一篇题为《代理AI的进展：回到未来》的重磅论文，系统剖析了当前AI转型中的核心误区与实践困境。
论文指出：95%的AI项目失败，并非源于模型性能不足，而在于企业普遍缺乏能有效“消费”模型的架构能力。
作者提出“机器中的机器”（Two-Machine Theory）框架，将人工智能基础设施拆解为两个关键层级：
- M1（第一机器）：负责模型校准，即统计建模、训练与服务化；
- M2（第二机器）：负责模型消费，即调度、编排、合规嵌入与业务协同。
基于算法交易领域十年极端环境验证，论文论证：企业级智能化转型的正确路径是策略型代理AI（Strategies-based Agentic AI），而非当前主流的LLM概率性调用模式。
被误读的AI与架构的缺失
2025年，大语言模型已深度融入战略规划、咨询方案与国家数字政策。但一个冷峻事实日益清晰：大模型的“幻觉”并非偶然缺陷，而是其概率生成本质的结构性体现——它天生擅长估算与创作，而非精准检索或确定性推理。
将大模型直接接入核心生产系统，无异于将结构性噪音引入企业中枢神经系统。问题根源在于概念混淆：商业叙事过度包装“智能”外延，模糊了“学习”（Learning）与“机器”（Machine）的本质差异。
真正的智能，应定义为在样本外未知环境中做出精准独特判断的能力。当前机器学习本质上是计算统计学分支，目标是通过数据逼近函数规律。这一认知偏差导致大量资源错配：企业重金投入模型训练与微调，却忽视更关键的问题——拥有模型 ≠ 拥有智能化能力。
学术界与科技巨头已在M1（模型层）构筑极高壁垒；对绝大多数企业而言，在该层面构建竞争优势几无可能。真正的机会，在于构建那个能驾驭模型的M2架构——即把高性能引擎转化为可控、可溯、合规的业务动力系统。
科学（Science）发现新模型，科学应用（Science Applied）实现数据工程落地，而应用科学（Applied Science）则需融合领域专家经验、业务逻辑与环境约束，打造真正解决实际问题的方案。当前困境在于：企业将大量精力投入“科学应用”，却误以为这已是“应用科学”的全部。
从模型校准到企业级运筹的进化
第一机器（M1）聚焦模型校准：涵盖数据工程、分布式训练、GPU集群管理及模型服务封装。主流LLM服务商（如ChatGPT、Claude）均属M1玩家，其壁垒在于算力与算法人才，产出是日益商品化的通用概率预测能力。
第二机器（M2）则聚焦模型消费：将M1能力与业务规则、专家启发式算法、合规框架及微服务深度耦合。M2是一个调度百千智能体协同运作的复杂架构层——这些智能体不仅调用LLM接口，更内嵌明确If-Then逻辑与领域知识，使黑盒模型运行于白盒业务逻辑之中，实现可控、可信、高效自动化。
模型层（L）与M1层的竞争优势难以持续：前者因开源迅速贬值，后者终将标准化为基础设施。唯独M2——即企业组织与运用智能的架构方式——能构筑真实护城河。
策略型代理AI由此成为必然选择：它借鉴算法交易成熟范式，将业务逻辑封装为独立、可互操作的策略单元，具备三大特征：
- 联邦式：软件分布于终端设备（含员工笔记本），降低成本、提升鲁棒性、天然保护数据隐私；
- 模块化：由最小架构单元（MAU）、扩展（MAE）与模式（MAP）构成，如乐高积木，灵活组装、快速交付；
- 算法原生：每个节点均为独立计算单元，依据局部信息自主决策，并通过通信协议与整体协同。
该架构思想源自算法交易——二十年前即已证明：单一模型无法生存，必须依靠强大系统架构。此范式正向网络安全、人力资源、采购与战略规划等领域泛化，推动企业从传统层级组织，转向算法驱动的生态系统。
有趣的是，最复杂的M1往往出现在算法交易（市场数据分布瞬时变化），而LLM处理的语言数据分布相对稳定，这解释了为何语言模型更易商品化。因此，自上而下——从最严苛金融场景提炼架构能力，降维应用于通用商业场景——比自下而上摸索更高效。
构建M2需跨学科融合：经济学、技术与机器学习深度咬合，本质是应用科学。仅靠API调用引入AI，常陷于无尽调试泥潭——根本缺位，正是作为承载容器的M2中间件。唯有企业先完成自身架构转型，成为算法友好型平台组织，AI潜力方能真正释放。
重塑产业与国家的算法基石
M2架构影响远超单个企业，延伸至产业链与国家战略层面，本质是微观经济学在数字时代的物理实现。
在投资领域，它挑战传统资产类别聚合风控模式，提出维度驱动投资组合（Dimension-Driven Portfolios）：将风险控制颗粒度下沉至策略或因子层面，实现资本配置从“粗放草药熬制”到“精准分子设计”的跃迁，助力大型资管机构兼具规模与精度。
在网络安全领域，M2催生内生动态防御：每个智能代理具备自我监测与响应能力，全网构成具备免疫机制的有机体；结合博弈论设计主动策略，可实现局部隔离、诱捕与反击，保障业务连续性。
在国家层面，“极致效率国家”概念浮现：地缘竞争焦点不应仅在AI创造能力（谁拥有最强模型），更应在AI消费能力（谁能最高效使用模型）。历史表明，技术最大受益者常非发明者，而是规模化应用者。国家级M2基础设施可协同跨部门、跨所有制资源配置，驱动GDP结构性增长，并构建基于算法治理的新型国家软实力。
研究团队成立SciTheWorld卓越中心——99%聚焦技术研发，仅1%处理商业事务。这种极度偏向探索（Exploration）的架构，使其摆脱短期变现压力，攻克长期技术难题。团队在零外部融资下，依托技术输出实现自给自足，其“靴带式”（Bootstrapped）发展模式本身即是对M2高效性的有力印证。
未来十年将是M2架构全面落地的十年：
- 企业将从部门堆叠演进为互联互通的算法节点；
- 战略咨询、数据科学与定制化SaaS将融合为驱动进化的“三驾马车”；
- 正交艺术（Orthogonal Art）等全新创造力形态涌现，标志机器对人类艺术本质的深层理解；
- 在模型与算力皆可复制的时代，判断力——即在不确定性中做出正确架构决策的能力——将成为最稀缺的人类核心生态位。
一个新学科正在诞生：算法化（Algorithmization）——它将微观经济学理论框架转译为可执行代码，把抽象效率追求具象为运转机制。这是一个关于如何构建机器、让智能真正落地、并重新定义未来的故事。
参考资料：
https://arxiv.org/abs/2512.24856