能体生产工具。基于自研的“纳米空间引擎”，该智能体通过全自动流程、智能分镜与非线性编辑技术，有效解决了传统AI制作中常见的镜头穿帮问题，实现了“3倍速出片，电影级质感”的制作效率，为快速增长的漫剧行业铺设了一条可规模化的新基建。  当“数字员工”规模化上岗，商业规则也在被重写。全国政协委员、360集团创始人周鸿祎对《证券日报》记者表示，当智能体成为主流用户，各电商平台可能出现“智能体商家”，这将倒逼平台重构身份认证、信用评价、交易规则等底层商业基础设施。  从更宏观的视角来看，这场变革的终极目标远不止于效率提升。“人工智能发展的一个重要目标是造出由价值驱动，能自主生成任务、解决各种非限定任务的通用智能体，实现通用人工智能的关键则在于深入理解何以为人。”全国政协委员、北京通用人工智能研究院院长朱松纯表示，他在今年两会将围绕人工智能产业发展、人才培养等建言献策，“人类社会正在跨入智能时代，必须探索一条符合中国国情的路径，让通用人工智能安全发展、造福人类。”  从“训练”到“推理”  算力成本成为新考题  当“数字员工”开始接管生产线、处理客服，甚至进行理性采购，一个新的矛盾浮出水面：这些员工的大脑——大模型，不能总待在云端进行“慢思考”，它们需要更敏捷、更经济的“小脑”和“神经末梢”去执行具体动作。而这场从“大脑”到“神经”的进化，正在引发一场算力基础设施的“重心转移”，也带来一系列技术挑战。  智能体的核心在于“执行”。当AI从“说话”转向“干活”，其对算力的消耗逻辑发生了根本性改变。周鸿祎给记者算了一笔账：当智能体不再是聊天的“嘴”，而是干活的“手”，它执行一次任务需要反复分解步骤、试错搜索，消耗的token量(算力计量单位)可达聊天场景的数百倍甚至上千倍。这意味着，如果说过去的算力需求主要集中在“训练”大模型这一一次性工程上，那么未来的算力支出大部分将主要来自推理，即智能体在日常工作中每一次思考、每一次调用工具、每一次试错纠偏所产生的持续“开销”。  算力的挑战，说到底是个成本问题。当前，国内大模型厂商普遍面临一个尴尬的困境：智能体执行复杂任务需反复调用API(应用程序编程接口)，单次成本可达简单对话的数百倍，且随着用户量增长线性攀升。与训练成本的一次性投入不同，推理成本是“用得多、烧得多”的持续性支出。对于价格极度敏感的企业客户而言，如果智能体带来的效率提升无法
=*=*=*=*=*=
当前为第2/4页
下一页-上一页-
=*=*=*=*=*=
返回新闻列表
返回网站首页