2035年会是什么样？从智能体、机器人和成本变化看未来

2035年的AI世界：当机器开始接手任务，我们该学什么？

如果把时间拨到2035年，我更想知道的是：那时的AI，能让我少操心多少事？

准备一堂课，它能不能根据学生的错题找出理解断点？做一次客户分析，它能不能查清数据来源、识别异常，再给出可验证的建议？整理一间屋子，机器人能不能分清哪些东西该收、哪些不能碰？

这些问题，把我们带到了AI发展的下一阶段：从生成内容，进一步走向执行任务。能力能否稳定、成本能否承受、人能否放心授权，将共同决定它进入生活的速度。

华为在2025年9月16日发布的《智能世界2035》，提供了一套观察框架。根据官方介绍，报告形成过程中，华为与100多名专家、学者、客户和伙伴交流，组织了200多场研讨会。它的参考价值，在于把AI与计算、通信、存储、能源放在一起讨论。不过，读这类报告时，我会把产业愿景与已经发生的事实分开：参与研究的人再多，也不能把2035年的预测变成保证。

AI进入现实世界，首先意味着它必须面对行动的后果。

让AI解释怎样收拾桌面，它可以写出一套步骤。让机器人真的收拾，就会遇到另一组问题：杯子是否装着水，纸张下面有没有手机，夹取力度会不会把东西弄坏？

这就是“具身智能”关心的事情：智能系统通过身体、传感器和执行机构，在环境中感知、行动，再根据反馈调整。它可以是人形机器人，也可以是机械臂或其他智能设备。

这条路线已经有具体进展。Google DeepMind在2026年7月发布Gemini Robotics 2，展示了全身控制、精细操作与多机器人协作等能力；其视觉—语言—动作模型，把视觉和语言输入转化为机器人动作。但同一份官方介绍也指出，多指精细操作仍然具有挑战。看演示时，这两部分信息应该一起看。

我更关心一个系统换了房间、光线和物品之后，还能不能完成任务。只有反复面对这些变化，研发团队才知道模型究竟学会了什么，哪些地方仍靠环境配合。

与此同时，AI获取反馈的方式也包括运行代码、调用工具和读取执行结果。Anthropic对智能体的说明强调，系统需要在执行过程中根据环境反馈判断进度，并在必要时请求人类参与。这意味着，数字环境同样可以提供检验行动的机会。

因此，我会谨慎使用“互联网的数据已经被AI吃完了”这样的说法。Epoch AI在2024年的研究中讨论的是：如果当时的发展趋势延续，训练数据集规模可能在2026年至2032年间接近可用的公开人类文本总量。研究也讨论了合成数据、迁移学习和提高数据效率等后续路径。这个有条件的预测，不能直接推导出“没有身体，AI就无法继续进步”。

对普通学习者来说，这里的启发很实用：评价AI时，要给它一道能检查结果的任务。让它分析一份真实表格，往往比听它介绍自己有多强，更容易看出能力边界。

智能体最值得关注的变化，是人和系统如何分担一项完整工作。

“智能体”，英文是Agent。可以通俗理解为：能够围绕目标调用工具、安排步骤，并根据执行结果继续行动的AI系统。实际产品对这个词的使用并不完全一致。Anthropic还区分了预先规定执行路径的工作流，以及由模型动态决定过程和工具使用的智能体。

华为在报告中提出了五级能力框架。下表是对其含义的简化整理；这里引用的是华为的框架，不能当作所有产品通用的官方评级。

等级	人与AI怎样分工
L1 功能级	人调用AI辅助功能，自己完成整个任务
L2 任务级	人拆解和分配任务，AI执行具体部分
L3 协作级	AI执行任务，人参与协作和监督
L4 指导级	AI提供专家级服务，人参与其中
L5 智慧级	在该框架设想中，AI全面自主，人进行授权

我认为，L3所描述的协作方式，尤其值得学习者和中小团队研究。它提出了一个现实问题：哪些步骤可以交给AI连续完成，哪些节点必须由人判断？

以内容创作为例。一个值得尝试的流程，可以让AI查找原始资料、记录发布日期、核对数字、整理争议点，再起草文章；作者负责确定观点、检查证据是否支持结论，以及决定是否发布。这样的分工，能让人把精力投入到最影响质量的环节。

这也解释了为什么我不赞成简单地给某个聊天产品贴上“L1”、给某个研究工具贴上“L3”。评级需要看具体任务、工具权限、执行过程和成功率，产品名称本身说明不了这些问题。

华为预计，2035年L4指导型智能体将在部分领域实现规模化落地。这里的“预计”和“部分领域”都需要保留，不能据此断言未来十年的商业机会只属于L3。

当任务可以验收，收费方式也会跟着改变。

按结果计费已经有商业案例。查询时，Intercom的Fin官方价格页列出了每个结果0.99美元的计费方式；其“结果”定义包括问题解决，以及完成指定流程后的转交等情形。页面同时保留了按席位收费的套餐。

这说明，订阅、用量和结果计费可以同时存在。技术达到某一级，并不会自动决定商业模式。

对于使用者，更应该提前问清楚：怎样才算做完？客户不再回复，是否就等于问题解决？生成了报告，是否就等于结论可靠？如果验收标准含糊，按结果付费也可能只是换了一种方式购买不确定性。

成本下降确实会扩大应用范围，但要算完成一件事的全部费用。

斯坦福《2025年AI指数报告》提供了一个清晰的历史对照：在MMLU知识测试上达到GPT-3.5相当水平的模型，其推理价格从2022年11月每百万Token约20美元，降至2024年10月约0.07美元，相差超过280倍。

Token是模型处理文本的计量单位，并不等于一个汉字或一个单词。这里比较的是相当测试水平下的价格，不能理解成所有AI任务都便宜了280倍。

华为提出的“算力成本奇点”，则把AI应用价值与算力成本的比值大于10，作为观察应用爆发潜力的一个门槛。它提供了分析思路，但这个数字本身不能替企业算出利润。

我会补上一张更贴近实际的账单：

AI任务总成本＝模型与工具费用＋数据和系统接入费用＋人工审核费用＋失败返工费用。

假设一个团队处理100份资料，原来耗费的人工折算为800元。引入AI后，调用费用是200元，人工审核折算300元，预计返工还需200元，那么总成本是700元，节约的是100元。

这是说明计算方法的假设例子，并非行业统计；真实项目还要考虑接入和维护费用。

这笔账提醒我：生成速度很快，未必代表交付成本很低。有时，多减少一次返工，比再降低一点调用单价更有价值。

判断AI什么时候适合进入某项工作，可以先观察四件事：输入资料是否齐全，结果是否容易验证，错误是否容易纠正，以及总成本是否持续低于原来的做法。这样的判断，比直接给整个行业安排一个“被颠覆年份”更可用。

2035年的AI能走多远，还要看屏幕背后的电力与基础设施。

华为报告预测，2035年全社会算力需求相较2025年增长10万倍。这是对需求规模的预测，不能直接换算为单次推理价格下降10万倍。供给扩张、利用率和任务复杂度都会影响最终价格。

国际能源署在2026年《Key Questions on Energy and AI》中更新预测：全球数据中心用电量将从2025年的485太瓦时，增加到2030年的约950太瓦时，后者相当于9500亿度电。这是全部数据中心的口径，包含AI及其他计算业务。

报告同时指出，单项AI任务能效在改善，但视频生成、推理和智能体任务可能消耗更多能源。

因此，单次使用更高效与社会总用电量增长，可以同时发生：使用的人更多、调用更频繁、任务也更复杂。

这也是我读华为报告时觉得有价值的视角。一个AI服务能否普及，需要同时考虑模型、网络、存储、供电和维护。把数据中心放在哪里，也需要考虑时延、电网接入和业务需求，单看每度电的价格不够。

沿着这些条件往前推，我对2035年的生活有几个判断。它们是基于现有进展的推测，仍取决于可靠性、成本和实际部署。

在办公中，人可能更多地交代目标、查看过程和验收成果，智能体负责协调多个软件完成中间步骤。跨软件执行能走多远，取决于接口是否开放、权限是否清楚，以及出错后能否恢复。

在学习中，AI有机会根据作业和练习记录提供更连续的反馈。学习者仍需要做题、表达和实践，才能让系统看见真实的理解程度。只有一段流畅的讲解，很难证明学习已经发生。

在家庭和生产现场，机器人可能先在边界清晰、环境较可控的任务中扩大应用。进入杂乱、多变的日常家庭，需要进一步解决操作能力、维护成本和人与机器共处的问题。会做一种家务与能承担整套家务之间，还有很长的工程距离。

这些变化，会以不同速度进入不同人的生活。一个团队可能已经让智能体处理资料，另一个团队仍在清理散落各处的数据；同一个人也可能在写作中高度依赖AI，在其他事务上坚持亲自处理。

对今天学习AI的人，我更建议把时间投入到几种可以长期积累的能力：

• 定义任务。 说清楚目标、输入、限制和交付标准，让“帮我分析一下”变成可以检查的具体工作。
• 整理知识。 把案例、资料和业务规则整理清楚，标注来源、版本与适用范围，给AI可靠的依据。
• 验收结果。 学会核对出处、检查计算、发现遗漏，并判断结论是否超出了证据。
• 复盘成本。 记录完成时间、修改次数、失败原因和实际费用，用数据决定哪些步骤值得继续自动化。

如果从一个小练习开始，我会选择一项每周都要重复的工作。先记录自己完成它的耗时和质量，再让AI参与其中的几个步骤，连续比较几次。这样得到的经验，足以帮助你改进下一次分工。

2035年仍有许多问题没有答案。我们今天能够做得很具体：选一个值得解决的问题，建立一套可信的资料，让AI参与执行，然后认真检查它到底完成了多少。

关注本站，每天分享跨境电商前沿资讯（ Ctrl + D 收藏本站/收藏为书签 ）