AI应用上半年回顾
作者：微信文章技术上，目前主流的大模型厂商和云服务商大部分都已宣布支持MCP,为开发者和企业用户提供MCP Server和MCP Store等基础设施，降低用户开发Agent产品的门槛。
值得可喜的是，除技术突破外，我们看到了更多的场景化落地。一是政务和公共服务效率提升，二是垂直行业渗透加速，三是端侧智能爆发。
AI应用在C端和B端起的不同的作用，C端需求往往容错率高且多变，AI应用更注重通用性而非过分强调准确性，往往诞生于流量平台并通过独特且多变的能力不断吸引流量，从而实现二次变现；B端需求往往准确且固定，AI技术的核心竞争力是行业 Know-how 及私域数据的挖掘，最终会反映在于AI技术对于某任务的完成度、准确度、完成成 本等指标，按照结果付费更加适用。
2B AI 如果按结果付费的模式有望将行业know-how、垂域数据等传统服务模式难以量化的优势沉淀到AI 输出结果的成本、准确度等参数，或将开启万亿美元级别的“数字劳动力”的市场。该模式将带来两个重要影响：
1）企业 AI 投入更精准，不再是固定支出，而是按需扩展；
2）公司未来或全面转向使用量计费，影响客户的核心软件产品。
接下来对几个应用进行描述。
一、AI Agent 应用
AI Agent 由模型、工具和编排层构成，是一种可以自主实现目标的应用。
模型：AI Agent 工作流的决策中枢。AI Agent 所使用的模型可以是一个或多个任何大小的语言模型，这些模型能够遵循基于指令的推理和逻辑框架，例如ReAct、思维链或思维树。
工具：AI Agent 与世界交互的媒介，主要分为扩展程序、函数以及数据存储三类。基础模型尽管在文本和图像生成方面表现出色，但因无法与外界互动而受到限制。工具弥补了这一不足，使代理能够与外部数据和服务交互，并拓展了基础模型单独运行时无法实现的行动范围。
编排层：AI Agent 的认知架构，主要分为 ReAct、思维链、思维树三种模式。
二、模型混合应用
模型应用的前提是部署或调用。企业或个人通过整合和管理AI 相关的技术、数据、模型等资源，将AI 能力进行抽象和封装，形成可复用的组件和服务，从而实现 AI 应用的快速开发、部署和迭代。能够有效降低企业或个人应用 AI 技术的门槛和成本，推动 AI 技术在工业领域的规模化应用。
1、小模型+小模型
优势：技术相对成熟，并且有不少的应用案例。
劣势：模型调优相对困难，且不同AI应用相对割裂，应用场景受限。
2、小模型+大模型
优势：发挥两类模型各自的优势，充分利用企业现有能力，企业场景好用。
劣势：投入成本较大。相当于同时兼顾两套模式。
3、大模型+大模型
优势：调用公共能力，前期投入少。
劣势：在设计上，充分考虑模型的调整，以及对安全要求严格企业不适用。
三、依然有几个难题
总体来看，AI的更多应用象征软件从“工具”到“数字劳动力”的范式转移。依然有商业模式需要考虑：
1、项目复制难题。AI产品标准化。在SaaS依然未完全接受的条件下，一个项目赚钱到100个项目赚钱，投入产出比，是合作双方企业依然没有很好的解决。
2、能力边界模糊。AI Agent等越来越多的工具出现，对工具能力要求更全面，单一维度的应用越来越窄。
前进路上依然有很多困境，企业和个人面对“数字劳动力”过程不可逆。
页:
[1]