AI agents在公司无形资产价值评估中的创新应用

随着知识经济的快速发展，公司的无形资产在企业价值中所占的比重越来越大。无形资产如品牌价值、专利技术、客户关系等，对企业的长期发展和市场竞争力起着关键作用。然而，无形资产的价值评估一直是一个具有挑战性的问题，传统的评估方法存在主观性强、数据处理能力有限等不足。本文的目的在于探讨AI agents在公司无形资产价值评估中的创新应用，分析其如何利用先进的人工智能技术，更准确、高效地评估无形资产的价值。

⁵²º᭄424

1136人浏览 · 2025-11-15 09:45:25

⁵²º᭄424 · 2025-11-15 09:45:25 发布

AI agents在公司无形资产价值评估中的创新应用

关键词：AI agents、公司无形资产、价值评估、创新应用、人工智能

摘要：本文聚焦于AI agents在公司无形资产价值评估中的创新应用。首先介绍了相关背景，包括目的、预期读者、文档结构和术语表。接着阐述了核心概念与联系，分析了AI agents与无形资产价值评估的原理和架构。详细讲解了核心算法原理及操作步骤，给出了相应的Python代码示例。同时探讨了数学模型和公式，并举例说明。通过项目实战，展示了代码实现及解读。还分析了实际应用场景，推荐了相关工具和资源。最后总结了未来发展趋势与挑战，提供了常见问题解答和扩展阅读参考资料，旨在为该领域的研究和实践提供全面且深入的指导。

1. 背景介绍

1.1 目的和范围

随着知识经济的快速发展，公司的无形资产在企业价值中所占的比重越来越大。无形资产如品牌价值、专利技术、客户关系等，对企业的长期发展和市场竞争力起着关键作用。然而，无形资产的价值评估一直是一个具有挑战性的问题，传统的评估方法存在主观性强、数据处理能力有限等不足。

本文的目的在于探讨AI agents在公司无形资产价值评估中的创新应用，分析其如何利用先进的人工智能技术，更准确、高效地评估无形资产的价值。范围涵盖了AI agents的基本原理、相关算法、数学模型，以及在实际项目中的应用案例，同时对未来的发展趋势和面临的挑战进行了分析。

1.2 预期读者

本文预期读者包括企业管理人员、财务分析师、资产评估师、人工智能研究者以及对公司无形资产价值评估感兴趣的相关人士。对于企业管理人员来说，了解AI agents在无形资产评估中的应用有助于更好地管理和决策；财务分析师和资产评估师可以借鉴文中的方法和技术，提高评估的准确性和效率；人工智能研究者可以从中发现新的研究方向和应用场景；而对相关领域感兴趣的人士则可以获得全面的知识和信息。

1.3 文档结构概述

本文将按照以下结构进行阐述：首先介绍核心概念与联系，明确AI agents和无形资产价值评估的基本原理和架构；接着详细讲解核心算法原理和具体操作步骤，并给出Python代码示例；然后介绍数学模型和公式，并举例说明；通过项目实战，展示代码的实际应用和详细解释；分析实际应用场景；推荐相关的工具和资源；最后总结未来发展趋势与挑战，提供常见问题解答和扩展阅读参考资料。

1.4 术语表

1.4.1 核心术语定义

AI agents（人工智能代理）：是一种能够感知环境、根据感知信息进行决策并采取行动的智能实体。它可以自主地执行任务，与环境进行交互，以实现特定的目标。
公司无形资产：指企业拥有或者控制的没有实物形态的可辨认非货币性资产，包括专利权、商标权、著作权、土地使用权、非专利技术、商誉等。
价值评估：是指专业人员根据特定的目的，遵循客观经济规律和公正的原则，按照法定的标准和程序，运用科学的方法，对资产的现时价格进行评定和估算的过程。

1.4.2 相关概念解释

机器学习：是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。它专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。
自然语言处理：是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法，包括文本分类、情感分析、信息抽取等。
大数据分析：指对海量数据进行采集、存储、管理、分析和可视化的一系列技术和方法，旨在从数据中发现有价值的信息和知识。

1.4.3 缩略词列表

AI：Artificial Intelligence，人工智能
ML：Machine Learning，机器学习
NLP：Natural Language Processing，自然语言处理
KPI：Key Performance Indicator，关键绩效指标

2. 核心概念与联系

核心概念原理

AI agents原理

AI agents的核心原理是基于感知、决策和行动的循环。它通过传感器感知环境信息，然后利用内部的知识库和算法进行决策，最后通过执行器采取相应的行动。例如，在无形资产价值评估中，AI agents可以通过网络爬虫感知市场数据、新闻报道等信息，利用机器学习算法进行分析和决策，为评估提供依据。

公司无形资产价值评估原理

公司无形资产价值评估的原理主要基于收益法、市场法和成本法。收益法是通过预测无形资产未来的收益来评估其价值；市场法是通过比较类似无形资产的市场交易价格来确定其价值；成本法是通过计算无形资产的开发成本来评估其价值。

架构的文本示意图

AI agents在公司无形资产价值评估中的架构

输入层：
- 市场数据（如行业报告、市场交易价格等）
- 企业内部数据（如财务报表、专利信息等）
- 社交媒体数据（如品牌口碑、客户评价等）

处理层：
- 数据清洗和预处理
- 特征提取和选择
- 机器学习模型训练（如回归模型、分类模型等）
- 自然语言处理（如文本挖掘、情感分析等）

输出层：
- 无形资产价值评估结果
- 评估报告和建议

Mermaid流程图

3. 核心算法原理 & 具体操作步骤

核心算法原理

线性回归算法

线性回归是一种用于建立自变量和因变量之间线性关系的统计模型。在无形资产价值评估中，我们可以将无形资产的价值作为因变量，将一些相关的因素（如市场份额、研发投入等）作为自变量，通过线性回归模型来预测无形资产的价值。

线性回归模型的数学表达式为：
$\beta_0 + \beta_1x_1 + \beta_2x_2 + \cdots + \beta_nx_n + \epsilon$
其中， $y$ 是因变量， $,xnx_1, x_2, \cdots, x_n$ 是自变量， $,βn\beta_0, \beta_1, \beta_2, \cdots, \beta_n$ 是回归系数， $ϵ\epsilon$ 是误差项。

支持向量机算法

支持向量机是一种用于分类和回归分析的监督学习模型。在无形资产价值评估中，我们可以使用支持向量机回归（SVR）来预测无形资产的价值。SVR的基本思想是找到一个最优的超平面，使得所有的数据点到该超平面的距离最小，同时保证预测误差在一定的范围内。

具体操作步骤

数据收集

收集与无形资产价值评估相关的数据，包括市场数据、企业内部数据和社交媒体数据等。

数据清洗和预处理

对收集到的数据进行清洗，去除噪声和缺失值。然后对数据进行预处理，如归一化、标准化等，以提高模型的性能。

特征提取和选择

从预处理后的数据中提取有用的特征，并选择对无形资产价值影响较大的特征。

模型训练

使用提取的特征和对应的标签（无形资产的价值）对机器学习模型进行训练。

模型评估

使用测试数据对训练好的模型进行评估，计算评估指标（如均方误差、决定系数等），以评估模型的性能。

预测和评估

使用训练好的模型对未知的无形资产进行价值预测，并生成评估报告和建议。

Python源代码示例

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error, r2_score

# 数据收集和预处理
data = pd.read_csv('intangible_assets_data.csv')
X = data.drop('value', axis=1)
y = data['value']

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 线性回归模型训练
lr_model = LinearRegression()
lr_model.fit(X_train, y_train)

# 支持向量机回归模型训练
svr_model = SVR()
svr_model.fit(X_train, y_train)

# 模型预测
lr_pred = lr_model.predict(X_test)
svr_pred = svr_model.predict(X_test)

# 模型评估
lr_mse = mean_squared_error(y_test, lr_pred)
lr_r2 = r2_score(y_test, lr_pred)
svr_mse = mean_squared_error(y_test, svr_pred)
svr_r2 = r2_score(y_test, svr_pred)

print(f'线性回归模型均方误差: {lr_mse}')
print(f'线性回归模型决定系数: {lr_r2}')
print(f'支持向量机回归模型均方误差: {svr_mse}')
print(f'支持向量机回归模型决定系数: {svr_r2}')

4. 数学模型和公式 & 详细讲解 & 举例说明

线性回归模型

数学公式

线性回归模型的数学表达式为：
$\beta_0 + \beta_1x_1 + \beta_2x_2 + \cdots + \beta_nx_n + \epsilon$
其中， $y$ 是因变量（无形资产的价值）， $,xnx_1, x_2, \cdots, x_n$ 是自变量（如市场份额、研发投入等）， $,βn\beta_0, \beta_1, \beta_2, \cdots, \beta_n$ 是回归系数， $ϵ\epsilon$ 是误差项。

详细讲解

线性回归模型的目标是通过最小化误差项的平方和来估计回归系数。误差项的平方和可以表示为：
$S(β)=∑i=1m(yi−β0−β1xi1−β2xi2−⋯−βnxin)2S(\beta) = \sum_{i=1}^{m}(y_i - \beta_0 - \beta_1x_{i1} - \beta_2x_{i2} - \cdots - \beta_nx_{in})^2$
其中， $m$ 是样本数量， $y_i$ 是第 $i$ 个样本的因变量值， $,xinx_{i1}, x_{i2}, \cdots, x_{in}$ 是第 $i$ 个样本的自变量值。

通过求解 $S(β)S(\beta)$ 的最小值，可以得到回归系数的估计值。在实际应用中，我们可以使用最小二乘法来求解回归系数。

举例说明

假设我们要评估一家公司的品牌价值，我们可以选择市场份额和广告投入作为自变量。我们收集了 10 家公司的数据，如下表所示：

公司编号	市场份额（%）	广告投入（万元）	品牌价值（万元）
1	10	50	200
2	15	80	300
3	20	120	400
4	25	150	500
5	30	200	600
6	35	250	700
7	40	300	800
8	45	350	900
9	50	400	1000
10	55	450	1100

我们可以使用线性回归模型来预测品牌价值：
$\beta_0 + \beta_1x_1 + \beta_2x_2 + \epsilon$
其中， $y$ 是品牌价值， $x_1$ 是市场份额， $x_2$ 是广告投入。

使用 Python 代码实现如下：

import numpy as np
from sklearn.linear_model import LinearRegression

# 数据
X = np.array([[10, 50], [15, 80], [20, 120], [25, 150], [30, 200], [35, 250], [40, 300], [45, 350], [50, 400], [55, 450]])
y = np.array([200, 300, 400, 500, 600, 700, 800, 900, 1000, 1100])

# 线性回归模型训练
model = LinearRegression()
model.fit(X, y)

# 回归系数
beta_0 = model.intercept_
beta_1, beta_2 = model.coef_

print(f'回归系数 beta_0: {beta_0}')
print(f'回归系数 beta_1: {beta_1}')
print(f'回归系数 beta_2: {beta_2}')

支持向量机回归模型

数学公式

支持向量机回归模型的目标是找到一个最优的超平面，使得所有的数据点到该超平面的距离最小，同时保证预测误差在一定的范围内。支持向量机回归模型的数学表达式为：
$w^T\phi(x) + b$
其中， $w$ 是权重向量， $ϕ(x)\phi(x)$ 是将输入数据 $x$ 映射到高维空间的函数， $b$ 是偏置项。

详细讲解

支持向量机回归模型的核心是引入了一个松弛变量 $ξ\xi$ 和 $ξ∗\xi^*$ 来处理预测误差。目标函数可以表示为：
$min⁡w,b,ξ,ξ∗12wTw+C∑i=1m(ξi+ξi∗)\min_{w,b,\xi,\xi^*} \frac{1}{2}w^Tw + C\sum_{i=1}^{m}(\xi_i + \xi_i^*)$
subject to:
$yi−wTϕ(xi)−b≤ϵ+ξiy_i - w^T\phi(x_i) - b \leq \epsilon + \xi_i$
$wTϕ(xi)+b−yi≤ϵ+ξi∗w^T\phi(x_i) + b - y_i \leq \epsilon + \xi_i^*$
$ξi≥0,ξi∗≥0\xi_i \geq 0, \xi_i^* \geq 0$
其中， $C$ 是惩罚参数， $ϵ\epsilon$ 是不敏感损失函数的参数。

通过求解上述优化问题，可以得到权重向量 $w$ 和偏置项 $b$ 的估计值。

举例说明

假设我们要使用支持向量机回归模型来预测上述品牌价值的例子。使用 Python 代码实现如下：

import numpy as np
from sklearn.svm import SVR

# 数据
X = np.array([[10, 50], [15, 80], [20, 120], [25, 150], [30, 200], [35, 250], [40, 300], [45, 350], [50, 400], [55, 450]])
y = np.array([200, 300, 400, 500, 600, 700, 800, 900, 1000, 1100])

# 支持向量机回归模型训练
model = SVR()
model.fit(X, y)

# 预测
new_X = np.array([[60, 500]])
pred = model.predict(new_X)

print(f'预测的品牌价值: {pred[0]}')

5. 项目实战：代码实际案例和详细解释说明

5.1 开发环境搭建

安装Python

首先，需要安装 Python 环境。可以从 Python 官方网站（https://www.python.org/downloads/）下载适合自己操作系统的 Python 版本，并按照安装向导进行安装。

安装必要的库

在命令行中使用以下命令安装必要的库：

pip install pandas numpy scikit-learn

5.2 源代码详细实现和代码解读

import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.svm import SVR
from sklearn.metrics import mean_squared_error, r2_score

# 数据收集和预处理
# 假设我们有一个包含无形资产相关数据的 CSV 文件
data = pd.read_csv('intangible_assets_data.csv')
# 提取特征和标签
X = data.drop('value', axis=1)  # 特征
y = data['value']  # 标签

# 划分训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 线性回归模型训练
lr_model = LinearRegression()
lr_model.fit(X_train, y_train)

# 支持向量机回归模型训练
svr_model = SVR()
svr_model.fit(X_train, y_train)

# 模型预测
lr_pred = lr_model.predict(X_test)
svr_pred = svr_model.predict(X_test)

# 模型评估
lr_mse = mean_squared_error(y_test, lr_pred)
lr_r2 = r2_score(y_test, lr_pred)
svr_mse = mean_squared_error(y_test, svr_pred)
svr_r2 = r2_score(y_test, svr_pred)

print(f'线性回归模型均方误差: {lr_mse}')
print(f'线性回归模型决定系数: {lr_r2}')
print(f'支持向量机回归模型均方误差: {svr_mse}')
print(f'支持向量机回归模型决定系数: {svr_r2}')

代码解读与分析

数据收集和预处理

pd.read_csv('intangible_assets_data.csv')：使用 Pandas 库读取包含无形资产相关数据的 CSV 文件。
X = data.drop('value', axis=1)：提取特征，即去除标签列（无形资产的价值）。
y = data['value']：提取标签，即无形资产的价值。

划分训练集和测试集

train_test_split(X, y, test_size=0.2, random_state=42)：使用 sklearn 库的 train_test_split 函数将数据划分为训练集和测试集，测试集占比为 20%。

模型训练

lr_model = LinearRegression()：创建线性回归模型对象。
lr_model.fit(X_train, y_train)：使用训练集数据对线性回归模型进行训练。
svr_model = SVR()：创建支持向量机回归模型对象。
svr_model.fit(X_train, y_train)：使用训练集数据对支持向量机回归模型进行训练。

模型预测

lr_pred = lr_model.predict(X_test)：使用训练好的线性回归模型对测试集数据进行预测。
svr_pred = svr_model.predict(X_test)：使用训练好的支持向量机回归模型对测试集数据进行预测。

模型评估

mean_squared_error(y_test, lr_pred)：计算线性回归模型的均方误差。
r2_score(y_test, lr_pred)：计算线性回归模型的决定系数。
mean_squared_error(y_test, svr_pred)：计算支持向量机回归模型的均方误差。
r2_score(y_test, svr_pred)：计算支持向量机回归模型的决定系数。

通过比较均方误差和决定系数，可以评估模型的性能。均方误差越小，决定系数越接近 1，说明模型的性能越好。

6. 实际应用场景

企业并购

在企业并购过程中，准确评估目标公司的无形资产价值至关重要。AI agents可以通过分析市场数据、行业报告、企业内部数据等，快速、准确地评估目标公司的品牌价值、专利技术、客户关系等无形资产的价值，为并购决策提供重要依据。

知识产权交易

在知识产权交易中，如专利转让、商标授权等，AI agents可以对知识产权的价值进行评估。通过分析专利的技术含量、市场前景、竞争对手等因素，AI agents可以为交易双方提供合理的价格参考，促进知识产权的有效流转。

企业融资

企业在进行融资时，无形资产的价值可以作为重要的资产抵押。AI agents可以对企业的无形资产进行评估，为金融机构提供准确的资产价值信息，帮助企业获得更多的融资支持。

企业战略规划

企业在制定战略规划时，需要了解自身无形资产的价值和优势。AI agents可以通过对企业的无形资产进行评估和分析，为企业提供战略建议，帮助企业优化资源配置，提升市场竞争力。

7. 工具和资源推荐

7.1 学习资源推荐

7.1.1 书籍推荐

《人工智能：一种现代的方法》：这本书是人工智能领域的经典教材，涵盖了人工智能的各个方面，包括搜索算法、知识表示、机器学习、自然语言处理等。
《机器学习》：由周志华教授编写，系统地介绍了机器学习的基本概念、算法和应用，是学习机器学习的优秀教材。
《Python 数据分析实战》：本书介绍了如何使用 Python 进行数据分析，包括数据清洗、数据可视化、机器学习等内容，适合初学者入门。

7.1.2 在线课程

Coursera 上的“机器学习”课程：由 Andrew Ng 教授授课，是全球最受欢迎的机器学习课程之一，内容丰富，讲解详细。
edX 上的“人工智能基础”课程：由伯克利大学提供，介绍了人工智能的基本概念、算法和应用，适合对人工智能感兴趣的初学者。
网易云课堂上的“Python 数据分析与挖掘实战”课程：该课程结合实际案例，介绍了如何使用 Python 进行数据分析和挖掘，具有很强的实用性。

7.1.3 技术博客和网站

Medium：是一个优秀的技术博客平台，上面有很多关于人工智能、机器学习、数据分析等方面的文章，作者来自世界各地的技术专家。
Towards Data Science：专注于数据科学和机器学习领域，提供了大量的优质文章和教程，适合学习和参考。
Kaggle：是一个数据科学竞赛平台，上面有很多数据集和优秀的代码示例，可以帮助你提高数据分析和机器学习的能力。

7.2 开发工具框架推荐

7.2.1 IDE和编辑器

PyCharm：是一款专门为 Python 开发设计的集成开发环境（IDE），具有代码自动补全、调试、版本控制等功能，非常适合 Python 开发。
Jupyter Notebook：是一个交互式的开发环境，支持 Python、R 等多种编程语言，适合进行数据分析和机器学习实验。
Visual Studio Code：是一款轻量级的代码编辑器，支持多种编程语言和插件，具有丰富的扩展功能，适合快速开发和调试。

7.2.2 调试和性能分析工具

PDB：是 Python 自带的调试器，可以帮助你定位代码中的错误和问题。
Py-Spy：是一个用于分析 Python 程序性能的工具，可以帮助你找出程序中的性能瓶颈。
TensorBoard：是 TensorFlow 提供的可视化工具，可以帮助你可视化训练过程、模型结构等信息，方便调试和优化模型。

7.2.3 相关框架和库

Scikit-learn：是一个开源的机器学习库，提供了丰富的机器学习算法和工具，如分类、回归、聚类等，简单易用。
TensorFlow：是一个开源的深度学习框架，由 Google 开发，广泛应用于图像识别、自然语言处理等领域。
PyTorch：是一个开源的深度学习框架，由 Facebook 开发，具有动态图机制，适合快速开发和实验。

7.3 相关论文著作推荐

7.3.1 经典论文

“A Machine Learning Approach to Valuing Intangible Assets”：该论文介绍了如何使用机器学习方法评估无形资产的价值，提出了一种基于特征工程和模型选择的评估框架。
“Valuation of Intangible Assets: A Review of the Literature”：这篇论文对无形资产价值评估的相关文献进行了综述，分析了不同评估方法的优缺点和适用范围。
“Using AI Agents for Intelligent Decision-Making in Asset Valuation”：探讨了如何使用 AI agents 进行资产价值评估中的智能决策，提出了一种基于多智能体系统的评估模型。

7.3.2 最新研究成果

在顶级学术会议（如 NeurIPS、ICML、KDD 等）上搜索关于无形资产价值评估和 AI agents 应用的最新研究论文，了解该领域的最新发展动态。
关注知名学术期刊（如 Journal of Artificial Intelligence Research、Artificial Intelligence 等）上发表的相关研究成果。

7.3.3 应用案例分析

一些商业咨询公司和研究机构会发布关于无形资产价值评估的应用案例分析报告，可以通过互联网搜索获取这些报告，学习实际应用中的经验和方法。

8. 总结：未来发展趋势与挑战

未来发展趋势

多模态数据融合

未来，AI agents 在无形资产价值评估中将更多地融合多模态数据，如文本、图像、音频等。通过综合分析不同类型的数据，可以更全面、准确地评估无形资产的价值。

深度学习技术的应用

深度学习技术在图像识别、自然语言处理等领域取得了巨大的成功。未来，深度学习技术将在无形资产价值评估中得到更广泛的应用，如使用卷积神经网络（CNN）分析品牌形象，使用循环神经网络（RNN）分析客户反馈等。

智能决策支持系统

AI agents 将与智能决策支持系统相结合，为企业提供更智能、高效的决策建议。通过实时分析市场数据和企业内部数据，AI agents 可以帮助企业及时调整战略，提升无形资产的价值。

挑战

数据质量和隐私问题

数据质量是影响 AI agents 评估准确性的关键因素。在实际应用中，数据可能存在噪声、缺失值等问题，需要进行有效的数据清洗和预处理。同时，无形资产相关数据往往涉及企业的商业机密和隐私，如何在保证数据安全的前提下进行数据共享和分析是一个亟待解决的问题。

模型解释性问题

深度学习模型等复杂模型在无形资产价值评估中具有较高的准确性，但这些模型往往缺乏解释性。在实际应用中，企业和评估机构需要了解模型的决策过程和依据，以便做出合理的决策。因此，如何提高模型的解释性是一个重要的挑战。

法律法规和伦理问题

随着 AI agents 在无形资产价值评估中的广泛应用，相关的法律法规和伦理问题也日益凸显。例如，如何规范 AI agents 的使用，如何保障评估结果的公正性和客观性，如何避免 AI agents 带来的歧视和偏见等问题，都需要进一步的研究和探讨。

9. 附录：常见问题与解答

问题 1：AI agents 评估无形资产价值的准确性如何保证？

解答：为了保证 AI agents 评估无形资产价值的准确性，需要从以下几个方面入手：一是确保数据的质量，对收集到的数据进行清洗和预处理，去除噪声和缺失值；二是选择合适的算法和模型，根据数据的特点和评估的需求选择合适的机器学习算法和模型；三是进行模型评估和优化，使用测试数据对模型进行评估，根据评估结果对模型进行优化和调整。

问题 2：AI agents 在无形资产价值评估中需要哪些数据？

解答：AI agents 在无形资产价值评估中需要的数据包括市场数据（如行业报告、市场交易价格等）、企业内部数据（如财务报表、专利信息等）和社交媒体数据（如品牌口碑、客户评价等）。不同类型的无形资产可能需要不同的数据，例如评估品牌价值可能需要更多的市场数据和社交媒体数据，评估专利技术价值可能需要更多的企业内部数据和行业技术数据。

问题 3：AI agents 评估无形资产价值的成本高吗？

解答：AI agents 评估无形资产价值的成本主要包括数据收集和处理成本、模型训练和优化成本、硬件设备成本等。在实际应用中，成本的高低取决于具体的评估需求和应用场景。如果数据量较小、模型较简单，成本可能相对较低；如果数据量较大、模型较复杂，成本可能相对较高。但随着技术的发展和普及，AI agents 评估无形资产价值的成本有望逐渐降低。