港湾观点︱2026年8月：Agent普及才刚刚开始

作者：东方港湾黄海平

备注：封面图由AI制作

过去两个月，半导体硬件股票经历了较为深度的调整，市场忧声四起。但我们倾向于这是一种发展中的再平衡，让AI的发展变得更健康，而不是系统性风险的前兆。

这种再平衡，来自半导体企业未来3年超高的业绩预期和因此形成的资金拥挤度，与支撑预期的弱现实之间的矛盾，我们在5-6月的观点中提到过我们观察到的这种分裂。但这种分裂，可以通过股价与现实变化来弥合，而这也正是过去两个月正在发生的事：一方面，半导体板块普遍经历了巨大的回撤，其中存储行业更是下跌超过60%。虽然我们担心的风险还都还没发生，但价格调整已提前将风险进行了计价。而另一方面，相比股价更重要的是，现实也在同步发生着变化。

一、 AI正在创造新需求

事实上，投资者所有担忧的核心，本质是怀疑AI投资究竟创造了什么增量价值。价值是指可以生产出的被人所需要的东西。当前AI更多是带来了生产力的巨大飞跃，这点相信已经少有质疑。但我们生产了再多的AI视频，更快地做出一版PPT或Excel，APP Store里出现再多AI编程出来的应用，也并没有创造出更多的需求：人们每天看视频的时间没法大幅提升，再多PPT也无法带来更多的生意，Excel模型做得再好也没有让投资收益突飞猛进，手机常用的APP也并没有因此增加。

人工智能，作为一项通用目的技术会让整个行业都受益，成本飞速下降，产量大幅提升，而总需求如果没有显著增加，结果只会让行业变得极度内卷，所有人分到的蛋糕变少了，利润也变薄了。这就是今天发生在AI短视频和AI小游戏身上的故事，最后受益的往往只有分发渠道，吃到了广告增长的红利。这也是当前市场担心AI投资有效性的根本原因。

一项技术的发明通常都会被用以满足旧需求，像AI视频、AI编程、AI修图和AI 办公软件，因为满足这些需求通常不需要对生产关系做出任何改变：团队人员、产品形态、分发渠道、收费模式以及市场接受度都无需变动，所以最容易发生。

但故事到这里还没结束。事实上，AI技术正在逐渐进入各种任务场景，而对应的需求可能将拥有非常高的“需求弹性”。这大体可以划分成3个层次：

首先，AI会把过去因为成本太高而不存在的需求，变成经济上可行的需求。这主要集中在现代服务业上，例如教育、医疗、法律、咨询、金融理财等。当价格大幅下降，产能上限打开后，人们的需求会被彻底点燃，谁不想拥有这些专属服务。当前的AI聊天框里，已经出现了这些专业服务的雏形，需求是非常大的。但仅仅是刻在参数里的专业知识和互联网的专业文档，最多只能叫“搜索”，不能叫“服务”。以“AI教育”服务为例，除了“知识问答”外，还需要AI老师根据学生的学习阶段和目标，给出具体学习方案；在学习过程中做动机管理，生成有趣的交互界面，保持学生足够的学习动力；监测并保留学习成果，甚至链接外部任务给予更多成就感。这就需要Agent有成熟的教学Skill，能够生成实时的互动界面，有足够的数据库支持，还能够主动与学生进行互动，等等。这正是当前Harness系统在进化的方向。这些需求会以私人AI医生，私人AI老师，私人AI法律顾问，私人AI理财师等产品形态出现在市场上，满足过去没法被满足的需求。虽然我不清楚这样的服务会集中在一个通用Agent的入口，还是会以垂直Agent的形式出现。

其次，AI会把原来人们因为能力不足而做不到的事情，降低门槛变成真实存在的需求。这主要集中在创作领域，例如软件工具、视频制作、游戏制作、多人项目组织、3D打印等。过去人们只能从别人制作的标准化产品中做出选择，来满足自己的部分需求，AI降低了生产工作的门槛之后，自我创作以满足需求（而非通过市场交易），会变得更加司空见惯。就像消费级3D打印正在把轻量制造普及化一样，这对于商品经济来说也是一种颠覆性创新。因此，过去只属于B端的创意工具，在AI的赋能下也会进入C端市场，消费级3D打印机、Vibe Coding和AI视频制作Agent的普及化，只是这个趋势的开端。本月，GPT-6问世后，又带火了建模软件Blender软件工具，掀起了一波3D场景建模热潮，把游戏制作的门槛又拉低了一个层级。或许不久后，组建AI团队进行创业可能也是一种消费，因为门槛和成本都可能会被AI大幅压低。所以，我们或许不用过于在意这些生产力的提升是否有对应的需求，可能生产本身即消费。

再者，AI会创造出现在人们自己还不知道的需求，这才是真正的消费革命。这可能出现在各行各业。例如，游戏行业可能会借助AI视频生成技术实时生成剧情、人物和场景，改变传统的预设机制，创造出真正的“生成式”游戏。本月，英伟达发布了新的游戏显卡算法——DLSS 5，以实时生成的方式，改变游戏场景人物的光照和材质表现，直接让许多老游戏的画面出现了质的飞跃，逼近现实画面。同时，本月GPT 6 Astra的问世，也让我们进一步看到了生成式游戏的雏形。就像AI视频行业的发展，从2023年粗糙的“威尔史密斯吃面条”，到今天视频平台上充斥的各种AI作品，AI生成式游戏这种新物种，可能也会在AI成本下降到一定程度后走进消费者的视野。再比如，与传统游戏和视频的体验式需求不同的是，当AI生成式技术发展到一定程度后，人们可能会萌生出“拥有一个世界”的收藏需求。它不是统一剧情的游戏，而是由你定规则、持续演化并铭记历史的世界。你建的港口、引入的物种、经历的事件，都会永久影响它。可邀友共居，也可与家人共育。你不必每天进去，也不必每天完成任务。它的价值可能在于另一种感受：世界上有个地方，因我参与而成为现在的样子，就像有人养花、维护庭院、收藏物品一样。这种游戏的需求会超越游戏者时间的限制，或许也打开一个更大的需求空间。

改变需求这件事，需要组织架构、产品形态、分发渠道、收费模式与消费者培育的共同进步，与数值世界里快速进步的模型能力相比，更需要时间，但方向是确定的。最近两个月最大的变化，就是市场上主流的大模型产品形态，都已经完成了初步的 Agent 化——从回答问题，走向调用工具执行多步任务，并在不断扩大任务的范围和完成度。在必争的编程任务以外，GPT Codex现在可以在人类的指挥下，做出超越我们团队分析师的excel财务模型。Claude Tag开始脱离个体工作环境，在Slack团队协作办公软件中，利用已授权的工具和数据完成任务，变成了团队的一员。腾讯的Workbuddy也开始接入微信的环境，帮你阅读和总结群聊的信息，省去大量“爬楼”的时间。Agent化是开启AI新需求的重要基石，也是市场一直呼唤的“除了Coding以外还能干什么”的答案。（见下图）

二、 Agent普及的不竭动力：任务环境交互经验与RSI

Agent的普及扩散才刚刚开始，持续进步的动力来自RSI（递归式自我改进）的新范式。过去，大语言模型的进步源于对人类已有互联网数据的压缩，所以市场一度特别担心数据和预训练见顶。而今天，Agent的进化来源，是AI在真实任务环境里进行试错探索所积累下的经验。我们在25年7月的观察《人类数据 VS. AI经验》一文中写到过：“Agent一旦落地于真实任务环境中，以第一人称的视角去执行任务并与环境产生互动反馈，所积累的数据将更动态、更高质量、更具定制性且源源不断，其价值远超传统训练集，更加接近生命的本质。” 今天产业界称之为RSI，在今年6月份Anthropic发布的论文《When AI builds itself》后，被广为讨论。我们观察到，Agent在LLM和Harness系统两层架构中，都开始出现了在人类帮助下自己改进自己的现象。

在LLM侧的模型训练中，DeepMind、Anthropic和OpenAI 都已经在做RSI的“早期工程形态”，虽然还没有进入严格意义上无人干预的递归自我改进，但半自动化RSI机制已经通过以下至少5个方面，不断做着自我改进：

1. 推理经验数据的再训练：模型在实际执行任务过程中产生大量推理与行动轨迹，通过环境反馈和 Verifier 对这些轨迹进行验证、筛选和压缩。一部分经验可以直接沉淀为 Harness 的 Skill/Memory，在推理时复用；另一部分则被转化为 SFT、RL、偏好学习或蒸馏数据，通过后训练更新模型参数；经过更大规模积累后，也可能进入下一代模型的预训练或 mid-training 数据。于是更强模型能够产生更高质量的经验和训练数据，进一步训练出更强的下一代模型，形成递归式改进循环。

2. AI验证器：让更强的模型帮忙“出题、判卷、找错误”，用这些反馈筛选训练数据、训练下一代模型。新模型变强后，再帮助改进“题目”和“判卷方法”，形成“评得更准—训练得更好—再评得更准”的循环。

3. 自动化研究探索：人类给出研究目标、资源边界和初始评价标准，AI Agent 自主提出假设、编程、运行实验、调参、Debug、分析结果和不断优化。截至 2026 年 5 月，Anthropic 进入生产代码库的代码中，超过 80% 已经由 Claude 编写。同时，Cluade会在保持正确性的前提下，对训练AI模型的代码进行提速。2025年5月Opus 4平均优化约3倍训练速度；而2026年4月内部Mythos Preview已达约52倍。

4. 攻防式自我改进：通过攻击模型与防守模型的自博弈，不断发现更强攻击并将其转化为安全训练数据和评价集，使模型攻击能力与防御能力共同升级，提升模型的安全度和价值观对齐。

5. 训练基础设施优化：AI能优化训练代码和算力调度，提升算力使用效率；还能辅助尝试模型结构、参数和数据配比，找到更优的推理方案。同等资源下可完成更多实验或训练出更好模型，并用更低的成本来推理。

而在Harness侧，递归式自我改进的范式，是 Agent 会从真实任务的成功与失败中，提炼环境规律、用户偏好和工具正确用法，沉淀为可复用的 Memory 与 Skill；并不断根据上下文管理效率，来调整记忆压缩和使用的机制；同时，调整不同大小模型路由方式，以不断提升任务完成的准确率和速度；同时，不断降低任务完成的循环步数和工具使用率，以降低任务完成成本，也是最近发布的Meta Spark 1.3、Gemini 3.8 flash和GPT 6的重要改进方向（见下图）。这些Harness层面的自我改进，即使底层 LLM 参数保持不变，Agent 的整体能力也可能不断提升。

Agent在RSI自我改进之路上能走多快多远，最核心的“燃料来源”是“可验证的环境交互经验”。Agent必须不断进入真实或高保真的任务环境，采取行动，并从环境中获得可验证的反馈，再把这些反馈转化为可保留的能力改进。这与人类学习的范式如出一辙。所以未来 AI 厂商的竞争，可能得看谁能够让模型接触到更广的任务环境，获得最多的高质量“行动—反馈”数据，并将其转换成新的Agent能力。同时这种环境交互经验，也是消费者使用Agent时的“个性化”来源，能够形成一定的竞争壁垒。

三、 迷雾渐散去

当Agent任务不断普及，使用成本不断下降时，新的消费需求才会被激发出来。而这正是过去两个月，正在发生的事实。在这个过程中，生产关系的变化要更慢也更复杂，所以软件行业最终的产品形态、行业地位、组织架构何去何从，属实难以预判。但AI生产力能够创造的价值，却是相对确定的：我们可能正在经历一次历史罕见的硬件创新进步浪潮，算力存力等硬件能力的升级，加上算法与模型的进步，让同样投资金额下所生产的AI Token数量每年以数十倍在增长（参考B300相对于H200的token相对产出量），同时每token的智能含量也在飞升。这使得我们所讲的Agent普及度和所创造的价值不断提升，也是当前算力价格一路不断上升背后最核心的驱动因素（如下图）。如果模型层因为竞争而没法出现长期垄断的玩家，那么技术进步所创造的价值，可能会被消费者和半导体硬件所瓜分。

长期投资的道路，80%的时间都是寂寞和痛苦的，即便是长期牛股，实际上涨的时间一般不会超过20%。在过去两个月的阴霾时段，半导体的深度调整以及Agent自我递归的成长，让市场得到了事实与预期之间的再平衡。临近月底，英伟达在业绩会上提出了2027年70%的增长预期，也让未来的迷雾又散开了几分。一切似乎又在重回轨道。

我们一如既往地看好AI时代的发展趋势，我们判断从GPT-6 开始算，AI算是正式完全踏入了Agent时代。Agent会在许多行业里开始普及，会衍生出许多AI职业服务（而不仅是工具），这是我们投资信心的重要来源。不要辜负一个时代的馈赠！

风险提示及免责声明：市场有风险，投资需谨慎。在任何情况下，文章中的资讯仅供读者参考之用，文中提到的公司亦仅为阐述产业逻辑，所有内容均不带任何投资建议，读者不应单纯依靠本文而取代个人的独立判断。对于因使用、引用、参考本文内容而导致的投资损失、风险及纠纷，东方港湾不承担任何责任。

雪球是一个投资者的社交网络，聪明的投资者都在这里。
点击下载雪球手机客户端 http://xueqiu.com/xz]]>