整理 | 刘倩

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曾在暗涌组织的活动上，和 MiniMax 创始人闫俊杰一起回忆投资故事：在米哈游联创刘伟介绍下，明势第一次见了闫俊杰，那会儿其实大家都没太明白闫俊杰要做什么。“好在，夏令听懂了，回来后说，这个项目一定要投”。夏令也是文生图应用 LibLib.ai 和具身智能明星公司逐际动力的早期投资人。

这一期，我们和夏令聊了 Agent 行业的竞争形势推演。

在他的认知里，Agent 横跨软硬件——除了 DeepResearch、Devin 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。

夏令的观察和判断是，今年下半年开始，围绕入口级 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 产品竞争，主要玩家是掌握超级 App 或流量的大厂和自己能迭代模型的头部大模型公司。OpenAI、Google、Meta、字节、阿里、腾讯都不会放过这个机会，美团、小红书乃至智能汽车领域的理想也都跃跃欲试。

而在早期投资视野里，大多数创业公司的机会可能在于垂直和专业的 Agent。更通用的 Agent 很可能会因处在模型公司主航道上而备受挑战。模型公司的主航道边界在哪儿？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。

图注：Google Agents 白皮书中的能力框架图。

夏令已经投资了一些不同的垂直 Agent 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。因为中国客户更愿意为结果本身付费，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，夏令投资了这个行业，也从他的角度讲了风险：具身最大的危险，并不是朱啸虎提到的目前没有商业化的 PMF，不能去工厂和商店打工、搬砖，而是具身模型的技术还没有收敛，机器人大脑还没来到它的 GPT-3 的时刻。

跨软硬件视角的 Agent & Google 白皮书的里的技术框架

晚点：大家一直在讨论 Agent，这个词现在特别 “热”。但我觉得，在目前这个阶段，可能每个人对它的理解都不太一样。你是怎么定义 Agent 的呢？

夏令：我觉得 Agent 现在来说确实是一个 “明牌”。很多人开始关注 Agent，是因为三月份 Manus 火了。但对我来说，其实从去年下半年就开始关注 Agent 的投资了。另一方面，我觉得 Agent 从一个受关注的技术趋势，变成了所有被投企业，不管是应用公司还是具身公司，都必须高度重视、甚至列为明确研发日程的关键方向，其实是从 DeepSeek 之后。因为 Agent 这个概念并不是最近几个月才出现的，最开始提出这个概念的时间很早，比较有影响力的是 OpenAI，它把整个 AI 的能力从 L1-L5 分成了 5 级。

OpenAI 的 L1 级别相当于聊天机器人（Chatbots），像最开始 chatgpt、豆包、kimi 那种形态；L2 说白了就是有推理能力的 AI，最典型的代表就是 Deepseek。

为什么我说 Deepseek 之后让我对这个事情有很大触动，因为当一个 L2 级别的产品推出时，我们发现它对 L1 级产品简直是降维打击。L1 产品积累了大量的 DAU 和用户，可 L2 产品一出现，优势就没了。这就引出了下一个问题，在这个五级分类里，L3 是 Agent，L2 产品虽然有很强的推理能力来解决问题，但 L3 的 Agent 是一个系统，它能够解决一个任务，这个任务可能要通过完成一系列复杂问题才能达成。当 L2 产品对 L1 产品形成降维打击时，我们自然就会想，L3 产品要是出来，会不会又是一次降维打击呢？这就是一个很有意思的问题——OpenAI 所描述的 Agent 会在什么时候出现？

晚点：所以按照你刚才的逻辑，Deepseek 的出现让大家看到了 L2 对 L1 的降维打击，于是在 L2 阶段，大家已经开始提前在想下一个降维打击会是什么？现在有个大共识，觉得下一个关键可能是智能体类的东西。

夏令：它应该是 Agent，是能解决完整任务的系统。那什么叫 Agent？坦率来讲，现在对 Agent 还没有完整精确的定义，但大概有个雏形：它应该能调用很多外部工具、和外部世界交互、执行一系列动作，中间可能还会和人交互，最终完成人指定的任务。

跟之前 L1、L2 对比来讲的话，它其实囊括了之前的能力，但在维度上又超越了之前的能力。

晚点：所以它其实是统一了自动驾驶、机器人和一些软件应用。

夏令：在我们看来，对 Agent 的这种理解，不仅对 AI 应用或模型有帮助，对自动驾驶、具身智能这些公司也是一样。它可以让这些公司提前看到一些下一个阶段必然会发生的事情，虽然它们交互的环境不同，需要的软硬件技术也不一样，但内核本质是一样的。

但反过来说，是因为大家都很关心 L3 什么时候能到。Manus 这次评测自己能力时，提到了 GAIA 评测体系，其实细看的话，这个体系分三级：

• L1 级可能只调用一个工具，甚至不用工具，做五步以内的有限推理就能解决任务；
• L2 级可能调用若干工具，但步骤少于十步；
• L3 级则要调用非常多的工具，通过一套复杂的任务体系来完成任务。

在 L3 这个层级，Manus 的评测完成率大概只有 50% 多。从这个指标体系来看，我也和一些做大模型相关工作的同事论过，我们觉得可以有个初步的时间预判：Agent 可能达到的效果，有可能在一年之内，更激进的人甚至会说在今年年内（无非就是 12 月还是明年的时间点），AI Agent 或者大模型公司推出的这套技术框架、技术体系、初步产品，应该有可能在 GAIA 评测中至少达到 80% 以上的水平。

晚点：你是说 GAIA 最难的 L3 那一档做到 80% 的水平？

夏令：或者有人更直接地说，可能 80% 的人类工作都能被它完成。这里的 80%，可能指 80% 的岗位，也可能指岗位里 80% 的工作任务，靠大模型公司基于 Agent 的能力就能完成。多家公司预估，这个时间点就在一年内。

这对所有相关公司，不管是模型公司、应用型公司，还是未来的具身公司，都有启发。说残酷点，如果现在不基于 L3 Agent 的实现去思考自己的业务，或者不尽快思考和储备自己 Agent 形态的产品，很可能一年内就会被别人的 L3 Agent 类产品降维打击。

晚点：接下来我们可以验证你观察到的现象，就是大家已经开始关注的 L3 层级 ——Agent 智能体的技术和产品形态，来聊聊那些已经开始萌芽或很快会出现的变化。我觉得可以先从技术角度切入，因为在我看来，模型能力是产品和应用进阶到能帮人完成复杂任务的智能体的基础。

夏令：首先，最积极的方面是整个技术进步的斜率还是非常陡峭的，持续推动着整个 AI 领域，包括 AI Agent 的能力提升。如果具体探讨技术趋势，不妨回到一个更具框架性的体系中。我比较认可 Google 今年初发布的 Agent 白皮书，它对 Agent 尤其是 AI Agent 的能力，提出了一个清晰的框架。

具体来说，这个框架分为三层：AI agent 的内核是 model（模型），也就是我们熟悉的大模型公司最核心的模型能力。但要完成一个任务，需要有一个编排层 —— 首先得告诉 Agent 要做什么，给它明确的指示和目标。Agent 还需要 memory（记忆）能力，包括长时记忆和短时记忆。此外，要完成一系列复杂的推理任务，它必须具备一定的规划和推理能力。最后，作为 Agent，需要与外界环境交互，因此必须能使用大量工具。

所以在 Google 的白皮书里，一个 AI Agent 主要由模型、编排层和工具（tools）三大部分构成。首先看模型层，能明显感觉到预训练持续快速推进，而且模型融合的趋势也很强。还有一点值得关注，多模态技术的进展非常快，大家可能更多关注图像、文本等多模态融合，但声音模态的提升也很显著。近半年来，我在生产场景（不是 Demo 场景）中已经接触到很多接近真人的语音模型，这些模型能传递人的情绪、带有口音甚至方言，交互体验很好，延迟还很低。所以模型层的技术迭代一直没放缓。

接下来重点看编排层，其中一个关键就是记忆。坦率地讲，现在模型原生的 Long context （长上下文）能力还不够。不管是 OpenAI 提供的 128K、64K 的 context 长度，还是 DeepSeek 提供的跟 OpenAI 一样的 Long context 的长度，对于很多想解决通用或垂直场景问题的 Agent 来说都不够。所以我们看到 OpenAI 最近也在发力 memory。

晚点：OpenAI 4 月 11 号的时候刚上了这个功能——全局记忆功能。

夏令：对，Sam Altman 在 Twitter 也提到，记忆可能会成为下一个新的 Scaling Law。所以像我们的 MiniMax，其实也在 Long context 领域尝试基于 Linear attention 打造支持 400 万 token、“海底捞针” 、命中率极高的新模型，也是想解决面向 Agent 的记忆相关问题。

晚点：不过 OpenAI 最近推出的全局记忆功能，理论上是不是没基于新模型？理论上它那个模型的上下文大小应该没有变化。

夏令：所以大家都在猜测它到底怎么实现的。传统的 RAG 命中率肯定不够，而且从静态的 RAG 到 Agentic RAG 的演变，它到底是什么机制？是 context 机制、RAG 机制，还是其他什么？我们都很好奇，我感觉行业里很多人都在猜测，并用自己的方式尝试。

晚点：你被灰度测试到这个功能了吗？

夏令：还没有，但我认识的一个创业者被灰度了，而且他有被感动到。

晚点：他被记忆功能的哪点感动到？

夏令：记忆功能对他职业和性格的描述触动了他内心。它识别出他是 CEO，还精准捕捉到他的管理风格和人性闪光点，这也是我作为投资人很认可他的地方。从工具中提取他过往使用的记忆，最后做出对他个人的总结，我觉得这一点是让人 “wow ” 的时刻。

除了记忆，编排层里还有很重要的规划和推理能力。只有具备这些，Agent 才能真正自主完成任务。现在的情况是：如果任务非常明确，Agent 可能不需要超强推理能力的模型，靠工作流（Workflow）就能做规划和推理。

晚点：Workflow 最近也是一个被频繁提到的高频词，可以解释一下吗？

夏令：简单说，Workflow 和人类日常完成任务的工作流是有差别的。Workflow 本质是基于对人类任务流程的理解，把任务拆解成更细、更多步的、推理的串并联。

比如人类按工作手册完成任务，因为人有智能，所以很多隐藏的信息、知识、包括任务，其实人可以自主的去完成。但现在 Agent 的模型、推理、规划能力还不够，所以面对明确任务时，需要把流程扩展成极细粒度的、连续的、推理的串并联，规避掉现在模型不具备的这些隐藏的认知和推理能力，从而提升任务完成的可能性，以及把目标人群服务的更好。

晚点：简单来说，这是基于模型现有的边界和能力，设计的一套比人更细的 SOP？

夏令：对，可以这么理解，甚至在一个环节里可能不止一个 Agent，所以有时候会遇到 Multi-Agent 的机制。比如一个 Agent 负责整体进度，一个负责情感输出，一个负责数值计算，最后通过串并联协作完成任务规划和推理。

晚点：也可能由不同模型支持？

夏令：目前确实是这样。比如推理用 DeepSeek 或 Anthropic Cloud，情感输出用豆包或 OpenAI 的模型。这其实是一个多模型、Multi-Agents 串并联混用的 Workflow。

晚点：理论上，如果模型能力越来越强，可能不需要这么多步骤或 Agent 协作，单个模型就能搞定。

夏令：理论上来说是的。但越往垂直领域深入，壁垒肯定还是存在的，想做好垂直领域其实并不容易，这是第一点；第二点，壁垒会体现在哪？如果你先发制人，摸索出一套可行的 Workflow，这在一定程度上算是产品定义的壁垒或者说是工程壁垒。但随着 Agent 门槛不断降低，这种壁垒肯定会被削弱，所以未来的壁垒一定会转移到其他地方，比如平台效应，或者新的组织、业务流，而不仅仅是现有的工程本身。

晚点：刚才聊了推理、编排和记忆能力，可以讲讲 Agent 框架中工具使用能力的提升趋势是怎样的，你们有看到什么变化吗？

夏令：我觉得工具的变化最近几个月非常显著，但工具并不仅仅指工具本身，还包括整个工具生态。各家都在做自己的工具，最典型的 MCP 协议，极大扩展了工具生态，让 Agent 能触达的边界显著扩大。但回过头来看，Anthropic 推出 MCP 的初心，并不是为了让其他 Agent 发展的更好，而是为了让自家 Agent 用得更好。但因为 MCP 有行业价值，后来被 OpenAI 等公司接受，慢慢形成了生态。

问题是 MCP 生态形成后，最大受益者是谁？其实还是 Anthropic、OpenAI 这些模型公司。

晚点：你为什么觉得最大受益者是这些模型公司？做 Agent 应用的公司不也是受益者吗？

夏令：因为本身来讲，最需要各行各业 API 接口的其实就是做通用的人。举个例子，对于 Manus 来说，据说它其实内置了 29 个工具。

晚点：我是这么理解的，MCP 是一种协议，比如工具 A 支持 MCP 后，Manus 作为 Agent 应用就能方便地调用它。Manus 集成的 29 个工具里，有多少是原本就支持 MCP 可以直接调用的，还是都由 Manus 自己开发的？

夏令：它在 Twitter 提到过，当时开发时还没有 MCP，应该是 Function call 等方式进行工程化开发的。

晚点：那 MCP 生态变得更繁荣之后，像 Manus 这样的公司就能更便捷地调用更多工具吗？

夏令：对，但问题是对 Anthropic、OpenAI 来说，也是一样的。

晚点：最近我跟一些做 Agent 的人聊，他们提到现在有个瓶颈：当一个 Agent 调用超过 50 个甚至更多工具时，完成任务的质量会大幅下降。现在的问题在于，就算有很多工具支持 MCP 协议，但模型能力跟不上，无法有效调用这么多工具。

夏令：因为 MCP 本质上还是 Function call 机制，当 MCP 多了之后，模型需要从中选择合适的工具，而选择是否准确，完全考验模型能力。这个问题目前确实没解决，但我觉得随着模型能力提升，会逐步得到改善。

但 MCP 这个事情，我们前面提到的整个框架里各个环节的能力都在快速提升，同时 MCP 又搭建起了整个工具生态。这时候就又回到那个问题——谁来做这个通用入口？现在，尤其在中国，所有互联网大厂都想成为通用入口。

通用入口大战，下半年就拉开序幕

晚点：这个观察其实已经从技术趋势演变成了商业竞争的变化。我们可以展开讲讲 Agent 作为通用入口可能带来的变化，或者说你已经看到哪些公司有动作了吗？

夏令：从海外来看，Anthropic、OpenAI、Google 都想成为那个通用入口，都想借助 MCP 生态布局。在国内，阿里、字节、理想、腾讯、美团，甚至未来可能包括小红书、滴滴等公司，都想做通用入口。

这里说的通用入口，不是指它们只做自己核心业务的 Agent，而是定位为能回答问题、写邮件、作图、识别图片等的通用型 Agent。

晚点：理想、美团和小红书也有这样的野心吗？

夏令：小红书目前不确定，但至少理想和美团已经在公开场合明确表达了的。对阿里、字节、腾讯来说，这更是不可能放弃的。但问题是，我们需要这么多入口吗？毕竟用户的注意力是有限的。

晚点：其实微信现在就有点类似这个入口。打个简单的比方，如果把微信看作一个 Agent，你在微信里点开的小程序，就是通过图形界面调用工具的一种形式。

夏令：但关键在于，美团、拼多多、滴滴等曾经从微信九宫格生态中脱离，好不容易才建立独立流量的平台，内心是极度的不愿意再回到其他公司的 “通用 Agent 九宫格” 里，成为被分配调度的资源。

晚点：像腾讯、字节、阿里这类本身处于生态顶端的公司，布局通用 Agent 既是野心驱动，也是一种防守 —— 如果不做，可能在 AI Agent 的新生态里被盖掉了。

夏令：我想，滴滴和美团应该不太愿意将自己积累的司机、商家和外卖骑手被其它公司随意调度。

晚点：不过对它们来说，防守起来其实也不难吧？比如滴滴，它不用自己成为那个入口，要是别的 AI Agent 想实现通过语言交互来打滴滴的车，滴滴不支持不就完了？

夏令：短期内它们肯定不愿意支持。但问题在于，可能会有其他竞争对手选择支持。

晚点：你的意思是说，比如美团和饿了么，如果美团不接入 Agent 生态，而饿了么选择接入并借此提升订单量，可能会倒逼美团跟进。

夏令：但对美团来说，它肯定更希望自己掌控流量和入口，因为大家都知道入口的价值。毕竟在上一个时代，美团从别人的入口获取流量成长为千亿美金的公司，不希望自己很快又变成一个依附于他人的供应链整合公司。

晚点：你大概知道有些公司想做什么形态的 Agent 吗？

夏令：通用 Agent 的产品，可能是手机上的一个 App，但它得是通用 Agent。

晚点：你觉得大厂的竞争会放在手机端，而不是电脑端是吧？毕竟像 Manus、DeepResearch、Computer Use 都更偏云端。

夏令：这还是和用户群有关，使用美团、滴滴的人绝大多数都在手机端操作。或者说适用场景主要在移动端，而且现在还看不到下一个智能硬件终端。

这里面还有另外一个问题：假设下一代智能硬件是眼镜形态，它一定是以 AI 为核心的硬件，那这个硬件的操作系统应该是一个 AI Agent。因为可穿戴设备的空间、续航、性能是有限的，所以大概率只能运行 3B 或 7B 参数的模型，而且只能常驻一个模型。那这是不是一个入口？如果是，入口的可选择性会更小。

晚点：但眼镜成为下一个终端的时间是不是还很远？

夏令：我觉得很有可能是两三年就会发生的事情。

晚点：这算是比较乐观的估计了。不过另一方面，确实看到大厂都在布局智能终端，比如阿里的天猫精灵在做眼镜，字节也在做。

夏令：还有另一个我觉得挺有意思的问题，如果 Agent 真的普及了，可能会对现有商业模式，尤其是各大厂，带来很大挑战。最明显的就是广告 —— 过去很长时间里，互联网广告变现这套模式非常成功。问题是，当我们让 Agent 帮我们完成 “save time” （节省时间）的效率型任务时，人就不再需要主动浏览信息了，广告触达量是不是就会减少？你看 Perplexity 和豆包，它们的搜索结果排序肯定不是 Google 或百度 API 返回的原始结果排序。

晚点：对，搜索这块很典型，比如它们调用了 Google 或百度的 API，但展示的不是竞价排序的原始排序，这就可能导致这部分广告收入减少。

夏令：我觉得面向人类的搜索、推荐逻辑，和面向 Agent 的肯定不一样，这对原本的商业模式确实是个挑战。

晚点：那抖音这种 App 呢？

夏令：它属于 “kill time”（消磨时间）。前面提到的搜索，比如找工作信息、购物信息，这类行为本质上带有 “save time”的属性；而抖音这类应用不同，用户使用时更偏向 “kill time”。我觉得在这种场景下，广告模式反而可能被放大 —— 因为广告可以植入到上下文内容中，比如已经有公司尝试把广告嵌入 AI 生成内容，其转化率比传统模式高数倍。

晚点：模型公司的收益方式主要是订阅吗？

夏令：海外是靠订阅，国内 “save time” 的通用型 Agent 约等于免费。但订阅是好的商业模式吗？或者说订阅是 AI 时代高效的变现模式吗？我觉得这是打问号的，至少广告的变现效率比订阅高，因为广告可调维度更多。

当然，行业初期未必很快找到新变现方式，但这确实是个潜在问题。至少在中国，通用的、“save time” 的，约等于是免费的，那他一定会通过别的商业化方式去变现，而广告在这个领域可能不是好变现的方式。

晚点：你提到很多大公司、中型互联网公司都想做这个方向，谁的机会更大？

夏令：国内来看，字节、阿里、腾讯，甚至小红书，都是今天很重要的流量入口，大概率会努力留在牌桌上；全球范围看，机会属于能拿到一线模型，同时又有比较好的身位的公司。

一线的模型 + 一线的身位，两者结合机会更大。

晚点：在海外公司里，可以说是 Google、微软、Meta？

夏令：首先 Google 肯定会争取，微软之前搞 AIPC 也是在争入口，Meta 同样想争。 我觉得 Meta 手里其实一直握着一系列好牌。当然，Meta 也是家很神奇的公司，这些牌能不能打好一直是个谜。

Meta 有很多先天优势，包括过往投入积累的势能。它有 Facebook、Instagram 这样顶尖的社交平台，在模型层面还是开源领域的领导者。虽然最近 Llama 4 受到诟病，但从之前的投入能看出，这家公司对小模型（比如 7B 参数的模型）一直投入巨大。比如训练 Llama 3 的 7B 模型时，大概用了 15T 左右的数据量，而训练 70B 模型时，用的数据量反而更少。我一直在想，Meta 是不是对小模型有特别的偏好？我大胆猜测一下，这可能和它在眼镜端的布局有关。Meta Rayban 虽然火起来和 AI 没有直接关系，但明眼人都知道，它很可能成为重要的潜在新硬件终端。

咱们之前也聊过，在新硬件终端上，由于资源有限，很可能会形成新的入口。从苹果和 Meta 释放的信息来看，这类终端大概率会搭载 3B 或 7B 参数的模型。如果把 Meta 在模型层面的投入，尤其是对 7B 模型的侧重串联起来看，它似乎正在向自己最有优势的端侧场景倾斜。

晚点：你刚才也提到，端侧的通用 Agent 可能会成为 OS（操作系统），需要常驻内存。

夏令：Meta 为了让智能眼镜真正成为下一代终端，希望摆脱对手机的依赖。目前几乎所有眼镜都依附于手机，这意味着占据手机端通用 Agent 的公司会更有优势。但 Meta 野心很大，想绕开手机单独做一个盒子，打造独立于手机的新终端。

从硬件层面看，Meta 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是定制的。这让我们感觉，Meta 正瞄准把眼镜推成下一代 AI 终端，在软硬件层面都做了超前且大量的投入。像 Anthropic、OpenAI，包括国内的 DeepSeek 等模型能力强的公司，更希望借助模型能力尽快推出下一代模型，引领模型发展，抢占身位。

但对腾讯、字节、阿里来说，因为它们本身身位就在这个地方，比如稍晚几个月推出，对他们来说有没有那么实质的影响？这个可能要打个问号。我觉得云端或者现有手机端的竞争是最激烈的。

晚点：有个问题，如果阿里、腾讯、字节都想做通用 Agent，而它们的生态相对封闭，那如果我作为字节的 Agent，我能跨平台去阿里买东西吗？

夏令：现在国家不是在反垄，鼓励开放吗？我觉得这可能在一段时间内是打问号的事情。

晚点：刚才其实讨论过一种可能性：一开始头部玩家可能不愿意开放，但如果市场上有其他玩家愿意开放，并且通过开放获得了好的效果，可能会倒逼第一名做出调整。

上次我和戴雨森聊，他有个想法挺有意思 —— 他认为在某一技术革命早期，第一个实现 PMF 的产品，有可能是 “甜蜜的诅咒”、陷阱。你觉得如果真有人做成了 Agent 入口，这还会是个 “甜蜜的陷阱” 吗？

夏令：我觉得现在有点偏终局了。

晚点：所以今年下半年就能看到终局的序幕拉开？这么快？

夏令：我觉得很有可能。

晚点：最大的变量是不是取决于模型能力进化的速度？

夏令：可以这么说，以及谁掌握了模型能力。甚至可能比我们预想的更激进 ——To C 通用 Agent 的诱惑对大厂和模型公司来说太大了，可能在模型能力还没完全突破时，大厂和模型公司之间的竞争序幕就已经拉开了。

模型大厂 vs 应用创业，边界在哪儿？

晚点：接下来想聊聊创业公司和创投领域在 Agent 方向的变化。如果判断通用 Agent 入口的竞争很快会到来，这会如何影响新的小创业公司的生存空间？最近大家讨论较多的，是做模型的大公司和头部大模型创业公司（比如 Google、Meta、OpenAI、字节、阿里等），与不做模型、只做 Agent 应用的公司之间的关系和边界问题。

引发这个讨论的一个具体事件，是 GPT-4o 释放了文生图功能，效果非常惊艳，文字处理的一致性也很强。于是大家开始讨论，像之前基于 MidJourney、Stable Diffusion 做的工作流 Agent（包括你们投资的 Liblib），是否会因为 GPT 模型能力的提升而价值降低？

夏令：要回答这个问题，得先看目前 Agent 的能力边界在哪，以及模型公司的能力边界到底在什么地方。其实不管是 DeepResearch 推出后如何看待 Perplexity，还是 GPT-4o 推出后如何看待 MidJourney 和 Liblib，这些问题本质上是类似的，那时候的 “模型”其实是打引号的。我们可以回到 Google 白皮书提出的技术框架，这个框架能帮助我们理解模型公司的布局和 Agent 产品的能力边界。

晚点：就是我们前面讨论的模型本身的能力，包括推理、记忆、目标理解的编排层能力，以及工具使用能力，这些大模型公司可能都会自己做了。

夏令：其实 Anthropic 也发布过类似白皮书，不管是推 Computer Use 也好，还是推 MCP 也好，从这个框架能看出，模型公司不仅仅只做 Agent 模型本身。

• 首先模型层肯定在持续优化提升，推理能力在去年底到今年初随着 o1 模型的突破有了显著进展，以及之前垂直领域公司可能用 Workflow 实现任务，现在 Workflow 里很多环节可以直接用 AI 完成了。
• 记忆方面，MiniMax 和其他公司都在努力提升。比如 MiniMax，通过 Linear Attention 技术支持 400 万 Token，同时能精准命中。
• 工具层面，模型公司也没闲着。MCP、Computer Use、包括 Google 也在做 extension，还有 OpenAI 早期的 Function call，都是在工具整合上的动作。所以对模型公司来说，所谓 L3 阶段的 “模型”，其实已经涵盖了整个技术框架。

晚点：其实是 “模型 + 其他能力模块”，边界就已经扩展了。

夏令：对，所以现在模型公司推出来的可能像是一个 “博士毕业的应届生”—— 既有丰富知识储备，又能处理常识性任务，比如查信息、完成日常的任务，只要是基于通用工具的任务，它都能做。

但应届生和专业人士的区别很明显：第一，专业人士可能在模型能力（类似 “智商”）上不如博士，但拥有行业专属的思维方式和工作流，这是应届生没有的；第二，专业人士积累了行业内的大量数据、知识和经验，类似 “长短期记忆”；第三，专业人士能熟练使用领域专属工具。

通常看 AI，模型公司会用坐标轴来表述 ——X 轴是泛化性，Y 轴是精确性。泛化性对应的是通用能力，精确性对应的是专业能力。从这个角度讲，模型公司现在就是在打造泛化能力越来越强的 “应届生”—— 能凭借知识、推理和常识处理 80% 的通用任务，那剩下的 20% 其实就是偏专业领域的。

GPT-4o 也是一样的，它的定位一定是通用型的，而不是专业方向。因为很明显像你我这样的普通用户（非专业人士）对图片生成的需求是 “一步到位”—— 不太在意细节，对质量要求也不高。但专业人士不一样，他们清楚成果需要一步步打磨，对细节和质量有很高要求。

晚点：我能不能这么理解：在你的逻辑里，GPT-4o 出来后，对即梦的冲击可能比对 Liblib 更大？因为 Liblib 服务的是广告设计等领域的专业人士，而即梦是面向 C 端的文生图应用。

夏令：文生图产品如果瞄准大众市场，必然会受到模型厂商的冲击 —— 毕竟模型公司从 L1-L3 的升级，本质上就是在引领通用化趋势，离通用主航道越近，冲击越大。

晚点：以 OpenAI 为例，它本身就有 C 端产品，这次 GPT-4o 推出文生图功能却没开放 API，就相当于你想套我的壳，都不给机会。

夏令：我觉得之后可能会开放 API。

晚点：后面可能会放吧，但目前这个阶段他肯定是想靠独一份的功能吸引 C 端用户，这是它的策略。

夏令：但对专业人士来说，GPT-4o 的功能远远不够。所以从产品本身来看，创业公司要么服务专业人士提供垂直工具，要么服务场景做 Agent。但本质上都是在规避模型大厂从 L1 到 L3（无论语言、图片还是视频领域）的主航道竞争。毕竟离大厂主航道太近，对创业公司肯定不利。

晚点：你怎么看 4o 发布之后，Adobe 的股价大跌，你觉得这是市场恐慌吗？

夏令：其实这反映了资本市场对于 Adobe 未来前景的看法。Adobe 虽然表现的在积极追赶 AI，但实际产品加 AI 的效果很差。资本市场对这件事的反应，我觉得背后可能有两层逻辑：

• 第一层，长期来看，大家认为文生图这种新 Workflow 可能会对 Adobe 原有的 Workflow，以及基于此的所有软件产生重大影响，甚至颠覆。
• 第二层，其实 GPT-4o 并没有直接影响 Adobe。从图像编辑市场来看，Adobe Photoshop 作为行业鼻祖，最初从专业人群起步，然后逐步泛化。而另外两类公司则抓住了不同的细分机会：一类是以 Canva 为代表的工具，随着社交媒体兴起，满足了市场人员对低门槛图像编辑工具的需求（他们不会用 Photoshop，需要简化操作）；另一类是随着手机等消费电子普及崛起的美图秀秀，瞄准普通 C 端用户的图像编辑需求（比如美颜）。

可以看出，整个市场是从专业到泛化的过程。这也说明，只要在某个具体需求层面深耕，创业公司依然有机会开拓市场。

还有个很有意思的点：从月活来看，这三个市场（或三家公司）的数据差异很大。Adobe 创意套件全球月活大概 1 亿多人，Canva 约 2 亿多人，美图秀秀全产品线如果没记错是 2 亿多人。但三者的价格差距很大 ——Adobe 正版最贵，每月约 50 多美金；Canva 约 10-15 美金；美图秀秀最便宜，可能只要 2-3 美金。付费率方面，Adobe 付费率最高，Canva 用户其次，美图秀秀付费率最低。因为越是面向泛 C 端用户，大家越倾向于使用免费产品。

说回 Adobe，我之前的观点是：它的 Workflow 很可能被文生图颠覆，而 GPT-4o 推出后，大家对这个判断的信心更强了。原因在于，Adobe（尤其是 Photoshop）的崛起，本质上是因为开创了图层编辑模式 —— 基于图层叠加、滤镜等工具，确立了图像编辑的标准 Workflow。但文生图的逻辑里已经没有 “图层” 的概念了。

再看 Liblib 这家公司，我认为 GPT-4o 的基模提升之后，反而利好 Liblib 这类瞄准专业用户的文生图公司，帮助它们进一步抢占市场。因为 Liblib 超过一半的用户是专业人士，他们需要基于 LoRA 生态选择审美和风格，而风格与审美恰恰是 Liblib 的核心壁垒 —— 这些很难被 GPT-4o 这类 AI 直接取代。

此外，基于 GPT-4o 的交互创新（如 Prompt、ControlNet）可以帮助专业设计师更快产出高质量作品，甚至达到 Photoshop 的效果。所以在我看来，Liblib 可能会更快转型为 Agent 公司，以文生图为核心重构 Workflow，整合 LoRA 生态、人机交互和各类工具（包括 Photoshop），逐步抢占专业市场。

晚点：模型公司和 Agent 应用公司的边界在哪？

夏令：关键在人群区分，模型公司其实都有服务泛 C 端用户的野心，它们会把 Agent 的能力做到能处理 80% 的通用任务 —— 只要是通用型任务，模型公司肯定会去做。但面对专业、垂直领域的任务，它们会选择降低应用层 Agent 的门槛，因为可能 80% 的任务或业务流程，直接被 Agent 模型包揽。

但他们不会两者都做，因为从框架层面讲，越想做专业的事，所需的工作流程、推理能力、工具、数据就会越垂直、越长尾，这会导致成本越来越高。说白了，模型公司的核心产品特点是基于某种能力，通过泛化让整体边际成本变得很低。

晚点：如果用以前比较流行的话说，就是解决 “最后一公里” 的问题。

夏令：“最后一公里的问题” 模型公司不会去解决，因为这不是它们的优先级 —— 它们更想服务泛 C 用户。所以我觉得，针对专业人群的工具和垂直行业的 Agent，模型公司不会碰，但会去赋能。

晚点：在你的逻辑里，像 Manus 这种主打通用 Agent 的产品，未来的机会有多大？它是不是很可能处于模型公司的主航道上？

夏令：我觉得 Perplexity、Manus，某种程度上都离模型公司的主航道非常近。所以我挺关注这些公司的数据增长情况。

垂直 Agent 创业机会

晚点：接下来可以详细聊聊垂直 Agent 领域的机会 —— 你们已经关注甚至投资了一些项目。在你的逻辑里，通用 Agent 更适合大公司或掌握模型能力的玩家，而对大多数纯做应用层的创业公司来说，垂直领域的成功概率可能更高？

夏令：我们关注的核心机会其实就两块：一是“save time”，但必须深耕专业人士的垂直场景；二是“kill time”，偏向文娱、新内容类。我们前面讨论的 Perplexity、Liblib 等，其实都属于专业工具范畴。

晚点：这些都是帮你节省时间、提升效率的。

夏令：对，但现在垂直领域 Agent 的关注热度上升，部分原因是 DeepSeek 等模型公司火了之后，引发了老板们的技术焦虑。这种焦虑下，最大的受益者可能是 RPA（机器人流程自动化）—— 老板们分不清 AI 和 RPA，只知道这个东西是自动化的，提效了、有帮助了，比较直接的缓解了一些老板的技术焦虑。

第二点是，现有 SaaS 和企业信息化公司正在基于模型能力 “打补丁”—— 比如酷家乐、神策、易快报等我们投资的公司，都在组建 AI 团队，都在把 AI 能力和现有的产品做结合。但这对创业公司来说不算机会，因为本质上没有改变原有业务逻辑或工作流。

还有一点是，我们看到美国有很多瞄准垂直行业的 Agent 创业公司，但我觉得中美之间还是有很大差异的。所以回到我们的视角，垂直领域的 Agent 创业公司机会究竟在哪里？其实有一些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 的经验教训是相关的。

在中国，大家都知道 SaaS 不好做，垂直 SaaS 更难。一方面，真正愿意为 SaaS 付费的企业很少，付费数量少、付费能力有限；另一方面，中国企业通常更愿意为效果付费，而不是效率。中国企业能接受的效果主要有两种：一是提供信息，比如销售线索、招聘信息、货物信息等，让企业自己完成后续流程；二是直接交付结果，这就意味着，创业公司大概率需要直接交付结果，而不是像美国那样走 SaaS 卖工具的逻辑。

那么，如何找到机会呢？基本有这几条：

• 第一，重塑业务流程。如果不重塑流程，大概率只是 “现有公司 + AI” 就能做，比如 SaaS 公司加 AI，而不是一家原生的 AI 创业公司。举个例子，比如服装行业，过去很多人想做工厂数字化改造，但真正成功的是 Shein。Shein 通过自身的订单需求，带动上游供应商逐步接受信息化改造。但 Shein 的出发点并不是为了做服装信息化，而是为了更好地卖衣服 —— 它希望实现小单快返、减少库存，这就需要供应链的支撑。而供应链要满足这个需求，必须进行信息化改造，因为只有这样才能将前端的促销信息和供应链的加工进度信息匹配起来。
• 第二，选择 “讨巧” 的领域。比如那些 “小散”、竞争对手弱的领域。为什么这些领域一直 “小散”？核心原因就是业务非标、难以结构化，导致无法规模化。这时候就要看这波 AI 能否把以前不能标准化、难以结构化的东西标准化、结构化，从而实现规模化。如果能做到，而竞争对手又是那些没有工程、研发和产品能力的传统小散企业，就有机会；
• 第三，先摘 “低垂的果实”，不要对 AI Agent 的能力期待过高。就像移动互联网时代的满帮，它只是把货运信息的 “小黑板” 变成了撮合平台，就只做了这一件事，这就是上个时代最低垂的果实。后来满帮也尝试了其他业务，但都遇到非常大的挑战。

从这几个例子能看出，真正有机会的公司，关键在于能否重塑整个业务流程甚至组织架构，这是最有价值、壁垒最高的方向。如果切入的领域本身小而散，竞争对手弱，同时又是 “低垂的果实”，就更容易 “起牌”，或者说这样的切入点更有利于创业公司发展。

晚点：你有看到具体例子吗？

夏令：我举两个，一个是律师，一个是销售领域，中美在这两方面的差异都很大。

晚点：是指服务律师和销售的 Agent 吗？

夏令：对，我们可以对比一下。在美国，不管是 Harvey 还是做 SDR（销售 Agent）公司，都是按席位收费，一个席位大概 2000 多美金一个月。它们的核心价值就是帮用户节省时间，服务的是主流市场 —— 比如法律行业的合同审查、销售行业的 SaaS 软件销售，它属于辅助人类的工具，收取的是席位费。比如 AI SDR 按调用量收费，超过一定次数额外加钱，一个 SDR 每月大概 2500 美金；Harvey 帮你做合同审查或问题确认，也是类似模式。

晚点：所以这和律所里负责合同审查的团队人数无关，主要和使用量挂钩。

夏令：用了这类工具后，企业可能会减少相关岗位的招聘数量，本质上还是提效。可以看出，美国走的是典型的 SaaS 工具路线 —— 辅助人类、提升效率。不为结果负责，只为效率付费。

但中国不一样，中国的是把整个业务环节承包下来，直接交付结果，然后收取按 take rate 的抽成，抽成比例大概在 10%-30% 之间，不同公司和业务有所差异。同样以法律和销售行业为例，中国的创业公司会挑选利基市场，选择特定品类，把整个业务环节完整外包出去并收取抽成。还有一点，中国的 Agent 不是辅助人提效，而是替代专业人士或指导新手 —— 让小白也能完成专业人士的工作。这是中美之间很大的区别。

晚点：能讲得更具体点吗？比如说，现在有哪些事 AI 能干，还能完全代替人赚钱呢？

夏令：我们去年底投资的艾语智能，这是一家 AI Agent 公司，同时它也是一家律所。它找了个利基市场，专门服务金融机构，接手金融机构里对私和对公的批量诉讼案件。以前，这类案件数量庞大，传统律所只能靠堆人来处理。但人力是有成本的，所以大量小额案件或者陈旧案件，就没人愿意去做。

晚点：银行也懒得找律所打这些官司？

夏令：对，因为律所考虑成本，也不会接这些案子。

晚点：主要是追账类的官司吗？

夏令：各种各样的追账、违约类官司都有。结果是，艾语智能在三月份一个月就立案了 1.5 万起案件。要知道，中国最大的律所一个月可能也就立案小几百起诉讼案件。

可以看到，艾语智能是一家独立的律所，和传统律所比起来，它的业务量提升可能达到 100 倍甚至更多。它是为结果负责的，不管是处理对私还是对公的案件，只要追回来欠款，它就从还款里抽取 30% 作为自己的 take rate。

晚点：顺着这个思路往下想，假如我本来就经营着一家规模比较大的律所，要是我能把 Agent 运用得很好，不自己开发，就单纯用好现有的 Agent，能不能达到和那些新型律所相似的效果？

夏令：从理论上来说，确实是有可能的。但实际操作，要从一个靠专业知识和销售关系驱动的公司，转变成一家技术驱动型的公司，这中间的转型挺难的。

晚点：再比如说电商领域，我推测有些电商代运营公司的数字化程度可能相对较高。像淘宝生态里就有不少电商代运营公司，很多还是以前阿里的人出来做的。在这种领域，是不是本来就存在于这个领域的专业服务型公司，只要加上 Agent，就能取得比较好的效果，倒不一定非得有新公司来做这件事？

夏令：我觉得还是会有一批新公司涌现出来，当然也不排除原来的公司会转型，然后增加这方面的能力。但这里面的关键，就像之前说的，最高的壁垒在于你能不能重塑整个业务流程，甚至重塑组织架构。你是一家全新模式的律所，还是仅仅对原来的某个环节做了升级，这两者的差别挺太大的。

就拿电商代运营公司来说，它们面临的一个比较大的挑战是，货物和流量都掌握在别人手里。所以从某种程度上讲，它们在长期发展过程中会受限，不知道自己到底能做多大规模。因为一旦业务规模做大，人家就可能会来限制你。

还有第二点，现在大家都开始关注 Post-training。这些公司就在想，AI Agent 的能力能不能实现自主优化。比如，用一个 Agent 可能很容易就能做到 10% 的转化率，但要是它有自优化能力，在模型提供的 Agent 做到 10% 转化率的时候，能实现 13%、15% 的转化率。能不能持续迭代？以及上限会有多高呢？这是他们正在思考的问题。

另外还有个挺有意思的点，在一些 “人间法则” 比较重的地方，Agent 不一定适用。我之前也提到过，有些事 Agent 适合做，也有些事它最好别碰，或者说不一定能做成。就像在美国，有很多 AI Agent 能帮忙做代记账、自动关账。但在国内，财务领域就有点不一样。在国内，很多企业都有做两套账的情况，那 AI 要不要帮忙做另一套账？这背后的法律风险、业务风险都不小，我觉得不太适合中国公司去轻易尝试。

“人间法则” 不管是潜规则也好，主观因素也罢，它不是单纯靠技术就能解决的问题。我觉得技术还是更适合应用在那些可以标准化、结构化的问题上。

晚点：kill time 的 Agent 是什么？其实我感觉大家很少讨论那种能帮你消遣、打发时间的 Agent。你现在看到的它的形态、趋势是什么？

夏令：在 kill time 这个领域，我们觉得 AI 还是有挺大机会的。就拿星野这类虚拟决策互动平台来说，从某种程度上讲，每个虚拟决策都相当于一个 Agent。不过，它的 Agent 内核和 OpenAI 提出的基于 save time 的 Agent 内核有些差别。它能不能像人一样陪伴你，给你提供情绪价值？它更多是从人的视角出发，而不是从完成任务的角度来看待这些 Agent。

晚点：就类似于，以前没那么多 AI 含量的时候，陪你的可能是个布偶，它不会动，也没什么反应。后来可能是猫咪、宠物，那未来可能出现真的像人一样，能进行情感交流。

夏令：不过在我们看来，这其实不算真正的陪伴，只是一种新形态的内容。现在 kill time 领域里的这些 Agent，目前更多能提供的是情绪价值，还没办法建立真正的情感关系。我觉得目前技术的边界在这个地方。

因为陪伴在一定程度上是需要建立情感关系的，但这对把握人的情绪、了解人，甚至记忆等方面要求很高。所以现在更多是用户到平台上，找个像人的 Agent，即时地满足一下情感需求。

晚点：情绪价值更片段、更短期，可以这样说吗？

夏令：一方面是情绪价值，另一方面，很多时候这种情绪价值是通过角色扮演获得的。

我之所以觉得它是新型内容，是因为这类内容形态或 Agent 有个很明显的特点，就是参与度非常高。可以说，这可能是少有的创作者也是消费者，消费者也是创作者的情况。以前像抖音、小说、音乐，说白了都是创作者创作完，你去消费。但现在，你参与到了创作过程中，每一次互动都是创作的一部分。之前也有一些类似的雏形，比如《完蛋！我被美女包围了》《底特律：变人》这些，你可以通过选择题引导故事主线，有一定参与度。但在这些作品里，核心的自由度还是有限的，而且有明确的故事主线和编辑范围。但现在这些 Agent 的高参与度、高自由度非常突出，我觉得这就是这类内容的特点。因为有这个显著特征，它就有机会成为一种新的内容形态。

不过，这种内容目前也存在问题，就是渗透率和留存率不高。因为现在大家喜欢的消费内容，一是要有高沉浸度，不管是多模态的形式，还是剧情化的方式，都得让人沉浸其中。用文字和视频呈现，肯定是视频更吸引人；有好剧本和弱剧本，大家肯定更喜欢剧情丰富的内容。所以，大家喜欢的内容得有很强的沉浸感；第二点，大家喜欢参与门槛低的内容。毕竟现在你得输入一堆字，说实话，想象一下打字都挺耗精力的，大家已经习惯了直接去消费内容。就像休息的时候打开抖音，啥也不用干，看看就行。

所以说，虽然现在这种内容因为高参与度，是一种很显著的新形态，但它的问题在于沉浸感不够，参与门槛又高，所以只会在一些核心用户群体里有较好的留存。不过，模型技术在不断发展，它自然会变成多模态的形象，实现多模态交互，剧情化也肯定会逐渐加入。

晚点：这和推理能力有关吗？

夏令：肯定有关。所以，它的沉浸感肯定会提升，随着模型能力进步，这是必然的。第二点，肯定会降低用户的输入门槛，以后大家不用再打字了。可能通过选择，也可能通过说话。但选择的时候又有问题，怎么让你更好地选择，既不被固定线路限制，又能保持高参与度，这对推理能力要求很高。所以等模型整体能力提升后，沉浸感不够和参与门槛高这些短板肯定能持续解决。随着这些问题解决，它的渗透率必然逐步提高。

我觉得，模型能力提升后，kill time 的这些 Agent 体验会明显变好，从而拉升渗透率。这种新形态的内容，是有机会发展成新的内容平台的。要是用 AI 生成的是现有的内容形态，比如短视频、小说，那大概率还是离不开现有的分发平台，还是会在抖音、番茄小说、起点中文网这些平台发布。但只有形成新的内容形态，才有可能诞生新的内容平台。

晚点：接下来咱们聊聊具身 Agent。好多人在说 Agent 的时候，都没有把具身算在狭义的 Agent 里，不过明势在这方面有跨软硬件的独特视角。最近，具身相关的话题讨论挺多的，像朱啸虎之前有个访谈，聊 AI 投资的时候就提到，他们之前投了一些具身公司，现在都在退出，因为他们特别不看好具身智能这个方向，觉得离商业化还非常远。你们也投了具身相关的公司，那你怎么看具身 agent 的成熟度呢？咱们之前说大语言模型的能力，从聊天机器人 L1，到推理者 L2，再到 Agent L3，具身 Agent 要达到 L3 这个阶段，大概还得多久？会是什么样的节奏表？

夏令：朱老板一直是一个投资业绩炳然，同时又颇有争议的人物。我看了他的采访之后，觉得他对具身智能商业化现状的描述，确实符合实际情况。不过他不看好具身智能和人形智能机器人这个结论，我持相反意见。

先看现状，具身智能在过去几年确实受益于 AI 的快速发展。但坦率地说，如今具身智能的智能化水平还达不到大语言模型 GPT-3 的 moment。大家把 GPT-3 moment 视为大语言模型发展的里程碑，是因为那一刻它让人们看到智能的泛化性可以通过 Scaling Law 的方式实现。而现在具身智能的预训练部分尚未收敛。预训练没有收敛的意思是说，就是还没找到获取海量数据的方法，也不清楚该如何加工数据，以及用什么算法体系能实现泛化性、而且可以 Scaling Law。

晚点：所以你认为，具身智能的真正问题，不是表象上的现阶段无法商业化，而是还没找到可去 scale、可泛化的路径。

夏令：过去几年，具身智能在硬件层面，尤其是工程化成熟度上有了很大进展，四足、双足机器人发展迅速，今年灵巧手技术预计也会有突破；算法层面，模仿学习与强化学习的结合，相比过去的工业机器人、服务机器人，也提升了智能化水平。但在泛化性，特别是大规模场景的泛化能力上，仍然没有实质性突破。

晚点：这才是这个行业最大的风险？

夏令：对，我们不希望下一代机器人和上一代一样，只能成为垂直行业的集成商。现在不是市场没有需求，而是技术成熟度所能实现的商业价值，和大家的预期存在差距。

晚点：那该如何解决具身智能 Agent 的这些问题？你们也投资了相关公司，如果解决不了又该怎么办？

夏令：我认为现在关键是信心问题。基于现有的硬件以及模仿学习与强化学习技术，具身智能或许能在某些利基市场找到 PMF 点，但以当前的技术水平，和大家的预期肯定有差距。所以在朱老板的眼中，具身智能确实目前还没有达到 PMF，或者在绝大多数场景下都没达到。

从科学发现、技术突破、工程化复制到产品落地这四个阶段来看，对朱老板来讲，现在的具身智能处于技术向工程转化的阶段。对于大家期待的应用场景，无论是家庭、工厂还是服务业，它都处于技术转工程的阶段，也就是 knowledge and problem fit 的阶段，而非 product and market fit 的阶段。所以我觉得目前的具身智能就像半杯水的状态。

如果以寻找 PMF 为目标，确实很难找到合适的投资标的；但如果对具身智能的长期发展有信心，把投资看作早期科技项目，相信技术会实现突破，也愿意耐心等待商业化落地（可能需要三到五年甚至更久），那现在仍有很多企业值得投资。