2025年，人工智慧這東西可不再是實驗室裡的“花架子”，也不是咱們手機裡只能聊聊天的小玩具了。它正憋著一股勁兒，從“能說會道”的技術概念，變成真真正正能幹活、能賺錢的生產力。就像咱們常說的“科技改變生活”，這波人工智慧的浪潮，核心主角就是智慧體，它已經成了大模型從技術走向實用的主要形式。
先給大家甩兩個硬核資料，直觀感受一下人工智慧行業有多火。中國資訊通訊研究院的魏凱所長說年咱們國家人工智慧核心產業規模就超過了9000億元，增速高達24%。啥概念？這就好比你去年開了個小超市，賺了90萬，今年直接就賺了111.6萬，而且這還只是核心產業的錢，沒算那些沾邊的上下游行業。按照這個勢頭測算年這個數字有望突破1.2萬億元。這可不是小數目，說明人工智慧這行已經從“小眾試水”變成了“大眾淘金”，越來越多的企業和資本都盯上了這塊肥肉。
那為啥人工智慧能發展這麼快？關鍵在於大模型的能力“開掛”了。魏凱所長提到，從信通院的測試資料來看年的大模型，在語言理解和多模態理解這兩項核心能力上，提升可不是一星半點。語言理解能力漲了30%，多模態理解能力更是暴漲50%。可能有人要問了，這倆能力是啥意思？咱們用大白話嘮嘮。
語言理解能力，就是大模型能不能聽懂人話、看懂文字。以前咱們跟智慧音箱聊天，你說“幫我開啟窗簾”，它可能會懟你一句“我沒聽懂”；你要是說“今天天氣不錯，把窗簾拉開透透氣”，它更是一臉懵。但現在不一樣了，經過30%的能力提升，大模型能精準get到你的言外之意。比如你跟它說“我明天要去上海出差，幫我看看天氣，再推薦個離虹橋機場近的酒店”，它不僅能告訴你上海明天的氣溫、要不要下雨，還能根據你的預算，推薦幾家評分高的酒店，甚至能幫你對比一下哪家的早餐好吃、哪家的健身房免費。這就是語言理解能力提升帶來的好處，從“答非所問”變成了“貼心小助手”。
多模態理解能力，就更厲害了。“多模態”說白了就是能同時處理文字、圖片、音訊、影片這些東西。以前的人工智慧，要麼只能看文字，要麼只能看圖片，是“偏科生”。比如你給它一張貓咪的照片，它能認出是貓，但你要是再配上一段“這隻貓是我昨天在公園撿的，它好像有點感冒”的文字，它就沒法把圖片和文字結合起來分析了。現在經過50%的提升，大模型成了“全能學霸”。你給它發一段短影片，影片裡有個人在做紅燒肉，旁邊還有食材清單和步驟解說，它能一邊看影片，一邊對照食材清單，告訴你“第三步放冰糖的時候，火開大了，容易糊鍋”，還能根據你的口味，建議你“可以加點八角和桂皮，香味更濃”。這種能跨領域處理資訊的能力，就是多模態理解能力，它讓人工智慧離咱們的生活更近了。
除了這兩項能力，大模型的推理、程式設計能力也實現了“又好又快”的發展。推理能力，就是能不能根據已知條件，算出未知的結果。比如你問它“小明有5個蘋果，小紅比小明多3個，小剛的蘋果數是小紅的2倍，小剛有多少個蘋果”，以前的大模型可能會算錯，現在不僅能算對，還能給你列出詳細的計算步驟。程式設計能力就更實用了，以前程式設計師寫程式碼，得一行一行敲，現在只要跟大模型說“我想要一個能統計學生成績的小程式，能輸入姓名、語文、數學、英語分數，自動算出總分和平均分”，大模型幾分鐘就能寫出程式碼，還能幫你除錯，告訴你哪裡有bug。
正是因為大模型的這些能力都突飛猛進，才為它的實用化打下了堅實的基礎。而智慧體，就是站在大模型這個“巨人肩膀”上的產物，它甚至展現出了“數字勞動力”的雛形。啥叫“數字勞動力”？就是像咱們打工人一樣，能按時上班、按點幹活，還不用發工資、不用休年假的“虛擬員工”。這可不是天方夜譚，現在的智慧體，已經能幫咱們幹不少活了。
智慧體主要分兩大類，一類是通用智慧體，另一類是專用智慧體，咱們一個個說。
先說說通用智慧體，這類智慧體就像“萬金油”，啥都能幹一點，不挑活兒。文中提到的Genspark、Manus、Minmax Agent、釦子，都是這類智慧體的代表。它們最擅長的場景就是網頁互動、資訊整合、調查研究這些事兒。可能有人會說，這些活兒聽起來挺簡單的，咱們自己也能做啊？那你可就小瞧它們了，它們幹活不僅快，還比咱們仔細。
舉個例子，你要是想做一份“2025年國內新能源汽車銷量報告”，自己做的話，得先開啟十幾個汽車網站，一個個找資料，然後複製貼上到Excel裡，再去重、求和、做圖表，忙活一整天可能還搞不完。但交給通用智慧體，你只要說一句“幫我做一份2025年國內新能源汽車銷量報告，要包含比亞迪、特斯拉、蔚來等品牌的月度銷量資料”，它就能自動去各大汽車網站、新聞平臺爬取資料，自動去重、整理，還能生成柱狀圖、折線圖，告訴你哪個品牌銷量最高，哪個月是銷售旺季，甚至能分析一下銷量上漲的原因。更厲害的是，據信通院測試，這種高度封裝的通用智慧體產品，效能比頂級大模型還要好。就好比頂級大模型是個厲害的廚師，但只會做菜；通用智慧體不僅會做菜，還會買菜、洗菜、洗碗，一條龍服務，效率自然更高。
再說說專用智慧體，這類智慧體就像“專業選手”，只盯著一個領域深耕，別的活兒一概不接。比如程式設計、法律、人力資源這些垂直場景，就特別適合專用智慧體發揮作用。它們不像通用智慧體那樣“啥都會”，但在自己的專業領域裡，絕對是“天花板”級別的存在。
咱們舉幾個例子，感受一下專用智慧體的厲害。在程式設計領域，有專門的程式設計智慧體。以前程式設計師寫程式碼，遇到複雜的演算法，可能要查好幾本參考書，debug（除錯程式）的時候更是頭髮都要掉光。現在有了程式設計智慧體，你只要把需求告訴它，比如“我要寫一個人臉識別的演算法，能在影片裡實時捕捉人臉，還能判斷性別和年齡段”，它就能幫你寫出核心程式碼，還能告訴你哪些地方可以最佳化，哪些地方容易出錯。甚至在你寫程式碼的時候，它還能實時提醒你“這個變數名起得不好，容易混淆”“這段程式碼可以簡化，執行速度會更快”。
在法律領域，專用智慧體更是大有用處。比如律師處理案件，要查很多法律法規和判例，以前得泡在圖書館裡翻書，現在有了法律智慧體，只要輸入案件的基本情況，比如“張三借了李四10萬塊錢，寫了借條但沒寫還款日期，現在李四想要回錢，該怎麼辦”，智慧體就能立刻調出相關的《民法典》條文，還能找到類似的判例，告訴律師“李四可以隨時要求張三還款，但要給張三合理的準備時間”“如果張三拒不還款，李四可以向法院提起訴訟，需要準備的證據有借條、轉賬記錄等”。這不僅能幫律師節省大量的時間，還能避免因為遺漏法條而導致的失誤。
在人力資源領域，專用智慧體也能幫大忙。比如HR招聘員工，要篩選簡歷、安排面試、做背景調查，這些活兒又繁瑣又費時間。現在有了人力資源智慧體，它能自動篩選簡歷，根據崗位要求，把符合條件的簡歷挑出來，還能給每份簡歷打分，告訴你“這份簡歷的候選人有5年相關工作經驗，符合崗位要求”“這份簡歷的候選人學歷不夠，建議淘汰”。甚至在面試的時候，它還能幫HR生成面試問題，根據候選人的回答自動評分，大大提高了招聘的效率和準確性。
看到這裡，可能有人會覺得，智慧體這麼厲害，是不是馬上就要取代咱們人類了？其實不然。文中也說了，無論是通用智慧體還是專用智慧體，不管是做To B（面向企業）業務還是To C（面向個人）業務，目前都還處在發展初期，還有不少難題沒有解決。這些難題就像“攔路虎”，擋住了智慧體成為真正“數字勞動力”的道路。
第一個難題，就是任務規劃的可靠性。啥意思呢？就是智慧體幹活的時候，容易“犯迷糊”，有時候會出現“幻覺累加”的問題。比如智慧體幫你寫一份市場調研報告，第一步它找的資料是對的，但第二步它可能會基於這個資料，腦補出一些不存在的資訊，第三步又基於腦補的資訊繼續推導，最後寫出來的報告，可能就跟實際情況差了十萬八千里。就好比你讓一個人去買醬油，他走到半路，突然覺得你可能還想買醋，於是買了醋；又覺得你可能還想買料酒，於是又買了料酒，最後回來的時候，醬油沒買著，買了一堆沒用的東西。這種“腦補”出來的錯誤，在金融報告、法律合同這些要求絕對準確的場景裡，是非常致命的。
第二個難題，是與現有業務系統對接的複雜性。很多企業，尤其是傳統企業，用的都是老舊的業務系統。這些系統可能是十幾年前開發的，技術架構和現在的智慧體完全不相容。就好比你買了一臺最新款的智慧手機，但家裡的充電器還是老式的，插不進去。企業要想用上智慧體，就得對現有的業務系統進行改造，這不僅要花很多錢，還要花很多時間。比如一家傳統的製造企業，想要用智慧體來管理生產流程，就得把原來的生產線控制系統、庫存管理系統、銷售系統都改造一遍，讓它們能和智慧體對接。這對於很多中小企業來說，是一筆不小的負擔。
第三個難題，是權責界定的問題。這個問題可以說是智慧體發展的“老大難”問題。如果智慧體幹活出了錯，造成了損失，責任該由誰來承擔？是智慧體的開發者，還是使用智慧體的企業，或者是操作智慧體的個人？目前這個問題還沒有明確的答案。咱們舉個例子，假如醫院用智慧體來輔助診斷病情，智慧體把一個良性腫瘤誤診成了惡性腫瘤，導致病人做了不必要的手術，花了很多錢，還受了罪。這個責任該誰來負？是開發智慧體的科技公司，還是醫院，或者是操作智慧體的醫生？再比如，企業用智慧體來寫合同，智慧體因為遺漏了一個重要條款，導致企業損失了100萬，這個損失該誰來賠？這些問題如果不解決，企業和個人就不敢放心大膽地使用智慧體。
說了這麼多難題，是不是覺得智慧體的發展前途一片黯淡？其實也不是。文中說了，智慧體要真正形成強大的生產力，不僅有賴於基礎模型的進一步進化，更需要與領域專有資料和流程進行深度結合。這句話其實就是智慧體未來的發展方向。
一方面，基礎模型要繼續進化。現在的大模型雖然已經很厲害了，但還有很多不足之處。比如推理能力還不夠強，容易犯低階錯誤；多模態理解能力雖然提升了，但處理複雜的影片和音訊時，還是會力不從心。未來的基礎模型，要變得更聰明、更可靠，能真正理解人類的意圖，還能自己糾正錯誤。
另一方面，智慧體要和行業深度繫結。通用智慧體雖然“啥都會”，但在專業領域裡，肯定不如專用智慧體厲害。未來的智慧體，不能再像現在這樣“浮在表面”，而是要“沉下去”，深入到各個行業的核心流程裡。比如農業領域的智慧體，要懂土壤、懂氣候、懂農作物的生長規律；工業領域的智慧體，要懂生產線、懂裝置、懂工藝流程。只有這樣，智慧體才能真正幫行業解決問題，創造價值。
咱們可以暢想一下未來的場景：在工廠裡，智慧體和機器人配合，24小時不間斷生產，產品的合格率高達99.9%；在醫院裡，智慧體幫醫生診斷病情，準確率比人類醫生還高；在學校裡，智慧體根據每個學生的學習情況，制定個性化的學習計劃，讓每個學生都能發揮自己的潛力；在家庭裡，智慧體幫你打理家務、輔導孩子作業、照顧老人，讓你有更多的時間陪伴家人。
當然，這一天的到來，可能還需要一段時間。但不可否認的是年，智慧體已經成了大模型應用落地的主要形式，它就像一顆冉冉升起的新星，照亮了人工智慧發展的道路。雖然現在它還很稚嫩，還有很多缺點，但隨著技術的不斷進步，它一定會變得越來越強大，最終成為改變世界的“數字勞動力”。
最後，咱們再總結一下年的人工智慧，已經從技術創新轉向了生產力轉化，核心就是智慧體。智慧體分通用和專用兩類，通用智慧體啥都能幹，專用智慧體在專業領域稱王。雖然現在智慧體還面臨著可靠性、系統對接、權責界定等難題，但只要基礎模型繼續進化，和行業深度結合，智慧體的未來一定不可限量。這就是人工智慧的現在和未來，一個充滿機遇和挑戰的時代，已經到來了。