7月，全球AI算力龙头的股价，创出了历史新高，再次登顶全球市值第一。短短过去3个月，似乎再无人提起大模型的预训练“撞墙”这事了，算力需求的担忧似乎又被延后了一年。

过去3个月，大模型往Agent应用的“中级”目标迈进。大模型有了长期记忆，通过MCP可以对接大量人类使用的工具、数据库和代码，通过A2A协议可以在垂直Agent之间进行协作，与人类的沟通也不再局限于文字，图片乃至视频的精准理解和生成，都在拓宽着Agent的工作领域。AI从一问一答的“聊天工具”，进化成了为人类打工的“任务机器人”。

在所有Agent的落地场景中，AI编程的渗透率上升最快。从代码检查与修正，到代码续写，再到自然语言的代码自动生成，AI编程在逐步往Agent的方向靠拢。去年9月份全球第一款推理大模型GPT o1发布后，AI编程插件Github Copilot的用户渗透率飞速发展，一年时间从10%上升到50%，全球收入也增长到了5亿美金。而随着Agent框架的逐步完善，编程Agent —— Cursor的增速更是超越了Copilot，从2024年初起步至今，收入已过微软的Github Copilot，这得益于Agent产品不仅拉高了产品单价，还因更低的使用门槛，在开发者的关联人群（例如设计师、产品经理等）中迅速破圈，用户技术被放大。但即便未来用户人群上亿（目前全球开发者约3000万人），终极年化收入也仅百亿体量。编程Agent的迅速破圈，更大的影响在于，软件世界的产出量会因此出现爆发式增长。

以微信小游戏为例，这几年AI生图与编程的能力的进步，使得游戏制作的成本和速度大幅下降，这对于小游戏来说，无疑是“数量级”的优化。2024年中国小游戏市场收入达398.36亿元，同比增长99.18%，2025年市场收入预计将超过600亿-700亿，成为体量比肩端游的细分市场（仍远小于手游2000多亿的市场）。一方面，游戏制作的分散度在大幅提升，玩法众多，头部游戏集中度较低；另一方面，游戏人群的数量也在快速增长，尤其是女性和中老年玩家，比端游和手游出现了较大的增长。

在此背景下，全球软件设计平台——F公司于本月最后一天上市，掀起了美股短期的一轮小高潮。公司靓丽的增长数据也是受益于AI编程的拉动，在未来世界数字产品大爆发的预期下，上市当天直接开出了50倍PS的极端估值。

与此同时，Agent在广告业的应用也开始初见成效。全球最大的两家广告巨头——M公司和G公司，二季报皆超出了市场预期。AI技术在其中发挥了很重要的作用，既改善了广告推荐效率（提升CPC与CTR），也提升了内容推荐的需求（提升用户留存时长或搜索次数）。除此以外，两家公司增长的主要驱动之一，还来自同样一块新业务——广告投放自动化（Advantage+与PerformanceMax业务）。广告主，尤其是中小企业主，过去需要自建广告制作与投放团队，现在可以通过这两大平台的广告投放Agent，进行广告的AI制作与流量筛选投放，可以缩小广告主的团队规模节省开支，也激活了许多不擅广告投放的中小商家的需求。

而在通用Agent领域里，Openai也于本月正式加入竞赛，在中国创业公司Manus和Genspark之外，成为全球第一家推出“通用Agent”的大模型厂商。当前通用Agent的市场，被Manus和Genspark占据了绝大部分，但实际上Agent能够独立完成的任务种类并不多，主要通过搜索引擎、文档、表格、PPT等工具的使用，来完成一份研究报告，而浏览器和手机操作系统的使用却依然不如人意。Manus和Genspark的工作更多依赖于内置的工具，通过预设的Workflow流程来使用工具，极大地提升了工具使用效率和任务完成速度，但泛化性就受到了限制。Openai则希望使用推理模型和MCP协议，在任务执行过程中，通过强化学习来探索完成任务目标的最佳执行链，优点是泛化性很强，可以探索学习使用不同的外部工具和任务种类，但许多工具的早期使用非常生疏，效果差，时间长，成本重。两种技术路线，需要在效率与泛化性之间去找平衡。

虽然在Agent的各种场景中，能实现完全闭环，无须人工干预的任务还不多，但令人期待的是，Agent正在打开“AI自我学习”的正循环。现代强化学习的奠基人Sutton曾经写过一篇名为《惨痛的教训》，一直被Openai奉若圣经；今年4月，Sutton发表了名为《欢迎来到经验时代》的论文，对比了“人类数据时代”和“AI经验时代”的区别：当前 AI 靠人类生成的静态数据（如互联网文本、图像）训练，即“数据时代”，但人类原创数据已接近饱和，难以产生真正新知 。而Agent一旦落地真实世界，以第一人称来执行任务和互动，产生动态、高定制化的“经验数据”，其价值将远超静态训练集，接近生命本质——如婴儿成长过程中，通过感知与互动生成海量经验性反馈的认知机制。

过去的AI像一名会失忆的天才毕业生，学到了丰富的知识和严密的逻辑思维，但智商却永远止步于校园的最后一天，上班后便不再学习。而现在的Agent可以在不同的任务当中，累积工作经验，持续地学习提高，并且可以通过强化学习，主动探索完成各种任务的最佳路径。

扎克伯格在财报电话会的开头便特意强调了这个现象：在过去几个月里，已经开始观察到AI 系统自我改进的迹象。我们在使用GPT Agent的过程中，也发现了在几个相同研究任务之间，Agent完成时间会不断缩短，而不是简单地重复预设流程指令。第一次接触任务时，Agent需要搭建执行链，在规划、探索和反思之间，不断进行搜寻和测试，找到最优执行链，相当于做了一次以任务要求和用户反馈为奖励函数的强化训练/RLHF，这个过程需要很久的时间，例如超过半小时。而当在不同对象上重复相同类型的任务之时，已经搭建的执行链，会稍微修改后快速执行，任务完成时间会逐次缩短到数分钟。

这种在应用层面进行主动探索和持续学习的能力，是AI“经验时代”的最重要特征。所以，来自我们人类所积累的“数据”已不再是AI的天花板。而相比人类的经验，AI的经验还有两项决定性优势：其一，AI经验不会随个体“消亡”，可以长期保存、快速复用；其二，这些经验可以即时被复制并部署至其他用户的任务中，具备“经验共享”的天然机制。这使得AI的学习效率和迭代能力将远超人类。

就像当年AlphaZero通过自我探索和经验累积，战胜了李世石，从此将人类围棋水平远远甩在了身后；如今的Agent也有望通过强化学习和与真实世界各个领域的互动，走出一条惠及全部人类岗位的AGI道路。而当这样的Agent广泛被部署于全球各行各业，为80亿人服务时，算力也必将像水和电一样，成为新的基础要素，支撑数字文明的每一个角落。

风险提示及免责声明：市场有风险，投资需谨慎。在任何情况下，文章中的资讯仅供读者参考之用，文中提到的公司亦仅为阐述产业逻辑，所有内容均不带任何投资建议，读者不应单纯依靠本文而取代个人的独立判断。对于因使用、引用、参考本文内容而导致的投资损失、风险及纠纷的，东方港湾不负任何责任。