芝能智芯出品

軟銀集團正在嘗試用一種新的方式改造公司的運營方式，那就是引入大規模的人工智能代理（AI Agent）。

智能體不只是工具，而是能完成任務、協同工作、甚至創造新Agent的“數字員工”，目標是替代重復性的工作，讓企業的運作更加高效。

在孫正義的設想中，未來軟銀內部將運行10億個這樣的智能體，但這背后也伴隨著對算力、能源和硬件資源的巨大考驗。

Part 1  從自動化到自主化：軟銀AI Agent的三步部署

軟銀的AI Agent不是單一的機器人，而是能在電腦中運行、獨立完成工作任務的“虛擬助手”。

這些Agent不是統一形態的工具，而是根據工作需求不斷演化，有的處理客服問題，有的分析數據，有的甚至能開發出新的Agent來分擔復雜任務。

軟銀規劃將這些Agent分為三個階段部署：

◎ 第一階段（2025年第三季度），部署3.2億個智能體，主要負責流程標準、規則清晰的任務，比如財務審計、客服問題處理等。

這些Agent按照固定規則運行，類似流水線工人，但速度更快、效率更高。例如，在軟銀移動的客服系統中，AI Agent已承擔了超過八成的用戶問題解答，平均回復時間只有幾秒。

◎ 第二階段（2025年第四季度），部署4.1億個智能體，開始具備跨系統工作的能力，能夠處理涉及多部門、多系統的數據，比如供應鏈管理或風險分析。

這時候的Agent需要掌握更多上下文信息，也開始具備一定的判斷能力，能在不同系統之間協作。

◎ 第三階段（2026年第一季度），部署2.7億個更高級的智能體，具備“創造新Agent”的能力。

這意味著，當一個Agent發現問題后，不需要等待人類處理，而是能自己分解問題、生成新的Agent來解決。例如，在倉庫管理中，當某個Agent發現分揀效率下降，它可以自己創建幾個小Agent，分別負責調整路徑、檢測誤差和調度工作，以提升整體效率。

從L2（規則執行）、L3（協同工作）到L4（創造與優化），軟銀正逐步讓這些AI Agent具備更高層級的自主性。這種分層部署的方式，既降低了初期試錯成本，又為后期復雜任務的處理鋪路。

Part 2  AI Agent背后的壓力：算力、能源與芯片資源

要讓10億個Agent順利運行，不只是軟件問題，更大的挑戰來自底層資源：算力、能源和硬件。

◎ AI系統的計算需求正在快速膨脹。按照公開數據，AI所需的計算能力每3.4個月就會翻一倍。以最新的大模型為例，GPT-6單次訓練就要耗費75吉瓦時的電力，這已經超過很多國家一天的總用電量。如果要讓10億個Agent持續工作，這種電力需求將非常驚人。

◎ 軟銀顯然意識到了這個問題。為了給Agent計劃提供穩定能源，他們正在挪威開發一個“浮動數據中心”項目，利用當地的水冷系統和小型核電來支持數據中心運行。這不只是為了省電，更是為了避免未來AI系統因電力不足而停滯。

◎ 與此同時，硬件也成了瓶頸。目前市面上最先進的AI芯片——英偉達H100，交貨周期仍長達36周，很多企業即使出高價也買不到充足的芯片。雖然AI單次運算的成本有所下降，但總體需求卻迅速上漲，反而讓總成本水漲船高。

面對這些限制，軟銀采取了“中心+邊緣”混合部署的策略。

◎ 一些Agent在大型數據中心運行，處理高復雜度任務；

◎ 而另一些輕量化Agent則部署在本地邊緣設備上，減少對中心算力的依賴。

這種結構也有助于降低延遲，提高反應速度。

小結

軟銀試圖用AI Agent重構企業的基本運作邏輯，在構建一種“可以自己進化”的企業系統。每個Agent既能完成任務，也能適應環境變化，自我優化。這讓企業可以用更少的資源管理更復雜的系統，提升整體效率。

       原文標題 : 軟銀的10億AI Agent計劃