AI正迈入从“回答问题”到“执行任务”的高盛新阶段。
根据追风交易台引述的调代A的重高盛最新报告，AI商业化模式正在从“按席位订阅”转向基于消费量、研总交易量和结果计费。结AI进角色同时，入执AI Agent的行时性上角色也从工具变为工作流的执行者，产业价值逐步从模型本身向专有数据、转变业务上下文和行业专业能力转移。世界升
这表明AI产业竞争的模型焦点已从“哪个模型更强”转向“哪个企业能够有效管理工作流”。虽然模型的高盛能力仍然重要，但能否在企业环境中运作、调代A的重理解业务背景并稳定执行任务，研总将成为新的结AI进角色竞争优势。
这一结论源于高盛对硅谷AI产业链的入执深入调研。2023年8月18日至19日，行时性上高盛连续第三年走访了多家AI初创企业、领先的风险投资机构以及斯坦福大学、加州大学伯克利分校和旧金山分校的研究人员。高盛认为随着Agent加速应用,前沿模型、开源模型、世界模型、企业软件与专有数据之间的价值分配将会发生变化。
Agent落地：企业急需可控性
AI过去解决的问题是“帮助人类完成任务”，而Agent则努力实现“自主完成任务”。在企业实施过程中，最大的挑战或许不是模型的能力，而是如何界定责任及整个执行过程的可控性。
报告提到，现阶段多数企业仍处于人工监督的状态。特别是在法律、风险控制、保险和审计等领域，模型出现错误时的责任归属、追溯过程及纠正措施，可能与模型的能力同样重要。
因此，最容易实现自动化的工作流通常具备三个特征：明确的决策边界、可验证的结果和可回滚的错误处理。发票处理就是一个典型例子，AI负责字段提取与检验，而低置信度的案件则由人工复核，最后通过可逆的ERP流程完成入账。
这也意味着，拥有可靠内容、经过验证的领域模型和成熟监管关系的信息服务商，有更大机会优先进入企业的生产环境。
模型竞争：前沿模型与开源模型的分工
在“开源 vs 闭源”的讨论中，高盛此次考察的信号并非简单的二元选择，而是不同模型可能适用于不同层级的工作流。
前沿模型阵营认为，企业基准测试通常低估了模型的能力。在实际生产中，模型精度的下降造成的业务损失，可能远高于节省的推理成本。因此，尽管许多AI原生企业声称采用多模型策略，但在核心生产环境中仍对前沿模型高度依赖。
另一个观点则认为，大部分企业的工作流对前沿智能并不具备需求。随着开源模型性能的提升，客户愿意牺牲部分性能来换取更低的推理成本。一家风投机构预计，在未来12至18个月，大约90%的推理Token将流向开源模型。
这意味着，未来AI模型市场或将形成更加明确的分工：高价值、高可靠性的复杂任务由前沿模型负责，标准化任务及大部分Token消费则由开源模型来承担。
世界模型：AI算力可能迎来新的增长曲线
过去18个月，研究者们愈发将目光从大型语言模型（LLM）转向“世界模型”。
与依赖互联网数据训练的LLM不同，世界模型需理解环境、因果关系、物理规律和现实世界的动态交互，其数据更多来源于物理系统、特定行业和实际运营场景。这表明专有数据的重要性可能进一步上升。
高盛认为，物理、工业、科学和机器人等领域所面临的问题空间远超过纯文本生成，且这些工作流往往需要更高的算力支持。随着AI逐步从数字世界深入物理世界，模型训练、仿真和推理的算力需求可能出现新的增长曲线。
高盛预计，未来五年算力需求可能增长约24倍，供需紧张状态预计将持续更长时间，微软、甲骨文和CoreWeave等云计算及算力基础设施公司将因此受益。
本文转自“华尔街见闻”，作者：李佳，官网编辑：李程
