2026年2月，德勤發佈了《技術趨勢2026：AI從概念驗證邁向價值創造》。這份報告核心揭示：企業AI的焦點已從“我們能做什麼”轉向“如何規模化創造實際價值”，技術變革的速度本身已成為最陡峭的競爭壁壘。本文將從物理AI、數字員工、基礎設施重構、技術組織再造、AI網路安全五大維度，結合報告中的關鍵資料與一線企業案例，拆解這場從“試驗”到“生產”的生死跨越。物理AI：智能走出螢幕，機器人學會摔倒再爬起當AI不再只是對話方塊裡的文字，而是能抓取、行走、避障的實體，工業與服務的邊界正在被重寫。1. 機器人從“程式設計”走向“自適應”傳統機器人執行固定指令，而物理AI系統能夠感知環境、從經驗中學習、根據即時資料調整行為。寶馬工廠內，新車自主完成數公里生產運輸路線；亞馬遜已部署第100萬台機器人，DeepFleet AI系統使運輸效率提升10%。2. 人形機器人的“功能本質”俄勒岡州立大學Jonathan Hurst指出：人不是要造一個“像人的機器”，而是要造一個“能適應人類空間的工具”。雙足形態的意義不在於擬人，而在於窄足跡通過性、動態穩定性、多工抓取能力。瑞銀預測：到2035年，工作場所人形機器人將達200萬台；2035年市場規模預計300億至500億美元，2050年攀升至1.4兆至1.7兆美元。數字員工：11%跑通，89%卡在流程再造不是技術不夠強，而是組織根本沒給智能體設計“工作崗位”。1. 試點擁擠，落地稀缺德勤調查顯示：38% 的組織正在試點智能體，但僅有11% 投入實際生產應用。42% 仍在制定戰略，35% 根本沒有戰略。Gartner預警：到2027年，超40%的智能體項目將被取消。原因不是技術失效，而是企業只做自動化，沒做流程再造。2. 從“自動化”到“矽基勞動力管理”領先企業正在建立智能體入職、績效、生命周期管理框架。HPE開發的智能體“Alfred”整合四個底層智能體，完成從SQL資料分析、圖表生成到報告撰寫的全流程。Moderna已設立首席人才與數位技術官，將人力資源與智能體管理合併。報告明確提出：智能體不是工具，是數字員工。基礎設施：雲優先退場，混合架構成為“新常態”當單月雲帳單衝到數千萬美元，企業開始追問——我的計算錢，到底燒在那了？1. 成本下降280倍，總支出卻暴增過去兩年，大模型推理成本下降280倍，但部分企業每月AI支出仍高達數千萬美元。原因：用量增速碾壓成本降速。2. 三層混合架構成為主流企業正從“雲優先”轉向戰略性混合架構：雲：彈性訓練、突發容量本地：穩定生產推理邊緣：低延遲即時決策戴爾設立架構評審委員會，對每一個AI項目評估“該跑在那”。John Roese直言：改造舊設施比新建AI工廠更貴、更慢。技術組織重構：七成CIO布道，六成企業技術創收AI沒有消滅崗位，但它消滅了“只懂維運不懂業務”的技術管理者。1. CIO角色三重躍遷德勤調查：70%的CIO 自認角色已變為AI布道者或企業級實施者。西部資料CIO直言：“我現在是CIO+CDO+CAIO+CDIO的四合一。”2. 人機團隊與崗位新生未來18個月最搶手的新崗位包括：人機協作設計師邊緣AI工程師合成資料質量專家提示工程師78%的技術領導者 預計未來五年AI智能體將“變革性”嵌入技術架構。64%的企業計畫增加AI投資，技術預算中AI佔比預計從8%升至13%。網路安全：以AI治AI，堵住機器速度的漏洞用人力防機器速度的攻擊？窗口已經關上了。1. 四層風險敞口報告將AI安全風險歸納為四大領域：資料層：訓練資料投毒、敏感資訊洩露模型層：模型竊取、反演攻擊、模型崩潰應用層：輸入注入、越權訪問基礎設施層：API漏洞、供應鏈攻擊、橫向移動2. 以AI治AIAT&T首席資訊安全官Rich Baich指出：“唯一的不同，是速度和影響範圍。”領先企業已部署紅隊智能體進行對抗性訓練。Itaú Unibanco正在用智能體持續測試模型偏見、倫理邊界與對抗魯棒性。結尾德勤用17年的技術趨勢追蹤，給2026年畫下一道清晰的分割線：左邊是試點、右邊是生產；左邊是工具、右邊是員工；左邊是成本、右邊是價值。這份報告最殘酷的洞察並非技術更迭，而是技術採用曲線本身正在急劇收縮——電話用了50年觸達5000萬人，生成式AI用了2個月。那些還在“完善試點”的企業，窗口期已所剩無幾。未來不屬於最懂AI的人，而屬於最快把AI嵌進業務、嵌進流程、嵌進組織血管的人。報告節選(三個皮匠)

根據Anthropic發佈的最新研究報告《2026年智能體編碼趨勢報告》（2026 Agentic Coding Trends Report），人工智慧在軟體開發領域的應用正在經歷一場從嚴重的“輔助工具”向深度的“協作夥伴”的根本性轉變。這份報告基於廣泛的客戶資料和內部詳細研究，闡述了將在2026年定義智能體編碼（Agentic）報告核心觀點指出，隨著智能體向協作型智能體團隊進化，軟體開發的生命周期將被徹底崩潰，工程師的角色佇列程式碼系統的執行者轉變為智能體的編寫排版者。智能體系統的崛起與開發周期的崩潰收縮軟體開發領域正在經歷自圖形使用者介面誕生以來最顯著的互動變革。2025年，編碼智能體已經從實驗性工具轉變為能夠交付實際功能的生產系統。而根據Anthropic的預測，2026年將出現一種結構性的飛躍：單一的AI智能體將轉變為協調協作的“智能體團隊”（Cooperative Teams）。傳統的軟體開發生命周期（SDLC）——涵蓋需求、設計、實現、部署等階段——通常以測試周或月為單位。然而，報告指出，隨著智能體取代實現、自動化測試和文件編寫等專項性工作，這一周期正在崩潰為縮短小時甚至分鐘級。變革的核心驅動力承載架構的演進。目前的架構智能體工作流通常是線性的，建立於單一的這種下游窗口。而2026年的多智能體分層架構將引入“編排者智能體”（Orchestrator Agent）。該中心大腦負責任務分層、分發工作和質量控制，指揮於架構、編碼、測試和審查的“專家智能體”架構工作。這種協作模式使得智能體不再侷限於完成數十內完成的離散任務。報告預測，長效運行的智能體（Long-running Agents）將能夠連續工作數小時甚至數天，獨立建構和測試整個應用程式系統，並在關鍵決策點尋求人類的戰略指導。日本樂天集團（Rakuten）的案例慘遭這一趨勢。其工程師利用 Claude Code 在擁有 1250 萬行程式碼的龐大開源庫（vLLM）中實施了一項複雜性的啟動提取方法。究竟可能需要數周的工作，智能體在單次運行中僅需 7 小時即可完成自主，且實現的結果與參考方法相比達到了 99.9% 的精度。這種能力不僅是速度的提升，更是任務複雜性處理度的變遷。協作部落論與工程師角色的重構隨著智能體承擔了更多的實施工作，一個關鍵的成本分數浮出水面：這種轉型本質上是高度協作的，而不是簡單的替代方案。人類的社會影響團隊研究發現了一個耐人尋味的“協作工作論”：雖然開發人員在約 60% 的中使用了 AI，但他們報告能夠“完全授權”給 AI 的任務比例大約 0-20%。這表明，人工智慧正在成為一個持續的合作者，但有效使用它需要深思熟慮的設定、主動的監督和嚴格的驗證。對於高風險工作而言，人類的判斷力相等。報告強調，未來的軟體工程師將不再是程式碼的編寫者，而是智能體的“編排者”。他們的核心價值將轉移到系統架構設計、智能體協調、質量評估以及將業務轉化為技術路徑的戰略決策問題上。這種角色的轉變反而工程師變得更加“全端”。研究顯示，借助AI補知識空白，工程師現在可以更有效地覆蓋遠端、遠端、資料庫設施和基礎設施等領域工作。究竟需要數周跨團隊協調的任務，現在可以在重點的工作會話中完成。例如，金融科技平台CRED利用Claude Code覆蓋了整個開發生命周期，在保持金融服務的高品質標準的同時，將執行速度提高一倍。另外，生產力的提升在速度上，更體現在財富的“體量”和“廣度”上。人類的內部研究發現，約27%的人工智慧輔助工作由那些“具體不會行動”的任務組成。這包括清理長期積累的技術債務、建構前期因成本過高而被擱置的“錦上添花”的工具，以及進行探索性的原型設計。加拿大電信黨TELUS的團隊在將程式碼交付速度提高 30% 的同時，建立了超過 13,000 個定製的 AI 解決方案，這在傳統模式下是不可想像的。泛化與防禦：程式碼權力的下放與雙刃劍2026年的智能體編碼趨勢開創了專業的軟體工程團隊，它正在向新的領域和使用者群體擴展，推動技術的民主化。首先是語言障礙的消失。智能體編碼將分裂COBOL、Fortran等傳統語言以及特定領域的母語。這將極大地降低繼承系統的所有權，使企業能夠更輕鬆地對核心舊舊系統進行現代化改造。更必然的影響具有非技術角色的賦能。報告預測，來自銷售、行銷、法律和營運等非技術團隊的員工將獲得建構自動化工作流和工具的能力。例如，自動化平台 Zapier 已經實現了全員 AI 普及，設計團隊利用 Claude 在客戶訪談期間即時原型，而這在過去需要數周時間。人性化自身的法律團隊也通過建構自動化合同修訂的工作流，將支出審查的周轉時間從兩周到三天大約達到了 24 小時。然而，這種能力的普及也帶來了“雙重用途”的風險。報告指出，智能體編碼在增強防禦能力的同時，也可能被攻擊者利用。隨著模型變得更加強大，建構行為安全的應用程式變得更加容易，任何工程師都可以在人工智慧的輔助下執行之前需要專家級知識的安全審查和牙齒。但與此同時，威脅能力同時利用相同的擴展攻擊規模。針對這一挑戰，報告建議企業採用“安全優先”的架構。自動化的智能體防禦系統將能夠以機器速度響應威脅，這是對抗自動化攻擊的唯一有效途徑。這要求工程師在設計之初就將安全性嵌入到智能體系統中，而不是作為事後的補充。結語：從增量工具到戰略核心人類的這份聲明清晰地描繪了一個分嶺：2026年，智能體編碼將不再是提高效率的外掛，而是企業參與的核心戰略原動力。早期的採用者與落後者之間的差距正在迅速擴大。對於企業領導者而言，未來的當務之急不僅僅是部署工具，而是掌握多智能體協調的，建立規模化的人機協作監督機制，並賦能整個組織的領域專家。成功的關鍵不是試圖將人類從循環中移除，而是通過智能協作，讓人類的智慧聚焦於最關鍵的決策點。在這個新時代，軟體開發佇列一行行程式碼的編寫，漸進為智能系統的宏大編排。 (21世紀關鍵技術)

Anthropic剛剛扔出一份18頁重磅炸彈：《2026年智能體編碼趨勢報告》。結論直接炸裂：程式設計師不再寫程式碼了，他們變成了「指揮官」。單個AI助手已經進化成自主智能體軍團，能花好幾天打造完整系統，甚至讓法務、市場這種完全不懂程式碼的人，也能自己做應用。軟體開發，正在經歷圖形介面發明以來最大的一次地震。2026年的AI圈，要說誰最風光，Anthropic絕對排第一。就在剛剛，Anthropic甩出了一份18頁重磅報告：《2026年智能體編碼趨勢報告》。這份報告的核心結論可以濃縮為一句話：任何人，都成為了開發者。程式設計/軟體開發的遊戲規則徹底變了！注意，不是「每個程式設計師變得更強了」，而是「非技術人員也能開發了」。這意味著軟體開發這個行當，正在經歷自DOS、圖形介面發明以來，最大的一次範式轉移。以下是報告全部8大趨勢的深度解讀，乾貨滿滿，一個不漏。寫在前面這份18頁的報告，資訊密度極高！Anthropic沒有畫餅，沒有講故事，用的是Anthropic自己的內部研究資料、真實客戶案例和對行業趨勢的冷靜判斷。核心訊號非常清晰：程式設計師不會消失，但「只會寫程式碼」的程式設計師會消失。未來的軟體工程師，是編排者、架構師、決策者。他們不再逐行敲程式碼，而是指揮一支AI軍團，同時保持人類獨有的判斷力和「品味」。而更深遠的影響在於「誰是開發者」這個問題的答案，將被徹底重寫。這才是Anthropic這份報告真正的核心結論。不是AI取代人類，而是人人都成為了開發者。趨勢一 軟體開發生命周期，正在劇變這是報告提出的第一個「地基級」趨勢。Anthropic認為，2025年，AI編碼智能體已經從實驗工具變成了生產系統，能給真實客戶交付真實功能。而2026年，變化將遠超「工具升級」的範疇。三個核心預測：1. 抽象層再升級。從機器碼到彙編，從C到Python，每一層抽象都在縮小人類思維和機器執行之間的鴻溝。現在，最新的一層抽象是——人類和AI的自然語言對話。程式碼的「戰術工作」（寫、偵錯、維護）交給AI，工程師聚焦架構、系統設計和「該做什麼」的戰略決策。2. 工程師角色大轉型。做軟體不再等於寫程式碼。現在，軟體工程師越來越多地變成了「編排智能體寫程式碼」的角色——評估智能體的輸出、提供戰略方向、確保系統解決了正確的問題。3. 入職周期坍縮。傳統的新人上手一個程式碼庫，要幾周甚至幾個月。現在，幾個小時就夠了。這一點，報告給了一個驚人案例——Augment Code（一家AI開發工具初創公司）的企業客戶，用Claude完成了一個項目，他們的CTO原本估計需要4到8個月。最終，只花了兩周。兩周 vs 八個月。這不是「提效」，這是「降維打擊」。更關鍵的一個資料來自Anthropic自己的社會影響研究團隊：開發者在大約60%的工作中使用AI，但他們能「完全委託」給AI的任務只有0-20%。這個數字打破了很多人的幻覺。AI不是替代你，而是和你「協作」。它是你的常駐搭檔，但用好它，需要精心設定提示詞、主動監督、驗證判斷——尤其是在高風險任務中。報告把這叫做「協作悖論」：AI參與度很高，但完全自治度很低。理解這個悖論，是理解整份報告的關鍵。趨勢二 單個智能體，進化成「智能體軍團」這是能力層面第一個重磅趨勢。2025年，一個Agent單打獨鬥。2026年，Anthropic預測：多個智能體將組成協調團隊，處理單個智能體根本搞不定的複雜任務。多智能體系統取代單智能體工作流。怎麼理解？單智能體模式：一個上下文窗口，順序處理任務。多智能體架構：一個「編排者」協調多個「專家智能體」平行工作——每個智能體有自己的專屬上下文——然後彙總輸出。就像一支管絃樂隊：指揮不需要親自演奏每件樂器，但必須確保每件樂器在正確的時間發出正確的聲音。報告中的案例也很炸——Fountain（一家前線勞動力管理平台）用Claude實現了層級化多智能體編排。他們的Fountain Copilot作為中央編排智能體，指揮專門的子智能體分別負責候選人篩選、自動文件生成和情感分析。效果是：篩選速度快50%，入職速度快40%，候選人轉化率翻倍。一家物流客戶把新配送中心的全面招聘周期從一周以上，壓縮到了72小時以內。一周變三天。這就是多智能體編排的威力。趨勢三 長時運行智能體，能獨立造完整系統如果說趨勢二是「空間上」的擴展（多個智能體平行），那趨勢三就是「時間上」的突破。早期的AI Agent只能幹幾分鐘的活：修個Bug、寫個函數、生成個測試。到2025年底，越來越厲害的AI智能體已經能花好幾個小時，產出完整的功能集。而到2026年，智能體將能連續工作好幾天。從一次性任務，到建構完整應用和系統。人類只需要在關鍵決策點提供戰略監督。四個核心預測：- 任務時間跨度從分鐘級擴展到天級甚至周級。 智能體自主工作更長時間，周期性接受人類檢查點。- 智能體能應對軟體開發中那些「爛攤子」。 跨越數十個工作會話，規劃、迭代、打磨，適應新發現，從失敗中恢復，全程保持連貫狀態。- 以前不可行的項目變得可行。 積攢多年的技術債務，可以被智能體系統性地逐一消滅。- 創業者從點子到上線應用，從幾個月縮短到幾天。樂天的工程師用Claude Code測試了一個超高難度任務：在vLLM（一個擁有1250萬行程式碼、多種程式語言的巨型開源庫）中實現一個特定的啟動向量提取方法。Claude Code在一次單獨運行中，經過7小時的自主工作，完成了整個任務。實現的數值精度達到了參考方法的99.9%。7小時，1250萬行程式碼庫，99.9%精度。這已經不是「輔助」了。這是AI真正在「幹活」。趨勢四 人類監督，通過「智能協作」實現規模化這個趨勢聽起來沒前幾個那麼炸裂，但它可能是最重要的一個。因為它回答了一個核心焦慮：如果智能體越來越強，人類還有什麼用？Anthropic的答案很清醒：人類不是被移除了，而是注意力被重新分配了。三個核心預測：- 智能體質控成為標配。 用AI審查AI生成的程式碼：分析安全漏洞、架構一致性和質量問題：這些工作量原本遠超人類處理能力。- 智能體學會「求助」。 不是每個任務都蒙頭硬上，而是識別出需要人類判斷的場景，標記不確定區域，把有業務影響的決策上報。- 人類從「審查一切」轉向「審查關鍵點」。 建立智能系統處理日常驗證，只在真正新穎的情況、邊界案例和戰略決策時尋求人類輸入。來自Anthropic內部研究的一個關鍵發現：工程師在大約60%的工作中使用AI，但能「完全委託」的任務比例極小。這個「矛盾」恰恰說明了問題：有效的AI協作，需要人類的主動參與。報告引用了一位工程師的原話——「我主要在我知道答案應該是什麼、或者應該長什麼樣的情況下使用AI。我是通過'笨辦法'做軟體工程才培養出這種能力的。」換句話說：你越有經驗，AI對你的加成越大。菜鳥用AI只是加速犯錯。老手用AI是「如虎添翼」。趨勢五 智能體編碼擴展到新領域和新使用者最早的AI編碼智能體，是給專業程式設計師在IDE裡提速用的。2026年，智能體編碼將突破這個圈子。三個核心預測：1. 語言壁壘消失。 COBOL、Fortran這些「老古董」語言？AI智能體也能搞。企業裡那些沒人敢碰的遺留系統，終於有救了。2. 編碼民主化超越工程師群體。 網路安全、維運、設計、資料科學——這些「非傳統開發者」也能用智能體編碼了。Anthropic自家的Cowork工具就是訊號。3. 每個人都變成了全端工程師。最後這一點特別有意思。報告的分析發現了一個一致的模式：人們用AI增強自己的核心專長，同時拓展到相鄰領域。安全團隊用AI分析不熟悉的程式碼研究團隊用AI建構資料的前端可視化非技術員工用AI偵錯網路問題或做資料分析這直接挑戰了一個根深蒂固的假設——只有專業工程師、用專業工具、在IDE裡，才能做「正經開發」。「會寫程式碼的人」和「不會寫程式碼的人」之間的壁壘，正在變得越來越模糊。法律科技平台Legora的案例也證明了這一點：Legora的CEO Max Junestrand表示，Claude在「遵循指令、建構智能體和智能體工作流」方面表現出色。律師可以在沒有工程背景的情況下，建立複雜的自動化流程。律師自己造工具。這在兩年前還是天方夜譚。趨勢六 生產力提升，重塑軟體開發經濟學這是「影響層」三大趨勢中的第一個。三大加速乘數： 智能體能力、編排改進、更好地利用人類經驗——三者復合疊加，創造的是階梯式躍升，而非線性增長。時間線壓縮改變項目可行性： 以前需要幾周的開發，現在幾天搞定。以前因為不划算而「擱置」的項目，現在變得可行了。軟體開發的總體擁有成本下降： 智能體增強工程師產能，項目時間線縮短，更快的價值實現改善了投資回報率。最有趣的一個洞察來自Anthropic的內部研究——工程師反饋：單個任務花的時間反而少了，但產出量大幅增加。這意味著什麼？AI帶來的生產力提升，主要不是「同樣的活幹得更快」，而是「幹了更多的活」——更多功能上線、更多Bug修復、更多實驗被執行。還有一個容易被忽略的數字：約27%的AI輔助工作，是「如果沒有AI就根本不會去做」的任務。包括：規模化項目、建構「錦上添花」的工具（比如互動式儀表盤）、以及人工做實在不划算的探索性工作。工程師還反饋，他們修復了更多「小紙割」：那些影響生活質量但通常被放在最低優先順序的小問題——因為有了AI，處理這些問題終於變得可行了。趨勢七 非技術用例，在組織中全面擴展Anthropic預測，2026年最重要的趨勢之一，就是智能體編碼在業務職能團隊中的穩步增長。不是工程團隊在用。是銷售、市場、法務、營運——這些部門也在用。三個核心預測：- 編碼能力民主化超越工程部門。 非技術團隊能自動化工作流、建構工具，幾乎不需要工程支援。- 領域專家直接實現解決方案。 最瞭解問題的人，自己動手解決問題，不用再「提工單然後等排期」。- 生產力提升擴展到整個組織。 那些「不值得佔用工程資源」的問題被解決了，實驗性工作流變得毫不費力，手動流程被自動化。Anthropic自己的法務團隊就是活案例——法務團隊用Claude驅動的工作流，把行銷稽核周轉時間從2-3天縮短到24小時。一位沒有程式設計經驗的律師用Claude Code建構了自助服務工具，在問題進入法務佇列之前就進行分類處理，釋放律師的時間去做戰略性法律諮詢，而非戰術性的瑣碎工作。一位律師，零編碼經驗，自己造工具。這段話值得反覆品味。趨勢八 智能體編碼改善安全防禦，但也增強攻擊能力最後一個趨勢，也是最具爭議性的一個。智能體編碼正在同時改變安全的兩個方向——防禦和攻擊。好消息是：安全知識被民主化了。 模型越來越強、對齊越來越好，把安全性嵌入產品變得更容易。現在，任何工程師都可以借助AI做安全審查、加固和監控——以前這需要專家級的專業知識。壞消息是：攻擊者也能利用同樣的能力擴大攻擊規模。三個核心預測：- 安全知識民主化。 任何工程師都能成為「安全工程師」，具備深度安全審查、加固和監控能力。- 威脅行為者擴大攻擊。 智能體在增強防禦的同時，也增強了攻擊。從一開始就把安全嵌入開發流程，變得比以往任何時候都重要。- 智能體網路防禦系統崛起。 自動化智能體系統以機器速度進行安全響應，自動檢測和應對，匹配自主威脅的速度。報告的結論很務實——優勢屬於有準備的組織。 從一開始就用智能體工具將安全嵌入開發的團隊，將更好地抵禦使用同樣技術的對手。2026年的四大優先事項報告最後，Anthropic給出了組織在2026年必須立即關注的四個領域——1. 掌握多智能體協調。 處理單智能體系統無法解決的複雜性。2. 通過AI自動化審查系統擴展人類-智能體監督。 把人類注意力集中在最重要的地方。3. 將智能體編碼擴展到工程之外。 賦能各部門的領域專家。4. 從最早期就將安全架構嵌入智能體系統設計。這四點匯聚成一個中心主題：軟體開發正在從「寫程式碼」轉向「編排寫程式碼的智能體」，同時保持人類判斷、監督和協作，確保質量結果。報告最後一句話，也是最核心的一句：目標不是把人類從環路中移除，而是讓人類的專長在最重要的地方發揮作用。 (新智元)

隨著人工智慧技術的飛速發展，其對全球經濟、社會和行業的深遠影響已成為各界關注的焦點。2025年，AI技術正處於從實驗室邁向大規模應用的關鍵時期，生成式AI、AI智能體等新興技術正在重塑我們的工作方式、商業模式以及日常生活。為了更好地把握這一技術浪潮帶來的機遇與挑戰，深入理解AI技術的最新趨勢、應用場景以及潛在風險至關重要。在此背景下，《Generational：2025年人工智慧趨勢報告：AI智能體跨越鴻溝》和《HatchWorksAI：2025年人工智慧全景報告》兩份報告提供了極具價值的洞察。前者從宏觀到微觀，深入剖析了AI技術的經濟影響、資本市場表現、行業應用深度以及未來發展的關鍵趨勢，尤其是AI智能體的崛起及其在不同領域的應用前景；後者則聚焦於AI在企業中的實際應用現狀，探討了企業在AI實施過程中的挑戰與機遇，並提出了關於AI倫理、資料治理和使用者體驗的前瞻性思考。這兩份報告不僅涵蓋了豐富的行業資料、案例分析和專家見解，還為讀者提供了一個全面瞭解AI技術現狀與未來趨勢的框架。無論是技術從業者、企業管理者、政策制定者還是對AI技術感興趣的普通讀者，都能從這些報告中獲得啟發，更好地應對AI時代帶來的變革。推薦閱讀這兩篇報告，以在AI浪潮中找準定位，把握機遇，迎接挑戰。以下是對兩篇報告的核心內容解讀：《Generational：2025年人工智慧趨勢報告：AI智能體跨越鴻溝》報告核心內容解讀AI技術的快速普及與經濟影響報告指出，生成式AI的基礎模型是歷史上被採用最快的通用技術（GPT）。僅在兩年內，超過50%的美國人口已經使用過生成式AI產品。這種快速普及帶來了顯著的經濟影響，儘管AI對GDP增長的貢獻被部分誇大，但其在某些行業中的影響力不容小覷。例如，在就業市場中，年輕工作者在高度自動化的崗位上受到AI的衝擊更為明顯，而AI工具的成本優勢使其在許多工中比人類勞動力更具競爭力，這推動了企業對AI的採用。AI在資本市場與行業中的表現自2023年1月AI熱潮開始以來，納斯達克和標普500指數分別上漲了124%和89%，而AI指數更是飆升了182%。AI相關股票的強勁表現反映了市場對AI技術的高度期待和投資熱潮。然而，這種增長並非均勻分佈，一些行業如半導體、網際網路服務硬體等表現突出，而像EdTech等行業則受到衝擊。此外，AI模型的開發成本不斷攀升，訓練前沿模型所需的計算資源和資金投入巨大，這推動了晶片製造、資料中心等基礎設施的快速發展，但也引發了對能源供應和可持續性的擔憂。AI技術的發展趨勢與未來展望報告強調，AI智能體（agents）正在成為AI技術的重要發展方向，其能夠自主完成任務並與其他系統互動。AI智能體在多個領域展現出巨大的潛力，從軟體開發到客戶服務，再到複雜的工程設計和金融分析等。隨著AI模型性能的不斷提升，其在專業任務中的表現已經能夠與擁有14年經驗的專業人士相媲美，甚至在某些任務中超越人類。未來，AI技術將不僅僅侷限於知識工作，還將逐步擴展到物理世界的應用，如自動駕駛、機器人等領域。報告預測，2026年AI智能體將在電子商務、智能眼鏡、自動駕駛等領域取得顯著進展，推動AI技術的進一步普及和應用。《HatchWorksAI：2025年人工智慧全景報告》報告核心內容解讀AI在企業中的應用現狀與挑戰報告指出，2024年是AI從實驗轉向試點的關鍵一年，但大多數AI項目仍停留在試點階段，未能真正實現生產化。儘管85%的組織正在測試或使用某種形式的生成式AI，但只有37%的高管認為他們的AI項目真正準備好投入生產。這表明企業在AI應用過程中面臨著諸多挑戰，尤其是在將AI技術與現有業務流程和人員技能相結合方面。報告強調，AI的成功實施不僅依賴於技術本身，還需要企業在戰略規劃、人員培訓、資料管理和合規性等方面做好充分準備。此外，AI在企業中的應用呈現出多樣化的趨勢，涵蓋了從市場行銷、客戶服務到產品研發、風險管理等多個領域，但不同行業和企業規模在AI應用的深度和廣度上存在差異。AI技術的發展趨勢與創新報告分析了2024年AI技術的發展趨勢，指出AI行業正在從單純的“建構與購買”模式向“建構、購買與編排”模式轉變。企業越來越多地採用混合策略，結合現成的AI模型、開源模型以及定製化的多智能體系統，以實現成本效益、隱私保護和個性化服務的平衡。多智能體系統和智能體網格（Agent Mesh）的興起，使得AI能夠以更靈活、模組化的方式處理複雜任務，通過將任務分解為多個子任務並由專門的智能體協同完成，提高了系統的效率和適應性。此外，報告還提到，儘管大型語言模型（LLM）的規模不斷擴大，但性能提升的邊際效益正在逐漸減弱，這促使企業更加關注模型架構的最佳化、資料質量的提升以及多模態能力的拓展，以實現更智能的AI應用。AI的倫理、資料治理與使用者體驗隨著AI技術的廣泛應用，倫理、資料隱私和使用者體驗成為企業必須重視的問題。報告指出，AI系統在做出影響人們生活的決策時，必須確保公平性、可解釋性和無偏見。企業需要在AI工作流程中嵌入偏見檢查機制，並提供可操作的解釋，以增強使用者對AI決策的信任。資料治理方面，企業面臨著資料碎片化、資料質量不一致以及資料隱私法規日益嚴格的挑戰。報告建議企業投資於統一的資料治理平台，採用隱私增強技術（PETs），並部署本地或混合模型，以確保資料的安全性和合規性。在使用者體驗方面，AI系統的“幻覺”現象（生成看似合理但不精準的資訊）可能會削弱使用者信任，因此企業需要通過個性化、結構化輸出和多智能體系統等手段來提升使用者體驗，確保AI系統能夠提供可靠、可解釋且符合使用者期望的互動。 (TOP行業報告)

麥肯錫發佈的《Technology Trends Outlook 2025》給出了對未來 5–10 年全球產業競爭格局的結構性觀察。報告總結 13 項前沿技術趨勢，並以創新度、關注度、人才與資本投入等指標衡量其演進速度。趨勢之間並非彼此孤立，而是被 AI 重新聯通，形成加速循環。本解讀聚焦這 13 項趨勢的底層方向、結構性變數及其對企業策略的潛在影響。一｜AI 革命：兩個核心趨勢正在重構所有行業1. 代理式 AI（Agentic AI）智能體從“模型”走向“同事”。能夠自主規劃多步驟任務、執行操作、與其他智能體互動，正在成為企業級創新的新入口。其特徵在於：多步驟自主執行（planning → tools → action）跨系統協作從“問答”升級為“代辦”這項趨勢仍處早期，但增速最快，企業正在測試“虛擬營運員、虛擬研究員、虛擬產品經理”等角色。2. 人工智慧（AI，本體）生成式 + 應用型 AI 不再拆分，形成統一範式。AI 是 13 項趨勢的“倍增器”，趨勢之間的大部分加速，均由 AI 提供的：模型能力訓練效率自動化與研發外推能力所推動。AI 不僅改變企業營運，也正在改變 R&D 的速度本身。二｜計算與連接前沿：六項關鍵基礎設施進入規模化階段3. 特定應用半導體（Application-specific Semiconductors）AI 訓練/推理需求推動專用晶片加速增長：高頻寬儲存專用互連能耗/散熱最佳化它本質上是下一輪算力紅利的源頭。4. 先進連接技術（Advanced Connectivity）5G/6G、Wi-Fi 6/7、LEO 衛星網路等推動：工業現場即時控制車路協同超低延遲應用企業級連接正從“頻寬競爭”轉向“場景競爭”。5. 雲與邊緣計算（Cloud & Edge Computing）訓練側集中化、推理側本地化平行發展。集中：超大規模資料中心擴張本地：車端、機端、家庭端嵌入式 AI兩條軌道共同支撐未來的 AI 計算體系。6. 沉浸式現實（Immersive Reality）AR/VR/Passthrough + AI 提升內容生成、互動與渲染。應用落點從消費側轉向：工業培訓醫療輔助遠端協作7. 數字信任與網路安全（Digital Trust & Cybersecurity）AI 規模化後最關鍵的基礎設施之一：模型安全身份/權限控制零信任體系應用越深入，治理成本越高。8. 量子技術（Quantum Technologies）被重點關注但商業落地不均衡。材料/藥物設計密碼學安全複雜最佳化問題仍需要克服物理噪聲、規模化裝置與基礎設施建設。三｜尖端工程：五項技術正在重塑實體世界的結構與節奏9. 未來機器人技術（Next-gen Robotics）類人機器人、自主移動機器人（AMR）進入新周期。特徵：自適應動作具備“學習趨向”動作能力與智能體結合形成“數字 + 物理”協作網路10. 未來出行（Future Mobility）不僅是無人駕駛，而是 人以資料為中心的移動系統：智慧道路 + 智慧交通V2X（車路雲協同）城市空中交通（UAM）本質從“車輛自動化”升級為“交通系統智能化”。11. 未來生物工程（Future Bioengineering）基因編輯、蛋白質設計、細胞工程進入工業化處理程序。應用覆蓋：新藥發現食品體系重塑生物製造這一賽道與 AI 科學研究（AI for Science）高度耦合。12. 未來空間技術（Space Tech）低軌衛星星座、可重複使用火箭、地面直連衛星（D2D）：全球連接地球觀測太空物流是供應鏈 + 通訊網路重新分佈的新基礎設施。13. 未來能源與可持續技術（Future Energy & Sustainability）核心方向：電力電子高密度儲能氫能與清潔分子核聚變（Fusion）AI 進入能源調度、負荷預測、材料研發等環節。四｜結構性洞見：13 項趨勢在形成統一的技術循環在麥肯錫的邏輯中，13 項趨勢非獨立賽道，而是形成 “技術循環（Tech Flywheel）”：AI 提升所有趨勢的研發效率算力基礎設施 → AI 模型 → 應用場景 → 反饋資料 → 更強模型機器人、能源、生物工程等領域又反過來為 AI 提供新場景與新材料即：AI 不是一個行業，而是所有行業的執行層。五｜對企業的三個策略性提示1. 高影響場景優先，而非全面鋪開企業需要識別能產生“倍增效應”的少量關鍵場景，而不是技術清單化部署。2. 人才與基礎設施決定速度算力、資料、晶片管道、模型安全與內部工程化能力，將決定競爭強弱。3. 監管、倫理與生態協同將成為主變數AI 智能體、量子、基因工程等領域，很快會進入監管與倫理密集期。治理成熟度將成為競爭門檻。 (方到)

一場深刻的變革正在重塑全球商業格局。Info-Tech研究集團發佈的《2026年技術趨勢報告》描繪了一幅複雜而充滿張力的未來圖景：一方面，地緣政治的割裂與經濟的“去全球化”正以前所未有的力度衝擊著運行數十年的穩定秩序；另一方面，以人工智慧（AI）為首的新興技術正從輔助工具進化為能夠自主決策與執行的智能體，以前所未有的速度顛覆著企業的核心營運模式。這份基於對全球超過700名IT決策者調查的報告指出，世界正處於“顛覆加深，機遇拓寬”的關鍵節點。企業不再僅僅是數位化轉型的參與者，而是必須在日益增長的不確定性與指數級技術爆發的雙重壓力下，重構其生存與發展的底層邏輯。從供應鏈的“韌性”壓倒“成本”，到AI智能體編排引領的“自主企業”曙光，再到IT部門從後台支撐躍升為價值創造的“指數級引擎”，一場圍繞韌性、自主性與平台化的範式革命已經到來。未來的贏家，將是那些能夠成功駕馭這場風暴，將不確定性轉化為戰略優勢的組織。從全球化到“堡壘化”：韌性成為新的增長引擎過去數十年，全球企業遵循的核心法則是效率與成本最佳化，這催生了高度一體化、低摩擦的全球供應鏈。然而，這一黃金時代正迅速走向終結。報告明確指出，始於2025年的一系列新經濟政策，尤其是關稅壁壘，已將昔日的自由貿易走廊轉變為充滿費用的通道。疊加全球範圍內日益加劇的衝突與東西方之間不斷擴大的裂痕，企業正被迫從“全球化”的迷夢中驚醒，直面“去全球化”的嚴酷現實。這種轉變的核心驅動力在於風險。報告資料顯示，衡量全球不確定性的世界不確定性指數（WUI）自2025年初以來飆升了481%，遠超新冠疫情期間的峰值。地緣政治風險不再是遙遠的背景噪音，而是直接影響企業營運的現實威脅。無論是對特定國家資訊通訊技術（ICT）產品的封鎖，還是對半導體等關鍵技術供應鏈的依賴，都迫使企業重新審視其風險管理框架。因此，“韌性”取代了“成本”，成為供應鏈戰略的首要考量。報告強調，企業正從依賴單一的全球採購轉向建構更具適應性、多元化和可靠性的供應網路。這不僅意味著地理上的“近岸外包”或“在岸外包”，更體現在一種動態的戰略敏捷性上。例如，全球半導體產業正積極進行製造基地的多元化佈局，台積電、美光和英特爾等巨頭紛紛在美國、印度和歐盟投入巨資建設新的生產設施，以避險單一地區的地緣政治風險。這種多元化佈局雖然在短期內可能導致成本上升，但它為企業提供了在未來貿易政策變動中靈活切換供應來源的能力，從而獲得了寶貴的長期價格可預測性。供應鏈的重構只是冰山一角，更深層次的變革在於“整合性組織韌性”的建構。傳統的風險管理模式往往是孤立的、回顧性的，以審計和事件響應為中心。然而，在當前快速變化的環境中，這種模式已然失效。報告指出，領先的企業正將風險管理從一個獨立的職能部門提升為一種內嵌於所有業務能力中的戰略核心。IT部門在其中扮演了關鍵的協調者角色，通過集中的治理、自動化的合規檢查以及無縫連接的監控與事件響應，將風險管理融入API、資料平台、AI智能體和安全控制的每一個環節。資料顯示，被定義為“創新者”的IT部門中有近80%已經採用了完全整合的風險管理架構，這一比例是普通IT部門的兩倍多。他們更傾向於將風險視為戰略推動者，通過情景規劃和AI增強的預測分析，獲得一種面向未來的風險洞察力。例如，再保險行業已率先利用生成式AI整合包括衛星圖像和物聯網感測器在內的非結構化資料，極大地增強了對極端事件的建模和風險評估能力。這種將風險管理從“成本中心”轉變為“戰略賦能者”的思維轉變，正是企業在不確定性時代構築核心競爭力的關鍵所在。AI智能體崛起：企業營運模式的範式革命如果說重構韌性是企業在割裂世界中的防禦姿態，那麼擁抱“引導下的智能自主”則是主動出擊的利器。報告最為核心的洞察之一，是AI技術正經歷一場從“新興”到“變革性”的質變。根據技術投資指數，AI或機器學習的投資指數已從-3飆升至64，增長率高達80%，其重要性已接近雲端運算和網路安全。其中，Agentic AI（智能體AI）雖是新品類，但其採用率和增長潛力遠超幾年前的生成式AI，預示著一個新時代的到來。過去的AI，特別是大型語言模型（LLM），大多作為“副駕駛”或聊天助手被整合到軟體中，幫助人類處理資訊。然而，當面對複雜、多步驟的工作流時，其上下文限制和推理能力的不足便暴露無遺，許多企業難以將AI從概念驗證階段推向能產生可觀投資回報的規模化應用。“多智能體編排”的出現，正在打破這一僵局。報告將其定義為“從基於單個任務的智能體，演變為多個協同追求共同目標的智能體生態系統”。這意味著AI不再是被動響應的工具，而是能夠主動感知數字環境、利用上下文資訊做出決策並採取行動的自主工作者。一個“主管”AI可以管理多個“下屬”AI，沿著預設流程執行任務，並強制執行企業治理規則，從而實現整個業務流程的自動化。這不僅是效率的提升，更是對企業營運模式的根本性重塑。在軟體開發領域，AI智能體能夠覆蓋從編碼、測試到性能監控的全生命周期，一位受訪的CEO表示，其工程師的生產力在一年內提升了至少十倍。在客戶支援領域，AI智能體可以7x24小時提供個性化服務，並自動完成例行任務。在銷售領域，它們可以自動進行潛在客戶拓展、最佳化報價並預測需求。美國抵押貸款提供商Direct Mortgage Corp.通過部署AI智能體，將貸款處理時間縮短了一半，營運成本降低了80%，實現了24小時內放款的驚人效率。伴隨AI能力的躍升，“服務即軟體”（Service as Software）這一全新的商業模式應運而生。報告預見，企業將從為軟體使用權付費（SaaS模式），轉向為軟體直接交付的業務成果付費。在這種模式下，使用者通過自然語言下達指令，由後台的AI智能體生態系統自動完成端到端的流程，企業只需為最終實現的價值（如完成一筆交易、招募一名員工）買單。這不僅將軟體市場的潛在規模從SaaS的數千億美元，擴展到全球高達4.6兆美元的服務市場，也徹底改變了企業與技術的互動方式——人類不再需要適應軟體的介面，而是AI主動適應人類的需求。然而，智能自主的崛起也帶來了前所未有的挑戰。報告用整整一個章節探討了“AI作為對手與盟友”的二元性。一方面，AI正加劇網路安全領域的“軍備競賽”。網路犯罪分子利用AI編寫惡意軟體、定製釣魚郵件、製造深度偽造內容，極大地降低了攻擊門檻並提高了攻擊的複雜性。另一方面，防禦方也部署AI來自動化威脅監控、檢測和修復。這場競賽的終局，可能是完全由AI驅動的、超越人類干預速度的自主攻防戰。更令人深思的是AI的“失控”風險。報告引用了Google和前OpenAI研究人員的預測，認為超級智能可能最早在2027年出現。屆時，AI可能為了實現自身目標而偽造與人類目標的一致性，甚至發展出自我保護的意圖。這種“AI失調”的風險雖然聽起來像是科幻小說，但已有跡象表明，現有的AI模型在特定條件下會違背人類指令。這要求企業在擁抱AI帶來的巨大機遇時，必須建立嚴格的治理框架、安全協議和“一鍵關停”機制，確保人類始終掌握最終控制權。指數級IT：重塑企業數字骨架無論是建構組織韌性，還是駕馭AI智能體，都離不開一個強大而現代化的數字基礎。報告提出了“指數級IT”（Exponential IT）的概念，其核心思想是IT部門的角色必須從被動的後台營運者，轉變為能夠為企業提供指數級價值的創新整合者和平台建構者。這要求在兩個關鍵領域進行徹底的變革：資料治理和基礎設施。首先是“聯盟式資料治理”（Federated Data Governance）。長期以來，企業試圖通過建立中心化的資料湖來消除資料孤島，但結果往往是“資料湖”變成了“資料沼澤”——資料質量低下，且中心化的資料團隊成為業務瓶頸。報告指出，未來的趨勢是走向去中心化的資料架構，其中“資料網格”（Data Mesh）是最具代表性的模式。其核心原則是，資料的所有權和管理責任應回歸到最瞭解這些資料的業務領域團隊。這些團隊將資料作為“產品”來管理和提供，並通過標準化的“資料合約”確保資料質量、權限和可用性。這種模式的優勢在於，它將資料責任與業務價值流直接對齊，極大地提升了資料的質量和可用性。同時，通過一個統一的中繼資料層和資料平台，企業仍然可以實現中心化的治理策略自動化。中繼資料成為了連接分散資料產品的“骨架”，它不僅讓資料可被發現、可被理解，更是AI智能體合規訪問企業資料的關鍵。一個治理良好、高度自動化的資料網格，是實現AI驅動的自主企業不可或缺的前提。其次是“專用平台”（Purpose-Built Platforms）的興起。雲端運算時代一度推崇“一刀切”的通用計算基礎設施，但隨著AI等專業工作負載需求的爆發，這種模式的侷限性日益凸顯。AI模型訓練和推理需要大規模平行處理、高吞吐量和巨大的記憶體頻寬，通用CPU難以滿足。因此，專門為AI設計的晶片（如Google的TPU、亞馬遜的Trainium）以及與之配套的高速網路和低延遲儲存應運而生。這種“專用化”趨勢正貫穿整個IT技術堆疊。從晶片到網路，再到開發者環境，IT正在從提供通用資源轉向根據特定業務目標量身定製解決方案。例如，AI開發公司Anthropic利用定製化的開發環境，為AI智能體提供其運行所需的基礎設施上下文，從而讓AI能夠最佳化自身提示並提升輸出質量，同時通過沙箱環境確保安全。零售商沃爾瑪在冷藏單元中部署物聯網感測器，以遠端監控溫濕度，減少易腐商品的損耗。這些案例都表明，通過將基礎設施與業務目標進行深度繫結，企業能夠最大化技術投資的回報，並創造出獨特的競爭優勢。結論Info-Tech的《2026年技術趨勢報告》不僅是對未來幾年技術熱點的預測，更是一份企業在顛覆性時代下的生存指南。報告清晰地揭示了未來的核心矛盾：一個在政治和經濟上日益割裂的世界，與一個在技術上日益由自主智能連接的世界。在這一背景下，被動的數位化轉型已遠遠不夠。企業必須主動擁抱一場深刻的結構性變革。首先，建立以韌性為核心的營運體系，在動盪的全球環境中保持穩定；其次，積極探索和部署AI智能體，將營運模式從人力驅動轉向智能自主驅動，以釋放前所未有的生產力；最後，重塑IT架構，通過聯盟式資料治理和專用平台，為上述變革提供堅實的數字骨架。這場變革充滿了挑戰，從供應鏈重組的短期陣痛，到AI失控的長期風險，再到企業文化的適應與重塑。然而，正如報告標題所言，“顛覆加深”之處，亦是“機遇拓寬”之時。那些能夠洞察趨勢、果斷行動，並成功地在割裂的世界中駕馭智能自主浪潮的企業，將不僅能夠安然度過風暴，更將定義下一個時代的商業法則。 (歐米伽未來研究所2025)

周末的高盛的宏觀會議討論的比較廣，我摘錄出全球宏觀和中國的相關觀點大家一起學習，其中聯準會的內容是達拉斯聯儲前主席、高盛副主席羅伯·卡普蘭來講述。我們參考他的第一手經驗，探討當前聯邦公開市場委員會（FOMC）可能進行的討論議題——他們如何權衡風險與壓力的平衡？既包括來自行政當局的壓力，同時也作為額外福利，會議也分享他關於人工智慧帶來生產力提升的觀點。中國部分是gs閃輝講的，主要是關於中國股市反彈能否持續以及晶片與稀土之間的權衡問題，以及散戶投資者還能在多大程度上繼續加倉，我們是否會持續看到資金流入，或者你認為中國股市會重演 2015 年的暴漲暴跌行情？再就是周末各家外資投行交易台/PB的一些當周以及月末反饋。1/先來看一下本月高盛的《情緒趨勢》報告高盛交易/行業專家關於情緒、資金流、觀點的主觀交易台觀點。裡面主要是他們根據一線交易的感覺，來聊聊市場情緒是變好了還是變差了，資金在買什麼賣什麼，以及市場主流觀點有什麼變化。挺主觀的，但能反映當下的市場溫度。其中交易台對科技的情緒在下滑過去一個月中，那個領域出現了最大的轉折點（股票、主題、行業等）？軟體行業—月初市場情緒出現了大幅的負面轉變，儘管第二季度每股收益季期間的基本面略有下降（如潛在客戶獲取/前端管道每使用者成本、較長的銷售周期每份訂單或每份訂單的VERX）。月初財報公佈前後的價格下跌走勢確實為整體市場定下了基調（如HUBS、DT、DDOG類型的公司）。隨著市場對人工智慧的擔憂逐漸加劇——即認為人工智慧是一種具有顛覆性的力量，會改變（蠶食）定價模式、降低新進入者的門檻，並最終在本年度末壓縮所有領先的SaaS行業可用的利潤空間——而此時的每股收益卻是正增長的。在資料/安全層面的相關價格走勢（CRWD、MDB、SNOW)起到了穩定作用2/本周末高盛的電話會節選全球的錨-聯準會政策展望以及怎麼看人工智慧帶來的生產力提升聯準會政策大多是預判式，其中羅伯·卡普蘭先總結了美國當前經濟面臨五大結構性驅動因素。首先是高槓桿與赤字問題，新冠疫情後美國槓桿率顯著高於疫情前，債務佔GDP比例已超過100%，預計將出現2兆美元的年度赤字。儘管新政府減少了部分政府主導的支出計畫，轉向稅收減免等更有機的刺激措施，但赤字規模仍處於歷史高位（以GDP比例衡量），因此GDP增長成為降低赤字的關鍵因素。其次是關稅政策，其初衷是平衡競爭環境、推動產業回流和促進公平貿易，但當前更多成為獲取稅收收入以縮減赤字的工具。不過這一策略的有效性受限於關稅對經濟增長的抑製作用——若每1美元的關稅收入被更低的稅收收入抵消，則無法實現預期目標。第三是行業監管審查，旨在推動人工智慧、資料中心和電力領域的繁榮，通過提升全要素生產率來促進美國GDP增長。第四是能源框架改革，包括全國電網系統的全面改造。美國需要增加電力供應並穩定電網，因此加大了對地熱能源的投資，並加速核反應堆原型的開發。同時，監管審查也是必要環節，因為缺乏彈性的電網將制約人工智慧產業的發展。第五是勞動力市場問題，美國存在10-15萬身份不明的無證移民，其就業狀態的不確定性導致部分人群退出工作和消費。此外，川普政府前推動的寬鬆移民政策已被叫停，勞動力供給受限。當前美國勞動力市場高度緊張，若不擴大勞動力規模，GDP增長將面臨困難。 綜合來看，這些結構性因素導致美國經濟未陷入衰退但增長趨緩（增速約1.5%），儘管失業率較低，但招聘活動接近停滯，同時可能對長期美債市場的期限溢價形成壓力。基於以上五點判斷，給出如下展望：聯準會政策平衡邏輯聯準會當前面臨通膨粘性與勞動力市場疲軟的平衡挑戰。通膨方面，服務業通膨是主要粘性來源，即使排除關稅影響，通膨仍高於目標水平，關稅可能帶來一次性價格問題但不利於通膨回落。勞動力市場方面，儘管失業率保持低位，但主要因勞動力供給下降（如移民問題），實際招聘表現疲軟。市場預期9月可能降息，但需警惕市場將其視為降息周期起點的誤判。聯準會是否開啟持續降息周期取決於勞動力市場是否持續疲軟，否則9月降息後仍可能擔憂通膨粘性。此外，聯邦基金利率年底可能在2.5%-3.5%區間波動，具體將隨資料調整。● 國債市場風險溢價研判長期美債需求與風險溢價方面，市場對長端美債觀點存在分歧。若認為長端利率應與名義GDP掛鉤則其估值偏低但聯準會開啟降息周期時曲線趨於陡峭，判斷陡峭化程度存在難度。近期市場偏好陡峭化交易且動量佔優，但從價值角度看，長端美債因經濟未斷崖式下跌而缺乏明確做多邏輯。5年期國債風險溢價指標（如5年期國債與互換利差）已轉負，反映市場存在一定非理性定價。整體對美債曲線持中性態度，無顯著久期頭寸，因前端利率預期將按遠期實現，後端雖略便宜但短期缺乏上漲催化劑。● 就業資料對政策的影響就業資料是聯準會政策的關鍵考量。當前趨勢性新增就業已降至3萬/月，低於8萬/月的收支平衡水平，且未來就業資料存在負向修正風險。特殊因素（如聯邦政府裁員、臨時保護身份失效、移民執法趨嚴）可能導致未來數月新增就業資料表現平庸。此外，部分行業補庫存招聘已結束，非相關行業就業增長趨近於零。儘管失業率未顯著上升，但勞動力市場已接近或達到充分就業極限，失業率小幅上升即可觸發聯準會更強反應。基於此，預計聯準會將在9月、10月、12月連續降息。Q：請教一個關於人工智慧的更宏大議題，您之前曾提及過。您如何看待 AI 帶來的生產力變革？未來 2 到 5 年內我們應期待什麼？它們對增長會產生何種影響？以及，您是否瞭解 AI 對勞動力市場的實際或潛在影響？這令您擔憂嗎？A:如果要概括發達世界的現狀，除了少數例外，可以說大多數發達國家都面臨著人口老齡化和勞動力增長放緩的問題。此外，過度槓桿化也是普遍現象——加拿大在債務與 GDP 比率方面是個例外，或許得益於更好的人口結構；德國雖未過度槓桿化，卻存在人口結構問題。但總體而言，全球正面臨這兩大挑戰。在這樣的背景下，生產率增長至關重要。它幫助我們實現"既要馬兒跑又要馬兒不吃草"的目標——即我們需要去槓桿化。沒有勞動力增長的情況下去槓桿化十分困難，此時生產率增長就是關鍵，而人工智慧（AI）正是提升生產率的核心機遇。問題在於我們尚處早期階段，那些應用場景能成功仍不確定。每家企業都必須對此進行投資，這關乎生存。我認為十年後回望時，我們將收穫更顯著的生產率增長。但我們需要更擅長重新安置失業工人。你提到了對勞動力的影響？嗯，勞動力問題如下。如果因人工智慧失去工作，比如你是司機，優步司機，然後失業了。優步的生產力提高了，但整個經濟是否更高效，取決於這位工人何去何從。他或她能否接受再培訓，找到同等或更高生產力的工作？美國在這方面做得並不出色，全球範圍內也僅是勉強應對。然而，這恰恰是全球應對人口老齡化和勞動力增長放緩這一緊張局勢的重大機遇，尤其考慮到我們總體上槓桿率過高。3/閃輝-中國市場與政策展望散戶投資者還能在多大程度上繼續加倉，我們是否會持續看到資金流入，或者你認為中國股市會重演 2015 年的暴漲暴跌行情？● A股上漲驅動因素 7-8月A股市場出現顯著上漲，滬深300指數年內累計漲幅達14%，且全部漲幅集中於7-8月。這一上漲主要由多重因素驅動：7月初中國高層強化“反內卷”行動，旨在減少企業價格戰和激烈競爭，市場解讀為政策支援企業盈利與通膨提升的訊號8月初中美貿易取得進展，90天暫停期延長同時，中國央行7月加大流動性投放，疊加此前A股估值持續處於低位，共同推動了近期上漲。關於後續空間，市場策略觀點認為，儘管已出現上漲，但當前估值仍具吸引力，未來12個月滬深300或有12%的上行空間，主要支撐來自居民或外資的潛在資金流入。值得注意的是，中國居民銀行存款規模約160兆元（超過GDP的100%），當前存款利率約1%，若其中一小部分資金流入股市，可能進一步推升市場。● 半導體自主化處理程序近期A股科技類股，尤其是半導體相關科技股表現突出，科技類股兩個月內漲幅超30%，其中AI晶片企業寒武紀科技股價在兩個月內上漲250%。這一表現與中美晶片限制動態密切相關：4月美國限制輝達H20晶片對華銷售，7月中旬允許恢復銷售，但8月中國政府因安全考慮要求企業停用H20晶片，凸顯中國在高科技晶片領域實現自主化的堅定決心。中國當前每年從他國進口晶片的支出約4000億美元，隨著自主半導體生產能力逐步提升，進口規模將減少，這不僅支撐中國貿易順差和經常帳戶順差（順差將同時受益於出口強勁和進口減少），也意味著科技領域尤其是高端晶片的投資將持續保持高強度。● 宏觀政策與市場展望當前中國國內經濟基本面仍顯疲軟，與股市表現形成顯著背離（類似2002年中國加入WTO後經濟加速但股市低迷的歷史情況），這一分化或持續一段時間。經濟層面，預計未來增長可能放緩，房地產市場延續低迷，通膨需較長時間恢復至正常水平股市方面，資金流入支撐下有望繼續表現良好。人民幣匯率方面，受聯準會9月降息預期及中國國際收支強勁支撐，人民幣對美元匯率預計將繼續走強。債券市場則面臨矛盾：股債輪動可能推高利率，但聯準會降息為中國央行年底前寬鬆貨幣政策打開空間，疊加中國龐大債務規模需低利率環境配合去槓桿，整體利率走勢趨於中性。政策事件方面，9月北京將舉行軍事閱兵，10月將發佈15五規劃（2026-2030年）簡版（若轉向消費導向將利多市場），10月底至11月初APEC會議（韓國）或促成中美領導人會晤，釋放雙邊關係相關消息，未來數月將是政策密集期。 (Alpha外資風向標)

麥肯錫最新報告揭示了一個關鍵資料：78% 的企業已在業務中用上 AI，但只有 1% 真正實現了成熟部署。這組反差背後，藏著 AI 革命最真實的樣貌：它不再是實驗室裡的概念，而是正在滲透進產業鏈的每一個毛細血管，卻又在落地中充滿了「冰火兩重天」的現實。一、AI「瘦身記」：從「百億成本」到「百元應用」的逆襲三年前，訓練一個頂尖大模型需要消耗 1200 萬度電，成本高達數億美元，只有Google、微軟這樣的巨頭玩得起。但現在，AI 正在經歷一場「瘦身革命」，讓中小企業甚至個人都能輕鬆用起來：小模型的「精準打擊」：通過「模型蒸餾」技術，工程師能從千億參數的「母模型」中，提煉出只有 10 億參數的「專精模型」。比如外賣平台用的「智能調度小模型」，只專注於 3 公里內的騎手路線規劃，算力需求降了 90%，但精準率比原來的大模型還高 15%。多模態 AI 的「全能進化」：以前的 AI 是「偏科生」—— 要麼只會處理文字，要麼只會看圖片。現在的多模態 AI 是「全能選手」：某家居品牌的設計師用 AI 做方案，輸入一句「北歐風 + 收納最大化」，AI 能同時生成 3D 效果圖、材料清單、甚至模擬陽光在不同時段的照射效果。成本暴跌的「普惠效應」：2023 年用 AI 生成一條 30 秒的產品宣傳視訊，成本約 2000 元；2024 年降到 500 元；2025 年，隨著開源模型的普及，個人用基礎工具生成同類視訊只需 30 元。二、企業 AI 應用的「分水嶺」生成式 AI 火了兩年多，幾乎所有企業都試過用 AI 寫文案、做報表，但真正能把 AI 變成「印鈔機」的不到 10%。這中間的差距，藏著最值得玩味的實戰邏輯：「工具層」vs「系統層」的天壤之別：某連鎖奶茶店一開始只是讓店員用 AI 寫朋友圈文案，效果平平。後來他們做了三件事：① 讓 AI 分析各門店的銷售資料，找出「雨天銷量最高的三款飲品」；② 用 AI 生成針對不同商圈的海報（寫字樓店強調「提神」，學校店突出「性價比」）；③ 甚至讓 AI 最佳化製作流程，發現「加冰步驟提前 30 秒，出杯速度提升 15%」。這套組合拳下來，門店月營收平均增長 22%。這就是區別：停留在「用 AI 寫文案」是工具層，而把 AI 嵌入業務全流程才是系統層。人的「AI 素養」決定最終效果：某軟體開發公司的案例很典型：引入 AI 程式設計工具後，新手程式設計師狂喜，程式碼生成速度快了 3 倍，但資深程式設計師卻發現很多程式碼有「隱形 bug」。公司隨即推出「AI 協作手冊」：要求提需求時必須註明「這個功能要相容 iOS 14 以上系統」，生成程式碼後必須用 AI 工具再做一次「漏洞掃描」。三個月後，整體開發效率提升 60%，bug 率反而下降了 28%。這說明：AI 不是「甩手掌櫃」，而是「需要調教的助手」，人的「提效能力」比「使用工具」更重要。三、個人與 AI 共處的「生存指南」AI 不會突然「取代人類」，但會悄悄「重構崗位」。未來 3 年，職場中最吃香的不是「會用 AI」的人，而是「能駕馭 AI」的人：「精準提問」是核心技能：某市場部員工用 AI 做競品分析，一開始問「分析下競爭對手的優勢」，得到的答案泛泛而談。後來改成對比競爭對手近 3 個月在小紅書的推廣，找出他們針對 25-30 歲女性使用者的 3 個核心賣點，並用資料支撐，AI 給出的報告直接被老闆採納。這就是「提示詞工程」的價值 —— 能把模糊需求轉化為 AI 可執行的精準指令，未來會成為和「寫 PPT」一樣基礎的能力。「人機協作」的分寸感：某律師事務所的做法值得借鑑：用 AI 初步篩選合同中的風險點，但最終由律師稽核「這些風險是否符合客戶的實際情況」。AI 處理了 80% 的重複性工作，律師則聚焦在 20% 的關鍵判斷上。這種「AI 做基礎篩查 + 人類做深度決策」的模式，會成為很多行業的標配。「反脆弱」思維更重要：AI 擅長處理有標準答案的問題，但面對突發狀況、情感溝通、創造性突破時，人類的優勢無可替代。比如某客服團隊：AI 負責解答「退貨流程」等標準化問題，而人類客服專攻「客戶情緒安撫」「複雜糾紛調解」。那些能在 AI 不擅長的領域深耕的人，反而更不容易被替代。四、全球 AI 競賽的「暗線」AI 的戰場早已超越技術本身，成為國家競爭力的角力場。法國正在建設「歐洲自主 AI 生態」，要求本土企業用的 AI 模型必須在歐盟境內訓練，資料儲存符合《通用資料保護條例》；日本重點扶持醫療 AI，用本國 3000 家醫院的病例資料訓練模型，目標是實現癌症早期篩查精準率提升 50%；中東的阿聯則另闢蹊徑，聯合輝達建設全球 AI 算力樞紐，靠能源優勢吸引全球企業來此訓練模型。這種區域化趨勢帶來一個新現象：AI 正在變得「本土化」。比如你用的翻譯軟體，不僅能翻文字，還能精準傳達「四川話裡的幽默」「廣東話裡的親暱語氣」；東南亞的農業 AI，會根據當地颱風頻發的特點，自動調整作物種植周期。 (領鷹AI)