然而，就在不久前，AI 领域又迎来另一个热点的突破，该突破不仅是一个技术进步，更是一种实现未来愿景的希望,它就是 AI Agent。AI Agent 不仅是另一个庞大的 LLM，它更是一种全新的人工智能实体，具有令人惊叹的智能化和自主性。最近的项目，如 AutoGPT、AgentGPT 和 BabyAGI 等，已经开始展示了 AI Agent 的惊人潜力，这使得我们迈向通用人工智能（AGI）的道路更加清晰。OpenAI 联合创始人 Andrej Karpathy 对此赞叹不已，称这一创新为“一个充满疯狂的未来”。
视频来源：HyperWrite Facebook官方视频号
01
AI Agent 运行机制
那么，AI Agent 究竟是什么，它是如何工作的？
我们都知道，LLM 是一个庞大的自然语言处理模型，主要工作在文本领域，它可以进行：
文本处理：LLM 基于海量的文本数据训练，它可以理解和生成文本，包括情感分析、文本分类、关键词提取、句法分析等。
文本生成：LLM 基于自然语言模型的能力，可以根据输入上文生成概率大的自然语言下文。这使得它可以用于自动回答问题、生成文章、翻译文本等任务。
自然语言理解：LLM 可以理解用户自然语言输入，包括意图识别、问题理解和上下文对话等。
逻辑推理：LLM 可以从训练数据中包含的分析、逻辑、推理等文本，习得相关的能力。
LLM 是 AI Agent 中的一个核心组成部分，它是 AI Agent 的大脑，负责自然语言文本的分析理解和处理。而 AI Agent 是一个更全面的系统，其潜力远不止于 LLM 的文本生成、故事续写和程序优化，它是更加强大的通用问题解决器，除了包含 LLM 的核心能力自然语言处理以外，还包括了记忆、规划和工具使用等要素，因此它所胜任的任务更加广泛，可以用于模拟人类行为、任务自动化、与环境交互等。
相比 LLM 只告诉你怎么做，AI Agent 不仅告诉你该怎么做，还会主动用实际行动使用相关的工具去执行 LLM 的决策建议，并根据执行的结果反复迭代优化，直到他认为成功完成了你的任务。
分析人类是如何解决问题，我们可以更好地理解上述过程。设想下，当你遇到一个具体任务时，你，特别是你的大脑、五官和手脚，是如何协调配合去解决该问题？
该过程可以分为以下几个步骤：
感知（Perception）：解决问题首先需要感知当前的环境。感知使用五官，如眼睛、耳朵、鼻子、嘴巴和皮肤等，告知你当下所处的状态。例如，你的眼睛会告诉你现在所处的位置和周围发生的事情。这些感知信息会源源不断朝你涌来，如果任务是找到一本书，眼睛会开始扫视房间，寻找书的位置。
理解与分析（Understanding and Analysis）：一旦感知到任务，大脑便开始处理信息。它会将感知到的信息与已有的知识和经验相结合，以理解任务的性质和要求。这包括识别书的封面，了解书的特征，以及回忆书可能被放置的地方。
规划（Planning）：一旦大脑理解了任务，它会制定一个行动计划。这涉及到决定采取哪些步骤以完成任务。在找书的例子中，计划可能包括先检查书架，然后检查桌子上是否有书。
执行（Execution）：执行是将计划付诸实践的阶段。这时，身体的手脚开始行动。你的手可能会伸出去，拿起书，而腿则可能会移动到书的位置。
反馈（Feedback）：在执行任务的过程中，大脑会持续接收关于任务进展的信息。这包括观察是否找到了书，或者是否遇到了障碍。基于这些反馈，大脑可以做出调整，以确保任务成功完成。
学习（Learning）：任务的完成也为大脑提供了学习的机会。如果在任务中遇到了新问题或挑战，大脑可能会从中学到新的知识和技能，以便将来更好地应对类似的任务。
在上述整个过程中，人的大脑与五官、手脚等身体部位之间的协同工作是解决任务的关键。大脑起着指挥和控制的作用，而五官和身体的其他部位则负责感知、执行和提供反馈，从而使任务得以完成。而 AI Agent 的运行方式和人类的行为极度相似,在斯坦福大学和谷歌研究院联合发表的论文"Generative Agents: Interactive Simulacra of Human Behavior"中，Agent 的运行机制涉及感知、记忆和行动的交互作用。
生成式 Agent 架构
图片来源：论文《Generative Agents: Interactive Simulacra of Human Behavior》
Agent 会使用各种传感器和感知工具来感知其周围的环境，可能包括视觉、听觉、触觉等方式来获取信息，所有感知到的数据都被记录下来保存在一个被称为"记忆流"的数据结构中，形成 Agent 经验的全面记录，包括过去的感知、行动和反思，就像一个巨大的日记本一样，Agent 可以随时翻阅这个日记本，选择合适的经验去帮助 Agent 更好的做出决策或者解决当前的问题和任务。这些检索到的记忆也会被存储形成更长期的计划，并创造更高层次的反思，这意味着 Agent 可以不断学习和改进，以更好地执行任务和应对新的情况。
OpenAI 的 Lilian Weng 以更直观的方式为我们勾画了 AI Agent 的轮廓：“在 AI Agent 的体系中，LLM 就是它的大脑，而其核心功能又被进一步分解为规划（Planning）、记忆（Memory）和工具使用（Tool use）这三个关键组成部分。”换句话说，如下公式可以更好的提炼和总结 AI Agent：
「AI Agent=LLM+ 规划 + 记忆 + 工具使用」
记忆：让 AI Agent 能够像人类一样，从短期记忆中获取上下文信息，同时借助外部存储的长期记忆来获取更加深入的知识。 规划：AI Agent 还具备智能的任务规划能力，能够将庞大而复杂的任务拆解成更小、更易管理的子任务，并从过去的经验中吸取教训，不断提高自身的执行效率和准确性。 工具使用：最终，AI Agent 通过行动将这些计划转化为现实，通过调用外部 API 等工具来执行各种复杂任务，为我们创造更便捷、更高效的人工智能体验。
Overview of a LLM-powered autonomous agent system
图片来源：Open AI Lilian Weng 博客文章 “LLM Powered Autonomous Agents”
人类的独特之处就是能够使用和创造各种工具来完成任务，AI Agents 通过调用各种外部工具和 API，正在逐渐模拟人类的这一特征，从而能够处理比以往更加复杂的任务，拓展了它们的应用领域。这一进展将引领着人工智能走向了一个全新的阶段，重新定义着其在现代科技和日常生活中的角色。
以生物进化的方向类比，LLM 像是生物进化到类人猿，拥有高智商和利用工具的能力；而 AI Agent 更像是在向拥有主动思考能力、创造工具和不断自我迭代的人类方向进化。
02
AI Agent的参考案例
AI Agents 如此强大，有哪些典型应用？客观的说，虽然我们可以脑洞大开的预见这种变革带来的不计其数的应用场景，但在当下，全球范围之内 AI Agent 的应用仍处于起步阶段。就目前而言，按照已存的应用场景我们可以细分为三类。
第一类是基于纯数字的 AI Agents，它们没有特定的场景或仅具有非常简单的场景。这类 AI Agents 的原型诞生时间较早，最早应用于游戏中的智能 NPC，与现实环境交互较少，更多的是与虚拟环境的交互。在 LLM 的时代，未来将是元宇宙构架的重要支撑，为元宇宙注入现实感和自主性，实现一次“进化”。
代表性的案例是《西部世界》。在 LLM 大模型的加持下，斯坦福开始尝试将现实版的《西部世界》复现出来。斯坦福将 25 个 AI Agents 放在一个像素风格的虚拟小镇上，AI Agents 之间可以实现人类生活行为的模拟交互，也可以与虚拟小镇的所在环境以及虚拟世界之外的人类产生交互，他们不仅能在这里上班、闲聊、social、交友，甚至还能谈恋爱，而且每个 AI Agents 都有自己的个性和背景故事。更重要的是，这些都是 Agents 自主完成的，而且情节无限发展。
图片来源：论文《Generative Agents: Interactive Simulacra of Human Behavior》为了生成 AI Agents，斯坦福的研究者提出了一种全新架构，它扩展了大语言模型，能够使用自然语言存储 AI Agents 的经历；随着时间的推移，这些记忆会被合成为更高级别的反射，AI Agents 可以动态检索它们，来规划自己的行为；最终，用户可以使用自然语言和全镇的 25 个 AI Agents 都实现交互。
斯坦福的《西部世界》小镇还在不断演化，AI Agents 的数量随着研究的深入应该也会不断的扩充，可以想象，在 AI Agent 通用性的推动下，未来各种 RPG 和模拟类游戏都会用上这种技术。游戏具备更强的可玩性、互动性和真实感；元宇宙里的 NPC 也有机会像“失控玩家”一样具备更强的自主性，甚至无法判断背后是真人还是 AI。
第二类 AI Agent 则是需要与现实场景深度结合的，可能是基于纯数字的，也可能是非纯数字的。例如，招聘、营销、采购，甚至是空调管理、运维状态监控等领域都可能使用到这类 AI Agents。相比于第一类 AI Agents，因为与人类现实社会的交互程度更深，这类 AI Agents 对人类社会的影响更大，几乎涵盖了人类需求的各个方面，Camel AGI、AutoGPT、BabyAGI 都代表了这类 AI Agents 迅猛的创业发展。
Camel AGI 作为一个探索大语言模型社会“心智”的交流 AI Agents，它提出了一个角色扮演智能体框架，可以实现两个 AI Agents 的交流，其核心在于其提示工程，利用 Camel，一个人类程序员，一个人类游戏玩家，就可以和两个 AI 智能体一起合作创建一个游戏，像极了未来的人类和编码 AI 开发一个具体项目的过程。
图片来源：论文《CAMEL: Communicative Agents for “Mind”Exploration of Large Scale Language Model Society》
BabyAGI 的关键特点是只有三个智能体：任务执行智能体（Task Execution Agent）、任务创建智能体（Task Creation Agent）和任务优先级智能体（Task Prioritization Agent），创始人设计它的初衷即是让他模拟自己的工作方式，每天早上从待办事项清单中解决第一项任务，然后依次完成任务。
BabyAGI 流程图
图片来源：文章《Task-driven Autonomous Agent Utilizing GPT-4, Pinecone, and LangChain for Diverse Applications》如上图所示，非常类似于 OKR（Objectives and Key Results，即目标与关键成果法，一套明确和跟踪目标及其完成情况的管理工具和方法 ) 的过程：用户部署“O”及分解的任务，AI 以学习的用户处理事务的过程以优先级的方式进行规划，并对人的执行过程的“记忆”进行执行动作，根据执行的结果辅以自动干预或人工干预，进而产生用于纠偏的新任务，再次进入任务序列，再排列优先级进行规划，一直到达到用户的目标。整个过程不断优化，螺旋上升，进而可以不断接近完美达成目标。
AutoGPT 刚出现，就被 Karpathy 盛赞是 prompt 工程的下一个前沿，它遵循类似于 BabyAGI 的逻辑——包括产生想法、推理、生成计划、点评、规划下一步行动和执行的过程，然后无限循环这个过程，并且能在一定程度上允许人类和他进行交互。实际应用中，它可以帮你写代码、点外卖，整个过程甚至不需要你动手。
理论上，如果一个任务有多次重复性（但非机械性，仍需创造和分析，否则可以以类似 RPA 的方式实现）、可全程数字化（跨系统有标准 API）的特征，就可以以这种方式运转。因此 AutoGPT 带给人类的想象空间巨大。
图片来源：YouTube第三类 AI Agent 则是具身智能。和上一类 AI Agent 的区别是，这类拥有了一套完全自己控制的外设，上一类则更多的是在各类系统或外设之间传导。
图片来源：Google research，Tesla，国泰君安证券研究
但是真正把大模型接入机器人，用简单的自然语言代替复杂指令形成具体行动规划，且无需额外数据和训练，这个愿景看起来很美好，但似乎也有些遥远。但诸多公司也持续的在这个赛道上耕耘，代表公司诸如：波士顿动力、谷歌 DeepMind、、特斯拉、优必选、本田、华为等。而 7 月底谷歌 DeepMind 推出的 RT-2：全球第一个控制机器人的视觉 - 语言 - 动作（VLA）模型，也让我们看到了接下来大模型与机器人的结合体诞生的希望。
机械臂可以根据指令选择“已灭绝的动物”、 把可乐罐给泰勒・斯威夫特
图片来源：Google research 《RT-2: New model translates vision and language into action》本月斯坦福大学李飞飞团队就展示了一些新成果，大语言模型+视觉语言模型就能从3D空间中分析出目标和需要绕过的障碍，帮助机器人做行动规划。甚至真实世界中的机器人在未经“培训”的情况下，就能直接执行这个任务。
图片来源：论文《VoxPoser: Composable 3D Value Maps for Robotic Manipulation with Language Models》随着大模型与机器人磨合的逐步加深，在未来可见的时间内，无疑以具身智能所代表的这类 AI Agent 首当其冲的将取代绝大多数的危险作业工种，将许多人类无法完成的作业通过具身智能的方式实现。但同时，和大模型所面临的挑战一样，对这种自主性具身智能的道德规范和风险控制也会同时提到新的高度上。
03
AI Agent的机会和未来
AI Agent 目前可以参考的方向和案例仍非常有限，那么，更开放的看，AI Agent 到底有哪些商业机会，又能将我们引导到哪些未来方向？因为概念较新，可参考性有限，我们结合数字科技发展的各个历程的规律以及我们对市场的理解独立思考、总结了如下机会的方向，供各位研究、探讨，但仅代表我们的一家之言，抛砖引玉。
和所有的人工智能一样，前面案例所列举的应用方向，也包含 toB 和 toC 两大类。到底 toB 和 toC 哪个方向更有机会？一样是需要从最本质的问题，toB 和 toC 的采购决策机制谈起。
图片来源：北拓研究这样的对比之下，我们可以预见，AI Agent 在 toC 和 toB 领域的应用的，有和移动互联网时代的规律类似，toC 的应用将有机会通过超级应用的产生，快速拥有大量客群。同时，和 Chat 类应用相比，“帮你做”比“告诉你如何做”更具吸引力和粘性，我们完全有理由相信，短期内会有数月客群数亿的“超级 Agent”产生。
但对于 toB 的应用，依然会进入到“线性但持久”的模式中。但对于 AI Agent 的特性，在 SaaS 时代曾有发生的以企业的用户的 C 推动企业 B 决策的少量现象会变得更普遍，即用户的便利性和易用性追求推动了组织的决策变化。因此，即便是 toB 的应用，因为 AI Agent 的“解决问题”的能力，成长曲线也会变得更“陡峭”，就像 GitHub 的 Copilot 迅速在编程开发工程师群体中蔓延一样的逻辑。
我们认为，AI Agent 是 AI 的终极形态。作为人工智能，具有从感知到规划、再到行动，行动中观察再迭代形成新的感知能力的闭环链路，是最贴近人类智能的运作方式。
但即便是 AI Agent，也有不同的几个层次：
1）单一域、单一场景（A）：类似“打乒乓球机器人”的升级版，有机会打赢世界冠军；
2）单一域、多场景（C）：类似建筑测量机器人在不同的室内、涵洞、路桥甚至完全开放环境等空间的适配；
3）多域、单一场景（B）：类似订票的过程，跨越搜索、订票网站、付款等多域；
4）多域、多场景（D）：如自动实现企业业务和财务的业财一体化，业务和财务之间互动的场景包括应收账款及回款核销管理、库存动态数据和财务成本数据的对账管理等
图片来源：北拓研究因此我们认为 AI Agent 也是有进化以及进化路径的。且每次升级都有更大的市场空间以及更高客单价以及更高客户粘性产生。如“A-B-D”的路径更适合多域的复杂度不高的业务；“A-C-D”更适合场景的可迁移性更强的业务。最终达成的 D 的形态就解决了企业和个人最复杂的需求。
当然，达到 D 象限还有很长的路要走。那可能意味着 50% 的人的每天 50% 以上的任务都可以被高效的 AI 所执行，也就意味着大量普通甚至中等劳动力人群的失业。因此，当下的机会在于以高粘性的相对单一的 A 场景切入占领市场和客户，并有机会商业化变现，未来则有更大机会进入到 B 或 C 类的情形。
大模型下的 ChatGPT 给了 toC 应用很大的想象空间，市场在期待着类似移动互联网时代的超级 App 诞生。但目前为止全球范围内仍未产生。
ChatGPT 在 toC 的应用上，目前陪伴属性优于效率属性，但人作为感性和理性结合的生命体，往往希望两者的结合。如何快速的解决生活中的杂七乱八的问题，做个“懒人”，是永远不变的思考和追求。但在单点能力足够强的 AI，更像是一个高智商朋友，很难变成得力助手，甚至由其解决问题，在人们眼里会变成“高智商的傻子”。AI Agent 的机制将通过“知行合一和反馈机制”，让智力和执行力双高，更符合人类的需求方向。即便是目前已经开始运行的 AI Agent 在游戏中的应用，一个能记住几天前遇到的“人”和发生的事情的角色，而且能不断根据和这个人的社交情况优化沟通机制和交互方式的角色，一定比单纯的百科全书级别的角色更有生命力，游戏也就更引人入胜。试想一个越来越懂你的生活伙伴，既有陪伴又能节省你被琐碎事务切割成稀碎的时间，你就有更多的时间去创造、去思考、去休息，去体会美好的生活。
况且在一些问题的执行上，人往往有自己的固执，因为自己认为好的方式而忽视受众的需求，如烹饪的习惯往往带有主观性和人的固执性，但 AI 的迭代方向只会无限适配人的需求，因此在一些具体事务上，AI Agent 的“忠诚”和“执着”的特性将引向其执行能力甚至会超越人类的方向。
更具有想象空间的是，一旦形成 AI Agent“超级应用”，广泛的人群和超高的粘性会将大量上一时代的超级 App“旁路”，沦为“资源性”的存在。失去了和最终用户的连接和互动，也就失去了更多经营客户群体的机会：试想如果订票 Agent 成为大多数的选择，原有的订票网站就失去了存在的意义；如果购物 Agent 成为大多数的选择，电商平台也就失去了赖以生存的流量、注意力经济，进而利润空间逐步流失。这也是 AI Agent 的魅力所在——未来这一领域必将成为“军家必争”的要塞。
基于大模型的AI Agent 因为具备更强的自反馈思考能力，像是较之前的一切 AI 更强的大脑。但很多任务执行并非都可以线上完成。线上可以越来越强大地写文章、订酒店、做股票投资，但无法炒出一道好菜、洗干净衣服，或者完成一次需要在政务大厅现场完成的企业工商业务处理。
作为线下的“眼睛和手脚”，机器人行业已经在过去的十几年产生了快速的发展。作为大脑，更多是基于固定的思考模式和固定的任务展开的。即便已有的自主性的机器人，也是以高成本和时间为代价的。
如同前面介绍的“具身智能”方向，在有了更强的大脑后，大脑和眼睛、手脚的结合将更自如，可以想象一个人不再受大脑的线性思维的局限，行动能力和任务执行能力将进一步加强。炒菜机器人可以根据主人的年龄、偏好、体征数据自主的规划菜品炒出既营养又健康且高级定制的菜品，还可以根据主人的反馈不断优化；物流机器人可以根据预估的搬运货品的形状和重量来规划几个机器人来协同调度、如何的路线更安全，并根据达成的效果进行后续的优化，这样就离科幻片里一群机器人共同处理一个复杂任务的一天不远了。
因此我们认为，当进入到“B、C”象限时，因为处理业务和场景的复杂度，将对软硬结合的要求大大提升，在 D 象限中将达到更大比例。也就意味着软硬将高度结合，AI Agent 会转化为 AI Robot，AI 和机器人技术交汇贯通，就像人的身心融为一体。因此当下有 AI Agent 布局的机器人企业和有机器人布局的 AI 企业，未来将拥有先发优势和更高的壁垒。
在 toB 的数智化发展的任何一个时代，都存在两个博弈，大企业要求量身定制，科技企业希望产品程度足够高；市场需要开放性的产品形态，企业常常希望私有化部署。在大模型时代的今天和未来这种博弈依然会存在。但大模型的最大价值所在就是通过通用性的 AI 泛化了个体的差异化需求，进而可以大大降低便捷成本，进而获得到成本优势。那么作为 AI Agent 如果通用性和产品化无法提升到更高的高度，也将无法突破 toB 的“魔咒”，进而阻碍 AI 从业的 toB 科技企业的发展效率。
我们的判断是 AI Agent 会是这场博弈的拐点。逻辑一是差异化的需求大多是组织提出的，如果前面提到的因为绝佳的应用体验产生的“用户倒逼”的现象会广泛的发生，组织的需求的强势程度将大大减弱，主动权更多交到用户手中，进而降低了定制化的比例；逻辑二是定制化和私有化的产生从第一性思考上出发，很大的比重是对安全性的需求。企业觉得自己拥有一个应用更安全、为自己量身定制的更安全。安全性背后很大比例是对个人和组织的习惯和特质的不适配。但以 AI Agent 的原理，就像可以存储、合成、应用一个人的记忆，并根据记忆检索通过大模型形成推论，再递归的方式形成规划，本身就是高度适配了组织和个人的行为习惯和管理风格，应用的边界的弹性大大提升，有“以不变应万变”的柔性，这种不安全感即会被逐步消除，私有化和定制化的比重也会因此大大降低。甚至可以“蚕食”的方式，逐步缩小这部分的范围。
当然，是否能找到可以有强有力的 PMF 支撑的点设计出刚需且划时代的 toB AI Agent 产品，是另一个层面的问题。
API 又称应用程序编程接口，机理是通过一些预先定义的函数，提供应用程序与开发人员基于某软件或硬件得以访问一组例程的能力，无需访问源码，或理解内部工作机制的细节，直接可以实现两个应用程序的对接。但 API 也是高度定制的，每个应用都会根据自己的应用的架构和编码形成特有的 API。因为利益问题，各个应用软件都希望把 API 控在自己手里，就好像各个手机厂商都希望有自己的特有的电源适配器。但在大模型时代下的 AI Agent，API 也有机会通过分析用户的操作行为并持续迭代优化，定义出 API Agent 这样的通用性产品。
不但如此，API 通讯的最大的问题是很难在多个异构的系统中实现一致性。比如有的企业应用供应链系统中的“库存成本”包括了动态在途的货品，有的则只计算动态仓储存货部分，两个企业即便应用同一系统可能因为业务规则的不同产生偏差，如果强行将两个企业的“库存成本”字段无差异性的理解，则整合后的数据会存在混乱和偏差。因此当 AI 可以更精准的通过一个闭环反馈链路理解业务本质的时候，则可以最大程度消除这种“系统方差”的存在，进而有机会在多系统中建立更强壮的桥梁，实现更大想象力的空间，最终实现广义上的产业互联网形态。
因此，我们认为，API 的市场将因为这场革命发生质的变化，各个异构系统将更开放、更无缝的合作。
综上，我们认为 AI Agent 充满希望，同时也充满挑战。在第一性思考之下，人类个体依然希望更健康、更富足，寿命更长、生命质量更高；企业仍然希望更具备发展能力的同时更健康更具备盈利能力，这些 toC 和 toB 的根本需求和无尽追求从未变过，只是未来的 AGI 的进化给了我们更多的满足需求的想象空间。只有那些更能遵循价值规律、更具有产品逻辑和设计能力、更有客户经营能力的企业，并且紧紧抓住 AGI 时代的窗口，提前在 AI Agent 领域布局，才有机会打造出面向 toC 或 toB 的超级应用，获取最广袤丰厚的未来。
让我们拭目以待大模型时代的 AI“人类进化时刻”的到来和新一代 AI 的茁壮成长。
部分交易
黑芝麻智能｜ClickPaaS｜第四范式｜讯能集思｜探维科技｜不停科技｜ PROPHESEE｜本末科技｜开为科技｜华瑞指数云 ｜群脉科技｜云蝠智能｜九四智能｜盎锐科技｜大麦地｜星辰空间｜星测未来｜星空动力｜九天微星｜范特科技｜薪人薪事｜优蓝国际｜颐圣智能｜超维知药｜知行合一｜微密医疗｜乐准智芯｜硅基智能｜极芯通讯｜恒百锐｜信迈医疗｜博志研新｜诺领科技｜新通药物｜普罗亭｜零犀科技｜深蓝航天｜达利凯普｜九天微星｜瑞莱生物｜三盟科技｜驭势科技｜江行智能
北拓研究
缔造链上纳斯达克的开路者：全面解读 Solana 生态、技术、代币与发展 漫谈近期围绕大模型创业的一些关注点 ChatGPT 兴起，创成式 AI 与工具软件结合的前景如何 多传感器一体化趋势下的汽车感知硬件 光医学 - 在体流式细胞检测技术的发展与未来 半导体抛光耗材的替代机遇 中国数字科技：冰封后的并购之春 股权 vs 代币：投资模式与价值捕捉 数字化转型的排头兵，千亿 MarTech 市场的观察与思考 ChatGPT 在工业机器人领域的应用 建筑领域最大的机会：以建筑科技成就建筑界的“特斯拉” 区块链安全赛道 Mapping 未来建筑的智慧基因：从 AI 1.0 到 2.0 的进阶之路 半导体氮化镓的替代机遇 AI 大模型如何助力医疗产业升级 N 型技术迭代背景下对光伏产业的思考 具身智能—机器人新范式时代 中国会出现另一个 Deel 吗？ 超级链, L3, RAAS, 共享排序器: 寻找 Layer 2 周期的下一个 alpha Scale AI 何以成为数据标注行业的头部玩家？ 超导材料行业洞悉及近期 LK-99 事件 大模型和智能化背景下 GPU 的新机遇 3D AIGC- 迈向下一代内容生成方式还有多远？ 光镊 - 那只“摸得着”微观粒子的“手”
【免责声明】市场有风险，投资需谨慎。本文不构成投资建议，用户应考虑本文中的任何意见、观点或结论是否符合其特定状况。据此投资，责任自负。
