AI发展历程深度解析：从神经元到智能体

本文将追根溯源，从历史发展的视角梳理人工智能的诞生脉络，解析其数十年演进中的关键变革。文章将详细介绍发展过程中涌现的众多细分技术模块及其关联，帮助读者构建对AI技术体系的系统性认知（限于篇幅，不会对单一技术做垂直深入探讨）。最后，笔者将结合亲身参与的AI项目案例，探讨如何更有效地应用AI为业务创造价值，并展望其未来前景。

在信息爆炸与互联网飞速发展的当下，AI已成为全球最炙手可热的科技话题。我们每天被海量的大模型、智能体与行业应用资讯包围，仿佛被推至AI变革的风口：不主动拥抱，便可能落后。然而，AI技术体系庞杂，专业术语繁多，许多尝试者或许未曾深入思考：究竟什么是AI？如何与自身业务结合应用？AI的未来又将走向何方？

一、前世：AI出现前

1、唯一的高等智慧动物-人类

人类自人猿形态出现，历经数百万年进化，最终站上地球食物链顶端，成为唯一具备高等智慧的生物：拥有复杂的语言体系、推理与抽象思维、创造发明能力以及独特的多文明体系。

这一切的背后，是人类大脑的独特性。它支撑着抽象思维、推理、语言创造、知识学习与传承、发明创造及文明建立等多维度的“智能”能力。

（人类大脑的简要结构图-图片来源于AI生成）

除了左右脑分区，图中还涉及树突、轴突等专业名词，它们正是大脑“神经元”的组成部分。人类大脑拥有近860亿个神经元，负责所有信息的处理与传递，所有大脑活动都依赖于它们的协同工作。正是这些神经元网络，使人类具备了感知、思维、情绪、运动控制、语言交流等多维度的智能能力。

（人类大脑“神经元”的工作原理-图片来源于AI生成）

在数百万年的发展中，人类凭借大脑的智能，创造了语言与文明。然而，人类也逐渐认识到大脑的局限：尽管强大，但其记忆与计算效率并不理想。例如，背诵大量数字或进行重复计算对人脑而言相当困难。于是，一个想法萌生：能否解放大脑，让机器替代人类完成部分工作？

2、第一台计算机诞生

（第一台计算机诞生-图片来源于AI生成）

这催生了第一台计算机的诞生。1946年，由莫奇利和埃克特发明的计算机，革命性地解决了“快速计算、精准存储”的问题。但它存在一个关键缺陷：只会“听话”，不会“思考”。它能迅速执行一千次乘法指令，却无法思考乘法的内在规律或关联，以便未来更高效地计算。

后来，科学家们发现，人类大脑的强大之处不仅在于拥有860亿个神经元，更在于这些神经元像“亿级路由器”般互相连接，形成了极其复杂的“神经网络”。正是“神经网络”赋予大脑自我学习与提炼规律的智能能力。于是，他们设想：能否模仿神经网络，构建一个“机器神经网络”？这便构成了AI的雏形。

二、今生：AI初生期（1956-1989）

1、AI概念定义

1956年的达特茅斯会议上，约翰·麦卡锡等科学家首次提出了 “人工智能（Artificial Intelligence， 缩写为AI）” 这一专业术语，明确了 “让机器模拟人类智能” 的研究目标，标志着AI成为一门独立的学科。

那么，什么是“人工智能（AI）”？

其定义已然明确：人工智能（AI）是让机器模拟人类智能的技术总称。

随之而来的问题是：什么又是 “人类智能”？结合上一章节，我们可以简要概括为：让机器具备“感知、思考、决策、执行”的能力。

（过马路示意-图片来源于AI生成）

让我们通过“过马路”的例子，具体解释这四个环节：

• “感知”：对人类而言，我们依靠眼睛和耳朵等器官。过马路时，我们能看到红绿灯的变化，听到汽车的鸣笛声。“看”和“听”就是我们的“感知”能力，用以获取环境信息。
• “思考”：获取信息后，大脑会进行分析推理。看到红灯，我们推断出“需要等待”，这便是“思考”过程。
• “决策”：面对红灯，我们实际上有多种选择（如“闯红灯”或“等待”）。最终基于安全考量选择“等待绿灯”，这就是“决策”。
• “执行”：做出“等待”的决策后，当绿灯亮起，我们迈步走过人行道，这个身体动作过程就是“执行”。

人类的“感知、思考、决策、执行”共同构成了“智能”。但要让机器具备这些能力，首要难点是什么？最大的障碍在于机器不懂人类语言，更遑论分析、推理和思考。此时，另一个学科恰逢其时地介入：自然语言处理（Natural Language Processing， 缩写为NLP）。

2、自然语言处理（NLP）

自然语言处理（NLP） 并非AI诞生后才出现。在第一台计算机问世的1950年，图灵就提出了著名观点：“如果一台机器能通过文本对话让人类无法分辨它是人还是机器，那它就具有了智能。” 这其实正是NLP的终极目标。AI的诞生为NLP的发展提供了绝佳契机，使其成为AI早期发展最重要的辅助模块之一。

那么，究竟什么是 “自然语言处理（NLP）”？

首先，“自然语言”指的是 “人类在日常生活中自然发展和使用的语言”，如甲骨文、现代各国语言及方言等，但通常不包括编程语言。而 “自然语言处理（NLP）” 就是：让计算机能够理解、解释、操纵和生成人类的自然语言。通俗地说，就是教计算机“听懂人话、说人话、看懂文字、写出人能懂的内容”。

我们通过几个例子来简单理解：

1. 人与人之间的语言沟通通常是这样的：

（图片来源于《深度学习进阶-自然语言处理》）

2. 而人与动物之间，动物无法理解人类语言（这是有待突破的科学难题）：

（图片来源于《深度学习进阶-自然语言处理》）

3. 设想一下，借助自然语言处理（NLP），人类与机器之间可以实现沟通：

（图片来源于《深度学习进阶-自然语言处理》）

3、AI初生期案例分析

在自然语言处理（NLP） 的辅助下，AI得以在一些初步场景中应用，例如早期的机器翻译：

（早期机器翻译原理示意-图片来源于AI生成）

可以看到，早期机器翻译依赖于预先构建好的词典、语法规则库、转换规则等，这些固定的规则库决定了翻译的具体实现。

下面我们用一个具体例子来说明：

The apple is red.

这个英文句子很简单，我们看看机器翻译的原理：

第一步：查词典

计算机会将句子拆分成单词，然后在一个庞大的电子词典中查找每个词的意思。

英文单词	词典里给的主要中文意思
The	这/这个/那（通常放在最前面）
apple	苹果
is	是
red	红色的

至此，计算机得到了一组中文词汇：【这】【苹果】【是】【红色的】。

第二步：调整顺序

计算机会应用一条简单的语法规则：英语的 [主语] + [is] + [形容词] 结构，对应中文的 [主语] + [是] + [形容词] + 的。

它发现 The apple 是主语，is 是系动词，red 是形容词，完美匹配规则。
于是，它按照规则排列这些词汇。
最终翻译结果：这苹果是红色的。

问题暴露：哪里不对劲？

这个翻译对吗？字面意思和语法似乎都对，但有一个地方不够好：

• 不地道的表达：虽然“苹果是红色的”语法正确，但在日常口语中，我们更常说“这个苹果是红的”或直接说“苹果很红”。机器无法理解这种语言习惯和微妙差异。

这个简单例子揭示了根本缺陷：

• 缺乏灵活性：机器只会死板地应用规则，无法像人一样根据语境、上下文或情感产出更贴切的翻译。
• 没有“语感”：它不知道什么样的中文听起来更地道自然，因此产出内容往往显得生硬。

4、AI初生期小结

通过这个机器翻译的例子，我们可以看到，在AI初生期（1956-1989），尽管有自然语言处理（NLP） 的加持，AI基本都是在僵硬地执行人类预设的规则，缺乏灵活性。

如果将AI比作人类，这一阶段的AI最多算是一个只会死记硬背的小学生，不懂变通。一旦遇到超出其记忆范围的内容，便一无所知。我们暂且将这一阶段的AI称为 “规则式AI”。

这也正是AI后续发展的核心驱动力。

三、今生：AI成长期（1990-2016）

在规则式AI的局限性推动下，AI进入了成长期。

1、机器学习出现

这一阶段，一个关键概念登上舞台：机器学习（Machine Learning， 缩写为ML）。

什么是机器学习？让机器从数据中自行学习规律，而不仅仅依赖人类编写的固定指令。

与之前的“规则式AI”相比，机器学习让机器不再死板。它不依赖于人类给定的规则，而是通过分析海量数据，自行寻找规律，然后加以应用。

2、AI成长期案例分析

我们用一个日常工作场景中常见的例子来说明：垃圾邮件过滤系统。

（垃圾邮件示意-图片来源于AI生成）

如果在AI初生期（1956-1989），
只能按照既定规则处理，例如：

• 如果邮件标题出现“免费”，就标记为垃圾邮件。
• 如果发件人地址包含“spam”，就标记为垃圾邮件。
• 等等...

这种方法的缺点非常明显：

• 难以防范变种：例如，“免费”可能写作“免-费”或“Free”，规则即刻失效。你需要不断发现新套路，手动添加新规则。
• 可能误杀正常邮件：例如，朋友发来标题为“有个免费的讲座你想参加吗？”的邮件。

那么，在AI成长期（1990-2016），我们可以怎么做？

第一步：准备“学习资料”
你提供给机器大量已分类的邮件：

• 1000封已知的垃圾邮件（标记为“垃圾”）
• 1000封已知的正常邮件（标记为“正常”）

第二步：让机器自己“找规律”
机器开始分析这些邮件，并进行统计。
它会自动发现：

• 在“垃圾邮件”中，词语“免费”、“优惠”、“发票”出现的频率极高。
• 在“正常邮件”中，词语“会议”、“项目”、“放假”、“通知”出现的频率极高。
  最终，机器形成了一套自己的判断标准。

第三步：实际运作
这时，一封新邮件到来，标题是“关于国庆放假的通知”。
机器分析邮件内容。
它发现，“放假”、“通知”这些词在其记忆里，与“正常邮件”的关联度非常高。
而“免费”、“优惠”等垃圾邮件高频词一个都没出现。
于是，机器判定：这是一封正常邮件。

（垃圾邮件技术原理-图片来源于AI生成）

通过这个案例，我们发现有了机器学习的加持，AI从“规则式”应用升级为结合“AI模型分析”，机器开始能够自己学习、自己总结规律了。

3、AI模型出现

机器通过学习总结出的规律，本质上就是 AI模型（Model）！

那么，什么是AI模型？一个通过大量数据训练出来的、能够识别特定模式或规律的数学函数或程序。 通俗地说，就是从数据中提炼出的 “规律”或“经验”本身。

AI模型的三大核心要素：

• 输入：接收新数据（如收到一封新邮件）
• 处理：运用学到的规律进行计算或判断
• 输出：产生结果（判断邮件是否为垃圾邮件）

4、机器学习方法：监督学习

我们给了机器2000封已分类（“正常”或“垃圾”）的邮件，让它根据标注好的结果去学习总结规律，这其实是机器学习的一种方法！

我们将这种方法称为 “监督学习”，即：提供给机器学习的训练数据都带有明确的“标签”（如标注好“垃圾”还是“正常”）。

当然，还存在其他机器学习方法，我们将在后续章节介绍。

5、AI成长期小结

如果继续将AI比作人类，这一阶段的AI可以看作是一个靠刷题总结规律的中学生： 例如，针对生物这门课，他刷了大量带答案的题目，能自己总结出解题方法，再遇到同类题目时便能得心应手。

通过统计大量数据总结规律，我们可以将这阶段的AI称为 “统计式AI”。

但是，一个关键问题出现了：
这位中学生刷的是某一学科的题，虽然精通此科，但可能偏科。如果遇到从未训练过的物理题，他可能依然束手无策。

回到AI成长期，虽然AI通过机器学习变得更强大——在给定数据范围内能自我学习，但一旦超出其训练数据领域，它便无能为力。这是该阶段AI发展面临的核心瓶颈，而这一瓶颈将在下一发展阶段中被打破。

四、今生：AI爆发期（2017年至今）

AI成长期的“偏科”问题亟待解决，如何让AI模型具备更广泛的知识和能力？

1、AI模型架构演进

我们仍以“垃圾邮件过滤系统”为例进行回顾和延伸分析：

如果在AI初生期（1956-1989）：
按既定规则处理，如：标题含“免费”即标记为垃圾邮件。方法死板，未使用模型。

如果在AI成长期（1990-2016）：
通过机器学习（监督学习） 训练出AI模型（常用“朴素贝叶斯模型架构”），让模型自行判断。看似更高效，但存在缺点：它是一个“拆词专家”，将邮件拆成零散的词，不关心词序和句义。例如，“钱转给你”和“你把钱转走”对它来说都是包含“钱”、“转”的词，无法理解前者是正常收款，后者可能是诈骗预警。

这时，RNN架构（循环神经网络）出现了：
它不再拆散邮件，而是尝试逐词阅读整个句子，并努力记住前面读过的内容。它有了初步的“上下文”概念，能理解一些简单句子结构。但关键问题在于它有“健忘症”！如果邮件很长，读到结尾时可能早已忘记开头内容，导致误判。

为了解决“健忘”问题，CNN架构（卷积神经网络）出现了：
它每次只关注相邻的几个词。例如，看到“难以置信的”和“优惠”时，能敏锐察觉这是广告短语；看到“验证您的”和“账户”，能识别可能是安全提示。这种方式效率高（可并行处理多个相邻词），擅长捕捉局部特征，变相缓解了“健忘”问题。

但存在一个关键缺陷：它无法同时关注邮件全文。 例如，一封邮件可能开头是长篇正常商务沟通，仅在结尾巧妙植入诈骗链接，它可能因前面都是正常局部信息而放过，难以理解邮件的整体逻辑和核心意图。

简单总结：以上AI模型通过架构优化，能力逐步提升，但仍存在明显缺陷：仅看关键词、处理长文效率低、缺乏全局观。

2、Transformer架构出现

正因这些缺陷，2017年，Google研究团队发表了论文《Attention Is All You Need》，正式提出了 Transformer架构。

我们来了解Transformer架构如何工作，仍以垃圾邮件过滤为例：

假设有一封可疑邮件：“尊敬的客户，恭喜您获得10W奖金！请点击唯一链接 http://xxx.com 领取”

第一步：同时查看所有关键信息（并行处理）
以前的RNN需逐字阅读，而Transformer架构能瞬间看到所有词。

第二步：划重点并分析（自注意力机制）
它会给词与词之间建立“关联线”。例如，“奖金”与哪个词关联最强？它会发现“奖金”与“链接”、“领取”关联非常紧密。这种“中奖-链接-领取”的模式，高度符合其知识库中的“诈骗典型特征”。

第三步：全局推理，看穿意图
它理解了整封邮件的逻辑：“这是一封群发邮件，以虚假巨额奖金为诱饵，最终意图是诱导点击可疑链接。” 它理解的是整体意图，而非机械匹配关键词。

第四步：做出最终决定
它极有把握地得出结论：“这是一封钓鱼诈骗邮件！”并将其归入垃圾箱。

通过这个例子，我们看到采用Transformer架构的过滤器，通过 “自注意力机制” 做出了精准判断。所谓 “自注意力机制”，通俗理解即：模型在处理信息时，能瞬间看到所有元素，并智能判断哪些元素之间的关系更重要。

正是Transformer架构的革命性突破，成为引爆AI爆发期最关键的技术基石。

3、AI大模型出现

有了Transformer架构，AI模型得以实现革命性改进。基于此，OpenAI在2018年推出了生成式模型：GPT-1，它拥有1.17亿个参数。这里的“参数”是什么？回顾第一章，人类大脑的强大在于数百亿“神经元”构成的“神经网络”。AI模型的“参数”就类似于神经网络中的“神经元”。

此后发展迅速，OpenAI相继在2019年推出GPT-2（参数增至15亿），在2020年推出GPT-3（参数规模达到1750亿）。

随着参数规模不断扩大的AI模型出现，AI成长期模型“偏科”的问题开始得到解决，目标是让AI模型具备更通用、更强大的知识储备，以覆盖多领域。

基于此，大模型（Large Model， 缩写为LM）由此诞生！

那么，什么叫大模型？基础定义为：大规模人工智能模型。

“大规模”具体指什么？即泛指参数规模巨大的模型。通常将参数规模在10亿以上的视为入门级大模型。但发展至今（2025年），我们通常将参数规模在100亿以上的算作大模型，例如混元大模型旗下的TurboS模型参数量为5600亿。

4、大模型、中模型、小模型

既然有大模型，是否也有小模型和中模型？当然有！ 下表简要比较了三者的差异：

实际上，中小模型在特定场景下也非常高效。但对于大多数读者而言，无论是工作还是生活场景，大模型的应用最为广泛，因此我们继续聚焦大模型本身。

5、大语言模型

在AI初生期，AI与“自然语言处理（NLP）”相辅相成，因为人类最初对AI的探索大多从自然语言处理切入。大模型出现后，其最初形式便是 大语言模型（Large Language Model， 缩写为LLM）：

• Large（大）：指参数数量巨大，同时也指训练数据量巨大。
• Language（语言）：指自然语言。
• Model（模型）：能识别特定模式或规律的计算模型。

2020年推出的GPT-3是名副其实的大语言模型（1750亿参数）。随后持续演进，OpenAI在2023年正式推出GPT-4（参数量更大），且更强大之处在于：GPT-3仅能处理文本，而GPT-4既能处理文本也能处理图像。类似的大语言模型还有如混元TurboS、DeepSeek等。

6、除了大语言模型还有哪些模型？

大语言模型是AI大模型早期、最核心和基础的形式。后续发展中，文生图、文生视频等模型层出不穷，类别已远超纯语言模型。下图展示了整体的大模型生态：

（大模型宇宙）

7、机器学习方法：无监督学习

回顾AI成长期，“机器学习”概念开始出现，通过机器学习（当时采用监督学习）让机器自我学习总结规律，得到AI模型。

那么，像GPT这样的大模型是如何“预训练”出来的呢？

实际上，同样运用了机器学习，但可能更“深度”。这里的“深度”主要指：在机器学习过程中包含多个层级或步骤，每一步学习不同规律，从简单到复杂，逐步深入。由于大模型参数和海量训练数据，我们不能再像以前那样仅提供少量标注数据。通用大模型需要“学习”互联网上的几乎所有知识，人工无法为每条知识标注对错，只能将海量知识“喂”给机器，让它自行总结规律，判断“正确”或“错误”（这在监督学习中本应由人工完成）。

这种机器学习方法，我们称之为 “无监督学习”。

8、深度神经网络、深度机器学习和传统机器学习

由于大模型巨大的参数量和训练量，需要更复杂的网络结构支撑。前面提到的RNN、CNN、Transformer等，都属于 “深度神经网络” 的范畴。有了深度神经网络的支撑，我们通常将大模型预训练所采用的机器学习范式称为 “深度机器学习”，也可简称为 “深度学习”。而回顾AI成长期所用的机器学习，我们可称之为 “传统机器学习”。

9、以ChatGPT、SD等案例分析

至此，大模型技术已较为成熟。不仅有GPT系列，还有Google的Gemini、百度的文心一言、阿里的通义千问以及腾讯的混元等。但对普通互联网从业者而言，这些模型似乎仍有距离，直到2023年ChatGPT正式问世！

（ChatGPT聊天界面-图片来源于AI生成）

用户可以通过ChatGPT与AI对话，感受其知识的广博与强大，同时不乏趣味性。人们首次在应用层真切体会到大模型带来的帮助：可以询问任何未知领域的问题，也能让其辅助工作提效。

这奠定了近几年AI爆发的切入点：大部分基于大模型的AI应用都以对话形式呈现，如ChatGPT、豆包、元宝等，很重要的原因在于对话是最直接、最自然的交互方式。

当对话体验变得习以为常，人们或许会想：AI大模型的能力是否仅止于此？终究只是在“聊天”？

几乎与ChatGPT同期，Stable Diffusion（缩写为SD） 面世。SD是一个文生图大模型，不再是传统的文本对话，而是可以根据输入的文本生成图像（同期还有Midjourney，前者开源，后者闭源）。

（Stable Diffusion界面-图片来源于AI生成）

类似SD、Midjourney这样的文生图模型，需要输入一段文本指令来生成图像，这段文本就是 提示词（Prompt）。我们来看例子：

（Prompt：一只猫在吃饼干-图片来源于AI生成）

（Prompt：写实风格，在一个阳光明媚的早晨，一只金渐层猫在草地上，用爪子拿着一块饼干往嘴里吃-图片来源于AI生成）

10、提示词工程

提示词工程是一门与AI有效沟通的艺术。通过以上例子可以总结一个基本原则：你给AI的提示词越清晰、越具体，得到的结果就越好。掌握这项技能，能更充分地释放大模型的潜力。

通过文生图体验，我们发现基于AI大模型已不仅能生成文本，还能生成图片！

但一个关键问题随之而来：
仅通过文本输入，如何确保生成的图片完全符合预期？例如，希望生成的猫与自家宠物一模一样，仅靠文本描述很难实现...

那么，有没有解决办法？

当然有，我们直接看例子：
这是笔者家的猫（一只美短，名叫“小白”）：

将“小白”的照片提供给AI大模型，同时配上一段提示词，生成相关图片：

（Prompt：写实风格，在一个阳光明媚的早晨，“小白”在草地上，用爪子拿着一块饼干往嘴里吃-图片来源于AI生成）

可以看出，生成的图片更符合预期。但请注意，我们向AI同时输入了文本和图片（小白的照片），而AI输出了一张新图片。这与之前的纯文本ChatGPT体验完全不同！（注：最新的ChatGPT已支持多模态输入，基于GPT-4o等模型）。
我们甚至可以同时输入图片和文字，让AI生成视频。

11、多模态、单模态

这种能同时处理文本和图片输入的方式，正是AI大模型的 多模态（Multimodal） 能力！

那么，什么是多模态？我们先回顾AI模型的三要素：

• 输入：接收数据
• 处理：运用规律进行思考、推理
• 输出：产生结果

我们关注输入和输出环节。可以将多模态定义为：在输入或输出端，能同时处理、理解和关联多种不同类型信息（如文本、图像、音频、视频）。上例中，大模型在输入端同时接收了文本和图像信息，经理解推理后，在输出端生成了新的图片或视频。

对应地，还有 单模态（Unimodal），即：在输入和输出端分别专注于一种类型的信息处理。例如之前提到的GPT-3、GPT-4及早期的混元TurboS等，都是单模态大模型，因为其输入输出仅限于文本。下图简要说明了“单模态”与“多模态”的区别：

（“单模态”和“多模态”对比）

12、开源、闭源

大模型除了按模态区分，另一个重要维度是“开源”与“闭源”。例如同期文生图模型既有开源的SD，也有闭源的Midjourney。那么，开源和闭源有何区别？

“开源”与“闭源”并无绝对优劣，它们共同推动了AI领域的飞速发展。开源是创新的源泉，闭源是商业化应用的标杆。对于个人尝试而言，最重要的是根据自身需求、技术能力和资源，做出最合适的选择。

13、智能体的出现

了解大模型后，我们发现无论是使用单模态的ChatGPT对话，还是用多模态的ChatGPT“文+图”生图，都已是在应用层使用AI大模型。

那么，我们能否用ChatGPT策划一次旅行并做好预算？

你： “帮我策划一次三亚旅行”
ChatGPT： “好的，为您规划一个三亚5日游的行程框架供参考...”
它可能会输出一个非常笼统的模板式行程，如：

• Day 1: 抵达三亚，入住酒店，附近海滩漫步。
• Day 2：...

你发现的问题： 这太泛泛而谈，完全没有考虑你的预算、偏好，而且信息是静态的，没有实时价格。

你： “这个行程太简单了。我需要一个更详细的计划，包括具体的航班时间、酒店名称和价格参考。我的预算人均是8000元。”
ChatGPT： “好的，基于人均8000元的预算，这是一个更详细的计划示例...”

• “航班：可选择北京-三亚的XX航空，参考价格1500元往返。”
• “酒店：可入住XX酒店海景房，参考价格600元/晚。”

你发现的问题： 价格可能是过时的，它无法联网获取实时价格；需要你自己验证信息；决策点又抛回给你。

你会发现，所有规划（先查什么、后查什么、如何取舍）都需要你来思考和发出指令。

那么，是否存在一种AI，你只需告诉它一个目标，它就能自主规划、执行，直到呈现结果？

当然有，这就引出了 “智能体（Agent）” 的概念！实际上，“智能体”概念并非近年才出现，早在AI成长期之前已有基础定义（学者伍尔德里奇和詹宁斯）：智能体是一个位于特定环境中的计算机系统，它能够自主行动，以实现其设计目标。

（“智能体”演进）

另一个更易理解的定义是：能够感知环境、进行决策，并自主采取行动以实现某种目标的系统或程序。

我们发现 “智能体” 的几个关键因素是：“感知”、“决策”、“目标”、“自主行动”。那么，之前我们用ChatGPT输入提示词生成一张图，这时的ChatGPT是智能体吗？我们来简单分析：

显而易见，仅通过“文生图”的ChatGPT并不算一个完整的“智能体”，最多算是“智能体雏形”，或可称为一个“应用”或“工具”。

“智能体”的“自主行动”通常较难理解，我们再通过一个生活化例子说明：

场景一：指挥一个“听话的助手”（非自主）
你对他发出系列精确指令：“小C，打开冰箱。”，“拿出西红柿和鸡蛋。”，“打开燃气灶。”... 这个助手能干，但没有自己的主意，完全依赖你的指挥。这就是“自动化”，缺乏自主行动。

场景二：交给一个“靠谱的私人助理”（有“自主行动”的智能体）
你对他说：“小王，我有点饿了，帮我做顿饭吃吧。然后你就可以去忙别的事了。”
这个“小王”（智能体）会展现出真正的“自主行动”：

• 他内心盘算：“老板饿了。我得先看看冰箱里有什么，然后决定做什么，再动手。”（感知与规划）
• 他自己决定打开冰箱查看食材。（感知）
• 他发现有意面、西红柿和牛肉，自己决定做番茄肉酱意面。（决策）
• 他自己决定步骤顺序，并能应对变化（如发现盐用完，用酱油代替；意面煮多，留作次日午餐）。（动态调整与灵活处理）
• 最终交付结果，并汇报处理情况。

我们可以简要总结， “自主行动” 即：“扔给它一个目标，它自己能制定计划、执行过程、应对变化，最终交付结果”的能力。

设想一下，如果ChatGPT在收到“生成一张猫吃饼干的图片”指令后，能主动思考：“什么猫？什么饼干？什么场景更合适？”，然后通过调用工具或方法生成多张备选图片供你选择，并可基于你的反馈持续优化。这样的方式，是“智能体”吗？

答案是：当然是！ 它完美满足了“目标”、“感知”、“决策”、“自主行动”等关键维度定义。（可参考最新豆包等产品的文生图体验，它们已具备智能体特性）

聊了这么多智能体的基础定义，是为了让大家清晰理解什么是智能体。

那么，“大模型”和“智能体”究竟有何关系？
通俗地讲， 大模型 就像一个 无所不知、超级博学的大脑，而 智能体 则是拥有这个大脑后，还 拥有了手和脚（行动能力），能通过感官获取信息，经思考决策后主动完成复杂任务的 “全能机器人”。

简要总结：

• 大模型是智能体的“能力基础”：没有大模型，智能体就不会理解和思考，只能机械执行固定指令。
• 智能体是大模型的“落地延伸”：仅有大模型只能“纸上谈兵”，智能体通过搭配工具、设定目标，让大模型的能力从“说”变成“做”。
• 两者是“分工协作”：大模型负责“想清楚”，智能体负责“做到位”。

14、如何开发一个智能体应用？

如果我们想自己开发一个智能体应用，该怎么做？过程中会遇到哪些问题？

下面笔者以今年参与的三个AI项目为例简要分享，分别是：瓦手AI放号官、瓦手AI抢ID、英雄联盟AI赛事助手。

今天主要分享之前未提及的内容。以笔者负责的三个项目为例，开发一个智能体应用大致流程如下：

1. 需求确认及策划：明确项目目标，想通过AI解决什么问题或提升什么体验。
2. 技术选型及架构设计：选择大模型（智能体的大脑）、智能体平台/框架、工具链。
3. 核心开发：具体开发过程。
4. 智能体调优及测试：采用何种方法调优智能体？
5. 项目上线运营与迭代：持续运营及优化迭代。

将三个案例按此流程简要分析：

大家会发现，开发智能体项目最关键环节在于需求确认及策划、技术选型及智能体调优。而智能体调优又是重中之重。

为什么“智能体调优”最重要？因为AI智能体应用的效果是否符合预期，极大程度上取决于调优是否到位。上述三个项目的调优方法基本一致，说明对于大部分智能体应用，调优方法具备一定通用性。提示词工程前文已提及，我们重点关注两个新出现的专业术语：“RAG”和“微调”。

15、检索增强生成（RAG）

检索增强生成（Retrieval-Augmented Generation， 缩写为RAG），拆分解释如下：

• 检索：从外部知识库中查找与问题相关的信息。
• 增强：用检索到的信息来“增强”或“补充”大模型的知识。
• 生成：大模型基于这些补充信息，生成更准确、可靠的答案。

通俗易懂的解释是：智能体的大脑（大模型）在输出内容前，先让它主动去一个庞大的知识库（如文档、数据库、互联网）中“查阅资料”，然后根据查到的资料来组织和生成答案。

如果一个智能体没有RAG，就像一个闭卷考试的学生，只能依靠记忆（预训练知识）答题。一旦问题超纲，就可能答错或“胡编乱造”。

如果给智能体加上RAG，就像一个开卷考试的学生，遇到问题时可以先翻阅教科书和笔记（检索外部知识库），然后结合自身理解（模型推理能力），写出有据可查、内容准确的答案。

（瓦手AI项目建立的知识库-小部分示意）

16、微调：基于监督学习和强化学习

在智能体调优中，提示词工程、RAG等方法主要改变的是模型的输入阶段。要更好地优化输出，还需用到：微调。提示词、RAG改变了输入环节，而微调则本质上是改变AI模型本身（对于开源模型是调整模型副本参数，对于闭源模型则可能是调整其“适配层”）。

（瓦手AI项目基于人工反馈的监督学习）

而强化学习则是让智能体通过试错，自己学会一整套“决策链”或“策略”，以最大化长期奖励。

我们以训练狗狗的例子说明强化学习：

1. 小狗听到指令“坐下”。
2. 它尝试趴下（动作）。
3. 驯兽师没有给零食（无奖励）。
4. 小狗又尝试坐下（新动作）。
5. 驯兽师立刻给予零食（奖励）。
   通过无数次尝试，小狗学会了策略：听到“坐下”指令时，执行“坐下”动作能最大化获得零食的长期收益。

监督学习是给模型标准答案（标注好坏案例）。但当数据量极大时，人工标注不现实。基于人工反馈的强化学习（RLHF） 则是更高效的方法：训练一个评分奖励模型，让AI学习这个评分标准，通过不断学习生成高分结果，从而达到预期效果。

以上智能体调优方法，目的都是让AI应用更符合预期，例如回答更准确、更富趣味性。

17、大模型的幻觉问题

然而，项目过程中仍会发现AI回答并非100%正确，这就是大模型的 “幻觉”问题：大模型生成看似合理但事实上错误、荒谬或虚构信息的行为，简单说就是AI在一本正经地胡说八道。

上述智能体调优方法，一定程度上正是为了缓解“幻觉”问题。幻觉产生的主因是，当期待AI输出的内容超出其认知边界时，它可能开始编造或出错。

除了RAG、提示词工程、微调等方法，我们还可以采取其他策略来提升准确性：

• 答案溯源：要求模型在生成答案时，注明引用的源文，便于二次校验。
• 自我批判：让模型对自己生成的答案进行一次自我审查。
• 高准确性信息采用固定信源：例如，让AI赛事助手查询固定的赛事接口数据，而非进行开放式联网搜索。

简要总结：幻觉是当前大模型的通用问题。我们所有的调优手段（RAG、提示词工程、监督微调、RLHF等），其重要目标之一就是最大限度地管理和减少幻觉，但尚无法完全根除。因此，除了优化AI输入，对AI的输出也应保持审慎态度，这是每位AI从业者应有的重要意识。

18、AI爆发期小结

AI爆发期，从2017年至今短短数年，经历了飞速发展。大模型百花齐放，智能体应用层出不穷。这一阶段（也是我们正在经历的）的AI，可以看作是一个读遍天下书的大学生，拥有丰富的知识积累和一定的实践经验。下一阶段，它将走向社会，成为职场专业人员，将知识与经验更好地应用于实际场景。我们可以将这阶段的AI称为 “深度学习/大模型AI”。

五、未来

不知大家是否关注了2025英伟达GTC大会，其中揭示了AI未来更具想象空间的模块，如AGI（通用人工智能）、具身智能、量子计算、6G、人机协同等，感兴趣的同学可以深入了解。

笔者也分享个人的AI观：从历史时间线看，AI发展已数十年，但真正爆发仅近几年。其背后是数据、算力、算法三大要素的逐渐成熟：

• “数据”：几十年来，生活、工作方式全面数字化，积累了海量数据。
• “算力”：云计算、GPU等持续迭代革新，为AI提供了坚实基础支撑。
• “算法”：以 Transformer架构 为代表的深度学习技术为大模型提供了无限可能。

在这三大要素加持下，AI从最初的自然语言处理，扩展到对多维物理世界（图像、视频、音频等）的处理。应用形态也从最初的内容生成（AIGC），扩展到辅助办公（编码、美术、产研提效等），再到各垂直行业（医疗、教育等）的初步探索。

在整个发展历程中，
AI从最初的 “规则式AI” 演进为 “统计式AI”，再发展到今天的 “深度学习/大模型AI”。
若将AI想象成人类，它也从小学生成长为了大学生。

而大部分互联网从业者可能还停留在AI的应用层面，或看到AI出现便急于尝试。但更多时候，我们需要思考的是：为什么要用AI？AI现在能做什么以及未来能做什么？用了AI能改变什么？如果不用AI又会怎样？

在未来，AI将不再仅仅是一个工具，更是我们重要的“伙伴”。技术的演进永无止境，更多前沿的探索与实践，可以在 云栈社区 这样的技术交流平台中找到灵感与答案。