标签： AI智能体

AI智能体正在快速进入企业生产环境，但谁来盯着这些越来越自主的系统？波士顿创业公司Coralogix刚完成2亿美元F轮融资，押的就是这笔账。

11个月估值跳涨

这轮融资距离上一轮2025年6月的1.15亿美元E轮仅过去11个月，反映出投资者对AI基础设施公司的兴趣正在快速升温。本轮由Advent和加拿大养老金计划投资委员会（CPPIB）领投，融资后Coralogix的投后估值为16亿美元。

Coralogix做的事情并不性感，但越来越重要：收集和分析日志、指标、链路追踪等运维数据，帮助企业监控软件系统的健康状态。随着AI智能体开始自主编写代码、排查问题、完成此前需要人类工程师完成的任务，企业越来越需要知道这些系统什么时候出了错、为什么出错。

交互层正在逐渐被消解，工程师越来越多地通过AI助手和命令行工具与软件交互，而不是传统仪表盘。

客户不想看仪表盘了

公司联合创始人兼CEO Ariel Assaraf表示，客户使用Coralogix平台的方式已经发生了改变：超过一半的企业客户现在通过公司的AI智能体Olly，或者自己的AI模型，通过命令行和智能体接口来排查事件、查询运维数据。

简单来说，客户越来越不想登录仪表盘，而是更想直接问AI助手系统出了什么问题。这种转变也推动了Coralogix的强劲增长：过去一年公司营收增长超过60%，目前约有30家客户年付费超过100万美元。

公司在全球共有超过600名员工，拥有超过5000家全球客户，包括IBM、Tradeweb、JFrog等。Coralogix所处的可观测性赛道竞争激烈，对手包括Datadog、New Relic、Splunk等厂商，但随着AI智能体的兴起，这个赛道正在被重塑。

Assaraf表示，这笔融资并非因为需要补充现金流，而是将用于加速AI相关产品、安全服务的投入和全球扩张。公司目前不打算再进行后续融资，正朝着未来几年的盈利目标推进。

Uber今年4月就用完了2026年全年的AI编程预算。这件事听起来像段子，但它是真的。微软在给开发者开放Claude Code权限几个月后，悄无声息地撤销了授权。Priceline的一名员工告诉TechCrunch，Cursor的常规续约合同价格涨了4到5倍。

代币账单到期了

尽管单个token的价格在下降，但AI的普及加上越来越自主的AI智能体，让token消耗量成倍增长。2025年初大量采购”无限量订阅”套餐的企业，现在正手忙脚乱地搞清楚钱都花到了哪里。

OpenAI企业业务负责人亚历山大·恩比里科斯本周在纽约的一场活动中说得很直白：”六个月前和客户沟通，话题全是’它能做什么？效果够不够好？’现在这些话题根本不会出现了。现在的话题全是’嘿，我们花了太多钱了。你们能提供什么可见性？有什么审计能力？有什么token管控措施？你们的模型效率怎么样？’”

“这就像可卡因泛滥一样。供应商先让你免费试用，让你上瘾，现在你就被它套牢了。”——Priceline IT财务高级总监 Chris Reed

新模型让消耗爆炸

2025年11月发布的新模型——Anthropic的Claude Opus 4.5、OpenAI的GPT-5.1和谷歌的Gemini 3 Pro——大幅提升了智能体工具的能力，也让token消耗量成倍增长。据报道，有一家公司因为忘记给员工设置使用限额，收到了5亿美元的Claude账单。

工程运营平台Faros AI的CEO维塔利·戈登说，他最近和一位CTO沟通，对方告诉他：”我手下的一个工程师上个月花了4万美元买token，我真的不知道该阻止他，还是该告诉其他人都要像他一样用。”

生产力提升的说法越来越模糊

Faros今年4月发布的一项针对2万名开发者、为期两年的研究发现，开发者的产出确实在上升，但bug和返工的情况也在增加。工程管理平台Jellyfish也得出了类似的结论：使用token最多的工程师的生产效率大约是使用AI较少的工程师的2倍，但他们为此消耗的token是后者的10倍。

Jellyfish的研究负责人尼古拉斯·阿科拉诺说：”极端支出是否值得，最终取决于上线代码带来的实际商业价值，而大多数企业目前还无法衡量这一点。”

Tokenomics基金会来了

正是在这样的背景下，Linux基金会本周公布了成立Tokenomics Foundation（代币经济学基金会）的计划。这是一个新的标准机构，目标是给AI token建立类似FinOps给云成本带来的成本管控规范。

FinOps基金会的执行董事J.R. 斯托门特说：”今年4月和5月，我开始听到企业说：’天呐，我们2026年的全年token预算已经超支3倍了，现在才4月。’我们听到了很多关乎企业存亡的危机。”

该基金会正在为”代币经济学”建立权威的定义和框架，计划7月正式推出。与此同时，一个市场已经在形成——Ramp、Datadog、New Relic，以及专门的初创公司如Pay-i和Paid，都在争相为企业提供AI成本管控工具。

高盛预测到2030年全球token使用量将增长24倍。那些已经超支的企业现在就需要解决方案，而该基金会的首个成果还要几个月才能推出。就像戈登说的：”也许我们创造了蒸汽机，但还没有搞清楚装配线怎么建。”

黄仁勋的AI工厂蓝图

英伟达GTC 2026大会，黄仁勋的演讲信息量巨大。他明确说，两年前播下的生成式AI种子已经结出硕果，”有用的人工智能”已经到来，核心标志就是智能体AI的全面爆发。

什么叫智能体AI？简单说，就是AI不再只是生成内容，而是能完成实际工作。它有理解、观察、推理、规划能力，能通过”观察→推理→行动→使用工具”的闭环完成实际任务。相比人类用户对响应速度的要求，智能体对低延迟的需求更高，追求纳秒级响应。

黄仁勋在演讲中强调，AI不是在替代就业，而是能指数级放大工程师的产出，相同的人力投入能创造3倍以上的生产力价值。未来智能体的部署数量将远超过全球人口，将成为数字经济的核心参与主体。

这次GTC最重磅的发布是Vera Rubin超级计算集群，这是英伟达史上最复杂的端到端机架级集群系统，专为智能体AI量产设计，目前已经进入全面量产阶段。这个集群的供应链规模是Grace Blackwell的2倍，采用无缆化midplane设计，单机架组装时间从2小时压缩至5分钟。

除了硬件，英伟达还推出了DSX数据中心基础设施蓝图，包含DSX Sim（数字孪生仿真）、DSX OS（工厂运营系统）、DSX MaxLPS（电力效率优化）、DSX Flex（电网调峰适配）四大模块，为AI工厂提供从设计、建设到运营的全流程标准方案。

在PC生态方面，英伟达与联发科联合研发了N1X芯片，推出RTX Spark智能体计算平台，覆盖笔记本、台式机、DGX Station三种PC形态。微软将联合英伟达重构PC操作系统，实现云端-本地智能体的协同工作。黄仁勋预测，十年后家庭AI超级计算机将像家电一样普及。

物理AI是另一个重点。英伟达推出Cosmos 3开源世界模型，解决物理AI的数据匮乏问题。这个模型采用自回归Transformer+扩散Transformer混合架构，可生成符合真实物理规律的合成视频，为机器人、自动驾驶等物理AI提供虚拟训练数据。模型、数据、训练方法全部开源。

从这次GTC释放的信号看，英伟达已经不再满足于只做GPU公司，而是要成为智能体时代无可替代的AI基础设施垄断者。他们的竞争壁垒来自从芯片到软件、从云端到端侧的全栈整合与协同设计能力。

对于开发者来说，英伟达开放了Nemotron 3 Ultra模型，基于SSM+MoE混合架构，推理速度提升5倍、成本降低30%，同时开放训练脚本和工具调用数据集。他们还推出了开源企业AI工具包，包含OpenShell安全沙盒框架、Hermes编排框架、CUDA-X工具技能包、全平台适配的运行时环境，降低企业部署智能体的门槛。

AI智能体这事儿，终于从”能聊”变成”能干活”了

2026年有个明显的变化，AI不再只是坐在那里跟你聊天、回答问题，而是开始真正动手干活。这个转折点是个叫OpenClaw（龙虾）的开源AI代理框架，它的出现让整个行业都坐不住了，百度、阿里巴巴、腾讯、字节、智谱、月之暗面这些巨头公司一下子全都冲了进来。

就在这个节骨眼上，5月份国家网信办、国家发展改革委、工业和信息化部三家联合印发了《智能体规范应用与创新发展实施意见》，给这个新兴领域立了规矩。

智能体到底是个啥？

按官方说法，智能体是”具备自主感知、记忆、决策、交互与执行能力的智能系统”。说人话就是：以前的大模型像个只会纸上谈兵的军师，你问它啥它都能跟你掰扯半天，但真要它动手干活，它就傻眼了。

现在的智能体不一样，它能看屏幕、点鼠标、自动执行任务。百度创始人李彦宏说得挺直白：”智能体出圈了，第一次，AI的主角不是模型，而是应用。过去几年竞争核心是模型能力，现在用户真正买单的是’你能不能帮我把事做完’。”

衡量一个AI平台有没有戏，李彦宏提出要看DAA（日活智能体数），而不是DAU（日活用户数）。意思是，有多少Agent在给人类干活并交付结果，这才是真实的价值。

技术底座：从”大脑”到”执行”

要让智能体真正能干活，光有个”聪明的大脑”不够，还得有完整的感知、规划、执行、验证链路。月之暗面（Moonshot AI）的Kimi就是个典型例子，他们自研了大语言模型，总参数量达到1万亿，每次推理时激活约320亿参数，配备了384个细粒度领域专家。

这个模型用了MLA多头潜在注意力机制，把显存占用降到了传统架构的1/8，还引入了多Token预测目标来提升生成效率。这些技术细节听着枯燥，但实际效果就是：智能体能处理更长、更复杂的任务，而且不容易”掉链子”。

科研场景：从翻遍文献到一键出报告

《实施意见》里列出了19个智能体典型应用场景，科学研究排在第一位。2025年7月，上海交通大学和深势科技推出了通用科研智能体”SciMaster”，这个东西能干嘛呢？

你扔给它一个科学问题，比如”分子动力学在药物筛选中的典型流程是怎样的？”，它能把问题拆成多个子任务，全网搜文献、整合资讯、数据、论文、专利，最后给你生成一份能落地的深度调研报告。

在药物研发领域，智能体能把跨靶点的研究证据整合进知识图谱；在新材料领域，像电解液、固体电解质有机合成这些方向，也有智能体研发辅助产品。据湘汉智库的研究报告，智能体已经深度渗透材料化学、基因组生物信息、生物医学健康等核心科研领域。

电商场景：”一句话点外卖”成真

今年初，淘宝闪购跟千问智能体打通了。5月11日，千问与淘宝全面打通，这标志着全球超大规模电商平台与智能体应用的深度融合。

现在你可以直接跟智能体说”帮我点杯咖啡，不加冰”、”两份米线，其中一份加辣不要豆芽”，它能自动识别你的意图、位置和偏好，然后推荐可下单的商品。这个合作已经覆盖了全国300多个地级市和超过3000个区县，品类涵盖餐饮外卖、超市便利、生鲜蔬果、鲜花绿植、医药健康、手机数码等等。

有个挺有意思的细节：AI在帮忙选品时，还可能做出”劝退”动作。比如你试图让智能体买个”量子水杯”，它可能会直接给你科普一波，告诉你这玩意儿不靠谱。这种”反销售”功能，倒是挺接地气的。

金融和教育：秒读财报、梳理文献

以前券商研究员做行业研究，得泡在海量研报、财报、新闻里，翻遍资料，2-3天才能攒出一份初稿。现在把研究主题丢给Kimi，它立刻自动全网检索、逐页精读财报、提炼核心观点，一气呵成输出结构化分析草稿。原先2-3天的”苦活儿”，现在2-3小时就搞定。

教育领域也是一样，文献”大山”一直是高校师生的头号痛点。现在只需一次对话，智能体就能一口气读完所有文献，自动完成分类归档、提炼核心观点，梳理出包含研究脉络、争议焦点、未来方向的完整综述框架。博士生过去要熬2-3周才能啃完的文献梳理，现在1-2天就能拿出初版，而且内容更全面、更系统。

安全问题：智能体也需要”纠偏”

智能体当然不是完美无缺的，”满嘴跑火车”的幻觉问题、决策跑偏、执行掉链子，都是行业面对的难题。为了给智能体”纠偏”，研发端从技术上打响了”精准纠错战”。

深势科技的CTO廖若雪说得很实在：科学场景对于事实的准确性和推理的可溯源性要求极高。首先，智能体的知识需要是结构化的，而不是完全依赖模型去记忆知识；其次，智能体的推理过程也要通过特定算法进行置信度校验；此外还需强调验证，关键的科学论断不能只由智能体自行评估，得通过实际运行结果来验证结论是否真实。

360 AI安全研究院最近发布了《AI安全系列报告》，指出随着智能体加速进入企业办公、研发、运维、客服等核心业务场景，AI安全的核心问题正在从”生成风险”转向”执行风险”。他们提出了两条解决路径：一是用AI加持传统安全防护，提高漏洞发现、入侵研判、样本分析和响应处置效率；二是让不确定性任务在安全约束下执行，让智能体可以做事，但不能越界。

清华大学文科资深教授、苏世民书院院长薛澜认为，《实施意见》通过设定全链条安全要求，系统性预防智能体技术滥用、决策失控等风险，为智能体技术在全社会规模化应用建立必要的安全信任基础。

写在最后

智能体的崛起，既是技术迭代的必然，更是时代发展的趋势。这不是简单的技术升级，而是工作方式、商业逻辑、生活体验的全面重构。政策护航、技术成熟、场景落地，多重力量正推动智能体从行业探索走向深度赋能。

根据《AI智能体赋能行业决策：趋势与实践白皮书（2026）》，智能体在制造、金融、政务等行业的渗透率已经超过50%。这个数字背后，是无数工作场景正在发生的真实变革。

MIT Technology Review 最近做了一件有意思的事——他们第一次把”当下 AI 领域最重要的事”整理成了一份清单。不是那种泛泛而谈的趋势预测，而是编辑团队基于多年追踪，认真挑出来的 10 个方向。

这份清单里有些内容你可能已经耳熟能详，但也有几个方向，连很多业内人士都还没认真想过。挑几个最有意思的聊聊。

人形机器人的”数据饥渴”

训练大语言模型需要海量文本，那训练人形机器人需要什么？答案是：海量”人类动作视频”。现在已经有公司在专门搭建巨型”训练中心”，让工人重复完成各种任务，用摄像头把整个过程录下来。更夸张的是”提线木偶”模式——让海外陌生人通过远程操控的方式，实时”驾驶”机器人做各种动作，以此收集训练数据。

这套打法有没有用，现在还不好说。但逻辑是通的：想让机器人学会”把杯子拿起来”，先得让它看几万遍人类是怎么拿杯子的。

“世界模型”可能是下一个大突破

大语言模型擅长处理文字，但要让 AI 真正理解物理世界，还需要别的东西。这就是”世界模型”（World Models）的由来——AI 公司希望构建能够理解外部物理世界的系统，而不只是预测下一个 token。

如果世界模型取得成功，AI 将克服大语言模型的局限性，真正进入物理环境——而不只是停留在屏幕里和你聊天。

AI 智能体开始”组队协作”了

第一波 AI 智能体只能做单件任务——运行一个浏览器、写几行代码，而且各自为战。下一阶段的智能体将能够”组队”，多个代理协作完成复杂得多的目标。这就像从”单打独斗”进化到”团队协作”，能力上限会完全不一样。

中国的开源赌注，全球已经在用

中国实验室把前沿模型免费开放，这件事在全球范围内获得了大量开发者的好感。现在的问题是：这种模式财务上是否可持续？没人能给出确定答案。但一个事实已经形成——全球开发者已经在基于中国的开源基础模型构建应用了。

这份清单里还有几个方向也值得关注：AI 加持下的诈骗正在升级、武器化的深度伪造已经成为现实、全球范围内对 AI 的抵制浪潮正在形成。MIT Technology Review 这份清单的价值不在于”预测”，而在于它把那些真正在发生的、会被写进历史的变化挑了出来。