编者按
智能体（Agent）正成为 AI 大模型技术落地的重要载体，催生全新的智能体经济形态。全球 AI 原生企业的崛起速度前所未有：Cursor 两年内年化收入突破 5 亿美元，Perplexity 估值 27 个月飙升至 140 亿美元，GenSpark 以 45 天达成 3600 万美元 ARR。数据表明，AI 原生企业收入增速远超传统 SaaS 企业。智能体的发展依赖五大核心要素——模型获取、开发工具、客户触达、低成本交付和高效运营，而这一切的根基是云生态。“No Cloud, No Agent”成为核心法则：公共云不仅提供最新强大模型与工具链、实现分钟级开发部署，也能更便捷、高效地触达客户和交付，更能以低成本进行运营、构筑数据飞轮。对中国而言，构建基于公有云的统一大市场和产业生态，推动项目型软件跃迁为平台型、生态型模式，才能避免重蹈“加拉帕戈斯效应”覆辙，把握未来的智能体红利。
本文主要观点来自阿里云智能副总裁、中国信息化百人会执委安筱鹏在 2025 年 7 月 3 日全球数字经济大会-人工智能融合应用发展论坛上的分享。
今天讨论大模型应用，一个不可回避的话题是 Agent（智能体）。智能体是大模型应用的重要载体，它未来发展的规律和趋势，是一个值得探讨的话题。我们有一个重要的判断是，“No Cloud, No Agent”。
美国 Anysphere 公司旗下的产品 Cursor，仅用了两年多时间，年化收入就超过了 5 亿美元。它是过去 20 年单一 SaaS 软件产品增长最快的企业。全球财富 1000 强公司中有 53% 的工程师都在用 Cursor，近 5 万企业将 Cursor 作为首选 IDE（集成开发环境），每月有一亿行企业级代码在 Cursor 中编写。
智能搜索引擎 Perplexity，从 2024 年 1 月份至今，它的估值翻了 27 倍，从 5.2 亿美元涨到 140 亿美元。2025 年 5 月的查询请求量相比 2022 年增长了万倍，截至 5 月的 ARR（年度经常性收入）达到 1.2 亿美元。年初，月活超过 1500 万。
华人创建的海外公司 GenSpark，只用 45 天就达到了 3600 万美元的 ARR。旗下产品 Super Agent 发布 9 天时间，付费用户就超过了一万人。
这引发了我们对三个问题的思考：第一，为什么今天这类 AI 企业的 ARR 增长速度这么快？第二，这一轮 AI 企业跟上一轮互联网企业的商业模式有什么本质性区别？第三，Anysphere 这家公司不到 100 人，而且成立时间只有两年，它怎么用一个 To B 产品触达到全球 1000 强公司的 53% 核心用户？这些是我们探讨企业发展规律需要深入思考的问题。
2024 年美国新增的独角兽公司超过了 28 家，仅仅在代码生成的这个领域就有 7-8 家独角兽公司。像 OpenAI、Anthropic、xAI 等 AI 原生企业的收入总和大概是 70 亿-100 亿美元，美国大公司的生成式 AI 收入大概为 300 亿-400 亿美元，而中国的产业规模有多大呢？
过去的十年是中国 SaaS 失去的十年，展望未来的十年，当 Agent 作为一种新的软件载体出现的时候，我们是不是能够抓住这样的机会找回过去的十年呢？
当 Agent 智能体经济、AI 原生企业到来的时候，美国科技行业也正发生着巨大的变化。
根据对 SaaS 和 AI 原生企业的统计：2018 年成立并跻身营收前 100 的 SaaS 公司，它们收入中位数达到 500 万美元用了 34 个月；而 2024 年创立且位列营收前 100 的 AI 公司，仅以 24 个月便跨过同一门槛，整整快了 10 个月。
美国成立于 2020 年之前的收入前一百强 AI 公司，收入中位数达到 500 万美元用了 39 个月。而在 2020 年之后成立、经历了这波大模型浪潮的收入前一百强 AI 公司，收入中位数达到超过 500 万美元只用了 13 个月，缩短了 26 个月。
换句话说，AI 大模型在加速整个产业的崛起以及 AI 原生企业的培育。
正是因此，我们看到去年和今年美国大公司在 AI 领域投资的决心和意志。亚马逊表示，2025 年资本支出或达 1000 亿美元，绝大部分将用于 AI 和云服务 AWS；微软宣布 2025 财年将在 AI 数据中心方面开支 800 亿美元；谷歌宣布今年将斥资约 750 亿美元建设数据中心容量；Meta 则宣布今年将斥资约 750 亿美元建设数据中心容量。而今年 1 月，白宫公布“星际之门” 基础设施计划，总投资规模达 5000 亿美元。总共加起来，2025 年美国在 AI 领域的预计投资规模达一万亿美元。
这背后反映的，是对未来 AI 大模型产业商业闭环的某种信心。
2025 年美国在 AI 领域的预计投资规模达一万亿美元，反映了对 AI 商业闭环的信心
而信心的背后，从整个全球来看是智能体经济的崛起。IDC 预计，到 2026 年，50% 的中国 500 强公司的数据团队将使用 AI Agent 进行数据准备和分析；Gartner 预计，2028 年至少 15% 的日常工作决策将通过 Agentic AI 自主完成，33% 的企业软件应用将包含 Agentic AI；麦肯锡研究显示，超过 70% 的企业 CEO 认为 AI Agent 将在 3 年内显著改变经营模式与竞争格局；德勤研究显示，2025 年 25% 使用生成式 AI 的企业将部署 AI Agent，2027 年这一比例将达 50%。
无论是 IDC、Gartner、麦肯锡、德勤等机构的报告，还是大公司投资的意愿，都展示了未来产业的广阔发展前景。
Agent 作为一种新的软件形态、以及 AI 大模型落地的一个重要载体，不仅需要技术可行、更需要商业可行，它的发展可以分为五个核心要素。
一是更高性能的基础大模型；二是更丰富的工具和开发生态；三是产品要触达 To B 端、To C 端的客户，更便捷、更高效地获客；四是更高效的交付、更低的交付成本；五是更好的运营。今天讨论 AI 大模型落地、将成千上万个 Agent 深度嵌入业务场景时，这五个要素非常关键。
对中国来说，我们更加要强调“No Cloud, No Agent”。
首先，在今天模型技术快速变化的时代，“快”是唯一的护城河。如果你有了一个好的 Agent 灵感，首先就要快速、低成本地构建一个 MVP（最小可行单元）。而公共云可以提供更强大、更丰富的大模型，以及更丰富的工具链、更完备的 Agent 开发工具，来降低创新门槛、更快速地验证想法。
第二，是要将产品快速地触达客户、尤其是 To B 端的客户。公共云上有庞大的、数字化基础好的客户池，可以复用公共云的客户和渠道，在公共云应用市场实现低成本的客户精准触达。
第三，是要将 Agent 低成本、快速地交付给客户。公共云提供开箱即用的服务，无需重新购买硬件来适配，无需昂贵的前期投入，能实现低成本、高效的交付。
第四，是要在交付之后高效运营，让 Agent 能像员工一样不断地自我迭代、提升能力，形成一种数据闭环。公共云通过全栈技术优化及规模化，带来了推理成本持续降低；同时，公共云平台上提供最先进的算力、最前沿的模型和丰富成熟的 AI 工程化工具，能够让产品持续敏捷迭代，从而打造数据闭环。
关于上述五个要素，还可以更进一步展开。在 Agent 开发、Agent 客户触达与交付、Agent 运营三个过程，充分体现了“No Cloud, No Agent”。
第一，在 Agent 开发过程，核心是用上最强的模型、并持续迭代。正如 Benchmark 合伙人 Eric Vishria 所说，“打造有魔力的产品的起点，更关键的是让产品有持续的迭代能力。”对 Agent 的开发来说，核心是要持续用上更强的模型，才能持续迭代。而模型还处于快速的迭代期，领先的模型基本每一百天就可以将 Arena Score 的分数提高 50 分，这些模型中绝大部分都仅在公共云上提供服务，除 Qwen 和 DeepSeek 的开源模型可本地部署。即使是开源模型，公共云也往往是最早的预览平台。也就是说，公共云几乎是获得最先进模型的唯一途径。
Agent 开发过程的核心是，用上最强的模型、并持续迭代
迭代也是一个技术可行跟商业可行持续平衡的过程。基本的逻辑是，基于“大尺寸模型”探索 Agent 性能的天花板，基于“小尺寸模型”探索 Agent 商业的可行性。
在技术发展的早期，可以基于最好的模型，把 Agent 原型开发出来，跑通流程并设定性能基线。之后，再逐步迭代，尝试用更小的模型替换某些环节，观察效果是否仍可接受。这既保证了初始方案的可靠性，又能逐步在不影响准确率的前提下降低成本与响应速度。同时随着模型持续迭代、性能提升，还需要采用更先进的模型升级产品，从而保证 Agent 的更新与迭代。而性能最强、最新模型的实验性部署，在公共云可以即开即得，用完即可释放。
基于“大尺寸模型”探索 Agent 性能天花板，基于“小尺寸模型”探索 Agent 商业可行性
同时，Agent 开发也需要有 MCP、API 的接口、工具等等。截至 6 月 30 日，百炼平台上已上架 MCP 服务 138 个，已上架 Agent 模版与服务 100 多个，已上架的组件广场 200 多个。公共云上正构建 Agent Tools 生态的“精品百货超市”，降低开发者的“好 tools 搜寻成本”。
开发流程可分为需求分析、模型选择、Agent 工具、指令构建、流程编排、持续迭代等，两种开发方式对比如下：
如果基于公共云在百炼等一站式模型服务平台上开发，基本是“傻瓜式操作”，易上手、工具链丰富、无需专门招聘技术人员，最快 5 分钟构建智能体应用。比如在模型选择上，各种性能、尺寸、成本的模型即点即用，百炼支持通义全系模型及数十种第三方模型；在 Agent 工具上，平台预设中点选，快速构建 RAG、MCP 服务等，百炼已上架数百种+MCP 服务和插件；在持续迭代上，与云上其他服务快速集成，如告警、快速扩容等。
而如果进行本地私有化开发交付，则需要“全手搓”，自行下载开源部署工具、采购商业软件、并与本地基础设施适配等，整个过程复杂且成本高。从模型选择上，通过开源社区等方式下载、安装、适配；从 Agent 工具上，需要本地搭建 RAG 知识库、从 GitHub 社区上下载 MCP 服务等；从持续迭代上，与本地各种系统连接适配，难以实现规模化稳定化服务。
相较私有化部署，云平台的 Agent 开发能快速构建 MVP、实现低门槛和高效率
第二是如何把 Agent 交付给客户、尤其是 To B 端的客户。首先是触达，如果基于公共云，作为供给方的 Agent 开发商可以通过互联网、公共平台的应用市场实现产品海量曝光，私有化部署则需要“逐户敲门售卖”。对需求方的企业客户来说，通过公有云平台，它们可以获取琳琅满目的 Agent 应用、并快速迭代。而通过私有化部署，企业客户得到的主要是封闭单一的产品。
其次是交付，如果基于公共云，Agent 开发商交付的是一个标准化的产品，客户付费后直接下发账号，进行产品的持续迭代和升级。Cursor 能靠两年时间实现年化收入 5 亿美元，只有通过公有云的方式才能实现。而通过私有化的方式，交付就需要 POC（概念验证）、驻场交付等等，流程长、成本高。而对于企业客户来说，通过公有云平台，它获得了即开即用的产品，并能进行持续升级迭代。私有化部署则要经过招标、采购、测试、上线等流程，周期长、迭代慢。
相较私有化部署，云平台在 Agent 的客户触达与交付上更便捷和高效
最后，是如何高效地运营 Agent，它需要更低的算力成本、更高效地运行。根据估算，AI Agent 任务执行所需要的 token 消耗是聊天对话类任务的 25~100 倍。OpenAI 也预测，Agent 产品将大幅增加算力的投入，推理成本 2024 年达 40 亿美元、2025 年达 60 亿美元、2030 年可能达到 470 亿美元。而通过公共云调用的成本，大概相当于私有化部署（包括一体机）的十分之一（以 DeepSeek R1 满血版部署为例，公共云 API 价格为 Output tokens，而本地部署环境则按一台 8 卡 H20 GPU 服务器推算）。
Agent 任务执行的推理成本比聊天对话类任务高得多，需要更低的算力成本、更高效的运营
另外，公共云受益于规模效应和技术进步，其成本还会持续降低。而本地化部署按硬件成本折旧逻辑，不仅服务规模有限，且成本很难再降低。过去一两年，公共云的成本降低了 80%-90%。以 OpenAI 主推模型版本为例，自 2024 年以来，其输入价格（美元/千 tokens）降低了 92%，输出价格（美元/千 tokens）降低了 83%。而以阿里 Qwen-Turbo-128k 版本为例，自 2024 年以来，其输入价格（美元/千 tokens）降低了 96%，输出价格（美元/千 tokens）降低了 93%。
相较私有化部署，公共云调用的成本更低、且会持续降低
我们讨论智能体经济的崛起，基本规律就是我们要复刻过去十年移动互联网的快速发展，而避免走到 SaaS 的困境。这背后最重要的，是构建一个庞大的、基于公共云为载体的 Agent 产业生态。
就像 1835 年达尔文来到加拉帕戈斯群岛，在这个封闭孤立的生态系统里，物种自我进化、自我迭代、自我演进，但离开了这个生态，没有竞争力。这被称为“加拉帕戈斯效应”。过去我国 SaaS 行业的孱弱和中美公共云的巨大差距，都有“加拉帕戈斯”的影子。由于客户需求，整个产业走向了“项目制造+私有化”的死胡同。
对今天中国的 AI 大模型落地来说，最重要的是如何构建一个基于公有云的统一大市场和产业生态。所谓构建繁荣的 AI 产业应用，就是要把一个项目公司（ Project ）打造成一个产品公司（ Product ），更重要的是进化成为一个平台公司（Platform）。
内容来源｜阿里研究院
