来源：微信公众号「反熵」
作者：一笑

2025年，人工人工智能行业迎来了多个具有里程碑意义的智能正走转折点。

年初，进入DeepSeek的下半向里爆发式增长迫使全球科技巨头重新评估中国大模型的技术水位。随后，到机OpenAI、器人Anthropic、人工Google等巨头加速布局智能体（Agent），智能正走推动产品从“对话”向“直接操控电脑、进入调用软件、下半向里执行多步骤任务”演进。到机与此同时，器人AI手机、人工AI眼镜进入密集发布周期，智能正走人形机器人则在工厂、进入展会及资本市场中高频亮相。

这些看似分散的赛道——基础模型、软件应用、消费电子、机械控制——实则指向同一技术演进主线：AI的能力边界正从“内容生成”向“任务执行”延伸，并最终渗透至现实世界的感知与行动。

过去几年，AI行业的核心命题是“让模型更聪明”；而当下的核心命题已转变为：“这些能力如何嵌入工作流？如何转化为稳定产品？如何量化为商业价值？”

这标志着人工智能正式进入下半场。

01 从ChatGPT到大众化：AI交互范式的根本性转移

2022年底ChatGPT的发布，标志着AI首次以自然、低门槛的方式介入普通用户生活。在此之前，AI技术虽已广泛应用于搜索、推荐、语音识别及机器视觉等领域，但大多隐匿于后台，用户难以感知其决策过程。

ChatGPT重构了人机交互逻辑：用户无需掌握代码或算法，仅需通过自然语言指令，即可实现文本生成、翻译、知识整理乃至辅助编程。生成式AI迅速从极客圈层渗透至教育、办公、内容创作等垂直场景，大模型由此确立为全球科技产业的核心竞争高地。

• 2023年关键词：百模大战。互联网巨头、初创公司及科研机构密集发布基础模型，市场焦点集中于“谁拥有自主大模型”。
• 2024年关键词：能力内卷。竞争维度转向参数规模、上下文窗口、推理能力、多模态水平及榜单成绩。

这一阶段完成了关键的能力迁移：AI从擅长“识别与预测”转向具备强大的“语言理解、内容生成与知识处理”能力。AI从后台算法走向前台工具，为各行各业重构产品流程提供了可能性。

然而，伴随模型规模的指数级增长，训练与推理的算力需求呈爆炸式上升，研发门槛与运营成本持续高企。行业逐渐意识到，若能力跃升仅依赖资源堆砌，AI的普及速度与商业空间将遭遇瓶颈。

DeepSeek的出现，正是打破这一僵局的关键转折点。

02 DeepSeek效应：重构大模型的成本与效率逻辑

DeepSeek引发全球关注的表层原因是其能力逼近国际顶尖水平，深层影响则在于其颠覆性的成本与效率优势。

此前，大模型行业普遍遵循“规模扩张”路径：更多参数、更大数据集、更强算力被视为提升能力的唯一解。美国头部企业依托芯片、云计算及资本优势，将训练规模推向极致，使基础模型竞赛逐渐演变为重资产博弈。

DeepSeek通过架构创新、训练方法优化及工程体系升级，证明了高性能模型可在资源效率上实现显著突破。它并未否定算力的重要性，但揭示了算力并非唯一变量——算法效率、工程能力及软硬件协同同样决定最终结果。

这一转变深刻改变了大模型竞争的计算方式：

1. 从“投入导向”转向“效能导向”：企业不仅比拼模型上限，更需考量单位算力、单位成本及实际任务表现。
2. 商业化门槛降低：模型调用成本的下降，使客服、编程、知识管理及数据分析等场景得以从试点走向规模化部署。
3. 开源生态崛起：DeepSeek、Qwen等模型降低了先进AI的使用门槛，推动模型能力从少数巨头的专有资源，转变为可广泛调用的技术底座。

当模型变得更强、更廉价，产业自然追问：拥有如此强大的“大脑”，AI能否直接完成端到端的任务？

03 从聊天助手到智能体：AI深入工作流的核心环节

传统聊天机器人局限于“问答”模式，而企业真实工作场景往往复杂且多步骤：

• 市场分析：需资料收集、数据核对、趋势归纳及报告输出；
• 客户服务：涉及订单查询、信息修改、退款发起及结果记录；
• 软件开发：涵盖需求理解、代码编写、测试及排错。

单次内容生成仅能覆盖部分环节，其余仍需人工在不同系统间切换操作。智能体（Agent）旨在填补这一鸿沟。

智能体基于大模型，叠加了任务规划、记忆机制、工具调用及执行反馈能力。用户设定目标后，系统可自动拆解步骤，调用搜索、浏览器、代码工具或企业软件，并根据执行结果动态调整策略。AI由此从“对话伙伴”升级为“工作协作者”。

Anthropic推出的Computer Use能力，使AI直接操控电脑界面成为行业热点。OpenAI、Google及国内厂商竞相跟进，银行、运营商及制造企业正尝试将智能体包装为“数字员工”，应用于客服、审核、数据整理及知识服务。

尽管进展显著，智能体距离完全自主工作仍有差距：
* 错误累积风险：任务步骤越多，出错概率越高；
* 安全与责任边界：涉及邮件发送、数据修改及资金操作时，权限管理与责任归属问题凸显。

企业评估智能体时，不仅关注单次演示效果，更重视长期运行的准确率、可追溯性及异常处理能力。因此，短期内智能体将聚焦于边界清晰、流程标准化的任务，人类仍负责目标设定、关键判断及结果审核。AI首先改变的是任务分配，随后才可能重塑岗位结构与组织形态。

04 AI走出屏幕：具身智能与真实世界的融合

智能体让AI进入软件流程，而终端设备与机器人则将其能力延伸至物理世界。

1. 终端入口之争：AI手机与AI眼镜
传统大模型依赖网页或APP交互，AI手机与AI PC致力于将模型嵌入操作系统，实现文件整理、会议记录、跨应用操作等无缝体验。AI眼镜则进一步通过摄像头、麦克风及传感器持续获取环境信息，提供物体识别、内容记录及实时提示。

• 手机：拥有用户、数据及成熟生态，仍是个人计算的核心载体；
• 眼镜：具备环境感知优势，但受限于续航、重量、隐私顾虑及用户习惯，大规模普及仍需时日。

2. 具身智能：从“会走路”到“会干活”
人形机器人的升温与大模型进步密切相关。传统工业机器人依赖固定程序，擅长结构化环境下的重复动作，却难以应对开放场景。大模型、VLA（视觉-语言-动作模型）及世界模型的发展，赋予机器人理解自然语言指令、识别复杂环境及生成动作的能力。

现实中的工厂、仓库及家庭多按人体尺度设计。若机器人能使用人类工具、通过楼梯门廊并执行多任务，将大幅降低环境改造成本。

然而，从实验室演示到工厂量产，仍面临三大挑战：
* 可靠性：长时间稳定运行能力；
* 数据壁垒：机器人需带有动作、力度及反馈的现实交互数据，而非仅文本图像；
* 成本控制：需证明其综合成本优于人工及传统自动化。

因此，具身智能的核心指标已从“动作难度”转向“工作能力”。能否处理异常、能否持续运行、能否具备经济性，将决定这轮热潮能否转化为真实产业。

05 下半场逻辑：从模型竞争到产业生态竞争

从ChatGPT到DeepSeek，从智能体到人形机器人，AI的每一次迭代都在拓展技术边界：

• 大模型：解决信息理解与生成问题；
• DeepSeek：重塑能力与成本的平衡关系；
• 智能体：打通软件与业务流程；
• AI终端：争夺个人交互入口；
• 具身智能：聚焦现实世界任务执行。

未来的AI竞争将是多维度的生态竞争：
* 算力决定基础供给；
* 模型决定能力上限；
* 开源生态影响扩散速度；
* 行业数据与流程决定应用深度；
* 终端影响用户触达；
* 制造与供应链决定物理落地能力。

对模型公司而言，将技术优势转化为稳定收入是长期考验；对传统企业而言，数据可用性、流程清晰度及场景适配性决定转型成效；对国家而言，芯片、能源、软件、人才及制造能力的组合，将共同定义AI产业的全球竞争位势。

过去三年，AI行业回答了“机器能否更聪明”；未来几年，行业需回答更现实的问题：这些智能能力能否稳定工作？能否创造可量化的商业价值？能否真正融入每个人的生活与现实生产体系？

这，就是人工智能下半场的核心命题。

本内容由作者授权发布，观点仅代表作者本人，不代表虎嗅立场。如对本稿件有异议或投诉，请联系 tougao@huxiu.com。

原文链接：https://www.huxiu.com/article/4875043.html?f=wyxwapp