Agent智能体，创业vs大厂，谁会赢？如何赢？

文：董指导

本期要点

#AI#AI Agent

虽然Manus引发了不少争议，但不可争辩地是，还是让Agent出圈了。

然而，不到一天之内，就有另一个团队实现了复刻、并进行了开源，这不禁令人担忧Agent创业有壁垒吗？

海外有观点认为，“模型即产品（The Model is the Product）”，甚至说：许多Agent的项目，不过是创业者为大厂在探路、培育市场；一旦有好的产品形态，大厂立刻用模型功能来取代。

现实是否如此呢？ Agent是大模型产业的必经之路，但是不是大模型厂商的必经之路呢？Agent创业，是个好生意吗？

带着一系列问题，我邀请了三位嘉宾一起聊了聊Agent。分别从投资、学术和实际落地等角度，进行了充分讨论。也列举了一些好玩的案例和观察视角。

【嘉宾介绍】

侯宏，北大国发院管理学助理教授，剑桥大学博士

杨鹏，腾飞资本 管理合伙人

钱雨，中关村智用研究院首席研究员，清研载物AI基金合伙人

更多真知灼见，可以在小宇宙、喜马拉雅上收听。

精华内容如下：

01 四象限的定位

可以按照业务市场地点（国内、国外）、创业目标（利润赚钱、上市资产增值）分为四象限，来讨论Agent创业是不是好项目。

面向国内市场，如果以上市为目的，胜率几乎很低了；

如果面向海外市场、以赚利润为目的，那有不少机会；

立足全球、用全球基础设施做业务，发展空间会更大；

面向国内市场，如果以生意为目的，那么to C是特别有价值的，但是短期几年内收费的难度依然很大；to B则是不错的方向，更加确定。

02 “模型即产品”也有边界

AI模型本身，就是未来的产品。这是一个趋势。

因为通用性扩展，虽然仍有效，但也有边界；而蒸馏或特定领域的在训练，效果显著改善。

但是，也有边界的。由于大模型执行工作需要调用工具，因此就产生了两个边界：

第一是工具的完备性。很多新问题、新场景所需要的工具，是不存在的，是需要人去做的。

第二是工具的开放性。这是商业模式设计和生态的问题。

因此，一方面对这个趋势有期待，另一方面又要看到边界。

03 大厂未必自己下场做智能体

根据和国内大模型厂商的交流，头部的厂商，是没有意愿去做智能体这个事儿的。尤其阿里、DeepSeek会不断推动基础模型开源，也给许多创业者支持。

其次，大模型厂商们一直在找好的智能体，希望能来到大厂的模型平台、云平台上，并形成自己的生态。

另外，要实现通用的智能体，依然非常困难。因此，会有很强的垂直场景需求。通用性这一点，无论大厂还是创业者，都面临一样的困难。

所以大厂目前并不愿意投入较多精力去做智能体，而是先搞定基础模型的能力。

04 Agent和Agent不一样

我们要区分：Agent概念和Agent能力。

目前多数的Agent其实是“工作流”，预定好了工作路径、调用工具，然后基于大模型来调用。套路型的，能解决的问题是有场景限定的。不过也依然有价值。

另一种是可以根据需求，自主动态规划，并能根据进展状况进行调优学习。不需要预先设定场景和模式。

第二种是更具备“智能体”意义的形态，创造的价值更大。

05 AI浪潮和移动互联网比较

移动互联网当时的基础设施完善性，要比当下的AI高得多。

当时，通信网络已经成熟，可以稳定、高速率地传输图片、视频等信息；手机作为终端也有了发展，屏幕够大、使用性好；手机CPU计算能力也增强了。苹果又解决了触摸屏的方式，带来了新的交互体验。

所以，手机成了一个基础平台。这时候，应用的爆发，就是水到渠成的。

而目前算力的基础设施还没有那么完善。模型通用性还不够，实用性也还待提高（还需要人工校对，某种情况下，甚至不如人工直接上手更快），算力也没有平权到随时随地地支取。

未来随着开源继续普及、算力继续平权，AI的应用爆发才会来到。

06 行业know-how 很难被大模型

大模型可以把行业know-how标准化。以前的经验，都是在一些老师傅的脑子里，但现在用大模型去读取、学习大量数据后，它可以自己总结一些经验；同时，也可以把老师傅的经验，进行标准化。

但这个过程很艰难。

第一要解决的依然是“数据”。能否获得充分的数据，就非常重要。尤其在to B业务，许多领域的数字化并没有那么好，这时候获取数据是有难度的。真实场景的数据门槛，比想象的要高得多。

其次，如何能把经验从老专家脑子里拿出来，也是复杂的问题。不在于技术，而在于利益。如果贡献经验，意味着自己的岗位被取代，那为什么要贡献；如果专家已经退休了，贡献经验之后对自己没影响，反而还能拿点专家费，那可能就更容易实现了。

再者，许多行业know-how不只是口头经验，更有很多实操内容。要实现真实物理空间匹配，也是复杂的。

同时，行业know-how被大模型总结后，有没有地方、真实场景里可以进行验证呢？这一点也是非常难的。万一验证失败了呢？以经历过的大模型赋能垃圾焚烧为例来看，往往是遇到“死马”时才有机会当“活马”医，才有机会验证。

观点2：如果一个行业的know-how被大模型抹平、平权了，那就说明行业其实并没有真的know-how。

大模型可以做到95%，而剩下的5%，就会成为行业know-how。小团队可以在项目实践中，积累出know-how，而非案头研究。

因此，传统信息化的B端企业，反而拥有Agent落地的优势。案例比如：用友。

07 Agent有先发优势吗？

和赛道有关，在一些小而专，并且产品化程度高一点的领域，是有先发优势的。因为市场总空间也不算大，用户心智形成后，留给后进者的利润空间并不大。要么吸引不了巨头，要么进来之后也赚不了什么。

而在一些大厂必经之路，一些大模型性能提升就能覆盖的赛道上，就不存在先发优势了。

基于数据的先发优势，可能是脆弱的。容易被击垮的。就像DeepSeek依靠算法而非数据，也依然可以实现性能大幅提升。

对于Agent创业来说，可能有一种形态就是“游击战”，迅速做出一个产品，赚到市场给的利润；如果大厂来做了，那就迅速寻找下一个agent产品。这种模式，是做生意的模式，也是小团队创业应有的自我修养。

---全文完，欢迎交流

理工/金融 复合背景

畅销书《英伟达之道》译者

百亿私募/头部自媒体 双重经历