TL;DR：
作为AI行业的资深“老炮”，邹阳坚信AGI并非当下之急，而是应将现有大模型技术视为“半山腰”的强大工具，深入产业流程，以AI Agent赋能企业，将隐性专家经验结构化，释放巨大普世价值。
2021年，当ChatGPT如一道闪电划破天际，引爆全球对通用人工智能（AGI）的狂热想象时，一位在中国AI领域摸爬滚打了多年的老兵，邹阳，却经历了一个月的深切焦虑。彼时，他还在阿里巴巴达摩院，亲历着大模型从实验室走向商用的艰难跋涉。他用一个生动的比喻描述那种心境：
“玩了60年的游戏正式版突然上线了，新手村最后一道怎么也越不过去的门打开了。但是一出村就发现，这个游戏的世界可能全变了，你都不知道要往哪儿走，甚至连刷出来的怪物都是你以前从来没有见过的。”1
这种焦虑，并非源于恐惧，而是源于一个“专业高玩”对新世界底层机制的求索欲。在这份求索之后，邹阳得出了几个冷静而独特的判断，最终促使他在2023年6月，毅然与老同事杨劲松创立了未来式智能，一头扎进了电力、能源、制造等最“重”的行业场景，去践行他那份关于AI的“半山腰哲学”。
从实验室到产业深处：一位老兵的求索之路
邹阳的职业轨迹，几乎就是一部浓缩的中国AI演进史。从魅族AI实验室的萌芽期，到搜狗语音交互技术中心的技术积累，再到阿里巴巴达摩院的规模化商用，他见证了人工智能从1.0时代被视为“云资源钩子”的尴尬，到2.0时代模型能力跨越临界点，变得“可以被依赖”的全过程。这份长期浸泡在产业一线的“体感”，让他对AI的价值有了与众不同的理解。
他目睹了AI技术如何在早期空有能力却难以落地，投入产出不成正比的困境。达摩院在GPT-3.5发布前也推出了百亿参数大模型AliceMind，但当时业界普遍认为其应用场景有限，仅适用于“高容忍度”的文案生成。正是这种亲身经历，让他对GPT-3.5的横空出世感到震撼，并迅速调整了对行业走向的认知。
在ChatGPT带来行业“奇点”后，邹阳并没有被AGI的宏大叙事所迷惑。他反而像哈利波特中那位特立独行的卢娜他爹一样，想出本名为《唱唱反调》的杂志。他的“反调”核心思想是：
“沿着大语言模型这条路大概率不能登顶AGI。不过这不重要我也不关心。重要的是，在半山腰足够改变世界。”1
他认为，AI真正的战场不在于做一个陪聊的聊天机器人，而在于潜入产业流程，成为企业里那80%重复、高频、规则与判断聚合的脑力工作的“外接大脑”。这种务实而深刻的洞察，成为了他创业的灯塔。
“半山腰”哲学：锚定当下，拒绝“自证陷阱”
邹阳对AGI的判断至今未变。他认为，GPT-4是真正完成全人类级技术革命性飞跃的“奇点”，而此后的模型迭代，更多是在Transformer同一框架下的工程优化和渐进式改良。他清醒地指出，依靠单纯堆叠数据和算力，很难在短期内再复刻一次GPT-4级别的“奇点”。
“曲线很难在一个里程碑之后立刻再次陡直上冲，怎么也得20年。”1
在他看来，当下的模型更新，虽然在基准测试（benchmark）上有所提升，但在实际应用场景中，如客服业务的细粒度分类，准确率仅提高几个百分点，依然存在时效性、上下文长度和幻觉等问题。这让他感受到，技术本身正在进入明显的_边际递减阶段_。
他用一个极其形象的_“自证陷阱”_来比喻行业投入现状：
“这种投入状态，有点像感情里的自证陷阱：对方说‘你不爱我了’，你就开始拿无数小细节去证明‘我爱你’。证明越多，反而越说明问题不在细节，而在底层逻辑本身就站不住。”1
这种清醒的认知，让邹阳将注意力从遥不可及的AGI顶峰，转向了触手可及的“半山腰”。他认为，正是由于模型能力增量变小，边界反而更稳定，技术投入回报的可预期性更强，这标志着一个黄金的_应用窗口期_已经到来。
结构化复制经验：AI Agent重塑产业流程
邹阳和他的未来式智能团队，正试图将AI的这种“半山腰”能力，落地到那些过去被认为“最重”、“最难”的产业深处。他们的核心理念是：让AI成为一个真正意义上的“数字专家”，解决产业中所有知识性工作无法流水线化的问题。
他以电力系统中的特高压换流变设备维护为例。这类设备价值高昂，一旦故障停运占比高达40%。传统上，故障判断高度依赖经验丰富的老师傅，他们凭借直觉和几十年积累，结合传感器数据进行预防性检修。但人会出错，也无法24小时值守。
“但如果你把老师傅的工作进行拆解，它做的工作无非就是阅读传感器的数值，进行计算，按照计算的结果去查询手册，来进行‘照章办事’。”1
未来式智能的AI Agent，就是通过模拟老专家的工作流程：对接传感器数据，计算特征值，查询手册，并在复杂问题时调用知识库（历史案例），甚至能进行特定范围的推理。这种“专家经验的结构化复刻”，正是AI Agent的核心价值。
过去，要将老师傅的隐性经验转化为代码规则，成本巨大且难以覆盖真实业务的复杂性。而大模型带来的革命性突破，在于它让“经验逻辑”变得可以被理解。邹阳指出：
“师傅总得带徒弟，你让老师傅像教徒弟似的用大白话讲出他的判断逻辑，模型就能读懂，并结合现场数据就可以给出解决方案。”1
通过访谈专家、结合大模型整理业务逻辑、利用图谱技术沉淀结构化知识，以及让模型读取并提炼企业内部散落的“过程文档”，过去无法被显性化的经验，如今能被自动抽取，变成可复用的逻辑。这一过程，只需3到6个月就能将一位资深专家的判断逻辑系统化，而规模化部署的边际成本几乎趋近于零。
稀缺的“会用AI的人”与To B生态的剧变
在邹阳看来，当前AI技术革命性的规模已经足够大，足以颠覆很多行业，但真正的瓶颈并非技术本身，而是_“会用的人”_异常稀缺。他将模型能力比作“普通博士生”，强调即便拥有顶尖模型，也需要懂得业务结构、理解模型能力边界的工程应用型人才，才能将技术真正嵌进任务、流程和评价体系，完成可交付、可复制、可持续优化的系统。
这种人才的稀缺性，正预示着To B生态的深刻变革。邹阳甚至抛出了一个“暴论”：
“未来大型企业可能不需要那么多的外部供应商了，尤其是那些靠堆人力的服务模式也会被替代。”1
他认为，当企业拥有了自己的模型、数据和场景，并配备了一两支懂得使用模型的小团队，大部分传统的外包和技术服务能力将趋向内化。在未来的To B市场，只有两种公司能存活下来：一是掌握行业Know-how的公司，二是拥有数据积累的公司。而垂直Agent，并非垂直大模型，其核心是提供“最后一公里”的解决方案，将行业碎片化规则转化为可被大模型调用的指令和流程，销售的是应用而非模型能力。
中美AI路线差异：务实深耕与单点突破
在谈及中美AI发展路线差异时，邹阳提供了一个冷静的比较。客观上，中国算力紧张是制约因素，导致实验方向的选择更为聚焦。但在主观层面，他认为中国无论是产业政策还是企业决策都更加务实，以“技术能否解决生产环境里的实际问题”为第一原则。
“这种态度和过去一些技术潮流形成对比：当年区块链、元宇宙、大数据都曾被大规模追捧，但真正落地的非常有限。经历过这些周期后，中国企业对‘价值验证’这件事变得更敏感。”1
这与美国资本推动的模式形成鲜明对比，后者可能让初创公司快速获得高估值，但也容易积累泡沫。结果是，美国的AI落地更偏向自下而上，聚焦法律、财务、内容审核等边界清晰、易于验证效果的工具化产品。
而中国则将AI放进了生产的核心环节：排产、工艺、设备运行、供应链调度。这些场景复杂、周期长，短期回报不明显，但关系到企业的底层效率，因此获得长期投入，尤其是在国企中表现典型。
邹阳坚信，未来真正改变企业运行方式的，不会是几个亮眼的Demo，而是这些深埋在流程里的、在最难、最碎、最真实的业务中接受检验的突破。他的这份“半山腰哲学”，不仅是对当前AI浪潮的一种清醒认知，更是一种对未来AI价值实现的深刻预判和脚踏实地的行动指南。他所描绘的，是一个通过AI Agent将人类从无聊的重复劳动中解放出来，去思考更有价值事情的未来图景，一个既专业严谨又富有人文关怀的科技未来。