INDIGO TALK / 深度剖析 AI Agent 新范式 - EP18

祝大家 2025 春节快乐 - 蛇来运转 万象更新🧧✨

INDIGO TALK 第十八期，邀请了来自硅谷的研究驱动型基金 Leonis Capital 的创始人 Jay 与合伙人 Jenny，一起来深度剖析 AI Agent 新范式！这次大家分享了对 AI 投研的洞见，模型推理的发展、AI Agent 应用场景与商业模式如何演进，并展望了 2025 年多 Multi Agent 网络与行业并购的机会。本期内容丰富且有深刻的行业洞察，适合大家的春节假期收听 🎧

B站播放链接【深度剖析 AI Agent 新范式 / INDIGO TALK - EP18】

音频播客

Apple Podcast & Spotify

小宇宙播客 - Indigo Talk - EP18

本期嘉宾

Jay（Leonis - 创始人）

Jenny（Leonis - 合伙人 / 前 OpenAI Researcher）

李厚明（棕榈资本创始人 - 嘉宾主持）

Indigo（数字镜像博主 - 主持）

时间轴

01:12 Jay 与 Leonis 投资策略介绍

03:44 Jenny 的介绍与什么是研究型 VC

09:12 对 2024 年展望的复盘

14:29 如何区分真假 AI Agent 公司？

16:48 推理模型在 Agent TechStack 中的作用

19:04 合成训练数据的突破

22:30 如何让模型主动学习（具有好奇心）

24:43 Anthropic 与 OpenAI 对推理模型理解的异同

31:36 deepseek 是大语言模型届的拼多多么？

41:48 做 AI Agent 的小公司机会在哪里

53:54 消费者端的 AI Agent 与 Prosumer 应用

1:01:27 AI Agent 的价值

1:04:11 AI Agents Network

1:07:38 Agent 创业的护城河

1:11:15 如果 AI 替代了 99% 的工作人类应该做什么？

1:16:09 AI 针对人类个体的终极目标函数

1:20:28 大家的年度展望

对谈内容摘要

o1-pro 根据对谈语音转录的文本生成

一、关于 Leonis Capital 的投资理念与背景

研究驱动（Research-driven）

• Jenny 强调：“投资人对 AI 科技的了解往往落后研究者 3~5 年。”因此 Leonis Capital 希望通过研究导向模式，利用“time machine 先发优势”：能在研究社区和市场端之间发现前瞻趋势，填补认知空白。
• Jay 也提到基金除了资本支持，更通过技术研究与生态系关系，为初创团队提供差异化的帮助。

合伙人背景补充

• Jenny：博士期间已与 OpenAI 合作，参与了 GPT2、GPT3 发布早期阶段，之后在 OpenAI 任职，主要负责模型评测工作；离开后与 Jay 共同创办 Leonis Capital。
• Jay：在美国硅谷有超 12 年风投经验，投资并担任多家知名企业的董事会成员；基金创立伊始就瞄准 AI 软件智能化演进方向。

二、关于 AI/Agent 的技术演化与产业前景

AI Agent 与大模型（LLM）的区别

• AI Agent 的重点在于“采取行动”
  • Jenny：“Agent 需要在现实网络或环境中 ‘take action’（行动）——例如金融 KYC 决策、医疗诊断等，对准确率与可靠性要求远高于单纯的 ChatBOT。”
  • 大模型（LLM）更多偏向信息梳理与生成，而 Agent 还需进行决策与执行。
• Agent Techstack
  • Jenny 举例：要在 Agent 中减少 Hallucination（幻觉），常需多个子模型分工，如“搜集信息模型”“处理模型”“决策/落地模型”等协同。
  • Jay 补充：“多模型协作”或“多智能体架构”将成未来趋势，并需更高等级的可靠度。

推理模型（O1 / Chain of Thought）的重要性

• OpenAI 与 Anthropic 不同的推理思路
  • Jenny：OpenAI 是在 GPT4O 的基础上，明确划出推理能力（Chain of Thoughts），形成 O1 这一“专项强化”。
  • Anthropic 则更采取“综合成一体”的做法，认为推理是模型内自然涌现，不做明显拆分。但实则两家都在进行类似的 Chain of Thoughts 强化。
• “深蹲 vs. 练腿”的比喻
  • Jay：OpenAI 更像是“锁定推理肌群独立强化”，Anthropic 则偏向“整体能力提升”。

大模型开源 vs. 后训练（Post-training）的观点

• DeepSeek 与模型成本
  • Jenny：“DeepSeek 其实站在巨人肩膀上，主要做后训练（Post-training）与微调；不能忽视 OpenAI、Anthropic 之前在底层所投入的大量成本。”
  • 大模型势必走向价格下压，但也同时带来利润率挑战。
  • Jay：“技术演化非常快，未来不断可能有新技术爆发。例如 Agent Net、AutoGen 等，都可能成为新的突破点。”

三、Agent 的应用场景与商业机会

垂直领域（Verticals）机会

• 高价值专业行业
  • Jenny：“医疗、金融等对准确率要求高，Agent 大有可为，且容易衡量 ROI。”
  • Jay：“Agent 能理解领域知识，并带来生产力飞跃，提供差异化价值。”

企业服务（Enterprise）的新形态

• Service as Software vs. Software as a Service
  • Jay：“未来 Agent 更像‘企业员工’的替补或助手，企业将以人工成本替代的概念去衡量 ROI，而非传统的 SaaS 订阅方式。”
  • Jenny：“Agent 不仅能自动化，还能理解 ‘institutional knowledge’（组织内部上下文），并进行更主动、精准的决策。”

消费者端（2C）与内容生产

• 娱乐内容生成的瓶颈
  • Jenny 认为短期内 AI 难以“自发创作爆款”取代顶尖创意人，但 AI 可大幅增进创作者效率，助力 KOL 快速产出内容。
• 多智能体网络（Multi-Agent Network）
  • Jenny 预测：“2025 年开始，Agent 会从单兵作战进化成‘多智能体网络’彼此协同；OpenAI、Anthropic 等都有可能推出能够协同工作的 Agent Net，分别聚焦在消费、企业、科研三大板块。”

四、商业模式、投资与并购趋势

大模型与推理成本

• Jenny：“2025 年起，各家公司在高昂的基础设施投入面前，将不得不思考定价与营收模式，不再是无限补贴阶段。”
• 定价将更贴近真实成本，Agent 形态也将从传统 SaaS 转向“按任务或成果付费”的新模式。

并购（M&A）压力与机会

• Jay：“大企业不想错过 AI 时代，很多会通过收购加速技术与产品落地；预计会出现 10~20B 美元级的大案。”
• 创业者亦可把握‘应用端’‘垂直行业’等差异化机会，与大模型基础设施互补。

五、对未来工作的影响与人类角色

重复性工作的消失

• Jenny：“30% 的纯线上工作将率先被 AI 大规模取代；70% 需物理交互的工作短期内依然相对稳定。”
• Jay：“AI 与 Agent 可使人类从执行层面抽离，更专注设计、决策或创造。”

社会不平等加剧？

• Jenny：“AI 会放大不平等；少数精英掌握 AI 等生产力和决策权，多数人可能被推向‘娱乐至死’的状态。”
• 需警惕技术革命对就业与社会结构的冲击，或通过政策（税收、UBI）等方式干预。

人类角色转向“高层次思考”

• Jay：“未来更多人像‘CEO’，定义目标、判断方向；AI/Agent 如海量的执行员工。”
• Jenny：“人类从‘生产价值’走向‘创造意义’，拥有更自由的空间，但对自我要求更高。”

小结

2025 年将是 Agent 发力的分水岭：

• 预计多智能体网络、企业级深度应用等多方向突破；
• 推理模型与可靠度进一步升级；
• 商业模式从 SaaS 订阅演进到“按任务付费 / 按成果收费”。

投资并购：

• 大厂可能出现超大规模并购，补足技术与行业落地；
• 初创公司则专注纵深应用以获得高 ROI，并与大模型基础设施形成互补。

长远冲击：

• 大范围“标准化工作”将被取代，人类走向更具创造力或更高决策层面；
• 同时要正视社会不平等、工作与教育模式的巨大变迁。

以上为 Jay 与 Jenny 围绕“AI/Agent 发展、投资策略与未来工作形态”等主要观点的详细汇总。

嘉宾精彩发言

以下五段节录自 Jay 与 Jenny 的核心访谈内容，力求保留原始表达或重点思想，体现他们最具“火花”的观点（略有顺序与文字精简，仅为便于阅读）：

1. Jenny 谈“研究与投资存在的时间差”

「风险投资界和科研界有非常大的鸿沟。很多时候，投资人看世界会落后研究者三到五年；当我在 OpenAI 看到 LLM 崛起的时候，不少 VC 朋友还在关注区块链或 Web3。我们希望用研究驱动弥补这个空缺，更前瞻性地找到 AI 创业者。」

2. Jay 谈 AI Agent 与企业 ROI

「未来的 Agent 更像企业‘虚拟员工’。从投资角度看，它需要真正给公司省下人力或放大产能，才有可衡量的价值。一个好的 Agent，既能执行具体任务，也要理解企业的内部知识和流程，这才是明确的 ROI。」

3. Jenny 解释为何推理能力（Chain of Thought）至关重要

「没有推理，就只能局限在训练数据内，AI 无法突破‘记忆’的天花板。Chain of Thought 让模型像人一样分步思考、逐步推导，这让 AI 拥有一定程度的创造与演绎能力，而不只是在已有的数据里 ‘翻箱倒柜’。」

4. Jay 谈多智能体网络（Multi-Agent Network）

「现阶段不少人只看到单一 Agent 的趋势。可实际上，Agent 们也会互相协作，演变成 ‘Agent Net’；它们要如何通信、如何分工，将带来更复杂也更有威力的应用。不同公司也许会推出各自的 Agent ‘集群’，值得长期关注。」

5. Jenny 对未来社会分化的担忧

「AI 会放大不平等：少数精英掌握技术与资本，能高效用 AI；大多数人如果没机会介入，就可能被推往 ‘娱乐至死’的状态。技术革命本身中立，但后果往往是收入与资源进一步聚集在头部，需要社会和政策层面去平衡。」