当AI巨头专注大模型军备竞赛，真正的价值洼地可能在“小”处

当所有人都在追逐万亿参数大模型时，我最近在家族办公室投资委员会上提出一个问题：如果AI的下一个突破不在大，而在小，我们的资产配置策略是否需要提前调整？

德国国家工程科学院院士、中国工程院外籍院士赫尔佐格近日在接受采访时明确表示，人工智能领域下一次重大突破绝非单一大型系统，而是众多小型的专业化智能体协作。这一观点与我在过去一年中观察到的投资信号高度一致。

从资产配置角度看，当前AI赛道的估值逻辑存在明显分歧。大模型领域的资本支出已进入“军备竞赛”阶段，单次训练成本动辄数千万美元，且边际收益递减。 而小型智能体协作网络，则呈现出截然不同的经济特征。

数据对比：大模型 vs. 小型智能体协作

维度	大模型（如GPT-4/Claude）	小型智能体协作网络
单次训练成本	$100M-1B（估算）	<$1M（定制化微调）
边际推理成本	高（需大量GPU）	低（可本地部署）
垂直领域适配性	需大量微调	开箱即用
可扩展性	线性增长受限于算力	网络效应指数级增长
商业模式确定性	高投入低回报（当前）	高ROI（已验证场景）

关键数据： 据我跟踪的早期项目，一个专注于医疗诊断的智能体协作网络，其每美元投入产生的准确率提升，是大模型通用方案的 3-5倍。这是因为小型智能体可以针对特定任务（如影像分析、病历解读）进行极致优化，而大模型需要平衡数百种能力。

投资逻辑：为什么小型智能体协作更符合“风险收益比”原则

从家族办公室的长期配置视角，我总结了投资小型智能体协作生态的三大逻辑：

1. 资本效率优势：无需烧钱做基础模型，而是聚焦于数据、场景和反馈闭环。

2. 网络效应壁垒：当多个智能体形成协作协议（如通信标准、任务调度），切换成本极高。早期投资这类协议层的公司，类似投资TCP/IP协议之于互联网。

3. 监管套利空间：各国对AI的监管重点在大模型（数据安全、伦理），小型专业化智能体更容易通过合规审查，落地阻力更小。

[!note] 从估值角度看，当前二级市场对AI的定价主要基于大模型公司的用户增长和算力投入，但忽略了小型智能体协作网络可能带来的“非对称收益”。就像2010年投资移动互联网时，不是投资基站，而是投资WhatsApp和Uber。

竞争壁垒：谁在构建“智能体协作网络”？

目前，我看到三类玩家在布局这一赛道：

• 平台型公司：提供智能体通信协议和调度框架（如AutoGPT、LangChain），但商业模式尚不清晰。
• 垂直领域专家：例如专注于物流调度、供应链优化的初创公司，已有付费客户，且毛利率高达60-70%。
• 开源社区：如Hugging Face的Agent库，但缺乏商业闭环。

我的判断：投资时应优先选择同时具备“协议制定权”和“场景落地能力”的公司。例如，一个在医疗领域拥有独家数据源的智能体协作平台，其护城河远高于通用大模型API的上层应用。

开放性问题：当大模型成为基础设施，谁将在应用层捕获超额收益？

过去一年，我们见证了AI基础设施（算力、模型）的资本涌入，但应用层的“杀手级”产品尚未出现。赫尔佐格的预言提醒我们：真正的价值可能不在单一怪兽，而在无数相互协作的“蚂蚁”军团。

我有一个悬而未决的问题：当大模型像电力一样普及，小型智能体协作网络是否能像早期互联网一样，催生市值数千亿美元的“平台型公司”？ 这个问题的答案，将决定我们未来3-5年的资产配置方向。

作为投资人，我倾向于在所有人都看向大模型时，提前布局那些“小而美”的智能体协作生态。毕竟，风险收益比最好的资产，往往出现在多数人忽视的角落。

原文链接：https://www.ithome.com/0/981/813.htm