Agent爆发！

事件：今日AI行情轮动至应用板块，尤其是由于Open AI发布Operator功能 （类似于Claude Computer Use以及智谱GLM PC），可以基于指令模拟人类进行电脑操作完成任务，A股Agent相关标的涨幅居前。

7、计算机板块主要是和后者企业端AI Agent相关 ，具体如下：

#泛微网络&致远互联 ：Agent+OA结合，入口级场景，智能化流程，数百家客户落地

#焦点科技 ：Agent+B2B电商，卖家流程全场景赋能，24年客户接近1万家，收入数千亿

#鼎捷软件 ：Agent+企业服务，知识库&流程&设计多种产品，24年收入6000万，25年目标上亿

#汉得信息：Agent+企业服务，与豆包&智谱等合作落地模型应用，25年目标相关订单2-3亿

#金山办公：WPS AI目标向知识库等更多功能延展，企业端WPS AI加速推广；C端AI用户已超过200万，贡献数亿元流水

OpenAI AGI的规划：

为了理解Operator，我们需要回顾OpenAI的AGI规划蓝图。该蓝图将AGI的发展划分为五个阶段，类似于自动驾驶的L1到L5。其中：

第一步被称为对话式AI，这涵盖了最近一两年我们所使用的聊天机器人，如通义千问、文心一言和GPT等。这些都属于对话式AI，是AGI发展中的第一步。

第二步则是推理，其特征在于区别于第一步的对话式AI，通过深度学习提供人类与AI对话所需的信息反馈，它能根据广泛的知识库进行分析，并总结出我们需要的答案。在推理这个阶段，其能力相当于博士水平，进一步提升了回答问题的维度。因此，它能够利用高级推理功能帮助人类解决更复杂的问题，包括数学、法律、理论研究和复杂的编程等。在最近的两三个月里，无论是国产的还是海外的模型，它们都属于AGI的第二步范畴。1月o3版本，相较于之前的版本，在编程、奥数、GPQA这种博士级别的推理能力上都有提升，同时整个架构上支持了多模态。o3代表AGI第二步到第三步的过渡阶段，我们将其称为代理阶段。

在第三阶段中，Agent不再仅限于解决个别问题，而是更进一步，能够解决许多复杂问题，这不仅依赖于模型本身，还借助了外部数据。例如，在旅游时预订机票、购物、制定日程安排，甚至是课程编排等，它能够利用自身的规划能力以及外部数据，来解决更复杂的问题。Operator接下来将涉足众多垂直领域，包括教育、购物、电商，甚至日程安排等。从今年开始，OpenAI计划将传统的模型与现实世界中的复杂场景相结合，逐步解决办公、日常生活、工业、旅游等领域的挑战。这标志着其从最初的卷智能体、卷大模型演变为卷更高级的智能体。

第四步AGI下一阶段是创新者，它会达到如同自动驾驶L4级的高阶水平，能够自我产生创新的想法和解决方案，在科学、艺术等领域引发革命性变化。这一阶段的出现，将会深刻改变我们科学研究的方式，包括材料研发、生物制药理论研究等领域。此外，工程模拟和模型模拟也可以借助这些先进的模型实现。

创新者之后的第五步组织。最终，通过建立独立的系统，实现更复杂的全面管理和协调能力，使人类在各个层面上都能利用AI赋能，这就是OpenAI整个规划的目标。

Operator智能体：

Operator 的能力实现，例如，当用户要求预订一张下星期旅游的机票和酒店，预算为2000美元以内，包括机票和酒店，且需入住三天时，Operator接收到指令后会自动打开浏览器搜索所需的航班信息。 它已经将背后的数据打通，如国内的飞猪、携程等平台上的信息。 然后，它会根据用户的搜索历史和日程表，完成整个订单的生成，甚至授权完成支付。 最终，系统会通知用户任务已完成。

在电商场景中，用户可以通过语音命令购买特定商品，例如要求在100美元以内购买一双耐克跑步鞋，尺码为42码。随后，系统将自动打开合作网站如亚马逊进行搜索，并基于用户的购买历史和偏好生成订单。

此外，它还能与日程管理深度整合，根据用户的安排一键打通，如安排会议等。通过与Mac OS的深度整合，用户可以在Mac上进行个性化设置，读取并执行用户的指令，例如安排下周一下午2点至4点的会议，自动完成相关任务。所以说Operator的执行跨越多个应用，同时打通非常多的数据通道。未来它的想法一定是做更复杂的现实任务执行。同时它也颠覆了整个商业模式，成为一个新的流量入口。

目前，OpenAI拥有超过一亿的用户，这些用户与之交流的信息被其记录并理解，从而在其平台上留下一部分画像。这些数据使其具备了流量分发的能力。当用户有商业需求，如预订酒店或购物时，平台会根据用户习惯进行流量分发，推送相应的电商信息，形成新的流量入口。这意味着在未来购买商品时，我们不再局限于访问亚马逊等传统电商平台，而是可以直接通过Operator入口获取所需商品信息，从而完成整个购买闭环。在这个过程中，他们将面临新的挑战。首要问题是，如何与现有的电商平台建立合作关系。电商平台有自己的APP和网站，它们为何愿意让客户从OpenAI的入口购买？他们会形成一种竞合关系。市场目前有一些其他产品，比如computer use以及像智谱AutoGLM的产品，他们的定位与operator有所不同。这些产品的本质都是跨操作，可以在电脑或手机上进行切换，模拟屏幕触摸动作，但背后的信息和数据难以获取或打通。因此，它与Operator不在同一水平上。包括computer use，它也只是模拟电脑上的操作，用光标代替鼠标，解放双手。而Operator是一个主动的执行者，实现端到端任务自动化。随着Operator的诞生，它将转变为一种未来的新用户体验，打开许多垂直场景，我们当时提到了软件开发、规划电商等几个例子。它将逐个打通这些场景，面向企业和个人提供多种垂直服务。这样，它既为C端用户提供了新的体验，也在B端为企业创造了更多垂直领域的产品和服务。因此，我们需要从这个维度来分析该产品所带来的新体验，这不仅仅是交互方式的变化，背后还有一套深刻的商业逻辑，并且这意味着在向AGI发展的过程中，OpenAI已经走向了第三步。

Q： Operator与我们理解的API或者代执行的形式都不同，想问下它具体是如何实现功能的？

A：首先需要理解它的产品形态。它的执行通常使用主流浏览器，如IE或Chrome浏览器。它会获取浏览器授权，从而能够操控浏览器。浏览器会允许模拟用户的鼠标操作和敲击代码或数字，这是浏览器赋予它的权限。

其次，它还需要通过操作系统的授权。为了与Mac电脑深度整合，它必须获取相应的权限。一旦与苹果电脑的OS深度整合，苹果电脑会授予它读取权限。这不仅允许它与屏幕内容互动，分析屏幕信息，还能进一步增强其自主执行任务的能力。

再次，是接入第三方数据API。这类API，类似于主流电商，允许第三方数据获取商品信息、售价信息、物流信息以及其他基本信息。这些信息的获取可以完全开放，比如淘宝、天猫和AWS。它可以读取这些信息，并向终端用户展示。

Q：它所获取的这些数据，在执行的时候会有什么样的帮助吗？

A：能够获取数据端的画像。像电商平台的用户画像包括年龄、地域、消费行为、产品偏好以及季节性消费额度等信息，还包括用户的职业等。电商平台虽不常分享此类信息，但AI通过与用户的交互，汇总了用户的偏好信息，例如用户询问服装风格的流行趋势等。AI结合用户画像，通过与电商平台的连接，运用自身的算法为用户推荐相关信息。用户在两个平台上的行为会塑造各自不同的用户画像。随着用户对平台的深入使用，形成的购买习惯会更加个性化。这种情况下，用户在平台上进行的对话可能会更加丰富、全面和立体，更加实时。因此，推荐的信息相比电商自身平台的信息会更加精准。这就是两者之间的差异。

Q：Operator拿到Mac授权后，是否会被集成在Siri中？

A：用户可以通过Siri执行相关操作。这与网页版不同，不需要用户点击Operator，系统会自动识别并判断用户的指令是否需要调用Operator进行任务规划或执行复杂操作。这样，用户无需复杂地单独启动Operator，系统会自动判断任务属性。

Q：Operator执行过程中对token的消耗情况？

A：他不需要非常长的tokens，推理过程中的tokens只会比普通任务多一点，大约是2倍。

Q：它的底层模型会是o1、o3这种吗？

A：不一定。日常操作中我们并不经常使用如此复杂的推理，因为目前的日常推理相对简单，类似于普通的对话。最复杂的情况是将任务拆解并分配给后续的数据，然后再汇总生成结果。因此，在这方面4o就够了。但后续operator可能会涉及到编程等方面，这一块会用到o1这种模型。预计不同的推理会分给不同的模型去做，以平衡成本的影响。

Q：后续OpenAI Agent规划中，是否会有偏B或者纯B的产品出现？

A：operator的发布意味着OpenAI 的Agent具备从被动接受任务到主动执行的能力，但它并不能覆盖全部场景。后续的规划像电商、旅行规划、软件开发、日常管理等领域的深度解决方案。通过这种方式，它能够覆盖更多的场景。刚才提到的电商和日程管理面向的是C端用户。如果它进入软件开发领域，完全有可能做B端市场，但这样一来，它将与市场上的编程助手产品形成竞争。

Q：哪一类B端Agent会先出来？

A：B端市场方面，第一个对标的是Google。Google在十月份发布了六大智能体，其中有两个是专门面向B端的。一个是智能客服智能体，另一个是软件开发智能体。因此，预计OpenAI在B端市场首先推出的产品很可能是软件开发领域。由于OpenAI本身在软件开发方面具有强大的能力，预期它将在软件开发管理领域推出一款面向B端的产品。在C端领域，可以预见的创新包括自动管理、电子商务以及旅行规划等方面的应用。这些功能将定期迭代更新，而不是一次性全部推出。

Q：o3模型在推理和训练方面与前代产品的不同？

A：o3重大提升是支持多模态输入。在科学研究过程中，特别是在医学分析和药理分析等领域，会生成大量数据，包括曲线图、饼状图、图表以及各种实验结果的图像。结合科研过程中数据整理和文字分析，这些图像与数据可以处理多模态复杂信息。与传统的文本推理相比，这种多模态信息的数字推动方式在支持前沿科研、复杂编码以及多模态交互场景等方面具有显著优势。就编码而言，过去我们在做编码时，它仅能生成代码。你输入的是自然语言，生成是代码。然而，在实际的软件开发过程中，我们输入信息，产品经理编写PRD，以及交互流程图、饼状图、架构图等可视化资料，这些都会被编码系统所接纳并转化成可执行的代码。他可以从项目的角度，从更高的维度，从系统价格的维度来理解我们整个项目的需求。这样的话它在生成代码的时候就比较强。其次，它的能力有很大提升。过去奥数题目的水平，只能得到60到65分，现在则接近100分。博士级别的奥数题，他可以做87.7分，专业博士只能做70多分。能力维度上已经超越。它能够将一个复杂问题拆解为多个子问题。比如一个问题拆成10个或者100个小问题，每个小问题都会产生多种解决方案。之前我们的o1可能产生一两个解，然后从里面找最优解，形成我们最终答案。

综上所述，首先，它将文本处理扩展到支持文本、图像和音频等多种模态的复杂推理任务。其次，在多个评测数据集上的计算得分均超过o1。第三，它在AGI的进展上也优于o1，o1处于第二阶段，而它则在2到3之间，代表了AGI研究又向前迈出了一步。