这背后其实是模型训练方式的变化：通过强化学习，让模型变得更“agentic”。关键不只是 LLM，而是专门训练过的 agent 型 LLM。而这种训练过程，本质上就是像我们这样的人坐下来，和模型一起把这些对话会话一条条写出来——也就是我们现在每天都在和各种 vibe coding agent 反复进行的那类对话。

在总结演讲时，黄仁勋表示，AI 产业正同时经历三大变革：AI 推理与 AI 工厂、智能体系统革命，以及物理 AI 与机器人时代。随着这些技术逐渐成熟，计算能力、AI 模型和基础设施将共同推动全球产业进入新的发展阶段。

所以我给那些想推进 AI 的公司的建议是：找到——甚至专门配备——一个全职的小团队，作为内部的 tiger team。这支队伍负责把能力摸透、落到具体 workflow 上，做持续的知识分享，在组织内部制造兴奋感，让更多人愿意尝试。没有这种机制，AI 真的很难被“捡起来用”。

为模型将要到达的能力提前设计工作流，产品现在只有 80% 好用也能上线，等下一代模型升级，直接跨过那条门槛。

我一直给大家的总体建议——到今天我仍然觉得成立——是：为模型将要去的地方而构建，而不是只为模型今天能做到什么而构建。

所以这类 tiger team 的典型画像是：技术相邻、编码相邻，整体技术能力不弱，愿意试、愿意学、愿意带人。你通常可以以他们为核心搭起一个小团队。

很多时候，编码智能体做不好，并不是“它不行”，而是上下文出了问题。要么是你给的信息不够明确，要么是 agent 根本拿不到完成这件事所需要的信息。

而最先被放大的，是具备“管理者思维”的资深工程师。他们更擅长拆解问题、判断取舍、以及在正确的节点上向智能体下达指令。

真正的 “聪明”，是那种兼具技术洞察力与人文同理心的能力，是能够洞察弦外之音、预判未知风险、看透表象背后本质的能力。那些能 “见人所未见” 的人，才是真正的聪明人

但还有一样东西，是无法通过旁观习得的，那就是坚韧的意志，是直面痛苦与挫折时，懂得如何应对的底气；是熬过精神内耗、挺过煎熬时刻、战胜内心恐惧的勇气

企业看到这种效率提升后，可能首先想到的是削减人力，而不是把工程师重新配置到更高层次的工作上。

因此，他认为第一步是建立“可观测性”和“可控性”：系统要能清晰展示每一步的变化和决策路径。就像程序员与产品经理协作时，不会简单地说“我改了一版，你再试试”，而是会说明“在 1.1 版本中新增了哪些功能”。

投资人 Theo 就是典型代表。他坦言，他其实也并不赞成面向非开发者：“千万别把产品卖给‘准’用户，要卖给‘真正’的用户。这是我见过太多人踩过的坑。也因此，像 Cursor（我也投了）这类产品更可能穿越周期，而 Lovable 这类就更危险”

他直言不讳地指出，行业内存在一些过于乐观的预测。

“从领域来看，我们更看好那些垂直属性强、发展空间广阔且行业纵深深的赛道。那些领域覆盖较浅、没有自身独特行业数据支撑的 Agent，会慢慢被通用 Agent 蚕食掉。”

。核心思路是构建 “通用基础层 + 领域知识层 + 场景适配层” 的三级架构

当前多数通用 Agent 聚焦低价值通用场景，此类场景要么存在成熟替代工具，要么用户不愿为轻微效率提升付费；而高价值通用场景的挖掘与适配不足，导致产品陷入 “能落地的不盈利，盈利的难落地” 的僵局。

在各大论坛，关于 Agent 实际应用能力的讨论越来越多。不少长期关注该赛道的从业者及尝鲜用户反馈，厂商们和评测方把功能描述得非常强大，并放出了各种效果惊艳的演示案例。但普通用户上手时却如同“开盲盒”，尝试多次都很难成功且很多效果无法复现，能实现的多为基础操作，逻辑稍复杂就会跑崩。