人工智能（AI）已不再是科幻小说中的概念，它正以惊人的速度渗透到各行各业，正在改变着企业的运营模式、市场竞争力以及客户体验。

GPT的CEO山姆·阿尔特曼（Sam Altman）最近也提到了2025年，人工通用智能（AGI，Artificial General Intelligence）有可能会出现（AGI指的是一种能够执行任何人类智能任务的人工智能系统。AGI具有跨领域的适应性和推理能力，能够在不同情境下像人类一样进行推理、学习、创造和决策。） 作为一名企业老板，你可能已经意识到，AI技术在未来将是企业发展的重要推动力。那么，如何找到AI与自己行业的结合点，实现AI的最大价值，成为了摆在许多企业老板面前的一个关键问题。

本文将通过系统性分析，帮助你从理解AI技术到找到行业痛点，最终实现AI的业务落地，找到最适合你企业的AI应用路径。

1. 理解AI的核心能力：找准技术的应用场景

AI技术本身并不复杂，它的核心能力可以归结为几大领域，每一项能力都能为不同的行业带来价值。作为企业老板，首先要对AI的基本能力有一个清晰的了解，才能找到与行业的结合点。

1.1 数据分析与预测

AI最强大的能力之一便是数据分析与预测。AI通过处理海量数据，能够发现隐藏的规律和模式，帮助企业预测未来的趋势。例如，通过分析客户的历史购买行为，AI可以预测未来的需求，从而帮助企业制定更精确的生产和销售计划。

1.2 自动化

AI能够通过自动化技术，帮助企业降低成本，提高工作效率。自动化包括流程自动化（如RPA，机器人流程自动化）、生产自动化等，企业可以通过自动化减轻员工的工作负担，减少人为失误，提升整体效率。

1.3 个性化服务

AI可以根据用户的行为、偏好和需求提供个性化的服务。例如，电商平台通过AI推荐系统，可以根据顾客的浏览历史、购买习惯，推荐符合其兴趣的商品，从而提升转化率。

1.4 图像、语音、文字处理

AI在图像、语音和自然语言处理（NLP）方面也有着卓越的能力。它能够识别图像中的物体、分析语音内容，甚至生成符合人类语言习惯的文本，这些能力为医疗、金融、客户服务等行业带来了广泛的应用前景。

1.5 优化与决策支持

AI还能通过优化算法，提供实时决策支持，帮助企业优化资源配置、降低运营成本。例如，AI可以分析运输路线，帮助物流公司选择最优路径，减少运输成本。

2. 分析行业痛点：明确AI应用场景

找到AI与行业的结合点的关键，是要清楚自己行业的核心痛点，了解AI能够解决哪些问题。以下是一些常见行业面临的挑战及其相应的AI应用场景。

2.1 制造业：提高生产效率与减少损耗

制造业的痛点通常包括生产流程的低效、资源浪费以及设备故障带来的停产损失。AI可以通过预测性维护、智能生产线、质量检测等方式，提高生产效率，减少损耗。AI应用场景：预测性维护：通过AI分析设备运行数据，预测故障发生的时间，提前进行维护，避免生产中断。智能质量检测：AI能够快速扫描产品，识别缺陷，确保产品质量。

2.2 零售与电商：提升客户体验与转化率

零售与电商行业的痛点通常是客户需求难以预测、库存管理困难以及客户体验不一致。AI可以通过个性化推荐、精准广告投放、库存优化等方式提升销售效率和客户体验。AI应用场景：个性化推荐系统：根据顾客的浏览历史和购买行为，AI推荐相关商品，提高顾客的购买率和复购率。动态定价：AI通过实时分析市场需求、竞争对手价格、库存状况等因素，帮助电商平台调整商品价格。

2.3 金融行业：风险控制与客户服务

金融行业的痛点在于风险管理和客户服务的个性化需求。AI能够帮助金融机构预测客户信用风险、识别欺诈行为，同时还能够通过智能客服提高客户服务效率。AI应用场景：信用评分与风险预测：AI通过分析客户的交易历史、信用记录等数据，评估客户的信用风险。智能投顾与客户服务：AI可以根据客户的投资偏好和风险承受能力，提供个性化的投资建议，提升客户体验。

2.4 医疗行业：提高诊断效率与个性化治疗

医疗行业的痛点在于诊断效率低、医疗资源分配不均以及个性化治疗的需求。AI可以通过医学影像分析、智能问诊、个性化药物推荐等方式，提升医疗效率和准确性。AI应用场景：医学影像分析：AI能够快速分析医学影像（如X光片、CT扫描等），帮助医生准确诊断。智能问诊与健康管理：通过自然语言处理技术，AI可以与患者进行对话，了解其症状，并提供初步的健康建议。

2.5 物流与交通：优化运输路径与自动驾驶

物流与交通行业的痛点通常是运输成本高、效率低下以及交通管理的复杂性。AI能够通过智能路线规划、自动驾驶等方式降低运输成本，提升效率。AI应用场景：智能路线规划：AI根据实时交通状况、天气预报、路况等信息，为运输公司制定最优的运输路线。自动驾驶：AI可以帮助运输公司通过自动驾驶技术减少人为错误，提高运输效率。

3. 从业务目标出发：明确AI的价值

在找到AI的应用场景后，企业老板还需要明确引入AI的业务价值。AI可以帮助企业提升效率、降低成本、增加收入、提高客户满意度等。以下是一些常见的AI业务价值目标：提升效率：AI可以自动化繁琐的工作，减少人工成本，提升整体运营效率。增加收入：通过精准的市场预测、个性化推荐等方式，AI可以帮助企业吸引更多客户，提高转化率，增加收入。优化决策：AI能够通过数据分析为管理层提供决策支持，帮助企业做出更加科学、准确的决策。创新服务：AI能够通过新型的技术应用，帮助企业开发创新的产品和服务，提升市场竞争力。

4. 小规模试点与迭代优化

找到AI与行业的结合点后，企业老板应该通过小规模试点来验证AI应用的效果，逐步扩展。试点过程中，企业应密切关注数据变化，评估AI技术对业务的实际影响。试点步骤：选择一个痛点或应用场景进行试点，确保项目目标明确。与技术供应商合作，快速搭建AI解决方案。通过数据跟踪、效果评估，不断优化AI应用。监控效果： 在试点过程中，企业应关注AI是否能真正解决业务问题，提升效率或增加收入。通过对比试点前后的关键指标，评估AI的实际效果。AI与行业结合的未来

随着AI技术的不断发展，它已经从初步的技术应用进入了各行业的深层次变革阶段。作为企业老板，找准AI与行业的结合点，不仅能解决当前的痛点，还能为未来的增长奠定基础。在探索AI的过程中，保持灵活性和迭代思维，才能在激烈的市场竞争中脱颖而出。通过合理的应用AI技术，企业将能够提升效率、降低成本、增加收入，并实现可持续发展。

极客时间训练营推出的“AI大模型快速入门指南”课程，由LangChain开发者、谷歌开发者专家彭靖田主讲，涵盖AIGC、LangChain、Transformer等核心知识点。课程包括4小时视频教学、大模型技术总览、应用开发学习路径等，旨在帮助开发者掌握大模型核心技术，提升在AI时代的个人竞争力。免费课程包括大模型核心原理讲解、配套资料和永久回放，现在可免费领取。（文末扫码领取）

免费入门课主要内容有哪些？

• AIGC是什么？ – 介绍AIGC基本概念和重要性。

• AI相关岗位及薪酬 – 探讨AI领域的不同岗位及其薪资水平。

• AI大模型的时代机遇 – 分析当前AI大模型带来的机遇。

• 提升竞争力 – 如何在AIGC时代提升自己的竞争力。

• AI大模型四阶技术总览 – 包括提示工程、AI智能体、大模型微调和预训练技术。

• 提示工程(Prompt Engineering)

• AI智能体(Agents)

• 大模型微调(Fine-tuning)

• 预训练技术(Pre-training)

• 大模型应用开发学习路径 – 提供学习和发展大模型应用的路径。

• 大模型应用开发技术贯通 – 详细讲解大模型应用开发的知识体系。

• 用户问题解答合集回放 – 收集并回答用户关于大模型的常见问题。

Trend 1 科学的未来：AI4S驱动科学研究范式变革

大模型引领下的AI4S（AI for Science），已成为推动科学研究范式变革的关键力量。2024年，科研人员使用AI的比例快速增加，AI对科学研究方法和流程的变革效应也开始显现。

提升科学研究效率，推动科学研究从聚焦优化特定任务向更复杂、更动态、更交叉的问题发展，大模型赋能下的AI4S都较以往展现出截然不同的效果。2025年，多模态大模型将进一步融入科学研究，赋能多维数据的复杂结构挖掘，辅助科研问题的综合理解与全局分析，为生物医学、气象、材料发现、生命模拟、能源等基础与应用科学的研究开辟新方向。

Trend 2 “具身智能元年”：具身大小脑和本体的协同进化

2025年的具身智能，将继续从本体扩展到具身脑的叙事主线，我们可以从三方面有更多期待。在行业格局上，近百家的具身初创或将迎来洗牌，厂商数量开始收敛；在技术路线上，端到端模型继续迭代，小脑大模型的尝试或有突破；在商业变现上，我们也必将看到更多的工业场景下的具身智能应用，部分人形机器人迎来量产。

Trend 3 “下一个Token预测”：统一的多模态大模型实现更高效AI

人工智能的本质在于对人的思维的信息过程的模拟，人类对于信息的交互和处理，总是呈现多模态、跨模态的输入输出状态。当前的语言大模型、拼接式的多模态大模型，在对人类思维过程的模拟，存在天然的局限性。从训练之初就打通多模态数据，实现端到端输入和输出的原生多模态技术路线给出了多模态发展的新可能。基于此，训练阶段即对齐视觉、音频、3D等模态的数据，实现多模态的统一，构建原生多模态大模型成为多模态大模型进化的重要方向。

Trend 4 Scaling Law扩展：RL + LLMs，模型泛化从预训练向后训练、推理迁移

基于Scaling Law推动基础模型性能提升的训练模式“性价比”持续下降，后训练与特定场景的Scaling law不断被探索。强化学习作为发现后训练、推理阶段的Scaling Law的关键技术，也将会得到更多的应用和创新使用。

Trend 5 世界模型加速发布，有望成为多模态大模型的下一阶段

更注重“因果”推理的世界模型赋予AI更高级别的认知和更符合逻辑的推理与决策能力，这种能力不仅能推动AI在自动驾驶、机器人控制及智能制造等前沿领域的深度应用，更有望突破传统的任务边界，探索人机交互的新可能。

Trend 6 合成数据将成为大模型迭代与应用落地的重要催化剂

高质量数据将成为大模型进一步Scaling up的发展阻碍。合成数据已经成为基础模型厂商补充数据的首选。合成数据可以降低人工治理和标注的成本，缓解对真实数据的依赖，不再涉及数据隐私问题；提升数据的多样性，有助于提高模型处理长文本和复杂问题的能力。此外，合成数据可以缓解通用数据被大厂垄断，专有数据存在获取成本等问题，促进大模型的应用落地。

Trend 7 推理优化迭代加速，成为AI Native应用落地的必要条件

大模型硬件载体从云端向手机、PC等端侧硬件渗透。在这些资源受限（AI算力、内存等）的设备上，大模型的落地应用会面临较大的推理侧的开销限制，对部署资源、用户体验、经济成本等均带来巨大挑战。算法加速和硬件优化技术持续迭代，双轮驱动加速AI Native应用落地。

Trend 8 重塑产品应用形态，Agentic AI成为产品落地的重要模式

2025年，更通用、更自主的智能体将重塑产品应用形态，进一步深入工作与生活场景，成为大模型产品落地的重要应用形态。从Chatbot、Copilot到AI Agent、Agentic AI，2023年以来行业对于AI应用形态的理解越发深入。2023年底，AI Agent应用编排框架收敛，Agentic AI概念被提出。从更强调产品概念的Agent，到更强调应用智能程度的Agentic AI，我们在2025年将看到更多智能化程度更高、对业务流程理解更深的多智能体系统在应用侧的落地。

Trend 9 AI应用热度渐起，Super App花落谁家犹未可知

近一年时间，生成式模型在图像、视频侧的处理能力得到大幅提升，叠加推理优化带来的降本，Agent/RAG框架、应用编排工具等技术的持续发展，为AI超级应用的落地积基树本。大模型应用从功能点升级，渗透到AI原生的应用构建及AI OS的生态重塑。虽然Super APP花落谁家尚未尘埃落定，但从用户规模、交互频次、停留时长等维度来看，AI应用热度持续攀升，已到应用爆发的黎明前夕。

Trend 10 模型能力提升与风险预防并重，AI安全治理体系持续完善

作为复杂系统，大模型的Scaling带来了涌现，但复杂系统特有的涌现结果不可预测、循环反馈等特有属性也对传统工程的安全防护机制带来了挑战。基础模型在自主决策上的持续进步带来了潜在的失控风险，如何引入新的技术监管方法，如何在人工监管上平衡行业发展和风险管控？这对参与AI的各方来说，都是一个值得持续探讨的议题。

科技的曙光将照耀人类前行的路途。这些技术将在激烈的竞争与协作中相互促进，共同谱写人与智能系统共生共荣的磅礴篇章。而我们作为亲历者，将见证科技为人类文明注入澎湃动能，推动人类能力的边界向更高更远处延伸。站在科技的肩膀上，身可高百尺，手可摘星辰。

AI编程的L1-L5分级体系是对AI编程工具自动化能力的分类，从基础的代码补全到全流程开发，体现了AI在软件开发中的不同应用层次。从L1到L5的工具逐步提升软件开发的自动化程度，降低开发门槛，让开发者能专注于更高层次的任务。

AI编程L1-L5的分级介绍

L1：代码补全

• 主要功能：专注于提供代码级别的自动补全，帮助开发者快速输入常见代码片段，简化开发流程，提升效率。

• 代表产品：

• GitHub Copilot：通过智能建议和代码补全功能，简化编码流程。

• Tabby：开源的代码补全工具。

• Codium、Codeium：付费的代码补全工具。

L2：任务级自动化

• 主要功能：能根据自然语言描述生成代码片段，支持功能开发、漏洞修复和代码重构。需要高质量的提示和上下文支持，生成准确的代码。

• 代表产品：

• ChatGPT：基于自然语言描述生成代码片段，支持功能开发、漏洞修复和代码重构。

• Claude：与ChatGPT类似，支持任务级代码生成。

• aider：命令行工具，简化提示生成过程。

• 16x Prompt：桌面应用程序，帮助开发者从LLM中获取高质量代码。

• Cursor、Continue、PearAI：IDE扩展，将LLM集成到开发环境中。

L3：项目级自动化：

• 主要功能：可以生成整个项目的代码框架，从需求文档直接生成初步代码。通过与项目管理工具和代码平台集成，实现需求收集、代码生成和部署的自动化。

• 代表产品：

• Codegen：分析项目需求并生成相关拉取请求。

• Sweep：实现需求收集、代码生成和部署的自动化。

• Pythagora：部分开源，支持项目级自动化。

• v0 by Vercel：生成网站代码，专注于前端开发。

• Tempo by Tempo Labs：项目级自动化工具。

• CerebrasCoder：生成网站代码，专注于前端开发。

L4：从需求到生产

• 主要功能：能实现从产品需求文档到最终生产部署的全流程自动化。可以管理整个开发活动，包括代码部署和生产环境维护，让非技术人员能快速生成完整的软件产品。

• 代表产品：

• Devin：实现从需求到生产部署的全流程自动化。

• Marblism：管理整个开发活动流程，支持非技术人员快速创建软件。

• Genie：Cosine开发，支持全流程开发。

• Engine、devlo、Gru：其他L4工具。

L5：AI开发团队

• 主要功能：是AI编程的最高级别，涉及多个AI代理协作，模拟完整的开发团队，各自负责项目的不同部分。

• 代表产品：

• AutoDev：微软提出的AI开发团队概念，目前处于研究阶段。

• MGX：MetaGPT团队设计，目前处于等待名单阶段。

AI编程L1-L5的应用场景

• L1应用场景：适用于简单的代码编写任务，减少手动输入的时间和错误。

• L2应用场景：处理复杂的开发任务，需要高质量的提示和上下文支持，生成准确的代码。

• L3应用场景：管理简单项目，生成基础代码，需要人工干预确保代码质量。

• L4应用场景：非技术人员可以快速生成完整的软件产品，降低开发门槛，提高开发效率。

• L5应用场景：AI系统能复制整个软件开发团队，在软件创作的各个方面进行编程和协作，实现高度自动化。

前言

前言引入“iPhone时刻”的概念，将AI眼镜定位为可能重塑行业格局和生活方式的下一代革命性产品，对这一愿景的实现时间提出疑问。

01. 中国AI眼镜行业概况介绍

• AI眼镜定义及分类概览：人工智能赋能传统眼镜产品，功能性及实用性日趋完善。

• 将AI眼镜定义为集成人工智能、音频、摄像等功能的创新可穿戴设备，依据核心技术将其划分为AI音频眼镜、AI拍摄眼镜和AI显示眼镜（AI+AR）三大类别。

• AI眼镜分类介绍：

• AI音频眼镜：AI音频眼镜的技术特点，包括其相对亲民的价格、轻量化设计、电池续航、可替换镜片以及语音助手等核心AI功能。

• AI拍摄眼镜：以拍摄为核心功能的AI眼镜，指出其因搭载高性能摄像头及处理单元而成本更高、重量更大，并分析了其摄像头规格、芯片方案及计算机视觉应用。

• AI显示眼镜（AI+AR）：最复杂的AI显示眼镜，强调其因集成光学显示模组而价格高昂、重量最大，讲解其显示效果、续航、AI功能以及主流的Micro-LED+光波导技术方案。

02. 中国AI眼镜产业现状分析

• 2028年AI眼镜全球出货规模将触达两千万量级：智能眼镜作为XR技术的重要衍生品类，在AI大模型技术快速发展的推动下正迎来爆发式增长。预测全球AI眼镜出货量将迎来爆发式增长，预计到2028年将达到两千万台规模，其中中国市场将成为增长最快的区域之一。

• AI眼镜产品从硬件层到软件层拆解：AI眼镜全景软硬件架构拆解分析。系统性地拆解AI眼镜的软硬件架构，硬件层包括芯片、光学、传感器等组件，软件层则涵盖操作系统、中间件、人工智能层和应用层。

• 中国AI眼镜产业链图谱：

• 中国AI眼镜产业链分析：

• 芯片：分析了AI眼镜主要采用SoC芯片的原因及其四种主流方案，从基础的蓝牙音频SoC到高性能的专用SoC，分别满足不同产品的定位需求。

• 显示方案：对比LCoS、Micro OLED和Micro LED等屏幕方案及Birdbath、光波导等光学方案，指出Micro OLED和光波导是兼具性能与潜力的主流选择。

• 大模型：强调国产大模型的迅猛发展为AI眼镜提供了强大的技术支撑，并图解多模态大模型在眼镜中处理语音、图像等信息的应用流程。

• 
  

• 整机厂商：梳理市场的四类主要玩家（AI眼镜企业、XR企业、互联网巨头、移动设备制造商），并分别阐述了它们凭借各自优势进入赛道的策略和动向。

• B端用户：分析AI眼镜在工业、医疗、物流等B端场景的应用价值，指出其能有效解决行业痛点，提升生产效率。

• C端用户：探讨AI眼镜在工作、学习、运动、娱乐等C端场景的应用潜力，认为其能满足用户在不同生活场景下的多元化需求。

03. 中国AI眼镜典型厂商梳理

• AI眼镜市场厂商梳理：各大厂商纷纷入局，加速“AI大模型与AR技术深度融合”，推动轻量化、多元化场景的AI眼镜产品市场扩容。依据功能将市场上的主流AI眼镜品牌及其产品归为AI音频、AI拍摄和AI显示（AI+AR）三大类别，呈现了百家争鸣的市场格局。

• 典型厂商：

• 雷鸟创新 (RayNeo)：专注消费级AI+AR眼镜“技术自研+生态整合+消费级普及”，具备核心光学方案全链路自研能力。

• 李未可（Lawaken）：专注AI+眼镜赛道，以“Let AI awaken”为核心理念，致力打造“中国首款AI+AR科技潮牌”眼镜产品。

• Rokid：专注人机交互技术，发力AI+AR眼镜，通过自研操作系统来构建“硬件+软件+生态”一体化平台。

• 星纪魅族（DreamSmart）：跨界融合基因，明确“AI手机与智能眼镜”为两大核心赛道，围绕三大业务线构建多终端全场景生。

04. 中国AI眼镜的消费者洞察

• 调研用户画像：居住在华东华北地区、高线城市被访者为本次主要调研对象，他们主要为男性、31-40岁的兴趣及购买用户。

• 用户对智能眼镜认知渠道多元、大品牌更易被认知：用户对AI眼镜的认知渠道较为多元，目前对VR眼镜的认知度更高，且跨界大品牌更易获取认知优势。

• 智能眼镜购买市场潜力巨大，尤其是AI眼镜赛道：智能眼镜市场潜力巨大，消费者对AI功能智能眼镜接受度显著较高，且愿意在该类产品上消费。

• 购买客洞察分析：

• 对AI眼镜购买兴趣度高，偏好中等价位产品：在AI智能眼镜购买上，用户呈现出高兴趣，以中价位段为主，能够接受略超出预算的产品价格。

• 
  

• 购买AI眼镜时核心关注功能生态：功能需求是主要消费者决策的关键，舒适的体验、多模态沟通、自然交互是用户购买AI眼镜时关注的方向。

• 对当下市场的AI眼镜体验评价较高：AI眼镜目前已获得用户较高的认可，尤其在视听体验方面表现突出，电池续航上有优化空间，差异化需求显著。

• 对AI眼镜的复购与推荐意愿比较强烈：已购AI眼镜的消费者复购意愿强烈，愿意升级迭代AI眼镜产品，且具备品类教育宣传有力的布道者潜质。

• 兴趣客洞察分析：

• 对AI眼镜有一定认知，但也存在购买顾虑：兴趣客对AI眼镜有一定认知，但价格、功能效果、隐私安全方面存疑，便捷、多元功能集成化需求显现。

• 
  

• 易被产品迭代、性价比和促销优惠吸引转化：价格优势和技术卖点或将驱动购买，而生态兼容且融入多元生活场景则被兴趣客重点关注。

• 深层兴趣客洞察分析：

• 关注线上便捷、线下体验及国产品牌：深层兴趣客在未来购买时偏好线上便捷也看重线下体验，强品牌力的传统国产生产商具有较强心智吸引。

• 购买受功能、价格驱动，并关注续航力：深层兴趣客对AI眼镜单品的选择考量比较多维，功能与价格更加重要，在续航期待上有以一定的追求。

• 购买客与兴趣课对AI眼镜的期待共性和差异性并存：安全性、轻量化和自然材质是两类用户共同关注，兴趣客较购买客对创新接受度和个性化需求更强。

05. 中国AI眼镜行业趋势展望

• 供给端：技术迭代与产业链完善驱动产品升级。预测硬件性能突破、核心部件国产化及厂商生态扩张将共同推动AI眼镜从“小众极客”产品向“大众刚需”产品升级。

• 需求端：场景拓展与用户体验提升激发市场爆发。认为C端消费场景的不断渗透、用户购买意愿的增加以及交互体验的升级，将共同激发AI眼镜市场的爆发式增长。

• 零售端：零售渠道整合与体验式营销是关键。指出未来零售模式将是线上线下深度融合，通过线下体验驱动转化，线上数据反哺线下运营，形成双向价值的增长飞轮。

• 产业端：技术革新与产业生态融合是必然趋势。展望产业的最终走向是技术与生态的深度融合，包括AI与AR/VR的结合、产业链的协同整合以及跨界品牌的生态合作。

趋势一

DeepSeek 与 Qwen 分别占据半壁江山，是国内最受欢迎的两大开源模型

DeepSeek与Qwen是国内最受欢迎的两大开源模型，DeepSeek曾占据PPIO平台99%的使用占比，但随着更多模型出现，Qwen从2025年第二季度开始使用量高速增长，与DeepSeek形成双强局面。

趋势二

尽管DeepSeek R1为代表的推理模型引领了强化学习的技术范式，但DeepSeek V3这一类非推理模型却更受欢迎

尽管DeepSeek R1等推理模型引领技术范式，但DeepSeek V3这类非推理模型因适用场景广泛、使用门槛低，从2025年3月开始使用量反超推理模型，长期占比超60%。

趋势三

DeepSeek的数学模型、蒸馏模型的用户使用量较小，更大的意义在于推动行业研究

DeepSeek的数学模型Prover V2和蒸馏模型使用量较小，仅占DeepSeek系列的1%，但对推动AI行业基础研究意义重大。

趋势四

免费的Qwen 2.5调用量远高于性能更强的Qwen 3，说明相比模型性能，价格依然是用户选型最关心的因素之一

在PPIO平台，免费的Qwen 2.5调用量远高于性能更强的Qwen 3，其tokens消耗量占Qwen系列整体的90%以上，说明价格是用户选型的重要因素之一。

趋势五

在图片生成模型中，文生图与图生图的调用量占比约为9:1

在图片生成模型中，文生图模型因创作门槛低、生成图像质量高，使用占比从1月份的70%增长到6月份的90%，远高于图生图模型。

趋势六

在视频生成模型中，文生视频与图生视频的调用量约为1:9

在视频生成模型中，用户更青睐图生视频模型，其使用占比从1月份的20%左右增长到6月份的90%以上，因图生视频可控性高、稳定性好，符合创作者习惯。

趋势七

Stable Diffusion XL逐渐替代Stable Diffusion 1.5，成为最受欢迎的图片生成模型基础架构

Stable Diffusion XL因参数量大、生成效果优、社区支持强，从3月下旬开始使用量迅速增长，逐渐替代Stable Diffusion 1.5，成为最受欢迎的图片生成模型基础架构。

趋势八

阿里万相是国内最受欢迎的开源视频模型

阿里万相自2025年3月上线后，使用量高速增长，到6月份占PPIO平台80%以上，成为最受欢迎的国产视频开源模型，而MiniMax-Hailuo-02视频模型上线首周也获得1.5%的使用量。

趋势九

出海需求高涨，约20%用户的AI应用场景面向海外

全球AI市场潜力大，海外用户对AIGC产品付费意愿强，PPIO平台约20%的AI应用场景面向海外，国内AI团队和开发者积极出海。

趋势十

2025，智能体大爆发

2025年上半年，智能体应用如Manus、Flowith等快速爆发，大模型已渗透到各行各业，PPIO平台也将发布Agent Sandbox产品助力智能体发展。

人工智能：新质生产力的强劲引擎

• 人工智能作为通用目的技术，正开启全新的智能时代

• 人工智能展现出跨领域泛化能力、基于基础模型的能力可塑性、慢思考推理过程以及人机交互革命等特性，推动技术经济范式系统性跃迁，成为新质生产力的关键支撑。

• 人工智能正加速“技术创新 – 产业转化 – 行业应用”的迭代过程

• 人工智能技术已跨越第一个拐点，进入高速成长期，呈现出技术创新、产业转化和行业应用的加速迭代特征，推动了人工智能生态的快速扩展。

• 政策和市场双向驱动，人工智能助力新质生产力发展

• 中国政府高度重视人工智能发展，出台多项政策支持人工智能技术创新和产业应用，各省市也结合自身产业特色制定相关政策，推动人工智能与实体经济深度融合。

人工智能技术创新六大趋势

• 强化学习驱动认知深化，模型推理能力持续提升

• 预训练阶段的规模定律逐渐向后训练及推理阶段延伸，强化学习等技术推动模型从被动应答转向主动求解，提升解决复杂问题的能力。

• 多模态融合加快推进，拓展智能交互边界

• 多模态大模型能够整合多种信息源，提供更全面的知识表示，未来将进一步提升通用性与泛化能力，使交互方式更加智能自然。

• 云边端深度协同，推动智能应用纵深发展

• 大模型应用向端侧普及，通过模型压缩技术解决端侧硬件能力限制，云、边、端三者的融合将成为趋势，提升智能应用的实时响应和隐私保护能力。

• AI Agent迅速发展，以目标驱动替代指令响应

• 基于大模型的智能体（Agent）能够自主分解任务、调用工具并执行复杂任务，未来将提升基于不确定目标的推演能力和多Agent协作能力。

• 具身智能迈向深度情境理解与自主交互

• 具身智能将AI融入物理实体，赋予其自主感知、学习与交互能力，未来将在深度情境理解、运动控制等领域取得更大进展。

• AI基础设施持续精进，构筑高效能AI发展底座

• 面对飞速增长的算力需求，计算、存储、网络需协同发展，同时通过工程优化充分释放现有硬件设备的计算能力，为AI发展提供坚实底座。

人工智能应用落地“五新”场景

• 智能增效：催生效率提升新工具

• AI广泛应用于经营流程中，从单点的生产效率提升到全链路的业务流程重塑，大幅提升生产经营效率。

• 大模型能生成富有创造性、风格多样的内容，拓展内容创作的边界，提升了创意型行业的创作效率。

• AI能够智能识别、理解并处理复杂的办公场景，从文档撰写、会议纪要到数据分析，均可实现自动化处理，提升工作效率。

• AI智能助手和自动化工具推动企业办公及开发方式革新，提升工作效能

• AI内容生成多样化拓展创作边界，提升产品设计及创意型行业的创作效率

• 通过AI优化企业生产流程与业务环节，有效提升生产经营效率

• 智享服务：开启用户体验新旅程

• 大模型能实现产品服务的定制化，为用户打造独特的专属体验，提升用户满意度。

• 大模型通过对用户行为和偏好的深度学习，实现更精准的个性化推荐，提高用户使用体验和平台粘性。

• 大模型在客服领域大幅提升服务范围和质量精准度，提供更为贴切的解决方案，提升用户满意度。

• 智能客服助力客户服务质量升级，有效提升用户满意度

• 基于智能算法的精准推荐，增强用户粘性并提升活跃度

• 综合多维信息数据，提供更精准的个性化方案

• 智创产品：引领产业发展新业态

• 智能辅助驾驶、具身智能等未来产业与AI紧密相连，推动了产业的发展和创新。

• 大模型技术和硬件功能的集成创新，助力产品形态的变革和发展，如AI耳机、AR眼镜等，提升产品的交互体验。

• 大模型直接推动生成式内容软件产品出现，如AI绘画工具、AI写作平台等，为创意产业带来了新的创作方式和产品形态。

• 生成式能力创新产品形态，催生AI原生应用软件产品发展

• 大模型叠加硬件实现产品升级，AI终端和硬件实现智能交互

• AI创新产业发展业态和模式，推动智能辅助驾驶、具身智能等未来产业发展

• 智优决策：打造决策优化新助手

• 大模型能实时整合和分析供应链各环节的信息，优化供应链管理，提升供应链效率。

• 大模型利用海量数据的分析和预测能力，显著助力智能排程和精准生产，提升生产效率和产品质量。

• 大模型深入挖掘海量数据中的价值信息，提供更准确的趋势预测和行为分析，帮助企业制定更精准的决策。

• 通过精准数据分析优化业务决策，数据驱动显著增强企业竞争力

• 多领域专业知识融合，助力产线优化排程策略

• 数智驱动供应链全链路，实现多环节协同优化

• 智能助研：开拓科技研发新模式

• 大模型技术显著提升研发过程中的模拟精度与智能化预测能力，加速创新过程，减少实验成本。

• AI技术大幅提升海量多模态数据的挖掘与理解能力，帮助科研人员实现更快速和准确的决策。

• 通过海量数据处理与挖掘模式创新，助力科研新发现

• 利用高精度模拟与智能化预测，为决策提供科学依据

• 智能技术助力实验设计与优化，显著提升研发效率

• 大模型能预测实验结果、识别最佳实验条件，并提供优化建议，提高科研效率。

产业智能化“四力”观察

• 技术创新力：AI技术深度融入各行各业，推动应用创新与产业升级

• AI技术在各行业的渗透不断加深，专利数量显著增长，行业微调、Prompt工程实践等成为主流应用方式，推动了应用创新与产业升级。

• 资金吸引力：算法模型层投资保持稳定，逐步向行业应用层为主导推进

• 2024年AI领域投资逆势上扬，投资重点逐渐向行业应用层转移，智能汽车、机器人、医疗健康等领域受到重点关注。

• 市场渗透力：数字原生、创意导向及技术强耦合型行业成为AI应用的先行者

• 不同行业的AI应用呈现出结构性和阶段化特征，数字原生型、创意导向型和技术强耦合型行业对AI的适配度更高，应用更成熟。

• 业务价值力：AI应用效果达到市场预期，复杂任务处理能力仍待提升

• 当前AI应用在降本增效、经营创新和服务体验优化等方面展现出业务价值，但对于复杂任务处理和高精度要求的领域仍存在瓶颈。

展望与建议

• 人才教育：构建全周期培养体系，夯实创新人才根基

• 推动教育体系从“知识传授”向“能力 – 素养”双维培育转型，构建贯穿基础教育到职业发展的全周期人才培养体系，加强“产学研用”协同机制。

• 技术创新：强化AI基础设施，激活开源创新

• 构建自主可控、高效协同的AI基础设施体系，鼓励开源开放策略，激发创新动力，培育多元化技术创新主体。

• 政策监管：完善治理框架，筑牢安全底线

• 探索“软性引导 + 硬性规范”的治理路径，建立分层治理体系，完善数据安全与隐私保护制度，积极参与人工智能全球治理。

• 财税金融：创新多元化投入机制，优化资本配置

• 构建“政府引导、资本协同”的多元化资金支持体系，设立专项基金，提供税收优惠和补贴，创新金融产品和服务模式。

• 产业生态：深化协同创新，培育开放生态

• 以产业链协同创新为抓手，打造核心技术自主可控、应用场景全球领先、生态体系开放繁荣的产业生态格局，促进技术创新与市场需求的有效对接。

“执行速度是衡量创业公司成功几率的一个重要指标。”——吴恩达

最近，AI Fund创始人吴恩达在AI Startup School的演讲——“AI创业如何快人一步？”在海外引发热烈反响。

这次演讲他带着实打实的经验，拆解了一个核心问题：在AI技术狂飙的时代，如何快速构建产品与创业？

接下来K姐就带大家解读一下这场演讲的内容～

01. 聚焦应用层：最大的机会所在

吴恩达一上来就戳破了一个真相：媒体总爱炒技术概念，但真正能让创业者落地、赚钱的，恰恰是那些能帮用户解决具体问题的应用。

他把AI技术栈比作金字塔：底层是芯片和云服务，中间是大模型，最顶层是直接解决用户需求的应用。

“没有应用层赚大钱，谁来给底层技术买单？”

他操盘的AI Fund，每月孵化1家应用层公司——这就是明牌：找一个垂直场景的具体问题，用AI做“赋能工具”，是普通人入场的最优解。

这一点我太有共鸣了。身边太多团队死磕“做个更好的大模型”，但普通人真正需要的，可能只是“用AI自动翻译资料”、“帮小老板优化文案”这样的具体工具。

离用户越近，机会越实在。

同时，他也给出一些处理具体想法的小贴士：

1. 具体的想法能给出清晰的方向，且可快速执行、验证或证伪。

2. 好的具体想法往往源自某个领域的专家对一个问题长期的思考。他们的直觉对做决策很有帮助。

3. 如果数据让你对一个具体想法失去信心，快速转向新方向也无妨。

02. 产品管理成为新瓶颈

最颠覆我认知的是这段：“AI让工程师效率飙升后，产品经理不够用了。”

以前1个产品经理带6个工程师，现在有团队提出“1个产品经理带0.5个工程师”——因为工程师跑得太快，“该做什么功能”的决策反而成了瓶颈。

而他的建议也很实在：要么让产品经理学代码，要么让工程师懂产品。

懂代码的PM或有产品思维的工程师，能更好地衔接开发与需求，提升效率。

看来，AI时代的团队配比，真的要重构了。

除此之外，为了应对这一挑战，吴恩达强调了建立快速反馈机制的重要性，并分享了他个人常用的一系列策略。

03. 培养产品直觉的方法

一、最快路径：用“专家体感”直接穿透需求

以用户视角，用领域经验破局纠结！比如我要做内容工具时，剪辑到凌晨的卡顿、字幕错漏的抓狂，就是最真实的需求信号。

二、次快打法：3-5个“靠谱反馈者”精准校准

自己体感不够？拉几个懂行的人当“人肉测试器”。这招的关键是选对人：拒绝“好好先生”，优先找“有领域体感、敢说真话”的人，用他们的反馈补全认知盲区。

三、街头实战：3-10个陌生人的“野生反馈”

这点可是吴恩达强推的大招：去咖啡馆、酒店大堂拉路人体验。

也是，我们平时在这些地方大都想着摸鱼，这样得到的反馈特真实，分分钟将我们从自嗨里拽出来！

四、规模验证：100+ 用户的“批量反馈池”

想更稳？把原型推给100个以上目标用户，用规模反馈筛需求。

牢记！在这一步中我们要注意的是听共性问题。

五、最慢但最准：用A/B测试“解剖用户心理”

用A/B测试校准直觉，但不止于选A或B。我们需要深挖数据背后的心理逻辑，借数据更新模型，提升凭直觉做高质量决策的能力与速度。

04. 一些分享

听完吴恩达的演讲，我悟到了AI创业的本质是比谁更“懂人”。吴恩达把“产品直觉”拆成可练习步骤，是在教会我们，用人类“温度”驾驭AI“速度”。

当大家焦虑AI会不会取代创业者时，他点明：领域经验、需求捕捉力、试错勇气，才是AI创业护城河。

尤其是他说“具体想法要快验证、专家直觉要善用、数据反馈要校准”，完全戳中AI创业的痛点。

这场演讲不仅是方法论的分享，更是给普通人的强心针：AI 时代，肯深耕、敢试错、善捕捉，“做出让人尖叫的产品”这件事，永远有机会。

研究背景与数据说明

• 研究背景：详细介绍AI技术从技术突破到应用落地的历程，及此次报告发布的初衷，即探讨AI对千行百业的影响，为未来职业发展提供参考。

• 数据说明：采集关键词（各职业关键词 + AI相关关键词）、数据时间（2024.6.1~2025.5.31）、数据来源（数说故事旗下数说聚合，覆盖平台包括知乎、虎扑、豆瓣、简书、中关村在线等），及声量定义和情感值（NSR）的计算公式。

AI与职业声量趋势

• 整体声量趋势：展示过去一年AI与职业声量趋势图，指出自DeepSeek发布后，AI + 职业的讨论热度大幅增长，2025年总声量较2024年增长60%，说明AI在职场领域的关注度不断提升。

• 用户关注点变化：分析DeepSeek后用户对AI的关注点从技术探索迁移至场景落地，列举2024年和2025年AI + 职业相关话题的变化，强调职场提效、自我成长成为用户使用AI的核心场景。

AI对不同职业的影响

• 程序员

• 人群画像：以男性为主（占比63.66%），90后和00后是主力军（占比72.92%），主要集中在一线和新一线城市（占比80.41%）。

• 细分影响：探讨AI对程序员岗位的两极分化影响，传统岗位如开发、测试等受到一定冲击，而大模型训练师、AI伦理工程师等新兴岗位人才稀缺。介绍AI编程工具对传统开发岗位的影响，及模型训练领域“马太效应”的凸显。

• 价值点与争议点：列举AI为程序员带来的价值点，如引发效率革命、提升幸福感、拓展搞钱方式等，分析争议点，包括程序员“能力退化”讨论、AI滥用可能引发的责任问题等。

• 总结：概括AI对程序员职业的影响，强调程序员需要从传统的“砌砖工人”转变为“包工头”，提升对AI工具的运用能力和对大模型的理解能力。

• 医生

• 人群画像：男性占比53.72%，90后和80后是主要关注群体（占比66.30%），集中在一线和新一线城市（占比64.20%）。

• 细分影响：阐述AI在医疗领域的全方位介入，包括诊前分诊、诊中诊断及治疗方案制定、诊后患者康复等环节，并通过具体案例说明AI如何优化医疗资源配置、辅助医生输出诊断结果及治疗方案、结合可穿戴设备帮助患者康复。

• 价值点与争议点：分析AI为医生带来的价值点，如提升诊断效率、减少文书工作时间、整合海量文献与临床数据等，同时探讨争议点，包括AI诊断可能削弱医生决策权威、引发AI是否能替代医生的讨论等。

• 总结：强调AI是医生的超级助手，能够提升工作效率和医疗质量，但医生在诊断书上签字所承担的责任无法被替代，AI + 医生的职业讨论增速最快，未来需要更好地协同合作。

• 教师

• 人群画像：女性占比57.24%，90后和80后是主要群体（占比73.67%），一线和新一线城市讨论热度较高（占比57.77%）。

• 细分影响：分析AI对教师职业的影响环节，如课程互动、教学准备、作业批改等，强调课程互动成为受AI影响最大的环节，教师普遍借助AI技术提升课堂趣味及互动性。探讨教育智能化呈现学段分化，小学成为AI应用主战场，大学则面临学术伦理新挑战，及数学与语文成为受AI影响增速最快的两门学科。

• 价值点与争议点：列举AI为教师带来的价值点，如提升教学效率、精准教学能力升级等，分析争议点，包括AI写作应用引发的教育体系困境、“强制AI教育”造成的形式主义压力等。

• 总结：指出当机械工作由AI处理后，教师得以聚焦“只有人类能做的事”，从知识传授者向引领者转变，激发学生的好奇心、培养批判思维、塑造价值观，未来教师需要在技术赋能与教育本质间找到平衡。

• 设计师

• 人群画像：男性占比53.71%，90后是主要关注群体（占比49.62%），一线和三线及以下城市的讨论参与度较高（占比61.51%）。

• 细分影响：探讨AI对不同设计岗位的影响，如平面设计师、建筑/室内设计师、UI/UE设计师等，指出AI显著提升了平面设计师的创意效率，加速初级UI设计师的技能提升，推动设计行业向高价值方向转型，同时分析服装设计师等岗位对AI工具的使用情况。

• 价值点与争议点：分析AI为设计师带来的价值点，如优化工作流、拓展创意边界、推动设计民主化等，同时探讨争议点，包括AI加剧设计行业人才与价格内卷、版权风险为原创性蒙上阴影等。

• 总结：强调未来设计师的核心价值在于定义问题的能力，AI将助力设计师提升效率和创意能力，但行业也需要应对低价竞争风险和版权保护挑战。

• 心理咨询师

• 人群画像：女性占比61.14%，90后是主要关注群体（占比41.16%），一线和新一线城市讨论热度较高（占比69.48%）。

• 细分影响：阐述AI在心理咨询领域的应用，如跨越地域限制提供情绪支持与心理教育、辅助心理咨询师进行判断、模拟真实咨询场景为新手咨询师提供实践平台、驱动督导平台与案例数据库建设等。

• 价值点与争议点：分析AI为心理咨询师带来的价值点，如让更多人在日常中进行情绪疏导、心理咨询不再羞耻、帮助心理咨询师提升专业水平等，探讨争议点，包括AI可能暴露咨询师专业能力不足、加剧现实社会的情感退化、延误关键干预时机等。

• 总结：指出AI将成为心理咨询师的工作“搭子”，帮助提升专业水平和工作效率，但心理咨询师在深度疗愈与复杂干预方面仍具有不可替代的作用，未来需要明确AI心理咨询的边界，确保其安全、有效地应用在心理咨询服务。

• AI 0.0（1956-2006）：该阶段基于规则和专家系统，依赖人工特征工程，可解释性强但泛化能力弱。

• AI 1.0（2006-2020）：该阶段以深度学习为核心，CNN/RNN/Transformer架构推动计算机视觉、自然语言处理领域取得突破性进展，仍需依赖大量标注数据进行训练。

• AI 2.0（2020-至今）：本阶段进入大模型时代，以GPT/Stable Diffusion为代表的多模态生成模型实现文本、图像、视频的跨模态交互，同时推理能力显著提升（如DeepSeek R1模型）。

大模型的特点和局限

• 大模型的特点

• 强大的生成能力：大模型能生成高质量的文本、图像、视频等多种内容，为创意产业、内容创作等领域带来了前所未有的变革。

• 多模态融合：将语言、视觉等多种模态数据相结合，使模型能够更全面地理解和表达世界，为智能交互、自动驾驶等应用提供了更强大的技术支持。

• 复杂推理能力：基于长链推理技术，大模型能逐步分解复杂问题并进行多步骤逻辑推理，处理更复杂的任务和场景。

• 大模型的局限

• 数据依赖：大模型的训练需要海量的数据支持，数据的质量和多样性直接影响模型的性能和生成结果的准确性。

• 高算力需求：训练和推理过程对计算资源要求极高，导致研发和应用成本居高不下，限制了在一些资源受限场景中的广泛应用。

• 幻觉问题：生成的内容可能存在与事实不符的情况，需要进一步的验证和筛选，确保信息的真实性和可靠性。

大模型的发展观察

• 跃进期（2020-2022）

• ChatGPT的发布：2020年ChatGPT的推出迅速引发全球对大模型的关注和研究热潮，其强大的语言生成能力和交互体验让人们看到大模型的巨大潜力。

• GPT-4的推动：2022年GPT-4的发布进一步提升大模型的性能和应用范围，推动大模型在更多领域的探索和实践。

• 繁荣期（2022-2023）

• 多模态模型的爆发：Stable Diffusion、Mid-Journey等多模态模型相继问世，将大模型的应用从文本领域拓展到图像、视频等视觉领域，为创意设计、影视制作等行业带来了新的机遇。

• 国内大模型的崛起：国内企业纷纷加快大模型的研发步伐，文心一言、通义千问等首批模型相继发布，展现了国内在人工智能领域的技术实力和发展潜力。

• 深化期（2023-至今）

• 推理模型的突破：DeepSeek-R1、QwQ-32B等推理模型的出现，显著提升模型的推理能力和效率，为复杂问题的解决提供更有力的支持。

• 性能提升与开源生态：国内模型性能持续提升，如Qwen2.5、GLM-4等不断更新优化。同时，开源生态蓬勃发展，如Baichuan、Qwen等系列模型的开源，推动大模型技术的普惠化和行业应用的加速落地。

大模型时代的人才需求

• 应用人才

• 思维要求：具备利用AI技术和工具解决实际问题的能力，能够将AI应用于工作和生活的各个方面，提升效率和质量。

• 能力增加：增强问题定义、独立思考、沟通表达等能力，更好地与AI协作完成任务。

• 教育需求：通过AI通识教育，普及AI基础知识和应用技能，培养全民的AI素养和人机协作能力。

• IT专业人才

• 思维要求：掌握数据思维和模型思维，以数据为核心进行系统设计和优化，为行业赋能。

• 能力增加：提升机器学习、深度学习、数据工程等方面的能力，适应AI时代对IT人才的新要求。

• 教育需求：开展新IT教育，更新IT专业课程体系，融入AI相关技术和应用内容，培养既懂传统IT又掌握AI技术的复合型人才。

• AI2.0专业人才

• 思维要求：具备数学思维、好奇心和试错精神，热爱探索人类智能的本质和奥秘。

• 能力增加：掌握数据工程、底层软硬件工程、大模型范式（如Transformer、Diffusion、RL等）能力，能够从事AI前沿技术研发和创新。

• 教育需求：构建AI专业教育体系，培养具有深厚理论基础和创新能力的AI专业人才，推动人工智能技术的持续发展和突破。

人工智能通识课

• 课程目标：培养学习者对人工智能的全面认知，掌握生成式AI的应用能力，提升人机协同与批判性思维，为未来的学习和工作打下坚实基础。

• 课程内容：涵盖人工智能基础、核心技术（如Transformer架构）、应用领域（金融、医疗、教育等）以及面临的挑战与未来发展方向，构建完整的知识体系。

• 教学方法：采用案例分析、动手实操、项目制学习和跨学科融合等多样化方法，提升学习者的实践能力和创新思维。

• 教学资源：提供PPT课件、微课视频、教学演示案例以及实战任务与作业题，支持线上线下混合式学习，满足不同学习者的需求。

人工智能赋能教育

• 人工智能赋能教学：通过AI辅助教学工具和智能学情分析，提升教学效率和个性化学习体验，推动教育的智能化发展。

• 课程创作工具：利用AI辅助课程设计和无代码工程交付，降低课程创作门槛，提高教学资源的开发效率和质量。

• 人工智能通识课的实施：通过通识课、通育课和通用课的分层设计，逐步提升学生的AI素养、人机协作能力和专业应用能力，实现人工智能教育的普及与深化。

课程内容

课程介绍

课程由麻省理工学院的Paul Liang教授主讲，培养学生在多模态智能和人工智能领域的研究与应用能力。课程内容分为四个模块：AI基础、多模态AI基础、大型模型与现代AI、交互式AI。每个模块涵盖多个主题，如数据结构、多模态融合、大型语言模型、人机交互等。课程要求学生完成阅读作业、参与讨论，并开展一个高质量的研究项目，最终用提案、中期和最终报告及展示评估学习成果。

课程的评分标准包括阅读作业（40%）和研究项目（60%）。学生需要在每周的讨论中担任不同角色，如阅读领头人、讨论总结者等，提升批判性和创造性思维能力。课程提供了丰富的角色扮演任务，帮助学生从不同角度理解和应用AI技术。

如何进行AI研究

指导学生如何生成研究想法、阅读论文、执行研究计划及撰写研究论文。课程详细介绍了研究过程的各个环节，包括自下而上的发现和自上而下的设计方法，强调科学问题和假设的重要性，提供多种研究方向的示例，如多模态AI、传感器数据处理、AI推理、交互式智能体、具身AI、社会智能AI、人机交互以及伦理与安全等。课程介绍了文献综述的方法、测试研究想法的步骤及撰写论文的结构和要点。

课程提供丰富的资源链接和工具建议，帮助学生在研究过程中获取支持。且文件列出本周的作业安排，包括项目偏好表的提交及下周课程的主题预告。课程为学生提供全面的AI研究入门指南，涵盖从理论到实践的各个方面。

数据、结构与学习

课程主要介绍不同数据模态（如视觉、语言、音频、传感器数据、表格数据、图数据和集合数据）的特点、结构及常见的学习目标。课程详细探讨每种模态的数据表示、分布、粒度、结构、信息含量、噪声和相关性，讨论了监督学习、无监督学习、强化学习等多种学习范式及其在多模态和多任务学习中的应用。课程强调数据预处理、可视化和模型选择的重要性，及如何通过训练、验证和测试数据来评估模型的泛化能力。

课程最后总结了本周的作业安排，包括项目偏好表的提交、项目提案的准备和展示，及下周关于机器学习工具的可选教程。为学生提供数据处理和机器学习的基础知识，帮助他们在AI研究中更好地理解和应用不同模态的数据。

实用AI工具

课程主要围绕PyTorch和Hugging Face工具，为学生提供使用这些工具进行AI开发和调试的实用指南。课程介绍了Hugging Face的主要功能，包括transformers和datasets库，工具与PyTorch无缝集成，提供强大的预训练模型和数据加载功能。课程提到与PyTorch常配合使用的bitsandbytes和flash-attn库，能优化模型的性能和内存使用。课程阐述了AI开发时的调试技巧，包括如何与数据建立紧密联系、设置端到端的骨架模型、通过过拟合诊断错误、通过正则化改善泛化能力、调整超参数及榨取最后的性能提升。

课程提供关于如何设计新数据的机器学习模型的建议，强调从简单模型开始逐步增加复杂性的方法。总结调试模型时的关键步骤，如检查输入数据和标签的正确性、观察训练损失、处理过拟合和欠拟合等问题。能帮助学生在AI开发过程中避免常见陷阱，提高模型的可靠性和性能。

模型架构

课程介绍了不同数据模态（如序列数据、空间数据、集合数据和图数据）的模型架构设计原则和方法。课程内容包括如何根据数据的特性选择合适的模型架构，例如时间序列数据的循环神经网络（RNN）、卷积神经网络（CNN）用于空间数据处理，及图神经网络（GNN）用于图数据处理。讨论如何通过参数共享和信息聚合实现数据的不变性和等变性，及如何根据数据的语义信息、粒度、结构、信息含量、噪声和相关性来设计模型。

课程最后总结了本周的作业安排，包括项目提案的提交和阅读讨论的准备。课程为学生提供模型架构设计的系统性指导，帮助他们在AI研究中更好地理解和应用不同类型的模型架构。

多模态AI与对齐

课程深入探讨多模态AI的核心概念，包括数据的异构性、模态间的连接性和交互性。课程内容涵盖多模态研究的历史阶段，从行为时代到深度学习时代，再到如今的基础模型时代。介绍了多模态任务的多样性，如语言与视觉的结合、情感分析、视频事件识别等，探讨多模态对齐的挑战，包括离散对齐和连续对齐的方法，及如何通过对比学习实现模态间的对齐。

课程详细介绍了多模态AI的六个核心挑战：表示学习、对齐、推理、生成、迁移和量化。特别提到CLIP模型在语言和视觉任务中的应用，及如何通过对比学习来学习共享和独特的模态信息。最后总结了本周的作业安排，包括阅读讨论和项目进展的反馈。课程为学生提供多模态AI领域的全面概述，帮助他们理解多模态数据的复杂性及如何通过模型设计和学习方法解决挑战。

多模态融合

课程深入探讨多模态融合的核心概念和技术，包括早期融合、中期融合和晚期融合，及加性融合、乘性融合、张量融合、低秩融合和门控融合等多种方法。课程内容涵盖从简单的线性融合到复杂的非线性融合技术，及如何通过动态融合策略来优化多模态数据的表示和学习过程。讨论了多模态融合中的优化挑战，例如如何平衡不同模态的过拟合和泛化能力，及如何通过对比学习和多模态表示学习解决实际任务中的问题。

课程介绍了多模态融合在实际应用中的挑战，例如如何处理模态间的异构性、如何避免单一模态的偏差对融合结果的影响，及如何通过动态融合和架构搜索提高模型的性能。课程最后总结了本周的作业安排，包括阅读讨论和项目进展的反馈，帮助学生更好地理解和应用多模态融合技术。

跨模态学习

课程深入探讨了跨模态学习的基本概念和技术，包括通过融合、对齐和翻译实现模态间的知识迁移。课程内容涵盖多模态学习中的多种迁移策略，如预训练模型的迁移、协同学习和模型诱导等。特别提到高模态多模态变换器（HighMMT）模型，能在部分可观测模态之间进行知识迁移，适用多种模态和任务的多任务学习和迁移学习。

课程讨论了跨模态学习中的开放性挑战，例如低资源模态的学习、超越语言和视觉模态的应用、复杂数据和模型训练的挑战及模型的可解释性。文件最后总结了本周的作业安排，包括阅读讨论和项目进展的反馈，帮助学生更好地理解和应用跨模态学习技术。

大型基础模型

课程详细介绍了大型语言模型（LLMs）的发展历程、预训练方法、架构类型、指令微调和偏好调整，及高效的训练和推理技术。课程内容涵盖从循环神经网络（RNNs）到Transformer架构的演变，及如何通过无监督学习在大规模文本数据上进行预训练。探讨了如何通过指令微调和偏好调整优化模型的性能，及如何通过LoRA（低秩适配）和量化等技术提高训练效率和推理速度。

课程讨论了大型语言模型的未来发展方向，包括如何教会模型进行推理、如何扩展多模态LLMs以涵盖更多模态，及如何在实际应用中评估和部署这些模型。课程最后提供了本周的作业安排，包括中期报告的提交和项目资源申请表的填写，帮助学生更好地理解和应用大型基础模型的技术。

大型多模态模型

课程详细介绍了大型多模态模型的基础知识、预训练方法、如何将大型语言模型（LLMs）适应为多模态LLMs，及从文本到多模态生成的最新进展。课程内容涵盖多模态基础模型的表示方法、多模态Transformer架构、跨模态注意力机制，及如何通过指令微调和偏好调整优化多模态模型的性能。课程探讨了如何通过前缀调整和适配器层实现多模态条件生成，及如何通过大规模预训练数据集和多模态指令微调数据集提升模型的泛化能力。

课程讨论了多模态模型的未来发展方向，包括原生多模态模型的设计、多模态混合专家模型（MoE）的应用，及如何将多模态模型应用在时间序列数据等实际场景。课程最后安排了本周的作业安排，包括阅读讨论和项目进展的反馈，帮助学生更好地理解和应用大型多模态模型的技术。

现代生成式AI

课程详细介绍了生成式AI的核心概念、当前技术的发展状态、条件生成的方法、模型架构及训练这些模型的技巧。课程内容涵盖从变分自编码器（VAE）到扩散模型和流匹配模型的多种生成式模型，探讨了模型的训练目标、噪声处理方式、采样速度以及优缺点。课程介绍了如何通过条件向量场和损失函数优化生成过程，及如何通过特定的架构设计提高模型的性能。

课程还讨论了生成式AI的评估指标，如Fréchet Inception Distance（FID）、CLIP Score、精确度/召回率和美学评分，帮助评估生成内容的质量和多样性。课程最后安排了本周的作业安排，包括阅读任务和项目进展的反馈，帮助学生更好地理解和应用生成式AI的技术。

强化学习与交互

课程详细介绍强化学习的基础知识、现代强化学习在大型语言模型（LLMs）对齐和推理中的应用，及交互式LLM代理的设计和实现。课程内容涵盖强化学习的基本概念，如马尔可夫决策过程（MDP）、策略学习、模型基与策略基方法的对比，及如何通过策略梯度方法（如REINFORCE和PPO）优化策略。课程探讨了如何通过人类反馈进行强化学习，包括奖励模型的训练和偏好优化技术。

课程深入探讨了强化学习在实际应用中的挑战，如奖励函数的设计、模型的探索与利用平衡，及如何通过直接偏好优化（DPO）和组化策略优化（GRPO）等方法提高模型的性能和效率。课程最后安排了本周的作业安排，包括最终项目报告的提交和项目展示的准备，帮助学生更好地理解和应用强化学习的技术。

最新发展方向

课程探讨了多模态推理、AI代理、人机交互以及伦理与安全等前沿领域。课程内容包括多模态基础模型的表示方法、如何将大型语言模型适应为多模态文本生成模型、如何实现文本和图像生成，及如何通过人机交互提升模型的可信度和安全性。特别提到“Interactive Sketchpad”系统，一个用于协作和视觉问题解决的多模态辅导系统，能通过视觉推理和代码执行增强问题解决的有效性。

课程讨论了多模态模型在教育中的应用，例如通过视觉推理帮助学生理解抽象的几何概念。介绍多模态模型在安全和伦理方面的挑战，包括如何量化模型的不足、预测和控制模型行为，及如何解决模型中的偏见和不公平性。课程最后总结了本周的作业安排，包括最终项目报告的提交和课程反馈的收集。

课程的项目地址

• 项目官网：https://mit-mi.github.io/how2ai-course/spring2025/

• GitHub仓库：https://github.com/MIT-MI/how2ai-course

课程的应用场景

• 医疗健康：基于AI处理医疗影像和病历数据，开发辅助诊断系统，提高疾病检测和治疗的准确性和效率。

• 智能交通：基于AI技术分析交通摄像头视频和传感器数据，实现自动驾驶辅助系统和交通流量优化。

• 艺术与创意设计：借助AI生成音乐、绘画等创意内容，将语言描述转化为视觉或音频作品，为艺术家和设计师提供创作工具。

• 智能教育：开发AI驱动的个性化学习系统，通过分析学生行为和反馈，提供定制化的学习路径和教学内容。

• 环境保护：用AI处理卫星图像和环境传感器数据，监测环境变化，预测自然灾害，支持生态保护和可持续发展。

• 
  

 GenAI鸿沟的现状

• 高采用、低转型：像ChatGPT这样的工具被广泛试用，但能深度融入核心业务流程、引发真正变革的企业级应用寥寥无几。大多数行业并未出现预期的结构性颠覆。

• 试点到生产的巨大落差：企业定制化的AI工具从试点到全面部署的成功率极低（仅5%），绝大部分项目停滞不前。

• 投资错配：大部分资金流向了容易看见的前台功能（如营销），真正的投资回报（ROI）却隐藏在后台运营的自动化中（如财务、采购）。

• “影子AI”的盛行：90%的员工私下用个人AI工具完成工作，效果和满意度远高于企业官方采购的系统，暴露了正式项目的失败。

GenAI鸿沟的根本原因

报告认为，鸿沟的根源不是技术、数据或法规，是“学习差距”。

• 现有的企业AI工具大多无法学习和适应。它们没有记忆，不能从反馈中改进，无法融入具体的工作流程，每次都需要人工重新引导，显得非常“笨拙”。

• 用户需要的是能积累知识、持续进化的智能伙伴，不是每次都要从头教起的工具。这种能力的缺失，是导致大多数项目无法规模化的核心障碍。

跨越GenAI鸿沟的解决方案

对于AI供应商（构建者）：

• 聚焦深度而非广度：不要做万能工具，专注于解决某个狭窄但高价值的业务痛点，并做深度定制。

• 构建“有记忆”的系统：开发具备持续学习能力和记忆功能的Agentic AI（代理型AI），让系统越用越聪明。

• 借助信任渠道：通过合作伙伴、系统集成商和行业推荐来建立信任，比单纯推销产品功能更有效。

对于企业（买家）：

• 转变采购思路：不要像买软件一样买AI，应像采购业务服务一样，要求供应商深度定制并对业务结果负责。

• 赋能一线业务团队：让最懂业务的部门主导AI项目选型和落地，不是由中央IT部门包办。

• 瞄准真实ROI：将投资重点转向后台职能的自动化，关注如何替代外部外包成本和代理费用，不是减少内部员工。

未来展望

• Agentic AI和代理网络：报告预测，AI的下一波演进将是 Agentic Web（代理网络，一个由众多能自主发现、协商和协作的AI系统组成的互联生态，将从根本上改变企业运作的方式。

• 跨越GenAI鸿沟的窗口：跨越GenAI鸿沟的窗口正在关闭。成功不再属于拥有最先进模型的公司，是属于能构建出最能学习、最懂业务的系统的组织。企业必须停止购买“愚蠢”的静态工具，转而选择能共同进化的智能伙伴。

ASI新天终启

2027年预测

报告开宗明义，指出2025年是人类迈向ASI（Artificial Superintelligence）的关键临界点，预测2027年将正式迎来ASI的曙光，被描述为一次“新创世”（A New Genesis），文明将因此进入由超智能主导的全新纪元。

核心依据：

• 智能增长的指数加速：AI智能体独立完成人类任务的时长能力每约7个月翻一番（类似“AI领域的摩尔定律”）。GPT-5在软件工程任务上已能达到“50%成功率时间视域”为2小时17分钟，预计到2027年底，AI将能独立执行耗时数周的人类项目。

• 模型迭代周期极速缩短：全球大模型迭代周期已缩短至2-3个月。未来由数亿块GPU训练的超级模型将直接推动ASI的诞生。

• 智力测试全面超越人类：顶尖模型（如GPT-5 Pro智商148，Gemini 2.5 Pro智商138）在多项顶级人类智力测试（如IMO、IOI、Mensa）中已达到甚至远超人类金牌水平。

ASI万象智生

报告预测，ASI的到来将催生三大革命性范式，重塑现实：

• 智能体大爆发：2025年被视为智能体的爆发之年，AI将接管程序员的工作，实现99%的自动化编码。顶尖公司用AI自我加速，自我增强，更快研发出更强的模型。

• 世界模型：构建与现实世界物理规律一致的虚拟环境，如Genie 3能通过文本指令生成互动虚拟世界。世界模型为AI提供接近无限、零成本、零风险的训练场。

• 具身智能：数字生命将通过具身智能体进入物理现实，如宇树、智元等公司开发的智能体将执行家务、提供护理等任务。具身智能体借助前沿大模型作为“大脑”，通过世界模型、强化学习等来学习复杂任务，并将泛化到新的场景。

ASI重启新天地

报告认为，ASI的到来将远超技术范畴，引发文明底层逻辑的重构。

• 经济影响：AI创造财富的速度将加速，数据中心和AI的能源需求将激增。到2026年，全球数据中心的电力消费将超过1000太瓦时。截至2025年3月，美国全国共有5,426个数据中心。到2030年电力消费可能达到1,050太瓦时，占美国年总电力需求的近20%。

• 科技竞争：ASI的主导权将成为国家、市场和企业追逐的焦点。中国在AI专利和人才储备上具有明显优势，全球AI投资持续增长。中国的GenAI专利数量已占全球的70%，远超世界上任何其他国家。中国人口是美国的4倍，STEM专业的博士毕业生数量是美国的2倍。

• 社会结构：ASI将推动社会结构的颠覆和重组，超级智能对全球能源、资本和经济运行的支配将成为全球发展的核心驱动。ASI将成为超越GDP的国际竞争力评价指标。

未来展望

• 新智元ASI产业图谱：报告发布了综合的AI产业图谱，将不同模型在多个测试平台上的成绩映射到0-100分的刻度上，通过多维度的评估，对全球主流AI模型和产品进行排名。评选出“2025 AI Era企业创新大奖TOP55”和“2025 ASI先锋产品大奖TOP33”，表彰在AI领域有突出表现的企业和产品。

• 文明的未来：人类文明将在ASI临界点，大模型全方位跃迁之际，在超级智能爆发中颠覆重置。我们站在万年一遇的奇点，选择纵身向前。

核心内容

《The People + Al Guidebook》的基石是哲学转变：AI 产品的目标不是追求更高的准确率或更快的速度，是增强人的能力，服务于人的需求。指南强调，AI 系统是“与人共舞”的伙伴。设计的重心在于如何让协作关系变得自然、可信和高效。

六大核心维度

• 用户需求与成功定义：强调深入理解用户真实需求的重要性，不只关注技术实现。提供将用户目标转化为可衡量指标的方法，帮助团队建立兼顾技术效能与用户体验的双重成功标准。通过明确的成功定义，确保产品开发始终以用户价值为导向。

• 心智模型与期望：探讨用户如何理解AI系统的工作原理，及如何通过设计引导形成准确预期。提供管理用户期望的具体策略，确保系统能力与用户认知之间保持协调一致，能有助于减少用户困惑，提升产品可用性。

• 信任与解释：重点阐述如何通过透明化和可解释性设计来建立用户信任。提供多层次解释框架，让用户理解系统决策，保持对技术的信心，设计原则对于构建可信赖的AI系统至关重要。

• 错误与优雅的降级：探讨AI系统出错的必然性及如何将错误转化为积极体验。提供从错误预防到恢复的完整策略，确保系统优雅地处理失败情况。通过精心设计的容错机制，维护用户体验的连贯性。

• 数据收集：讨论高质量数据收集的重要性和方法，涵盖从数据获取到质量评估的全过程。强调数据伦理和隐私保护，确保负责任的数据实践，帮助团队构建可靠的数据基础。

• 反馈与控制：探讨如何设计有效的用户反馈机制，让用户能影响和改进系统表现。提供在自动化与用户控制之间寻找最佳平衡点的实用方案，赋予用户适当的控制权，增强产品互动性。

核心亮点与特色

• 极强的实践性：指南提供具体的设计模式（Patterns），例如如何展示置信度、如何设计反馈按钮等，设计师能直接借鉴。

• 丰富的辅助资源：包含术语表（统一团队语言）、工作坊指南（帮助团队协作落地）、案例研究（展示Google产品如何应用这些原则），形成一个立体的学习生态系统。

• 前瞻性与权威性：指南源于Google内部多年的一线实践和研究成果，集中体现行业领先者对于“负责任AI”和“人本AI”的思考，具有很高的参考价值。

《The People + Al Guidebook》官网地址

https://pair.withgoogle.com/guidebook/

总结

《The People + Al Guidebook》为AI产品开发提供完整的方法论体系，帮助团队打造技术先进且人性化的智能产品。这份指南是连接技术创新与用户体验的重要桥梁，值得所有AI产品开发者深入学习和应用。通过实践其中的原则和方法，团队能构建出更负责任、更可信赖的AI系统。

AI Agents简介

• 定义：AI Agents是能自主推理、思考、规划、从相关来源提取信息、采取行动，在必要时自我纠正的自主系统。

• 与LLM（大型语言模型）和RAG（检索增强型生成）的区别：

• LLM：像GPT-4这样的模型，基于大量文本数据训练，能够推理、生成和总结，但仅限于其训练数据。

• RAG：通过检索外部文档（如向量数据库、搜索引擎等），将它们作为上下文输入到LLM中，增强LLM的能力。

• AI Agents：在LLM的基础上增加自主性，决定采取哪些步骤，例如调用工具、搜索网络、总结或存储信息。

构建AI Agents的六个基本要素

• 角色扮演（Role-playing）：为AI Agents分配清晰、具体的角色，提高其性能。例如，将AI定义为“高级合同律师”使其回答更具法律精确性。

• 专注/任务（Focus/Tasks）：专注于特定任务可以减少幻觉（hallucinations）提高性能。使用多个专门的Agent，避免让一个AI Agent做太多事情，。

• 工具（Tools）：AI Agents通过使用工具变得更智能。工具支持Agent搜索网络、从API和数据库中检索结构化信息、执行代码等。

• 合作（Cooperation）：多Agent系统通过合作和交换反馈效果最好。例如，在金融分析系统中，一个Agent收集数据，另一个评估风险，第三个制定策略，第四个撰写报告。

• 护栏（Guardrails）：限制Agent的行为，确保保持在正确的轨道上。例如，限制工具使用、设置验证检查点、建立回退机制等。

• 记忆（Memory）：记忆是AI Agents的关键组成部分，支持Agent记住过去的互动，随着时间的推移改进，创建更连贯的对话。

AI Agents的五个设计模式

• 反思模式（Reflection Pattern）：AI审查自己的工作，发现错误并迭代，直到产生最终响应。

• 工具使用模式（Tool Use Pattern）：AI通过查询向量数据库、执行Python脚本、调用API等方式获取更多信息。

• ReAct（Reason and Act）模式：Agent在生成输出后进行反思，并使用工具与世界互动。它在思考、行动和观察之间循环，直到找到解决方案。

• 规划模式（Planning Pattern）：AI创建路线图，细分任务并概述目标，更有效地解决问题。

• 多Agent模式（Multi-Agent Pattern）：多个Agent协同工作，每个Agent都有特定的角色和任务，共同完成最终结果。

五级智能体系统

• 基本响应者（Basic Responder）：人类指导整个流程，LLM只是接收输入并产生输出的通用响应者。

• 路由器模式（Router Pattern）：人类定义流程中存在的路径/函数，LLM决定能采取哪条路径。

• 工具调用（Tool Calling）：人类定义LLM可以访问的工具集，LLM决定何时使用它们及使用哪些参数。

• 多Agent模式（Multi-Agent Pattern）：管理Agent协调多个子Agent，决定下一步行动。

• 自主模式（Autonomous Pattern）：LLM独立生成和执行新代码，有效地作为一个独立的AI开发者。

12个AI Agents项目案例

• Agentic RAG：构建具有动态从不同来源获取上下文能力的RAG管道。

• 语音RAG Agent：构建一个实时语音交互的AI应用。

• 多Agent航班搜索：解析自然语言查询并从Kayak获取实时结果的航班搜索管道。

• 金融分析师：从Cursor或Claude获取、分析并生成股票市场趋势洞察的AI Agent。

• 品牌监控系统：抓取网络提及并产生关于公司的洞察的多Agent品牌监控应用。

• 多Agent酒店查找器：解析旅行查询，从Kayak获取实时航班和酒店数据，并总结最佳选项。

• 多Agent深度研究者：构建一个100%本地化的ChatGPT深度研究功能替代品。

• 具有人类记忆的AI Agent：构建具有人类记忆的AI Agent，以解决生产中的问题。

• 多Agent书籍撰写者：构建一个从3-5个单词的书籍主题生成20,000字书籍的Agentic工作流。

• 多Agent内容创作系统：构建一个将任何URL转换为社交媒体帖子并通过Typefully自动安排的Agentic工作流。

• 文档撰写流程：构建一个从GitHub仓库URL生成完整项目文档的Agentic工作流。

• 新闻生成器：构建一个将用户查询转换为精心撰写的新闻文章的AI新闻生成器。

《为智能体编写工具》的核心内容

智能体的效能完全取决于我们为其提供的工具。我们将分享如何编写高质量工具和评估方法，及如何通过使用Claude自我优化工具提升性能。

模型上下文协议（MCP）能为LLM智能体配备数百种工具解决现实世界任务。如何使工具达到最大效能？

本文将介绍在各类智能AI系统中提升性能的最有效技术。

首先涵盖如何：

• 构建和测试工具原型

• 创建并运行智能体工具的全面评估

• 与Claude Code等智能体协作，自动提升工具性能

• 最后总结在此过程中发现的高质量工具编写关键原则：

选择正确的工具进行实施（及不应实施的工具）：

• 通过命名空间界定明确的功能边界

• 从工具返回有意义的上下文给智能体

• 优化工具响应以提高令牌效率

• 通过提示工程优化工具描述和规格

什么是工具？

在计算领域，确定性系统在给定相同输入时每次会产生相同输出，而非确定性系统，如智能体即使在相同起始条件下也能产生不同的响应。

当我们传统地编写软件时，是在建立确定性系统之间的契约。例如，像getWeather(“NYC”)这样的函数调用，每次被调用时都用完全相同的方式获取纽约市的天气信息。

工具是新型软件，反映了确定性系统与非确定性智能体之间的契约。当用户询问”我今天应该带伞吗？”时，智能体会调用天气工具，根据一般知识回答，甚至首先提出关于位置的澄清问题。智能体可能出现幻觉，无法掌握如何使用工具。

在为智能体编写软件时，我们需要从根本上重新思考我们的方法：我们需要为智能体设计工具和MCP服务器，不是像为其他开发人员或系统编写函数和API那样编写它们。

我们的目标是通过使用工具追求各种成功策略，增加智能体能有效解决广泛任务的范围。

如何编写工具

在本节中，我们将提供如何与智能体协作编写和改进提供给它们的工具。首先快速搭建工具原型、在本地进行测试。运行全面评估衡量后续更改。与智能体协同工作，能重复评估和改进工具的过程，直到智能体在现实任务中实现强劲性能。

构建原型

若不亲自实践，很难预测智能体觉得哪些工具符合人体工程学，哪些不会。快速搭建工具原型。如果使用Claude Code编写工具（可能一次性完成），最好为工具将依赖的任何软件库、API或SDK（包括MCP SDK）提供文档说明。在官方文档网站上能找到适合LLM的扁平化llms.txt文件（这是我们的API文档）。

将工具包装在本地MCP服务器或桌面扩展（DXT）中，将能在Claude Code或Claude桌面应用中连接和测试工具。

要将本地MCP服务器连接到Claude Code，请运行 claude mcp add <名称> <命令> [参数…]。

要将本地MCP服务器或DXT连接到Claude桌面应用，请分别导航至设置 > 开发者或设置 > 扩展。

工具能直接传入Anthropic API调用中进行程序化测试。

亲自测试工具识别不足之处。收集用户反馈，围绕期望工具能支持的用例和提示建立直观理解。

运行评估

接下来，需要通过运行评估衡量Claude使用工具的效果。基于实际使用场景生成大量评估任务。建议与智能体协作帮助分析结果、确定如何改进工具。请在我们的工具评估指南中查看此端到端过程。

1.生成评估任务

使用早期原型，Claude Code能快速探索工具、创建数十个提示和响应对。提示应受到实际使用场景的启发，基于真实的数据源和服务（例如，内部知识库和微服务）。我们建议避免使用过于简单或肤浅的”沙盒”环境，这些环境无法用足够的复杂性对工具进行压力测试。强大的评估任务需要多次工具调用——可能达到数十次。

以下是一些强大任务的示例：

• 与Jane安排下周会议讨论我们最新的Acme Corp项目。附上我们上次项目规划会议的记录、预订会议室。

• 客户ID 9182报告称他们在一次购买尝试中被收取了三次费用。查找所有相关日志条目并确定是否有其他客户受到同一问题影响。

• 客户Sarah Chen刚刚提交了取消请求。准备保留优惠。确定：(1)他们离开的原因，(2)哪种保留优惠最具吸引力，以及(3)在提供优惠前我们应该注意的任何风险因素。

以下是一些较弱任务的示例：

• 与jane@acme.corp安排下周会议。

• 在支付日志中搜索purchase_complete和customer_id=9182。

• 查找客户ID 45892的取消请求。

每个评估提示都应配有一个可验证的响应或结果。验证器能简单到对真实答案和抽样响应进行精确字符串比较，或复杂到请Claude判断响应。避免使用过于严格的验证器，验证器会因格式、标点或有效的替代表述等虚假差异拒绝正确响应。

对于每个提示-响应对，选择指定期望智能体在解决任务时调用的工具，衡量智能体在评估期间是否成功掌握每个工具的用途。由于可能存在多个正确解决任务的有效路径，请尽量避免过度指定或过度拟合策略。

2.运行评估

我们建议通过直接的LLM API调用以编程方式运行评估。使用简单的智能体循环（包装交替的LLM API和工具调用的while循环）：每个评估任务一个循环。每个评估智能体被赋予单个任务提示和工具。

在评估智能体的系统提示中，建议指示智能体输出结构化响应块（用于验证），还要输出推理和反馈块。指示智能体在工具调用和响应块之前输出这些内容，通过触发思维链（CoT）行为提高LLM的有效智能。

如果使用Claude运行评估，开启交错思考获得类似的”开箱即用”功能。将帮助探究智能体为何调用或不调用某些工具，突出显示工具描述和规范中需要改进的具体领域。

除顶级准确性外，建议收集其他指标，如单个工具调用和任务的总运行时间、工具调用总数、总令牌消耗量以及工具错误。跟踪工具调用能帮助揭示智能体追求的常见工作流程，为工具整合提供机会。

3.分析结果

智能体是发现问题和提供反馈的有用伙伴，涵盖从相互矛盾的工具描述到低效的工具实现和令人困惑的工具模式等各个方面。智能体在反馈和响应中省略的内容通常比包含的内容更重要。LLM不总是准确表达出它们的真实含义。

观察智能体在哪些地方卡主或困惑。通读评估智能体的推理和反馈（或思维链）识别不足之处。审查原始记录（包括工具调用和工具响应）捕捉智能体思维链中未明确描述的任何行为。读懂字里行间的含义；记住评估智能体不一定知道正确答案和策略。

分析工具调用指标。大量冗余的工具调用可能表明需要适当调整分页或令牌限制参数；大量无效参数的工具错误可能表明工具需要使用更清晰的描述或更好的示例。当我们推出Claude的网络搜索工具时，我们发现Claude不必要地在工具查询参数后附加2025，这偏斜了搜索结果、降低了性能（我们通过改进工具描述将Claude引导到正确方向）。

4.与智能体协作

您甚至可以让智能体分析结果、改进工具。只需将评估智能体的记录连接起来，粘贴到Claude Code中。Claude是分析记录和一次性重构大量工具的专家——例如，确保在进行新更改时工具实现和描述保持自一致。

事实上，本文中的大部分建议都来自于使用Claude Code反复优化我们的内部工具实现。我们的评估建立在内部工作空间之上，反映我们内部工作流程的复杂性，包括真实项目、文档和消息。

我们依赖保留的测试集确保不会过度拟合我们的”训练”评估。测试集表明，即使超越”专家”工具实现的性能，我们能提取额外的性能改进——无论工具是由我们的研究人员手动编写还是由Claude自身生成。

在下一节中，我们将分享从这一过程中学到的一些经验。

编写高效工具的原则

在本节中，我们将所学知识提炼为一些编写高效工具的指导原则。

为智能体选择合适的工具

更多工具不总能带来更好的结果。我们观察到的一个常见错误是工具只包装了现有的软件功能或API端点——无论工具是否适合智能体。这是因为智能体与传统软件具有不同的”功能可见性”——他们感知并使用工具的方式与传统软件截然不同。

LLM智能体具有有限的”上下文”（即它们一次能处理的信息量有限），计算机内存廉价且充足。以在地址簿中搜索联系人的任务为例。传统软件程序可以高效地逐个存储和处理联系人列表，在继续之前检查每个联系人。

如果LLM智能体使用返回所有联系人的工具，必须逐个令牌地阅读每个联系人，它就在无关信息上浪费有限的上下文空间（想象一下通过从上到下阅读每一页来在地址簿中搜索联系人——即通过暴力搜索）。更好更自然的方法（对智能体和人类 alike）是首先跳到相关页面（也许按字母顺序找到它）。

我们建议先构建少量经过深思熟虑的工具，针对高价值的工作流，这些工具与评估任务相匹配，在此基础上进行扩展。在地址簿案例中，选择实现search_contacts或message_contact工具，而不是简单的提供list_contacts工具。

工具有整合能力，能在底层处理多个离散操作（或API调用）。例如，工具用相关元数据丰富工具响应，或在单个工具调用中处理经常链接的多步任务。

以下是一些示例：

• 与其实现 list_users、list_events 和 create_event 工具，不如考虑实现一个 schedule_event 工具，该工具可查找可用性、安排事件。

• 与其实现 read_logs 工具，不如考虑实现一个 search_logs 工具，该工具仅返回相关日志行及一些周围上下文。

• 与其实现 get_customer_by_id、list_transactions 和 list_notes 工具，不如实现一个 get_customer_context 工具，一次性编译客户所有近期相关信息。

确保您构建的每个工具都具有明确独特的目的。工具应使智能体能以人类在获得相同底层资源时会采用的类似方式细分和解决任务，同时减少原本会被中间输出消耗的上下文。

过多工具或功能重叠的工具也可能分散智能体追求高效策略的注意力。对构建（或不构建）哪些工具进行谨慎选择性规划确实能带来回报。

为工具设置命名空间

AI智能体可能会获得数十个MCP服务器和数百种不同工具的访问权限——包括其他开发人员提供的工具。当工具功能重叠或用途模糊时，智能体可能会困惑该使用哪些工具。

命名空间（将相关工具分组在通用前缀下）有助于划分大量工具之间的界限；MCP客户端有时会默认执行此操作。例如，按服务（如 asana_search、jira_search）和按资源（如 asana_projects_search、asana_users_search）进行命名空间划分，帮助智能体在正确时间选择正确的工具。

我们发现基于前缀和后缀的命名空间选择对我们的工具使用评估具有重要影响。效果因LLM而异，我们建议根据自己的评估选择命名方案。

智能体可能调用错误工具、以错误参数调用正确工具、调用过少工具或错误处理工具响应。通过选择性实现名称反映任务自然细分的工具，能同时减少加载到智能体上下文中的工具和工具描述数量，将智能体计算从上下文卸载回工具调用本身。降低智能体犯错的整体风险。

从工具返回有意义的上下文

同样地，工具实现应注意仅向智能体返回高价值信息。应优先考虑上下文相关性而非灵活性，避开低级技术标识符（例如：uuid、256px_image_url、mime_type）。像name、image_url和file_type这样的字段更有可能直接指导智能体的下游行动和响应。

智能体处理自然语言名称、术语或标识符的成功率显著高于处理晦涩标识符。我们发现，仅仅将任意字母数字UUID解析为更具语义意义和可解释性的语言（甚至是0索引ID方案），就能通过减少幻觉显著提高Claude在检索任务中的精确度。

在某些情况下，智能体可能需要灵活地同时处理自然语言和技术标识符输出，哪怕只是为触发下游工具调用（例如，search_user(name=’jane’) → send_message(id=12345)）。您可以通过在工具中暴露一个简单的response_format枚举参数来实现两者，让智能体控制工具返回”简洁”还是”详细”响应（下图）。

您能添加更多格式以获得更大灵活性，类似于GraphQL，选择确切想要接收的信息片段。以下是一个控制工具响应详细程度的ResponseFormat枚举示例：

enum ResponseFormat {   DETAILED = "detailed",   CONCISE = "concise"}generic72 Bytes© AI工具集

以下是详细工具响应的示例（206 个 token）：

以下是简洁工具响应的示例（72 个 token）：

工具响应结构——例如XML、JSON或Markdown——也会对评估性能产生影响：不存在一刀切的解决方案。这是因为LLM是通过下一个令牌预测进行训练的，往往在与其训练数据匹配的格式上表现更好。最优响应结构会因任务和智能体的不同有很大差异。我们建议根据自己的评估选择最佳响应结构。

优化工具响应的令牌效率

优化上下文质量很重要。但优化工具响应中返回给智能体的上下文数量同样重要。

我们建议为任何可能消耗大量上下文的工具响应实施分页、范围选择、过滤和/或截断的某种组合，设置合理的默认参数值。对于Claude Code，我们默认将工具响应限制为25,000个令牌。我们预计智能体的有效上下文长度会随时间增长，但对上下文高效工具的需求会始终存在。

如果您选择截断响应，请务必通过有用的指令引导智能体。您可以直接鼓励智能体追求更节省令牌的策略，例如进行多次小型针对性搜索，不是为知识检索任务执行单次广泛搜索。如果工具调用引发错误（例如在输入验证期间），您可以通过提示工程设计错误响应，以清晰传达具体且可操作的改进建议，而不是提供晦涩难懂的错误代码或追溯信息。

以下是一个截断工具响应的示例：

以下是一个无用的错误响应示例：

以下是一个有用的错误响应示例：

现在我们来讨论改进工具的最有效方法之一：对工具描述和规格进行提示工程。由于这些内容会被加载到智能体的上下文中，它们可以共同引导智能体采取有效的工具调用行为。

在编写工具描述和规格时，请设想如何向团队新成员描述您的工具。考虑可能隐式引入的上下文 —— 专用查询格式、专业术语的定义、底层资源之间的关系 —— 并将其明确化。通过清晰描述（通过严格数据模型强制执行）预期输入和输出来避免歧义。特别需要注意的是，输入参数的命名应明确无误：不要使用名为user的参数，尝试使用名为user_id的参数。

通过评估，您可以更有信心地衡量提示工程的影响。即使对工具描述进行微小改进也能带来显著提升。在我们对工具描述进行精确改进后，Claude Sonnet 3.5在SWE-bench Verified评估中实现最先进的性能，显著降低错误率、提高任务完成度。

在我们的开发者指南中能找到工具定义的其他最佳实践。如果您正在为Claude构建工具，我们建议阅读有关工具如何动态加载到Claude系统提示中的说明。如果您正在为MCP服务器编写工具，工具注释有助于披露哪些工具需要开放世界访问或进行破坏性更改。

展望未来

为构建有效的智能体工具，我们需要将软件开发实践从可预测的确定性模式重新定位到非确定性模式。

通过本文描述的迭代式、评估驱动的过程，我们发现工具成功的一致模式：有效的工具具有清晰明确的定义，能合理地利用智能体上下文，能在多样化工作流中组合使用，使智能体能直观地解决现实世界任务。

展望未来，预测智能体与世界交互的具体机制将不断发展——从MCP协议的更新到底层LLM本身的升级。通过采用系统化、评估驱动的方法改进智能体工具，能确保随着智能体能力不断增强，它们使用的工具也将同步发展。

《为智能体编写工具》的官网地址

• 官网地址：https://www.anthropic.com/engineering/writing-tools-for-agents

《为智能体编写工具》的适用人群

• 人工智能工程师和开发者：提供构建、测试和优化工具的具体方法，帮助提升智能体的性能和效率。

• 数据科学家和机器学习专家：文章中的评估和优化技巧有助将模型与工具结合，提高系统整体性能。

• 软件架构师：文章的高级指导帮助用户设计更高效、灵活的系统架构，将智能体和工具集成到现有系统中。

• 产品经理：文章帮助用户理解工具开发的关键点，更好地规划产品功能和评估技术方案。

• 研究人员：文章中的最佳实践和案例分析为用户的研究提供参考，助力探索新的研究方向。

什么是通用人工智能

AGI的定义

通用人工智能（Artificial General Intelligence, AGI）是具备与人类相当甚至超越人类的广泛认知能力的人工智能形态 。能像人类一样在各种不同的任务和环境中表现出智能行为，不仅局限于特定领域 。AGI的目标是创造出能理解、学习、推理并适应新情况的智能系统，能力不局限于预定义的任务，能处理几乎任何人类能完成的智力任务 。与当前主流的“窄人工智能”（Narrow AI）或“弱人工智能”（Weak AI）不同，AGI追求的是具备通用性的智能，能在多个领域和任务中展现出类似人类的适应和学习能力 。AGI系统不仅能执行任务，更重要的是能理解所面临的问题，具备独立决策的能力 。这种智能体被期望能够整合多种能力，如自动推理、知识表示、自动规划、自主学习以及自然语言沟通，达到设定的目标 。AGI也被称为强人工智能（Strong AI）、完全人工智能（Full AI）或人类水平人工智能（Human-Level AI）。

AGI 与狭义人工智能（ANI）的区别

通用人工智能（AGI）与狭义人工智能（Artificial Narrow Intelligence, ANI），也称弱人工智能（Weak AI），在智能的广度、深度和自主性上存在本质区别。ANI是当今最常见的AI类型，专注于解决特定领域或特定任务的问题，例如图像识别、语音识别、自然语言处理中的特定应用（如机器翻译或情感分析），或下棋程序等 。这些系统通过大量的数据和算法进行训练，实现特定的目标，但它们只能在其预定义的领域中表现出色，在其他领域则表现不佳或完全无法运作 。

例如，一个在围棋上表现卓越的ANI系统，并不能将其能力直接迁移到驾驶汽车或进行医疗诊断上。像ChatGPT、Midjourney和Meta AI这样的模型，虽然功能强大，但仍然是弱AI或窄AI的例子，不具备真正的人类水平智能 。

相比之下，AGI具备广泛的认知能力，能像人类一样在各种不同的任务和环境中学习和适应，执行人类能执行的任何智力任务 。AGI的核心区别在于“通用性”和“自主性”。首先，在任务与问题理解方面，AGI需要不仅能执行任务，还需要理解它所面临的问题，使AGI能更具适应性和生存能力 。其次，在决策能力方面，AGI需要有能力做出独立的、基于情境的决策，是更具可靠性的重要因素 。最后，在智能水平上，AGI被视为一种通用人工智能，大致等同于一台拥有一个普通人所拥有的全部智慧能力的计算机，包括使用自然语言交流、解决问题、推理、感知环境等能力，与一个普通人处于同等或者更高等级的智能水准 。简而言之，ANI是“专才”，AGI追求的是“通才”。

通用人工智能的核心特征

通用性（Generality）

是AGI最显著的特征。人类智能的一个关键优势就是通用性，我们能学习数学、语言、艺术，能将不同领域的知识结合起来解决复杂问题。AGI模仿这种能力，使其能像人类一样“触类旁通”。

例如，一个具备通用性的AGI系统，不仅能进行复杂的科学计算，还能理解文学作品，甚至创作音乐。

北京通用人工智能研究院院长朱松纯教授提出，通用人工智能需要满足三个基本条件，其中第一个就是“能完成无限的任务” 。

自主性（Autonomy）

AGI系统被期望能独立思考、自主决策，在没有或仅有少量人工干预的情况下完成任务 。包括执行预设指令的能力，更重要的是能理解任务目标，分析环境信息，根据自身的学习和经验制定行动计划。自主性意味着AGI能主动发现问题、设定目标，主动寻求解决方案，不是被动地等待指令。

朱松纯教授提出的第二个条件是“能在场景中主动、自主地发现任务，即‘眼里有活’” 。

例如，一个自主的AGI机器人不仅能按照指令清洁房间，还能主动识别房间的脏乱程度，规划清洁路径，在清洁过程中应对突发状况，如避开障碍物或补充清洁剂。

适应性（Adaptability） 和 学习能力（Learning Ability）

是AGI实现通用性和自主性的基础。AGI需要具备强大的学习能力，能从经验中学习，从数据中提取模式，不断更新和改进自身的知识和技能 。包括监督学习、无监督学习和强化学习等现有AI技术，还可能涉及到更高级的学习形式，如元学习（学习如何学习）和迁移学习（将在一个领域学到的知识应用于另一个领域）。适应性要求AGI能快速适应新的、未知的环境和任务，调整自身的行为策略以应对变化。

理解能力（Understanding） 和 推理能力（Reasoning）

AGI需要处理信息，更需要真正理解信息的含义，包括语言、图像、声音等多种模态的信息 。需要AGI具备常识知识，能进行逻辑推理、因果推断和抽象思维。

例如，在阅读一篇文章时，AGI需要理解文字背后的意图、情感和隐含信息，不仅是识别单词和句子结构。在解决问题时，AGI需要能分析问题的本质，运用已有的知识进行推理，找到有效的解决方案。

通用人工智能的发展历程

AGI概念的提出与早期探索

通用人工智能（AGI）的概念并非一蹴而就，是伴随着人工智能学科的整个发展历程，在不同阶段被赋予了不同的内涵和期望。人工智能的早期探索，在“人工智能”这个术语正式诞生之前，就蕴含着对通用智能的向往。

1956年的达特茅斯会议被广泛认为是人工智能领域的开端，会议上提出的目标就是探索如何让机器能像人一样思考、学习和解决问题。早期的AI研究者，如艾伦·图灵、马文·明斯基、约翰·麦卡锡等，他们的愿景是创造出具有人类级别智能的机器。图灵在其1950年发表的论文《计算机器与智能》中提出的“图灵测试”，虽然并非直接定义AGI，但其核心思想——判断机器是否能表现出与人无法区分的智能行为——为AGI的目标设定了一个重要的参考标准 。赫伯特·西蒙（Herbert A. Simon）在1965年预言：“机器将在二十年内能完成人类可以做的任何工作。” 。

到了20世纪70年代末和80年代初，AI研究逐渐转向更具体和实用的领域，专家系统成为研究热点，这些系统试图将特定领域的人类专家知识编码到计算机中，解决特定问题 。虽然专家系统在某些领域取得了成功，但它们本质上是“窄AI”，缺乏通用性。导致了人工智能研究的第一次“寒冬”（1974-1980年），主流研究方法逐渐从通用目的转向针对特定领域 。

“通用人工智能”（AGI）术语本身，最早由Mark Gubrud在1997年讨论纳米技术与国际安全的背景下提出，用于描述一种在复杂性和速度上能与人类大脑相媲美甚至超越的系统，这些系统可以获取、操纵和推理日常知识，在需要人类智力的领域发挥作用 。

在2001年左右，一些人工智能研究人员，如本·戈尔策尔（Ben Goertzel）、谢恩·莱格（Shane Legg）和彼得·沃斯（Peter Voss），为了回归人工智能的原始愿景，即创造具有通用智能的机器，开始推广和使用AGI这一概念 。他们认为，主流AI过于关注特定应用，忽视了通用智能的核心问题。AGI概念的明确提出，标志着对人工智能发展方向的重新思考和聚焦，区分于当时主流的“弱人工智能”或“应用人工智能”研究。

大约在2004年至2007年，主流AI领域内外重新兴起了对通用目的系统的研究呼声，“集成AI（integrated AI）”、“通用系统（general-purpose system）”、“人类水平AI（human-level AI）”等主题逐渐受到关注。

2008年后，诸如AGI系列会议、认知系统进展、IEEE迈向类人智能任务组等学术会议和组织的出现，标志着AGI作为一个独立的研究方向得到了进一步的明确和发展 。

不同技术路径与主要研究流派

符号主义

又称逻辑主义、心理学派或计算机学派，理论基础是物理符号系统假设，即认为智能行为可以通过符号操作来实现 。符号主义者试图通过构建基于逻辑推理和知识表示的系统来模拟人类的认知过程。他们认为，智能的核心在于对抽象符号的操纵和推理，只要能将人类的知识和推理过程形式化为符号和规则，就能实现通用智能。早期的专家系统、知识图谱等是符号主义思想的体现。尽管符号主义在处理明确规则和结构化知识方面取得了成功，但在处理感知、学习、以及现实世界中的不确定性和模糊性方面遇到了挑战，即所谓的“知识获取瓶颈”和“框架问题” 。

连接主义

又称仿生学派或生理学派，灵感来源于人脑神经网络的结构和功能 。连接主义者认为，智能产生于大量简单处理单元（神经元）之间的相互连接和并行处理。通过构建人工神经网络（ANNs）来模拟大脑的学习和认知过程。深度学习就是连接主义在当代取得巨大成功的代表，特别是在图像识别、自然语言处理等领域取得了突破性进展 。当前的深度学习模型大多依赖于大量的标注数据进行训练，在可解释性、鲁棒性和常识推理方面仍存在局限性，距离真正的AGI尚有距离 。

行为主义/具身认知

强调智能体与环境的交互以及感知和行动的重要性 。他们认为，智能不能仅停留在抽象的符号操作或神经网络的计算上，是需要通过物理身体与环境进行实时互动才能产生和发展。具身认知理论认为，认知过程受到身体形态、感知运动能力以及与环境交互方式的深刻影响。因此，AGI的实现需要构建能感知环境、采取行动并从交互中学习的具身智能体。机器人学、强化学习等领域的研究与这一流派密切相关。这一流派强调“世界模型”的重要性，即智能体需要构建对环境的内部表征，利用这些表征进行规划和决策 。

除了上述主要流派外，还有一些其他的研究方向和理论，如：

演化计算（Evolutionary Computation），借鉴生物进化的思想，通过选择、交叉和变异等操作来优化和设计智能系统；

贝叶斯网络（Bayesian Networks），提供了一种基于概率图模型进行不确定性推理的框架；

整合方法（Integrative Approaches），如OpenCog等项目，试图结合不同AI方法论的优点，例如将符号逻辑的推理能力与神经网络的模式识别能力相结合，实现更全面的智能；

认知架构（Cognitive Architectures）（如ACT-R、SOAR、LIDA）构建统一的、基于认知科学原理的计算模型，模拟人类心智的各种能力；

AI智能体，结合大型语言模型和强化学习的AI Agent被认为是通往AGI的必由之路，这些Agent能理解指令、制定计划并执行复杂任务 。当前AGI的研究趋势也越来越多地体现出多学科交叉和多种技术融合的特点，例如将深度学习与符号推理相结合，或者将强化学习与认知架构相结合，克服单一方法的局限性，向真正的通用智能迈进。

通用人工智能的研究进展

进展

当前，通用人工智能（AGI）的研究正处于一个充满活力但也面临显著挑战的阶段。以大型语言模型（LLMs）为代表的生成式AI技术的突破性进展，许多研究人员和科技公司，如OpenAI、DeepMind、谷歌、百度、科大讯飞等，都在积极探索通往AGI的路径，推出了一系列被认为“接近AGI水平”的模型，例如GPT-4、Claude 3、Sora等 。这些模型在自然语言理解与生成、图像生成、代码编写、多任务处理等多个方面展现出惊人的能力，在某些特定任务上的表现超越了人类平均水平 。

OpenAI内部将通往AGI的路径划分为五个等级，认为其目前的AI模型（如GPT-4）仍处于L1级别（聊天机器人），但预计很快能达到L2级别（推理者），具备解决博士水平基本问题的能力 。

瓶颈

算力和能源的制约。训练和运行先进的大模型需要巨大的计算资源和能源消耗，带来了高昂的成本，也对环境造成压力，限制了AGI技术的普及和进一步发展 。

模型能力的局限性。虽然现有大模型表现出强大的模式识别和生成能力，但在更深层次的认知能力，如常识推理、因果推断、可解释性、鲁棒性、长期规划等方面，仍与人类智能存在较大差距 。例如，大模型在处理需要复杂逻辑推理或理解物理世界常识的问题时，仍然容易出错。它们也容易受到提示词的影响，产生“幻觉”（即生成不准确或无意义的内容），并且决策过程往往缺乏透明度和可解释性。

数据瓶颈。高质量、多样化的训练数据对于提升模型性能至关重要，但获取和标注大规模、无偏见的数据集本身就是一个巨大的挑战。现有模型的学习方式往往是“填鸭式”的，缺乏真正的理解和主动探索的能力 。

AGI的伦理和安全问题。包括数据隐私、算法偏见、虚假信息传播、潜在的滥用风险以及对就业市场和社会结构的冲击等，这些问题需要在技术发展的得到妥善解决 。

通用人工智能的关键技术挑战

从视频等多模态数据中学习

实现通用人工智能（AGI）的一个关键技术挑战是能像人类一样，从多种模态的数据中学习，特别是从视频等动态、富含上下文信息的媒介中学习。人类获取知识和理解世界的主要方式之一就是通过视觉观察和经验积累，而视频数据恰恰包含了丰富的视觉信息、时间序列信息、以及物体间的交互和因果关系。当前的AI模型，尤其是大型语言模型，主要依赖于文本数据进行训练，这只占人类学习经验的一小部分 。研究表明，文本学习大约只占人类学习方式的5% 。要让机器真正理解物理世界和社会场景，就必须具备从视频中提取语义信息的能力，例如识别物体、动作、场景、以及它们之间的复杂关系。开发出能有效处理和融合多模态信息的算法和模型架构。需要计算机视觉技术的进步，例如更精准的目标检测、行为识别、场景理解等，需要将这些视觉信息与文本、音频等其他模态的信息进行对齐和关联。

例如，一个AGI系统在观看一段烹饪视频时，不仅需要识别出食材、厨具和烹饪动作，还需要理解这些动作的顺序、目的，以及可能出现的意外情况和相应的处理方法。从视频中学习还涉及到对时间动态性和因果关系的建模。视频中的事件是随时间展开的，AGI需要能理解事件的先后顺序、持续时间以及它们之间的因果联系，对于进行有效的规划和决策至关重要。虽然已经有一些研究开始探索视频理解、视频描述生成、以及基于视频的问答等任务，但距离让机器像人类一样从视频中高效学习并构建对世界的深刻理解，仍有很长的路要走 。解决这一挑战将极大地推动AGI在机器人、自动驾驶、智能监控、人机交互等领域的应用。

理解时间、因果关系与进行规划

通用人工智能（AGI）若要具备与人类相当的智能水平，其核心能力之一是深刻理解时间、因果关系，并在此基础上进行有效的规划。能理解事件发生的先后顺序、持续时间、以及不同事件之间的因果联系。

例如，当我们计划一次旅行时，我们会考虑交通方式、所需时间、可能的延误、以及不同选择可能带来的后果，这些都是基于对时间、因果和规划能力的运用。

实现AGI对时间、因果关系和规划能力的掌握，面临着多方面的技术挑战。

首先，时间表示与推理是一个基础问题。AGI需要能以合适的方式表示时间信息，例如离散时间点、连续时间段、以及它们之间的相对关系（如之前、之后、同时发生等）。在此基础上，AGI还需要能进行时间推理，例如判断两个事件是否可能同时发生，或者一个事件的发生需要另一个事件先发生。

其次，因果发现与推断是更为复杂的问题。仅仅观察到事件之间的相关性并不足以推断其因果关系。AGI需要能从观察数据中识别出潜在的因果关系，区分因果和相关，理解因果关系的强度和方向。这需要超越传统的统计方法，引入更复杂的因果模型和推理机制。

最后，基于因果理解的规划是最终目标。AGI需要能利用其对时间动态和因果关系的理解，来制定出能达成特定目标的行动计划。要求AGI能预测不同行动的可能结果，能评估这些结果的优劣，在复杂和不确定的环境中进行决策。

实现可解释性与鲁棒性

可解释性（Interpretability）

指的是人类能理解AGI系统做出特定决策或预测的原因和过程。当前的许多先进AI模型，特别是深度学习模型，被认为是“黑箱”模型，内部工作机制难以被人类理解 。虽然这些模型在特定任务上可能表现出很高的准确性，但缺乏可解释性使得我们难以信任其决策，是在医疗、金融、法律等高风险领域。如果AGI系统做出了错误的决策，我们无法追溯其错误的原因，也无法有效地进行修正。因此，开发能提供清晰、易懂解释的AGI系统，对于建立用户信任、确保公平性、以及进行有效的调试和改进至关重要。可解释性也有助于我们发现模型可能存在的偏见或漏洞。可解释AI（XAI）技术，如LIME（Local Interpretable Model-agnostic Explanations）和SHAP（SHapley Additive exPlanations），正在被积极研究，提供对模型决策的局部或全局解释 。

鲁棒性（Robustness）

是指AGI系统在面对噪声、干扰、对抗性攻击或未曾预料到的输入时，依然能保持稳定性能和正确决策的能力。现实世界充满了不确定性和复杂性，AGI系统必须能应对各种意外情况，不会轻易失效或产生灾难性的错误。当前的AI模型往往在训练数据分布范围内表现良好，但在遇到分布外数据或精心设计的对抗性样本时，其性能可能会急剧下降。例如，自动驾驶汽车在遇到恶劣天气或罕见交通状况时，必须能安全可靠地运行。提高AGI的鲁棒性需要从多个方面入手，包括设计更强大的模型架构、采用更有效的正则化方法、进行更全面的测试和验证、以及开发能检测和处理异常情况的机制。缺乏鲁棒性的AGI系统不仅不可靠，还可能带来严重的安全风险 。因此，在追求AGI能力提升的同时，必须高度重视其可解释性和鲁棒性的研究，确保AGI技术的安全、可靠和负责任的发展。

克服数据与算力瓶颈

通用人工智能（AGI）的实现，在很大程度上依赖于海量高质量数据的驱动和强大的计算能力的支撑，

数据瓶颈

体现在多个方面。一方面，获取足够规模、多样化和高质量的训练数据本身就是一项巨大的挑战。许多现实世界的问题缺乏充足的标注数据，人工标注的成本又非常高昂。虽然无监督学习和自监督学习等方法在一定程度上缓解了对标注数据的依赖，但仍然需要大量的原始数据。另一方面，当前AI模型的学习效率远低于人类，往往需要比人类多得多的数据才能达到相似的水平。AGI需要具备从少量数据中快速学习（小样本学习）以及持续学习新知识而不遗忘旧知识的能力，当前的模型在这方面表现不佳，容易受到“灾难性遗忘”的困扰 。数据中可能存在的偏见、噪声和不一致性也会对模型的性能和泛化能力产生负面影响。

算力瓶颈

训练先进的AI模型，特别是大规模深度学习模型，需要巨大的计算资源。例如，训练像GPT-3这样的模型可能需要数百万美元的计算成本 ，而GPT-4的训练消耗了相当于数千个家庭数周能源用量的计算能力 。随着模型规模的不断增大，对算力的需求也呈指数级增长。带来了高昂的经济成本，也对能源供应和环境影响提出了严峻的挑战 。如果按照当前AI芯片的销售速度持续下去，到2028年AI芯片将消耗美国4%以上的电力 。虽然硬件技术（如专用AI芯片）在不断进步，但其发展速度是否能跟上AGI对算力需求的增长速度，仍是一个未知数。

算法的效率也是一个关键因素。开发更高效、更节能的算法和模型架构，以减少对算力的依赖，是克服算力瓶颈的重要途径。如果AGI的发展过度依赖算力的堆砌，那么其普及和应用将受到极大的限制，只有少数资源雄厚的机构才能参与其中，不利于AGI技术的健康发展和广泛惠益。如何在有限的数据和算力条件下，提升AGI的学习效率和性能，是当前研究亟待解决的关键问题。

通用人工智能的潜在应用

科学研究与探索

AGI系统可以自主地分析海量的科学数据，识别复杂的模式和关联，提出新的科学假设，甚至设计和执行实验 。例如，

在药物研发领域，AGI可以加速新药的发现过程，通过分析分子结构、生物通路和临床试验数据，预测药物的有效性和副作用，从而大幅缩短研发周期并降低成本 。

在材料科学领域，AGI可以帮助设计和发现具有特定性能的新材料。

在天文学、物理学等基础科学领域，AGI可以处理和分析来自望远镜、粒子对撞机等设备的庞大数据集，帮助科学家发现新的天体物理现象或基本粒子。

AGI可以模拟复杂的自然系统，如气候变化、生态系统演化等，为科学家提供更深入的理解和更准确的预测。

经济发展与产业变革

AGI作为一种潜在的通用目的技术（GPT），影响可能不亚于历史上的蒸汽机、电力和互联网。AGI有望大幅提升生产效率和自动化水平。

在制造业领域，AGI可以优化整个生产流程，从供应链管理、生产线调度、质量控制到设备维护，实现全流程的智能化和自主化 。例如，AGI系统可以通过分析来自传感器的海量数据，实时识别生产瓶颈，预测设备故障，自动调整生产计划以最大化效率和减少浪费 。

在农业领域，AGI可以辅助进行精准种植、病虫害预测和自动化收割，提高农作物产量和质量。在服务业，AGI驱动的智能客服、个性化推荐、智能投顾等将重塑客户体验并提升服务效率 。

在内容创作领域，AGI可以自主生成高质量的文本、图像、音乐和视频，为媒体、娱乐、广告等行业带来革命性变化 。

在科学研究领域，AGI可以辅助科学家进行大规模数据分析、提出新的科学假设、设计实验方案，直接参与新材料的发现和新药的研发，极大地加速科学发现的进程 。AGI可能推动“人工智能即服务”（AIaaS）模式的普及，使中小企业和个人开发者也能便捷地使用强大的AGI能力，激发更广泛的创新活力。

AGI将重塑全球价值链和竞争格局。拥有AGI核心技术和应用能力的国家或企业，将在未来的全球经济竞争中占据主导地位。AGI技术的发展和应用落地，将吸引大量资本和人才投入，形成强大的产业集群效应 。中国在人工智能应用落地方面具有巨大的市场优势和数据资源，特别是在制造业等领域，有望通过“人工智能+”行动，推动AGI技术与实体经济的深度融合，实现产业升级 。在核心技术如高端芯片、底层算法等方面，与国际领先水平仍存在差距，需要持续加大研发投入，突破关键瓶颈 。AGI的发展也将加剧国际间的技术竞争和人才争夺，各国政府需要制定前瞻性的发展战略和政策，以抓住AGI带来的机遇，同时防范潜在的风险。

中国人工智能产业规模预计在未来十年将实现显著增长，从2025年的近4000亿元增长至2035年的超过1.7万亿元，复合年增长率达到15.6% ，这充分显示了AGI及相关AI技术对经济发展的巨大拉动潜力。

社会服务与民生改善

在医疗健康领域，AGI系统可以整合分析海量的医学文献、临床案例、基因组数据和实时生理监测数据，辅助医生进行更精准的疾病诊断，制定个性化治疗方案，预测疾病风险 。例如，AGI可以通过分析医学影像（如CT、MRI扫描）来早期发现肿瘤等病变，准确性和效率可能超越人类医生。在药物研发方面，AGI可以加速新药的发现过程，通过模拟分子相互作用、筛选候选化合物、优化临床试验设计，缩短研发周期，降低研发成本 。AGI驱动的智能健康管理助手可以为个人提供全天候的健康咨询、慢病管理和应急响应服务，提升全民健康水平。AGI可以根据用户的健康数据和生活习惯，提供个性化的饮食和运动建议，在出现紧急情况时自动联系医疗机构。

在教育领域，AGI有潜力实现真正的个性化学习，因材施教，提升教育质量和公平性。AGI导师可以根据每个学生的学习进度、认知特点和兴趣偏好，动态调整教学内容和节奏，提供定制化的学习路径和辅导方案 。能帮助学生更有效地掌握知识，激发学习兴趣，培养创新能力。

在交通领域，AGI是实现完全自动驾驶的关键技术，有望大幅提升交通系统的安全性和效率，减少交通拥堵和事故 。AGI驱动的智能交通管理系统可以实时优化交通信号灯、预测交通流量、调度公共交通资源，为市民提供更便捷、高效的出行体验。AGI可以应用于智能家居、环境保护、灾害预警与救援、城市精细化管理等诸多方面，例如通过分析环境数据预测污染事件、优化能源消耗，在灾害发生时协助规划救援路线、调度救援资源，为构建更安全、更便捷、更宜居的社会环境提供强大的技术支持。

国防安全与全球治理

通用人工智能（AGI）的出现将对国防安全和全球治理产生深远且复杂的影响，既带来了前所未有的机遇，也带来了严峻的挑战和风险。AGI的发展对美国国家安全构成了五大难题，包括可能催生“颠覆性”武器、引发国家力量结构的系统性转移、降低大规模杀伤性武器的技术门槛、导致智能体失控以及加剧发展路径与后AGI世界的不稳定性 。这些潜在影响表明，AGI技术一旦成熟，其军事和战略意义将不亚于核武器或信息技术革命。

在国防安全领域，AGI可能通过情报分析、战略决策支持、自主武器系统（AWS）研发、网络攻防以及后勤保障等方面的应用，深刻改变战争形态和军事平衡。AGI系统能快速处理和分析来自各种传感器和情报源的海量数据，识别潜在威胁，评估风险，为指挥官提供决策建议。

在全球治理方面，AGI可以用于分析全球性挑战（如气候变化、疫情传播、跨国犯罪），辅助制定更有效的应对策略。

通用人工智能的发展前景

通用人工智能（AGI）的发展将继续成为科技领域乃至整个社会关注的焦点。尽管实现真正意义上的AGI仍然面临诸多不确定性和挑战，但潜在的巨大价值和深远影响激励着全球的研究者和机构不断投入探索。我们或许正处在一个关键的转折点，当前以大型语言模型为代表的AI技术的飞速发展，让我们看到了AGI的曙光，也暴露出其与人类通用智能之间仍存在的巨大鸿沟。未来的AGI研究，可能会呈现出多路径并行、多技术融合的趋势，包括对现有深度学习范式的持续优化和扩展，可能涌现出全新的理论框架和算法模型。

在思考AGI的未来时，我们必须保持清醒的头脑和审慎的态度。一方面，要积极拥抱AGI带来的机遇，鼓励技术创新和应用探索，充分发挥其在解决人类面临的重大挑战、提升社会福祉方面的潜力。另一方面，更要高度重视AGI可能带来的风险和挑战，将安全性、可控性、公平性和伦理考量置于优先地位。需要政府、学界、产业界和公众的共同努力，加强国际合作，建立健全的法律法规、伦理准则和治理机制，确保AGI的发展始终朝着对人类有利的方向前进。AGI的未来不仅仅是一个技术问题，更是一个关乎人类命运和文明走向的深刻命题。希望通过持续的努力和智慧的抉择，最终能驾驭AGI这股强大的力量，成为推动人类社会进步和繁荣的积极因素，共同开创一个更加美好的未来

什么是AI智能体

基本定义

AI智能体（AI Agent），也被称为人工智能体，是人工智能领域中的一个核心概念，指的是能感知其环境、进行自主决策并采取行动以实现特定目标的智能实体或计算机程序 。这些智能体不仅是简单的自动化工具，是具备一定程度的自主性、学习能力和推理能力的先进AI系统 。可以代表用户执行任务，在执行过程中不断进行自我完善和改进 。AI智能体被认为是人工智能领域的下一次演进，标志着从简单的自动化向能够管理复杂工作流的自主系统的过渡 。

与传统遵循“请求和响应”框架的生成式AI模型不同，AI智能体能编排资源，与其他智能体协作，基于多种工具，如大语言模型（LLM）、检索增强生成（RAG）、向量数据库、API、框架以及Python等高级编程语言，实现更复杂的功能 。AI智能体的表现形式多样，可以是纯粹的软件程序，如个人助理应用，也可以是具有物理形态的机器人 。核心在于具备学习和决策能力，能从海量数据中提取有用信息，形成知识库，综合考虑各种因素，运用逻辑推理、概率统计等方法做出最优决策 。

构成要素

AI智能体的构成要素是实现自主感知、决策和行动的基础。一个典型的AI智能体包含以下几个核心组件，组件协同工作，帮助智能体高效地进行推理、制定计划并执行任务 ：

• 大语言模型 (LLM)：LLM被视为AI智能体的“大脑”，负责协调决策制定。通过任务进行推理，制定行动计划，选择合适的工具，管理对必要数据的访问权限，实现目标。作为智能体的核心，LLM负责定义和编排智能体的总体目标 。LLM赋予了智能体理解意图和生成文本的能力，当智能体学会使用工具时，潜力将被无限放大 。

• 记忆模组 (Memory Module)：AI智能体依靠记忆来维护上下文，可以根据正在进行的任务或历史任务进行调整。记忆模组通常分为：

• 短期记忆 (Short-term Memory)：用于跟踪智能体的“思维链”和最近的操作，确保在当前工作流期间保留上下文 。

• 长期记忆 (Long-term Memory)：用于保留历史交互情况和相关信息，方便随着时间推移更深入地理解上下文并改进决策制定过程 。记忆系统对于补充模型上下文信息处理至关重要，在处理超出模型上下文窗口限制的信息时 。

• 规划模组 (Planning Module)：利用规划模组，AI智能体可以将复杂任务分解为可操作的步骤。规划可以基于不同方法：

• 无反馈 (Without Feedback)：使用“思维链 (Chain-of-Thought)”或“思维树 (Tree-of-Thought)”等结构化技术，将任务分解为可管理的步骤 。

• 有反馈 (With Feedback)：整合ReAct、Reflexion或人机回圈 (Human-in-the-Loop) 反馈等迭代改进方法，以优化策略和结果 。

• 工具 (Tools)：AI智能体本身可以用作工具，也可以通过集成外部系统来扩展其功能。工具可以包括API、数据库、其他软件或硬件设备，使智能体能够与更广泛的环境进行交互并执行更复杂的操作 。工具的使用极大地提升了模型的能力，使得智能体模式成为必然趋势 。

AI智能体的核心结构还包括环境（Environment）、传感器（Sensors）、执行器（Actuators）和决策机制（Decision-making mechanism）。环境是智能体操作的领域，可以是物理空间或数字空间。传感器是智能体感知环境的工具，如摄像头、麦克风或数据输入。执行器负责执行决策机制选择的动作，如机器人的电机或软件的功能。决策机制是智能体的核心，处理感知信息，基于知识库和推理机制来决定最佳行动方案 。共同构成了AI智能体感知、思考、决策和行动的基础。

AI智能体 vs AI助手

AI助手，如Apple的Siri、Amazon的Alexa或Google Assistant，是传统AI聊天机器人的进化版本。基于自然语言处理（NLP）理解用户以文本或语音形式提出的查询，然后根据直接的人工指令执行任务 。这些系统在处理预定义任务或响应特定命令方面表现出色，但自主性和任务复杂性处理能力有限 。相比之下，

AI智能体是一种更先进的AI，功能远超AI助手。基于规划、推理和上下文记忆来自主处理复杂的开放式任务，可以执行迭代工作流，使用一系列工具，根据反馈和之前的交互情况做出调整 。

AI智能体的发展历程

早期探索与理论基础

AI智能体的概念最早可以追溯到计算机科学的黎明时期。20世纪40年代和50年代，图灵、冯·诺依曼等先驱为人工智能和智能体的思想奠定了基础。艾伦·图灵提出的“图灵测试”为衡量机器智能提供了一个标准，而冯·诺依曼则对自复制自动机进行了研究，探索如何让机器模拟人类的思维过程，例如通过逻辑推理和问题求解。

符号主义智能体的发展

20世纪60年代至80年代，符号主义（Symbolicism）成为人工智能研究的主流范式，也深刻影响了早期AI智能体的发展。符号主义认为智能行为可以通过对符号的操作和推理来实现。在这一思想指导下，研究者们开发了基于知识的专家系统和逻辑推理智能体。

行为主义智能体的兴起

20世纪80年代末至90年代，随着对符号主义局限性的反思，行为主义（Behaviorism）或基于行为的AI（Behavior-based AI）开始兴起，为AI智能体的发展带来了新的思路。行为主义强调智能体与环境的直接交互，认为智能行为源于简单行为模块的叠加和涌现，而非复杂的内部符号表征和推理。罗德尼·布鲁克斯（Rodney Brooks）提出的包容式架构（Subsumption Architecture）是行为主义智能体的典型代表，他主张从底层构建具有感知和行动能力的机器人，通过与环境互动来学习和适应。

现代智能体技术的融合与突破

进入21世纪，特别是近年来，AI智能体技术进入了融合与突破的新阶段。随着机器学习，特别是深度学习和强化学习的飞速发展，AI智能体的能力得到了前所未有的提升。大语言模型（LLM）的出现，使得智能体在自然语言理解、生成和推理方面取得了显著进展，为构建更通用、更智能的AI智能体提供了强大的基础模型。现代AI智能体不再局限于单一的符号主义或行为主义范式，而是倾向于融合多种技术。

AI智能体的工作原理

AI智能体的工作原理是一个复杂但有序的过程，涉及多个阶段的交互和决策。过程可以概括为感知环境、处理信息、设定目标、做出决策、执行动作，从结果中学习与适应，涉及多个智能体之间的协调编排。

感知与信息获取

AI智能体运作的第一步是感知（Perception）其环境 。在这个阶段，智能体通过各种方式收集关于其所在环境的数据。数据来源可以非常广泛，包括物理传感器（如摄像头、麦克风、温度传感器等，尤其对于具身智能体或机器人）、API接口（用于从其他软件系统获取数据）、数据库（存储历史数据或领域知识）、用户交互（如文本输入、语音指令）以及互联网等数字空间 。感知的目的是确保智能体拥有最新的、相关的信息，以便进行后续的分析和行动。传感器是AI智能体用来感知环境的工具，传感器可以是摄像头、麦克风或任何其他感官输入，使AI智能体能理解周围发生的事情 。感知模块进一步处理原始传感器数据，转化为有意义的信息，例如进行图像识别、语音到文本的转换或数据预处理，为智能体解释世界 。这个阶段获取信息的全面性和准确性直接影响智能体后续决策和行动的有效性。

决策与推理机制

在感知并获取环境信息之后，AI智能体进入推理（Reasoning）和决策（Decision-making）阶段。推理阶段涉及对收集到的数据进行处理，提取有意义的洞察和分析 。智能体基于自然语言处理（NLP）、计算机视觉或其他AI功能来解释用户查询、检测模式并理解更广泛的上下文 。有助于AI根据当前情况确定需要采取什么行动。

接下来是目标设定（Goal Setting）。AI根据预定义的目标或用户输入来设定其目的 。然后，会制定实现这些目标的策略，涉及到使用决策树、强化学习或其他规划算法 。

最后是决策（Decision）。在这个阶段，AI评估多种可能的行动方案，根据效率、准确性和预测结果等因素选择最佳行动 。会使用概率模型、效用函数或基于机器学习的推理来确定最佳行动方案 。

认知架构（Cognitive architecture）在这一过程中扮演关键角色，包含了AI的知识库、推理机制和学习算法，使得智能体能基于知识和当前感知得出结论并规划行动 。

行动执行与反馈循环

决策完成后，AI智能体进入执行（Execution）阶段。智能体通过与外部系统（如API、数据库、机器人硬件）交互或向用户提供响应来执行所选择的行动 。执行器（Actuators）负责具体实施这些行动。对于物理机器人，执行器可能是电机或机械部件；对于软件智能体，执行器可能是修改数据、发送消息或控制系统功能的函数 。

执行行动后，AI智能体不会停止工作，是进入学习与适应（Learning and Adaptation）的反馈循环。AI会对行动的结果进行评估，收集反馈来改进未来的决策 。通过强化学习或自监督学习等技术，AI会随着时间的推移完善其策略，在未来更有效地处理类似的任务 。这种学习和适应能力是AI智能体能持续优化和适应环境变化的关键。

在多智能体系统中，AI编排是指系统和智能体的协调和管理 。编排平台可以自动化AI工作流程，跟踪任务完成进度，管理资源使用情况，监控数据流和内存，处理故障事件 。通过有效的编排，理论上数十、数百到数千个智能体也可以和谐高效地协同工作，共同完成复杂的任务 。这个完整的“感知-推理-决策-执行-学习”循环，辅以必要的编排，构成了AI智能体动态运作的核心机制。

AI智能体的主要特点

自主性 (Autonomy)

是指智能体能在没有外部直接干预或持续人工监督的情况下，控制其自身行为和内部状态，独立完成任务并做出决策 。

反应性 (Reactivity)

是指AI智能体能感知其环境（包括物理世界或数字世界）的变化，对此做出及时和适当的响应 。要求智能体能实时监控环境状态，对突发事件或新的输入做出快速决策 。

主动性 (Pro-activeness)

或称前瞻性，是指AI智能体能对环境变化做出反应，能展现出目标导向的行为，主动采取行动以实现其设计目标，在问题出现之前就预测需求并提出解决方案 。能根据对环境和目标的内部理解，自主地发起行动。

社会能力 (Social Ability)

也称交互性，是指AI智能体能与其他智能体（包括人类用户和其他AI智能体）进行交互、沟通和协作的能力 。使智能体能参与到更复杂的社会和技术系统中，通过合作来解决问题，共享信息，在某些情况下形成社会结构 。

学习与适应性 (Learning and Adaptability)

是指AI智能体能随着时间的推移而改进其性能的核心能力。智能体可以通过机器学习算法（如监督学习、无监督学习、强化学习）从经验、环境变化和交互历史中学习，调整自己的行为和策略，更好地应对新的挑战和情况 。

AI智能体的类型

按能力分类

• 反应式智能体 (Reactive Agents) 对环境刺激做出即时反应，不进行复杂的内部推理或规划。是预编程的或通过简单的学习机制获得。这类智能体在需要快速响应的环境中表现良好，但缺乏长远规划和适应新情况的能力。

• 慎思式智能体 (Deliberative Agents)具备更高级的认知能力，拥有对世界的内部表示（如符号知识库），能进行复杂的推理、规划和决策。会明确设定目标，通过搜索、逻辑推理等手段来制定实现目标的行动计划。

• 混合式智能体 (Hybrid Agents)结合了反应式智能体和慎思式智能体的优点，试图在快速反应和深思熟虑之间取得平衡。包含一个反应层用于处理紧急情况和快速响应，以及一个慎思层用于进行长期规划和复杂决策。这种分层架构使混合式智能体能对环境变化做出快速反应，能进行有目的的规划和学习。许多现代复杂的AI系统，如自动驾驶汽车和高级机器人，都采用了混合式智能体的架构。

按应用领域分类

• 工业智能体 (Industrial Agents)：应用于制造业、能源、物流等工业领域，用于实现生产流程的自动化、设备的预测性维护、供应链的优化等。

• 服务智能体 (Service Agents)：应用于客户服务、零售、金融、医疗等服务行业，用于提供个性化的客户支持、智能推荐、风险评估等服务。

• 个人智能体 (Personal Agents)：应用于个人生活辅助，如智能语音助手、智能家居控制、个性化信息推荐等。

• 娱乐与游戏智能体 (Entertainment and Game Agents)：应用于视频游戏、虚拟现实等领域，用于创建更智能、更具挑战性的非玩家角色（NPC）或提供个性化的娱乐体验。

• 教育智能体 (Educational Agents)：应用于教育领域，作为学习伙伴、辅导老师或教学管理助手。

• 政府与公共事业智能体 (Government and Public Utility Agents)：应用于政务服务、城市管理、公共安全等领域，用于提升政府效率、优化公共服务和城市治理水平。

AI智能体的关键技术

机器学习与深度学习

机器学习（Machine Learning, ML）与深度学习（Deep Learning, DL）是AI智能体实现智能行为和持续优化的核心驱动力。机器学习算法使智能体能从数据中学习模式和规律，无需进行显式编程。通过监督学习，智能体可以从标记的训练数据中学习输入与输出之间的映射关系，例如图像识别、语音识别等。无监督学习支持智能体在未标记数据中发现隐藏的结构和模式，如聚类和降维。强化学习（Reinforcement Learning, RL）是AI智能体学习决策策略的关键技术，智能体通过与环境的交互，根据获得的奖励或惩罚来调整其行为，以最大化累积奖励。深度学习作为机器学习的一个分支，基于深层神经网络模型，能从大规模、高维度的原始数据（如图像、语音、文本）中自动提取复杂的特征表示，提升了智能体在感知、认知和决策方面的能力。

自然语言处理 (NLP)

赋予智能体理解和生成人类语言的能力，使人机之间的沟通变得更加自然和高效 。通过NLP技术，智能体能解析用户输入的文本或语音，提取其中的意图和关键信息，以人类可理解的方式做出回应或执行相应操作。NLP的发展水平直接决定了智能体在语言交互方面的智能化程度。

计算机视觉

计算机视觉（Computer Vision, CV）是赋予AI智能体“看”的能力的关键技术。使智能体能从图像、视频等视觉信息中提取有意义的数据，对其进行理解和分析。计算机视觉技术涵盖了图像处理、模式识别、场景理解、目标检测与跟踪、图像分割、三维重建等多个方面。通过计算机视觉，AI智能体可以识别物体、人脸、文字，理解场景的布局和动态变化，感知人类的情感状态。

知识表示与推理

知识表示（Knowledge Representation, KR）与推理（Reasoning）是AI智能体实现高级认知功能，如理解、决策和问题求解的基础。知识表示关注如何将现实世界中的知识以计算机可处理的形式进行符号化和结构化。涉及到选择合适的表示语言和数据结构来存储和组织知识，例如逻辑表达式、语义网络、框架、本体等。一个良好的知识表示方案应该能准确、完整地表达领域知识，支持高效的推理操作。推理是基于已有的知识库和当前感知到的信息，通过逻辑推断、演绎、归纳、溯因等方法，得出新的结论或做出决策的过程。知识表示与推理技术使AI智能体不仅依赖于数据驱动的模式匹配，更能进行深层次的逻辑思考和基于知识的决策。近年来，知识图谱（Knowledge Graph）作为一种重要的知识表示方式，结合了图数据库和语义网技术，为AI智能体提供了大规模、结构化的知识库，极大地增强了其理解和推理能力。

规划与决策算法

自主决策使AI智能体能根据所处的环境和设定的目标，独立地做出合理的判断和选择。依赖于复杂的规划与决策算法。这些算法使智能体对外部刺激做出简单反应，还能进行一定程度的思考、预测和规划，在复杂和动态的环境中达成既定目标。规划与决策算法的优劣直接影响到智能体的智能化水平和任务完成能力。

AI智能体面临的挑战

技术挑战

AI智能体在技术层面面临的首要挑战是行为的不可预测性和潜在的“失控”风险。许多智能体式AI系统采用强化学习方法进行训练，核心在于最大化预设的奖励函数。如果奖励函数设计不当，或者未能充分考虑到所有可能的边缘情况和负面后果，AI智能体可能会“钻空子”，以非预期甚至有害的方式达成目标，从而获得“高分” 。

AI智能体在复杂动态环境中的鲁棒性和适应性仍有待提升。现实世界充满了不确定性、模糊性和快速变化，AI智能体需要能准确感知环境、理解上下文，做出恰当的决策和行动。然而，当前的AI技术，特别是基于数据驱动的机器学习方法，在面对训练数据分布之外的场景时，性能可能会显著下降，甚至出现严重错误。

AI智能体系统由多个协同工作的自主智能体组成，之间的交互和协调也可能引发新的技术难题，如任务分配、资源竞争、通信瓶颈以及潜在的连锁故障等 。这些技术瓶颈限制了AI智能体在关键任务和高风险场景中的广泛应用。

伦理与社会挑战

AI智能体的广泛应用引发了深刻的伦理和社会关切。其中核心问题是智能体行为的责任归属。当AI智能体自主做出决策并执行任务，在产生负面后果时（例如，自动驾驶汽车发生事故，医疗诊断AI出现误诊，金融交易AI引发市场波动），如何界定开发者、所有者、使用者以及AI本身的责任，成为一个亟待解决的难题 。传统的法律框架和伦理准则往往难以直接适用于具有高度自主性的AI系统。

AI智能体在学习和决策过程中可能无意识地学习并放大训练数据中存在的偏见，例如性别歧视、种族歧视等，导致其在招聘、信贷审批、司法辅助等敏感领域的应用中产生不公平的结果，加剧社会不平等。

AI智能体对人类就业市场和社会结构可能产生的冲击。随着AI智能体在越来越多的领域展现出超越人类的效率和能力，大量传统岗位面临被替代的风险，可能导致结构性失业和社会分化。社会需要提前规划和应对由此带来的劳动力市场转型和技能再培训需求。过度依赖AI智能体进行决策，可能削弱人类的自主判断能力和责任感，导致“算法霸权”，引发对个体自由和社会控制的担忧。

安全与隐私挑战

AI智能体的安全性和隐私保护是制约其发展的关键瓶颈。由于AI智能体需要访问和处理大量数据以进行感知、学习和决策，这使其成为网络攻击和数据泄露的高价值目标。恶意攻击者可能通过操纵输入数据（对抗性攻击）来误导AI智能体的判断，使其做出错误的决策，造成严重的安全事故。

AI智能体在运行过程中收集和产生的数据，往往包含大量用户个人信息和敏感商业信息，如果缺乏有效的保护措施，极易发生数据泄露和滥用，侵犯用户隐私。

AI智能体可能出现的“自我强化”现象，即当AI针对某个特定指标进行过于激进的优化而没有采取适当的安全措施时，其行为可能朝着意想不到的负面方向不断升级，最终失控 。这些安全风险要求在设计、部署和监管AI智能体时，必须建立完善的安全防护机制、数据加密手段、访问控制策略以及应急响应预案。

法律与监管挑战

AI智能体的快速发展对现有的法律体系和监管框架构成了严峻挑战。传统的法律法规往往滞后于技术进步，难以有效规范AI智能体的研发、部署和应用。例如，在责任认定方面，当AI智能体造成损害时，是追究开发者、生产者、销售者还是使用者的责任，或者AI本身是否应被赋予某种形式的法律主体资格，这些问题都尚无明确的法律定论。

AI智能体的决策过程往往缺乏透明度和可解释性，尤其是在基于深度学习的“黑箱”模型中，使得事后追溯和责任认定变得异常困难。

AI智能体的发展前景

更高级的自主性与通用性

追求更高级的自主性和更广泛的通用性。未来的AI智能体将具备更强的环境理解、自我学习和决策能力，能在较少或没有人工干预的情况下，自主完成更复杂的多步骤任务，适应不断变化的环境和需求。不仅能执行预设的程序，更能理解抽象概念、进行常识推理、具备一定的创造性和情感理解能力。

人机协作与共生

AI智能体并非要完全取代人类，而是作为人类的得力助手和合作伙伴，与人类协同工作，共同完成任务。未来的AI智能体将更加注重与人类的自然交互和高效协作，能理解人类的意图、情感和偏好，以更符合人类习惯的方式进行沟通和配合。实现1+1>2的协同效应。

多智能体系统与群体智能

未来的AI智能体将更多地以群体的形式出现，通过相互之间的通信、协作、协商甚至竞争，共同完成复杂的全局性任务。例如，在智慧城市管理中，大量的交通管理智能体、能源调度智能体、安防监控智能体等可以协同工作，优化城市运行效率。在工业制造中，多个机器人智能体可以组成柔性生产线，根据订单需求动态调整生产流程。解决传统方法难以处理的分布式、大规模问题。

可解释性与可信AI

许多先进的AI模型，特别是深度学习模型，决策过程如同“黑箱”，难以被人类理解和信任。未来的AI智能体需要具备更强的可解释性，能清晰地向用户解释其决策的依据、推理过程以及潜在的局限性。有助于用户建立对AI智能体的信任，有利于发现和修复模型中可能存在的偏见、错误或不安全因素。可信AI还包括鲁棒性、安全性、公平性和隐私保护等多个方面，确保AI智能体的行为符合人类的价值观和伦理规范，是能被社会广泛接受和成功应用的关键。

伦理规范的建立与完善

未来，政府、学术界、产业界和公众需要共同努力，制定清晰、可操作的AI伦理准则和行为规范，建立健全的AI治理体系。包括制定相关的法律法规、建立AI伦理审查机制、推动AI技术的标准化、以及加强公众的AI素养教育。只有在健全的伦理规范和治理框架下，AI智能体技术才能朝着健康、可持续的方向发展，真正造福于人类社会。

AI智能体将朝着更高级的自主性、更强的通用性、更自然的人机协作、更高效的多智能体系统以及更可信和符合伦理规范的方向发展。随着技术的不断突破和应用场景的持续深化，AI智能体有望成为人类社会不可或缺的智能伙伴，深刻改变我们的工作方式、生活方式乃至思维方式。

译者：张巨岩

是的，有很多星球大战的玩具可以给你家里的科学技术迷们，但是，令人悲伤的是，这从科学角度上看并不是最好的礼物。

我们应该买一个兼顾教育与娱乐的礼物，这里是一个2015年最值得注意的科学技术书单。

科学篇：

《移居不定：一颗生命》（On the Move: A Life），Oliver Sacks：在成为受人爱戴的神经科学家和最红的作者（写过很多书，包括《音乐恋歌（Musicophilia）》和《无语问苍天（Awakenings）》）之前，Oliver Sacks是一个痴迷于摩托车但深陷毒瘾无法自拔的年轻人。这本回忆录就在今年早些时候它因癌症去世之前上架。

《不在之人: 对于陌生的新科学——自我——的调查》（The Man Who Wasn’t There: Investigations into the Strange New Science of the Self），Anil Ananthaswamy：这本书通过一个绝对确信自己死了的人的故事开始。之后，科学记者Anil Ananthaswamy从科学的角度探索“自我（the Self）”这一概念。

《驯化：在人造世界中进化》（Domesticated: Evolution in a Man-Made World），Richard C. Francis：结合了生物学和人类学，Richard Francis，一个有神经生物学博士学位的科学记者，回顾了家养动物的历史。

《暗物质和恐龙：宇宙间惊人相互联系》（Dark Matter and the Dinosaurs: The Astounding Interconnectedness of the Universe），Lisa Randall：恐龙是怎么灭绝的？巨大的彗星撞击地球。这为什么会发生？根据粒子物理学家Lisa Randall，彗星因为暗物质偏离了轨道。额，什么是暗物质？别担心，这本书会告诉你所有。

《科学的发明：科学革命的一个新历史》（The Invention of Science: A New History of the Scientific Revolution），David Wootton：这段科学革命历史涵盖了欧洲1572年到1704年的巨大改变。这本书通过纵览从哥白尼到牛顿的观点，深度分析了科学观念是如何进化的，以及这些观点如何改变世界。

《寻找火神星：…以及爱因斯坦如何毁灭一个星球、发现相对论并揭秘宇宙》（The Hunt for Vulcan: . . . And How Albert Einstein Destroyed a Planet, Discovered Relativity, and Deciphered the Universe），Thomas Levenson：不，火神星不只是“星际迷航”中的一个星球。很多年来，科学家认为它是我们太阳系中的一个星球，在水星附近。MIT科学写作的教授Thomas Levenson，讲述了爱因斯坦和他的广义相对论如何证明火神星并不存在。

技术篇：

《埃隆·马斯克：特斯拉、美国太空探索技术公司和美妙未来的探索》（Elon Musk: Tesla, SpaceX, and the Quest for a Fantastic Future）Ashlee Vance：除了乔布斯，很少有和马斯克一样有魅力的硅谷企业家。记者Ashlee Vance获得机会访问特斯拉、SpaceX和SolarCity背后的南非亿万富翁。

《机器人崛起：技术和一个未来失业带来的威胁》（Rise of the Robots: Technology and the Threat of a Jobless Future），Martin Ford：机器人正变得越来越高级。硅谷企业家Martin Ford考量了，当从卡车司机和厨师到律师和计算机程序员的工作被机器取代时，经济变化的情况。

《大师级算法：终极学习机器的探求会如何重新改造我们的世界》（The Master Algorithm: How the Quest for the Ultimate Learning Machine Will Remake Our World），Pedro Domingos：谷歌，Facebook，Netflix和其他每个流行的网站都在使用算法来预测你可能喜欢的东西。华盛顿大学计算机系的教授Pedro Domingos回顾了机器学习进化史，并预见了它可能会将我们引向何处。

《大科学：欧内斯特·劳伦斯和军工综合体的展开》（Big Science: Ernest Lawrence and the Invention that Launched the Military-Industrial Complex），Michael Hiltzik：回顾第一台粒子加速器，名为the cyclotron，如何在20世纪30年代加州大学伯克利分校制造出来，以及它如何为包括核武器和大型强子对撞机在内的技术铺平道路。

《离开轨道：美国太空飞行最后几天的笔记》（Leaving Orbit: Notes from the Last Days of American Spaceflight），Margaret Lazarus Dean：访问卡纳维拉尔角，NASA的最后三次航天飞机的发射。作者Margaret Lazarus Dean深思了这个机构的过去和未来。

《未来罪行：万物连接。每个人都将很脆弱以及我们应该怎么办》（Future Crimes: Everything Is Connected, Everyone Is Vulnerable and What We Can Do About It），Marc Goodman：一个网络安全专家描述了现代世界对于黑客来说是如何的脆弱，以及他们将来有可能如何利用新兴技术如机器人、虚拟现实和人工智能等。