作者：彭昭（智次方創始人、雲和資本聯合創始合夥人）
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慧大模型從量變到質變的演進過程。
根據信通院釋出的《全球數字經濟白皮書》，中國擁有全球超1/3的人工智慧大型語言模型（LLM）。資料顯示，全球LLM數量已達1328個，中國佔比36%，僅次於美國，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智慧代理領域，中國企業的崛起也指日可待。
作為製造業強國，中國為AI硬體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慧響應主人語音指令的AI家居硬體，以及與環境無縫互動的AR智慧眼鏡等創新產品。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智慧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工，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於特定場景的AI解決方案；另一方面，AI代理經濟的崛起將重塑人機互動的方式，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：兼顧效能與成本的最優解
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彌合了高效能人工智慧系統與安全、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，知名企業已經紛紛佈局。
隨著技術的發展，小模型不僅發揮了低成本上的優勢，在效能上也不遜色於大模型。
如下圖所示，透過將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模型之後，它可以與LLM相媲美，並且在某些任務中表現優於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在成本和效能方面的優勢，見下圖。首先，與LLM相比，SLM的執行成本只是其一小部分。在零樣本設定中，Llama 3.1-8B的成本明顯低於GPT-4o。其次，只需進行少量額外訓練，SLM就能在特定任務（如客戶支援或法律研究）中達到接近甚至超過LLM的質量水平。最後，Llama 3.1-8B在經過精細調整的設定下實現了超過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“雲端AI作業系統”，吸收中間層，形成API生態；而SLM更像是“本地AI計算引擎”，嵌入終端裝置，增強隱私與即時性。
LLM與SLM的功能定位與協同發展
未來，LLM與SLM將形成端雲協同，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，類似於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，並各自形成生態。這種格局可能會演化成開源vs商業閉源的兩大陣營。
其次，雲服務商層將實現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，但不同雲服務商可能會圍繞行業垂類最佳化，形成差異化競爭。例如，金融、醫療、法律、教育等垂直行業的LLM可能會有更定製化的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。雖然一部分最佳化和功能會被雲服務和底層模型吸收，但外掛化、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、特定行業的定製化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的互動方式可能發生改變，大部分企業都需要將AI作為客戶型別之一進行考慮。例如，AI可能會在法律、醫療、教育、設計、軟體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。軟體與硬體的編寫和製造方式都將發生改變，例如前特斯拉人工智慧高階總監Andrej Karpathy提出軟體2.0就是從人工編寫程式碼過渡到基於大量資料觀察自動生成程式碼。
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，但資料隱私、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訓練資料、生成內容合規性進行監管，影響AI任務的自由度；個人資料安全、企業專有資料的AI處理，可能會影響AI服務的邊際成本是否真的趨近於零。
與LLM主要依賴於雲端大規模算力不同，SLM更適用於邊緣計算、低功耗裝置、端側智慧，因此其趨勢可能與LLM不同。
首先，SLM將廣泛植入邊緣硬體，如智慧家居硬體、車載裝置、工業裝置等。受限於裝置算力、尺寸以及功耗的制約，SLM將會被進一步針對裝置“量身定製”。例如，智慧門鎖的SLM可自主識別使用者，提供個性化安全管理；工業生產線的SLM可基於感測器資料進行故障預測和最佳化生產。
其次，本地AI計算將減少對雲的依賴，增強隱私保護。本地執行SLM可以減少資料上傳雲端的風險，例如端側AI計算可以在智慧硬體上直接完成NLP任務，而無需聯網。邊緣AI可以本地識別語音、影像、手勢，減少依賴雲端伺服器，提高響應速度。此外，雲端算力昂貴，本地SLM可以降低AI計算的長期成本。
第三，SLM可能形成“端雲協同”模式。本地SLM處理常見任務，如語音助手、影像識別、文件摘要、翻譯等；雲端LLM處理高複雜度任務，如AI程式碼生成、AI科研（如AI生成藥物）等。
第四，SLM的商業模式可能是“裝置即服務”或“AI訂閱制”。未來的AI可能不再是單獨的軟體，而是硬體的一部分。訂閱模式可能包括基礎AI功能免費、高階AI訂閱收費，以及硬體+AI訂閱捆綁銷售等。
最後，所有硬體都可以使用SLM重做一遍。在SLM的視角下，硬體中的“原子”和軟體中的“位元”具有相似性，硬體可以按照軟體的邏輯重新制造，硬體製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的發展趨勢後，我們再來分析基於這兩類人工智慧模型的AI代理經濟。
與LLM主要依賴雲端計算不同，SLM更強調本地計算、低功耗和隱私保護，因此基於SLM的AI代理在組織方式和商業模式上都會有所不同。
SLM將更多嵌入智慧家居、智慧汽車、工業物聯網裝置等邊緣硬體，形成一個廣泛分佈的AI代理網路。
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代理生態適用於大規模通用任務，如語音助手、智慧翻譯、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代理的目標是提升使用者體驗、降低互動門檻，並透過訂閱或硬體捆綁的方式盈利。
-
縱向AI代理生態則適用於特定行業的專業AI任務，如智慧汽車的AI駕駛助理、工業IoT裝置的AI預測維護、醫療裝置的AI診斷支援等。這種模式具有高附加值、深度最佳化的特點。這類AI代理可能直接整合在終端裝置中，由企業購買或訂閱。
相比LLM主要依賴雲端API訪問，SLM代理經濟的核心驅動力在於以下幾點：
-
計算本地化，減少對雲的依賴。SLM執行在本地裝置上，減少雲端計算成本和隱私風險，適用於低時延任務，如智慧家居控制、車載AI互動、邊緣安全監控等。
-
AI代理的“隱形智慧化”。未來AI代理將預設嵌入裝置，而不是單獨的SaaS訂閱模式。硬體廠商會捆綁AI代理，例如智慧冰箱可以自動管理食物儲存、智慧汽車可以預測駕駛行為。
-
端雲協同，智慧分工。SLM處理本地任務，減少頻寬和算力消耗，而云端LLM負責更復雜的推理任務。例如，智慧眼鏡上的AI助手可以本地完成簡單任務，但更復雜的任務仍然需要雲端LLM支援。
SLM代理經濟的盈利模式也與LLM不同，更傾向於硬體+AI功能捆綁，或者採用訂閱增值模式。
硬體捆綁銷售可能將是一種主要模式，AI代理直接整合到智慧裝置中，成為“預設功能”，使用者無需額外訂閱。這種模式適用於智慧眼鏡（端側AI語音助手）、智慧家居（AI語音控制+裝置管理）、智慧汽車（AI駕駛輔助）、工業IoT裝置（AI預測性維護）等場景。
另一種模式是訂閱增值，部分高階AI代理功能可能會採用訂閱模式，類似於特斯拉FSD的軟體訂閱。基礎AI代理免費，高階AI代理訂閱收費。企業級AI代理（如AI質檢、AI醫療分析）可能採用SaaS訂閱模式。
未來可能會出現端側AI代理市場，允許使用者下載和啟用不同的SLM代理，類似於APP應用市場，但專門用於AI代理。使用者可以下載AI運動教練、AI營養師、AI車載助理等不同的智慧體。“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慧硬體中的AI代理經濟，將以“隱形AI智慧+端雲協同”為核心，形成“硬體捆綁+訂閱增值+代理市場”的商業模式。
寫在最後
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“雲端AI作業系統”，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註腳。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：
1. The Next 10 Years Will Be About the AI Agent Economy，來源：NFX
2. Small Language Models for enterprise AI: Challenges, benefits, and deployment strategies，來源：deviniti.com
2. Small Language Models for enterprise AI: Challenges, benefits, and deployment strategies，來源：deviniti.com