作者：彭昭（智次方創始人、云和資本聯合創始合伙人）
這是我的第361篇專欄文章。
DeepSeek的熱度持續發酵，目前已有超過30家企業推出了“大模型一體機”，其中以“DeepSeek”命名的約有20家。
這一現象實際上反映了中國人工智能大模型從量變到質變的演進過程。
根據信通院發布的《全球數字經濟白皮書》，中國擁有全球超1/3的人工智能大型語言模型（LLM）。數據顯示，全球LLM數量已達1328個，中國占比36%，僅次于美國，位居第二。
可以預見，在與LLM大模型接壤的小型語言模型SLM和AI智能代理領域，中國企業的崛起也指日可待。
作為制造業強國，中國為AI硬件的蓬勃發展提供了得天獨厚的土壤。
未來，我們將看到越來越多能夠智能響應主人語音指令的AI家居硬件，以及與環境無縫互動的AR智能眼鏡等創新產品。這些產品的問世，將進一步推動AI技術在日常生活中的普及和應用。
值得注意的是，進入2025年，AI智能代理的時代已經來臨。在不久的將來，AI代理將能夠勝任許多任務，大大提高生產效率和生活品質。新興的技術框架將使我們能夠更快、更高效地構建AI代理。
目前各大科技巨頭也已經展開了一場爭奪AI代理的關鍵競賽。
這將形成一種新的經濟形態：AI代理經濟的崛起，我們也將由此從AI模型進入AI代理經濟的發展階段。
在AIoT領域，尤其是SLM的發展趨勢以及AI代理經濟的未來形態值得我們密切關注。
一方面，SLM與LLM的融合將催生出更多適用于特定場景的AI解決方案；另一方面，AI代理經濟的崛起將重塑人機交互的方式，為各行各業帶來創新變革。
因此今天這篇文章，我們一起來探索更適合AIoT領域的SLM發展趨勢以及AI代理經濟的未來形態。
更適合AIoT的小模型：兼顧性能與成本的最優解
根據Gartner的預測，SLM（也被稱為輕量級LLM）的興起已經成為確定的趨勢。小型語言模型SLM彌合了高性能人工智能系統與安全、經濟高效的解決方案需求之間的差距。
這些SLM模型不僅經濟高效，而且適應性強，能夠以最少的資源需求提供高質量的結果，因此成為企業的理想選擇。
看到了小模型的獨特機會，知名企業已經紛紛布局。隨著技術的發展，小模型不僅發揮了低成本上的優勢，在性能上也不遜色于大模型。
如下圖所示，通過將Llama 8B與大模型GPT-4o進行比較，我們發現雖然GPT在質量方面比小型模型高出20%以上，但在增強了小型Llama模型之后，它可以與LLM相媲美，并且在某些任務中表現優于LLM，同時保持較低的使用成本。差異如此之大，令人難以忽視。
Llama 3.1-8B與GPT-4o的比較進一步證明了SLM在成本和性能方面的優勢，見下圖。首先，與LLM相比，SLM的運行成本只是其一小部分。在零樣本設置中，Llama 3.1-8B的成本明顯低于GPT-4o。其次，只需進行少量額外訓練，SLM就能在特定任務（如客戶支持或法律研究）中達到接近甚至超過LLM的質量水平。最后，Llama 3.1-8B在經過精細調整的設置下實現了超過96%的任務質量，證明了其在重點用例中實現高精度輸出的能力。
從功能定位上看，LLM更像是“云端AI操作系統”，吸收中間層，形成API生態；而SLM更像是“本地AI計算引擎”，嵌入終端設備，增強隱私與實時性。
LLM與SLM的功能定位與協同發展
未來，LLM與SLM將形成端云協同，共同推動AI的發展。
隨著技術的不斷發展，LLM和SLM的未來趨勢也呈現出不同的特點，我們不妨進行一個對比。如上圖所示，我們先看左側的LLM部分：
首先，核心LLM將成為通用AI基礎設施。未來可能形成極少數頭部LLM競爭的格局，類似于Android與iOS的雙寡頭或多寡頭情形，而不是單一標準。OpenAI、Google、Anthropic、Meta、DeepSeek等都可能成為基礎模型提供商，并各自形成生態。這種格局可能會演化成開源vs商業閉源的兩大陣營。
其次，云服務商層將實現API化，但存在更多差異化競爭。大模型即服務（LLM-as-a-Service）將成為標配，但不同云服務商可能會圍繞行業垂類優化，形成差異化競爭。例如，金融、醫療、法律、教育等垂直行業的LLM可能會有更定制化的API，而不是直接使用通用LLM。
第三，中間層將向更專業的AI代理形態演進。雖然一部分優化和功能會被云服務和底層模型吸收，但插件化、代理化、模型微調等工具仍然有生存空間。例如，企業級RAG解決方案、特定行業的定制化LLM以及AI代理生態等都將得到發展。
第四，應用層將聚焦高價值場景。AI作為增強人類能力的Copilot存在，我們與AI的交互方式可能發生改變，大部分企業都需要將AI作為客戶類型之一進行考慮。例如，AI可能會在法律、醫療、教育、設計、軟件開發等領域提升生產力，而不是完全取代人類；AI可能會增強個性化體驗，如AI生成的個性化教育方案、健康管理等。軟件與硬件的編寫和制造方式都將發生改變，例如前特斯拉人工智能高級總監Andrej Karpathy提出軟件2.0就是從人工編寫代碼過渡到基于大量數據觀察自動生成代碼。
第五，零邊際成本社會可能會成真。各類AI的邊際成本確實在降低，但數據隱私、算力成本、監管框架可能會成為影響因素。例如，歐盟、美國、中國等國家可能會對AI訓練數據、生成內容合規性進行監管，影響AI任務的自由度；個人數據安全、企業專有數據的AI處理，可能會影響AI服務的邊際成本是否真的趨近于零。
與LLM主要依賴于云端大規模算力不同，SLM更適用于邊緣計算、低功耗設備、端側智能，因此其趨勢可能與LLM不同。
首先，SLM將廣泛植入邊緣硬件，如智能家居硬件、車載設備、工業設備等。受限于設備算力、尺寸以及功耗的制約，SLM將會被進一步針對設備“量身定制”。例如，智能門鎖的SLM可自主識別用戶，提供個性化安全管理；工業生產線的SLM可基于傳感器數據進行故障預測和優化生產。
其次，本地AI計算將減少對云的依賴，增強隱私保護。本地運行SLM可以減少數據上傳云端的風險，例如端側AI計算可以在智能硬件上直接完成NLP任務，而無需聯網。邊緣AI可以本地識別語音、圖像、手勢，減少依賴云端服務器，提高響應速度。此外，云端算力昂貴，本地SLM可以降低AI計算的長期成本。
第三，SLM可能形成“端云協同”模式。本地SLM處理常見任務，如語音助手、圖像識別、文檔摘要、翻譯等；云端LLM處理高復雜度任務，如AI代碼生成、AI科研（如AI生成藥物）等。
第四，SLM的商業模式可能是“設備即服務”或“AI訂閱制”。未來的AI可能不再是單獨的軟件，而是硬件的一部分。訂閱模式可能包括基礎AI功能免費、高級AI訂閱收費，以及硬件+AI訂閱捆綁銷售等。
最后，所有硬件都可以使用SLM重做一遍。在SLM的視角下，硬件中的“原子”和軟件中的“比特”具有相似性，硬件可以按照軟件的邏輯重新制造，硬件制造的邊際成本也將快速下降。
小模型AI代理的兩種生態：橫向通用與縱向專業
在探索了LLM與SLM的發展趨勢后，我們再來分析基于這兩類人工智能模型的AI代理經濟。
與LLM主要依賴云端計算不同，SLM更強調本地計算、低功耗和隱私保護，因此基于SLM的AI代理在組織方式和商業模式上都會有所不同。
SLM將更多嵌入智能家居、智能汽車、工業物聯網設備等邊緣硬件，形成一個廣泛分布的AI代理網絡。
由此推斷，小模型AI代理可能將分為兩種模式：橫向AI代理生態和縱向AI代理生態。
橫向AI代理生態適用于大規模通用任務，如語音助手、智能翻譯、日程管理、家庭自動化等。這種模式具有低成本、高普及度的特點。這類AI代理的目標是提升用戶體驗、降低交互門檻，并通過訂閱或硬件捆綁的方式盈利。
縱向AI代理生態則適用于特定行業的專業AI任務，如智能汽車的AI駕駛助理、工業IoT設備的AI預測維護、醫療設備的AI診斷支持等。這種模式具有高附加值、深度優化的特點。這類AI代理可能直接集成在終端設備中，由企業購買或訂閱。
相比LLM主要依賴云端API訪問，SLM代理經濟的核心驅動力在于以下幾點：
計算本地化，減少對云的依賴。SLM運行在本地設備上，減少云端計算成本和隱私風險，適用于低時延任務，如智能家居控制、車載AI交互、邊緣安全監控等。
AI代理的“隱形智能化”。未來AI代理將默認嵌入設備，而不是單獨的SaaS訂閱模式。硬件廠商會捆綁AI代理，例如智能冰箱可以自動管理食物存儲、智能汽車可以預測駕駛行為。
端云協同，智能分工。SLM處理本地任務，減少帶寬和算力消耗，而云端LLM負責更復雜的推理任務。例如，智能眼鏡上的AI助手可以本地完成簡單任務，但更復雜的任務仍然需要云端LLM支持。
SLM代理經濟的盈利模式也與LLM不同，更傾向于硬件+AI功能捆綁，或者采用訂閱增值模式。
硬件捆綁銷售可能將是一種主要模式，AI代理直接集成到智能設備中，成為“默認功能”，用戶無需額外訂閱。這種模式適用于智能眼鏡（端側AI語音助手）、智能家居（AI語音控制+設備管理）、智能汽車（AI駕駛輔助）、工業IoT設備（AI預測性維護）等場景。
另一種模式是訂閱增值，部分高端AI代理功能可能會采用訂閱模式，類似于特斯拉FSD的軟件訂閱?；AAI代理免費，高級AI代理訂閱收費。企業級AI代理（如AI質檢、AI醫療分析）可能采用SaaS訂閱模式。
未來可能會出現端側AI代理市場，允許用戶下載和激活不同的SLM代理，類似于APP應用市場，但專門用于AI代理。用戶可以下載AI運動教練、AI營養師、AI車載助理等不同的智能體。“AI代理即服務”的商業模式可能成為主流。
總之，SLM在邊緣計算和端側智能硬件中的AI代理經濟，將以“隱形AI智能+端云協同”為核心，形成“硬件捆綁+訂閱增值+代理市場”的商業模式。
寫在最后
DeepSeek的持續熱度反映了中國在AI領域的快速崛起，這種量變到質變的飛躍離不開中國的獨特土壤，未來的進一步催化也離不開LLM與SLM的協同發展。
LLM作為“云端AI操作系統”，SLM則扮演著“本地AI計算引擎”的角色，兩者在功能定位和商業模式上各有側重。
DeepSeek現象的持續發酵，正是這一歷史性轉折的生動注腳。我們可能很快將會迎來一個“AI代理無處不在”的時代，AI代理將深度嵌入我們的日常生活中，成為真正的數字助手。
參考資料：
The Next 10 Years Will Be About the AI Agent Economy，來源：NFXSmall Language Models for enterprise AI: Challenges, benefits, and deployment strategies，來源：deviniti.com
