KeyFrame內部研究專用

Surviving the New Economics of a Post-Agentic World

Practical AI·7月23日週四·35 min英文

三句話摘要

IBM 股價暴跌反映傳統企業軟體被 AI 代理系統取代的經濟轉變。 企業軟體的經濟基礎正因代理技術而崩塌,傳統廠商必須快速轉向代理原生架構和代理治理能力,否則將面臨 IBM 式的市值蒸發。 企業軟體面臨代替風險:IBM 的股價暴跌並非孤立事件,Workday(跌 10%)、Salesforce(跌 9%)、ServiceNow(跌 8%)、Adobe(跌 6%)同日下跌,反映整個企業軟體產業正被重新評估。根本原因是代理技術能執行傳統企業軟體處理的工作,這改變了軟體的核心價值主張。

重點整理

重點
  • 1

    企業軟體面臨代替風險:IBM 的股價暴跌並非孤立事件,Workday(跌 10%)、Salesforce(跌 9%)、ServiceNow(跌 8%)、Adobe(跌 6%)同日下跌,反映整個企業軟體產業正被重新評估。根本原因是代理技術能執行傳統企業軟體處理的工作,這改變了軟體的核心價值主張。

  • 2

    企業預算緊急重新配置:公司停止投資傳統軟體和服務,轉而購買硬體與基礎設施(導致 NVIDIA、Intel 股價上升),試圖在看似即將漲價的代理時代前搶先鎖定成本。這種「恐慌性購買」反映高管層意識到舊有投資將過時。

  • 3

    地緣政治約束加劇困境:美國限制 AI 晶片出口中國,中國則保護本地開源模型優勢;同時出現「中文 token 黑市」繞過封鎖。企業被夾在昂貴美國專有模型與受限制開源模型之間,無法簡單選擇。

  • 4

    代理架構代替傳統介面:未來商業互動將由代理對代理(Agent-to-Agent)完成,不再經由人類操作 GUI。企業需要改進 MCP 配置與大規模代理權限管理,這開創全新的軟體產業。

實用技巧與重點

乾貨
  • 股價與市場影響
  • IBM:25% 跌幅 = 700 億美元市值蒸發,50 年來最差單日表現(超越 1987 年黑色星期一)
  • 同日下跌:Workday 10%、Salesforce 9%、ServiceNow 8%、Adobe 6%
  • 受益股:NVIDIA、Intel(硬體供應商)
  • 代理部署現況
  • 某企業已運行 70,000 個代理
  • 另一企業運行約 6,000 個代理
  • 預期年內突破百萬級規模
  • 技術工具與概念
  • MCP(Model Context Protocol):軟體廠商的代理接口標準
  • Unsloth:支援在 MacBook 上微調模型的平台
  • 提及的模型:Claude、Hermes、Grok、Fable
  • Anthropic 論文:《Verbalizable Representations Form a Global Workspace in Language Models》(談論工作記憶與意識相關架構)
  • 應對策略分化
  • 策略 A:提供 MCP 連接器,保持資料平台價值
  • 策略 B:建構專有代理生態,封閉集成

結論

結論

企業軟體的經濟基礎正因代理技術而崩塌,傳統廠商必須快速轉向代理原生架構和代理治理能力,否則將面臨 IBM 式的市值蒸發。

完整解析

詳細

IBM 股價在單個交易日內跌幅 25%,蒸發 700 億美元市值,創造 50 年來最糟糕的單日表現紀錄,甚至超越 1987 年黑色星期一的損失。這看似突然的崩潰背後,隱藏著對整個企業軟體產業的根本性威脅。同一時間,Workday、Salesforce、ServiceNow、Adobe 等主要企業軟體廠商也紛紛下跌 6% 到 10%,證明這不是個別公司問題,而是產業級的重新評估。

這波重估的核心驅動力是 AI 代理技術的成熟。代理能夠執行傳統企業軟體處理的複雜業務流程,包括資料整理、決策支援、工作流自動化等。更重要的是,許多企業已經開始大規模部署代理——有公司已運行 70,000 個代理,另一家運行 6,000 個。這不是遠期未來的願景,而是正在發生的現實。企業預算因此面臨根本性轉移:從傳統軟體和服務轉向基礎設施和硬體採購,以便在代理技術升級成本可能上升前鎖定基礎設施。這種「恐慌性購買」反映高管層開始意識到,傳統軟體投資可能無法在代理新時代保持ROI。

地緣政治因素進一步複雜化了這一轉變。美國對中國實施 AI 晶片出口管制,同時中國保護本地開源模型的經濟優勢,最近甚至出現「中文 token 黑市」——地下經紀人轉售西方 AI 平台(如 OpenAI、Anthropic)的 API 存取權給被封鎖的中國用戶。企業被困在三難之地:昂貴的美國專有模型、受限制的開源模型、以及灰市風險。這種壓力推動企業重新考慮長期被忽視的策略,如模型微調。在過去幾年,通用大型模型足夠強大以至於大多數企業不願投入微調成本。但現在環境改變了,Unsloth 等平台使得即使在 MacBook 上也能進行微調,企業開始認真評估本地模型和微調路線。

未來的商業交互方式也將根本改變。代理對代理(Agent-to-Agent)的直接互動將成為主流,而人類操作 GUI 的時代逐漸落幕。這意味著傳統軟體廠商必須重新思考價值主張:NetSuite 等平台考慮通過 MCP 連接器暴露其資料和功能給代理生態,或者小型垂直軟體供應商可能選擇構建自有代理系統。這開創了全新的軟體需求——大規模代理治理、身份管理、安全隔離,以及複雜的權限與資源配置。實際上,Prediction Guard 等新興公司已在解決這類問題。代理架構的演變速度極快:「代理工程」(Agentic Engineering)幾個月前還是流行詞彙,現在「迴圈工程」(Loop Engineering)成為焦點,但這些概念本身也在快速迭代,今年年底前可能會被更新的抽象層級取代。

此外,Anthropic 最近發表的研究論文《Verbalizable Representations Form a Global Workspace in Language Models》探討了模型內部工作記憶的機制。論文觀察到大型語言模型正在創造類似人類工作記憶的「工作區」來路由和報告資訊。這引發了關於模型功能能力、意識性質的哲學討論,但實際商業意義更直接:這表明模型具備日益增強的資訊處理和協調能力,這對於支撐大規模代理協作至關重要。

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。