巨头抢滩、资本沸腾，AI智能体如何跨越「幻觉」陷阱？

　　Manus的出现，激起了科技与资本市场的双重震荡，一时间AI Agent相关概念股集体大涨，阿里、谷歌、微软等科技巨头密集发布智能体研发计划......

　　而在这场热潮的背后，是AI技术从“被动应答”向“主动执行”的范式跃迁。

　　尽管市场的评价褒贬不一，但不能否认，Manus的突破性在于，它首次验证了通用型AI Agent在复杂场景下的商业化可行性。

　　传统的大语言模型虽能生成文本，却难以闭环执行任务，而Manus通过“规划-验证-执行”的架构，将AI大模型的认知能力转化为生产力工具。

　　根据麦肯锡等多份权威报告，在多元化需求驱动下，AI Agent市场呈爆发式增长态势，2024年全球AI Agent市场规模约为51亿美元，预计2030年将飙升至471亿美元，复合年增长率高达44.8%。

　　然而，这场“智能体浪潮”并非坦途。技术瓶颈与商业野心的碰撞，让AI Agent的竞争既充满想象力，又暗藏风险。

　　破壁之战

　　本质上，AI Agent的是具备人类思维范式的数字劳动力。

　　如果说聊天机器人还停留在“对话”阶段，那么Agent则已经开始“行动”。简单来说，可以理解为一种更智能、更自主的AI应用，它不仅能回答问题，还能执行任务、完成交易。

　　它们可以被应用于各种场景，如客户服务、金融分析、软件开发等，极大地提高了生产力和效率。

　　以大语言模型为“大脑”，AI Agent不仅能理解指令表层语义，更能捕捉隐含需求。例如用户说“找性价比高的酒店”，Manus会结合季节、当地活动等上下文推理出“预算敏感型”或“体验优先型”需求。

　　而可以期待的是，随着大模型在多模态能力上的持续突破，特别是多模态融合技术的迭代升级，AI Agent将能够更精准地解析并反馈用户需求，逐步实现类人类的视听感知与交互能力。

　　这将使得AI Agent可以应用于更广泛的领域，如医疗诊断、自动驾驶、智能安防等。在单体智能持续优化的同时，还可以想象的是，未来的AI Agent或许也能够突破单机运作模式，通过协同机制重构复杂任务处理与决策链条。

　　这种多智能体系统(MAS)通过角色定位机制，能够使每个智能体如同专业化分工的人类团队。

　　举例来说，在软件开发的场景下，每个AI Agent都有自己的特长，有的擅长编程，有的擅长设计，还有的专门检查质量，只要它们能很好的协作，就能一起完成一个高质量的软件项目。

　　此外，MAS系统还能模拟人类的决策过程，就像人遇到问题时会找人商量一样，多智能体也可以模拟集体决策的行为，这样就能为用户提供更好的信息支持，特别是在一些复杂的情况下。

　　比如遇到紧急情况，这些AI智能体就能帮用户模拟所有可能的情形，及时提供有用的信息，让用户能更快更好的作出决定。

　　可以说，这种“类人”的智能范式，正在重构生活、工作的成本结构。而从Manus开始，似乎AI Agent已从概念验证阶段，迈入规模化落地的临界点。

　　巨头竞速

　　AI Agent的热潮并非偶然，而是技术演进的必然产物。

　　早在2024年红杉AI峰会上，吴恩达教授便预言“AI Agent是AI发展的下一个关键阶段”。事实上，2024年期间，便有不少科技巨头布局AI Agent。

　　如谷歌在2024年12月发布了其最新版大模型Gemini2.0系列，并介绍了多个智能体应用，如ProjectAstra。微软也在2024年10月和11月分别发布了多个面向销售、运营等场景的AI智能体，并推出Copi lotStudio平台支持用户构建自主智能体。

　　进入2025年，Manus的火热，彻底带动了市场的情绪。

　　海外，OpenAI近期公布的商业化计划进一步印证AI Agent的B端潜力。其“博士水平”Agent针对科研与软件开发场景，每月服务费高达2万美元，覆盖从基础分析到复杂任务的全链条需求。

　　国内方面，阿里千问QwQ-32B模型中也集成了与智能体Agent相关的能力，使其能够在使用工具的同时进行批判性思考，并根据环境反馈调整推理过程。

　　另一方面，开源社区已出现OpenManus、OWL等新产品，基于Manus进行复刻和创新，有望推动Agent产品百花齐放。

　　资本市场的狂热更加印证了这一趋势。

　　Manus发布当天，A股超150只AI智能体概念股涨停，立方控股、酷特智能等涨幅超20%。

　　此外，Manus发布后，券商PPT、分析师路演火速上线，不完全统计显示，中金、华泰、招商、中泰等数十家券商研究所进行了路演，其中有分析师上线了多场路演，路演内容从技术原理、AI应用、受益方向到落地场景、产业圈推演，内容丰富。

　　当然，在热潮的背后，也有不同的声音。不少业内人士认为，Manus属于AI Agent初级的应用，市场的反应过大了。

　　事实也的确如此，AI会进一步拉平信息差，大量收集信息、整理资料的工作可以交给AI，但真正距离生成投资决策，无疑还有很长的路要走。

　　其中，最大的挑战在于:AI幻觉的幽灵始终萦绕不去。

　　技术瓶颈

　　AI Agent的竞争，入口为王。

　　当掌握更多用户流量的厂商，有望实现“流量-数据-使用体验”的正向循环，且随着开源模型能力升级弥补大厂及中小厂技术代差，AI产品工程化能力，或拉开产品使用体验差距。

　　可尽管展现出巨大的潜力，但AI Agent的爆发仍面临多重障碍。从商业模式到技术瓶颈，从法规缺失到用户认知，每个环节都在考验着行业的耐心。

　　首当其冲的原因就在于，现有技术还无法有效地解决AI幻觉的问题。

　　以当红的Manus来说，虽然在GAIA基准测试中取得了优异成绩，但在实际应用中，仍存在一些不稳定的情况。

　　GAIA基准测试排名来源:ManusAIX平台

　　有实测用户反馈，在处理复杂任务时，Manus偶尔会出现任务执行失败或结果不准确的问题。在进行股票数据分析时，Manus可能会因为数据接口的临时故障或数据格式的细微变化，导致分析结果出现偏差。

　　再以OpenAI的GPT4.5来说，毫无疑问，这是目前最强的大语言模型。但在SimpleQA基准测试中，GPT-4.5的准确率为62.5%，幻觉率为7.1%，尽管这一成绩要远优于GPT-4o、OpenAIo1和o3-mini等模型，但是依然存在着相当高的幻觉率。

　　而这种幻觉，在金融、医疗等高风险领域，任何一点误差，都可能引发系统性风险。

　　假设某医疗诊断Agent，其误判罕见病案例的概率为3%，客若应用于千万级用户群体，那么潜在误诊人数将高达30万。

　　除了幻觉，紧接着的是数据孤岛与通用能力的矛盾。

　　AI Agent的效能高度依赖场景数据，例如金融风控需要实时交易数据，而医疗诊断依赖患者病史库，数据割裂会导致通用型Agent难以跨领域迁移。

　　最后是伦理与监管的滞后性。AI Agent的自主决策涉及隐私泄露、责任归属等伦理问题，比如调用用户健康数据、自动驾驶事故等等，而全球监管框架尚未成熟。

　　由此可见，AI Agent的破局路径需从技术、生态与监管三端协同推进。而未来，谁能率先突破技术瓶颈并构建合规生态，毫无疑问，谁就将主导这场智能体时代的“诺曼底登陆”。