程曼祺 Manqi Cheng
欢迎收听晚点聊，我是曼琪。今天的嘉宾是明势创投合伙人夏令。在 2022 年初，夏令在 AI 热潮之前投资了大模型创业公司 MiniMax 的天使轮。明势创始合伙人黄明明后来有一次和 MiniMax 的创始人闫俊杰一起回忆了最初的投资故事。在米哈游联创刘伟的介绍下，明势第一次见了闫俊杰，那会儿其实大家都没太 get 到闫俊杰要做什么，好在夏令听懂了，回来后说这个项目一定要投。夏令同时也是文生图应用 Liblib AI 和具身智能公司逐际动力的早期投资人。这一期我和夏令聊 Agent 行业的竞争形势推演。在他的认知里，Agent 是一个横跨软硬件的新机会。除了 Deep Research、Devon 这些主要在云端的 Agent，以及接下来可能会进入白热化竞争的与手机结合的 Agent、和车结合的自动驾驶、和机器人结合的具身智能，都是 Agent，它们各自处于不同的成熟阶段和竞争形势中。夏令的一个判断是，到今年下半年开始，围绕通用入口级 Agent 的大战就会拉开，最为焦灼的战场会是以手机为终端的通用 Agent 产品，主要玩家是掌握超级 App 或流量的大厂和自己掌握模型迭代能力的头部大模型公司，OpenAI、Google、Meta、字节、阿里、腾讯都不会放过这个机会，美团、小红书乃至汽车智能领域的理想也都跃跃欲试，而在早期投资的视野里，大多数创业公司的机会可能在垂直和专业的 Agent，更通用的 Agent 很可能会因为处在模型公司的主航道上而备受挑战。模型公司主航道的边界在哪儿？今年 2 月 Google 的一份白皮书有一个比较清晰的框架，我们在节目中有展开相关图示，我也贴到了 show notes 里。夏令已经投资和观察到了一些不同的垂直 Agent 的商业模式，这也是中美差异所在。在中国，一些新公司不再用做工具的思路做 Agent 来赚订阅的钱，而是用 Agent 直接做服务获取收入分成，因为中国的客户更愿意为效果本身付费，而不是为效率付费。至于近期被朱啸虎的言论推到风口浪尖的具身智能，夏令既投资了这个行业，也从他的角度讲了风险。他认为具身智能最大的危险并不是朱啸虎提到的目前没有商业化的 PMF，机器人不能去工厂和商店打工，而是具身智能模型的技术还没有收敛，机器人大脑还没有来到它的 GPT-3 时刻。下面我们就正式进入本期节目吧。
今天《晚点聊》非常开心，又邀请到一位从来没有录过播客的嘉宾，明势合伙人夏令。夏令一直在关注科技和 AI 投资，是 MiniMax 和 Liblib AI 的早期投资人。明势同时也是理想汽车的早期投资人，所以整个明势其实有一个跨软件和硬件的 AI 综合视角。
夏令，你可以和我们的听友打个招呼，也可以介绍一下自己。
夏令
谢谢曼祺，大家好，我是明势合伙人夏令，很高兴今天参加《晚点聊》的播客。
我先快速给大家介绍一下明势和我自己的情况。明势是 2014 年成立的一家早期 VC，到现在已经 10 年了。过去 10 年里，我们比较有幸一直专注在科技赛道的早期投资上。
因为这种专注，过去 10 年里一些比较大的技术创新机会，包括智能电动汽车和 AI，我们都抓到了一批有代表性的头部公司，包括理想、MiniMax、逐际动力，以及文生图领域的 Liblib AI，还有虚拟角色平台造梦、Agent 公司爱语智能，以及硬件领域的智能眼镜 Viture、AIDC 里面的训推一体芯片、光芯片和光 I/O 等一系列项目。
在过去十几年的风险投资生涯里，我自己比较擅长的一点，是能够在不同的技术领域之间进行交叉融合，从而发现一些早期机会。
就这次 AI 的浪潮而言，我觉得我们可以把不同的、受 AI 影响或由 AI 驱动的行业打通来看，包括把自动驾驶、大语言模型、具身智能和 AI for Science 放在一起看。从大语言模型、从模型公司的视角去理解自动驾驶和具身智能，其实会得到一些非常不一样的认知。
第二点，我比较喜欢把产业链打穿来看，把产业链上下游放在一起看。从模型的视角去看 AI 应用，去看 AI 底层的 AIDC，包括芯片、通信等，也会得到一些新的认知。
程曼祺 Manqi Cheng
我们今天的主题重点是 Agent。对于 Agent，你的认知和理解是什么？
1. Agent Reaches L3
夏令
我觉得 Agent 现在确实是一个很热的名词。很多人关注 Agent，是因为 Manus 火了，那是今年 3 月的事情。但对我来说，我们投资 Agent，其实是从去年下半年开始的。
第二点，Agent 从一个大家关注的技术趋势，变成了所有被投企业——不管是应用公司还是具身智能公司——都必须高度重视、并且列为明确研发方向的一件事，其实是从 DeepSeek 之后开始的。
为什么这么说？Agent 这个概念并不是这几个月才出现的。最早提出这个概念其实比较早，我觉得影响比较大的应该是 OpenAI。它把整个 AI 的能力从 L1 到 L5 分成了 5 个级别。
L1 是 Chatbot，也就是最开始 ChatGPT 的形态，以及豆包、Kimi 的形态。L2 说白了就是有推理能力的 AI，最典型的代表是 DeepSeek。
为什么 DeepSeek 之后让我对这件事有比较大的触动？因为当一个 L2 产品推出之后，我们发现它对于 L1 产品是降维的。L1 产品里积累了很多 DAU 和用户，但当一个 L2 产品出现时，就形成了降维打击。
于是大家自然会想到，在这套五级分类里，L3 是 Agent。L2 只是说我能够解决问题，有很强的推理能力去解决问题；但 L3 Agent 指的是一个系统，它能够解决一个任务。这个任务可能需要完成一系列复杂的问题，最后构成一个完整的任务解决方案。
当 L2 产品对 L1 产品形成降维打击之后，我们自然会想到，如果 L3 产品一旦出现，是不是又会形成一次降维打击？这就变成一个很有意思的问题：L3，也就是 Agent，什么时候会到来？
程曼祺 Manqi Cheng
你的逻辑是，DeepSeek 的出现让大家看到了 L2 对 L1 的降维打击，所以在 L2 阶段，大家已经提前在想下一个降维打击的东西是什么。一个很大的共识就是，它应该是智能体，也就是一个能够解决完整任务的系统。
夏令
对。坦率地讲，什么叫 Agent，现在还没有一个完整、精确的定义，但我觉得它大概有一个雏形：它应该能够调用很多外部工具，与外部世界产生交互，执行一系列动作，中间可能还会和人交互，但最后完成一个人指定的任务。
这和之前的 L1、L2 相比，首先是囊括了之前的能力，其次又在维度上超越了之前的能力。它统一了自动驾驶、机器人和一些软件应用。
如果交互的环境是物理世界，就是我前面说的自动驾驶和具身智能；如果只在虚拟世界、互联网上或者电脑上活动，就是现在大家更狭义地讨论的 Agent。
所以在我们的视角里，对 Agent 的理解不仅对 AI 应用和 AI 模型有帮助，对自动驾驶、具身智能公司也同样有帮助。它可以让这些公司提前看到下一个阶段必然会发生的事情。
虽然交互的环境不同，所需要的软硬件技术不同，但内核本质上是一样的。这也是为什么跨领域去看，会有很大的收获。
程曼祺 Manqi Cheng
大家现在很关心 L3 什么时候到来。Manus 这次在评测自己能力时，也提到了 GAIA 评测体系。这个评测体系分成 3 级：第一级可能只调用一个工具，甚至不用工具，只做有限的、5 步以内的推理，最后解决一个任务；第二级可能调用若干工具，但步骤少于 10 步；第三级则是调用非常多的工具，完成一套复杂的任务体系。
夏令
在 L3 这个层级上，Manus 的完成率大概只有 50% 多。根据这个指标，以及我和一些大模型公司的同事交流后的判断，我们可以设一个初步的时间节点：Agent 可能在 1 年之内达到比较好的效果。更激进的人甚至会说，可能就在今年年底。
也就是说，到今年 12 月或者明年这个时间点，大模型公司推出的 AI Agent 技术框架和初步产品，有可能把 GAIA 最难的 L3 档做到 80% 以上。
有些人会把这件事说得更简单粗暴：可能 80% 的人类工作都可以由它完成。但这 80% 也可能指的是 80% 的岗位，也可能是某个岗位里 80% 的工作任务，可以依靠大模型公司推出的 Agent 能力来完成。
按照多家公司的预估，这个时间点就在 1 年之内。这个事情会对所有相关公司产生启发，不管是模型公司、应用型公司，甚至是未来的具身智能公司。
说得更残酷一些，如果今天不站在 L3 Agent 实现的基础上思考自己的业务，或者不能尽早思考和储备 Agent 形态的产品，很有可能在 1 年内就会被别人的 L3 Agent 产品降维打击。
程曼祺 Manqi Cheng
接下来我们可以沿着这个现象，聊聊已经开始萌芽、或者很快会看到的变化。我想先从技术角度开始，因为模型能力是产品和应用进阶到复杂任务智能体的基础。
夏令
最积极的一点是，整个技术进步的斜率仍然非常陡峭，还在持续拉动 AI 以及 AI Agent 能力的提升。
如果要探讨技术趋势，我觉得不妨回到一个更有框架性的体系里。Google 今年年初发布了一份 Agent 白皮书，我比较喜欢这份白皮书，因为它对 AI Agent 的能力提出了一个非常清晰的框架。
具体来说，这个框架分成 3 层。一个 AI Agent 首先有一个内核，也就是 Model，也就是我们熟悉的大模型公司原来最核心的模型能力。
但如果想完成一个任务，就需要一个编排层。编排层首先要告诉 Agent 你要做什么，给它明确的指示和目标。Agent 还需要 Memory，也就是记忆，包括长时记忆、短时记忆和不同的数据。
另外非常重要的一点是，它要完成一件事情，往往需要完成一系列复杂的推理任务，所以它需要具备规划和推理能力。既然是 Agent，它还要和外部环境交互，因此一定需要使用大量工具。
所以在 Google 的白皮书里，一个 AI Agent 主要由模型、编排层和工具这 3 部分构成。
如果细看模型这一层，可以看到持续预训练和后训练都在快速提升，而且有很强的融合趋势。多模态的进展也非常快，尤其是声音。很多人关注多模态时会关注图像，但声音的提升其实也非常明显。
过去半年，我已经听到很多应用在生产场景、而不是 Demo 场景里，已经非常接近人的语音交互模型：有人的情绪、口音，甚至方言，而且延迟很低。整个模型层没有放缓技术迭代的脚步。
我们再看编排层。首先是记忆。坦率地讲，今天模型提供的原生长上下文能力还不够。不管是 OpenAI 提供的大概 128K、64K 的上下文长度，还是 DeepSeek 类似的长上下文长度，对于很多想解决通用或垂直场景的 Agent 来说都不够用。
所以我们看到 OpenAI 最近也在发力 Memory。它 4 月 11 日上线了全局记忆功能，Sam Altman 也在 Twitter 上说，记忆功能可能会成为下一个新的 Scaling Law。
整个 Memory 方向，包括我们自己的 MiniMax，也在 Long Context 这块探索。我们希望基于 Linear Attention 的方式，实现 400 万 Token，并且在“大海捞针”测试中保持很高的命中率。一定程度上，这也是在解决面向 Agent 的记忆问题。
程曼祺 Manqi Cheng
OpenAI 最近发布的全局记忆功能，应该并不是基于一个新的模型。理论上，它的模型上下文大小没有变化。
夏令
对，所以大家还在猜测它到底是怎么实现的。如果是传统的 RAG，命中率肯定不够。
我们也能看到，RAG 正在从静态 RAG 变成 Agentic RAG。它到底是什么机制，是 Context 机制、RAG 机制，还是其他机制，我们也很好奇。OpenAI 没有对外解释它是怎么做到的。
我感觉整个行业里的人都在猜，也在用自己的方式尝试。
程曼祺 Manqi Cheng
你被灰度到这个功能了吗？
夏令
我还没有。但有一个创业者被灰度到了，而且他应该是被这个功能感动到了。
程曼祺 Manqi Cheng
他被记忆功能的什么东西感动到了？
夏令
记忆功能对他的职业和性格做了描述，触及了他的内心。他直接问 ChatGPT：“基于你以前和我的对话，你对我有什么理解？”对方给出的回答，让他觉得非常贴近自己。
它识别出他是一个 CEO，也识别到了他的管理风格和人性上的一些闪光点。作为他的投资人，我本来就很认可他身上的一些特质，但一个工具基于过去的使用记忆，最后对这个人做出总结，我觉得这应该是一个 Wow Moment。
编排层里除了记忆，还有非常重要的规划和推理能力。只有具备规划和推理能力，Agent 才能真正自主完成任务。
目前，如果一个任务非常明确，Agent 甚至不需要特别强的推理模型，也可以基于 Workflow 的方式完成规划和推理。
程曼祺 Manqi Cheng
Workflow 也是最近频繁出现的一个词。你可以给大家解释一下吗？
2. Workflows Fill Reasoning Gaps
夏令
Workflow 和人日常完成任务的工作流并不完全一样。它本质上是基于对人完成任务的工作流的理解，把任务拆解成更细、更多步的推理串并联。
如果一个人按照工作手册完成一个任务，需要经过若干步骤，那么每个人因为具备智能，可以自主完成很多隐藏信息、隐藏知识和隐藏任务。但现在 Agent 的能力，尤其是模型、推理和规划能力还不够。
所以对于一个明确任务，我们可以把它扩展成非常细颗粒度、连续的推理串并联，从而规避模型现在还不具备的隐藏认知和隐藏推理能力，大幅提升任务完成的可能性，也能把目标人群服务得更好。
简单来说，它是基于模型现在的边界和能力，做出一套比人更细的 SOP。
程曼祺 Manqi Cheng
甚至可能不止一个 Agent 参与这个环节，所以大家有时会遇到 Multi-Agent 机制。一个 Agent 负责把握整体进度，一个负责情感输出，另一个负责数值计算，最后通过串并联把它们综合起来，完成任务的规划和推理。
夏令
对，甚至也可能是不同模型来支持。推理能力可能用 DeepSeek 或 Anthropic 的 Claude，情感输出可能用豆包或 OpenAI 的模型。它本质上是一个多模型、多 Agent 串并联混用的 Workflow。
程曼祺 Manqi Cheng
理论上，如果模型能力越来越强，也可能不需要这么多步骤，或者不需要这么多 Agent 协作，一个模型就能完成。
夏令
理论上是这样。Agent 能力越来越强之后，基于 Workflow 的任务应该会逐渐由单一模型完成。
但越往垂直领域走，壁垒就越存在。垂直领域想做好并不容易。
第二个问题是，这个壁垒到底在哪里？今天你先发，摸索出一套 Workflow 可以完成任务，一定程度上这是产品定义壁垒或工程壁垒。但随着 Agent 门槛持续下降，这个壁垒肯定会被削弱。
所以壁垒一定会建立在其他地方，可能是平台效应，也可能是一个新的组织或新的业务流，而不仅仅是现有的工程本身。
程曼祺 Manqi Cheng
刚才我们讲了推理、编排和记忆。最后再讲讲 Agent 的工具使用能力，大概会有什么提升趋势？你们看到了哪些变化？
3. MCP Expands Tool Access
夏令
工具的变化在最近几个月非常显著，也得到了很多人的关注。但工具不只是工具本身，还包括整个工具生态。
各家公司都在做自己的工具，最典型的就是 MCP。MCP 在很大程度上极大扩展了工具生态，让 Agent 能够触达的边界显著扩大。
但如果回过头看，Anthropic 推 MCP 的初心，并不是为了让其他 Agent 发展得更好，而是为了让自己的 Agent 用得更好。只是 MCP 确实具有行业意义，后来逐渐被 OpenAI 接受，生态才慢慢形成。
程曼祺 Manqi Cheng
MCP 生态形成之后，最大的受益者是谁？还是 Anthropic、OpenAI 这些模型公司吗？做 Agent 应用的公司不也是受益者吗？
夏令
应用公司当然也是受益者，但最大的受益者还是模型公司。因为最需要各行各业 API 接口的，其实是做通用 Agent 的公司。
比如 Manus，据说把 29 个工具集成到了里面。MCP 是一种协议，假设我是工具 A，支持 MCP 之后，Manus 作为 Agent 应用就可以比较方便地调用我。
程曼祺 Manqi Cheng
从 29 个工具扩展到 290 个工具，之前需要大量开发工程量。29 个工具里，有多少本来就支持 MCP、可以被 Manus 比较简单地调用？还是说都是 Manus 自己写了一遍？
夏令
Manus 在 Twitter 上说，它当时开发的时候还没有 MCP，应该是用 Function Calling 等方式工程化开发的。
现在 MCP 生态变得更繁荣，对 Manus 这样的公司来说，就可以更方便地调用更多工具。但同样的事情对于 Anthropic、OpenAI 也成立。
我最近和一些做 Agent 的人聊，他们说现在有一个瓶颈：一个 Agent 调用很多工具，比如超过 50 个之后，完成任务的质量会大幅下降。
程曼祺 Manqi Cheng
问题可能在于，即使有很多工具支持 MCP，当前模型的能力也不支持它使用那么多工具。毕竟 MCP 仍然是 Function Calling 的机制。
夏令
对。MCP Server 多了之后，还是要由模型选择工具。模型该选择谁，选得对不对，归根结底还是对模型能力的考验。
今天这个问题肯定还没有解决，但我觉得随着模型能力提升，它会一步步解决。你能看到，前面整个框架里的各个环节都在快速提升，同时 MCP 又把工具生态搭建起来了。
这时又会回到一个问题：谁来做通用入口？
程曼祺 Manqi Cheng
这个观察已经从技术变化延伸到了商业竞争。我们可以展开讲讲，Agent 作为通用入口可能带来什么变化，或者你已经看到哪些公司在采取行动？
4. Everyone Wants the Agent Gateway
夏令
从海外来看，Anthropic、OpenAI、Google 都想成为通用入口，想借助 MCP 生态来做这件事。
在国内，阿里、字节、理想、腾讯、美团，当然也不排除未来的小红书、滴滴，都可能想做通用入口。这里说的通用入口，不是只做自己原有核心业务的 Agent，而是通用 Agent：既可以回答问题，也可以写邮件、画画、识别图片。
程曼祺 Manqi Cheng
理想、美团和小红书也有这样的野心吗？
夏令
小红书我不确定，但至少理想和美团已经在公开场合明确说过。阿里、字节和腾讯不可能放弃这个机会。
程曼祺 Manqi Cheng
但我们真的需要这么多入口吗？人的注意力是有限的，真正会用的东西也是有限的。
腾讯的微信现在就很像你说的入口。如果把微信看成一个 Agent，上面有很多小程序，这些小程序就是可以调用的工具。未来，小程序可能就是各个 MCP Server。
夏令
对。你在微信上点开那些小程序，就相当于用图形界面的方式调用工具。
但问题是，美团、拼多多、滴滴这些公司，过去从腾讯微信的生态、微信九宫格里逃离出来，终于拥有了自己的独立流量。它们从内心里应该极度不愿意回到其他公司的通用 Agent 九宫格里，成为被分配和调动的资源。
有些公司，比如腾讯、字节、阿里，本来就在生态的顶层。对另一些公司来说，这既是野心，也是防守：如果不做这件事，可能在新的 AI Agent 生态里被覆盖，变成生态顶层公司下面的资源。
程曼祺 Manqi Cheng
我在想，滴滴应该不太愿意让自己积累的司机、美团积累的商家和外卖骑手，被其他公司的 Agent 随意调度。
不过对它们来说，似乎也不难防守。比如滴滴不支持，其他 Agent 就不能通过自然语言帮我叫滴滴的车。
夏令
一段时间内，它肯定不太愿意支持。但问题是，可能会有别的公司支持。
程曼祺 Manqi Cheng
换个比较典型的例子。假设美团不支持，行业第二的饿了么支持了，而且因此订单量增加，这可能就会逼迫美团介入 Agent 生态。
夏令
对。但对美团来说，它肯定还是希望掌控流量和入口。大家都知道入口的价值。它在上个时代从别人的入口获得流量，成长为一家几百亿美元、甚至千亿美元的公司，不太会希望自己又很快变成依附于别人、由别人整合供应链的公司。
程曼祺 Manqi Cheng
你觉得什么时候会看到 Agent 入口之争非常显现化的表现？
夏令
从时间上看，比较激进的判断是今年下半年。这个时间点和前面说的 Agent 到来时间是匹配的。
模型能力首先会推动通用 Agent 应用的发展。现在从公开信息来看，部分互联网巨头已经公布了推出 Agent 的时间点，也和这个时间匹配。
程曼祺 Manqi Cheng
你大概知道某些公司会推出什么形态的 Agent 吗？
夏令
通用 Agent 可能会放在手机上，以一个 App 的形式存在，但它是通用 Agent。
程曼祺 Manqi Cheng
所以你觉得大厂的竞争会放在手机上，而不是电脑端？因为 Manus、Deep Research、Computer Use 都更偏云端。
夏令
那还是因为人群。使用美团、滴滴服务的人，绝大多数是在手机端使用，手机端覆盖的人群更广，适用场景也在移动场景。
今天我们还看不到下一个智能硬件终端。移动场景的网民比云端更广，因为它深入生活，不只是办公和生产场景。
但还有另一个问题：如果下一代智能硬件出现，比如是眼镜形态，那么这个硬件一定是以 AI 为核心的硬件。以 AI 为核心的硬件，它的操作系统应该就是一个 AI Agent。
可穿戴设备的空间、续航和性能都有限，大家大概率会觉得上面只能放一个 3B 或 7B 的模型，而且只能有一个模型常驻内存。那它是不是一个入口？如果是，入口的可选择性反而会更小。
程曼祺 Manqi Cheng
但眼镜成为下一个终端，可能还比较远，时间也很不确定。
夏令
我觉得很有可能，2—3 年内会发生。
程曼祺 Manqi Cheng
这个估计已经比较乐观了。
夏令
但另一方面，我们确实看到大厂都在布局眼镜。阿里像天猫精灵现在也在做眼镜，而且它是放到信息智能事业群，由阿里 To C 那边吴佳一起管。字节也在做眼镜。
5. Advertising Faces an Agent Reckoning
还有一个有意思的问题：Agent 出来后，会对现在的商业模式和各大厂商形成很大的挑战。
最突出的是广告。过去相当长一段时间里，广告是非常成功的商业模式，尤其是互联网广告变现。
但如果我让 Agent 去工作，至少对于 Save Time 的效率工具来说，我本人就不会再浏览那些信息，广告触达是不是会减少？
你看 Perplexity 或豆包，它们的结果排序肯定不是 Google 或百度 API 返回的竞价排序。即使它调用了 Google 或百度的 API，展示的也不是原始的竞价结果，所以这部分广告收入可能会减少。
原来的搜索和推荐是面向人的，面向 Agent 的搜索推荐肯定不一样，原有商业模式会受到挑战。
程曼祺 Manqi Cheng
我还想到抖音这样的产品。抖音本来就是需要人观看内容的产品，属于 Kill Time。我们刚才说的搜索，无论是找工作信息还是买东西，本质上是提高匹配效率，带有 Save Time 属性。
夏令
对。抖音是 Kill Time 的产品，广告模式反而有可能被放大。因为它的广告可以植入上下文里，我已经看到有一些公司把广告植入 AI 生成内容，也就是聊天上下文中，转化效率比传统广告高很多倍。
程曼祺 Manqi Cheng
和 Agent 聊天的人，能感觉到这是广告吗？
夏令
那要看植入得多自然。广告本来就是体验和商业价值之间的 Trade-off。
在 Kill Time、偏文娱的产品，比如虚拟角色里植入广告，至少目前看到的效果是 ROI 显著更高的。
程曼祺 Manqi Cheng
模型公司自己获得收益的方式，主要就是订阅吗？
夏令
主要是订阅。今天模型公司在 Save Time 这一侧的收入方式是订阅，但在国内，通用的 Save Time 服务几乎等于免费；在海外则是订阅。
但订阅是一个好的商业模式吗？它会不会是 AI 时代真正高效的变现方式？我觉得要打一个问号。
它的商业化效率肯定没有过去广告的方式高，因为广告可以调节的维度更多。当然，行业初期不一定能很快找到下一个时代的商业化方式，但这至少是一个潜在问题。
在中国，通用 Save Time 服务大概率是免费的，那它一定要通过其他方式变现。可是我们前面又讨论了，广告在这个领域可能不是那么好的变现方式。
程曼祺 Manqi Cheng
刚才提到很多大公司和中型互联网公司都想做这个方向。你觉得谁的机会更大？可以分云端、移动端和新硬件来讲。
夏令
首先，字节、阿里、腾讯，包括小红书，我觉得都是今天非常重要的流量入口，不会放弃这个机会，大概率都会努力争取坐上牌桌。
如果放到全球来看，关键还是谁能在模型层面拿到一线模型，同时又拥有比较好的身位。两者结合，也就是一线模型加一线身位，肯定有比较好的机会。
程曼祺 Manqi Cheng
海外公司可以说 Google、微软、Meta 吗？
夏令
Google 首先会自己争取。微软之前想做 AI PC，一定程度上也是想争入口。Meta 也想争这个入口。
Meta 手里一直有很多好牌，当然它是一个很神奇的公司：这些牌到底能不能打好，一直是个谜。
它有很多先天优势和过去积累的势能，包括最好的社交平台 Facebook 和 Instagram。在模型层面，它过去一直是开源领域的领导者。虽然最近 Llama 4 受到了一些诟病，但从之前的投入来看，它对小模型，尤其是 7B 模型，一直投入巨大。
比如 Llama 3 训练 7B 模型时，我记得大概用了 15T 左右的训练数据；但训练 70B 模型时，反而使用了更小的数据量。我一直在想，Meta 是不是对小模型有额外偏好。
如果大胆猜测，我觉得这可能和它在眼镜端的布局有关。Ray-Ban Meta 火了，虽然它的火和 AI 没有直接关系，但大家已经很清楚，它可能成为一个非常重要的新硬件终端。
新终端的资源有限，很可能形成新的入口。从苹果和 Meta 透露的信息看，上面大概率会运行 3B 或 7B 模型。
如果把 Meta 在模型层面的投入，尤其是对 7B 模型的投入，和它在眼镜端的布局联系起来，它似乎是在偏向自己最有势能的端侧场景。
程曼祺 Manqi Cheng
端侧的通用 Agent 可能就是一个操作系统，需要常驻内存。
夏令
对。而且 Meta 为了让眼镜真正成为下一代终端，甚至希望摆脱手机依赖。今天几乎所有眼镜都依附于手机，但 Meta 有很大的野心，它想绕开手机，单独做一个盒子，成为独立于手机的新终端。
另外，Meta 在硬件本身上也释放了很多信号，比如摄像头、感知芯片，甚至眼镜里的主控芯片，都可能是定制的。
这让我们感觉到，Meta 正在瞄准如何把眼镜推成下一代 AI 终端，软硬件层面都做了大量投入，而且投入是超前的。
Anthropic、OpenAI，以及国内的模型公司，包括 DeepSeek，一定程度上希望借助模型能力，尽快推出下一代模型，引领模型发展，再推出时代的产品，去争取身位。
对于腾讯、字节和阿里来说，因为它们本身就已经处在这个位置，晚几个月推出产品，是否会有实质影响，我觉得要打一个问号。
我觉得云端，或者说现有手机端的竞争，会最激烈。趋势一旦显现出来，应该会非常激烈，也会非常有意思。
程曼祺 Manqi Cheng
中国有一个问题：如果阿里、腾讯、字节都想做这件事，它们彼此之间的生态又很封闭。比如我是字节的 Agent，我能不能去阿里买东西？
夏令
现在国家也在通过反垄断法鼓励平台开放。但一定程度上，就像我们之前讨论过的，美团愿不愿意把骑手和外卖给阿里、字节用，滴滴愿不愿意把车辆调度资源给阿里用，在一段时间内可能都还是问号。
程曼祺 Manqi Cheng
刚才我们讨论了一种可能：它最开始不愿意开放，但如果市场里有另一个玩家愿意开放，并且获得了很好的效果，可能会逼迫第一名做出调整。
我上次和戴雨森聊时，他有一个挺有意思的想法：某个技术革命早期出现的第一个 PMF 产品，有可能是甜蜜的诅咒，是一个陷阱。Chatbot 可能就是这样一个产品，但还没有定论。
如果真的有人把 Agent 入口做成了，它还会是甜蜜的陷阱吗？还是基本可以说已经接近终局？
夏令
我觉得有点偏终局。
程曼祺 Manqi Cheng
所以今年下半年就会看到终局序幕拉开？这么快吗？
夏令
我觉得很有可能会这么快。最大的变量还是模型能力能不能进化得这么快，以及谁掌握了模型能力。
甚至可能比我们前面说的更激进。To C 通用 Agent 对大厂和模型公司的诱惑太大了。在模型能力还没有完全突破的时候，竞争序幕可能已经在大厂和模型公司之间拉开。
程曼祺 Manqi Cheng
接下来想聊创业公司和创投领域里的 Agent 变化。如果通用 Agent 入口的竞争很快到来，这会怎么影响新的、更小的创业公司的生存空间？
最近大家讨论比较多的是，做模型的大公司和头部大模型创业公司，包括 Google、Meta、OpenAI、字节、阿里，和那些不做模型、只做 Agent 应用的公司之间，边界到底在哪里。
一个具体的事情是，GPT-4o 发布了文生图功能，而且效果很惊艳，包括文字处理的一致性。于是大家开始讨论，过去基于 Midjourney、Stable Diffusion 做工作流 Agent 的公司，比如你们投资的 Liblib AI，会不会因为 GPT-4o 的能力提升而价值大幅下降？
6. The Model Application Boundary
夏令
要看今天 Agent 的能力边界在哪里，以及模型公司的能力边界在哪里。我们前面说，模型公司希望在 1 年内把 Agent 能力推出，那么模型公司的边界到底在哪里？
Deep Research 出来之后，大家怎么评价 Perplexity；GPT-4o 出来之后，大家怎么评价 Midjourney 和 Liblib AI，其实是类似的问题。
还是回到 Google 的技术框架。模型本身的能力，包括推理、记忆、目标理解和编排层能力，再加上工具使用能力，这些大模型公司都会自己做。
Anthropic 也发布过类似白皮书。它去年推出 Computer Use，推出 MCP，你可以看到，模型公司已经不只是做 Agent 模型本身了。
模型会持续改善，推理模型在去年年底、今年年初有了巨大突破。如果垂直领域公司用 Workflow 实现任务，未来 Workflow 里的很多环节都可以直接由 AI 完成。
记忆方面，MiniMax 和其他公司都在提升。MiniMax 通过 Linear Attention 支持 400 万 Token，同时支持非常精准的命中。
工具层面，模型公司也没有闲着。MCP、Computer Use、Google 的扩展，以及 OpenAI 最开始做的 Function Calling，都说明它们在工具层面投入了很多工作。
所以对模型公司来说，L3 阶段所谓的“模型”，其实包括整个框架，是模型加上其他东西，它的边界本来就在扩展。
程曼祺 Manqi Cheng
可以把它理解成一个博士毕业的应届生：有丰富的知识储备，有处理常识任务的能力，比如查信息、完成日常任务，只要基于通用工具，它都能做。
但应届生和专业人士有差别。专业人士在这套框架里，模型层的智商未必比博士高，但他有行业专属的思维方式、思维方法和工作流，这是应届生不具备的。
夏令
对。专业人士还有行业里的数据和知识、过去的经验，也就是长短时记忆，以及领域专属的工具。这些是专业人士和应届生的区别。
通常我们会用两个坐标轴来描述 AI：一个是泛化性，一个是精确性。泛化性对应通用，精确性对应专业。
今天模型公司推出的是一个越来越强、具备知识、推理和常识任务能力的通用型应届生。模型公司可能希望它完成一个岗位 80% 的任务，但剩下的 20% 是专业领域的。
模型公司向通用方向发展，留下来的机会，就是从通用走向专业。它们不会去做更专业、更垂直的领域。
GPT-4o 也是一样，它一定会做通用，而不是专业。通用用户、业余人士，比如你我，对图片生成的要求恨不得一步到位；只有专业人士知道，成果需要一步一步完成。
我们不在意很多细节，对质量要求也没有那么高。但专业人士对细节和质量有很高要求。
程曼祺 Manqi Cheng
按你的逻辑，GPT-4o 出来之后，对即梦的冲击可能比对 Liblib AI 的冲击更大。因为 Liblib AI 的用户是广告设计等更专业的人群，而即梦更偏 To C 的文生图应用。
夏令
对。如果你的目标是大众，就会受到模型公司的冲击。模型公司会从 L1 升级到 L2，再升级到 L3，它一定会引领这件事。
GPT-4o 面向通用用户，所以受到的冲击肯定最大。OpenAI 自己也有产品，本来就是 To C 产品。
而且 GPT-4o 这次发布文生图功能时，OpenAI 没有同步开放 API。相当于你想套我的壳，我都不给你机会。
程曼祺 Manqi Cheng
我觉得它后面可能还是会开放 API，但现阶段肯定希望这个功能成为市场上独一份的产品，帮助增长 C 端客户。
夏令
对。但对于专业人士、对质量要求高的人来说，它还不足以满足需求。
所以从产品本身来说，要么服务专业人士、提供工具，要么服务垂直场景、做 Agent。这样都能规避和大模型厂商从 L1 到 L2、再到 L3 的主航道竞争，不管语言、图片还是视频都是一样。
在我看来，距离大厂主航道太近，对创业公司肯定不利。
程曼祺 Manqi Cheng
你怎么看 GPT-4o 发布之后 Adobe 股价大跌？这是市场恐慌，还是反映了其他东西？
夏令
这反映了资本市场对 Adobe 未来前景的看法。
首先，Adobe 在这一波 AI 里积极追赶，做 AI+，但从实际产品来看，我觉得 AI+ 的效果比较差。
资本市场的反应可能有两层。第一，长期来看，大家认为文生图这种新的 Workflow，会对 Adobe 原来的 Workflow，以及基于这套 Workflow 的软件产生很大影响，甚至形成颠覆。
第二，GPT-4o 并不是直接影响 Adobe。我们看整个图像编辑市场，鼻祖肯定是 Adobe Photoshop。它最开始从专业人群起家，逐步泛化。
另外两类公司，一类是以 Canva 为代表的产品。随着社交媒体兴起，更多市场人员需要图像编辑工具，但他们不会用 Photoshop，所以需要降低门槛，Canva 就有了机会。
另一类是随着手机和消费电子发展，普通 C 端用户有图像编辑需求，最典型的是美颜，所以美图秀秀等公司也发展起来。
这个产品是从专业人士逐步泛化的过程。只要你在某个具体需求上做得足够深，就有机会拓出一片市场。
还有一个有意思的点是，这 3 块市场的月活和价格差异很大。Photoshop，或者 Adobe 整个创意套件，月活大概是全球 1 亿多人；Canva 大概 2 亿多人；如果没记错，美图秀秀全线产品应该也是 2 亿多人。
但三者价格差别很大。Adobe 正版可能每个月 50 多美元，Canva 大概 10—15 美元，美图秀秀可能只有 2—3 美元。付费率也不同，专业人士付费率最高，Canva 其次，美图秀秀最低。越是泛 C 用户，越希望使用免费产品。
程曼祺 Manqi Cheng
AI 热潮之后，当然是在 GPT-4o 之前，美图秀秀的付费率也因为 AI 增加了很多。
夏令
对。回过头看，GPT-4o 真正冲击的是谁？我不认为它当前冲击的是 Photoshop，当前冲击最大的可能是对图像质量要求没那么高、使用美图秀秀或手机图像编辑工具的人群，也包括 Canva 里对质量要求没那么高的人群，更多是泛 C 用户。
泛 C 用户希望从体验上一步到位，但专业用户知道，高质量产品一定是一步一步做出来的。
Adobe 的 Workflow 很可能被文生图颠覆。Photoshop 之所以起来，很大程度上是因为它开创了基于图层的编辑模式，再加上滤镜和工具，确定了图像编辑的标准范本和 Workflow。
但文生图里已经没有图层了。
程曼祺 Manqi Cheng
那你怎么看 Liblib AI？GPT-4o 出现之后，它会受到冲击，还是会受益？
夏令
我觉得 GPT-4o 的出现，反而利好 Liblib AI 这类主要服务专业用户的文生图公司，让它们进一步蚕食 Adobe 的市场。
Liblib AI 的用户里，超过一半是专业用户。专业用户首先需要基于 LoRA 生态，选择一种审美或风格。这是 Liblib AI 很强的平台壁垒。
风格和审美很难被 GPT-4o 这样的 AI 取代。
程曼祺 Manqi Cheng
GPT-4o 不能取代 LoRA 生态吗？
夏令
对。不是说完全不能，因为审美由人决定。AI 可以学习和借鉴一种审美和风格，但它不能自己原创出一个人类能够理解的审美。
AI 当然也可能创造一种新的审美和风格，但人类未必能理解 AI 所谓的审美。所以一定程度上，审美和风格仍然要从现有内容里学习、借鉴和引导。
整个 LoRA 生态和高质量参考图生态，对专业人士非常重要，并不是 GPT-4o 能提供的。
但基于 GPT-4o 的能力，以及在它之上的大量产品创新，包括交互、Prompt、ControlNet 等，可以帮助专业人士更好、更快地利用文生图工具，达到 Photoshop 的效果。
它可能帮助专业设计师更快拿出产品，也可能帮助以前用 Photoshop 只能做到五六分的人，基于文生图更快、更好地做到八九分。
在我看来，GPT-4o 出来之后，Liblib AI 可能会更快变成一家 Agent 公司。Photoshop 可能只是它 Tools 里的一环，它基于文生图重构整个 Workflow。
前面需要 LoRA 生态，需要 Agent 和人的交互、反馈，当然还要基于更强的基础模型。它会调用各种各样的工具，也可能包括 Photoshop。
所以 Liblib AI 大概率会发展成 Agent 形态。这个形态逐步完善后，一定会逐步蚕食今天 Photoshop 最核心的专业人群。
程曼祺 Manqi Cheng
回到最开始的问题：Agent 的能力边界到底在哪里？模型公司和只做 Agent 应用的公司之间，线是怎么划的？
夏令
我觉得那条线确实在于人群区分。模型公司会面向更通用的人群。
模型公司都有服务泛 C 用户的野心，会把 Agent 能力做到一个通用任务 80% 的部分。对于专业垂直领域，它会降低应用型 Agent 的门槛：可能 80% 的任务或业务流程由模型直接完成，但它不会自己去做律师，也不会自己去做专业设计师。
因为越专业，需要的 Workflow、推理能力、工具和数据就越垂直、越长尾。对模型公司来说，越长尾，成本越高。
模型公司基于一种通用能力，通过泛化让边际成本很低，这正是它产品的核心特点。
如果用过去流行的说法，就是解决各行各业的“最后一公里”。模型公司不会去做最后一公里，因为那不是它的优先级。它要服务的是泛 C 用户。
所以专业人群的工具和垂直行业 Agent，模型公司不会亲自做，但会赋能。
程曼祺 Manqi Cheng
在这个逻辑里，Manus 这种主打通用 Agent 的产品，未来机会有多大？它是不是很可能就在模型公司的主航道上？
夏令
Perplexity 和 Manus 一定程度上都距离模型公司的主航道非常近。我很关心 Perplexity，以及国内类似 Kimi 的用户增长，就是想验证这个判断。
第一，我想知道距离主航道很近的公司会活得怎么样。第二，我想看它们会做什么调整。
不管是 Perplexity 还是 Kimi，至少在 2 月 DeepSeek 冲击最大的时候，它们仍然在增长。当然不排除有营销投放因素，但市场盘子肯定变大了。
市场最大的受益者还是 DeepSeek，以及吸收 DeepSeek 流量的元宝和纳米。海外没有像国内这么激烈地竞争，所以至少目前看，这些公司还在增长。
但我们的核心观点仍然是，距离模型公司主航道太近的企业有比较大的风险，必须找到自己的差异化，甚至要往专业人群走。
Perplexity 的创始人在很多访谈中也很在意这一点。他讲的产品，一定程度上也是让更细分、更明确的目标人群，尤其是专业人群，更好地使用产品。
产品型公司想在技术本身建立壁垒，确实不太现实。今天这些公司最初建立的是产品定位，前期工程投入则带来了时间差。Manus、Cursor、Perplexity 都是在模型 Ready 之前就开始做这件事。
一定程度上，它们依靠的是产品创意和相对精准的产品定位。我觉得产品公司一直以来都是深度比广度重要。
我希望所有 AI 应用产品公司，不管是距离主航道较近的 Perplexity、Manus，还是专注专业人群的公司，都在深度上下功夫，而不是在广度上下功夫，把目标人群服务得更精准。
程曼祺 Manqi Cheng
接下来详细聊聊垂直 Agent。按照你的逻辑，通用 Agent 更适合大公司，或者掌握模型能力的公司；对大多数单纯做应用的创业公司来说，垂直领域成功的概率可能更高。
7. Vertical Agents Deliver Results
夏令
回到我们比较关注的机会，我觉得核心是两类。
一类是 Save Time，但要往专业人士或垂直场景走。另一类是 Kill Time，也就是偏文娱和新内容体验。这两块是我们比较看好的。
前面讨论 Perplexity、Liblib AI，更多都是专业工具，帮助你节省时间、提升效率，是面向专业人群和专业场景的。
今天大家也开始关注垂直领域 Agent，尤其 DeepSeek 火了之后，部分原因是老板产生了技术焦虑。老板分不清这到底是 AI 还是 RPA，只要是流程自动化、提效，就能缓解技术焦虑。
所以最大的直接受益者，我觉得其实是 RPA。很多 SaaS 公司也开始加入 RPA，从而更好获客。
第二类是现有 SaaS 公司和企业信息化公司，它们基于模型能力打补丁。它们原来已经有软件在服务企业，现在把 AI 作为工具叠加上去。但这都不是创业公司的机会，而是成长期公司的机会。
比如我们投的 SaaS 公司，包括酷家乐、神策、一快报等，今天都有 AI 团队，都在把 AI 能力和现有产品结合。但它本质上是在打补丁，并没有改变原来的产品逻辑或工作流。
程曼祺 Manqi Cheng
美国有很多 Agent 创业公司瞄准垂直行业，但中美之间是不是也有很大不同？
夏令
中美差异很大。回到垂直领域 Agent 创业公司的机会，有几个关键原则可以先明确。这些原则和上一波产业互联网、垂直 SaaS 的经验教训有关。
中国 SaaS 不好做，垂直 SaaS 更难做。一个原因是，真正愿意为 SaaS 付费的中国企业很少，付费数量少，付费能力也有限。
第二，中国企业通常愿意为效果付费，而不是为效率付费。它能接受的效果大概有两种：第一，你把信息给它，比如客户的信息、销售线索、招聘信息、货物信息，它自己完成后续工作；第二，你把整段业务全部拿走，直接交付一个结果。
这就意味着，中国的创业公司大概率应该交付结果，而不是像美国一样沿着 SaaS 逻辑卖工具。
那么如何交付结果？第一，你肯定要重塑原来的业务流程。不重塑流程的，大概率就是现有公司加 AI，也就是 SaaS 公司加 AI，而不是新的 AI 原生公司。
第二，可以选择一些比较讨巧的领域。比如一个行业比较小而分散，对手很弱。但你还要反过来想，为什么这个领域过去一直小而散？
核心原因通常是它非标、难以结构化，所以很难规模化。你要想的是，这一波 AI 能不能把过去不能标准化、不能结构化的事情结构化、标准化，从而实现规模化。
这样你的竞争对手就是过去那些传统的小型、分散的公司，而它们通常没有工程、研发和产品能力来做这件事。
第三，还是要尽量选择低垂的果实，不要对 AI Agent 的能力期待过高。
上一波互联网、移动互联网时期，满帮就是一个例子。满帮做的事情，其实就是把信息部的小黑板变成撮合平台。这是上个时代最低垂的果实。
它后来也尝试做了很多别的事情，但都面临很大挑战。真正打底的事情，就是车货匹配信息：车临时找货，货临时找车，这个信息本身就是用户要的结果。
它没有触及整个货物运输过程，交付的就是一个信息结果。
第二个例子是服装行业。过去很多投资人都看过服装信息化、服装产业互联网公司，包括对工厂做数字化改造、通过信息化提升效率。
但最后真正把服装行业数字化、信息化做起来的，不是任何一家服装信息化或 SaaS 公司，而是 SHEIN。
SHEIN 用自己的货撬动上游供应商，让它们一步一步接受信息化改造。它合作的很多工厂，从信息化和 SaaS 的角度看，都是最难卖的工厂：百人工厂，老板可能只有初中或高中学历。
SHEIN 的核心逻辑是重塑了流程。任何服装工厂去上信息化、上 SaaS，都做不了 SHEIN 做的事情。因为只有 SHEIN 把供应链和前端营销用数字化方式整合起来，改变了整个服装产业的业务流程，它是一个新的组织。
它的出发点不是做服装信息化，而是为了更好地卖货。它希望小单快返、不产生库存，于是发现供应链如果不信息化就无法支撑。
它需要把前端促销信息和供应链加工进度匹配起来，于是自己推动了整个流程的信息化。
所以真正有机会、真正有壁垒的公司，还是要看能不能重塑业务流，甚至重塑组织。这是价值最高、壁垒最高的地方。
如果切入的行业周边玩家比较小而散，又是低垂果实，创业公司可能更容易起盘。
程曼祺 Manqi Cheng
你现在能看到哪些具体例子？
夏令
我举两个例子，一个是律师，一个是销售。中美在服务律师和销售的 Agent 上，差距都很大。
在美国，不管是 Harvey，还是做 SDR，也就是销售 Agent 的公司，都是按席位收费，一个席位大概每月 2000 多美元。它提供的客户价值，说白了是帮你节省时间。
它服务的是主流市场。法律行业是合同审查，销售行业是 SaaS 软件销售。它做的是主流业务，辅助人类，把它当作席位费。
比如布置一个 AI SDR，按调用量收费，超过一定调用量再加钱。一个 SDR 大概每月 2500 美元。Harvey 则帮律所做合同审查、确认合同问题等。
它和律所里有多少合同审查人员没有关系，而是和使用量有关。聘请它之后，企业可能会减少这个岗位的招聘数量，用于提效。
美国是典型的延续 SaaS 工具的模式：提效、辅助人。我不是为结果负责，而是为效率负责。
中国不一样。中国是把整个业务环节拿走，交付完整结果，收取 Take Rate，也就是收入分成，可能是 10%—30%，不同公司和业务会不同。
我们看到的案例，不管是法律行业还是销售行业，在中国发生的往往都是找利基市场，挑选一个有意思的品类，把整个业务环节完整外包，然后收取 Take Rate。
它不是辅助人，而是替代人，或者指导人。它不是帮助专业人士做得更高效，而是让一个小白可以完成专业人士的工作。这是中美之间非常大的差别。
程曼祺 Manqi Cheng
这个利基市场如果涉及被投公司的机密，可以不讲得太具体。但有没有什么事情，是现在 AI 能做、又可以完全替代人来赚钱的？
夏令
比如 Harvey 核心做的是帮助律师审合同。Harvey 说它有 700 家律所客户。
我们去年年底投的爱语智能，自己就是一家律所。它不是服务律所，而是自己成为一家律所。它找了一个利基市场，服务金融机构，把金融机构里对私和对公的批量诉讼案件拿出来做。
过去，这些案件需要传统律所堆人来做。但人有成本，所以很多小额案件，或者已经很陈旧的案件，没有人愿意做。银行也懒得找律所打这些官司，因为律所不会接。
程曼祺 Manqi Cheng
主要是追账、违约类的官司吗？
夏令
对，各种追账、违约案件。
爱语智能 3 月一个月立案 1.5 万起。中国最大的律所，一个月可能也就几百起诉讼，而它做的是批量诉讼。
程曼祺 Manqi Cheng
这是不是会对法院造成冲击？国家鼓励通过法律形式解决问题，但法院可能审不过来了，是不是也需要一个 Agent？
夏令
那可能是下一步。你可以看到，它是一家独立的律所，相比传统律所，它的效率可能提升 100 倍甚至更高。
它为结果负责。不管是对私还是对公，只要对方还款，还款金额里的 30% 就作为它自己的 Take Rate。
它本质上仍然是律所的商业模式：律所找到银行，最后收取回款的一部分。
过去的小律所可能只有十几个人，只能服务一个客户，只接客单价 20 万、30 万以上的案件，一年做几百起、甚至不到 1000 起，就到人力成本和人效的上限了。
这家公司非常重要的一点是，它交付结果，而且不是让资深诉讼律师做，而是由 AI 指导小白，甚至可能是没有法律专业背景的人来做。
程曼祺 Manqi Cheng
所以创始团队里有职业律师，对吗？因为最后还有出庭环节，还是需要职业律师。
夏令
SDR 在海外销售流程里是一个很常见的概念，主要判断商机，把客户引导到后续销售流程。但它并不直接产生销售结果，也没有把货卖出去。
所以海外的 SDR 公司只做其中一个环节，最后只能收席位费，不能从商品最终销售额里抽成。
但我们看到的公司，不管是服务酒店、在抖音上用全 Agent 做代运营，还是做线上课程等产品的直接销售 Agent，它们实际上切掉的是整个销售环节，相当于某一种渠道代理。
你可以把它理解为代运营，收费就是整个销售额的 Take Rate。正常这类公司的销售成本可能占 20%，现在只需要把 10% 给类似 AI Agent 的代运营公司。
程曼祺 Manqi Cheng
你刚才讲的两个例子都很典型。国内垂直 Agent 的前两个原则是：要么重塑业务流程，要么原来提供这些服务的是小型、无法大规模扩展的服务公司。
现在的模式相当于，我也是一家服务公司，但我是用 Agent 做服务，效率非常高，可以规模化做很多渠道代理或案件代理。
夏令
如果抽象一下，技术对于这些行业的本质是什么？技术只是一种手段，帮助你把过去非标、非结构化的事情标准化、结构化，从而实现规模化。
程曼祺 Manqi Cheng
如果我本来就是一家比较大的律所，把 Agent 用得很好，不自己开发 Agent，只是把它用好，我能达到类似效果吗？
夏令
理论上可以，但实际上，国内绝大多数从事这类业务的律所，技术能力和工程能力都不足以让它从一家靠专业知识和销售关系驱动的公司，转型成技术驱动型公司。
还是因为它的同行比较小而散。你做的是一个利基市场，刚才的例子也是诉讼里的细分市场。但这些行业单个来看，体量其实都很大。
不能忽视的是，满帮当年把信息部的小黑板数字化，背后也是一门很大的生意。
程曼祺 Manqi Cheng
比如电商领域的代运营公司，可能本来数字化程度就比较高。淘宝生态里有很多电商代运营公司，很多人过去就是阿里的人，出来做这类服务。
是不是已经存在于这个领域的专业服务公司，加上 Agent，就能达到比较好的效果？不一定非要新公司来做。
夏令
我觉得还是会出现一批新的公司，也不排除原来的公司转型、增加这个能力。
但这里的壁垒仍然是我们前面说的：最高的壁垒，是能不能重塑整个业务流程，甚至重塑组织。
你是一家完全新型的律所，还是只把原来的某个环节升级，这个差别很大。
对代运营公司来说，一个很大的挑战是货和流量都属于别人。长期发展会面临一个问题：到底能做多大？因为货和流量都是别人的，做大之后，别人就会卡你。
另外，这些公司也在思考 Post-Training。Agent 的能力能不能持续进化？
比如模型提供的 Agent 很容易做到 10% 的转化率，但我有自己的训练和迭代能力，能不能在模型做到 10% 时，已经做到 13% 或 15%？我能不能持续迭代？这件事的上限有多高？这是它们正在思考的问题。
但我觉得前面的挑战依然存在。
还有一个有意思的点：在人间法则比较重的地方，Agent 不一定适合做。
Agent 最适合做的是可以标准化、结构化的问题。比如美国财务领域有很多 AI Agent，帮助企业做代理记账、自动关账。
但在中国，财务领域要不要用 Agent？某些环节打补丁当然可以，可是中国有一个很重要的人间法则，也就是潜规则：很多企业需要两套账。
那 AI 要不要帮企业做另一套账？这个问题不是单纯由技术驱动，也不是靠技术就能解决。技术还是应该尽量用在可以标准化、结构化的问题上。
程曼祺 Manqi Cheng
这岂不是印证了那个段子？AI 刚开始火的时候，大家说 AI 不能替代律师、不能替代会计，因为 AI 不能替代人去坐牢。
夏令
所以还是要挑密集场景。最好能够重塑业务流程，甚至重塑组织；其次，竞争对手比较弱，是一些小而散的公司；再次，能用技术解决问题。
程曼祺 Manqi Cheng
你刚才讲的法律和销售案例，都是创始人自己成立服务公司，再用 Agent 服务行业。这样的创始人一般是什么画像？他们是不是在法律或销售领域有很深的积累？
夏令
一定程度上，他们还是要懂这个行业，有行业经验，同时懂 AI。
程曼祺 Manqi Cheng
这种人算很稀缺吗？你们怎么找到的？
夏令
我觉得还是在这个垂直行业里面，还是会有一些人对 AI、对技术这个变化比较敏感，同时又懂这个行业的很多生意。
程曼祺 Manqi Cheng
比如爱语智能的创始团队里，有人来自法律行业，也了解技术。那真正做开发的人是怎么吸引来的？
夏令
创始人本身学习能力很强，自己读论文、学习技术，同时也有核心技术团队，并且和包括通义千问在内的模型公司保持非常紧密的合作。他是一个会编程的律师，懂计算机，来自金融行业，对律所服务的客户场景非常了解。他懂需求、懂业务，但又用 AI 武装了一家新的律所。
程曼祺 Manqi Cheng
像这种垂直 Agent 的机会，你觉得能批量找到吗？你们怎么寻找这些项目？
夏令
我觉得还是有机会批量出现一些项目。各个垂直行业的生产力仍然有很大的提升空间。
但创业公司需要找到适合自己的利基场景。这样的项目可能会批量出现，但每一波最后真正跑出来、做大的公司并不多。最后大家会发现，真正跑出来的往往还是低垂的果实，所以时间紧迫性很强。
程曼祺 Manqi Cheng
先做很重要，对吧？你觉得这类公司能做多大？
如果它在一个利基市场里，掌握了 Agent，通过交付结果获得抽成收入，在中国能做到多大？
夏令
我觉得有机会做到 100 亿美元级别。上一波有很多代表性公司，比如满帮、SHEIN，从另一个视角看，它们都是上一个时代的产业互联网公司。
我觉得这个时代依然有机会产生 100 亿美元级的公司。
现在我确实更看好直接收取抽成的公司。Agent 这个词的本源就是代理完成任务。再加上我们已经看到一批代表性企业，虽然还是初创企业，但已经跑得不错，初步验证了这种模式。
所以我对能够交付结果的垂直领域 Agent 公司，抱有很大期待。
程曼祺 Manqi Cheng
垂直 Agent 还是属于 Save Time 的部分。那 Kill Time 的 Agent 是什么？
大家好像比较少讨论帮助人消遣、消费时间的 Agent。你现在看到它的形态和趋势是什么？
8. Kill Time Becomes New Content
夏令
Kill Time 领域里，我觉得 AI 有很大机会。
以星野、造梦为代表的产品，本质上是虚拟角色互动平台。一定程度上，每个虚拟角色都是一个 Agent，但它和 OpenAI 提出的、建立在 Save Time 基础上的 Agent，内涵有一些差别。
它更多是从人的视角，而不是从任务视角看 Agent。它能不能像人一样陪伴你，给你提供情绪价值？
过去 AI 含量没那么高的时候，陪伴你的可能是一个不会动、没有反应的布偶。后来可能是一只猫或一个宠物，未来可能是一个真的像人一样，能和你进行情感交流的对象。
程曼祺 Manqi Cheng
但在你的视角下，它不是陪伴？
夏令
我们觉得它不完全是陪伴，而是一种新形态的内容。
在现有 Kill Time 产品里，也有很多 Agent，每个角色都可以被用户认为是一个 Agent。今天这些 Agent 更多提供的是情绪价值，而不是真正的情感关系。
技术的边界就在这里。要想实现陪伴，它需要提供情感关系；但这要求它非常准确地把握人的情绪、了解用户，还需要很强的记忆能力，所以技术要求非常高。
今天用户更多是来到平台，找一个像人的 Agent，即时获得一些情感诉求。
程曼祺 Manqi Cheng
也就是说，情绪价值是片段性的？
夏令
对。一方面是情绪价值，另一方面，这种情绪价值很多是通过角色扮演获得的。
我为什么说它是一种新型内容？因为这类内容有一个很大的特点：参与性非常高。它可能是少有的创作者也是消费者，消费者也是内容创作者。
过去不管是抖音、小说还是音乐，都是创作者创作完成后，用户去消费。但这一次，用户参与到创作过程中，每一次交互都是创作的一部分。
过去也有一些雏形，比如《完蛋！我被美女包围了！》、 《底特律：变人》，用户通过选择题引导故事主线，有一定参与度。
但那里面的自由度仍然有限，有非常明确的故事主线和编辑范围。今天这些 Agent 的参与度和自由度都很高，我觉得这是它成为新内容形态的原因。
但它今天的问题是，渗透率和留存率都不高。大家喜欢的内容，第一是高沉浸度，不管是多模态还是剧情化。文字和视频相比，视频更吸引人；有好剧本和弱剧本相比，大家更喜欢剧情化内容。
第二，大家喜欢的内容参与门槛要低。你现在需要输入很多文字，坦率地说，思考并输入文字是很消耗能量的。大家已经习惯休息时打开抖音，什么都不用做，直接看。
所以它虽然是一个参与度很高的新内容形态，但问题是沉浸感不够、参与门槛高，只会在一些核心、比较小众的人群里有较好留存。
对绝大多数人来说，他们还不是它今天的核心人群。
但模型能力会继续发展。它会变成多模态形象，形成多模态交互，剧情化也一定会逐步加入。
程曼祺 Manqi Cheng
这和推理能力有关吗？
夏令
它的沉浸感一定会提升，这是模型能力进步必然带来的变化。
第二，用户的输入门槛也会降低。大家不会再输入大量文字，可能通过选择，也可能通过说话。
但选择的问题是，怎样让用户更好地选择？用户既不想被固定线路框住，又希望有较高参与度，这对推理能力要求非常高。
所以随着模型整体能力提升，它的短板——沉浸度不够、参与门槛较高——一定会持续得到解决。随着这些问题解决，它的渗透率必然提升。
模型能力提升会显著改善 Kill Time Agent 的体验，持续拉升它的渗透率。这种新形态内容，有机会成为新的内容平台。
如果 AI 生成的是现有内容形态，比如短视频或小说，大概率仍然逃不出现有分发平台，还是要去抖音、番茄或起点中文网。但只有新的内容形态，才有可能诞生新的内容平台。
程曼祺 Manqi Cheng
它会是一个平台吗？听你刚才的描述，更像是我和一个 Agent 之间的关系。
夏令
现在不同公司对这件事有不同理解。
一种公司意识到今天的技术边界，所以把它做成一种新型内容。为了满足供给方的不同需求，它提供很多不同 Agent。星野和造梦就是这样，有非常多 Agent，用户可以选择。
Agent 多了之后，有 Agent 创建者，也有消费者，所以它今天本质上还是内容平台。
另一种形态是只有一个 Agent，或者有限的几个 Agent，希望一个 Agent 千人千面地服务不同用户。
程曼祺 Manqi Cheng
你刚才描述的远期形态，我想象中可能只有一个 Agent。它的外形不一定固定，性格也不一定固定，最终生成的结果就是你和它之间的交往和记忆，把它做成千人千面。
夏令
对，最终生成的就是关系本身。
程曼祺 Manqi Cheng
如果对一个用户来说，我在这个 Agent 上投入了自己的时间、心情和情感，那我生成的内容就是这段关系本身。
夏令
对，但这也是今天技术挑战更大的地方。
让 Agent 快速给你带来情绪价值是可以的，但让它建立情感关系还很难。
程曼祺 Manqi Cheng
我说的其实有点接近电影《Her》的状态。
夏令
对，那是难的，今天的技术还很难达到。
程曼祺 Manqi Cheng
如果想得更远一点，这两种 Agent 可能会合并。
如果我有一个类似《Her》里的 Agent，我信任它，和它有很深的关系，那么理论上，生活中很多节省时间的事情也会让它和我一起做，比如逛街、买东西。
如果要招聘一个秘书，首先需要对秘书有极其深的信任。这是不是也会成为一个入口，是巨头必争的地方？还是巨头最开始可能不认为它在自己的主航道上？
夏令
我觉得这件事的技术挑战，可能比从 Save Time 这一边切过来更大。要达到你说的状态，技术需要先达到比较完备的程度。
你需要它先和你建立情感关系，建立极其深厚的信任关系。这和现在直接告诉你“我可以完成哪些通用任务”相比，前者的挑战更大。
程曼祺 Manqi Cheng
但现在帮我做通用任务的移动端 Agent，未来也可能发展成和我有深度关系的 Agent。
随着模型能力提升，它可能先和用户建立连接。最开始也许只是一个无情的打工人，帮用户干活，但随着模型能力提升，关系会变得更深入。
夏令
对。我们刚才想的是比较终极的情况。平台要提升渗透率，首先依赖模型下一代迭代，包括推理、记忆和工具使用能力的提升。
这个产品的用户体验是强技术驱动的。第二，模型能力提升带来的体验提升，优先级比持续提高内容平台上低智能水平的供给更重要。
这又回到前面的逻辑：在 AI 模型快速发展的阶段，首先要确保产品能力建立在最新模型能力的基础上，不要在下一代模型出来后，产品体验和新模型之间出现明显的降维差异。
9. Embodied Intelligence Needs Scaling
程曼祺 Manqi Cheng
接下来讨论具身 Agent。在很多人的语境里，具身智能不属于狭义 Agent，但明势有跨软件和硬件的视角。
最近朱啸虎有一篇访谈讨论 AI 投资，其中一个重要观点是，他们之前投的一些具身公司已经在退出，因为特别不看好具身智能，认为它距离商业化还很远。
你们也投了一些具身公司，比如逐际动力。你怎么看具身 Agent 的成熟度？
如果类比大语言模型从聊天机器人 L1，到推理者 L2，再到 Agent L3，具身智能里所谓 Agent L3 到来的时刻还有多远？节奏会是什么样？
夏令
朱老板一直是投资业绩彪炳、同时也颇有争议的人物，是投资行业的大佬。
我看过他的采访后，觉得他对具身智能目前商业化现实的描述，符合一定现实。但他对具身智能、对人形机器人的结论不看好，我肯定持相反意见。
先看现状。过去几年，具身智能肯定受益于 AI 快速发展，但今天具身智能的智能化水平，坦率地说，还没有达到大语言模型 GPT-3 的那个时刻。
为什么大家把 GPT-3 Moment 当作大语言模型发展的里程碑？因为那一刻让大家看到，智能的泛化性可以通过 Scaling Law 实现。
但今天具身智能的预训练部分还没有收敛。也就是说，怎么做预训练，才能让更多数据带来更好的效果，这件事还没有被验证，还没有找到方法。
所谓预训练没有收敛，是指我们还不知道应该从哪里获得海量数据、用什么方式加工数据、采用什么算法体系，才能实现泛化性并且符合 Scaling Law。
我认为具身智能真正的问题，不是表面上看起来还不能商业化，而是还没有找到一个可以 Scale、可以泛化的东西。
过去几年，具身智能在硬件层面已经迈进很大一步，尤其是工程化成熟度。不管四足、双足，还是今年可能进一步发展的灵巧手，都会有进步。
算法方面，不管是模仿学习还是强化学习的结合，也都让它相比工业机器人、服务机器人有了智能化水平的提升。
但泛化性，尤其是大规模场景的泛化性，还没有得到本质解决。这才是这个行业最大的危险。
我们不希望下一代机器人和上一代机器人一样，最后变成一个垂直行业的集成商。至少在中国市场环境下，做集成商是一门很辛苦的生意，商业上也会遇到很大挑战。
所以今天不是市场没有需求，而是技术成熟度能够实现的商业价值，和大家的预期之间仍有差距。
程曼祺 Manqi Cheng
那你们看到具身 Agent 解决这个问题的出路了吗？你们也投了这类公司，如果解决不了怎么办？
夏令
今天首先是信心问题。
我不排除基于现有硬件、模仿学习和强化学习，具身智能可以找到一些利基市场的 PMF。但因为今天的技术水平和智能化水平摆在这里，肯定和大家预期有差距。
所以在朱老板看来，今天具身智能确实没有 PMF，或者绝大多数场景都没有 PMF。
如果把一个技术从最初的科学发现、技术突破，到工程化复制，再到产品落地，分成 4 个阶段，那么朱老板可能更喜欢找工程转产品，或者产品已经 Ready 的阶段。
但今天的具身智能处于技术转工程的阶段。即使不讨论进入家庭，哪怕去工厂或服务业，它也是技术转工程的阶段，是 Technology-Problem Fit，而不是 Product-Market Fit。
这就意味着，如果你希望寻找 PMF，公司讲的故事可能不符合朱老板的偏好。我觉得这很正常，这件事现在就是半杯水的状态。
如果你以 PMF 为导向去找，确实找不到。但如果你对这个事情有长期预期，认为今天的投资是一个 TPF 状态，是一个早期科技项目，对未来技术突破有信心，也有耐心陪伴它，接受商业化可能需要 3 年、5 年甚至更长时间，那今天仍然有很多企业值得投资。
程曼祺 Manqi Cheng
回到我的问题：从技术到工程这个阶段，能不能转化本身有未知数。你们愿意投，是因为相信它可能转化。
但如果它不能转化，或者 3—5 年都没有走完从技术到产品的阶段，这个行业会怎么样？具身 Agent 会怎么样？
夏令
我投资逐际动力是在 2022 年 8 月。当时我看到 MiniMax 第二代端到端数据驱动模型，在文本领域效果非常好，于是自然会类推，下一个领域是什么？
我从 AI 驱动的角度找到了逐际动力，这是当时最朴素的方法和逻辑。
一定程度上，我们相信这个事情在未来 2—3 年内可以走到类似 GPT-3 Moment。依据坦率地说也是业内人士的直觉。
就像大语言模型领域，大家看到了 L2，所有人都在追 L2，并预计 1 年内实现 L3。我们和真正处于技术一线的人交流后，他们的直觉和信念是：具身智能在 2—3 年内有机会找到可 Scaling Law 的预训练方法，达到 GPT-3 Moment。
但如果找不到，具身智能确实会变成一个巨大的泡沫，存在泡沫破裂的巨大风险。
前面说这是半杯水，它可能永远倒不满。你要不要去赌它，和投资风格、投资偏好有关。
我们投这个项目时，觉得这是一个特别巨大的机会，愿意在很早期出手，去搏一个大机会。从我们的投资思路和理念来看，这是可以承受的风险。
程曼祺 Manqi Cheng
最后，能不能分享一下最近看到的有意思的东西？项目、书、作品都可以。
10. Lessons For AI Investors
夏令
我最近看 AI 应用比较多，软硬件应用都在看。
软件层面，To C 项目会以非常开放的心态去看；To B 领域则更偏重专业人群和垂直领域。我觉得一直会有新的项目涌现。
对于高潜力创业者，我仍然抱有很大的期待和耐心。过去一年多，我看了不少回顾互联网和移动互联网的书，比如《沸腾十五年》，以及讲美团的《九败一胜》等，都很有启发。
这件事的核心是要对年轻人有信心，尤其是高成长性的年轻人，要抱有更大的期待和信心，在他们身上花更多时间。
程曼祺 Manqi Cheng
年轻是怎么识别的？
夏令
我觉得还是看成长速度。
AI 发展这么快，创业者的成长速度一定要比 AI 行业本身的成长速度更快。如果 3 个月后再和他聊，这个人没有显著变化，就意味着他的成长速度不够快。
另外，今天市场上发生的很多事情，历史其实会重复。
比如开源很热时，我觉得值得回顾 Android 的开源，以及上一轮数据库的开源。像《安卓传奇》，以及被投企业 PingCAP 写的《与开源同行》，都值得看。
回顾过去开源企业成功的原因、开源背后的真正价值，再看今天 DeepSeek 做的开源，会得到很多启发。
程曼祺 Manqi Cheng
具体是什么启发？你对开源有什么具体判断？
夏令
不是开源就一定会赢。真正赢的原因，都在开源之下。首先要理解开源的意义和目的。
对数据库公司来说，开源是因为数据库是整个公司业务系统的核心环节，上游和下游都非常复杂。它需要通过开源把相关上下游生态融合起来，降低客户部署成本。
它背后的成功和推动因素，是整个产业云化，同时屏蔽了很多硬件底层。
Android 也不是因为开源就成功。它是在 Google 收购之后开源的，但 Google 最开始讲开源时，没有手机厂商响应。
它最后能成功，是因为 Google 是一家互联网企业，有那个时代互联网企业非常核心的应用，更重要的是，它有基于广告的商业化变现方式来扶持生态。
当时很多人想做操作系统，但问题是怎么吸引开发者。苹果靠的是先发优势和硬件领先，但只有 Google 有办法用商业化激励手段，也就是广告变现，吸引整个应用平台生态。
苹果直到 2013 年左右才跟进广告体系。
所以对开源来说，核心还是要看：基于开源产品，能不能形成自己的飞轮效应。
对数据库开源来说，飞轮效应是开源软件带来丰富应用场景，让产品可靠性更强、适配成本更低、产品体验更好。
对 Android 来说，开源之后建立了开发者生态，以及应用和客户体验之间的飞轮。但这个飞轮离不开 Google 背后的商业化依托。
所以今天评估任何开源项目，包括 DeepSeek 的开源，核心都在于它能不能形成这样的生态飞轮。
单纯模型开源，其实有挑战。因为模型和实际使用之间还隔着一层产品。
中国还有一层复杂性：基础设施是异构的。模型开源有助于异构基础设施生态兼容，这一点会产生比较大作用。
程曼祺 Manqi Cheng
也就是说，你怎么看 DeepSeek 开源的意义？它开源之后，哪些地方可能对现有模型公司产生影响，哪些地方其实没有实质影响？
夏令
比较明显的影响，是开源本身带来的技术影响力，以及对人才吸引的帮助。
但没有实质影响的意思是：模型开源，并不意味着更多人使用开源模型，就一定意味着这个模型会得到更好的飞轮反馈，从而自然推导出下一代更好的模型。
大模型开源本身并不太成立，因为社区反馈不太可能直接帮你把模型训练得更好。
程曼祺 Manqi Cheng
今天非常感谢夏令做客《晚点聊》，和我们分享他关于 Agent 的观察和洞察。
程曼祺 Manqi Cheng
总结来说，夏令比较看好垂直 Agent。因为在通用大模型公司的主航道上，也就是把模型的通用能力推得更高的方向上创业，会比较危险。
而在垂直领域，做最后一公里，把行业里的专业数据和 Know-how 结合起来做产品，可能更有壁垒和护城河。
我们也推演了一个可能在今年下半年发生的、让人觉得有意思和兴奋的场景：各个大公司开始争夺 Agent 入口。
这件事最大的变量，取决于模型能力能提升到什么程度，是不是像大家说的那样，在今年年底或明年年初，真正达到 Agent 所需要的模型能力。
今天谢谢大家的收听，再见。
夏令
再见。
本期连点呈现，继续讨论一下和之前一些节目相呼应的点。一是 Agent 的核心能力，在第 107 期与戴雨森聊 Agent 的那期节目中，他总结了三个核心的能力：推理、编程还有工具使用。这期我们从 Google 提出的 Agents 框架对 Agents 所需的能力做了更多的补充。除了推理之外，Google Agents 白皮书里还提到了很重要的一个能力是记忆。最近 OpenAI 也刚刚发布了全局记忆功能，这可能是 AI 助手从工具到与人建立更深关系的重要一步。而更深的关系本身有可能成为一种壁垒，理论上你用一个 AI 越多，它关于你的记忆越多，它越了解你，你用它也就会越顺手，越离不开它。在工具使用的部分，除了模型本身的能力提升之外，这期我们也比较多地讨论了 MCP 等工具调用协议的生态变化。Anthropic 最初提出 MCP 是为了让自己的模型能够更好地使用更多工具，而目前 MCP 已经是一种相对主流的工具调用方式，OpenAI 也在近期宣布未来会支持 MCP 生态。
二是关于下一代硬件终端，在第 109 期和卡兹克聊他使用 AI 的体验时，我们最后聊到的一个话题就是现在还看不到新的硬件终端，如果还是以手机为终端，AI 应用创业可能很难逃出大厂的阴影。而这次夏令讲了他对 Meta 的一些观察，Ray-Ban Meta 的产品更新、定制芯片的一系列动作以及在 7B 等小模型上的格外着力，似乎都寄托着 Meta 对眼镜成为下一代终端的更大野心。其实在中国的大公司里，阿里、字节也都在模型和眼镜一起做，尤其是阿里的开源模型系列里有很多小尺寸的模型，眼镜是否有望成为独立于手机之外的终端，是个分歧很大的问题。从目前的体验看，它似乎很难接班手机。但另一方面，这个领域的创业公司也层出不穷，大厂也都在发力。在黑莓时代可能很难想象 iPhone，而在 iPhone 之前，苹果也有不成功的掌上电脑产品牛顿。如果真的有新终端，属于新公司的 AI 机会会被大幅扩展，但它到底是什么，答案还在迷雾之中。本期节目就到这里，欢迎收听。如果你对今天聊的话题有观察、好奇或疑问，欢迎在评论区分享想法，这也会成为我们节目的一部分，让整个讨论更完整。你也可以把我们的节目分享给对这个话题感兴趣的朋友，欢迎推荐更多你想听的主题和嘉宾。你可以从小宇宙、苹果 Podcast 等渠道关注“晚点聊 Late Talk”，也欢迎关注我们的公众号“晚点 Late Post”。下期再见。