从被质疑到验证：AI Agent网络使用量的指数级增长
Parallel Web Systems在近期完成了1亿美元的B轮融资，估值达到20亿美元。该公司由前Twitter CTO兼CEO主导创立，致力于构建供AI Agent使用的API集合，使其能够搜索和访问网络。创始人回顾三年前创业初期时称自己是“疯子”，当时他预测Agent对网络的利用率将是人类的千倍以上。尽管当时大多数人持怀疑态度，认为这一观点过于激进甚至担心公司起步过早，但事实证明Parallel并非生不逢时。随着AI Agent技术的成熟，这一预测不仅被验证，而且创始人承认“千倍”这个数字可能低估了实际规模。他原本认为千倍是夸张的修辞，但现在意识到这一倍数甚至显得保守。
“我三年前到处告诉人们Agent对网络的使用量将是人类的千倍。大多数人当时不相信我。我是错的。”
创始人通过个人数据验证了这一趋势：普通人的日均Google搜索次数约为10次或更少，而他追踪的个人Agent每日执行数千次搜索。目前他个人的使用比例约为1,000倍，但他强调全球大多数用户尚未达到这一水平。随着时间推移和Agent的普及，他认为千倍的增长倍数是保守估计。这种增长并非短暂现象，而是Agent作为非人类实体在时间约束上的优势体现。与受限于精力的用户不同，Agent可以持续不断地进行搜索和信息获取，从而产生远超人类网络交互量的数据流。
架构重构：为Agent优化的高效搜索基础设施
面对Agent带来的海量请求，传统的搜索引擎基础设施面临巨大挑战。创始人指出，Google每天处理约100亿次搜索请求，其基础设施是为这一量级设计的。然而，如果Agent的使用量达到人类的千倍甚至万倍，构建同等规模的物理基础设施是不现实的。因此，Parallel Web的核心策略是建立极度高效且优化的搜索架构。这种效率的提升得益于模型能力的增强，使得系统能够将智能和排名逻辑蒸馏到更小的模型中。此外，搜索底层架构正在从传统的CPU主导、内存绑定的模式，转向以GPU为支撑的搜索索引体系。这种重构使得系统能够在前所未有的性价比区间内运行，这是过去人类主导的网络时代所不需要的设计。
“我们不得不构建极度高效和优化的搜索……现在你可以为这个世界今天才需要的性价比区间来架构和重构搜索。”
这种技术路线的转变不仅解决了可扩展性问题，还降低了单次查询的成本。通过利用GPU加速和模型蒸馏技术，Parallel Web能够处理Agent产生的高频、高并发请求。这与传统搜索引擎依赖大规模CPU集群的模式形成鲜明对比。创始人强调，这种架构优化是应对Agent爆发式增长的必要条件。只有当搜索基础设施能够适应AI原生需求时，千倍甚至万倍的流量增长才能被有效承载。这种底层逻辑的改变，标志着网络基础设施从“人类中心”向“Agent优先”的根本性转型。
流量现状与未来预测：我们仍处于早期阶段
关于Agent网络流量的具体占比，市场上存在不同说法。有观点认为Agent流量已超过人类流量，但创始人对此持谨慎态度。他区分了两种情况：一是Agent执行与人类相同的工作，由于不受时间限制且愿意为前沿技术付费，其搜索量必然远超人类；二是用于预训练的数据爬取。综合估算，目前Agent对网络的使用量约占人类的10%至20%。基于这一数据，如果千倍的增长倍数成立，那么未来仍有5,000到10,00倍的巨大增长空间。这表明，尽管Agent技术进展迅速，但我们仍处于非常早期的阶段。
“我最好的估计是Agent对网络的使用量是人类10%到20%。这意味着如果我的千倍数字是对的，我们至少还有5,000到10,00倍的增长空间。”
尽管硅谷等地存在“泡沫”效应，使得部分早期采用者的Agent使用量极高（如创始人个人的数千次搜索），但普通用户的普及仍需时间。近期市场上涌现出大量面向消费者的Agent产品，如Muse推出的Jolly以及OpenAI的相关动态。这些产品的出现加速了Agent的普及进程，其增长速度超过了以往任何技术的增长曲线。然而，留存率和实际使用频率仍是关键变量。创始人指出，虽然目前存在个体差异，但随着Agent能力的提升和成本的降低，普通用户的搜索量将逐步接近早期采用者的水平。这种从精英用户向大众市场的扩散，将是推动网络流量再次指数级增长的关键动力。
AI Agent 的留存核心：自然交互与承诺兑现
当前 AI Agent 领域正处于快速增长期，尽管缺乏内部留存数据的确切内幕信息，但基于对各类 Agent 产品的深度使用体验，产品留存的根本在于交互的自然性与承诺的兑现能力。与传统软件需要通过复杂的 UX 点击目标和流程来教育用户不同，新一代 Agent 产品的交互方式更为自然直观。这种“即触即用”的体验消除了传统软件的高门槛，使得用户能够毫无障碍地理解产品功能。然而，自然交互仅是入口，留存率完全取决于产品能否频繁且可靠地交付其简单的核心承诺。如果 Agent 能够持续解决实际问题并融入用户的日常生活，留存问题将迎刃而解。这种无需复杂引导的自然上手体验是解决用户流失的关键，也是该类别产品区别于以往 SaaS 工具的核心优势。
“The UX is you can touch this thing and you can do anything. That's the UX... retention is entirely a function of can it actually deliver on this very simple highle promise often enough to become a part of your life.”
OpenClaw 的局限与早期采用者的挑战
以早期的 OpenClaw 为例，其并非失败于产品理念的正确性，而是受限于技术成熟度与用户门槛。OpenClaw 在方向上是完全正确的，但它并未面向大众市场设计。普通用户缺乏自行搭建、配置以及持续维护复杂 Agent 实例的能力。此外，AI 技术迭代极快，用户不仅要完成一次性设置，还需不断调整实例以适应新模型和新功能。这种极高的维护成本和时间投入构成了巨大的障碍。在早期，由于缺乏像 Opus 这样表现卓越的单一模型支持，其他模型的可用性较差；而今天的产品如 Instinct 和 Muse，则通过自动化底层技术升级，让用户无需感知模型变化即可享受能力提升。这表明早期产品的困境主要源于过高的技术门槛和过早的市场进入时机，而非 Agent 概念本身的缺陷。
宏观预测验证：从“Baby AGI”到 GPU 刚需
回顾三年前的创业历程，当时开发者在开源社区中尝试使用如 GPT-3.5 等相对落后的模型构建 Agent，虽然当时许多方案未能成功落地，但对模型能力线性增长的信念从未动摇。事实证明，过去三年中几乎所有技术进展都符合当初基于直线外推的预测：模型将变得更大、更强，同时推理成本更低、速度更快。尽管具体的爆发点（如编程 Agent 成为主流）和交互形式（CLI 界面）具有不可预测性，但宏观逻辑依然稳固。基于此，我们坚信 GPU 推理将成为 AI Agent 时代的核心基础设施。无论工作场景还是消费级应用，对模型推理算力的需求将呈指数级增长。这一判断直接指导了公司的资源分配策略，即大规模投入 GPU 资源的获取与租赁。我们并不将自己定义为简单的“GPU 聚合商”，而是为了支撑日益增长的搜索流量和推理需求，必须按比例扩展算力规模。
“Models will keep getting bigger and better... Holding capability confident, models will get way smaller and cheaper and people will be able to productize around them... almost nothing that is happening is diverging from what you could have predicted in a straight line.”
GPU 获取策略：高频竞争与物理位置优化
随着推理需求的激增，GPU 资源的稀缺性成为行业常态。在过去三个月中，公司经历了多次“疯狂”的 GPU 争夺战，频繁面临算力短缺危机。为了获取资源，团队需要联系所有主要云服务商和新兴云计算提供商（Hyperscaler 及 Neocloud）。获取 GPU 的关键不仅在于是否有货，更在于物理位置和延迟。例如，对于需要实时处理大量 Web 索引数据的场景，GPU 必须部署在距离大型 Web 索引服务器仅几毫秒延迟的物理位置。而对于其他多 GPU 工作负载，则对位置要求相对灵活。这种基于物理延迟和具体工作负载类型的精细化资源调度策略，是当前应对算力瓶颈的核心手段。我们不断在各大云厂商间协调，确保每一块 GPU 都能以最低延迟服务于核心推理任务，从而支撑起 Agent 业务的高速增长。
“Sometimes we need GPUs within 5 milliseconds of where a large web index is sitting... It's not just like, okay, do you have GPUs for me?”
GPU 供应链：非标准化的“即时通讯”交易模式
在 AI 基础设施领域，获取正确的 GPU 资源并非简单的商业采购，而是一场涉及规模、物理位置和时效性的复杂博弈。获取 GPU 的核心难点在于确保在正确的时间、正确的地点拥有具备适当规模的硬件资源。尽管公司尚未因缺乏 GPU 而拒绝客户，但内部经常上演“GPU 采购消防演练”。对于大规模训练集群而言，需求不仅涉及数量、类型和位置，还关乎对物理设施的承诺时长。当前的 GPU 市场并非完全高效，许多交易实际上是通过非正式渠道完成的。具体流程往往是：一方在 iMessage 上填写可用性信息，随后双方财务人员直接通话确认并完成文书工作。这种看似混乱的模式实际上行之有效，证明了市场在缺乏标准化流程的情况下仍能通过人际网络高效运转。
增长基准：以推理（Inference）为锚点的十倍速扩张
回顾在 Twitter 担任 CTO 和 CEO 的十一年经历，以及早期的工程师背景，对于当前 AI 业务规模的预期已发生根本性变化。现在的核心增长基准是与推理（Inference）的增长保持同步或超越。对于代理（Agents）、知识工作或消费者代理而言，只要业务增长速度能与推理需求的增长持平或更快，便被视为健康状态。短期来看，今年或明年上线的 GPU 将同时承担推理和搜索任务，因此推理增长是明确的短期指标。在量化这一趋势时，一个简单且保守的估算数字是 10x（十倍）的增长。尽管这一数字听起来令人不安，甚至觉得难以长期维持，但历史经验表明，即便自认为提出了激进的高增长预测，往往仍会低估实际发展速度。因此，将 10x 视为一个合理的基准数字是可行的。
前沿客户驱动：从质量信任到毫秒级延迟的极致挑战
公司的洞察主要来源于与处于技术前沿、对产品质量要求极高的客户合作。早期阶段，如 Harvey 和 Notion 等客户推动了代理在高质量工作场景中的应用，核心挑战在于建立信任链条：整个采用链上的用户必须确信代理能可靠地完成任务。这种高压环境迫使系统能力在质量维度上得到极大提升。当前阶段，语音代理（Voice Agents）的兴起带来了新的体验标准。起初，用户能容忍语音代理出现不自然的停顿或延迟查询，但这种接受度仅维持了约三个月。如今，任何明显的延迟都被视为糟糕的用户体验（Bad UX）。这要求 Web 搜索的响应速度必须压缩到 150-200 毫秒以内，而人类对网页搜索的感知阈值约为 600-700 毫秒。为了适应语音代理的需求，系统必须在质量、成本和延迟三个维度上同时取得突破，这正是前沿客户不断推动技术极限的结果。
“The reality is that the I wouldn't say the market is entirely efficient right now. Like a lot of it is on iMessage... So, so yeah but that's it works.”
“The easiest approximation is 10x... I feel a little bit uneasy that like it feels crazy to grow 10x for too many years.”
“So now you're seeing all these voice agents which are like supernatural but also super fast... Now you got to be able to search the web in like 150 or 200 millconds.”
用户期望的指数级跃迁与产品体验的重定义
互联网基础设施的核心挑战在于如何适应飞速变化的市场预期。这种变化之快令人震惊，以ChatGPT为例，回顾其发布初期（约8-9个月前），当时模型尚不具备网页搜索功能。用户若仅依靠纯文本交互，90%的提问都会令人失望，且体验会退化至“原始人”水平。然而，仅仅三年半时间过去，尽管产品界面看似未变，但用户对隐式期望（implicit expectations）的提升已发生剧烈变化。这种从“无搜索”到“即时检索”的体验跨越，构成了推动所有技术进步的根本动力。当技术能力成为基本门槛（table ticks）后，用户不再将其视为亮点，而是默认配置。这种心理预期的快速迭代，迫使底层基础设施必须不断进化以维持产品的可用性。
构建AI Agent的五大核心基础设施组件
要打造成熟的Agent系统，必须整合五类关键底层技术。首先是具备推理能力的模型（Inference）；其次是需要隔离运行的沙箱环境（Sandbox），以确保操作安全；第三是类似网页搜索的信息获取能力，这是Agent理解现实世界的基础；第四是包含浏览器操作及其他API接口的动作空间（Action Space），使Agent能够执行具体任务；最后是连接个人数据与企业数据的连接器网络。在此基础上，还需叠加可观测性（Observability）、反馈循环、安全性以及云端架构。当前阶段的Agent多处于“始终在线但被动响应”的状态，而未来的演进方向是超主动性（hyper proactive）。理想的Agent将主动洞察用户的显性与隐性需求，并提前执行工作，这一趋势已在部分早期原型中初现端倪。
互联网商业模式的重构：从注意力经济到价值对齐
随着Agent成为互联网的主要消费者（primary consumer），传统基于人类随机浏览的商业模式将面临崩溃。过去依赖用户点击、订阅或广告曝光的模式，因Agent无需“注意”内容而失效。为了解决这一危机，必须建立新的激励对齐（incentive alignment）机制。以Parallel公司为例，他们构建了一套系统，通过模型计算每次Agent读取内容时应支付给内容所有者的费用。这种机制类似于AdSense的自动差异化定价（auto differential pricing），旨在确保高质量内容的创作者能从AI读取中获得价值。其核心赌注在于：通过经济激励保持互联网的开放性，防止内容所有者因无法获利而封锁AI访问。这不仅是技术难题，更是技术与商业模式的双重挑战。若缺乏有效的价值分配机制，互联网生态可能因内容源枯竭而瓦解。
重新定义Bot：从检测对抗到特权继承
在Agent时代，“机器人（bot）”一词的定义需被重新审视。传统语境中，Bot常带有恶意或无意义的负面色彩，但如今存在三类截然不同的实体：爬虫（crawlers）、代表人类或企业工作的Agent，以及恶意破坏者。随着流量主体转变为Bot，传统的“机器人检测”市场虽仍繁荣，但其逻辑需根本性转变。未来的重点不应是阻断所有非人类流量，而是区分有益与有害行为。用户希望其Agent能继承自身特权（inherit privileges），以执行复杂任务。因此，基础设施需解决两方面的激励对齐：一是内容获取端的价值分配（如前所述），二是行动端的行为规范。只有当Agent被视为具备合法身份的数字代理人，而非需要被屏蔽的噪音时，互联网才能顺利过渡到Agent优先的新范式。
内容访问与行动权限的激励对齐难题
当前AI Agent在接入互联网时面临严重的激励错位。内容创作者担心Agent读取其内容的价值交换问题，而电商平台则顾虑Agent代表用户进行购买时的风险。这种分歧导致不同平台采取了差异化的排斥策略。核心痛点在于，目前只有少数大型实验室开发的Agent能获得完整权限，而大多数用户无法让自己的Agent拥有与主人同等的内容访问权和行动执行权。这并非技术不可行，而是缺乏商业模式的对齐。如果强行要求Agent声明身份而不解决利益分配问题，平台方将倾向于封锁这些代理，导致产品体验下降且实用性受损。因此，解决Agent与Web各层之间的激励对齐（Incentive Alignment）是释放AI潜力的前提，否则我们将陷入Agent被广泛拦截的僵局。
网络安全：攻防博弈与“最弱一环”定律
在AI Agent时代，网络安全风险是真实且严峻的。尽管作为乐观主义者相信技术能辅助防御者，但攻击者始终会寻找最薄弱的环节（Weakest Link）。历史经验表明，任何平台都无法将恶意行为降至零，因为这是一场战术不断变化的“刀锋格斗”：控制一个攻击向量后，新的漏洞必然涌现。对于前沿模型权重等高度敏感数据，安全风险更是截然不同；但在常规层面，编码Agent将被激进地用于安全防御。然而，在此过程中，每隔几周就会发生一次具有后果的网络事件（Cyber Event），这种紧迫感将倒逼防御体系的升级。我们需要在攻击和防御两端投入大量的推理算力（Inference），这是一场持续的军备竞赛。
身份声明困境：从“机器人”到“智能体”的概念演变
回顾Twitter时期，恶意行为如加密货币垃圾信息（Crypto Spams）或国家赞助的影响力运动曾占据大量精力。当时人们误以为显而易见的机器人无害，真正的危机在于边际地带的混淆——当人类无法区分真人、机器人与Agent时，信任体系崩塌。如今，我们应摒弃带有负面色彩的“Bot”一词，转而使用更中性的Agent（智能体）。好的Agent应当像“好机器人”一样声明自身身份，以便被识别和区别对待。然而，现实中存在悖论：许多网站已屏蔽未声明身份的Agent，若强制其声明身份，反而可能招致更严厉的封锁。这反映了当前过渡期的粗糙边缘：我们尚未完成商业模式的对齐，导致Agent在试图透明化时遭遇系统性排斥。
多层防御体系：从Web层到应用层的全面戒备
AI在专业工作中的表现虽受关注，但安全性必须作为首要考量。Web层本身是危险的，恶意内容极易流入Agent的上下文引发注入攻击（Injection Attacks）。尽管过去两年模型在抗脆弱性上取得进展，但不能指望单一层级解决问题。真正的防御依赖于多层架构（Defense in Many Layers）：Web层、模型构建者以及应用开发者必须在各自层级 obsessively（执着地）解决对抗问题。每一层都必须专注于处理对手行为（Adversaries），即使如此，仍会有少量风险泄漏。这种全链路的专注才是构建真正安全AI生态的基础，任何试图绕过某一层级安全的想法都是危险的。
团队规模与增长动力：从纯技术到全栈销售
Parallel AI的团队在一年内经历了爆炸式的增长，人数从年初的约30人迅速扩张至目前的120人。这种增长的核心驱动力在于公司战略从最初的“纯技术导向”向建立庞大Go-to-Market (GTM) 销售团队的转变。在过去3到6个月里，公司意识到几乎所有购买推理能力（inference）的企业都需要同时采购网络搜索服务。因此，他们开始瞄准全球前500强企业中那些在token上投入巨大资金的公司，通过提供更高效率的搜索服务来嵌入其业务流。
"We were a pure tech play. Now the last 3 months, 6 months, we've built a pretty sizable GTM team... We're finding really large like whatever the top 100 500 companies in the world starting to really spend on tokens and starting to really buy us alongside those tokens."
这一销售策略的成功并非偶然，而是基于对客户痛点深刻的洞察。客户购买Parallel AI服务通常源于三个具体的场景：首先是模型能力瓶颈。许多用户最初使用捆绑了网络搜索的单一模型构建应用，但很快发现尽管大语言模型本身表现良好，其内置的网络搜索组件却成为限制应用能力的短板。其次是多模型切换需求。当企业决定在多个专有模型或开源权重模型之间灵活切换时，Parallel AI提供的高质量且兼容所有模型的搜索服务实现了“模型独立性”，赋予了开发者极大的灵活性。最后是成本与ROI优化。随着用例规模的扩大，企业开始关注端到端成本的降低。
核心竞争优势：Token效率与搜索信号质量
Parallel AI在第三大购买理由上展示了其独特的技术价值：Token效率与搜索信号质量。由于Parallel AI的搜索结果具有极高的信噪比（high signal），模型在执行任务时所需的搜索次数减半，从而大幅减少了整体token的消耗。这意味着最终产品不仅更便宜、更快，而且更加高效。
"Our search is so high signal right and token efficient the models do half the number of searches use up far fewer tokens end to end are cheaper faster. That's the third reason people buy us which is like I'm spending too much on tokens. It works. Is useful? Can you help us be more efficient?"
这种效率提升对于大量依赖网络进行知识工作的领域至关重要。通过优化搜索环节，Parallel AI帮助客户在保持应用有用性的同时显著降低运营成本。这种从单纯的路由功能扩展到Token优化助手的定位，使得Parallel AI不仅仅是一个基础设施提供商，更成为了企业AI应用降本增效的关键伙伴。客户不再仅仅为了获取信息而搜索，而是为了以最小的计算代价获得最精准的信息反馈。
交互范式的转变：从GEO到AEO与机器友好型网站
随着AI代理（Agents）的兴起，市场关注点正从GEO（生成式引擎优化）转向AEO（代理引擎优化）。虽然两者有重叠，但本质区别在于交互主体：GEO主要面向聊天机器人式的对话，而AEO则针对能够自主执行任务的代理。这种转变要求网站和文档的设计逻辑发生根本性变化。
"GEO was like chat. Exactly. So it's like Versel has optimized itself for the agents coming to its website... The truth is the presentation layer almost doesn't matter because we can transform the web even if you don't publish your website to be agent friendly."
Parallel AI早在三年前就推出了“机器版本”网站，允许用户在人类视图和代理视图之间切换。这一举措旨在构建一个为代理并行的网络。公司认为，展示层的重要性正在降低，因为即使网站未专门针对代理优化，Parallel AI也能将其转化为机器可消费的内容。更重要的是，公司在设计用户旅程（如注册、文档阅读）时，假设主要使用者是拥有编程代理的开发者。例如，网站提示用户将特定指令输入给代理，由代理自动完成信用卡授权、条款接受等操作。这种“Agent First”的设计理念要求重新思考每一个交互环节，确保代理能够无缝接管重复性任务。
未来展望：从“拉取”到“推送”的主动式网络
展望未来，Parallel AI正在探索主动性代理（Proactive Agents）和“始终在线”的代理如何改变计算世界和网络形态。目前的网络搜索模式主要是人类主动发起的“拉取”（Pull）行为，如使用Google搜索。尽管过去曾尝试过类似Google Alerts的推送服务，但由于信号精度低、噪音大，并未真正成功。
"The web will go from pull to push... If you imagine an instinct or a news implicitly understanding your world and being able to set up essentially really high signal, high precision, high recall alerts on everything that changes on the entire web."
随着智能成本的降低和代理理解能力的提升，网络将转向“推送”（Push）模式。未来的系统将能够隐式地理解用户的生活和世界，并在整个网络上设置高信号、高精度、高召回率的警报。当世界发生特定变化或出现相关事件时，代理将自动感知并代表用户采取行动。这种从被动搜索到主动感知的转变，标志着网络交互范式的根本性重构，也为Parallel AI这样的基础设施提供了新的价值锚点。
算力稀缺性与Web内容噪声的博弈
在AI Agent时代，如何分配有限的计算资源成为核心难题。尽管网页规模庞大且每日都在变化，但其中充斥着大量无效信息。无论算力成本如何降低，我们都没有足够的资源去处理所有数据。因此，必须智能地优先分配算力给那些具有实际可操作性的内容，而非无意义的噪声更新。随着AI生成内容的爆发式增长，Web的变化率正在急剧上升。搜索引擎的核心任务转变为从日益增多的噪声中提取有效信号。这种趋势要求我们重新思考数据中心的布局与主权参与方式，但更紧迫的是解决算力分配的效率问题。
访谈收尾与嘉宾致谢
本次对话在轻松愉快的氛围中落下帷幕，双方对彼此的观点交流表达了高度的认可。采访者首先向嘉宾（前Twitter CEO）致以诚挚的谢意，感谢其分享如此精彩的见解。采访者特别提到，通过深入交流，不仅了解了嘉宾在并行计算（Parallel）领域的专业见解，更窥见了其丰富的个人生活与独特的思考哲学。这种将技术逻辑与生活哲学相结合的视角，让对话显得既专业又充满人文色彩。采访者幽默地表示，如果访谈一开始就能触及这些深层内容，或许会有不同的开场体验。嘉宾则回应称这种关于思维方式的探讨非常有趣（"Yeah, that's fun"），展现了其开放且乐于分享的态度。这种双向的知识流动与情感共鸣，构成了本次访谈最核心的价值之一。
节目推广与订阅引导
在正式结束对话后，主持人Molly转向观众进行节目的常规宣发。她邀请喜爱此类深度访谈的听众关注其新闻通讯服务（newsletter），该服务通过电子邮件每周发送一次，内容涵盖顶级科技交易资讯与头条新闻。此外，Molly还强调了播客平台的多渠道覆盖策略，鼓励听众在YouTube、Spotify以及Apple Podcasts等主流平台上订阅节目。这一环节旨在通过多渠道分发策略扩大受众基础，并引导用户从单次观看转化为长期订阅。Molly在结尾处再次提醒观众查看描述栏中的链接以完成注册，体现了内容创作者对用户留存与社区构建的重视。整个结尾部分节奏轻快，通过音乐烘托氛围，为严肃的技术讨论画上了一个轻松的句号。
结论
前Twitter CEO的预测已获初步验证，AI Agent网络使用量正从早期的10%-20%向千倍甚至万级规模指数增长，标志着互联网基础设施从“人类中心”彻底转向“Agent优先”。这一转型的核心驱动力在于GPU算力架构的重构与搜索效率的极致优化，使得高频、低延迟（150-200毫秒）的Agent交互成为可能。然而，当前仍面临内容激励对齐缺失、网络安全博弈及算力稀缺等结构性挑战。
尽管早期产品因技术门槛过高而受限，但随着交互自然化与Token效率提升，Agent正从被动响应迈向主动推送。未来竞争焦点将集中在解决身份声明、价值分配及多层防御体系上，唯有建立可持续的经济激励与信任机制，才能支撑起这一万亿级增长的基础设施生态。