大模型分层格局成型，商业化收费模式正在转变
现在各类大模型已经拉开明显梯队。闭源前沿大模型胜在稳定性和准确率，继续承接复杂度高、价值高的业务负载。而开源模型依靠成本优势，预计未来12‑18个月，会承担接近90%推理Token，大量普通日常任务会交给开源来跑。
商业模式也在迭代，过去软件普遍按席位订阅收费，现在逐步转向按实际用量、交易规模、任务结果来结算。能够抓住生产力提升红利的，会是头部平台方。
Agent智能体不再只是辅助工具，开始接手完整业务流程
企业端AI落地比较顺利的场景，大多具备三个特点：输出结果可以核验、出错之后责任边界清晰、执行动作能够撤回。
智能体正在从简单的助手工具，转变为直接跑通业务流程的执行角色。软件系统也随之改变，不再只是用来记录数据，还可以自动触发业务动作，比如自动财务过账、保险理赔、立案处理。谁能够牢牢掌握业务工作流、拥有专属行业数据、懂领域业务知识，还具备系统执行权限，就能建立很深的竞争壁垒。
世界模型兴起，物理AI时代到来
继大语言模型之后，世界模型成为行业重点研发方向。它可以学习现实环境规律与物理因果关系，一方面缓解物理AI训练的数据缺口，另一方面输出不确定性提示，给机器人、自动驾驶、工业制造这类高风险场景加上一层安全约束。
值得注意的是，物理AI对算力消耗远高于普通文本生成，后续会进一步推高算力基础设施的供需紧张局面。
垂直行业应用迎来机会，通用大模型逐步走向底层化
在金融、法律、保险、医疗这类知识密集行业，企业之间的差距，已经不单单看手里有没有数据。更考验能不能把私有数据、行业模型、客户业务上下文和合规体系深度融合。
参考Daloopa、Clio、Harvey、Moody's、Corgi这些海外案例，AI原生应用已经不局限于做信息查询输出，而是打通端到端全流程，进化成行业操作系统，拿到传统软件拿不到的专业服务预算。通用大模型更多沦为底层基础能力。
底层基础设施正在适配Agent，从面向人转向面向机器
随着智能体可以自主生成、调度、调用软件，整套底层基础设施的设计逻辑也在变化，从过去“为人操作设计”，慢慢转向适配机器自主运行。
Vercel正在往Agent基础设施方向发展，提供海量Token路由调度、低延迟计算、运行状态可观测等配套能力。同时AI业务对实时数据分析的需求暴涨，ClickHouse这类实时数据库，在日志统计、AI运行监控场景，正在逐步替代传统数据库方案。
更多信息，欢迎加入知识星球。
