隨著 DeepSeek 等新興模型的快速崛起，以及 AI Agents 技術的持續突破，人工智慧正步入一個更便宜、更快、更普及的新時代。大模型不再是巨頭專屬，AI 正從實驗室走向商業實戰，深刻影響著企業的產品構建方式與戰略決策邏輯。
在 Intercom on Product 特別節目中，Intercom 邀請全球知名科技分析師 Benedict Evans 深度解析當前 AI 格局。他與 Intercom 聯合創始人兼首席戰略官 Des Traynor 圍繞 DeepSeek、AI Agents，以及“確定性 AI vs 機率性 AI”等核心議題展開探討，幫助企業看清趨勢、明確方向，在不確定的時代中構建具備持續競爭力的產品與服務。
DeepSeek 崛起：AI 模型商品化時代的標誌性拐點
Benedict Evans 指出，他早在 2023 年 5 月便在其時事通訊中關注到 DeepSeek，將其視為中國新一代 AI 模型公司的代表。儘管 DeepSeek 的釋出在業內引發了極大關注，但也伴隨著諸多誤解——有人認為它只是對 OpenAI 或 Meta 的模仿，也有人高估或貶低了其實際意義。
Evans 指出，DeepSeek 的真正意義不在於技術本身是否“最先進”，而在於它揭示了一個關鍵趨勢：AI 模型正從少數巨頭掌控的稀缺資源，走向更廣泛可用的“公共商品”技術。就像資料庫或電子表格一樣，大模型將不再“贏者通吃”，而是由多個玩家共同構建生態。
更值得關注的是成本趨勢。DeepSeek 的 R1 模型在效能上已能媲美 OpenAI 的 O1 推理模型，而訓練 V3 的成本僅為 560 萬美元，遠低於 Anthropic 所需的“數千萬美元”。這預示著 AI 模型的訓練和部署正在進入成本斷崖式下降的新階段。
雖然 DeepSeek 展現了創新降本的路徑（不僅依賴蒸餾，還結合其他 4-5 項技術突破），但與此同時，Meta、微軟、谷歌等巨頭仍在加碼資本投入，2024 年資料中心支出總額預計將高達 2750 至 3000 億美元，主要用於推理服務的擴充套件。這種“輕量化 vs 重資本”的對比，正成為 AI 基礎設施發展中的重要分歧點。
效能 vs 成本：AI 模型發展的雙軌路線
DeepSeek 的崛起不僅揭示了 AI 模型的商品化趨勢，也對映出整個行業正沿著兩條主線快速演進：一是追求極致效能，二是壓縮成本邊界。這一趨勢呈現出類似“AI 的摩爾定律”：由十幾家領先企業共同推進，模型正變得更快、更便宜、更強。
儘管技術進展顯著，但使用者採用仍存在差距：
日常使用者尚在“試用期”：例如 ChatGPT 日活使用者佔比僅 2–3%，說明 AI 還未成為多數人工作流中的剛需。
行業間接受度分化：軟體開發、客戶支援、營銷等領域因具備高重複性任務，AI 應用價值顯著；而律師等需要精確、唯一答案的行業則相對謹慎。
另一方面，AI 的落地方式也在逐步多樣化：
直接提示式互動：使用者與模型對話獲取結果。
嵌入式 API 呼叫：大量企業將 LLM 無感知地嵌入軟體流程中，使用者不知其然卻用其力。
未來走向尚不明確：我們仍無法判斷 AI 會以每年 10–20% 的邊際提升持續進化，還是邁入真正自主執行任務的全新階段 ，因為我們對其底層原理仍缺乏完整理解。
擁抱不完美：LLM 的侷限與應對策略
在 AI 模型快速進化、成本持續下降的背景下，大語言模型（LLMs）正被廣泛整合進企業產品中。但值得注意的是，效能提升並不等於完美可靠。理解 LLM 的侷限，決定了我們該如何設計 AI 應用，才能在實際場景中發揮其最大價值。
LLM 的核心原理是預測下一個詞元，這讓它在內容生成、語言理解等任務中表現出色，卻也天然帶來了非確定性。與資料庫或電子表格不同，LLM 給出的不是“唯一正確答案”，而是“可能的合理答案”。
你可以把 LLM 想象為一個聰明但不完美的實習生：它能處理大量重複性任務，在明確指令下完成工作，但也可能出錯。尤其在處理創意或模糊性任務時表現良好，但面對需要精確檢索的指令（如 1980 年電梯操作員人數）時，它往往不夠可靠。
錯誤容忍度應按場景調整：在廣告、寫作、客服對話等可接受輕微偏差的場景中，LLM 能極大提高效率；而在法律、財務、資料分析等要求準確率極高的任務中，單靠 LLM 並不穩妥。
混合系統是更現實的解法：真正可用的 AI 應用，往往採用“LLM + 硬規則”混合架構。即在使用者互動初期使用生成式模型提高體驗，當識別出使用者需求涉及關鍵流程時，系統會自動切換到確定性邏輯執行。比如在客服場景中，當使用者表示信用卡丟失時，AI 可先透過自然語言與其溝通情境，一旦識別問題屬實，便立即轉入標準化、零容錯的報失流程。
AI 架構演進：從呼叫工具到自主決策
隨著企業逐步接受 LLM 的不確定性特徵，如何構建兼顧靈活性與可靠性的 AI 系統架構，成為下一階段關注重點。在理解 LLM 侷限之後，行業開始探索更高階的智慧系統——AI Agent（智慧體）模式。
目前，企業構建 AI 系統主要有兩種思路：
LLM 作為確定性軟體的“外掛”：這是當下最常見的模式。LLM 被嵌入在傳統軟體中，由後者控制輸入和輸出，例如在 Salesforce 中點選“建議回覆”按鈕，其背後就是一次 LLM 呼叫。該模式的優勢在於可控性強、上線快，適合對輸出要求穩定的場景。
Agent 模式——具備判斷能力的智慧體：與其說 Agent 是 LLM 的升級形態，不如說它是一種更具自主性的架構設計。在這種模式下，模型不僅能理解使用者意圖，還能判斷任務型別，並自動決定是否呼叫資料庫、API 或執行特定指令。例如，當使用者提問涉及結構化資料時，模型可以識別自身侷限，轉而呼叫外部系統獲取精確答案。
在實際應用中，越來越多企業並非在二者之間做“二選一”，而是探索更靈活的混合式架構：
利用 LLM 快速搭建任務框架，如構建儀表板原型或撰寫初稿。
將確定性系統作為關鍵資料與流程的支撐，確保輸出準確。
系統根據上下文判斷何時由 LLM 執行生成任務，何時切換到規則驅動模組。
這種融合讓企業在保持結果可控的同時，也能享受到生成式 AI 帶來的效率紅利。
Agent 架構的探索，不只是工程實現的升級，更代表著企業在 AI 應用思維上的躍遷。它要求我們不再僅把 LLM 視為“呼叫工具”，而是作為具備判斷力與執行力的“協作個體”，與現有系統形成有機配合。
在這一趨勢下，AI 架構將不再只是工具拼裝，而是一種智慧協同的系統設計。
AI 下一站——更輕、更強、更貼近使用者
回顧整個趨勢，從 DeepSeek 的崛起到 Agent 架構的演進，AI 正在從高成本、高門檻的集中化模型，邁向一個更普惠、更靈活的未來。
展望未來，AI 模型的效能將持續提升，使用成本將進一步下探，這不僅推動企業應用門檻降低，也催生出新的部署形態——本地 LLM 的興起。
像 Apple Intelligence 已經在最新的 iPhone 上實現了本地化的 LLM 功能，例如通知摘要、寫作輔助等。藉助新技術，大模型的能力被濃縮至輕量級模型，使其能夠在手機端高效執行。這不僅提升了響應速度與隱私安全性，更大幅減少了開發者的運營負擔，因為計算成本由使用者裝置承擔。
AI 的未來，正在從“強大”轉向“可用”，從“遙不可及”走向“觸手可及”。對企業來說，真正的競爭力，來自在正確的時間，用對模型，用對架構。
👉想進一步瞭解 DeepSeek、AI Agents 及未來趨勢？點選下方連結，觀看完整播客：
https://www.youtube.com/watch?v=QkpqBCaUvS4
