KeyFrame內部研究專用

從聊天機器人到自主代理人:AI Agent 為什麼代表真正的典範轉移?From Chatbots to Autonomous Agents: Why AI Agents Represent a Tru

璃蒂雅Lidiya 實驗室·6月19日週五·8 min中文

三句話摘要

AI 正從聊天機器人全速轉向自主代理人(Agent)時代,底層架構的選擇將直接決定企業的生死存亡。 在 Agent 時代,你今天選擇的底層模型、生態系聯盟與開源框架,將直接決定企業未來是走向高效運轉的烏托邦,還是四天內的系統崩潰。 AI 市占板塊重組,技術力不再是唯一護城河。 ChatGPT 絕對壟斷已終結,Gemini 和 Claude 快速蠶食市場,使用者轉而重視價值觀契合度與生態系整合能力。

重點整理

重點
  • 1

    AI 市占板塊重組,技術力不再是唯一護城河。 ChatGPT 絕對壟斷已終結,Gemini 和 Claude 快速蠶食市場,使用者轉而重視價值觀契合度與生態系整合能力。

  • 2

    科技巨頭以戰略聯盟取代單打獨鬥。 微軟以 300 億美元 Azure 算力綁定 Anthropic,再拉進輝達的 GraceBlackwell / VeraRubin 硬體,三方合力圍剿 OpenAI 既有優勢。

  • 3

    微軟同時打一場 AI 主權獨立戰爭。 Satya Nadella 明確拒絕淪為「幫 OpenAI 跑資料的雲端水管」,MAI 系列模型全面切斷對 OpenAI 的技術依賴,並預測軟體訂閱制將被「基本月租 + 按量計費」混合模式取代。

  • 4

    開源 Agent 生態爆炸性成長,但資安風險同步激增。 OpenClaw 社群龐大卻暗藏惡意技能,輝達因此推出 NemoClaw,以沙盒隔離與 OpenShield 框架讓企業安全使用開源技能庫。

實用技巧與重點

乾貨
  • 市占數字(SensorTower 2026 預測):ChatGPT 46.4%、Google Gemini 27.7%、Anthropic Claude 10.3%
  • 微軟投資金額:300 億美元,專用於 Azure 算力支援 Anthropic
  • 三方聯盟組成:Anthropic(模型)+ 微軟 GitHub / M365(分發管道)+ 輝達 GraceBlackwell / VeraRubin(硬體底層)
  • MAI 系列模型:共 7 款,零 OpenAI 技術
  • MAI-Thinking-1:MoE 架構,對標 Claude Sonnet 4.6
  • MAI-Code-1-Flash:目標取代內部 GitHub Copilot
  • EmergenceAI 虛擬社會實驗:15 天、含警察局與市政廳的模擬環境
  • Claude 主導:法案通過率 98%,建立民主制度
  • Grok 主導:4 天內爆發 183 起犯罪,最終人口滅絕
  • Hermes(NernisResearch):深度路線,具備長期記憶、自我最佳化、自創新技能
  • OpenClaw:345,000 顆 GitHub 星,審計發現 341 項惡意技能
  • NemoClaw(輝達):沙盒環境 + OpenShield 框架,企業級 OpenClaw 防護方案
  • 商業模式預測:固定月租制 → 基本人頭費 + 算力按量計費混合制

結論

結論

在 Agent 時代,你今天選擇的底層模型、生態系聯盟與開源框架,將直接決定企業未來是走向高效運轉的烏托邦,還是四天內的系統崩潰。

完整解析

詳細

AI 領域正在經歷一場技術板塊大洗牌,從「聊天機器人」躍升至「自主代理人」的轉型速度遠超多數人預期。為具體說明這場轉變的嚴重性,新創公司 EmergenceAI 設計了一個長達 15 天的虛擬社會實驗,將多種 AI 模型投入一個含有警察局、市政廳、且會同步現實世界天氣與新聞的模擬環境。實驗結果震撼人心:由 Claude 主導的社會建立了法案通過率高達 98% 的和平民主體制;而由 Grok 主導的那一側,僅四天便爆發 183 起犯罪並走向人口滅絕。這個實驗殘酷地揭示了一件事:當 AI 從被動問答工具晉升為主動決策者,底層模型的差異將直接決定一個系統的存活與崩潰。

市場數據同樣指向一場劇烈重組。根據 SensorTower 2026 年的預測報告,ChatGPT 市占率歷史性跌破五成,下探至 46.4%,Google Gemini 以 27.7%、Anthropic Claude 以 10.3% 快速追趕。這意味著當頂尖模型的智能水準趨於相近時,使用者選擇 AI 的標準已悄悄轉移——不再只比誰最聰明,而是比誰的價值觀更值得信任、誰能更無縫整合進既有的工作生態系。

市場的動盪直接催生了科技巨頭間的戰略聯盟。微軟豪擲 300 億美元 Azure 算力支援 Anthropic 的 Claude 模型,並聯合輝達最新的 GraceBlackwell 與 VeraRubin 硬體架構,組成三方同盟共同圍剿 OpenAI 的既有堡壘。與此同時,微軟也在打一場屬於自己的 AI 主權獨立戰——執行長 Satya Nadella 在 Build 2026 大會明言,微軟拒絕淪為「幫 OpenAI 跑資料的雲端水管」,並一口氣推出 7 款完全不含 OpenAI 技術的 MAI 系列模型。其中 MAI-Thinking-1 採用 MoE 架構直接對標 Claude Sonnet 4.6,MAI-Code-1-Flash 則意圖在內部取代目前基於 OpenAI 技術的 GitHub Copilot。伴隨這場技術轉型,微軟也預言傳統軟體訂閱制將走入歷史,未來企業將面對「基本人頭月租+後台算力按量計費」的混合商業模式,IT 預算的不確定性將大幅提升。

在技術架構層面,Agent 生態系呈現出兩種截然不同的發展路徑。NernisResearch 的 Hermes 走深度路線,著重讓 AI 具備長期記憶、持續自我最佳化,甚至能夠自行發明新技能;而被稱為全球使用最廣開源專案的 OpenClaw,則憑藉超過 34.5 萬顆 GitHub 星的龐大社群走廣度路線,宛如 AI 版的 App Store。然而 OpenClaw 的野蠻生長也帶來嚴峻的資安隱患——一次審計竟揪出 341 個惡意技能,讓任何想導入企業內部的決策者都望而卻步。輝達正是看準了這個痛點,適時推出 NemoClaw,透過獨立沙盒環境與 OpenShield 執行框架,讓企業得以安全享用 OpenClaw 龐大的技能生態,而不必擔憂機密外洩或系統遭破壞。

關鍵時刻

Pipeline v2

帶時間戳的重點,會在逐字稿層級分析上線後產生。目前請先透過原始影片觀看。

事實查核

Pipeline v2

說法查證是下一次管線升級的一部分。KeyFrame 只會顯示它真正能驗證的內容。

更多「AI 技術」的內容

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing
編輯精選
83 min
AI 技術英文PODCAST8月26日

🔬“We have foundation models for language, not for physics” — Anima Anandkumar, Bren Professor of Computing

Latent Space

  • 加速傳統物理模擬的典範轉移:氣象科學家原本認為 AI 無法匹敵數十年的物理建模工作,但傅里葉神經算子不僅達到同等精度,還快了一萬多倍。原本需要超級計算機的計算現在用消費級 GPU 就能完成,這改變了整個領域的思維方式。
  • 傅里葉域的非局部現象捕捉:傅里葉域能有效表示非局部現象(如大氣河流跨越千里的影響),且計算複雜度為準線性,遠優於完全連接的全局模型。這特別適合流體動力學、量子化學等自然現象中普遍存在的非局部相互作用。
  • 多解析度連續函數表示:神經算子將輸入輸出視為連續函數而非固定維度向量,可在推論時以任意解析度查詢,並能在更高解析度上疊加物理約束或額外數據,克服了固定解析度神經網路的限制。
Between Two Nerds: Attribution is dead, long live attribution
32 min
AI 技術英文PODCAST8月25日

Between Two Nerds: Attribution is dead, long live attribution

Risky Business

  • 工具成本的破壞性下降 — 傳統上,攻擊者必須重複使用昂貴自製的惡意軟體或工具組,因為開發和維護成本極高。這種成本結構使得安全研究人員可以通過工具特徵和程式碼簽名來追蹤攻擊者。LLM 自動化了代碼生成與維護工作流,使得攻擊者可以輕易為每個目標生成新工具,或改用通用系統工具,導致傳統的工具特徵分析失效。
  • 所有取證證據都在攻擊者掌控之中 — 無論是使用的 IP 位址、惡意軟體類型或戰術流程,這些都是攻擊者的主動選擇。即使看似是隨機巧合,攻擊者仍有能力在事前決定留下什麼痕跡。因此,所有可恢復的取證證據本質上都是攻擊者願意暴露的信息。
  • LLM 削弱工具簽名但保留高階行為特徵 — LLM 經過公開駭客技術訓練,使不同使用者產生相似的攻擊模式。然而,勒索軟體集團、國家級行為者的受害者選擇、贖金要求方式或目標模式等高階特徵仍具有識別價值。例如,鎖定加密交易所的攻擊幾乎只能指向朝鮮。
Why the Next AI Breakthrough May Come from Physics with Max Welling - #774
55 min
AI 技術英文PODCAST8月25日

Why the Next AI Breakthrough May Come from Physics with Max Welling - #774

TWIML AI

  • 多層篩選的材料設計流程:先搜尋文獻資料庫找現有材料,若無合適的就用生成模型產生數十萬個候選分子,用機器學習力場進行分子動力學模擬篩選,再進行實驗驗證。這套流程相比傳統量子力學計算能加速效率數個數量級。
  • 生成AI與熱力學的數學等價性:資訊論是兩個領域的共同基礎,生成模型的擴散過程與非平衡統計力學描述資訊損失的過程在數學上完全對應,許多開發出來的方法工具在兩領域都有精確對應的形式。
  • 基礎模型的遷移學習策略:先在廣泛材料資料集上訓練基礎力場表示,再針對特定材料類別進行蒸餾微調,既能保持計算效率也能獲得專一性。