摘要

2025年中的技术共识是行业正从L2推理模型走向L3 Agent，但“标配并不代表着结束”。 基础模型与推理模型的智能仍在同步提升，美国由OpenAI、Anthropic、Google、xAI、Meta轮番刷新前沿；中国的DeepSeek R1、千问3、豆包1.6已在榜单上逼近头部。Coding成为Agent最先争夺的场景，因为代码处在纯线上环境且“对就是对，错就是错”，天然适合强化学习。
Agent最值得跟踪的能力指标不是聊天分数，而是它能连续完成多长的任务。 2019—2025年，模型可完成的任务时长约每7个月翻倍；若只看2024—2025年推理模型兴起后的阶段，则约每4个月翻倍，意味着从几分钟走向数小时乃至数天并不遥远。“Agent要干几个小时”，会把模型单次调用的Token消耗再推高数个量级。
单位推理成本下降不会自然压低行业总支出，AI正在重演“Andy gives, Bill takes away”。 图中可能展示GPT-4相关能力增长约100倍、成本下降约100倍；但推理模型的思考与回答可比基础模型多消耗5—10倍，Agent再把几秒钟任务拉长到数小时。庄明浩的结论是，软件侧会持续“把这一倍的能力也吃掉”，所以算力、Token和推理基础设施需求仍会向上。
Scaling Law是否失效尚未形成共识，行业正在尝试从人类数据拓展到合成数据、强化学习和“模型给模型判卷”。 AlphaGo Zero式自生成数据，以及用另一个模型充当奖励模型，都像“左脚踩右脚”的“梯云纵”；DeepSeek R1-0528正是具体样本，其数学与Coding能力显著增强。市场期待V4与尚未发布的R2，是因为如果V4强于V3，再沿R1-Zero—R1的强化学习路径训练，R2“肯定很强”，不确定的只是强到什么程度。
智能增长很快不等于Agent会很快替代白领，L3可能成为一场“持久战”。 Kimi技术人员Flow给出的判断是，替代80%白领工作的Agent或需5—10年甚至更久，除非出现颠覆性技术；另一些人判断只需2—3年，庄明浩保留了这种分歧。与此同时，中国开源模型已成为更确定的产业变量：DeepSeek、通义推动能力曲线上升，Agent架构和工作流相关开源项目关注度增长超过70%。
产品竞争正在收敛到“浏览器作为Agent载体、过程可见、结果付费”三件事。 浏览器能承载记忆、规划、工具调用和动作执行，因此从Chrome、Safari到夸克、QQ浏览器都重新成为AI入口；交互则高度同质化为“左边聊天，右边看它在弄”，因为“看见看见看见”能让用户理解过程、容忍失误并建立信任。
资本端已经同时进入ARR加速、估值抬升、并购扩张和Infra前移。 OpenAI的收入从2023年10亿美元、2024年40亿美元，走到2025年预期由100亿美元上调至130亿美元；Anthropic由20亿美元上调至30亿美元，Cursor不到一年从约1亿ARR升至5亿美元，并以约100亿美元估值融资9亿美元。Meta对Scale AI的投资在原文前后分别表述为143亿和148亿美元，均称占49%；“后期已经大家投不起了”，早期资金因而转向Agent环境、记忆、执行、搜索、支付、权限以及Agent—Agent、人—Agent协议层。

精读

1. 这份“共识”只是2025年6月的行业截面

庄明浩先给结论加上有效期：AI变化快到他回看2024年底的整理，已经“感觉像上个时代的东西一样”；因此这里记录的不是永久真理，而是截至直播前一两天、行业似乎共同接受的阶段性判断。
他也主动保留被未来证伪的可能：如果几年后回看，今天的“共识”可能是错的。整套框架仍按技术、产品、资本展开，再用未来半年可能出现的趋势把三者串起来。

2. Agent成为年度主题，智能本身仍是研发主线

按OpenAI定义、借用自动驾驶的等级划分，L1是Chatbot，L2是推理者，L3是Agent；2025年的位置是从L2向L3迁移。但庄明浩反复强调：“标配并不代表着结束”，递进并非后一层取代前一层，而是整体能力继续上移。
DeepSeek、豆包、Kimi、通义以及美国头部厂商都已把推理模型做成标配，却仍同时抓基础模型和推理模型。推理模型是在Base Model基础上通过强化学习得到的，基础模型能力继续变强也会抬高最终推理能力。
美国前沿竞争呈轮转状态：OpenAI、Anthropic、Google、xAI、Meta谁刚发布新模型，谁就暂时站到最前面；近期接力者包括Gemini、o4和o3-pro，没有一家公司永久领先。
2022年底时，业界曾认为中国模型落后美国约一年至一年半；到DeepSeek R1、千问3、豆包1.6，榜单差距已缩小到与世界最优秀模型相差无几。庄明浩据此把中美头部模型的持续对抗视为下一阶段主线。

3. Coding成为Agent最先争夺的任务类型

Agent从语言走向行为，总要先找到能稳定“干活”的场景；庄明浩认为Coding相对最简单，因为它位于线上虚拟世界，逻辑严密、反馈清晰。
代码能否运行提供了天然奖励信号：“对就是对，错就是错。”这既解释了推理模型在数学、物理、化学与编程上的快速进步，也解释了为什么所有头部模型厂商都把AI Coding当作“兵家必争之地”。
Coding并非没有复杂性，而是更适合现有强化学习范式：代码结果有严格标准，激励系统相对容易构建，因而成为模型能力向Agent产品迁移的优先场景。

4. 任务时长正取代传统分数，成为Agent能力刻度

业界开始用“可执行多长时间的任务”衡量Agent：从几分钟到十几、二十分钟，再到数小时甚至数天，时长成为一个可衡量的能力范围。
庄明浩引用的统计显示，2019—2025年这一指标约每7个月翻倍，接近一年翻两番；若只截取2024—2025年推理模型出现后的阶段，则缩短至约每4个月翻倍，曲线明显变陡。
这套指标也有局限，但传统榜单不断接近满分后，如何衡量Agent能力提升本身已经成为问题。按当前速度，Agent持续工作超过数小时“应该很快就能看到”。

5. 推理成本下降，反而为更大的Token消耗打开空间

庄明浩用安迪—比尔定律类比AI：“Andy gives, Bill takes away。”硬件、模型路由和小模型让单位成本下降，软件却会通过更复杂的推理、更长的回答和更多任务吞掉新增能力。
图中可能展示GPT-4相关能力增长约100倍、成本下降约100倍；但基础Chatbot原本只思考两秒、几秒答完，推理模型可能先思考30秒，再输出更长答案，单次消耗提升约5—10倍。
Agent若从几秒钟响应变为连续工作几小时或一天，又会跨越新的量级。因此，即使Token单价下降一两个量级，使用量可能上涨三个量级；若没有推理模型和Agent，Base Model时代的Token成本或许已经“可以忽略不计”。

6. Benchmark饱和把“如何出题”变成新瓶颈

法律考试、高考、会计师题等传统测试正在失去区分度：旧榜单不断被推到接近100分，新榜单出现后也很快被模型追平。“如果这个模型答任何题都是一百分”，能力继续提升就难以被测量。
评价失灵会反向卡住研发，因为团队无法确定模型当前能力，也就难以设计下一轮改进。如何评估、演进并进一步提升Agent能力，因而成为新的问题。
连投资机构也被迫下场：红杉中国内部技术人员推出X-Bench，自建题目评判模型能力。庄明浩把这件事概括为“连投资人都要跳下来做一个Benchmark”，说明行业正在被迫补上评测环节。

7. 合成数据和模型判官，为Scaling提供新的尝试方向

2024年9月后，“人类数据快被吃完”和Scaling Law可能失效成为流行判断；但2025年基础模型能力仍在提升，问题转为：模型自己产生的文章、图片、视频和信息，能否反过来训练模型。庄明浩强调，这还不能说已经形成共识，只能说出现了这种尝试。
他以AlphaGo Zero为类比：AlphaGo先学习人类棋谱，Zero则不依赖人类棋谱、通过自我对弈产生原本不存在的数据。若大模型的合成数据也能形成有效反馈，就像“左脚踩右脚，再踩左脚就飞上去了”。
强化学习的另一难点是奖励：数学和代码有标准答案，文章风格、哪个词更合适等问题却很难简单打分。Scale AI一类标注工作因此从普通标注员升级到法律、物理、金融、医学等领域的博士，但仍有大量问题连专家也未必知道如何评价。
新尝试是让另一个模型充当判官，再用其评价刺激原模型。“用一个模型的能力去评判另一个模型做题的对错”，又形成一次“梯云纵”；庄明浩认为，凡是形成这种自我增强效果的事情，都可能继续向上。

8. DeepSeek把抽象训练路线变成了可观察样本

DeepSeek R1来自V3基础模型：先用纯强化学习得到R1-Zero，再通过后训练修正其瑕疵，形成面向用户的R1。这个链条把Base Model、强化学习、推理模型三层关系展示得很清楚。
5月28日发布的R1-0528在数学和Coding上提升尤其明显，其他领域也有进步但没有那么明显；庄明浩将这类能力提升归因于用另一个模型打分、充当奖励模型。新版能力已几乎追上最头部的OpenAI和Claude模型，但起点仍是约半年前的V3。
对即将发布的V4和尚未发布的R2，他给出的不是精确预测，而是条件推演：如果V4强于V3，再沿同样路径强化学习，R2理应更强。“肯定很强”是他的方向性判断，“强到什么程度就不知道了”则是明确保留的不确定性。

9. L3不会复刻模型能力的直线上升，Agent可能打持久战

预训练、后训练和强化学习主要抬升模型本身；从语言到行为，还需记忆、规划、工具、权限、环境与纠错系统共同工作，无法仅靠模型“踩两脚梯云纵”完成跃迁。
OpenAI用自动驾驶类比AI等级，而自动驾驶恰恰长期停留在L3，因为L4基本上已经不需要人。庄明浩借此提示：模型进展极快，并不能直接推出全自动Agent也会同速到来。
Kimi技术人员Flow在《论Agent的持久战》中判断，替代80%白领工作的Agent可能需5—10年甚至更久，除非出现全新颠覆性技术；另一些业内人士给出2—3年，也有人认为会比5—10年更久。庄明浩将其保留为分歧，而非替听众选定时间表。

10. 中国开源模型已从补充路线变成产业推动力

庄明浩把中国开源能力的快速上升主要归功于DeepSeek与阿里通义；在他的观察里，曾经最强的美国开源代表Meta Llama已经基本掉队，Meta也在频繁调整模型团队和组织。
头部项目又刺激了小红书、智谱、MiniMax、Kimi等公司发布开源模型。原先“大模型太烧钱、开源无法调动足够资源”的判断，至少在当前结果面前“未必如此”。
这两条曲线的统计口径并不相同：美国曲线不区分开源和闭源，中国曲线只看开源模型。开源项目关注度也映射出同一条产业主线：Agent架构与工作流增长超过70%，其后是Coding、Inference、API Management、Post-training、AI Search与Agent Framework。庄明浩提醒，关注度只是第三方指标，但方向高度一致。

11. 浏览器成为Agent的连接载体与运行环境

中文互联网不到两个月已出现扣子空间、百度心响、Lovart、Fellou、天工、Flowith等大量Agent产品；与此同时，浏览器这个古老形态重新成为大模型公司、AI搜索公司和Agent公司的争夺对象。
Chrome因反垄断问题可能被拆分的说法受到关注，OpenAI等公司也曾报价；Google则把它视为AI战场的核心武器。Safari搜索变化造成股价调整，Perplexity、Genspark、Arc等也围绕AI浏览器布局。国内夸克战略地位上升，QQ浏览器也开始频繁更新AI功能。
原因不是浏览器本身突然新颖，而是Agent需要“有个地儿”：承载记忆与规划，调用工具，执行动作，并与外部世界保持稳定、可扩展的连接。浏览器因而可能成为Agent的载体和运行环境。
产品交互则收敛成“左边一个聊天框，右边看着它在弄”。庄明浩三次强调“看见”：幻觉无法消失时，过程可见能让用户理解它做了什么、给失败“过程分”，并愿意继续试用。

12. 邀请码、SOTA和零点几版本构成新产品SOP

新品宣传片高度同质化：创始人坐着介绍，再展示产品；邀请码既控制初期流量和成本，又制造病毒传播，甚至被炒出价格，催生“马都来”这类上传、求取并自动分发邀请码的平台。
朋友总结的发布公式是：“在某个限定领域里，推出首个AI Agent产品，在某个Benchmark上拿到SOTA，并且使用该产品需要邀请码。”限定词加得足够多，人人都能成为“首个”；另一句评论更直接——“史称邀请码之乱”。
版本号也不再代表传统意义上的成熟度。Cursor达到约5亿美元ARR时才更新到1.0；玉伯此前在阿里负责语雀，后来去字节飞书工作一年后创业，其产品Uman已经做了一年，仍处于0.3版本。
庄明浩的解释是，AI时代允许产品以极早期形态交给用户，在模型、团队与用户共同磨合中逐渐稳定。商业规模与产品完成度因此可能出现过去软件行业少见的错位。

13. AI产品不是增加功能，而是从“无所不能”中砍出稳定结果

传统制造汽车，是轮子、底盘、车架逐件组装；互联网敏捷开发则从滑板、滑板车、自行车、摩托车一路迭代到汽车。AI的起点反而是功能“多到无以复加”的大模型，产品团队必须做减法。
大模型有幻觉、边界模糊，也不了解许多行业细节，因此不能直接交付。垂直Agent真正的工作是“砍”，限定任务边界、拿掉不稳定能力，再保证可重复输出。
结果衡量最终落到收入、毛利和数据飞轮。美图的证件照是最直观样本：单次约15.9元，换装再加约4元，增加尺寸再加约3元；用户着急使用且只需上传一张正面照，就愿意为明确结果付钱。

14. ARR加速推高估值，并把资金赶向并购与Agent Infra

OpenAI收入由2023年约10亿美元增至2024年40亿美元，2025年内部预期又从年初100亿美元上调到130亿美元；Anthropic的当年预期也在约五个月内由20亿美元调至30亿美元。
Cursor不到一年从约1亿美元ARR升至5亿美元，随后以约100亿美元估值融资9亿美元。AI公司常按ARR倍数定价，最头部公司通常可能达到几十倍，巅峰时甚至可到数百倍；收入和倍数一起上涨，再次形成“梯云纵”。
关于Meta对Scale AI的交易，庄明浩前文说投资143亿美元、占49%，后文又说148亿美元、占49%；金额只能按约143—148亿美元处理，对应估值均为300多亿美元。与此同时，2025年已出现大量AI并购与私人公司之间的交易；庄明浩据此提前判断“2025年绝对是并购大年”，并认为中国反垄断“似乎已经翻篇”，列举腾讯音乐—喜马拉雅、百度—YY、迅雷—虎扑等交易线索。
后期项目昂贵到许多基金难以参与，早期机会便落到Agent缺失的基建：浏览器或虚拟机环境、长上下文记忆、执行、搜索、支付、身份与数据库权限，以及工具调用协议。目前大部分Agent调用工具时使用Anthropic的MCP；未来Agent—Agent、人—Agent也可能像HTTP、SMTP、FTP一样需要自己的连接标准。
Gartner曲线给这轮热度提供了定位：Cloud与AI结合已走向理性成熟，生成式图像也更靠后；AI Coding位于最热、接近“愚昧之巅”的位置，Agent正在接近曲线顶点，边缘AI仍处爬坡阶段。庄明浩的收束是，同一时间的AI并非整体处于一个阶段，技术、产品与资本各自分布在峰顶、低谷和成熟区。

AI 如何学会说话，以及这意味着什么——Christopher Summerfield 教授 Findell Capital 的 Brian Finn 谈 Oportun $OPRT