的頻道里“閒逛”，這對我幫助最大。我從那裡學到的最多，認識的人也最多。最棒的就是，我能在裡面建立最多聯絡。我能知道：“哇，他原來是做Excel Agent的人；哦，那是他們在看的評估結果。”我從裡面學到的東西比別的任何方式都多。其實我覺得我們權限體系太嚴格了，我希望自己能有更多存取權。事實上，我最大的抱怨就是我不能隨便進入所有地方。但能偶爾進去看看確實很有趣，而且它讓一切變得更“正常化”。而且今天的員工可不羞於表達意見。2. 創始人是一家公司最強基因我一直都有一種“開發者關係/技術布道”的基因，微軟文化裡本身也有這個傳統。我對事情的看法一直是：如果你不跟著開發者走，你就很難保持技術平台的相關性；而如果你不瞭解新的工作負載，你也建不好技術平台。這兩件事深深刻在我腦子裡。所以如果你不關注創業公司，你就很難真正理解平台和工作負載的變化。這一直是我非常在意的。還有一點：我可以從中獲得巨大的能量。我一直覺得創始人是能“從無到有”創造東西的魔法師。這簡直像魔術。所以我一直好奇，他們到底是怎麼做到的？例如，我從Stripe學到的最重要的一件事，就是重新發現微軟當年的優勢：跟著開發者、跟著創業公司走。這也是我後來推動 GitHub、NAT 等等的原因之一。GitHub 不只是一個戰略資產，它是整個開源生態的核心，而且每家創業公司的程式碼倉庫都在那裡。我覺得必須參與那條“循環”，不僅是為了戰略地位，而是為了學習、為了建構更好的產品。否則，你很容易丟失那種“低摩擦、快速獲得價值”的產品美學，而創業公司對耐心最少、對效率要求最高。創始人很特殊的一個群體。因為他們從零開始一起成長，這種工作記憶和直覺是獨一無二的。作為繼任CEO，你不可能完全複製創始人的方式。我1992年加入微軟，沒經歷八十年代早期，所以有些認知只能創始人CEO才能把握。所以我認為，要尊重創始人獨特能力，創始人也要尊重繼任者，知道他們不能完全照搬自己做法。這就是所謂的“創始人模式”與繼任CEO模式的微妙差別：你可以部分沿用創始人的模式，但不能把自己當作創始人。3. 文化是團隊塑造的我想，微軟應該追回八十年代的那些精神。八十年代，微軟的願景是“軟體工廠”，不是某個單一平台。九十年代微軟太龐大了，我們的產品自然傾向於繫結。我在上任時意識到：我們沒有移動平台，如果不擁抱更開放的市場，我們就會失去自身的重要性。幸運的是，“把軟體帶到所有平台”本來就是微軟的DNA，不是我憑空指令。我從“部門互相拿槍指著彼此”的著名漫畫中學到兩點。首先，我是微軟的“老內部人”，過去三十多年公司的好壞我都經歷過。那張漫畫反映的問題之一是：我們失去了自己的敘事權，讓別人來替我們定義文化。這就是社交媒體時代的風險。當然，組織間確實有真實的張力，那是必要的，不是壞事。目標不是“內部和諧”，而是“贏得市場”，有時候甚至需要刻意設定兩個競爭團隊。領導者的挑戰是：在一個員工從外界獲得絕大部分資訊的時代，如何讓組織堅持自己的內在力量，而不被綁架？另一個文化誤解是，很多人認為權力高度集中在上層。事實上權力是分散的，文化是“微文化”的集合。我之所以能在微軟一直待下去，是因為我幸運地加入了那些“讓人能成長的團隊”。所以作為CEO，我的任務是：需要提供一個一致的敘事（如“成長型心態”），讓每個團隊能塑造自己的正向文化，不讓社交媒體標籤決定公司是誰，這才是文化真正的關鍵。當你接手創始人建立的公司時，Steve 和 Bill 打下了基礎，Paul 和 Bill 擴大了公司，我算是第一批“非創始人CEO”。我很快意識到：你需要一支團隊。不僅是管理範圍的問題，還包括清楚CEO自己需要做什麼；那些業務需要CEO 來綜合判斷；為文化設定標準；建立績效文化。你不能只關注長期，也不能只關注短期，你必須兩者兼顧。但核心是把只有你能做的四五件關鍵事抓好，然後打造團隊。即便在500人的公司，這也是必須做的，只不過在小公司你還能把細節記在腦子裡。 (藍血研究)

近日，在中歐EMBA三十周年慶典上，《連線》雜誌創始主編、《2049》作者凱文·凱利（Kevin Kelly）發表了主旨演講，用他一貫的睿智與溫度，為我們描繪了一幅關於AI（人工智慧）與人類未來的全景圖。從通用人工智慧的不確定性到智能體經濟的全新可能，從任務被取代到工作被重塑，從美國矽谷到“酷中國”的想像，他告訴我們，在充滿不確定性的時代，保持樂觀不是天真，而是一種責任；選擇相信未來會更好，才能真正創造出更好的未來。以下為演講實錄，有刪節。重要觀點在充滿不確定性的時代，最重要的不是預測未來，而是為未來做好準備。我們需要“異人智能”，因為它們能以全新的方式看待問題，提出人類未曾想到的解法。AI取代的是任務，而非工作。它讓人類更高效、更具創造力，而非被動失業。人類與AI的關係不是競爭，而是互補與協作。AI不是威脅，而是一面鏡子。它讓我們重新認識智慧的本質，也促使我們思考人之所以為人的意義。所謂“進托邦”，並不是一個完美的世界，而是一個每天都在變得更好一點點的世界。保持樂觀並非天真，而是一種基於歷史的理性判斷。樂觀不僅是一種態度，更是一種道德擔當。因為創新與進步，都需要建立在相信未來會更好的基礎上。未來不是“屬於”樂觀主義者，而是由他們創造的。正如當下由過去的樂觀主義者所塑造，明天也將由今天的我們來延續。未來最具競爭力的人，不是拒絕AI的人，而是能夠與AI協作、共創、共進的人。一個“酷”的人或國家，不是以力量壓服他人，而是以創造力和魅力讓他人想要模仿。AI與不確定性今天，我想分享的第一個主題是關於AI以及它的不確定性。提到AI，人們立刻會想到它背後巨大的未知。這種不確定性並不是因為誤解或資訊不足，而是即便全球最頂尖的專家，對未來的判斷也存在極大的分歧。在我看來，關於AI的未來，有三個關鍵的不確定性：第一，通用人工智慧是否可能實現？第二，未來計算的發展趨勢是中心化還是去中心化？第三，AI將對就業產生怎樣的影響？不確定性一：通用人工智慧是否可能實現？換句話說，我們能否真正創造出一種具備廣泛智能、能夠像人類一樣思考和學習的系統？答案是：我們還不知道。我們已經有了相關的理論，也投入了數十億美元的研究經費，但結果仍然不確定。也許未來並不會出現真正意義上的通用人工智慧，而是會出現成百上千種在特定領域中表現卓越的“弱人工智慧”。從能力的角度來看，一端是專用智能，另一端是通用智能。當前，大多數資金與資源都投入在通用智能的探索之中，許多大型公司都在押注這條路線。然而，在我看來，我們應該關注“人工智慧們”（AIs）。未來不會只有一種智能，而會有許多不同形態的人工智慧。我們將看到各種潛在的智能形態、不同的“腦結構”和思維方式。以DeepSeek、OpenAI為例，它們的模型其實都是由多個專業的弱人工智慧系統組合而成。換句話說，我們今天所看到的，是由不同“智能模組”共同運作的集合，而非單一的“通用智能體”。當我們談論智能時，不能僅以人類的認知方式為標準。不同的大腦與不同的學習結構，會產生不同類型的智能。某些動物在特定任務中比人類更擅長，而機器的優勢又體現在不同方面。由此可見，智能的多樣性本身就是自然現象。在這個廣闊的“智能空間”中，人類智能只是其中的一種形式。未來的AI，可能會出現許多“異人智能”（Alien Intelligences），它們以不同於人類的方式思考，但可能得出相同的結論。這種差異不是缺陷，而是一種優勢。我們需要“異人智能”，因為它們能以全新的方式看待問題，提出人類未曾想到的解法。因此，我相信，人工智慧的最終形態不會是一個單一的通用系統，而是一個由多種專用智能組成的復合網路。我們將生活在“智能的多樣世界”中。不確定性二：中心化還是邊緣化？第二個不確定性，是AI計算的發展方向。未來的人工智慧計算，將主要依靠中心化的雲端系統，還是更多地依靠邊緣與本地裝置？目前，大多數公司都押注在中心化的方向上。這一邏輯源自“縮放定律”，即模型越大、參數越多、訓練資源越充足，智能表現就越強。因此，我們看到大語言模型規模不斷擴大，晶片數量持續增長，模型的性能也似乎越來越強。然而，這種趨勢是否可持續？我們並不確定。更大的模型意味著更高的能耗和更龐大的資料中心，也帶來了集中化的控制問題。與此相對，另一種趨勢正在悄然興起：邊緣計算。事實上，目前全球約70%的計算發生在邊緣端：在手機、工廠、汽車、感測器以及家用裝置之中，都存在大量的本地計算活動。未來十年，隨著硬體性能的提升和模型最佳化的推進，越來越多的AI運算將轉移到邊緣裝置上。這種轉變帶來了非常顯著的優勢，邊緣計算響應更快，隱私保護更強，能耗更低，同時具有更強的獨立性。未來的智能裝置如機器人、智能眼鏡或自動駕駛汽車，將能夠在本地實現智能計算，無須依賴雲端即時指令。因此，在我看來，未來的AI計算架構很可能呈現“混合式”的格局：中心化的雲端運算與去中心化的邊緣計算共存，但主導力量將逐步向邊緣側轉移。這種分佈式結構，或許才是智能社會的真正形態。不確定性三：取代還是賦能？人工智慧究竟會提升人類工作的效率，還是會直接取代人類？專家們仍然沒有一致的答案。然而，從現有資料來看，人工智慧帶來的並不是失業，而是效率的提升。到目前為止，沒有證據表明AI導致了大規模裁員。實際上，在大多數情況下，AI幫助人們提升了生產力。研究顯示，日常使用AI的員工平均效率提升約25%。AI的引入改變了工作的結構，但並沒有讓工作消失。它讓人們從重複、標準化的任務中解放出來，專注於更具創造性和判斷力的工作。在這種意義上，AI不是替代人類，而是擴展人類的能力。以客服行業為例，過去由人工接聽的任務，如今由AI客服承擔。AI系統可以全天候工作，而人工客服則負責監督、最佳化和處理複雜問題。結果是服務效率提升，顧客體驗改善，同時創造出新的崗位，如AI培訓師、系統監管員、演算法評估師等。AI並沒有減少工作崗位，而是改變了工作的性質。正如一個工作是由多項任務組成的，AI可以取代部分任務，但無法取代“工作”本身。因為工作不僅僅意味著執行，更意味著責任、判斷與創造。AI擅長執行，卻無法承擔責任；能生成內容，卻缺乏自我學習的意識。因此我們可以說：AI取代的是任務，而非工作。它讓人類更高效、更具創造力，而非被動失業。人類與AI的關係，不是競爭，而是互補與協作。面對這三大不確定性，我們無法給出確切答案，但這並不意味著我們應當恐懼未來。相反，我們應該以開放的心態、靈活的策略去適應變化，擁抱更多的可能性。人工智慧的發展方向或許是多樣的，甚至彼此充滿矛盾，但唯一可以確定的是，AI將持續演化。它可能改變產業結構，重塑工作方式，也可能引發倫理、文化與社會層面的再思考。在這種不確定的時代，最重要的不是預測未來，而是為未來做好準備。我們無法決定AI將成為什麼樣的存在，但我們可以決定自己以怎樣的態度去面對它。保持學習的能力，保持理解的深度，保持對未知的敬意，這是人類在智能時代最大的優勢。AI的前沿與未來方向在理解了人工智慧所帶來的不確定性之後，我們更需要思考未來的AI將如何演進，接下來的5~10年它的發展重點會是什麼。我認為，未來AI的創新將主要體現在四個前沿方向上：符號推理、空間智能、情感智能以及智能體。這些方向不僅代表技術的延伸，更意味著智能的多維化與專業化。未來的AI將不再是單一的模型，而是一系列不同類型智能的組合。一 符號推理：結構化智能的回歸在人工智慧的發展歷史中，符號推理是最早出現的一類智能形式。它強調通過邏輯規則、因果關係和結構化表達來理解世界。而如今，我們使用的大語言模型大多基於神經網路。這種模型雖然非常強大，但主要依賴海量的資料與統計學習。它們可以模仿語言，卻並不真正理解邏輯，也不具備深層的推理能力。這些神經網路是“扁平的”系統，內部缺乏明確的結構與層次。它們能夠生成流暢的語言，解決部分問題，卻無法像人類那樣進行“推理”或“規劃”。因此，許多研究者認為，人工智慧要實現更高層次的認知，必須引入結構化推理機制。換句話說，未來的AI需要結合自下而上的神經網路學習與自上而下的邏輯推導，讓這兩種智能模式形成互補。人類大腦正是這種多重智慧型手機制的複合體。我們擁有注意力、歸納、演繹、長期記憶、情緒調節與規劃等不同的認知系統。AI若要向更複雜的智能邁進，也必須整合這些不同的能力。因此，未來的AI研究，不僅要追求更大的模型規模，更要探索如何在“推理”“學習”“規劃”“情緒”等不同智能模組之間建立平衡與協同。我們可以把智能想像為一種複合物，由多種元素構成：推理、模擬、學習、語言、感知、記憶……這些能力的合理組合，才可能構成真正的“通用智能”。每個智能體都需要在速度、精準性、記憶和能耗之間做出權衡，無法面面俱到，這正是未來AI研究的關鍵挑戰，即如何在複雜性與效率之間取得平衡。二 空間智能：讓AI理解真實世界目前的大語言模型在知識層面非常強大，但它們對現實世界的理解是很有限的。這些模型通過閱讀文字學習，而非在真實世界中體驗。它們知道“人類說了什麼”，但不知道“世界是怎樣的”。因此，我們需要讓AI具備“空間智能”，具備能夠在真實世界中行動、感知、理解的能力。空間智能是讓AI真正脫離文字的關鍵。未來的AI不僅要能“說”，還要能“做”；不僅要能“計算”，還要能“觀察”。例如，自動駕駛汽車需要理解道路結構、物體距離與物理規則；機器人需要三維空間識別、物體感知、理解力等。這類能力無法僅僅通過語言模型來獲得，必須通過與現實世界的互動來學習。未來的AI訓練，不僅會基於文字，還會基於物理、化學、生物等多維的資料。我們可能會擁有“大物理模型”“大化學模型”“大生物模型”，它們不再只是語言專家，而是“世界專家”，能夠通過真實資料理解世界運作的方式。這種趨勢也將催生新的互動方式。比如“智能眼鏡”，它能夠在佩戴者的現實視野中疊加虛擬資訊，為人提供導航、提醒或反饋。通過增強現實（AR）與混合現實（MR），AI將不再侷限於螢幕之中，而是會進入我們的日常環境。這種與現實的融合，將推動AI真正進入“空間化”階段。此外，AI還可以建構“數字孿生體”，在虛擬空間中複製現實世界的環境、流程與系統。未來的家庭、工廠乃至城市，都可能擁有自己的數字孿生體，由AI進行監測與管理。這樣一來，我們不僅能預測現實中的問題，還能在虛擬世界中提前最佳化解決方案。空間智能的核心，是讓AI真正理解世界的運行方式。只有當AI掌握了物理世界的規律，它才能安全地與我們共存。三 情感智能：讓AI具備共情能力長期以來，人們認為情感屬於人類的專屬特質，而智能只是理性計算的結果。但事實上，情感與智能密不可分。情緒是人類決策的重要依據，也塑造了我們的社會行為。未來的AI，也必須具備理解與回應情感的能力。機器完全可以被程式設計來識別人的情緒，甚至表現出情緒。AI可以通過語音語調、面部表情、文字內容來判斷一個人的情緒狀態是驚訝、悲傷、憤怒還是恐懼。它可以據此調整自己的語氣與行為，展現出共情式的回應。例如，一個AI玩具可以察覺到孩子的情緒變化，在孩子傷心時安慰他或者問：“今天上學怎麼樣？”這種人機互動，會逐漸建立情感聯結。這種關係並不是虛假的。正如人類與寵物之間的情感是真實的，即使動物不具備語言；未來，人類與AI之間的情感聯結也將是真實的。我們可能會像對待寵物一樣，對AI產生情感依附。AI可以成為夥伴、諮詢師甚至“數字朋友”。這類情感互動，將在人類社會中產生深遠影響。AI將參與到教育、心理健康、陪伴、康復等領域，成為人類情感網路的一部分。人類的孤獨，或許會因此得到某種緩解。但與此同時，這也將引發新的倫理問題，當機器能“理解”我們的情感時，我們該如何定義真實與虛擬的界限？四 智能體：從工具到夥伴智能體不同於傳統的軟體程序，它能夠代表人類執行任務，甚至與其他智能體協作。它們可以是具象的，如機器人、虛擬助手，也可以是隱形的，如自動交易系統、後台資料分析引擎。未來可能會存在數以兆計的智能體在全球範圍內運作。一個智能體可以招募另一個智能體，共同完成任務，就像人類的分包體系一樣。它們形成網路，相互協作、相互支付，構成一個龐大的智能體生態系統。智能體的理想狀態，是無形的智能。也就是說，它們默默地工作於後台，自動完成任務，而人類幾乎察覺不到它們的存在。正如電力或網際網路，只有當系統出現故障時，人們才意識到它的存在。成功的科技往往是隱形的，而AI也將走向這種透明的存在狀態。更重要的是，未來的智能體之間將形成一種新的經濟體系——智能體經濟。智能體可以彼此簽約、分工、支付。在這個體系中，最有可能成為它們交易媒介的是穩定幣，因為穩定幣能夠支援安全的小額支付，並適應機器之間的自動交易。但隨之而來的，是信任問題。一個智能體如何信任另一個智能體？如何防止欺詐、核驗任務完成情況？這些問題都需要新的信任機制來解決。這將是一個巨大的創新機會，未來誰能發明出適用於智能體世界的信任技術，誰就可能掌握AI經濟的基礎設施。當AI技術逐漸成熟，它將像電力一樣，成為一種可自由流通的資源。未來我們將按需購買智能，就像購買電力、水或網路頻寬一樣。AI會無處不在，廉價且易得。真正的競爭焦點，將不在於AI本身，而在於人與AI之間的介面。誰能讓AI使用得更自然、更直觀、更個性化，誰就擁有了未來的優勢。介面的易用性將成為新的創新前沿。AI的普及不會一蹴而就，而是一個漸進式的變革過程。從現在開始，AI的發展將經歷長達十年的吸收與整合期。在這段時間，人類將逐步學會與AI共事、調整組織架構與文化體系。我們的工作方式、管理邏輯、績效指標，都必須重新設計，以適應這個人機共生的新環境。AI的出現，不只是引入一個工具，更意味著一次文化重構。它將改變我們對生產力的定義，也將改變企業和社會的運作方式。真正的挑戰不在技術層面，而在於人類如何重新學習與智能共處。AI與就業、產業和組織變革人工智慧的發展，正在以一種深刻而漸進的方式重塑人類的工作與組織形態。它不僅改變了任務執行的方式，更在重新定義工作的本質與價值。AI的到來並非一場突然的革命，而是一場持續的演化。理解它的節奏與邏輯，才能更好地與之共生。一 AI的擴散節奏：從探索到整合AI的應用不會在短期內全面取代傳統體系，而會以漸進的方式滲透進社會的各個層面。未來十年，將是人類與AI相互適應的關鍵階段。這場轉變不僅涉及技術層面，更是組織與文化的變革。為了有效引入AI，企業必須重新設計工作流程，調整績效體系，重構決策結構。我們過去的工作系統是為人類員工設計的。而在未來的組織中，AI將成為團隊成員，需要在文化與結構上為它預留空間。這種調整併非易事，但正如工業革命時期電力改變了生產結構，AI也將推動管理與協作方式的根本轉變。在這場轉型中，小型和初創企業往往走在前列。它們規模靈活、結構扁平，能夠快速試驗與調整。相較之下，大型企業因流程複雜、層級較多，對AI的吸收速度會更慢。但無論企業大小，AI的融入已是不可逆的趨勢。二 AI的兩種應用形態：產品與能力在企業內部，AI的應用可以分為兩種類型。第一種是AI產品，即公司直接生產或銷售基於AI的產品和服務；第二種是AI內部應用，即企業在自身的營運與決策中使用AI，提升效率與創新能力。現實中，AI的內部應用往往發展得更快。許多公司並不直接生產AI，但已在流程管理、客戶服務、市場預測、風險分析等環節中廣泛引入AI工具。這種看不見的AI正在成為新的生產力來源。類似的情形，曾經在電力革命中出現過。當電力被發明時，最初並未立即改變工廠結構，但當工廠開始重新佈局以適應電動機的分佈時，整個工業體系發生了質變。AI正處在類似的階段，它不僅帶來了新產品，而且會引發組織形態重構。當知識與智能被系統化嵌入企業，部門邊界會逐漸模糊，協作將更加靈活，創新速度將顯著提升。三 AI的行業影響：知識密集領域首當其衝AI首先影響的，是那些以知識為核心的行業。軟體開發、市場行銷、醫藥研發、教育、金融與保險等領域，已經成為AI滲透的前沿。這些行業具有一個共同特徵：資訊密集、語言驅動、邏輯清晰，正是AI擅長的領域。以客服為例，AI客服的出現並沒有造成崗位的大規模消失。相反，AI系統承擔了大量重複性的溝通任務，而人工客服則專注於處理複雜問題與客戶關係維護。AI的加入，使企業能提供更長時間、更高品質的服務，同時催生出新的職位，如“AI客服監督員”“互動體驗最佳化師”。這種趨勢在翻譯、內容創作、教育輔導和金融分析等行業中同樣明顯。AI的角色，不再是“人力替代”，而是“人力增強”。它接管了任務，卻保留了工作的價值。這種“任務替代—工作重組”的邏輯，正成為AI時代勞動結構的核心特徵。四 技術轉型的經驗法則：三次試驗企業在引入AI的過程中，常會經歷一個“三次試驗”規律。第一次嘗試通常代價高昂、失敗率高；第二次嘗試成本降低，但效果仍很有限；直到第三次嘗試，成本顯著下降，應用才會真正成熟。這種規律不僅適用於企業，也適用於個人。在AI應用的早期階段，失敗幾乎是必經之路。要想真正掌握新技術，必須通過反覆試驗與學習。因此，“先失敗，再成功”是AI時代的必修課。五 工作的重組：任務消失，工作猶存AI不會讓工作消失，但會讓任務消失。每一份工作都是由若干具體任務構成的，AI接管的是那些規則明確、可預測、可重複的部分。但一個完整的工作往往包含責任、判斷、創造和人際互動，這些仍然是人類獨有的能力。醫生、教師、律師、設計師、程式設計師等職業將經歷同樣的演化，AI將成為他們的協作夥伴，而不是替代者。人類與AI的結合，將遠比單一的人或機器更強大。例如，AI醫生能夠快速診斷疾病、檢索文獻、提供治療方案，但真正的醫療判斷仍需人類醫生來完成。最理想的模式，是“人類醫生+AI醫生”的組合：AI提供知識支援，人類提供倫理判斷與同理心。同樣，在教育領域，“教師+AI助教”的形式將成為主流。AI可以提供個性化的教學反饋，而人類教師負責引導學生思考、激發創造力。未來的理想團隊，不是全人類團隊或全AI團隊，而是“人機協作團隊”。這種協作將重塑職業結構，使人類的核心競爭力回歸創造、判斷和情感領域。六 AI與責任：人類的不可替代性人類在工作中承擔三項職能：執行任務、承擔責任、持續學習。AI目前僅能承擔任務執行。它可以生成內容、完成計算，但無法承擔責任，更缺乏持續學習的能力。當AI出錯時，它不會道歉，不會補償，也不會感到內疚，責任始終屬於人類。因此，隨著AI的廣泛應用，人類承擔責任的價值反而會被重新強調。與此同時，AI的學習是間斷的。它依賴定期訓練和模型更新，而不是即時的、自我導向的學習。人類的學習則是持續的、動態的、基於情境的。未來AI研究的一個重要方向，就是探索持續學習的可能性，但目前這仍是一個尚未解決的難題。正因如此，人類的自我學習能力和責任意識，仍然是AI無法企及和擁有的核心特質。這也意味著，在可預見的未來，人類不會被AI淘汰。我們不會因為AI而失去工作，但可能會因為不會使用AI而失去競爭力。七 AI與創造力：登山與造山創造力是人類智慧的最高體現。在AI領域，我們可以把創新分為兩種：一種是“登山式創新”，即在既有的框架內不斷最佳化，追求更高的效率。另一種是“造山式創新”，即創造出全新的領域和問題。AI擅長“登山”，在既定問題中尋找最優解；但“造山”仍是人類的領域。AI可以在資料中發現模式，卻無法提出全新的問題。而人類的創造力，恰恰體現在打破舊有框架、建立新秩序的能力。科學史上，從DNA雙螺旋的發現到量子力學的誕生，每一次重大突破，都來自這種“造山”的創造力。AI或許能在未來的某一天實現這種能力，但至少目前還遠未達到。在可預見的時代，人類仍是意義與創造的源泉。總體而言，人工智慧帶來的未來不是被取代的未來，而是被賦能的未來。任務會被重新定義，職業會被重新組合，組織會被重新塑造，但人類不會被淘汰。相反，我們將因為AI而更加聰明、高效和具有創造力。AI不是威脅，而是一面鏡子。它讓我們重新認識智慧的本質，也促使我們思考人之所以為人的意義。未來最具競爭力的人，不是拒絕AI的人，而是能夠與AI協作、共創、共進的人。正如電力點亮了工業時代，AI也將點亮智能時代。這場變革已經開始，而我們每個人都是參與者。樂觀主義與“進托邦”在理解人工智慧的不確定性之後，我想談談第二個主題：保持樂觀的重要性。我們正生活在一個充滿劇變的時代，AI正在重塑世界的規則，也引發了人們的焦慮與擔憂。但在我看來，保持對未來的樂觀，不僅是一種選擇，更是一種道德責任。只有相信未來可以更好，我們才有動力去創造它。一 為什麼要保持樂觀每天，我們都被各種壞消息包圍。新聞報導、社交媒體、影視作品，幾乎都在傳遞一種共同的情緒：未來正在變糟。而在所有描繪未來的科幻作品中，AI幾乎總是反派角色，它控制人類，毀滅文明，取代創造者。這樣的敘事長期影響著我們，讓人們在潛意識中將AI與危險、失控、陰暗聯絡在一起。但現實並非如此。在科技史上，很多重大創新都曾被質疑、恐懼、反對，無論是電力、印刷術、網際網路還是基因技術都是如此，但它們最終卻極大地推動了人類文明的進步。我們需要新的敘事，需要一種關於希望的想像力。人類必須先想像出一個美好的未來，才能真正去創造它。這就是樂觀的重要性：它不是盲目相信，而是主動設想一個更好的世界。因為只有這樣，才有可能實現它。二 從烏托邦與反烏托邦到“進托邦”長期以來，人類在想像未來時總是在兩個極端之間搖擺：烏托邦與反烏托邦。烏托邦（Utopia）是完美無瑕的理想世界，但是靜止的、封閉的、無聊的。它不可能實現，也不值得實現。而反烏托邦（Dystopia）則充滿絕望，機器統治，人性泯滅，社會崩壞。這種極端的悲觀敘事，雖然在文學與影視中令人震撼，但它削弱了我們的想像力，讓人們失去了改造未來的勇氣。因此，我提出一個新的概念——“進托邦”（Protopia）。所謂“進托邦”，並不是一個完美的世界，而是一個每天都在變得更好一點點的世界。“進”代表進步、前進、演化。它意味著世界並不完美，但每天都比昨天要好一點。如果我們能夠讓世界每天進步1%，讓創造多一點，破壞少一點，那在十年、二十年、五十年後，我們將生活在一個截然不同的文明之中。這種緩慢但持續的改進，就是進托邦的邏輯。三 漸進的希望：1%的力量進托邦不是幻想，而是一種統計學意義上的現實，人類過去兩百年的發展已經證明了這一點。我們的壽命變得更長，教育被普及，疾病減少，能源效率提高，資訊傳播速度之快前所未有。而在中國，這種進步更為顯著。過去四十年，中國以令人驚嘆的速度實現了社會與經濟的躍升。這些事實告訴我們，持續進步是人類文明的常態。即便未來步伐會放緩，即便存在周期性的波動，從長遠看，世界仍在向前。所以，保持樂觀並非天真，而是一種基於歷史的理性判斷。從機率上講，未來繼續改善的可能性遠大於全面倒退的可能性。樂觀並不是忽視問題，而是相信問題可以被解決。悲觀只會帶來退縮，而樂觀會驅動創造。正如投資複利的奇蹟，1%的持續進步，最終將帶來指數級的改變。四 想像力的力量：從《星際迷航》到智慧型手機沒有想像力的未來，不會自動變好。樂觀不是被動等待，而是主動想像。舉一個例子，在20世紀的科幻劇《星際迷航》中，角色使用的通訊器，啟發了後來矽谷工程師設計早期的智慧型手機。當時那只是虛構的道具，但它激發了現實世界的創造。無論是飛機、電腦、網際網路還是燈泡，它們都不是偶然誕生的，而是源於某個人心中的設想。人類的每一次偉大發明，都是由樂觀主義者推動的。因為他們相信不可能的事可以實現。想像力與樂觀，是所有創新的前提。正如歷史由過去的樂觀主義者塑造，未來也將由今天的樂觀主義者創造。五 樂觀是一種選擇，也是一種責任樂觀不是天生的性格，而是後天的決定。我們可以選擇恐懼，也可以選擇希望。樂觀，是我們面對未知時做出的積極選擇。更重要的是，樂觀不僅是一種態度，更是一種道德擔當。因為創新與進步，都需要建立在相信未來會更好的基礎上。如果沒有人相信未來可以變好，就不會有人去發明新技術、改進制度、探索科學。世界需要樂觀者。他們是社會的建設者，是推動文明前行的力量。我們今天所享受的一切，都源自過去那些對未來充滿信念的人。他們在當時也面臨質疑、挫折、風險，但他們選擇了樂觀，選擇了去創造。而我們現在所要做的，就是繼續這場信念的接力。我們要成為好的祖先，為子孫後代留下一個更好的世界。未來幾代人將生活在我們今天創造的現實之中，他們或許會感謝我們，因為我們在一個充滿不確定的時代，仍然選擇了樂觀。六 樂觀的複利：成為塑造未來的人我相信，未來的歷史學家回望今天時，會說：“21世紀20年代的人們，仍處在AI發展的初期。”我們才剛剛開始。就像25年前，人們還未曾想像智慧型手機、社交網路或雲端運算會徹底改變生活一樣，今天的AI也才剛剛踏上征途。真正的未來，尚未被書寫。而書寫未來的筆，仍握在人類手中。所以，不要害怕不確定性。不確定性不是威脅，而是機會。它提醒我們，未來並非命定，而是可以被設計、被改進、被創造的。樂觀不是天真，而是一種勇氣。它讓我們在面對未知時，仍願意前行；讓我們在失敗後，仍敢於嘗試；讓我們在變化之中，保持創造的激情。未來不是“屬於”樂觀主義者，而是由他們創造的。正如當下由過去的樂觀主義者所塑造，明天也將由今天的我們來延續。樂觀並不能保證成功，但悲觀幾乎註定失敗。在充滿不確定性的時代，選擇樂觀，就是選擇成為推動歷史向前的人。中國的未來與“酷中國”在演講的最後，我想談談中國的未來與前景。在全球範圍內，人們常常以競爭的視角看待AI的發展：誰會成為最後的贏家？中美之間的科技競賽誰將領先？但我不想從這個角度去討論。我更關心的是另一個問題：中國能否引領潮流？換句話說，中國能否變得“酷”？一 何謂“酷中國”所謂“酷”，是一種無須炫耀的吸引力。一個“酷”的人或國家，不是以力量壓服他人，而是以創造力和魅力讓他人想要模仿。“酷”意味著自信與從容，它是一種柔性的影響力。一個“酷”的國家，擁有別人想學習、想靠近的特質；它能夠激發世界的想像力，讓人們願意走近、理解甚至融入。在我看來，中國完全有機會成為這樣一個國家。未來的“酷中國”，將通過三種方式展現自己的吸引力：卓越的產品、強大的文化輸出以及具有魅力的城市。二 卓越的產品：創造世界想要的“中國製造”首先，中國可以繼續創造全世界都想擁有的卓越產品。這種產品不僅意味著高品質，更意味著創新與設計的領先。它們能讓全球的消費者主動攢錢購買，就像人們曾為iPhone排隊一樣。設想一下，未來25年，中國有可能推出一些改變世界的新技術：全球最優秀的自動駕駛汽車、最具突破性的廣譜抗癌疫苗、最先進的智能工廠系統。中國擁有龐大的工程師群體、完整的製造體系與強大的資料資源，這些都是支撐創新的基礎。比如，中國未來或許不僅出口商品，還會出口“工廠”本身。當中國的工廠實現全自動化後，它們可以被打包輸出，運往世界各地，實現就地製造。這將意味著從“製造產品”到“製造生產力”的躍遷。在我看來，在2030年之前，中國很可能生產出世界上最頂尖的AI晶片。而在太空探索方面，中國也有極大機會率先重返月球。這些突破不僅會改變科技格局，更將重塑全球對中國創新的認知。三 文化的輸出：軟實力的崛起除了產品，中國還可以通過文化塑造影響力。美國曾憑藉好萊塢電影、爵士樂、搖滾樂、流行文化，贏得了全球的心。同樣，中國也完全具備成為文化輸出大國的潛力。當中國的故事、中國的美學、中國的生活方式被世界理解和欣賞，中國的軟實力將真正崛起。這種文化影響力並不依賴政治或經濟，而是通過創造力與情感的共鳴來傳播。未來，也許會有越來越多的人被中國的創意、審美與敘事吸引。那時的中國將是一個“酷”中國，一個讓人們自然而然地想要瞭解、學習和模仿的中國。四 魅力都市：科技與人文的融合第三種讓一個國家變“酷”的方式，是打造具有全球吸引力的城市。一個城市的魅力不僅來自建築和經濟活力，更來自它能否激發人們的好奇與歸屬感。我相信，未來25年，中國將繼續建設一批引領世界的“魅力都市”。這些城市將以綠色科技、開放文化和高效治理為特徵，它們將吸引著世界各地的遊客、創作者和企業家前來。人們會說：“我想讓我的城市像上海、深圳、杭州那樣。”他們會願意一次又一次地回來，因為這些城市不僅現代高效，更具創造力與人文溫度。五 工程師之國：資料驅動的優勢我一直認為，中國的一個重要特質，是它是一個“工程師之國”，而美國則是一個“律師之國”。這兩種結構的差異，意味著在AI時代，中國擁有獨特的優勢。工程師文化強偵錯驗、執行和問題解決，而不是爭辯與推諉。在一個以資訊為基礎的社會裡，這種文化尤其重要。中國在政策制定、技術落地和產業整合方面，能夠以資料為依據，以證據為導向，而不是依賴意識形態或直覺。這將幫助中國更快地建設一個“AI驅動的社會”，一個通過資料理解自身、通過反饋最佳化決策的社會。六 資訊社會的挑戰與平衡當然，一個以AI和資料為基礎的社會，也將面臨新的挑戰。未來的裝置與螢幕，將記錄我們的每一次操作、每一個眼神、每一個選擇。你在看螢幕的同時，也在被看。我相信，未來的技術趨勢將是“凡可追蹤之事，皆會被追蹤”。這是一種無法避免的技術演進。關鍵不在於是否可以停止，而在於如何建立平衡與信任。我們需要讓資訊流動成為雙向的。在個體的資料被蒐集的同時，個體也應有權審視系統，去監督那些監督者，去追蹤那些追蹤者。只有當監控與監督形成互相制衡，個體才能在資訊社會中保持安心，這是建立數字信任與社會公正的基礎。七 隱私與個性化的權衡在未來的智能社會中，隱私與個性化之間的矛盾將越發突出。如果你想獲得高度個性化的服務，就必須提供更多個人資料；但如果你想完全保有隱私，就只能接受標準化的對待。這是我們無法迴避的權衡。如今，人類社會正在向“個性化與透明化”的方向傾斜。人們越來越願意犧牲部分隱私，以換取便利與精準體驗。這種趨勢正在推動著社會更加資料化、可觀察化。我們需要建立清晰的規範，讓資料的使用既安全又有益，讓個體知道自己所提供的資訊用於何處、被如何使用、是否被濫用。只有當資料流動變得透明、可追責，個體才能真正受益於技術，而非被技術控制。八 AI賦能的公正社會我相信，在AI賦能的未來，中國有機會建構一個更加公正、廉潔、高效的社會。AI的應用可以幫助社會更精準地識別問題、更快速地做出決策、更公平地分配資源。中國在綠色能源、智慧城市和社會治理方面，已經展現出強大的創新能力。未來25年，中國完全有機會在這些領域繼續領跑世界。一個以AI為核心、以人本為原則的社會，將成為新的“中國模式”，一個科技與人文並重、理性與溫度平行的社會。九 成為“酷中國”“酷中國”並不是一種理想化的幻想，而是一種現實的可能。它意味著一個充滿活力、自信開放、具有創造力的國家。它的“酷”，來自創新的產品、獨特的文化與包容的城市，也來自它在技術倫理與社會公正方面的平衡。中國完全可以選擇這樣一條道路：既快速發展，又堅守人文精神；既擁抱AI，又堅持以人為本。一個既高效又公正、既現代又溫暖的社會，將是21世紀最令人嚮往的中國形象。未來的“酷中國”，將不靠權力贏得世界，而靠吸引力贏得世界。它的影響力不會來自強制，而來自共鳴；不會來自對外擴張，而來自內在的創造力。十 願景與責任我所談的，並非對未來的預測，而是一種可能的方向。未來是可以被創造的。“酷中國”的實現，並不依賴運氣，而取決於選擇。未來25年，只要中國能夠堅持以創新為驅動，以開放為姿態，以責任為底線，塑造一個讓世界尊重、信任甚至羨慕的“酷國家”，它就能夠在未來全球格局中成為引領潮流的文明力量。 (藍血研究)

近日，華為發佈《智慧世界2035》報告，以134頁內容勾勒出未來十年的科技藍圖。這份報告不僅包含諸多震撼預測，更藏著一般人應對變革的行動方向，值得每個關注未來的人深入理解。十大趨勢，深度融合報告中，華為明確了驅動未來變革的十大技術趨勢。通用人工智慧將走出實驗室，從虛擬走向現實，在工廠、醫院等場景解決實際難題；AI智能體將成為人類的決策夥伴，未來每個人可能擁有100個AI智能體；人機協同編程會成為主流，多模態互動則會模糊數字世界與現實的界限。同時，移動互聯網將從APP時代升級到智能體協同時代，聚身智能將帶動兆級新產業，算力架構會迎來突破性變革，數據將成為AI的“新燃料”，網絡連接會從人擴展到海量智能體，能源管理也將實現全面智能化。這十大趨勢並非各自為戰，而是圍繞著數據、算力、網絡、能源四大核心深度融合。它們將共同推動社會生產方式與生活方式發生質的飛躍，讓「未來已來」不再是口號。三大領域：顛覆性變化在日常生活中，2035年超過九成家庭會擁有智能手機器人，家務、採購甚至老人照顧都能由AI管家完成。全息投影會讓家變成私人劇院或遠端辦公空間，智慧廚房能自動烹飪，智慧安防則時時守護居家安全，生活品質將實現全方位升級。醫療健康領域的變革同樣值得期待。01. 醫療AI未來/ INNOVATION目前AI已能分析醫學影像，在CT、MRI中精準定位腫瘤，精準率超95%；未來，AI還能結合基因資訊與即時體徵資料，為患者定製個性化治療方案，預測慢性病風險，讓多數疾病在早期被發現處理。穿戴式裝置、遠端醫療、智慧分診將普及，生物3D列印甚至可能解決器官移植短缺問題，工作模式也會被徹底重塑。02. 工作智能化/ INNOVATION2030年前後，幾乎所有大公司都會採用AI驅動的決策系統，雲端服務與智慧自動化將成為標配。以軟件工程師為例，70%的日常編碼工作會由AI完成，人類會更專注於創新與協調。虛擬協作工具會讓遠端溝通如面對面般順暢，新職業不斷湧現，崗位內容面臨重新定義。普通人的機遇挑戰與準備維持終身學習心態，提升跨界能力，在智慧社會中找到獨特價值。通往2035智慧世界的道路並非一帆風順。通用人工智慧落地需跨技術門檻，要理解真實世界、處理複雜因果關係；算力需求將暴漲10萬倍，傳統晶片與架構難以滿足，需要新硬體、新計算範式及巨額投資。 資料安全與隱私風險也會隨之增加。量子計算可能讓現有加密演算法失效，物聯網裝置易遭駭客攻擊，深度偽造技術會讓網路詐騙更隱密；AI決策的「黑箱化」還會引發倫理爭議與責任界定難題，這些都需要透過完善資料治理與道德規範來解決。對一般人而言，應對變革的關鍵在於三點：01. 主動學習/ INNOVATION主動學習AI與智慧科技基礎知識，多嘗試新工具、新平台，避免被技術浪潮淘汰。02. 重視資料安全/ INNOVATION要重視資料安全，學會管理數字身份，合理授權個人資料。03. 終身學習心態/ INNOVATION華為在報告中強調，實現智慧世界藍圖，不僅需要技術進步，更需要社會規範、倫理標準與國際合作，同時要推動綠色能源與AI深度融合，始終將人的利益放在第一位。 未來十年的智慧變革已拉開序幕，每個人都能成為這場變革的參與者。希望我們都能找準自身角色，積極投入智慧新文明建設，在時代浪潮中把握機遇，擁抱更美好的2035。 （AI營銷峰雲）

▎AIDC正在從“輔助設施”升級為“核心生產力”。前不久，華為發佈的《智能世界2035》和《全球數智化指數2025》報告中指出，隨著大模型的發展，AI智能體將從執行工具演進為決策夥伴，驅動產業革命。到2035年，全社會的算力總量將增長10萬倍，算力增長的背後，是對新一代算力基礎設施產業發展的挑戰，但在這過程中，同樣也伴隨著不小的機遇。AI需求暴增資料中心建設面臨挑戰算力需求的激增已經不僅僅是停留在預測層面，根據國家資料局披露的資訊顯示，2024年初中國日均Token消耗量為1000億，到2024年底已增長至3000億量級。而這個數字到了今年6月則是達到驚人的30兆的量級，與2024年初的1000億相比，增長300多倍。此外，IDC報告顯示，2024年全年中國公有雲大模型呼叫量為114兆Tokens，而2025年上半年即飆升至536.7兆，反映出AI應用進入規模化爆發階段‌。而AI應用的爆發，自然也帶動智能算力需求的激增，在這背後，是對底層算力基礎設施帶來的考驗，而AI也正以“算力吞噬者”的姿態重構數字基礎設施格局，全球20億活躍AI使用者產生的海量資料處理需求，使得AIDC從“輔助設施”升級為“核心生產力”。在AI時代，傳統的資料中心建設顯然已經不能滿足當前智算對於底層設施的需求，華為發佈的《智能世界2035》和《全球數智化指數2025》報告中明確，計算領域將突破傳統馮•諾依曼架構的束縛，在計算架構、材料器件、工程工藝、計算範式四大核心層面實現顛覆性創新，最終催生新型計算的全面興起。在華為中國數字能源資料中心能源拓展部部長石憶看來，算力增長的同時，也對基礎設施造成了極大的衝擊，“當前，智算中心建設主要面臨安全、彈性、高功率、高能耗等挑戰。除此之外，作為長期營運的重資產項目，資料中心建設還需要適度超前。”安全方面，AI大模型訓練對算力連續性的要求較傳統通算提升兩個量級：10MW智算中心的算力密度相當於100個傳統通算中心，一旦發生供電中斷，每秒鐘將造成數十萬元的算力損失。對此，石憶表示，“傳統資料中心故障響應時間要求2分鐘以內，但智算中心需壓縮至30秒，且故障影響半徑擴大3倍，任何單點故障都可能引發叢集癱瘓。”安全事件在帶來資料、伺服器等直接損失之外，更可能導致數月模型訓練成果付諸東流。同時，安全事件的發生還會對IDC服務商的品牌價值，以及客戶對其信任度帶來不小的衝擊。更嚴峻的是，傳統集中式架構存在單點故障風險，而AI計算的連續性要求，使得這種風險被放大10倍以上。AIDC的安全已不是“機率問題”，而是“底線問題”，任何一次故障都可能終結企業的AI競爭資格。除了安全問題之外，隨著ChatGPT的問世，人們開始發現機櫃的功率越來越高，原本300W的單顆CPU，已經不足以支撐業務，500W的單顆CPU晶片成為主流。與此同時，AI對於GPU的需求，也讓單機櫃的功率進一步提升。2.5kW標準機櫃已經是過去式，8kW、10kW，甚至20、50kW的機櫃的不斷出現，也讓單機櫃功率越來越高。與此同時，隨著摩爾定律逐漸失效，在後摩爾定律時代下，晶片算力與其功耗仍將大幅提升。機櫃功率的不斷攀升，也對資料中心的供配電系統提出了新的挑戰。這個挑戰一方面是來自供配電穩定性和連續性的保障；另一方面，更容易被人們所忽視的是：傳統資料中心“白空間”（伺服器區）與“黑空間”（配電區）的比例大致為2:1，而在AIDC時代，這個比例將被徹底逆轉，部分高密AIDC甚至出現1:3的極端情況，這意味著3/4的場地被配電、散熱裝置佔據。而對於IDC客戶而言，“白空間”是用來創造價值的，“黑空間”則屬於純成本支出，獲得更多的“白空間”才能獲得更大的收益。與此同時，在AI時代，使用者對於資料中心交付週期的要求也越來越高。而作為算力的底層支撐，資料中心的建設週期之長，是業內的共識。而AI等IT技術的演進日新月異，資料中心機櫃密度也隨之飛速提升，“傳統建設方式，規劃階段規劃的單櫃功率普遍在5-10kW/標準櫃，而目前單台支援大模型的AI伺服器功耗就已達10kW以上，資料中心的規劃建設速度難以滿足各行業對算力持續高速增長的迫切需求。”此外，還有一個尖銳的矛盾擺在面前：伺服器的更新週期是3到5年，而資料中心基礎設施的設計壽命是10至15年。對此，石憶告訴筆者，傳統資料中心18到24個月的建設週期，與算力“一年一迭代”的速度形成致命錯配。客戶交付週期要求從‘年’，壓縮至‘月’，甚至出現‘6個月必須上線’的硬性指標，這種情況對資料中心的建設速度提出了更高的要求。而在這些挑戰的背後，還有一個不容忽視的問題——AI時代帶來的傳統非同步計算向同步計算的轉型。這個過程使得供電、製冷、網路的協同要求達到“微秒級”，而現有基礎設施的“煙囪式”架構根本無法實現這種協同。更嚴峻的是，技術迭代帶來的標準混亂問題——不同廠商的GPU、液冷裝置介面不統一，導致AIDC建設陷入“定製化陷阱”，進一步拉長週期、推高成本。安全是AIDC的首要條件面對挑戰，華為數字能源在2025全聯接大會上提出的RAS理念（Reliable安全可靠、Agile彈性敏捷、Sustainable綠色低碳），而華為也正是沿著這三條路徑向前推進AIDC建設的。而RAS理念中，最為重要的就是“R”——安全。AIDC的安全底線不僅關乎裝置存續，更決定算力服務的連續性。“安全是1，沒有安全，一切都是0。”IDC的安全可靠不僅是某個環節的安全可靠，更是要建構涵蓋資料中心全生命週期的防護體系。不同於傳統資料中心的單點防護思維，華為建構了覆蓋產品、架構、管理、維運的四層防護體系，實現從器件到系統的全生命週期可靠。資料中心安全體系化，首先要做的就是將原有的集中式的架構轉變為分佈式架構。摒棄集中式設計，確保單一故障點不會引發系統性崩潰。例如，製冷系統需要實現風冷或液冷單元相互隔離，按需部署，一台故障時其他單元能迅速補上冷量。其次是主動安全，特別是在高風險環節如鋰電池儲能上。智算時代，通過鋰電池取代原有佔地面積大、生命週期短的鉛酸電池，已經成為資料中心降低後續營運成本，提升資料中心“白空間”面積的重要舉措之一。作為國內較早探索鋰電池應用的企業之一，華為在資料中心鋰電池安全方面提出了“既要快速響應，也要預知風險”的策略。石憶告訴筆者，鋰電池出現安全風險之時實現快速處置，避免損失僅僅是基本操作，更為重要的是，在故障發生前就能精準定位並更換有風險的電池，如此才能將風險降到最低。目前，華為對鋰電池告警的覆蓋率達到了92%，報警的精準率是97%，而且這個告警最高可以提前七天。彈性需求如何滿足？“行百里者半九十”，當安全基礎“打牢”之後，如何滿足使用者在智算時代的需求，成為服務商能否獲得更多份額的關鍵。“智算時代唯一不變的就是變化，彈性是應對變化的唯一選擇”——這句話已經成為行業內公認的事實，也指出了當前很多資料中心“建成即過時”的痛點。面對此，華為給出了“解耦化、模組化、預製化、高密融合”的“四化”解決方案。通過此，讓AIDC建設速度與IT技術迭代實現同頻共振，相較於傳統方案，將資料中心的交付週期縮短60%以上。這個過程中，最為重要的一步是——實現子系統的解耦。傳統資料中心，基礎設施層與伺服器的供配電、供冷系統是緊耦合的狀態，一旦一方發生變化，無異於將資料中心“推倒重建”。即便在通算時代，一代伺服器的“壽命”平均在5年左右，而資料中心基礎設施層的“壽命”則應在10~15年左右。這也就意味著，一個資料中心需要相容三代伺服器的更迭。而當時間來到智算時代，伺服器更迭速度只會比通算時代快，緊耦合的狀態，對於需求敏捷的客戶來說，一點也不敏捷。所以，在石憶看來，資料中心實現彈性的第一步就是實現解耦。“華為將AIDC拆分為IT、供配電、製冷三大獨立子系統，實現序列施工向平行施工的轉變。”石憶介紹道。在華為雲（蕪湖）資料中心項目中，基礎設施與伺服器的解耦設計，使得機電安裝僅用71天完成，較傳統方案節省50%時間，整體項目耗時3個月。不僅於此，石憶表示，這種設計還支援“按需擴容”，“客戶可先部署基礎框架，待確定伺服器功率後再上配電單元。”石憶進一步指出。當系統都實現解耦之後，就可以進一步通過模組化的方式，在工廠預生產後，進行現場組裝即可完成資料中心建設。網際網路“快”的特點也在新一輪人工智慧的浪潮下得以延續，使用者對於資料中心交付週期的要求也越來越高。模組化似乎已經逐漸成為近年來資料中心建設的主流方式，石憶告訴筆者，模組化不是終點，還要將模組預製化，減少現場施工工程量，將現場的裝置安裝、整合、偵錯提前到工廠來完成，實現工程產品化。其最大的價值就是用工廠的標準化、高品質生產和測試，確保了高效率以及高品質，把現場的工程變得最小化，極大減少現場安裝，助力AIDC快速高品質建設。通過模組化方式，還能實現硬體裝置的即插即用——通過預留通用介面的方式，讓後續無論是製冷系統，還是伺服器的更換都可以“傻瓜式”即插即用，進一步提升了部署速度。不僅於此，模組化的方式，還能大幅降低資料中心在建設過程中的碳排放，實現全生命週期內的降碳，這點也正好呼應了RAS理念中——綠色低碳。綠色低碳從“責任”變成“生存需求”在“雙碳”目標與能源危機的雙重驅動下，綠色低碳已從社會責任升級為AIDC的生存需求。傳統模式下，IDC服務商與客戶都存在“降低能耗總量”的誤區。然而，隨著機櫃功率不斷攀升，降低總能耗已經是一條“不可行之路”，面對此，華為提出了“提升系統效率”的核心思路，通過高效供電、高效製冷、系統高效、算電協同等四大路徑，實現全鏈路降碳。高效供電方面，通過技術創新降低損耗。例如，華為UPS在S-ECO模式下效率高達99.1%。高效製冷方面，隨著智算時代液冷的普及，製冷能耗得到進一步降低，但風冷系統仍將繼續存在，風冷和液冷系統走向融合化，冷源統一化，通過AI手段對製冷系統做系統級能效調優，進一步降低製冷能耗，提升製冷效率。系統協同方面，通過系統協同，實現能源與算力的智能匹配。“打通L1能源基礎設施與L2算力基礎設施的資訊流，通過AI演算法根據負載波動調節裝置狀態，讓每瓦電力都能承載更多算力。”石憶強調。算電協同方面，綠電直供，就近消納是目前資料中心綠色低碳化的不可或缺的一步，而從國家規劃的八個算力樞紐節點佈局上就不難看出國家在綠電直供，就近消納的佈局。八個節點除了北上廣這樣的一線算力需求高度集中的城市之外，其餘節點幾乎都處於盛產綠電的地方。在面對行業存在“安全與低碳不可兼得”的誤區——認為冗餘設計會增加能耗，節能措施會犧牲安全，石憶表示，高安全與高能效可以協同實現，關鍵在於系統級的最佳化設計。整體來看，資料中心正在向超高功率、超高密度和超大規模發展，智算中心的建設不僅是應對當前挑戰的務實選擇，更是贏得未來AI競爭的戰略佈局。同時資料中心的設計思路也在變化，從“大系統”向“標準化+模組化分佈式架構”演變，更彈性應對未來需求的不確定性，此外還要從軟硬體層面考慮網路安全、供應安全和備電安全等問題。可以說，AI算力的洪流既帶來了“最好的時代”的機遇，也引發了“最焦慮的時代”的挑戰。在這場AIDC變革中，唯有以全端專業能力與經驗沉澱為底色，才能實現智能進化、再造卓越，而華為正在這條路上挺進。(鈦媒體)

一、行業轉型：AI 從 “效率工具” 升級為 “阿爾法夥伴”，CEO 認知與人才結構已先行AI 在投資管理領域的定位已發生根本性轉變，從 2024 年聚焦營運效率，轉向 2025 年直接賦能投資決策，行業頂層認知與人才儲備同步跟進：CEO 層面：AI 成生存必修課，74% 擔心 2 年不落地將失業據Dataiku 發佈的 Harris Poll 調研（覆蓋全球 500 位 CEO），74% 的 CEO 認為若無法證明 AI 帶來的可量化業務成果，未來 2 年可能失去職位；金融行業 AI 滲透率已從 2023 年 40% 升至 2025 年 52%（輝達調研），投資管理領域增速更快，超 60% 頭部機構已將 AI 納入核心戰略。人才層面：AI 相關崗位佔比激增，北美成核心聚集地2024 年全球 AI 相關崗位佔比達 2.2%（2010 年僅 0.3%），其中北美佔比最高（3.2%），遠超亞太（1.7%）、歐洲（1.5%）、拉美（1.2%）；投資管理領域 AI 分析師、AI 策略師等新崗位招聘量 2024 年同比增長 80%，避險基金和主權基金成為主要僱主。應用層面：從“中後台效率” 到 “前台投資決策”2024 年花旗調研顯示，80% 機構僅將 AI 用於文件總結、資料錄入等中後台任務；2025 年隨訪發現，65% 機構已在投資端測試 AI 應用，其中 30% 實現 “AI + 人類” 協同決策，史丹佛大學開發的 AI “基金經理” 甚至在 30 年回測中跑贏 93% 人類基金經理，平均超額收益達 600%（僅用公開資訊調整組合）。二、技術合力：生成式AI + 智能體 AI（Agentic AI），解鎖 “自主決策” 新能力AI 對投資管理的顛覆，核心來自生成式 AI（GenAI）與智能體 AI 的協同，前者擅長資訊合成，後者實現任務自主執行，二者結合突破傳統 AI 的能力邊界：生成式AI：處理 “人類不可能完成” 的資訊規模基礎能力覆蓋多類型資料處理—— 可同時分析 30 + 份賣方研報、10K 財報、 earnings call 紀要等非結構化資料，將傳統需數周的分析（如關稅對組合的影響）壓縮至數小時；量化領域可快速挖掘另類資料（如衛星圖像、信用卡交易資料），訊號識別效率較人類分析師提升 5-10 倍。智能體AI：自主規劃 + 執行 + 適配，從 “輔助” 到 “代理”區別於傳統AI 的單一任務執行，智能體 AI 可自主完成多步驟流程：例如監測特定行業新聞→識別宏觀指標影響→自動呼叫生成式 AI 分析相關公司 filings→生成初步報告→按預設風險參數建議組合調整，全程僅需人類稽核異常點；當前 35% 頭部避險基金已在測試 “智能體 AI + 投研” 系統，任務自動化率達 40%。應用場景擴容：投資、分銷、營運全鏈條滲透投資端新增“AI 投研助手”“交易執行協同” 等場景，分銷端實現 “客戶微群體分類”“生成式引擎最佳化（GEO）”（替代傳統 SEO），營運端可完成 “歸因分析自動化”“合規文件解讀”；未來待落地場景包括 “AI 投資副駕駛”“即時風險避險建議”，覆蓋從前端獲客到後端風控的全流程。三、核心應用：基本面與量化投資雙軌突破，四大維度重塑投研流程AI 在基本面與量化投資中的應用各有側重，但均實現從 “工具輔助” 到 “價值創造” 的跨越，具體體現在資訊合成、工具普惠、分析深度、自主決策四大維度：（1）維度 1：資訊合成革命 —— 處理量提升 100 倍，隱藏關聯自動浮現基本面投資：傳統分析師日均處理2-3 份研報，AI 可同時分析 30 + 份研報 + 10 年財報 + 即時新聞，例如研究某藥企時，AI 能自動交叉驗證管理層言論與臨床試驗資料、同行進展，發現人類易忽視的 “研發進度滯後 - 供應鏈成本上升” 關聯；2025 年測試顯示，AI 資訊合成後提出的投資假設精準率較人類單獨分析提升 35%。量化投資：AI 可快速處理另類資料（如高頻交易資料、社交媒體情緒），訊號挖掘範圍從傳統結構化資料擴展至衛星圖像、感測器資料等，2025 年量化基金用 AI 發現的 “物流資料 - 消費企業營收” 領先訊號，平均提前 3 個月預警業績拐點。（2）維度 2：工具普惠 —— 分析師人人可享 “超級算力”，效率提升 50%自動化預處理：AI 可自動完成研報標籤分類、資料清洗（如從 10K 檔案中提取毛利率、研發費用等關鍵指標），將投研準備階段時間縮短 60%；某大型資管機構測試顯示，用 AI 自動化因子研究後，量化團隊新因子挖掘效率提升 2 倍。跨層級能力平等：初級分析師可通過AI 工具發起 “行業比較”“估值建模” 等複雜分析，無需依賴資深團隊支援；2025 年調研顯示，採用 AI 工具後，不同層級分析師的投研產出差異縮小 40%，工具普惠性顯著。（3）維度 3：分析深度 —— 行為分析 + 即時反饋，阿爾法來源新增基本面：管理層行為語言學分析AI 結合法醫語言學，可識別 earnings call 中 “過度自信”（如高頻使用 “絕對”“必然”）、“迴避”（如繞開核心問題）等訊號，2025 年案例顯示，AI 識別出的 “管理層溝通異常” 訊號，後續 6 個月內對應公司股價平均下跌 8%；同時可即時篩查財務報表異常項，某基金用 AI 發現某零售企業 “應收帳款周轉率異常”，提前規避 15% 的股價下跌。量化：歷史記憶+ 場景分析AI 可儲存 20 + 年 earnings call 等歷史資料，精準還原長期趨勢（人類記憶通常僅覆蓋 3-5 年）；在場景分析中，AI 可模擬 “利率加息 + 地緣衝突” 等多因子組合影響，某避險基金用 AI 完成 1000 + 種場景測試，耗時僅為傳統模型的 1/20。（4）維度 4：自主決策 —— 智能體 AI 全程操盤，即時風險響應基本面：行業/ 公司深度追蹤自動化智能體AI 可自主監測某行業宏觀指標（如新能源的裝機量、政策補貼），若出現 “補貼退坡” 訊號，自動呼叫生成式 AI 分析相關企業盈利影響，生成 “減持高成本廠商” 建議；2025 年測試中，該流程從訊號出現到建議生成僅需 4 小時，較人類團隊快 12 倍。量化：因子/ 組合即時監控智能體AI 可全程管理因子研究流程（資料獲取→回測→最佳化），同時即時監控組合風險因子（如波動率、行業敞口），若突破預設閾值，自動觸發避險操作；某量化基金用 AI 後，組合風險因子偏離度從 5% 降至 2%，避險響應時間從 1 天縮短至 1 小時。四、實施建議：從“觀望” 到 “落地”，破解 “買 vs 建” 困境 + 資料基礎搭建機構落地AI 需解決 “技術路徑選擇”“資料基礎”“人才適配” 三大核心問題，花旗給出具體實操框架：路徑選擇：模組化思維破解“買 vs 建”，聚焦差異化能力建議機構優先“外購非核心能力 + 自建核心能力”：例如分銷端的客戶聊天機器人、營運端的文件處理可採購第三方（如 Digipal、Kasisto），投資端的阿爾法訊號挖掘、組合最佳化需自建；2025 年調研顯示，採用 “模組化” 策略的機構，AI 落地成本降低 30%，見效速度提升 50%。資料基礎：資料網格（Data Mesh）替代傳統集中式，解決 “資料孤島”傳統集中式資料湖易形成瓶頸，資料網格讓各業務團隊（如投研、分銷）自主管理資料，AI 可直接呼叫各模組資料，減少 IT 依賴；某資管機構採用資料網格後，AI 模型訓練資料獲取時間從 7 天縮短至 1 天，資料質量提升 25%， hallucination（幻覺）率降低 15%。人才適配：“人類在環（Human-in-the-Loop）”+ 全員 AI 培訓必須保留人類稽核環節（如AI 生成的投資建議需分析師確認），同時設定 “緊急關閉開關” 應對異常；人才培訓需覆蓋 “AI 工具使用”“結果質疑能力”，2025 年案例顯示，完成全員 AI 培訓的機構，AI 投研產出錯誤率降低 40%，分析師接受度提升 60%。五、未來方向：六大新興應用蓄勢待發，時間序列預測+ 圖神經網路成突破口AI 在投資管理的應用將向 “長期策略”“複雜關係分析” 延伸，六大新興方向已進入測試階段：1. 戰術 vs 戰略訊號：從 “短期動量” 到 “長期趨勢”當前AI 擅長短期訊號（如 1 個月內的情緒動量），未來將探索長期訊號（如 3-5 年的行業格局變化），某主權基金用 AI 分析人口結構、政策趨勢，提前 2 年佈局 “老齡化 - 醫療裝置” 賽道，收益較基準高 18%。2. 時間序列預測：智能體 AI 自主選模型，動態最佳化智能體AI 可根據資料特徵（如股價、宏觀經濟資料）自主選擇最優 LLM 模型，若模型預測準確率下降（如從 85% 降至 70%），自動切換模型；2025 年測試中，該方式預測誤差較固定模型降低 20%。3. 圖神經網路（GNN）：挖掘公司間隱藏關聯GNN 可建構 “公司 - 供應鏈 - 宏觀指標” 知識圖譜，例如發現 “某晶片廠商產能下降 - 某手機品牌毛利率承壓” 的間接關聯，2025 年量化基金用 GNN 發現的 “跨行業訊號”，年化收益較傳統因子高 12%。其他方向：生成式AI 合成無偏資料（解決歷史資料偏見）、智能體 AI 管理檢索增強生成（RAG）減少幻覺、多 LLM 協同分析（如一個 LLM 做因子研究，一個做風險評估）、生成式 AI 可解釋性（XAI）提升透明度。六、風險挑戰：過度依賴、監管差異、人才缺口成三大攔路虎AI 落地雖快，但行業仍面臨認知、合規、人才三重挑戰，需針對性應對：挑戰1：過度依賴導致 “認知債務”，MIT 研究證實神經連接變化MIT 腦科學研究發現，長期依賴 LLM 的使用者，大腦神經連接模式與 “獨立思考組” 差異顯著，出現 “接受 AI 輸出而不質疑” 的認知惰性；2025 年調研顯示，40% 分析師承認 “未驗證 AI 結論直接引用”，導致投資建議錯誤率上升 15%。挑戰2：全球監管框架碎片化，歐盟罰款最高達年營收 7%歐盟《AI 法案》（2025 年 2 月生效）對 AI 分類監管，投資決策類 AI 屬 “高風險”，違規最高罰 3500 萬歐元或全球年營收 7%；美國採用 “州 + 聯邦” 分散監管（如加州 AI 法案、SEC 指引）；中國要求 AI 生成內容必須標註，三大標準規範 GenAI 安全；機構需投入 20%-30% AI 預算用於合規適配。挑戰3：人才缺口達 40%，“AI 系統管理者” 需求激增投資管理領域AI 人才缺口 2025 年達 40%，其中 “懂 AI + 懂投資” 的複合型人才最稀缺；崗位需求從 “AI 使用者” 轉向 “AI 系統管理者”（如最佳化智能體 AI 任務流程），2025 年這類崗位薪資較傳統分析師高 80%。七、總結：AI 是投資管理的 “seismic shift”（地震式變革）花旗認為，AI 已不是 “可選項” 而是 “必選項”，機構需從 “被動適應” 轉向 “主動佈局”，具體建議如下：場景優先：優先落地“資訊合成”“行為分析” 等已驗證場景（ROI 明確），再探索 “長期訊號生成” 等前沿方向；技術組合：採用“生成式 AI + 智能體 AI + 資料網格” 組合，平衡效率與安全，避免單一技術依賴；人才儲備：短期內引入外部AI 專家，長期建立 “全員 AI 培訓體系”，培養 “人類 - AI 協同” 能力。 (資訊量有點大)

Anthropic這次確定了AI智能體產品形態2025年10月16日，Anthropic正式推出Claude Skills（簡稱Skills），這是一個專為Claude AI模型設計的可組合技能系統，旨在提升AI在專業工作流程中的實用性和可靠性。該功能標誌著Anthropic從通用對話AI向“代理式”（agentic）AI轉型的關鍵一步，允許使用者和開發者通過簡單資料夾結構“教導”Claude特定任務，避免了傳統提示工程的低效和不一致性。Skills目前面向Pro、Max、Team和Enterprise使用者開放，支援Claude.ai、Claude Code、API以及Claude Agent SDK等多平台無縫整合。具體使用體驗和邏輯上來看，Claude Skills有點像指令碼程序，基於特定規則實現某種功能服務。甚至，你可以直接將其理解為指令碼智能體技術，只不過借助Claude大模型，這種指令碼達到了通用、低程式碼實現。從某種層面上來講，是工具能力更強大更豐富版本的GPTs。而且是以便於傳播的檔案壓縮包的形態存在。預計未來Claude Skills會成為大模型們的一個統一服務形態，就像MCP協議一樣快速被全行業接受並支援。這一技術進一步展示了，Anthropic致力於借助各種工具來提高大模型精準率和降低算力消耗的技術路線。1. 具體原理：模組化載入與安全執行機制Claude Skills的核心是一個輕量級、可擴展的框架，其設計哲學強調“漸進式披露”（progressive disclosure）和“按需載入”，以最小化計算開銷並提升一致性。不同於傳統RAG（Retrieval-Augmented Generation）或提示鏈，Skills將知識封裝成自包含的“技能資料夾”，讓Claude像人類專家一樣“即時掌握”專長。結構與載入機制：每個Skill是一個資料夾，包含：SKILL.md：核心指令檔案，使用Markdown格式描述技能的用途、輸入/輸出規範和執行邏輯。Claude通過Bash工具（如cat SKILL.md）讀取此檔案，僅在任務相關時載入，避免上下文窗口膨脹。指令碼與資源：支援Python、Bash等可執行程式碼，以及輔助檔案（如範本、資料表）。例如，一個Excel技能資料夾可能包含生成公式的指令碼和示例資料集。中繼資料：技能名稱、描述和版本資訊，便於Claude自主決策是否呼叫（初始僅用數十個token掃描描述）。Claude在處理使用者查詢時，會先評估任務語義匹配度（如通過嵌入向量比較），然後動態載入匹配技能的全內容。這使得Skills“可組合”（composable）：多個技能可疊加，形成複雜工作流（如資料分析+可視化）。執行與安全保障：Skills依賴Anthropic的Code Execution Tool beta（一個沙箱化REPL環境），支援安全運行程式碼。程式碼執行隔離在容器中，防止惡意注入；Anthropic強調“僅信任來源”安裝，並提供審計指南。相比純token生成（如排序演算法），程式碼執行更快、更廉價（減少80%+ token消耗），並確保確定性輸出。建立與管理：使用者可通過Claude的“skill-creator”互動式聊天建構技能（非技術使用者友好），或用API的/v1/skills端點版本化管理。Anthropic提供GitHub倉庫（anthropic/skills）和Cookbook範本，加速開發。這一機制源於Anthropic的“憲法AI”原則，確保技能載入符合倫理邊界。總體而言，Skills將Claude從“通用聊天機器人”升級為“模組化代理”，其原理巧妙平衡了靈活性與效率，適用於長時任務（如30小時自主編碼）。2. 競對分析：針對OpenAI和Google的差異化定位Skills並非孤立創新，而是Anthropic在AI代理領域的精準反擊，聚焦企業級可靠性和安全性，與競品形成鮮明對比。當前市場，OpenAI的GPT-4o和Google的Gemini主導通用AI，但代理功能仍碎片化。vs. OpenAI：Skills直接挑戰OpenAI的AgentKit（2025年9月推出），後者依賴工具呼叫建構代理，但易受提示變異影響，導致輸出不穩。Skills的資料夾格式更易分享和版本控制，Anthropic強調“非基準導向，而是企業上下文最佳化”。 2 8OpenAI生態更成熟，但Skills在成本（程式碼執行節省token）和安全性上領先。vs. Google：Gemini的代理更偏基礎設施（如Vertex AI），適合雲整合，但缺乏Skills的“即插即用”簡易性。Anthropic的移動/桌面支援更強，針對中小企業。新興競對：xAI的Grok強調即時搜尋和幽默，但代理功能較弱；Meta的Llama代理依賴開源社區。Skills的封閉生態（市場+SDK）提供更可靠的企業入口。3. 能用來幹嘛：從日常辦公到代理自動化Skills將Claude轉化為“工作專家”，適用於重複性高、精度要求嚴的任務。Anthropic預置了Excel、PowerPoint、Word和PDF技能，使用者可自訂擴展。典型應用包括：文件與資料處理：生成帶公式的Excel報表、PowerPoint演示（e.g., 市場分析幻燈片）、可填PDF表單，或從Notion提取資料。品牌與合規工作流：自訂“品牌指南”技能，確保輸出符合公司風格；金融/醫療場景下，整合合規檢查指令碼。編碼與自動化：Claude Code中載入偵錯技能，自主運行30+小時編碼任務；建構代理鏈，如資料清洗+可視化。整合擴展：與Microsoft 365/Box無縫協作，Canva計畫用Skills定製設計代理。 012 早期反饋顯示，複雜任務從一天縮短至一小時。總體，Skills適合知識工作者和開發者，強調“一次建立，到處使用”。4. 對市場生態的改變：加速智能體時代，注入安全與模組化範式Skills的推出正值AI智能體從炒作轉向落地（2025年市場規模預計超500億美元），它將重塑生態格局。企業級轉型：推動AI從“輔助工具”到“核心代理”，減少提示工程依賴，提升ROI。Anthropic首席產品官Mike Krieger指出，企業已過“AI FOMO”階段，轉向可量化指標；Skills的確定性執行填補這一空白。生態開放與分享：通過marketplace和GitHub，Skills催生“技能經濟”——開發者可售賣/分享模組（如Datasette外掛），類似於App Store，但專注AI工作流。 45 這將刺激開源社區，降低進入門檻。安全與監管影響：Anthropic的沙箱+倫理設計強化AI在高規行業（如金融、醫療）的採用，緩解“黑箱”擔憂，推動標準制定。競爭動態：加劇與OpenAI的“代理戰”，可能迫使競品跟進模組化設計；同時，擴展Claude在中小企業滲透（當前企業使用者佔比30%+）。長期看，Skills或加速“AI技能市場”形成，價值鏈從模型訓練轉嚮應用層創新。 (AI頓悟湧現時)

凌晨刷到這個消息,我真的震驚了——OpenAI居然在測試一個叫Agent Builder的工具,它能讓你像搭樂高一樣,自己動手造AI智能體!🚀想像一下,以前你得懂程式碼、懂演算法、懂一堆技術黑話,才能開發個AI助手。現在呢?OpenAI直接給你一個「流程圖畫板」,你只需要拖曳小方塊(他們管這叫「節點」),用箭頭連起來,就能定義AI的工作流程。每個節點幹一件事,箭頭告訴它先幹啥後幹啥,邏輯清晰得像在玩消消樂💡更絕的是,它還自帶範本!客服機器人、資料處理、文件對比……直接套用範本改改就能用,懶人福音有沒有!當然,你也可以從零開始,完全按自己的想法設計。每個節點都能連到一個「智能體」,你可以選模型、寫提示詞、調參數,甚至設定「推理強度」和輸出格式(文字或JSON)。工具接入也很方便,Gmail、Google日曆、Outlook、Dropbox……想連啥連啥,AI瞬間能幫你讀檔案、查日程、寫郵件。說白了,這就是AI界的「Visual Studio時刻」——以前開發軟體得手寫程式碼,後來有了可視化工具,人人都能上手。現在OpenAI想把這套搬到AI開發上,讓造AI智能體變成一件「傻瓜式」的事兒。有人說這是在革程式設計師的命,也有人覺得這是在普及AI能力。但不管怎樣,當AI開發的門檻降到「會拖曳就行」的時候,我們每個人都可能成為自己的AI架構師。這波操作,真的有點像當年智慧型手機剛出來時的感覺——未來,可能人手一個定製AI助手🤖OpenAI會在今天的DevDay大會上公佈更多細節。你覺得這種「拖曳造AI」會火嗎?會不會真的讓AI開發變成全民運動?評論區聊聊你的想法,或者轉發給你那個總說「學AI太難」的朋友!😄 (澤問科技)