<p>下一次人工智能革命将不仅仅涉及会说话的聊天机器人，而是能够自主行动的智能体。这种从对话式人工智能到能够推理、自我纠正并独立执行多步骤任务的系统的根本转变，代表了全球技术的前沿，正在改变企业生产力并加速对专业人才的需求。</p>
<p>斯坦福大学计算机科学教授、Kumo.AI 联合创始人兼首席科学家 Jure Leskovec 在 CNBC Worldwide Exchange 节目中谈到了人工智能的发展轨迹，强调了从对话界面到自主智能体的转变，以及行业面临的关键基础设施和人才挑战。Leskovec 强调，人工智能研究和进展的速度是 “前所未有的”，即使在经验丰富的研究人员中也不断超出预期。这种快速的步伐是由算法推理和计算效率的突破共同推动的，为人工智能迅速提升价值链奠定了基础。</p>
<p>当前一代大型语言模型（LLMs）主要专注于提供复杂的答案；然而，真正的经济影响将在人工智能系统转变为可靠的执行者时显现。Leskovec 预计到 2026 年，我们将坚定地进入自主智能体的时代。这一转变意味着不再仅仅与人工智能对话，而是利用能够自主决策的人工智能，优化多个步骤的工作流程，并在必要时自我纠正。Leskovec 强调：“我认为这真的意味着超越聊天的人工智能，走向能够执行的人工智能”，突显了对商业运营的深远实际影响。</p>
<p>支撑这一算法演变的是对计算能力的持续需求。对训练和推理的巨大需求——这些模型的实际部署成本——使得人工智能基础设施，特别是专用芯片，成为超大规模企业和初创公司的主要关注点。焦点已转向降低推理成本，以使这些强大的模型在大规模部署中具有经济可行性。这引发了激烈的竞争，像 Nvidia 这样的公司与较小的创新者合作，而科技巨头如 Alphabet 则开发定制的张量处理单元（TPUs）。</p>
<p>人工智能在企业中的整合依赖于使计算能力更便宜、更高效。新的算法技术结合专用芯片代表了下一个逻辑前沿。</p>
<p>除了硬件竞争，人才管道仍然是维持美国在人工智能创新中领导地位的关键瓶颈。Leskovec 强烈主张吸引和留住世界顶尖人工智能研究人员和工程师的政策，强调美国必须继续成为 “全球人才磁铁”。虽然人工智能常被讨论为能够提升现有劳动力的平衡器，但构建下一代模型所需的基础研究和开发需要专业的、高素质的人才。</p>
<p>培养这一精英人才所需的投资是巨大的，必须加以保护。Leskovec 指出，教育精英人工智能专家所需的财务和时间投入，表示在斯坦福大学，“教育一个博士生需要超过五十万美元的投资，以及我五年的参与。” 如果美国未能为这些人才提供无缝的加入劳动力市场和为经济做贡献的途径，他们将不可避免地迁移到提供更好机会的其他国家，从而危及美国在这一对未来生产力至关重要的领域的竞争优势。</p>
<p>Leskovec 自己的公司 Kumo.AI 专注于企业中的下一层差异化：基于专有结构化商业数据训练的专用人工智能模型。虽然公共 LLM 是在通用文档和文本上训练的，但最有价值的见解往往存在于孤立的、公司特定的交易记录、供应链数据和表格数据集中。利用这些内部数据是解锁通用、公开训练模型无法提供的独特竞争优势的关键。Kumo.AI 专注于构建能够对这些结构化商业数据进行推理的人工智能，使企业能够找到自身的独特优势，并与竞争对手区分开来。计算效率、自主智能体和专有数据利用的融合定义了创始人和科技领袖在寻求捕捉下一波人工智能所承诺的巨大生产力提升时的直接战场。</p>

小马智行-W

<p>斯坦福大学的尤尔·莱斯科维奇预测，到 2026 年，人工智能将从对话式转向自主代理，强调它们在优化工作流程和提升企业生产力方面的潜力。他指出，需要先进的计算能力和专业人才来支持这一演变。莱斯科维奇警告称，美国必须吸引顶尖的人工智能研究人员，以保持其竞争优势，因为下一代人工智能模型的开发需要在教育上进行大量投资。他的公司 Kumo.AI 专注于利用专有商业数据创建专业的人工智能模型，旨在为企业解锁独特的竞争优势</p>

<p>The next revolution in artificial intelligence will not merely involve chatbots that talk, but autonomous agents that act. This fundamental shift from conversational AI to systems capable of reasoning, self-correction, and performing multi-step tasks independently represents the immediate frontier for global technology, transforming enterprise productivity and accelerating the demand for specialized talent.</p>
<div class="lb-trans"><p>下一次人工智能革命将不仅仅涉及会说话的聊天机器人，而是能够自主行动的智能体。这种从对话式人工智能到能够推理、自我纠正并独立执行多步骤任务的系统的根本转变，代表了全球技术的前沿，正在改变企业生产力并加速对专业人才的需求。</p>
</div><p>Stanford Computer Science Professor Jure Leskovec, co-founder and Chief Scientist of Kumo.AI, spoke with the CNBC Worldwide Exchange program about the trajectory of artificial intelligence, emphasizing the pivot from conversational interfaces to autonomous agents and the critical infrastructure and talent challenges facing the industry. Leskovec stressed that the speed of AI research and advancements is “just unprecedented,” consistently exceeding expectations even among seasoned researchers. This breakneck pace is driven by concurrent breakthroughs in algorithmic reasoning and computational efficiency, setting the stage for AI to move rapidly up the value chain.</p>
<div class="lb-trans"><p>斯坦福大学计算机科学教授、Kumo.AI 联合创始人兼首席科学家 Jure Leskovec 在 CNBC Worldwide Exchange 节目中谈到了人工智能的发展轨迹，强调了从对话界面到自主智能体的转变，以及行业面临的关键基础设施和人才挑战。Leskovec 强调，人工智能研究和进展的速度是 “前所未有的”，即使在经验丰富的研究人员中也不断超出预期。这种快速的步伐是由算法推理和计算效率的突破共同推动的，为人工智能迅速提升价值链奠定了基础。</p>
</div><p>The current generation of large language models (LLMs) primarily focuses on providing sophisticated answers; however, the true economic impact will emerge when AI systems transition to becoming reliable executors. Leskovec anticipates that by 2026, we will be firmly entrenched in the era of autonomous agents. This transition means moving away from simply talking with AI to utilizing AI that makes decisions autonomously, optimizing workflows across multiple steps and correcting itself as necessary. “I think it’s really about going beyond AI that is chatting to AI that is doing,” Leskovec asserted, highlighting the profound practical implications for business operations.</p>
<div class="lb-trans"><p>当前一代大型语言模型（LLMs）主要专注于提供复杂的答案；然而，真正的经济影响将在人工智能系统转变为可靠的执行者时显现。Leskovec 预计到 2026 年，我们将坚定地进入自主智能体的时代。这一转变意味着不再仅仅与人工智能对话，而是利用能够自主决策的人工智能，优化多个步骤的工作流程，并在必要时自我纠正。Leskovec 强调：“我认为这真的意味着超越聊天的人工智能，走向能够执行的人工智能”，突显了对商业运营的深远实际影响。</p>
</div><p>Underpinning this algorithmic evolution is the continuous need for computational power. The massive demand for training and inference—the actual deployment cost of these models—has made AI infrastructure, particularly specialized chips, a primary focus for hyperscalers and startups alike. The focus has shifted toward reducing the cost of inference to make these powerful models economically viable for mass deployment. This has spurred intense competition, evidenced by companies like Nvidia partnering with smaller innovators and tech giants like Alphabet developing custom Tensor Processing Units (TPUs).</p>
<div class="lb-trans"><p>支撑这一算法演变的是对计算能力的持续需求。对训练和推理的巨大需求——这些模型的实际部署成本——使得人工智能基础设施，特别是专用芯片，成为超大规模企业和初创公司的主要关注点。焦点已转向降低推理成本，以使这些强大的模型在大规模部署中具有经济可行性。这引发了激烈的竞争，像 Nvidia 这样的公司与较小的创新者合作，而科技巨头如 Alphabet 则开发定制的张量处理单元（TPUs）。</p>
</div><p>AI’s integration into the enterprise hinges on making computational power cheaper and more efficient. New algorithmic techniques coupled with specialized chips represent the next logical frontier.</p>
<div class="lb-trans"><p>人工智能在企业中的整合依赖于使计算能力更便宜、更高效。新的算法技术结合专用芯片代表了下一个逻辑前沿。</p>
</div><p>Beyond the hardware race, the talent pipeline remains a critical chokepoint for maintaining American leadership in AI innovation. Leskovec argued strongly for policies that attract and retain the world’s top AI researchers and engineers, underscoring that the US must remain the “global talent magnet.” While AI is often discussed as an equalizer that can upskill the existing workforce, the foundational research and development necessary to build the next generation of models require specialized, highly educated personnel.</p>
<div class="lb-trans"><p>除了硬件竞争，人才管道仍然是维持美国在人工智能创新中领导地位的关键瓶颈。Leskovec 强烈主张吸引和留住世界顶尖人工智能研究人员和工程师的政策，强调美国必须继续成为 “全球人才磁铁”。虽然人工智能常被讨论为能够提升现有劳动力的平衡器，但构建下一代模型所需的基础研究和开发需要专业的、高素质的人才。</p>
</div><p>The investment required to cultivate this elite talent is substantial and must be protected. Leskovec noted the financial and temporal commitment required to educate elite AI expertise, stating that at Stanford, “it takes more than half a million dollars worth of investment, five years of my involvement to educate a single PhD student.” If the US fails to provide seamless pathways for this talent to join the workforce and contribute to the economy, they will inevitably migrate to other nations offering better opportunities, thereby compromising American competitive dominance in a field central to future productivity.</p>
<div class="lb-trans"><p>培养这一精英人才所需的投资是巨大的，必须加以保护。Leskovec 指出，教育精英人工智能专家所需的财务和时间投入，表示在斯坦福大学，“教育一个博士生需要超过五十万美元的投资，以及我五年的参与。” 如果美国未能为这些人才提供无缝的加入劳动力市场和为经济做贡献的途径，他们将不可避免地迁移到提供更好机会的其他国家，从而危及美国在这一对未来生产力至关重要的领域的竞争优势。</p>
</div><p>Leskovec’s own company, Kumo.AI, is focused on the next layer of differentiation in the enterprise: specialized AI models trained on proprietary, structured business data. While public LLMs are trained on generic documents and text, the most valuable insights often reside in siloed, company-specific transaction records, supply chain data, and tabular datasets. Harnessing this internal data is the key to unlocking unique competitive advantages that generic, publicly trained models cannot offer. Kumo.AI specializes in building AI that can reason over this structured business data, enabling businesses to find their unique strengths and differentiate themselves from competitors. The convergence of computational efficiency, autonomous agents, and proprietary data utilization defines the immediate battleground for founders and tech leaders seeking to capture the enormous productivity gains promised by the next wave of AI.</p>
<div class="lb-trans"><p>Leskovec 自己的公司 Kumo.AI 专注于企业中的下一层差异化：基于专有结构化商业数据训练的专用人工智能模型。虽然公共 LLM 是在通用文档和文本上训练的，但最有价值的见解往往存在于孤立的、公司特定的交易记录、供应链数据和表格数据集中。利用这些内部数据是解锁通用、公开训练模型无法提供的独特竞争优势的关键。Kumo.AI 专注于构建能够对这些结构化商业数据进行推理的人工智能，使企业能够找到自身的独特优势，并与竞争对手区分开来。计算效率、自主智能体和专有数据利用的融合定义了创始人和科技领袖在寻求捕捉下一波人工智能所承诺的巨大生产力提升时的直接战场。</p>
</div>

Beyond Chatbots: Stanford’s Jure Leskovec Predicts Autonomous AI Agents Will Reshape Workflows by 2026

- 人工智能将从对话式转向自主代理，提升企业生产力。  
- 斯坦福教授 Leskovec 强调基础设施和人才挑战对行业影响重大。  
- 竞争加剧推动 AI 领域的专有数据和计算效率需求。

超越聊天机器人：斯坦福大学的 Jure Leskovec 预测，到 2026 年自主 AI 代理将重塑工作流程