引言：我们正站在什么样的历史节点上
2025年，人工智能的发展进入了一个前所未有的临界点。如果说2023年ChatGPT的爆发让全球意识到大语言模型（LLM）的知识涌现能力，那么2025年的核心叙事已经转向了一个更深刻的命题：能动性（Agency）的边际成本正在趋零。
回顾信息技术的演进史，我们可以识别出三次边际成本归零的结构性拐点。1995年前后，互联网的普及使信息获取的边际成本急速坍缩，信息开始变得无处不在。2023年，以GPT系列为代表的大语言模型将公开知识的获取成本压至近零，任何人都可以通过自然语言对话获取专业级的知识解答。而2025年，随着智能体（Agent）生态系统的初步成型，我们正在见证第三次拐点的到来：能动性本身开始变得可规模化供给。所谓「能动性」，指的是系统自主理解意图、制定计划、调用工具、执行任务并根据反馈进行调整的能力。当这种能力的部署成本持续下降，人类社会的生产力结构将发生根本性的重塑。
要理解这一变革的全貌，我们需要一个全栈式的分析框架。本文将沿着三个维度展开：战略格局、发展趋势、研发模式。这三个维度并非平行排列，它们构成一个从宏观到微观、从「为什么」到「怎么做」的递进体系。
第一部分：战略格局——通用智能时代的文明博弈
一、全栈结构：理解AI产业的系统性框架
理解人工智能的战略格局，首先需要一张「全栈地图」。这张地图从底层到顶层依次包含：
基础设施层涵盖能源功耗、矿业资源、材料科学、设备制造。AI的底层依赖是物理性的。训练一个前沿大模型消耗的电力以吉瓦时计，而推理阶段的持续运行同样需要庞大的能源供给。这就引出了一个关键的地缘约束：算力基础设施的选址和建设，本质上受制于能源供给和地理环境。美国推进StarGate计划，其核心逻辑正是将算力基建与能源基建捆绑，形成「算力-能源」综合体。中国则依托光伏产业的全球领先地位和核能技术的持续推进（包括小型模块化反应堆和可控核聚变的探索），试图在能源维度构建差异化优势。
智算体系层包含智算中心、智能云、数据中心等核心设施。这一层的竞争焦点正在从单纯的算力规模转向「算力-模型协同设计」（Co-Design）的效率。传统的云计算范式以通用CPU为核心，而智算时代要求以GPU张量核心为基础的浮点矩阵运算能力，并进一步向多芯片异构架构演进。
模型训练层是当前竞争最为激烈的阵地，涵盖认知智能、情景智能、具身智能、空间智能和科学智能五大分支。这五种智能形态并非孤立的技术方向，它们共同构成通用智能的能力光谱。
智能外延层则指向智能体、软件3.0体系以及各类终端应用与设备。这一层是AI能力向现实世界「扩散」的界面。
产业结构层和扩散体系层关注的是AI如何重塑市场结构、如何向不同人群和场景渗透。2C、2B、2G三个市场维度各有其扩散逻辑和时间节奏。
这个全栈结构的意义在于：它提醒我们，AI的竞争从来不是单一技术维度的较量。一个国家或地区的AI实力取决于其在全栈每一层的能力积累与层间的耦合效率。
二、新源头：谁在驱动前沿？
在全栈结构的顶端，有一个关键的驱动要素需要被特别关注：头部驱动力量的组织形态。
中美两国在这一维度上呈现出鲜明的结构性差异。美国的前沿智能研发主要由研究型闭源创业公司（Research-Intensive Startups）驱动。OpenAI、Anthropic、xAI、Thinking Machines Lab、SSI等公司构成了一个独特的创新群落，它们兼具学术研究的深度和工程落地的速度。这些公司的共同特征是：由顶级AI研究者创办或主导，将基础研究与产品工程紧密耦合，并通过巨额融资维持高强度的「研究密度」。头部大厂如NVIDIA和Google则以基础设施和平台生态的身份参与竞争。
中国的格局有所不同。字节跳动（豆包）、腾讯、阿里巴巴等大厂主导了大模型的研发和部署，开源生态（以DeepSeek为代表）则构成了重要的补充力量。中国在开源模型方面的贡献已经引起全球关注，DeepSeek R1的发布标志着中国在推理能力方面取得了令人瞩目的进展。然而，纯粹的研究型创业公司在中国的生态中相对稀缺，这与人才体系、资本生态和组织文化等深层因素有关。
一个值得深入讨论的概念是Researcher Founder，即研究者型创始人。在科学第四范式（计算驱动的科学）的背景下，从基础研究到产业应用的路径正在被极大缩短。传统的「产-学-研」链条假设了一个从大学基础研究到企业应用开发的线性传导过程。但在AI时代，研究型创业公司打破了这一线性假设：同一个组织同时承担基础研究、工程实现和价值创造的三重角色。OpenAI从一个非营利研究机构演变为全球估值最高的AI公司，正是这一模式最具戏剧性的例证。
要支撑这种模式的可持续发展，至少需要四个条件：充足的人才体系、成熟的资本生态、规模化的算力资源，以及从研究到产品的闭环路径。OpenAI和Anthropic之所以能够持续引领前沿，正是因为它们同时满足了这四个条件。
三、新全球化：AI扩散的地缘逻辑
AI正在重构全球化的底层逻辑。美国的AI扩散策略具有鲜明的全球推广特征：将美国的技术栈（从芯片架构到模型体系到应用生态）作为一个整体向全球输出，目前已占据全球AI技术栈约80%的份额。这一策略的战略意图是明确的——通过技术标准的锁定实现长期的生态控制。与此同时，美国还推出了Genesis Mission计划，试图用AI加速科学研究的进程，尤其是在核能、生物技术、先进材料等战略性领域。
中国的对策则体现在「AI+」产业政策和「新数字丝绸之路」的构想中。「十五五」规划将人工智能的战略地位进一步提升，而「新一带一路」的数字化版本则试图在全球南方国家建立中国AI技术栈的应用基础。这种竞争本质上是两种技术文明扩散路径的博弈。
值得注意的是，这种博弈的底层变量正在发生变化。传统的技术霸权依赖于闭源专有系统的控制力，而开源运动正在动摇这一基础。当DeepSeek以开源方式发布高性能推理模型时，它同时在技术竞争和地缘政治两个维度上产生了冲击：它证明了闭源壁垒可以被绕过，也为全球开发者提供了一个不依赖美国技术栈的替代路径。
四、新基建：80年周期律与泡沫风险
从历史规律的视角看，重大技术革命的基础设施建设阶段往往伴随着大规模的资本投入、周期性的泡沫，以及泡沫破裂后的「新黎明」。铁路、电力、互联网，无一例外。
当前的AI基建浪潮同样遵循着类似的节奏。美国的StarGate计划代表了一种「基建经济」的思路：通过万亿级的算力和能源投资，抢占未来十年AI基础设施的制高点。但这种高度集中的资本投入也蕴含着泡沫风险，尤其是当AI应用的商业化收入在短期内无法匹配基建投入的规模时。
Carlota Perez在其经典著作《技术革命与金融资本》中提出了技术革命的「四阶段模型」：爆发期、狂热期、协同期和成熟期。狂热期（Frenzy）的典型特征是金融资本过度涌入新技术领域，推高资产价格，形成泡沫。泡沫的破裂并不意味着技术本身失败，它更类似一次「强制性的资源重新配置」，为后续的协同期（Synergy）奠定基础。如果我们将当前的AI投资热潮置于这一框架中，有理由认为我们正处于从爆发期向狂热期过渡的阶段。
中国的策略选择与美国形成了对照。政府引导、平衡发展的模式意味着：由国家和地方政府主导智算中心（训练场、实训场）的建设，避免纯粹市场力量驱动下的过度投资。在能源维度，中国的光伏产业已具备全球压倒性优势，核能技术（小型反应堆、可控聚变探索）也在持续推进，这为AI基建的能源需求提供了长期保障。
人类社会大约以80年为周期经历一次范式级的技术革命。如果这一周期律仍然有效，我们正站在一个新的80年周期的开端。
五、新数字化：平台生态与拐点效应
数字经济的核心规律是平台-生态驱动。每一个计算范式的更迭都伴随着新平台的崛起和围绕平台形成的生态系统的繁荣。PC时代的微软和英特尔、互联网时代的谷歌和亚马逊、移动互联网时代的苹果和微信，都验证了这一规律。
在AI时代，新的平台形态正在成型。美国凭借其在前沿模型和云基础设施方面的先发优势，正在构建全球性的AI平台生态。中国则在C端（消费者端）拥有独特的优势：庞大的移动互联网用户基础为AI应用的快速扩散提供了天然的土壤。在B端（企业端），中国面临着一个有趣的「跃迁机会」：由于中国企业的数字化进程整体上落后于美国，反而有可能跳过传统SaaS的中间阶段，直接进入AI原生的企业服务范式。
六、新价值与新产业
AI带来的产业重构远不止于效率提升。从宏观视角看，它正在催生全新的产业门类。中国的「十五五」规划已经将半导体、人工智能、智能制造、量子计算、低空经济等列为战略性新兴产业。这些产业之间存在深度的技术耦合：AI芯片的突破依赖半导体工艺的进步，智能制造需要具身智能的支撑，低空经济则是空间智能的典型应用场景。
一个常被忽视但同样重要的维度是美国的再工业化需求。美国经济长期面临制造业空心化的结构性挑战，而AI（尤其是具身智能和工业机器人）被视为实现再工业化的关键技术杠杆。这一需求正在深刻影响美国AI政策的优先级排列。
七、文明体系：科学范式的更迭
将视野进一步拉升到文明尺度，AI的意义在于它正在推动科学研究范式的第四次更迭。
科学史可以被粗略地划分为四个范式。第一范式是经验驱动的时代，以观察和思考为核心工具，知识以口传心授的方式极缓慢地扩散——从古埃及的灌溉规律到中国的二十四节气，人类用了数千年积累最初的经验体系。第二范式以伽利略的系统性实验为标志，引入了控制变量和可重复验证的方法论，知识扩散的速度缩短到了数十年的量级。第三范式是理论驱动的时代，牛顿力学、麦克斯韦方程组、爱因斯坦的相对论都是这一范式的巅峰之作，数学建模和同行评审构成了知识生产和验证的标准流程。
第四范式由Jim Gray在2007年提出，其核心特征是计算驱动：算法模型、大规模数据采集、人机协同和迭代式验证。AlphaFold对蛋白质结构的预测、自动驾驶系统的端到端学习、脑机接口的信号解码，都是第四范式的典型产物。在第四范式中，科学发现的速度被极大加快——从年和月缩短到周和天，领域边界也被显著拓宽。
这一范式更迭的深远意义在于它改变了科学创新的组织形态。在第三范式中，大学是创新的核心，科研成果通过技术转移机制（如美国的Bayh-Dole法案）进入产业。在第四范式中，研究型创业公司成为新的核心组织：它们同时拥有研究能力、工程能力和市场能力，能够在「从-1到1」的全过程中进行系统性的加速创新。OpenAI、DeepMind、DeepSeek都是这一新范式的典型代表。
美国在1944年提出的《科学：无尽的前沿》（Science: The Endless Frontier）奠定了二战后美国科技创新体系的战略蓝图。近80年后的今天，AI正在驱动一次新的科技战略重构。美国的Genesis Mission瞄准先进制造、生物技术、能源技术（核能现代化、聚变技术）、电网技术等方向。中国则首次将人工智能提升到国家战略的最高层级，并着手探索新一代科研体系。
这场「新产-学-研」组合的重构，本质上是第三范式向第四范式过渡过程中，创新要素的重新排列组合。
八、技术、生产关系、环境与人口
全栈结构的文明体系维度还涵盖了几个同样关键的领域。
在技术方面，AI正在加速四大前沿科技方向的突破：新能源科技、新生命科技、新材料科技和新空间科技。这四个方向的共同特征是：它们的研究过程高度依赖计算模拟、数据驱动和AI辅助的实验设计。例如，AI在材料科学中的应用已经能够从数百万种可能的化合物中快速筛选出具有特定性能的候选材料，将传统需要数年的发现过程压缩到数周。
在生产关系方面，金融体系的演变正在成为AI时代的关键变量。发达的金融体系是AI创新生态的必要条件——从风险投资到IPO退出的完整链条支撑着研究型创业公司的成长。与此同时，美元体系的储备货币地位面临长期结构性压力，人民币的国际化进程和数字货币（包括稳定币）的发展正在改变全球资本流动的格局。AI本身也在深刻改变金融行业的运作方式，从量化交易到风险评估再到合规监控，智能化渗透已经无处不在。
在环境维度，一个令人兴奋的前沿领域是空间拓展。从地面到低空、高空再到太空，人类活动空间的垂直延伸正在催生全新的产业生态。低空经济（无人机物流、城市空中交通、空域管理）正成为中国产业政策的重点方向之一。空天交通网、空域一体化、空天信息融合等概念正在从科幻走向工程实现。这里的关键技术支撑正是空间智能——AI对三维空间的理解、推理和规划能力。
在人口方面，中国面临着深刻的结构性挑战。60岁以上人口已突破3.1亿，出生率降至6.77‰。这一人口结构变化同时催生了巨大的需求和约束：教育体系需要AI驱动的全面变革以适应新的人才培养需求；医疗健康领域则形成了万亿级的刚性需求，影像诊断、远程手术、智慧养老正在成为千亿级蓝海市场。从某种意义上说，AI是中国应对人口老龄化挑战的战略性工具。
第二部分：发展趋势——从通用智能到智能体再到新数字化
一、通用智能的发展阶段：从学知识到学组织
通用智能的发展可以被划分为五个层次递进的阶段，每个阶段对应着模型能力的质变跃迁。
第一层：学知识。 这一阶段的核心技术是预训练（Pre-training），模型通过海量的互联网文本数据获取公开知识。以GPT-3为代表的早期大语言模型展示了令人惊讶的知识涌现能力，中国的豆包也在这一阶段取得了优异表现。ChatGPT的现象级爆发正是第一层能力成熟的标志：人们第一次可以通过自然语言对话获取几乎任何领域的知识。这一阶段的Scaling Law主要基于上下文长度和参数规模。
第二层：学推理。 2024年以来的核心突破在于后训练（Post-training）技术对模型推理能力的大幅提升。OpenAI的o系列模型和中国DeepSeek R1展示了通过强化学习和自我反思（self-reflection）大幅增强模型逻辑推理和问题求解能力的可能性。DeepSeek的开源策略进一步加速了推理能力的全球扩散。Deep Research等半现象级产品的出现标志着第二层能力已经开始产生实用价值。这一阶段的Scaling Law基于自洽反思的迭代深度。
第三层：学能动。 这是2025年的核心战场。能动性的培养需要续训练（Continual Training），使模型获得意图理解、指令遵循、长程规划和工具交互的综合能力。这一层又可以细分为两个方向：数字世界的能动性（以Claude Code为典型代表，覆盖产品设计、科研开发、营销运营等全链条工作流）和物理世界的能动性（机器人、自动驾驶等具身智能场景）。Anthropic估值一年内上涨20倍，正是市场对能动性价值最直接的定价。在数字世界方向，Claude Code的现象级成功证明了当模型具备了在真实开发环境中自主完成复杂任务的能力时，其创造的价值是非线性增长的。在物理世界方向，世界模型（World Model）的多种技术路径已经起步，为具身智能提供物理直觉的基础。这一阶段的Scaling Law基于环境-工具-教育的三位一体。
第四层：学创新。 这一阶段目前仍处于早期探索中，其目标是使AI系统具备真正的发明创新能力，能够突破现有知识的边界。AI辅助AI开发、AI科学家（AI Scientist）等概念初步进入实验阶段。IMO金牌级数学推理模型的出现暗示了这一方向的巨大潜力。这一阶段的Scaling Law将基于创新时间的积累。
第五层：学组织。 这是通用智能的终极形态：多智能体系统具备复杂决策、组织协同、战略规划的能力。目前学术界对多智能体协调（Multi-Agent Coordination）的研究还处于非常早期的阶段，但其长远意义不亚于单体智能的突破。当多个高度自主的智能体能够像人类组织一样分工协作时，我们将面临一个全新的社会组织形态。这一阶段的Scaling Law将基于环境适应的复杂度。
二、Scaling Law的新路径：从模型到智能体的进化
Scaling Law在过去三年中经历了深刻的范式扩展。最初的Scaling Law（Kaplan et al., 2020; Hoffmann et al., 2022）主要关注预训练阶段的参数量、数据量和计算量的幂律关系。但随着模型能力的提升和应用场景的深化，新的Scaling维度正在被发现和开发。
一个有启发性的类比是将AI的演进与人类文明的社会化进程对照。从生物进化中的基因遗传，到语言的出现、教育体系的建立、工业化、数字化直至智能化，每一步都代表着能力传承和放大效率的跃升。AI的Scaling路径同样可以沿着这条线索理解：从数据驱动的「遗传」（预训练），到推理驱动的「认知」（后训练），再到环境交互驱动的「能动」（续训练），最终到创新和组织层面的更高阶Scaling。
一个关键洞察是：新Scaling进程的速度和路径，在很大程度上由数字化环境和基础设施的成熟度决定。这意味着智能体时代的Scaling竞争不仅取决于模型本身的能力，更取决于为模型提供的「环境」——工具、数据、驾驶舱、上下文工程——的质量和完备程度。
三、通用智能的技术前沿
在全新的发展体系中，通用智能的各个分支正在快速推进。
模型基础方面，当前的前沿研究集中在几个方向：稀疏注意力机制（Sparse Attention）正在大幅提升模型的计算效率，使超长上下文的处理成为可能；理解与生成的统一架构（Unified Architecture）试图在一个模型中同时实现高质量的语言理解和多模态内容生成；扩散模型（Diffusion Model）和流匹配（Flow Matching）方法在图像、视频、音频生成方面展示了惊人的能力；长上下文和记忆机制的突破使模型能够处理百万token级别的输入窗口；评测体系也在从标准化基准测试向真实场景、能动性导向的评估方法转变；持续学习（Continual Learning）的研究则聚焦于如何让模型在不遗忘已有知识的前提下持续获取新能力。
认知智能的核心追求是高难度问题的求解能力和深层反思能力。当前的前沿方向包括：AI辅助AI开发（使用AI系统来改进AI系统的架构和训练过程）、AI科学家（自主提出假设、设计实验、分析结果的端到端研究系统），以及认知与能动性的深度结合——使模型不仅能「想」而且能「做」。超智能（Superintelligence）虽然仍是一个遥远的目标，但多家前沿研究机构已经在进行相关的安全和对齐研究。
情景智能（Contextual Intelligence）关注的是模型对真实世界场景的感知和理解能力。全模态融合（音频、视频、触觉等多种输入通道的统一处理）是核心技术挑战。深情境（Deep Context）的概念强调模型需要理解的不仅是语言文本，还包括任务（Task）和奖励（Reward）的完整语义结构。随着智能体需要在越来越复杂的真实环境中运行，情景智能对原生数据采集的需求正在爆发式增长。
具身智能（Embodied Intelligence）的进展近一年来显著加速。人形机器人（如Figure、Unitree等）、四足机器人（面向教育、娱乐和工业巡检）、工业机器人（操作、规划、行动）和自动驾驶构成了具身智能的四大应用场景。核心技术路径正在从传统的分模块架构向端到端（End-to-End）架构演进，世界模型（World Model）和VLA（Vision-Language-Action）模型成为关键突破方向。Physical Intelligence的Pi-0.5等探索性成果表明，将语言模型的推理能力迁移到物理操作领域是可行的。数据采集（本体数据+流程数据+标注数据）仍然是具身智能大规模落地的关键瓶颈。
空间智能是一个正在快速浮现的方向。世界模型在空间维度的应用可以分为两类：数字世界的空间智能（以World Labs / Marble为代表，构建数字化的三维世界模型）和物理世界的空间智能（以奇岱松等为代表，专注于物理空间的上下文理解和空间智能机的开发）。空间推理能力和注意力机制的突破将直接加速具身智能在真实物理环境中的落地。
科学智能（AI for Science, AI4S）正在成为AI最具战略价值的应用方向之一。其核心路径包括：建立面向科学研究的专属数据体系和模型体系；开发能够端到端参与科研过程的智能体系统；培养能够自主提出假设和验证假设的AI科学家。Genesis Mission在美国层面代表了这一方向的国家级战略投入。科学智能的终极愿景是用AI加速整个科学发现的过程——从数据采集、假设生成到实验验证，每一步都可以被AI显著加速。
四、智能体：能动性的全面释放
2025年被广泛视为「智能体元年」。智能体的核心能力可以被分解为四个维度：意图理解（准确把握用户的真实需求）、指令遵循（严格按照指定要求执行任务）、长程规划（将复杂目标分解为可执行的步骤序列），以及工具交互（调用外部API、操作软件界面、读写文件系统）。
但能动性的真正释放需要三个关键条件的支撑：
真实环境。 智能体必须在真实场景中通过实践学习。从互联网上的静态文本到高价值真实场景的完整上下文，数据来源的转变是能动性突破的关键。智能体需要独立完成多轮、长期的复杂任务，在与真实环境的交互中持续提升规划和操作能力。
真实评估。 传统的标准化基准测试（Benchmark）已经无法有效衡量智能体的真实能力。新一代评测体系强调：输入和输出必须来源于线上真实数据，确保评估的是真实用户需求；评测需要动态更新，定期引入最新的用户查询（Query），以避免模型对评测集的过拟合（Reward Hacking）。
真实数据。 以「环境上下文」为核心的数据采集正在成为新的趋势。从泛化的互联网上下文转向高价值真实场景的完整、全面、多维度上下文，是智能体从「能用」到「好用」的关键转变。
五、驾驶舱：人类掌控能动性的界面
「驾驶舱」（Cockpit）是一个在陆奇的框架中被反复强调的概念，它指的是人类利用和控制智能体能动性的界面系统。
一个深刻的历史类比有助于理解这一概念的本质意义。内燃机的发明赋予了人类强大的机械动力（一种「物理世界的能动性」），但这种能力的释放经历了漫长的驾驶舱迭代过程：从马到马车到福特Model T到高速公路系统，每一次驾驶舱的升级都大幅扩展了机械动力的可用范围和使用效率。类似地，互联网赋予了人类信息处理的能动性，其驾驶舱从服务器发展到浏览器、搜索引擎、社交平台，每一代驾驶舱都释放了互联网能力的新维度。
AI时代的能动性释放同样遵循这一规律。模型本身具备的能动性潜力是巨大的，但这种潜力需要经过驾驶舱的迭代和工程体系的构建才能被有效释放。OpenAI Codex是第一代AI编程驾驶舱，Claude Code代表了驾驶舱工程的重大进步，而围绕Claude Code正在形成的生态系统则预示着驾驶舱体系的进一步成熟。
Claude Code的案例特别值得深入分析。其核心创新在于「硅基-碳基共享上下文」的理念。传统的云端AI方案（如早期的Codex和GitHub Copilot）要求开发者将工作环境迁移到云端，但现实中，大部分开发工作仍然在本地进行——本地文件系统、命令行、公司数据库、内部资源。Claude Code选择了一条截然不同的路径：作为一个本地化的命令行工具，它直接安装在开发者的PC上，完整访问本地环境。开发者无需改变工作习惯，而是通过目录级别的Markdown文件（用Prompt描述每个目录的环境和上下文），让AI能够「看见」并「使用」碳基世界的完整上下文。
这种设计哲学的深层含义是：AI需要的上下文与人类的工作上下文应该是同一套。传统方案试图为AI构建一个独立的、纯数字化的运行环境，Claude Code的做法则是让AI融入人类已有的工作环境。这不仅降低了集成复杂度，更重要的是，它使得人与智能体之间的协作可以在共享的上下文中自然发生。
驾驶舱的演进阶段可以类比自动驾驶的分级。在辅助驾驶阶段，人类主导、系统辅助，能动性较低；早期的对话模型（GPT-4、Claude 3.5）配合Coze、LangChain等工作流框架属于这一阶段。在准自动驾驶阶段，系统主导、人类接管，能动性处于中等水平；新一代能动推理模型（GPT-5、Claude 4.5级别）配合长程推理和环境交互能力，正在进入这一阶段。在全自动驾驶阶段，系统主导、零接管、高能动性，这是长远的发展方向。
每个阶段都有其对应的工程挑战。辅助驾驶阶段需要工作流编排来弥补模型在多轮交互和长程推理方面的缺陷；准自动驾驶阶段的核心挑战是安全运行环境（沙盒、权限审计、行为护栏、人在回路）和上下文工程（数据语境化、工具语境化、上下文组织）；全自动驾驶阶段则需要高度成熟的交付质量保证体系（交付契约设计、评估Rubrics、自我检验、过程透明化）。
六、上下文工程：智能体的操作系统
如果说驾驶舱是人类与智能体交互的「硬件」界面，那么上下文工程（Context Engineering）就是智能体运行的「操作系统」。
上下文工程的核心体系可以分为三个层次：
系统提示词（System Prompt） 承载组织性、目的性和个性化的上下文信息。它定义了智能体「是谁」、「为谁工作」、「遵循什么原则」。
结构提示词（Structure Prompt） 承载静态的、结构性的环境上下文。类比物理办公空间，它定义了智能体的「工作空间」——哪些区域用于什么功能（会议区用于团队协作、办公区用于日常工作、洽谈区用于商务交流），以及组织结构中不同角色的职责分工。
任务提示词（Task Prompt） 承载动态的任务上下文，从简单的工作流指令到复杂的「认知脚手架」（Cognitive Scaffolding）。认知脚手架是一个特别重要的概念：它不只是告诉智能体「做什么」，还提供了「怎么想」的框架——问题定义、解空间构建、认知维度分解、系统性思考过程等。
上下文工程的完整体系还包括底层的支撑设施：驾驶舱体系（软件操作系统、文件系统+硬件设备）和上下文处理流程（感知环境→分析规划→任务执行→状态记忆→闭环提高）。
七、新数字化：软件3.0的全面到来
如果将软件的发展划分为三个范式，软件1.0是符号时代（代码输入、编译器执行）；软件2.0是数据时代（数据驱动、神经网络推理）；软件3.0则是语言时代（自然语言描述、大模型理解和执行）。
软件3.0的技术栈从底层到顶层包含五个层次：
硬件计算层：以GPU张量核心为基础的浮点矩阵运算，本质上是一种「分时计算时代」——计算资源通过时间片分配在不同的推理任务之间。
系统核心层：通用操作系统由语言模型和世界模型构成，形成了一种全新的「上下文计算机」。在这个计算机中，Prompt是输入，模型推理是计算，Token生成是输出。
商业化OS层：驾驶舱+上下文工程的组合构成了面向商业化的操作系统层。在物理世界的维度，空间驾驶舱+物理上下文则构成了「空间智能机」。
拓展开发层：Plugins、Skills、Hooks、MCP（Model Context Protocol）等机制构成了类似于传统应用开发生态的拓展层。MCP尤其值得关注，它正在成为智能体接入外部工具和服务的标准协议。
应用生态层：数字智能体（能动性、定制化、一次性APP）和具身智能体（机器人、自动驾驶、新设备终端）构成了面向终端用户的应用层。
八、产业结构的重塑
软件3.0对产业结构的影响是全方位的。
在To C方向，AI正在重构全方位的流量入口。从通讯社交到内容游戏，从教育医疗到金融住房，几乎所有的消费场景都面临AI原生化的改造。这种改造不仅体现在用户界面的智能化，更体现在底层服务逻辑的重构——从标准化产品到个性化智能服务。
在To B方向，新的产业结构机会正在形成。新IaaS（带动国产算力和训练体系的发展）、新PaaS（模型与算力协同，针对上下文提升效率）、新SaaS（面向能动性应用的新型服务体系）构成了企业级AI服务的三层架构。新的终端设备（车、机器人、无人机、无人船）和新的个人终端（AI眼镜、穿戴设备、手机）则构成了AI能力的物理延伸。
从宏观视角看，一个类似于「AI工厂」的概念正在形成：企业的供应链、市场销售、客户支持、员工体验、金融法律、行政办公、政府关系等所有职能模块，都将通过AI驾驶舱连接到统一的智能操作系统上。
第三部分：研发模式——从实验室到战场的落地路径
一、新研发模式：六个要素局势
新研发模式的核心骨架包含六个要素：算力体系（智能体云）、模型体系（能动性闭环）、数据体系（上下文工程）、驾驶舱模式（能动性释放）、新开发交付模式（高效定制共创）、新应用落地模式（系统性布局）。
二、新模型体系：开源能动模型与评测生态
在新模型体系的建设路径中，几个关键的建设方向值得关注：
开源能动模型的开发。 在Qwen3、DeepSeek等开源基座模型的基础上，构建面向能动性的上层能力，包括意图理解、目标遵循、规划拆解、交互推理等核心能力模块。这些能力的泛化范围需要覆盖通用工具操作、网页交互、深度研究、代码编写等主要场景。
真实场景评测系统（Open Agent Arena）。 传统的静态Benchmark已经无法满足智能体评估的需求。新的评测系统需要基于真实用户需求的动态评测，定期更新评测集以避免模型对评测的过拟合。
训练即服务（Training as a Service）。 充分利用丰富的产业生态，将高价值真实场景与模型训练形成闭环：真实场景提供训练数据和评测标准，训练后的模型再部署到场景中验证效果，持续迭代。
下一代能动性模型体系。 以NexAU等Agent开发框架为代表，构建端到端的Agentic数据合成管线和强化学习训练基础设施（NexRL、NexVenusCL），推动能动性模型从实验阶段走向产业级部署。
三、新算力体系：从算力云到Agent云
算力体系的价值逻辑正在经历根本性的转变。
旧模式以租卖算力（GPU时间片）为核心，利润空间有限，技术壁垒不高，面临严重的同质化竞争。升级到「Token as Service」（以模型推理为单位收费）虽然提升了价值密度，但仍然依赖公开互联网上下文，容易被替代。
新模式的核心是Agent云——以智能体运行为中心的新型算力服务。这种模式的价值主张是「上下文即服务+智能体运行」：从服务人转向服务Agent，从互联网上下文转向高价值企业上下文，从按量计费转向以结果为导向的价值定价。这种转变的深层逻辑在于：企业的生产力上下文具有持续积累的特性——使用越久，沉淀的上下文越丰富，服务的价值越高。
新算力体系的技术架构包含三层。新IaaS层提供智算云基础设施（先进芯片训练算力、国产替换、沙盒环境）。新PaaS层提供Agent能动基础设施（智能体运行时、上下文工程即服务、权限安全管理）。新SaaS层提供新企业生产力服务（智能体工程即服务、工作空间、能动配置、智能体驾驶舱）。
贯穿这三层的是模型算力Co-Design的理念：多芯片异构算力体系与模型架构的协同优化，以及持续学习框架下的「训练即服务」（Training-as-a-Service）机制——自动调优、强化学习训练、异步并行机制等。
四、新数据体系：从互联网数据到环境交互数据
能动性时代的数据需求正在发生根本性的改变。
预训练阶段的数据需求以互联网文本和书籍为主；后训练阶段转向对话数据和推理链数据；而能动性训练阶段则需要全新类型的数据——上下文数据和环境交互反馈数据。这些数据来源于真实的工作场景、业务流程和决策过程，具有高度的场景特异性和时效性。
美国的模型公司和数据公司已经在系统性地构建面向职业体系的数据资产。几个案例值得关注：
Anthropic和斯坦福大学都在利用美国劳工部的职业信息体系数据库（O*NET）研究AI对人类各种职业的影响，以此指引AI能动性的发展方向——本质上是在回答一个关键问题：「AI应该首先学会做哪些工作？」
Surge AI正在进行大规模的企业环境构建，完整复现企业的工作软件环境、组织架构，虚构数万条企业数据并确保数据之间的逻辑一致性。这种「合成企业环境」为智能体的训练提供了安全、可控、可规模化的实践场所。
OpenAI最新的「Mercury」项目则以时薪150美金的高价招募华尔街专业人士标注金融领域的数据，体现了高价值领域数据的稀缺性和获取难度。
这些案例共同指向一个结论：能动性时代的数据竞争，核心在于「谁能构建出最完整、最真实、最高价值的场景上下文」。
五、驾驶舱体系的工程化
驾驶舱设计的核心原则是：利用好系统的能动性并弥补其缺陷。当前能动模型的主要缺陷包括：行为失控（在长程推理中偏离目标）、缺乏业务理解（对特定领域的知识和流程不熟悉）、交付质量波动（输出结果的稳定性不够）。
针对这些缺陷，新驾驶舱体系构建了四层防护和增强机制：
安全运行环境：安全运行沙盒、权限审计体系、行为护栏规则、人在回路（Human-in-the-loop）机制。
上下文工程：数据语境化（将原始数据转化为模型可理解的上下文）、工具语境化（将工具接口封装为模型可调用的标准化接口）、上下文组织（按任务需求动态组装相关上下文）、Skills系统（可复用的能力模块）。
交付质量保证：交付契约设计（明确任务的输入、输出、质量标准）、评估Rubrics（结构化的多维度评估框架）、自我检验（模型对自身输出进行质量审查）、交付过程透明化（用户可以查看智能体的推理过程和决策依据）。
这套体系的目标是使能动模型可信、可靠地融入工作。
六、企业数字化的范式跃迁
从更长的时间尺度看，企业数字化经历了五个阶段的演进，每个阶段都可以用一个「System of X」的框架来概括。
System of Information（信息系统阶段）：以微软Office为代表，企业开始了桌面数字化，核心是文档处理。
System of Record（记录系统阶段）：ERP、CRM等企业级应用的普及，核心是记录业务流程和决策过程。
System of Engagement（连接系统阶段）：互联网时代的企业数字化，核心是与用户、客户、渠道、供应商的在线连接，以及内部的邮件、协同工具。
System of Insight（洞察系统阶段）：大数据和BI分析驱动的阶段，核心是从海量数据中提取洞察，支持数据驱动的决策。云原生、数据栈、低代码平台构成了这一阶段的技术基础。
System of Intelligence（智能系统阶段）：AI时代的全新范式。多模态自动感知系统、从数据到模型的完整链路、辅助和全自动化的决策与执行能力，构成了这一阶段的核心特征。覆盖面从每个场景、每个职能、每个行业，延伸到每个设备、每个工艺、每个岗位。
当前正在发生的范式转移最核心的特征可以用三个「从…到…」概括：从「数据驱动」到「语义驱动」，从「IT工具」到「业务语言」，从「辅助决策」到「智能决策」。软件3.0和上下文工程为企业提供了用统一的自然语言进行内部数字化整合的可能性。这一转变的意义堪比从纸质文档到电子文档的跃迁——它改变的不仅仅是效率，更是企业组织和运作的底层范式。
七、FDE模式：智能体落地的关键角色
FDE（Forward Deployed Engineer，前沿部署工程师）是一个源自Palantir的概念，正在成为AI时代智能体落地的核心角色。
为什么需要FDE？ 根本原因在于「应用鸿沟」的存在。大语言模型具有强大的通用能力，但企业业务具有高度的特殊性——特定的数据格式、独特的业务流程、复杂的组织架构、微妙的行业知识。模型的通用性与业务的特殊性之间存在一道鸿沟，FDE的角色就是架设桥梁。
在传统软件时代，这道鸿沟主要通过标准化产品+定制化实施来弥合。但AI时代的情况有所不同：需求高度不确定（业务方往往自己也不知道AI具体能帮他们做什么），迭代速度极快（模型能力每几个月就有显著提升），价值创造方式从交付固定功能转向持续交付可量化的业务价值。这些特征要求一种全新的角色——既懂技术又懂业务，既能做研究又能做工程，既能独立探索又能与客户共创。
FDE的核心工作流是一个持续迭代的循环：需求理解（与领域专家沟通，深入理解业务场景）→ 业务转化（将业务需求转化为AI可处理的任务定义，包括提示词设计和工作流编排）→ 技术实施（设计输出格式、系统调优、API编排）→ 质量验证（测试、修正、达标确认）→ 生产部署（上线、监控、持续优化）。
Palantir在空客的案例完美展示了FDE模式从0到1再到N的Scaling过程。2015年底，Palantir的FDE团队进驻空客工厂，通过深入一线访谈发现了数据孤岛问题，构建了SDDI数据集成方案，用Ontology（本体论）建立业务语义层，开发了第一个面向A350生产效率的MVP应用。2016年，FDE开始横向拓展，将相同的方法论复制到生产、供应链、调度、财务、质量等多个业务线。2017年，Palantir将这些经验抽象为Skywise平台产品（基础设施层Apollo+平台层Foundry+应用层），实现了规模化部署。2017年之后，平台开放给OEM、航空公司、供应商、MRO等整个航空生态系统。截至2024年，已有150+航空公司加入，平均每两周新增一家组织。
这个案例的深层启示是：FDE模式的Scaling路径从「定制问题」起步，经由「抽象通用解」，最终「输出产品形态」。每一步都需要FDE在客户现场的深度浸入。
OpenAI在John Deere（约翰迪尔）的案例则展示了FDE在农业领域的应用。John Deere的See & Spray智能喷洒技术利用36个摄像头和边缘算力识别杂草并进行精准喷洒，实现了化学农药使用减少60-70%、产量提升等显著成效。在这个项目中，OpenAI的FDE团队完成了从早期范围界定（系统调研、数据盘点、KPI定义）到验证（离线验证+边缘仿真+田间试验）再到交付（生产集成+监控运维+数据回流）的全流程。
八、FDE在中国的落地挑战
FDE模式在中国的落地面临一系列独特的挑战。
支付意愿问题。 中国企业对SaaS和知识服务的付费意愿长期偏低，习惯于为硬件和有形资产买单。FDE模式的核心价值是知识密集型的咨询+工程服务，这种价值形态在中国市场需要被重新定义和教育。
数据基础设施碎片化。 中国企业的数字化历程以自研和定制化为主，形成了大量的「烟囱式」系统，数据孤岛问题严重。这直接导致FDE在企业端的集成工作从美国通常的2周延长到2-3个月，时间成本和人力成本大幅上升，解决方案的可复用性显著下降。
文化差异。 美国的Palantir文化强调跨界、模糊边界的角色定义，FDE可以同时扮演工程师、顾问、研究员多重角色。中国企业文化倾向于清晰的岗位边界和职责划分，FDE的复合型角色定位在组织中可能面临定位困难。
人才供给稀缺。 FDE要求极高的复合能力（业务理解+技术能力+产品思维），市场上这类人才极度稀缺。AI创业公司急需建立FDE团队以落地模型能力，传统企业服务商也需要FDE能力来支撑转型，供需之间的比例严重失衡。
模型能力差异。 美国FDE可以直接调用前沿模型（Claude、GPT-5级别）的强大能力，重点精力放在业务集成和信任建立上。中国FDE往往需要在模型能力不足的情况下进行额外的补偿工作（微调、工程trick等），这进一步增加了项目的复杂度和成本。
九、FDE的进化方向：FDR与OPC
FDE的角色定义本身也在快速进化。
从FDE到FDR（Forward Deployed Researcher，前沿部署研究员）。 OpenAI和Anthropic正在推动的这一转变意味着：部署在客户现场的不仅仅是工程师，还是研究员。FDR的核心使命从「配置和集成现有技术」升级为「在客户环境中进行前沿技术的研究和创新」。在FDR模式下，客户项目本身成为了研究课题的来源，成功的技术模式会被快速产品化并反哺到平台的核心能力中。这种「双向知识流动」机制使得前沿研究与产业落地之间形成了更紧密的正反馈循环。
一个典型的案例是企业知识库AI助手的开发：客户需求是「快速查询历史项目文档」，FDR在解决这一需求的过程中，探索了如何让LLM理解行业术语和概念，开发了新的「上下文压缩」技术和「多模态文档理解」方法，这些创新最终被整合到OpenAI的Assistants API中。
从FDE到OPC（One Person Company，一人公司）。 这是一个更激进的进化方向。FDE和OPC创业者在能力要求上存在高度的重叠：全栈技术能力、深度业务理解、在模糊环境中定义问题的能力、跨界沟通协作、结果导向、快速适应。当AI工具足够强大时，一个具备FDE能力的个体完全可以独立创建和运营一家公司。
Major Shlomo的Base44案例是这一模式最引人注目的证明。作为一人公司（直到被收购前最后一个月才招了第一名员工），他用AI构建MVP（2-4周完成一个产品），直接推送生产环境，通过内容营销和病毒传播机制实现增长，最终在6个月内被Wix以8000万美元现金收购。年度经常性收入350万美元，25万+用户，单月利润18.9万美元。
这个案例表明：AI工具（尤其是Claude Code等强能动性工具）正在将FDE的能力「民主化」——将原本只有大型组织才能调动的复杂工程能力赋予个体创业者。
十、FDE赋能产业转型的系统路径
将FDE模式嵌入产业升级的整体框架中，可以描绘出一条「以点到面」的发展路径。
在To-G（政府服务）方向，FDE可以帮助建立集中的智能化服务体系，系统性覆盖和提升政务场景。参考已有的政务案例（企业画像、惠企赋能、政策补贴智能匹配等），通过「智能体+一张图+FDE」的模式系统性赋能政府部门。
在To-B（企业服务）方向，FDE可以扮演「新咨询」和「新集成商」的双重角色。新咨询意味着辅助企业完成AI时代的认知升级和战略转型；新集成商意味着以可复制的智能体方案带动产业整体转型。这种模式可以被类比为「中国新生产力的麦肯锡」——用AI原生的方法论帮助企业理解和应用前沿技术。
覆盖的产业领域与「十五五」和「人工智能+」政策高度关联：集成电路、人工智能、生物医药、高端装备、新能源汽车等五大先导产业，以及六大重点行业。
结语：面向智能文明的新长征
回到文章开头提出的命题：我们正站在能动性边际成本趋零的历史拐点上。这个拐点的意义远超技术本身。
从个体层面看，当每个人都可以借助智能体获得复杂任务的执行能力时，人类个体的生产力上限将被根本性地提升。从组织层面看，企业的竞争优势将从「拥有多少人」转向「拥有多好的上下文和驾驶舱」。从国家层面看，AI战略的竞争不仅是技术和资本的竞争，更是组织范式和文明范式的竞争。从文明层面看，科学第四范式的全面到来意味着人类认知和创新的速度将进入一个全新的量级。
历史不会简单地重复，但它的韵律往往惊人地相似。正如蒸汽机催生了工业文明、电力催生了电气文明、计算机催生了数字文明，通用智能正在催生一个全新的文明形态。在这个文明中，知识、认知和能动性将像电力和互联网一样成为无处不在的公共基础设施。
中国的机遇在于：在这场文明级的转型中，抓住从基础设施建设到产业落地、从模型研发到人才培养的每一个关键节点，构建起具有自主可控能力的全栈AI体系。FDE模式、软件3.0、上下文工程、驾驶舱体系——这些概念不仅仅是技术框架，它们是新文明基础设施的组成部分。
这是一场面向智能文明的新长征。征途漫漫，但方向已经清晰。