今天小编分享的财经经验：从Manus到MCP：2025年AI的三大新趋势，欢迎阅读。
2025 年开年以来，AI 发展如火如荼，DeepSeek R1、OpenAI CUA、Manus 等重要创新层出不穷，眼花缭乱。
这里我将最近一个月以来的思考总结一下，对 2025 年 AI 发展趋势做几点预判。
一、Manus：Agent 元年的一次抢跑
Manus 推出之后，我们第一时间拿到了体验账号，进行了充分的体验测评。
先说结论：虽然 Manus 目前还有种种不足，但它的产品设计思路创意满满，值得我们给予充分的肯定。
Manus 的核心架构基于" 虚拟机 + 多 Agent 协同 "模式，通过整合多个底层大模型的 API，实现任务的动态分配与模型调用。
Manus 突破了传统 AI 助手仅生成建议的局限，实现了从 " 需求输入 " 到 " 成果交付 " 的端到端闭环。
Manus 提出 "Less Structure, More Intelligence" 的互動理念，通过无代码化的自然语言接口降低用户使用门槛。
与此同时，Manus 使用一个外置的 markdown 檔案来管理 Agent 的任务规划，并且将阶段性的工作成果存储为独立檔案，这也是一个非常有趣的创新点。
二、Manus 的不足与缺陷
Manus 在 MultiAgent 的道路上提供了一种非常有趣的思路，但现在依然存在一些显而易见的不足之处。
首先是 " 幻觉累加 " 的问题。
Agent 的本质是多次大模型问答的串并联。如果单次大模型问答的准确率是 90%，串联 10 次的话，最终 Agent 回答准确的概率是 0.9^10，只有 1/3 左右了。
在下面的案例中，Manus 的任务是针对某上市公司进行财务数据分析。Manus 很聪明地 import 了 data_api 模块，准备从雅虎提供的接口中调取财务数据。
但是在 process_financial_data 函数中，manus 竟然把 revenue、gross_profit 等数据直接 " 硬编码 " 到了代码中，让人猝不及防。而且经过验证，这里的数据有部分是错误的。
如果原始数据出错了，那么后续无论分析得多么深入、图表做得多么 fancy 都失去了意义。
Manus 的第二个问题是可供大模型调用的工具不足。
下面这个例子中，Manus 的任务是写一篇关于 " 小米 Su7" 的市场分析报告 PPT。
Manus 完美地拆分了任务，并且检索了大量新闻，但是最后它无法生成一份 PPT，因为它无法调用 Office 軟體。
目前 Manus输出的内容形式多为纯文本或者网页，还无法和人类工作流进行完美融合。
Manus 遇到的第三个挑战是小院高墙的互联网生态。
互联网上有很多优质信息是存放在 " 围栏 " 中的。
比如当我们让 Manus 去分析比较市面上所有 AI 智能眼镜的性价比时，它聪明地找到了对应商品的淘宝网页。
但是当 Manus 想要打开具体产品页面获取价格性能等详细信息时，淘宝判定它为机器人，并拒绝了 Manus 的访问。
无独有偶，当我们让 Manus 为一家非上市公司进行出具商业分析报告时，Manus 为了获取公司的最新融资进展，访问了 CrunchBase 数据库。
但是 Manus 的访问被 CrunchBase 判定为机器人，随后被无情地拒绝了。
互联网看似公开透明，实则存在大量类似小院高墙的情况，优质信息往往就存放在这些高墙之内，Manus 无法直接获取，这无疑阻碍了 Manus 的工作效果。
尽管有着种种问题和挑战，Manus 依然给大家描绘了 MultiAgent 的巨大前景，打响了 Agent 元年的第一枪，值得我们给予充分的肯定。
在 Manus 占据大家视野的同时，海外 AI 大厂究竟做了哪些技术储备呢？
三、OpenAI CUA：一个会自主操作电腦的 Agent
在今年的 1 月底，OpenAI 发布了由其新模型 CUA 驱动的 AI 智能体 Operator。
CUA 模型融合了 GPT-4o 的视觉能力和通过强化学习实现的高级推理能力，能够将任务分解为多步骤计划，并在遇到挑战时进行自我调整和纠正。
简而言之，CUA 就是一个会操作电腦的 Agent，它的运作原理非常直白且简洁，如下图所示。
首先，CUA 会同时接受两种模态的输入：其一是文本指令，其二是螢幕截图。
CUA 会同时处理这两种信息，并且生成一系列动作指令，比如 " 点击螢幕上坐标为 ( 300,200 ) 的点，并且输入 XXX，按回车 "。
电腦接收到指令并完成操作后，会将新的螢幕截图与新的任务指令返回给 CUA，如此循环往复，直到获得最终答案。
那么 CUA 目前操作电腦的能力达到了怎样的水平呢？
根据 OpenAI 的官方测评，CUA 在操作电腦和操作浏览器这两个场景上，相比上一代 SOTA 都有了巨大的性能提升。
但是相比人类而言，依然有着较大的差距。换句话来说，目前顶级的 Agent 依然没有办法像一个成年人一样正确地操作电腦，但我相信这个现状在今年内就会发生质变。
四、Anthropic MCP：AI 时代下的 TCP/IP 協定
刚才在分析 Manus 的缺陷时，提到了 " 工具不足 " 的问题。
Anthropic 显然也意识到了这个问题，并在去年年底推出了 MCP 来从根源上解决这个问题。
MCP 的全称是 Model Context Protocol，它定义了应用程式和 AI 模型之间交换上下文信息的方式，这使得开发者能够以一致的方式将各种数据源、工具和功能连接到 AI 模型。
MCP 之于 AI，有点类似于 TCP/IP 之于互联网。
MCP 有三个重要特点：
双向通信：AI 与工具之间的通信是双向的，有状态的。AI 既能从工具获取数据，也能向工具发送指令。
当前越来越多的工具及服务开始接入 MCP，呈现愈演愈烈之势，包括 Google Maps、PGSQL、ClickHouse、Atlassian、Stripe 等等。
在 Smithery 平台上你可以轻松查找不同功能对应的工具及服务。随着越来越多的 Server 接入 MCP 協定，未来 AI 能够直接调用的工具将呈现指数级增长，这能从根源上打开 Agent 能力的天花板。
五、2025 年 AI 发展新趋势：后训练、RL、MultiAgent
这里我结合最近几个月以来的观察和思考，总结一下 2025 年 AI 发展的几点重要趋势。
第一，预训练即将终结，后训练成为重点。
这其实已经是行业共识。去年年底时，Ilya 在 NeurIPS 大会上提到一个重要观点：数据是 AI 时代的化石燃料，因为我们人类只有一个互联网。
与此同时，在今年 DeepSeek R1 的论文中，提到了后训练将成为大模型训练管线中的重要组成部分。
第二，针对后训练而言，强化学习将成为主流，监督学习的重要性逐渐下降。
DeepSeek R1 带来最重要的启发是：纯粹的 RL 可能是通向 AGI 的正确路径。
随着 TTS 的增加，大模型会自我涌现出复杂的推理行为，而无需刻意引导。
如下边右图所示，横轴是大模型 RL 的迭代步数，纵轴是单次问答的 token 长度。我们可以看到，随着大模型 RL 步数的增加，大模型会自主地从 " 快思考 " 变成 " 慢思考 "，从最开始每次回答 100 个 token，到最后每次回答接近 10000 个 token。
DeepSeek 团队将这种现象称为 "self-evolution"，并认为它是 "the emergence of sophisticated behaviors"。
具体是哪些复杂行为的涌现呢？DeepSeek 也给出了答案，比如：self-verfication、reflection等。
这个发现对于我们来说有着重要的启发。未来监督学习在 AI 训练中究竟应该扮演怎样的角色？监督学习是否反而限制了 AI 解决问题的能力？
是否不应该让 AI 通过模仿人类的思维方式来获得智能，而是让 AI 发展出更加原生的智能？
这些问题，都有待整个 AI 行业通过实践来给出答案。
第三，MutiAgent 是确定性的大趋势。
如果将 AI 和人腦进行类比的话，大模型就像是人腦中的 " 前额叶 "。
众所周知，前额叶主要负责高级认知功能，比如注意力的分配、思考推理、决策等。
但是仅仅有前额叶，大腦是无法处理复杂任务的。我们需要有颞叶来进行听觉信号的解析，需要顶叶进行阅读和算术，需要小腦来进行运动协调，需要海马体来进行记忆索引。
MultiAgent 的定义恰恰就是让多个不同的模型之间互相协调，从单独的 " 前额叶 " 走向 " 完整的大腦 "，从而处理更加复杂的现实任务。
在这个蓝图中，MCP 就起到了非常重要的作用：协调统一大模型与各工具之间的数据通信接口。
结语：抓好扶手，未来已来
2025 年是 AI Agent 元年，Manus 的出现打响了第一炮。
无论是 OpenAI 的 CUA 还是 Anthropic 的 MCP 都指向了一个共同的未来，未来二年 AI 的发展速度将非常陡峭。
抓好扶手，未来已来！
