作者：路世明

Manus的出現，激起了科技與資本市場的雙重震蕩，一時間AIAgent相關概念股集體大漲，阿里、谷歌、微軟等科技巨頭密集發布智能體研發計劃......

而在這場熱潮的背后，是AI技術從“被動應答”向“主動執行”的范式躍遷。

盡管市場的評價褒貶不一，但不能否認，Manus的突破性在于，它首次驗證了通用型AIAgent在復雜場景下的商業化可行性。

傳統的大語言模型雖能生成文本，卻難以閉環執行任務，而Manus通過“規劃-驗證-執行”的架構，將AI大模型的認知能力轉化為生產力工具。

根據麥肯錫等多份權威報告，在多元化需求驅動下，AIAgent市場呈爆發式增長態勢，2024年全球AIAgent市場規模約為51億美元，預計2030年將飆升至471億美元，復合年增長率高達44.8%。

然而，這場“智能體浪潮”并非坦途。技術瓶頸與商業野心的碰撞，讓AIAgent的競爭既充滿想象力，又暗藏風險。破壁之戰

本質上，AIAgent的是具備人類思維范式的數字勞動力。

如果說聊天機器人還停留在“對話”階段，那么Agent則已經開始“行動”。簡單來說，可以理解為一種更智能、更自主的AI應用，它不僅能回答問題，還能執行任務、完成交易。

它們可以被應用于各種場景，如客戶服務、金融分析、軟件開發等，極大地提高了生產力和效率。

以大語言模型為“大腦”，AIAgent不僅能理解指令表層語義，更能捕捉隱含需求。例如用戶說“找性價比高的酒店”，Manus會結合季節、當地活動等上下文推理出“預算敏感型”或“體驗優先型”需求。

而可以期待的是，隨著大模型在多模態能力上的持續突破，特別是多模態融合技術的迭代升級，AIAgent將能夠更精準地解析并反饋用戶需求，逐步實現類人類的視聽感知與交互能力。

這將使得AIAgent可以應用于更廣泛的領域，如醫療診斷、自動駕駛、智能安防等。

此外，Manus發布后，券商PPT、分析師路演火速上線，不完全統計顯示，中金、華泰、招商、中泰等數十家券商研究所進行了路演，其中有分析師上線了多場路演，路演內容從技術原理、AI應用、受益方向到落地場景、產業圈推演，內容豐富。

當然，在熱潮的背后，也有不同的聲音。不少業內人士認為，Manus屬于AIAgent初級的應用，市場的反應過大了。

事實也的確如此，AI會進一步拉平信息差，大量收集信息、整理資料的工作可以交給AI，但真正距離生成投資決策，無疑還有很長的路要走。

其中，最大的挑戰在于：AI幻覺的幽靈始終縈繞不去。技術瓶頸

AIAgent的競爭，入口為王。

當掌握更多用戶流量的廠商，有望實現“流量-數據-使用體驗”的正向循環，且隨著開源模型能力升級彌補大廠及中小廠技術代差，AI產品工程化能力，或拉開產品使用體驗差距。

可盡管展現出巨大的潛力，但AIAgent的爆發仍面臨多重障礙。從商業模式到技術瓶頸，從法規缺失到用戶認知，每個環節都在考驗著行業的耐心。

首當其沖的原因就在于，現有技術還無法有效地解決AI幻覺的問題。

以當紅的Manus來說，雖然在GAIA基準測試中取得了優異成績，但在實際應用中，仍存在一些不穩定的情況。

GAIA基準測試排名來源：ManusAIX平臺

有實測用戶反饋，在處理復雜任務時，Manus偶爾會出現任務執行失敗或結果不準確的問題。在進行股票數據分析時，Manus可能會因為數據接口的臨時故障或數據格式的細微變化，導致分析結果出現偏差。

再以OpenAI的GPT4.5來說，毫無疑問，這是目前最強的大語言模型。但在SimpleQA基準測試中，GPT-4.5的準確率為62.5%，幻覺率為7.1%，盡管這一成績要遠優于GPT-4o、OpenAIo1和o3-mini等模型，但是依然存在著相當高的幻覺率。

而這種幻覺，在金融、醫療等高風險領域，任何一點誤差，都可能引發系統性風險。

假設某醫療診斷Agent，其誤判罕見病案例的概率為3%，客若應用于千萬級用戶群體，那么潛在誤診人數將高達30萬。

除了幻覺，緊接著的是數據孤島與通用能力的矛盾。

AIAgent的效能高度依賴場景數據，例如金融風控需要實時交易數據，而醫療診斷依賴患者病史庫，數據割裂會導致通用型Agent難以跨領域遷移。

最后是倫理與監管的滯后性。AIAgent的自主決策涉及隱私泄露、責任歸屬等倫理問題，比如調用用戶健康數據、自動駕駛事故等等，而全球監管框架尚未成熟。

由此可見，AIAgent的破局路徑需從技術、生態與監管三端協同推進。而未來，誰能率先突破技術瓶頸并構建合規生態，毫無疑問，誰就將主導這場智能體時代的“諾曼底登陸”。