行业首个Pro Agent问世！「AI祖师爷」Kevin Knight空降中国谈AI跃迁
编辑｜Youli
OpenAI 正在重新定义 Codex 的边界，而这可能不只是一次产品扩张。
今年 6 月，Codex 周活跃用户突破 500 万，知识工作者的增长速度超过开发者群体 3 倍。到了 10 月，Codex 与 ChatGPT Work 的合计活跃用户达到 4000 万。与此同时，曾主导 Codex 的 Tibo Sottiaux 开始负责 OpenAI 核心产品与平台，覆盖 ChatGPT、Codex、API、智能体基础设施及企业产品。
把这些变化放在一起看，一个更值得关注的趋势正在浮现： AI 正在从一个被调用的能力，变成一个承接工作的系统。
过去，软件等待人来操作，AI 等待人来提问。人负责定义问题、拆解步骤、切换工具，再把零散的结果拼接成最终交付物。新一代 Agent 系统正在尝试接管这条链路，随之而来的是，AI 价值单位的升级也在开启 —— 从 Token、模型调用和单次回答，转向任务完成与工作成果。用英伟达 CEO 黄仁勋的话来说： 「Useful AI has arrived, and it is profitable.」 （有用的 AI 已经到来，而且能够创造收益。）
在 TGC 2026 科技增长大会上，我们找到了新一代 Agent 系统和 AI 价值评估的新路径。
以 「AI is Profitable」 为主题，TGC 2026 科技增长大会 10 月 23 日在广州举行。围绕 AI 如何从理解语言走向执行任务，国际 AI 先驱 Kevin Knight 在会上展开重磅分享，预测 AI 下一步跃迁；全球领先的 AI 营销科技公司钛动科技，正式发布 行业首个 Pro Agent ：Navos Pr o， 以 Professional、Proactive、Profitable 三大核心属性构建产品内核， 即把专业业务理解、主动机会发现与商业回报验证贯通于同一 Agent，推动 AI 成为企业全球化增长与生产力变革的核心引擎。
行业首个 Pro Agent 背后的范式迁移：
Chatbot→Agent→Pro Agent，重心已不在模型本身
Codex 等产品的演进，展示了 AI 从回答问题走向承担任务的趋势。但在真实业务中，当 AI 开始接手更长的工作链路，执行任务只是第一步，AI 还需要理解专业场景、主动发现机会，并以实际业务结果检验行动是否有效。
钛动科技发布的 Navos Pro，正是围绕这一需求展开探索： Agent 不应止步于执行指令，还需要具备 Professional、Proactive、Profitable 三大属性。
结合跨境电商、外贸、营销、商业分析等具体业务场景，钛动科技将 Navos Pro 的核心能力凝练为三个方面：
Professional ｜专业理解业务 ： 深度解析品牌定位、产品卖点、目标客群与业务目标，持续沉淀品牌知识和业务记忆，让 AI 真正理解品牌生意；
Proactive ｜主动发现机会： 7×24 小时追踪市场、投放、商品与达人数据，主动识别增长机会、生成策略并推动执行，同时由人保留最终决策权；
Profitable ｜实现商业增长： 以 GMV、ROI、利润等真实业务指标检验策略与执行效果，让 AI 的产出与商业增长直接挂钩。
但 Pro Agent 范式的行业前瞻性，不仅仅在于拥有这三大模块，更在于三者形成 闭环协同： 专业认知为决策锚定业务语境，主动机制驱动业务链路持续推进，结果指标为全部行动提供反馈标尺。
据 钛动科技创始人兼 CEO 李述昊 介绍，这套机制已经在出海营销场景跑通完整链路：Navos Pro 通过品牌知识与业务记忆理解企业需求，结合市场、投放、商品及达人数据发现增长机会，再以实际业务指标评估策略效果。
对于出海企业而言，这意味着可以将分散在市场研究、创意生产、达人合作与广告投放中的工作串联起来，并根据实际效果调整后续策略。Navos Pro 希望实现的，正是让 AI 不再局限于某个环节的效率提升，而是围绕企业的增长目标，推动多个环节协同运转。
李述昊进一步分析道， 从 Chatbot 到 Agent 再到 Pro Agent，背后演进的底层哲学，本质上是「工作发起权的转移」。 从 Chatbot 到 Copilot，AI 逐步从回答问题走向辅助执行，但工作目标与任务发起仍主要由人掌握，下一阶段的 Pro Agent，则需要在明确的业务目标与授权边界内，主动感知变化、识别机会，并推动任务持续执行。
钛动科技发布的 Navos Pro，正是将这套机制引入全球营销场景：让 AI 不仅理解品牌在做什么，更能发现业务可能需要什么，并以可衡量的商业指标检验行动是否有效。
依托在 AI 营销领域长期的技术沉淀与生态布局，作为 ChatGPT Ads 全球首批官方技术合作伙伴，钛动科技已经在首批客户实测中验证这套范式的商业价值：助力某出海品牌营销成本大幅下降，ROI 提升至原来的 2.5 倍；与此同时，钛动与腾讯 WorkBuddy 达成生态合作，推动垂直专业营销能力与通用大模型平台深度互补。
从 TGC 2026 释放的信号来看， 用 Pro Agent 重塑营销，并非钛动科技布局的终点，而是其将 AI 能力从营销场景推向更广泛企业生产力的起点。
AI for Work 万亿蓝海已开启，企业智能如何衡量？
回顾过去二十年的科技产业脉络，数字化浪潮呈现出极其规律的周期律：2012 年开启的移动互联流量时代重塑了人与信息、服务之间的「链接」，2018 年加速的企业级 SaaS 席位制时代，则重塑了「流程」，大约每 6 年便掀起一轮生产力产业大周期。而 2024 年拉开序幕的 AI 时代则正打开新的空间：让模型能力进入企业日常工作，参与更多专业任务，即 重塑「企业生产力」。
基于这一判断，李述昊表示，钛动科技的核心战略十分坚定： 「只做结果导向（Result-Driven）的 AI for Work」。
具体来看，钛动科技将「AI for Work」应用方向概括为三个部分：AI for Growth、AI for Innovation 和 AI for Administration，分别对应 企业长期、持续投入的营销和销售，编程和产品开发，管理三笔费用 ，但最终都要回答同一个问题：AI 能否让投入产生更好的结果？
这也是「结果导向」与单纯提升效率之间的区别。一款 AI 工具能够帮助员工节省时间，当然具有价值。但如果要判断它是否真正改善了企业经营，还需要进一步观察：营销投入能否带来更多转化，研发工作能否更有效地推进，组织运行能否变得更加高效。
据统计，这是一个规模高达 数万亿美元 的全新蓝海。
在这一框架下， 钛动科技选择从 AI for Growth 切入，且已率先验证商业价值。
原因并不难理解。营销具有相对明确的预算和反馈指标。一次广告投放之后，企业可以观察获客成本、用户转化和投入回报的变化，并据此调整后续策略。相较于部分研发和管理场景，营销中的一些效果更容易在实际业务中得到检验。
对于钛动科技而言，营销则是一个能够把 AI 能力与业务指标连接起来的起点。围绕出海增长，AI 可以参与市场洞察、创意制作、达人营销、广告投放与效果优化。企业可以测试不同方案、比较实际表现，再根据市场反馈调整投入，让 AI 的行动与业务目标建立联系。
AI for Growth，只是钛动科技验证 AI 重塑企业生产力的第一步，未来，钛动科技将继续将自身 AI 能力迁移至 AI for Innovation 与 AI for Administration，从而推动企业 AI 生产力的系统性重塑。
可要支撑这一目标，仅仅拥有一个能够生成内容、调用工具的模型或产品还不够，钛动科技将自身的核心能力归纳为三部分： 先进算法、海量闭环数据，以及工程化 Harness。
算法层面：以小博大。 通过后训练、强化学习与持续学习，提升模型在营销专业任务中的表现。钛极 32B 参数问答推理模型在 SuperCLUE 广告营销专业大模型评测中以 85.82 分位列第一；27B 参数视觉语言模型在出海营销视频理解评测中以 86.43 分与阿里千问并列第二，探索以更低参数规模兼顾专业效果与推理成本。
数据层面：构建业务闭环。 沉淀覆盖电商、游戏、文娱、本地生活等领域的企业与产品经验，并连接 ChatGPT、Meta、Google、TikTok 等主流媒体 API，让真实业务数据与投放反馈持续反哺模型和策略优化。
Harness 层面：将经验转化为可执行工作流。 通过 Skill 将营销知识、工具调用与执行规则工程化，覆盖创意、广告投放、数据诊断和达人营销，并按美妆、电商、游戏等业务需求灵活组合，让 Agent 从单点任务执行走向多环节协同。
不过，即便模型、数据和工具都已具备，企业仍然需要回答另一个问题：如何衡量 AI 到底创造了多少生产力？
为此，李述昊提出一个 用于理解 AI 时代「企业生产力」的框架：AEE（Agentic Enterprise Effectiveness）， 试图从三个维度理解这个问题：
AEE = Number of Agents × Active Agent Adoption × Output Quality
也就是将 企业拥有多少 Agent、Agent 的实际使用频率，以及 Agent 的产出质量 放在一起考量。
这套框架希望强调，企业不能只看部署了多少 AI 工具，还需要观察员工是否真正使用它们，以及它们最终产出的工作是否符合业务要求。从这个角度来看，AI for Work 的关键不在于把 AI 放进更多工作环节，而在于让它真正参与工作，并持续检验工作结果。
AI 先驱 Kevin Knight：
从 Language 到 Action，AI 下一次飞跃何时发生？
作为大会重磅嘉宾，Kevin Knight 的演讲 《From Language to Action: The Next Leap in AI》 从技术演进角度提出了五个问题：AI 如何走到今天、如何运作、发展是否加速、什么推动下一次飞跃、AI 将如何改变人类。
他曾在南加州大学任教 26 年，担任美国计算语言学协会（ACL）主席，是 ACL Fellow、AAAI Fellow，长期研究机器翻译、自然语言生成与语言智能。他领导过的研究团队汇聚了多位优秀研究人员，其中包括 Transformer 论文第一作者 Ashish Vaswani，前 OpenAI 研究副总裁、现 Google DeepMind 研究副总裁 Barret Zoph 也曾接受他的研究指导。除学术经历外，他还曾联合创办机器翻译公司 Language Weaver，担任滴滴自然语言处理首席科学家，目前担任 Threeven Labs CEO。
兼具产业与学术视角，Kevin Knight 特别提到，当前 AI 的「自主工作时长」正在持续拉长，技术迭代并没有放缓，而是在加速深入复杂流程。他预判， AI 未来的应用场域将全面渗透至生物医药研发、高复杂度商业决策、具身机器人乃至完整企业的自动化运营。
同时，在产业界普遍陷入「超级智能」或「毁灭猜想」等极端情绪时，Kevin Knight 则认为，相较于空泛的技术威胁，当下更值得警惕的是 「认知外包（Cognitive Offloading）」风险 —— 人类在习惯大模型辅助的过程中，不知不觉将底层思考、批判与审美判断交付给算法，从而导致核心思维能力的退化。
在他看来，技术的突破性成果仍会不断涌现，但人机协同的核心前提是，人类必须保持独立思考与战略判断的能力，随时做好重塑自我的准备。
在厘清人与技术的边界后，Kevin Knight 给出了对技术终局的核心判断： 技术的下一次跃迁，不只是让 AI 能够思考，而是让 AI 能够行动、学习，并创造价值。
换句话说，AI 的演进不再是替代人类去幻想，而是从「Language（语言生成）」跃迁至「Action（行动执行）」，进入真实工作场景，参与专业任务，并改变人们完成工作的方式，成为帮助人类分担高负荷复杂任务的专业工作伙伴。
而这正与钛动科技的核心战略「只做结果导向（Result-Driven）的 AI for Work」不谋而合。
写在最后
回到 AI 行业最初的问题： 当模型越来越聪明，企业究竟应该如何判断它是否真正创造了价值？
从 Kevin Knight 提出的 Language to Action，到 Navos 所探索的 Pro Agent 设计思路，再到 Harness 工程化与 AEE 评价框架，一条值得持续观察的技术路线正在逐渐清晰。
模型能力为 Agent 提供了基础，任务编排与工具调用让模型能够进入真实工作，专业数据和反馈机制帮助系统适应具体场景，而结果评价则为判断其实际价值提供了依据。
这条路线并不意味着 Agent 已经解决了企业工作的所有难题。长链路任务的可靠性、复杂环境中的状态管理、工具调用的安全边界、真实业务数据的质量，以及投入产出的可验证性，仍然是规模化部署必须面对的问题。
但也正因为如此，AI for Work 的竞争不应只被理解为模型能力的延伸，而更像是一场围绕企业工作系统展开的工程化竞争。
当 AI 从回答问题走向执行任务，真正的技术挑战就不再只是让模型给出更好的答案，而是让整个系统以可控的成本、足够的可靠性和可验证的结果，完成一项真实的工作。
这或许才是 AI 从技术能力走向企业生产力过程中，最值得关注的变化。