所以，哪个大模型能够更好地构建AI Agent，能吸引的开发生态就会更庞大，对商业B端用户的粘性更强，形成一个AI平台级的巨大机会 。
总结一下，AI Agent直接影响到大模型的模型效果、服务质量、落地成本、生态能力，将是接下来各个大模型的竞争关键 。
AI Agent做得好，模型少不了
那你可能会问了，那怎么才能产生好的AI Agent呢？这对大模型提出了哪些挑战？
我们认为，AI Agent想要落地，需要大模型做好以下工作，这也是接下来的竞争焦点：
1.基础模型 。
AI Agent的能力和效果，是由底层基础模型的能力决定的 。基础模型有的能力，AI Agent不一定能用上，但基础模型没有的能力，AI Agent一定没有 。
就拿语言任务来说，GPT-4提供了很强的自然语言理解能力，但目前真正部署到AI Agent和产品中的很少，一些游戏中的智能体NPC还是没有自主决策的行为能力的 。
再比如，GPT-4虽然有多模态，但只开放了语言API，所以开发者想要用GPT4的多模态能力来构建AI Agent，还做不到，而缺失了图像、音频等其他模态的信息，AI Agent对环境的理解和效果还有待提升 。
所以，无论是开源模型，还是闭源模型，想要通过API经济来商业化，基础模型的能力会直接关系到AI Agent的质量，且都还有提升的空间 。
2.数据知识 。
想要做好一个AI Agent，采集和使用数据是基本前提 。对于开发者来说，数字任务的数据量已经不成问题，但开发物理世界的AI Agent，数据成本就非常高了 。机器人的控制数据，一般只能自己采集，通过模拟器或者实体机器人现场采集 。但模拟器毕竟不是真实的环境，训练的效果不一定好，而购买几百台机器人、无人机真正上路进厂去收集数据，无论是采购成本、政策限制、实际执行等，都有不小的困难 。
这一点上，拥有数据优势的大模型厂商，比如谷歌、百度的自动驾驶优势，微软、谷歌、搜狗、百度等搜索业务的数据优势，或许能够为开发者的AI Agents探索减少一些门槛，也会为这些厂商的大模型建立壁垒 。
3.产品支持 。
必须承认，AI Agent所代表的大模型应用机会，还只是非常早期，技术上尚未完全成熟，商业化探索更是刚刚迈出了一点点步伐 。对于开发者、软件服务商等来说，比起代码上怎么实现AI Agent，更关键也更早一步要考虑的，是想象一个AI Agent所应该的去向：
它应该是什么样子？叫什么名字？有性别吗？以什么性格跟用户对话？有哪些用例？会遇到哪些具体的困难？如何评价一个AI Agent的成功？
这些更多是产品层面、商业层面的“无人区”，要让开发者释放想象力，在各种环境和任务中尝试创建AI Agents，需要大模型厂商开放自身的商业生态和更丰富便捷的功能，来减少开发人员的试错风险，增加与商业用户对接的强度，去催生更多商业选择和落地案例 。
总而言之，这个领域仍然很新，目前AI Agent还没有明确给大模型产业带来冲击，但AI Agent会消除人与AI系统的大量繁琐交互已经板上钉钉，正在发生 。
更多AI Agents在被推向社区、推向用户，它们学习，它们改变，它们进化 。或许几个月之后，我们就会看到AI Agents的成熟和爆发，这必然会引发大模型领域的又一次洗牌 。
推荐阅读
- 判断释迦果熟没熟的方法有哪些 怎么判断释迦果熟了没有
- 等红绿灯时有没有必要挂N挡
- 宠妻人设翻车？网曝王祖蓝根本没有表面上那么爱李亚男！
- 何洁瘦了70斤，没有逆袭
- 溢价四万倍，83年五分精制币，一般人没有！
- 没有想躺平摸鱼的员工，关键看老板给的筹码够不够
- 袁大头三年版本的钱币目前市场上面有没有价值百万的版本
- 如何判断自己车有没有积碳？
- 产业需要的大模型有哪些？
- 香蕉有没有种子? 香蕉有没有种子