今天我们要讲一个关于通用 AI Agent 的故事，这个故事里有巨额融资的狂欢，也有行业大佬的冷静思考。
它关乎技术的未来，也关乎我们对 AI 的期待与理性。
近期，Manus 的母公司完成了一轮7500 万美元（折合人民币约 5.5 亿元）的新融资。
这轮融资由硅谷风投公司 Benchmark 领投，投后估值增长约 5 倍，达到近 5 亿美元。
这个数字可不得了，短短时间，Manus 就从一家初创公司跃升为行业瞩目的焦点。
就在今年 3 月，Manus 以“全球首个通用 AI Agent” 的称号横空出世。它能自主执行订票、分析股票等任务，简直像是按下了未来生活的快捷键。
据说内测邀请码被炒到 5 万元一枚，这热度，就像当年的比特币，一码难求。
Manus 一出世，国内企业坐不住了。字节跳动紧跟其后，发布了“扣子空间”，百度也发布了“心响”。
但是，要是你真的去体验这些通用 Agent，就会发现它们的可用性并不高。频繁报错、幻觉问题，“小毛病”不断。
这不禁让人疑惑，大厂明知道这些问题，为啥还急着把通用 Agent 推出来？
说到底，还是对未来的预期非常乐观。
很多大厂都认为，随着大模型能力的快速进步，目前通用 Agent 的问题都将得到解决。他们像是在说：“再等等，奇迹马上就要出现了。”
但也不是所有人都这么看。微软 CTO 凯文·斯科特就站出来泼了盆冷水。
最近，斯科特接受媒体采访时，针对 Agent发表了 2 个重要观点：
第一，他认为不可能出现“能搞定一切”的通用 Agent，未来是大量垂直领域 Agent 的天下。
第二，每个垂直领域都需要懂业务的产品经理，教会 Agent 如何更好地协助人类完成任务。
就我个人而言，至少在 5 年以内，我比较认同微软 CTO 的观点。
这一代 AI 的能力确实很强，但是有两座大山挡在通用 Agent 的路上。
第一座大山是数据依赖度。
以 AI 编程为例，效果好是因为网上高质量编程数据实在太多。
但在很多领域，缺乏高质量的公开数据，通用 Agent 的能力就很难突破 60 分的门槛。
就好比让一个学生只靠课本知识去解决实际问题，可课本之外的案例和经验呢？
这些关键的“实战数据”都掌握在企业内部，根本无法公开获取。
第二座大山是 Transformer 的架构限制。
大模型本质上就是一个概率预测机器，输出的内容基于统计规律，而非真正的理解和逻辑推理。这就导致它在处理复杂任务时，容易出现偏差和幻觉。
这些问题能不能解决？理论上可以，但需要精细的工程化，包括完善的提示词、工作流和外部工具。
而这些，都离不开人类的深度参与。
医疗行业就是一个典型例子。
大规模的数据收集和训练，要突破数据隐私等重重障碍，短时间内，很难用于通用大模型的训练。
其他很多企业级的数据也一样，短时间内都只会在企业内部流转。
所以，我认为，5 年之内，“能搞定一切”的通用 Agent 只会是一个理想。
为了让大家更清楚这个道理，我用人类的例子来打个比方。
一个清华大学的博士毕业生，能不能通过学习网上公开的资料，成为一个优秀的企业软件产品经理呢？
肯定是不能。
首先，每个行业都有自己特定的知识，这些知识大部分都在企业私域甚至线下。
比如，企业业务流程、内部规范等，都需要产品经理深入一线业务，与各个部门和客户深入沟通才能获取得到。
一个 ERP 项目的成功实施，背后是产品经理无数次的调研和讨论，这些都不是网上资料能给你的。
其次，每个企业都有大量的个性化需求。
要满足这些需求，需要协同多个部门，经过反复的讨论和权衡，才能找到可行的解决方案。
就好比给一个企业定制一套 ERP 系统，涉及到财务、生产、销售等各个环节的协调，任何一个细节的疏忽都可能导致系统无法正常运行。
所以，很难想象，一个博士毕业生不经过任何的线下调研和人际沟通，就能设计出一套可以落地的ERP 方案。
同样地，通用 Agent 就像一个只会学习网上公开资料的博士毕业生。
它不了解行业规律，也不擅长人际沟通，在实际工作中，就会处处碰壁，一事无成。
正是因为企业级业务高度线下化、私域化、人际化的特点，决定了哪怕 AI 的能力再强，仍然需要有人去梳理业务需求。
特别是企业那些 10% 的特殊业务，比如订单的取消、拆分等。
这些业务发生的频率不高，但如果不提前梳理清楚并配置好相应的提示词、知识库等，Agent根本就跑不起来。
所以，AI 改变的更多是需求实现的方式。需求的梳理、方案的验证，仍然需要专业的产品经理来完成。
说到这里，我相信大家就能明白，为什么专业的产品经理在未来只会越来越吃香。
当然了，通用 Agent 不是没戏，只是离成熟还早。
技术的创新是无法预测的，也许 5 年后，AI 就能达到我们难以想象的高度。
