牛雲鵬：智能體浪潮與通用之路 從大模型到AGI的探索與迷思 | 2026觀點數字科技未來大會

牛雲鵬先生在2026觀點數字科技未來大會發表的演講。

牛雲鵬（北京濃墨見智信息咨詢有限公司創始人兼CEO）：謝謝大家，今天也非常荣幸能夠在咱們觀點這個平台和各位專家領導，以及行業界的同仁分享一下我們關于這個智能體相關的一些認知。

因為我們公司，主要也是從事智能體方面的這個應用和開發方面的工作。所以我們也有相關的一些心得，也在今天這個場合我跟大家來交流一下。

首先，梳理一下近三年AI的一些發展情況。

2024年，我們可以認為這是一個大模型的爆發之年。衆多優質的模型叠代更新，比如GEMINI、GRM、千問、kimi，都在2024年推出新模型的更新叠代。

2025年是AI行業轉向了這個智能體的元年。DeepSeek的深度思考與一些GPT的基礎模型，誕生了很多類似于Computer Use、Minus、Open Cloud 等強大、功能豐富的智能體。

2026年，行業普遍認為正處于智能體的爆發元年，将會有更多的智能體呈指數的方式增長。

我們現在要面臨AI發展時代的臨界點。未來要何去何從，以及相關的智能體發展，接下來又是怎樣的一個趨勢，接下來我要給大家分享一下個人的一些看法。

首先我們來看一些數據，目前中國生成式AI的用戶規模已達到6億人，半數網民日常都在去用生成式AI協助解決和處理問題。

國内日均的token調用量呈指數型的增長，現在日均調用量已達140萬億，兩年增長超過千倍。Gartner預測，到今年年底将有40%的企業部署自己的專屬AI智能體。

智能體今年肯定是一個爆發增長年。有機構預測，到2031年，大量低技術門檻、事務性、重復性崗位，或将被AI全面替代。

基于AI發展，我們可以思考，AI目前是否處于一個非常高效，能夠完全替代人類的發展階段？

結合實際使用體驗不難發現，AI 普遍存在幻覺問題，我們無法把所有的問題都交給AI去解決，也不能直接相信它給出的這個結論答案。因為從本質來講，現在的所有大模型其實都是活在概率論里的“囚徒”。它輸出的每一個字，都是基于前置語境條件，算出下一個字出現的概率並輸出。

當前所有的大模型都是基于Transformer架構，Transformer架構本身就是一個概率論，所以完全沒有辦法來去解決幻覺問題，這個是架構本身的一個問題，這就是土壤的問題。

所以現在各大的廠商與企業專家，都在去想辦法解決幻覺，或者讓幻覺降得更低。

有兩種方式，一種是我們從基礎模型層面，去做一些調優；一種就是不斷去增加我們的參數量。

我們原來的大模型參數可能有幾百億，到了上千億，現在到了上萬億的參數。但是我們發現你讓GPT或者讓DeepSeek去回答一些基礎計算問題，仍然會出現錯誤。

所以，OpenAI前首席科學家Ilya提出：如果還去卷模型的參數量，已經很難能夠實現模型能力的提升。模型參數量從百億級提升至千億級，可實現能力從60分到80分的跨越；但從千億級擴容至萬億級，能力提升大幅放緩，僅能實現80分到85分的微小突破。

他認為，模型規模化的時代已經結束了。所以我們還要探索新的一些方法，讓AI變得更加智能。

目前，我們有四個方向的趨勢，已經能達到技術成熟的臨界點。

首先，基礎模型疊加推理能力，還有MOE專家模型，能夠去做復雜問題的解決，達到我們基礎問題處理的一個門檻。但更復雜或者更加個性化的一些場景，它依然還是解決不了。

第二，基礎模型增加了更多的比如MCP、Agent to Agent相關的一些協議，讓優質大模型一起協助解決問題，讓所有大模型不同的智能體和工具用同一套語言來協助解決問題，也是奠定了基礎。

其次，全球的頭部企業完善AI架構的治理，保證大模型能夠産出更安全的數據，減少大模型AI幻覺等，這種體系也是逐漸成熟。

更關鍵的是，推理成本随着算法的叠代在下降。雖然調用量高，但是整體推理的單個推理成本是下降的。

所以，每個企業其實都更願意去部署一個Agent的智能體，經濟上是可行的。

同時，基于這四個發展方向，我的觀點是，未來我們的智能體發展的浪潮，其實已經不再執着于本身技術的叠代升級，也不在于我們擴充更多的參數量帶來技術的劃時代的升級，而是圍繞一個可用的“大腦”，去疊加更多的工具插件和使用方法。

這個使用方法一部分是由我們人類的認知給過去的，還有一部分是大模型結合我們的一些提示詞或者context，它能夠感知到任務的背景場景，最後達成的一個結論共識。

這也就是現在比較火的一個詞“碳矽比”：人類是碳基生命，AI是矽基生命，碳矽的一個結合，能夠讓我們完成的任務更好，而不是說完全把一些任務直接丢給AI。人類還需要跟AI進行多輪交互，去糾正AI的一些錯誤。未來發展的方向就是達到一個“碳矽比”的平衡。具體平衡比例是多少，我們後面也會有一些分析和分享。

現在有很多人也在焦慮，在AI智能體系越來越強大的情況下。“碳矽比”的比例，未來會不會有一天直接矽基（AI）占據大幅比例，最終直接替代了碳基（人類）。

前幾天cloud的公司Anthropic發布的研究報告，詳談了人類的哪些技能和崗位非常容易被AI替代。他給了一個比例，藍色是理論可以替代的值，而紅色是我們現在實際替代的值。

對于數據標準化、結構化程度高，決策邏輯清晰的行業與崗位，AI替代效率極高；對于任務發散性強、容錯率低的標準化重復工作，AI可快速批量落地替代。

但在醫療、設備維修等高風險、零容錯領域，一旦失誤會引發安全事故或重大損失，AI的實際替代率始終比較低。

不禁思考，未來我們會不會面臨其中一部分崗位的失業潮，這個我們還會後面再去分享。

先看前幾次工業革命帶來的失業潮。第一次蒸汽時代工業革命，機械化替代傳統手工業；第二次電氣化革命，淘汰落後人力崗位；第三次信息化革命，重構全社會就業結構。其實，每一次工業革命的過程中都是不斷以新的崗位的誕生，替代舊的崗位。這個過程也是我們人類認知提升的一個過程。

可能隔50年以前，我們給任何一個人用智能手機，大家都不會用。但是現在三四歲的孩童已經知道哪個APP應該怎麼點，怎麼播放，怎麼暫停。人類的認知也是在潛意識里有不斷的學習和提升過程。

根據前兩天一個世界經濟論壇預測，到2023年，AI将催生1.7億個新的崗位。同時發生叠代，替代目前9200萬個崗位，中間會有七千多萬的崗位差值。也就是說，AI它會替代部分，但是也會創造新的崗位，所以不一定會帶來持久的、巨大的失業潮，但是一定會導致我們人類的技能和認知的一些提升。

諾貝爾經濟學獎得主彼得·豪伊特認為，AI取代人類目前為時尚早，我們需要現在做一個“碳矽比”平衡。

對于普通人來說，以後去找工作，或者做好一些AI的應用，一生可能要經過多次的認知提升和轉崗，才能讓我們的工作做得更好，讓我們整體的技能得到一些發展。

因此我也給出第二個觀點：在“碳矽比”達到平衡、我們真正能用好AI的時候，我們必将經歷一段陣痛期。

這個陣痛期會導致一部分的失業潮，但也會導致一些新的崗位被釋放出來，讓我們有新的人員，去學習新的技能，從事這種崗位。這個陣痛期要持續多久，主要還是取決于我們人的認知升級需要多長時間。

如果人的認知升級，學習能力更快，那我們陣痛期就非常短，如果時間更長，那陣痛期時間也會比較長。

前幾次工業革命我們也是經過了經濟危機、兩次世界大戰這樣的陣痛期，我們逐步調整，最終認知和學習技能得到更好的一個提升。這也是我們未來發展可能會面臨的境遇。

對此我推測，未來我們可能會在AI時代做好的三件事。第一，我們要想辦法用自己的認知讓AI變得更聰明；第二，我們要想辦法用自己的認知，去限制AI大模型别太聰明，不要超過我們；第三，我們要持續供電。能源始終還是人類對于大模型去投喂的一個根本的價值，包括這些算力之類的。

我們再來看一下，前面也有嘉賓分享過關于中美AI方面的一些差距有多大。這里我也詳細從多個方面比較了一下。剛才黃總也提到了，這里我也就不過多的去贅述了。

其實我個人認為中美的AI差距其實不大。中國在某些領域的優勢，明顯要優于美國。中國至少是前二是沒有問題的。

未來，中國企業以及相關的這個AI行業的發展，有沒有機會去超過美國，以及說我們未來超過美國的一些優勢，可能會在什麼地方呢？我給出了第三個觀點：未來我們想讓智能體或者AGI變得更聰明，有三個護城河--數據、數據結構、算法。

數據這一點，中國有14億的人口，我們每天每人打開一次抖音，就有14億條數據。這個數據量産生是很多的，而且能覆蓋很多場景，這個是我們本身的一個優勢。

但是數據量規模再大，它也會讓模型訓練面臨到一些瓶頸。如何突破這個瓶頸？我個人認為可能就是在于數據結構。

當我們雜亂無章的數據按規則、結構去做處理，就能讓這些數據提取和數據的一些推理演算的效率能夠提升，並且能夠得到相關的一些數據結論。

如果我們能把這些數據結構更多的抽象和深度化，那麼可能就是能形成算法。

所以，數據結構是真正能拉開AI差距的一個重要因素。數據的結構本身其實就是做了一個壓縮的過程：讓雜亂無章的一個房間變得更加的規整有序，這樣能夠讓我們裝更多的東西；在這個房間里對更多東西去進行分類。壓縮，才是真正智能的核心存在。

歷史上有很多生動的例子，這里我舉一個關于行星的例子。最早，我們要想确定一個行星位置，需要人長期的去觀察，而且要記錄每時每一刻這個行星它出現在了什麼節點，我們要把這些時間、位置都存下來，這個工程量是巨大的。

但是有了開普勒，他意識到行星的軌道是一個橢圓，那就能規避掉很多行星不會出現的一些空間位置。這就是進行了第一次壓縮。

之後，牛頓又發現了這個動力學的定律。根據牛頓的定律，我們可以根據一些常規的參數，還有一些輸入的一些變量，直接通過公式計算出來，行星會出現到哪一個空間的位置。這又是進行了一次壓縮。

我們可以看到，開普勒橢圓的一個發現，其實就是把數據結構規定到了一個軌道，這就是一個壓縮。而牛頓發現了動力學的定律，這又變成了第二次壓縮。這種壓縮又偏向于一個公式定理，屬于算法層面的壓縮。所以經過這兩次壓縮，我們才有了天體物理的奠基。

今天我們的AI也處在這樣一個歷史節點上。如果我們只是不斷去堆砌數據，而不小心翼翼得整理數據，那我們可能還是會變成一個“查表器”，把AI當成我們的一個搜索工具，而不是作為智能體，配合我們的工作。

如果我們能夠去找到這樣的AI時代發展的“開普勒時刻”，做好結構化和壓縮，那麼真正的AI的智能體，才能夠真正做好相關的賦能。

最後我想說，AI時代已經到來。未來我們的發展，一方面取決于技術的突破，也取決于我們人類根據自己認知的選擇。而且未來AGI真正會發展成什麼樣子，我們今天其實還很難去給出一個結論性的推斷。

但是我們真正可以每天追問自己的一個問題就是，今天的AI經過不斷地認知調優，有沒有幫它完成一件昨天做不到的事。每天的進步，那都将是我們傾注數據、數據結構，以及思想的一個過程，讓AI變得更好。

以上就是我的一些分享内容，謝謝大家。

免責聲明：本文内容與數據由觀點根據公開信息整理，不構成投資建議，使用前請核實。