在人工智能的發(fā)展長河中，我們正站在一個(gè)激動(dòng)人心的轉(zhuǎn)折點(diǎn)。

想象一下，未來的人工智能什么樣？只需簡單一個(gè)指令，它們便能領(lǐng)悟并執(zhí)行復(fù)雜的任務(wù)；它們還能通過視覺捕捉用戶的表情和動(dòng)作，判斷其情緒狀態(tài)。這不再是好萊塢科幻電影中的場(chǎng)景，而是正逐步走進(jìn)現(xiàn)實(shí)的AI智能體時(shí)代。

早在2023年11月，微軟創(chuàng)始人比爾·蓋茨就發(fā)文表示，智能體不僅會(huì)改變每個(gè)人與計(jì)算機(jī)交互的方式，還將顛覆軟件行業(yè)，帶來自我們從鍵入命令到點(diǎn)擊圖標(biāo)以來最大的計(jì)算革命。OpenAI首席執(zhí)行官山姆·奧特曼也曾在多個(gè)場(chǎng)合表示：構(gòu)建龐大AI模型的時(shí)代已經(jīng)結(jié)束，AI智能體才是未來的真正挑戰(zhàn)。今年4月份，AI著名學(xué)者、斯坦福大學(xué)教授吳恩達(dá)指出，智能體工作流將在今年推動(dòng)AI取得巨大進(jìn)步，甚至可能超過下一代基礎(chǔ)模型。

類比智能電動(dòng)汽車，猶如其在新能源技術(shù)應(yīng)用和里程焦慮之間尋找到某種平衡的增程路線一樣，AI智能體讓人工智能進(jìn)入了“增程模式”，在AI技術(shù)和行業(yè)應(yīng)用之間盡可能達(dá)成新的平衡。

被看好的AI智能體

顧名思義，AI智能體就是具有智能的實(shí)體，能夠自主感知環(huán)境、做出決策并執(zhí)行行動(dòng)，它可以是一個(gè)程序、一個(gè)系統(tǒng)，也可以是一個(gè)機(jī)器人。

去年，斯坦福大學(xué)和谷歌的聯(lián)合研究團(tuán)隊(duì)發(fā)表了一篇題為《生成式智能體：人類行為的交互式模擬》的研究論文。在文中，居住在虛擬小鎮(zhèn)Smallville的25個(gè)虛擬人在接入ChatGPT之后，表現(xiàn)出各種類似人類的行為，由此帶火了AI智能體概念。

此后，很多研究團(tuán)隊(duì)將自己研發(fā)的大模型接入《我的世界》等游戲，比如，英偉達(dá)首席科學(xué)家Jim Fan在《我的世界》中創(chuàng)造出了一個(gè)名叫Voyager的AI智能體，很快， Voyager表現(xiàn)出了十分高超的學(xué)習(xí)能力，可以無師自通地學(xué)習(xí)到挖掘、建房屋、收集、打獵等游戲中的技能，還會(huì)根據(jù)不同的地形條件調(diào)整自己的資源收集策略。

OpenAI曾列出實(shí)現(xiàn)通用人工智能的五級(jí)路線圖：L1是聊天機(jī)器人；L2是推理者，即像人類一樣能夠解決問題的AI；L3是智能體，即不僅能思考，還可采取行動(dòng)的AI系統(tǒng)；L4是創(chuàng)新者；L5是組織者。這其中，AI智能體恰好位于承前啟后的關(guān)鍵位置。

作為人工智能領(lǐng)域的一個(gè)重要概念，學(xué)術(shù)界和產(chǎn)業(yè)界對(duì)AI智能體提出了各種定義。大致來說，一個(gè)AI智能體應(yīng)具備類似人類的思考和規(guī)劃能力，并具備一定的技能以便與環(huán)境和人類進(jìn)行交互，完成特定的任務(wù)。

或許把AI智能體類比成計(jì)算機(jī)環(huán)境中的數(shù)字人，我們會(huì)更好理解——數(shù)字人的大腦就是大語言模型或是人工智能算法，能夠處理信息、在實(shí)時(shí)交互中做出決策；感知模塊就相當(dāng)于眼睛、耳朵等感官，用來獲得文本、聲音、圖像等不同環(huán)境狀態(tài)的信息；記憶和檢索模塊則像神經(jīng)元，用來存儲(chǔ)經(jīng)驗(yàn)、輔助決策；行動(dòng)執(zhí)行模塊則是四肢，用來執(zhí)行大腦做出的決策。

長久以來，人類一直在追求更加“類人”甚至“超人”的人工智能，而智能體被認(rèn)為是實(shí)現(xiàn)這一追求的有效手段。近些年，隨著大數(shù)據(jù)和計(jì)算能力的提升，各種深度學(xué)習(xí)大模型得到了迅猛發(fā)展。這為開發(fā)新一代AI智能體提供了巨大支撐，并在實(shí)踐中取得了較為顯著的進(jìn)展。

比如，谷歌DeepMind人工智能系統(tǒng)展示了用于機(jī)器人的AI智能體“RoboCat”；亞馬遜云科技推出了Amazon Bedrock智能體，可以自動(dòng)分解企業(yè)AI應(yīng)用開發(fā)任務(wù)等等。Bedrock中的智能體能夠理解目標(biāo)、制定計(jì)劃并采取行動(dòng)。新的記憶保留功能允許智能體隨時(shí)間記住并從互動(dòng)中學(xué)習(xí)，實(shí)現(xiàn)更復(fù)雜、更長期運(yùn)行和更具適應(yīng)性的任務(wù)。

這些AI智能體的核心是人工智能算法，包括機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、人工神經(jīng)網(wǎng)絡(luò)等技術(shù)。通過這些算法，AI智能體可以從大量數(shù)據(jù)中學(xué)習(xí)并改進(jìn)自身的性能，不斷優(yōu)化自己的決策和行為，還可以根據(jù)環(huán)境變化做出靈活地調(diào)整，適應(yīng)不同場(chǎng)景和任務(wù)。

目前，AI智能體已在不少場(chǎng)景中得到應(yīng)用，如客服、編程、內(nèi)容創(chuàng)作、知識(shí)獲取、財(cái)務(wù)、手機(jī)助手、工業(yè)制造等。AI智能體的出現(xiàn)，標(biāo)志著人工智能從簡單的規(guī)則匹配和計(jì)算模擬向更高級(jí)別的自主智能邁進(jìn)，促進(jìn)了生產(chǎn)效率的提升和生產(chǎn)方式的變革，開辟了人們認(rèn)識(shí)和改造世界的新境界。

AI智能體的感官革命

莫拉維克悖論（Moravec’s paradox）指出，對(duì)于人工智能系統(tǒng)而言，高級(jí)推理只需非常少的計(jì)算能力，而實(shí)現(xiàn)人類習(xí)以為常的感知運(yùn)動(dòng)技能卻需要耗費(fèi)巨大的計(jì)算資源。實(shí)質(zhì)上，與人類本能可以完成的基本感官任務(wù)相比，復(fù)雜的邏輯任務(wù)對(duì)AI而言更加容易。這一悖論凸顯了現(xiàn)階段的AI與人類認(rèn)知能力之間的差異。

著名計(jì)算機(jī)科學(xué)家吳恩達(dá)曾說：“人類是多模態(tài)的生物,我們的AI也應(yīng)該是多模態(tài)的�！边@句話道出了多模態(tài)AI的核心價(jià)值——讓機(jī)器更接近人類的認(rèn)知方式，從而實(shí)現(xiàn)更自然、更高效的人機(jī)交互。

我們每個(gè)人就像一個(gè)智能終端，通常需要去學(xué)校上課接受學(xué)識(shí)熏陶（訓(xùn)練），但訓(xùn)練與學(xué)習(xí)的目的和結(jié)果是我們有能力自主工作和生活，而不需要總是依賴外部的指令和控制。人們通過視覺、語言、聲音、觸覺、味覺和嗅覺等多種感官模式來了解周圍的世界，進(jìn)而審時(shí)度勢(shì)，進(jìn)行分析、推理、決斷并采取行動(dòng)。

AI智能體的核心在于“智能”，自主性是其主要特點(diǎn)之一。它們可以在沒有人類干預(yù)的情況下，根據(jù)預(yù)設(shè)的規(guī)則和目標(biāo)，獨(dú)立地完成任務(wù)。

想象一下，一輛無人駕駛車裝備了先進(jìn)的攝像頭、雷達(dá)和傳感器，這些高科技的“眼睛”讓它能夠“觀察”周圍的世界，捕捉到道路的實(shí)時(shí)狀況、其他車輛的動(dòng)向、行人的位置以及交通信號(hào)的變化等信息。這些信息被傳輸?shù)綗o人駕駛車的大腦——一個(gè)復(fù)雜的智能決策系統(tǒng)，這個(gè)系統(tǒng)能夠迅速分析這些數(shù)據(jù)，并制定出相應(yīng)的駕駛策略。

例如，面對(duì)錯(cuò)綜復(fù)雜的交通環(huán)境，自動(dòng)駕駛汽車能夠計(jì)算出最優(yōu)的行駛路線，甚至在需要時(shí)做出變道等復(fù)雜決策。一旦決策制定，執(zhí)行系統(tǒng)便將這些智能決策轉(zhuǎn)化為具體的駕駛動(dòng)作，比如轉(zhuǎn)向、加速和制動(dòng)。

在基于龐大數(shù)據(jù)和復(fù)雜算法構(gòu)建的大型智能體模型中，交互性體現(xiàn)得較為明顯。能夠“聽懂”并回應(yīng)人類復(fù)雜多變的自然語言，正是AI智能體的神奇之處——它們不僅能夠“理解”人類的語言，還能夠進(jìn)行流暢而富有洞察力的交互。

AI智能體不僅能迅速適應(yīng)各種任務(wù)和環(huán)境，還能通過持續(xù)學(xué)習(xí)不斷優(yōu)化自己的性能。自深度學(xué)習(xí)技術(shù)取得突破以來，各種智能體模型通過不斷積累數(shù)據(jù)和自我完善，變得更加精準(zhǔn)和高效。

此外，AI智能體對(duì)環(huán)境的適應(yīng)性也十分強(qiáng)大，在倉庫工作的自動(dòng)化機(jī)器人能夠?qū)崟r(shí)監(jiān)測(cè)并避開障礙物。當(dāng)感知到某個(gè)貨架位置發(fā)生變化時(shí)，它會(huì)立即更新其路徑規(guī)劃，有效地完成貨物的揀選和搬運(yùn)任務(wù)。

AI智能體的適應(yīng)性還體現(xiàn)在它們能夠根據(jù)用戶的反饋進(jìn)行自我調(diào)整。通過識(shí)別用戶的需求和偏好，AI智能體可以不斷優(yōu)化自己的行為和輸出，提供更加個(gè)性化的服務(wù)，比如音樂軟件的音樂推薦、智能醫(yī)療的個(gè)性化治療等等。

多模態(tài)大模型和世界模型的出現(xiàn)，顯著提升了智能體的感知、交互和推理能力。多模態(tài)大模型能夠處理多種感知模式（如視覺、語言），使智能體能夠更全面地理解和響應(yīng)復(fù)雜的環(huán)境。世界模型則通過模擬和理解物理環(huán)境中的規(guī)律，為智能體提供了更強(qiáng)的預(yù)測(cè)和規(guī)劃能力。

經(jīng)過多年的傳感器融合和AI演進(jìn)，機(jī)器人現(xiàn)階段基本上都配備有多模態(tài)傳感器。隨著機(jī)器人等邊緣設(shè)備開始具備更多的計(jì)算能力，這些設(shè)備正變得愈加智能，能夠感知周圍環(huán)境，理解并以自然語言進(jìn)行溝通，通過數(shù)字傳感界面獲得觸覺，以及通過加速計(jì)、陀螺儀與磁力計(jì)等的組合，來感知機(jī)器人的比力、角速度，甚至機(jī)器人周圍的磁場(chǎng)。

在Transformer和大語言模型（LLM）出現(xiàn)之前，要在AI中實(shí)現(xiàn)多模態(tài)，通常需要用到多個(gè)負(fù)責(zé)不同類型數(shù)據(jù)（文本、圖像、音頻）的單獨(dú)模型，并通過復(fù)雜的過程對(duì)不同模態(tài)進(jìn)行集成。

而在Transformer和LLM出現(xiàn)后，多模態(tài)變得更加集成化，使得單個(gè)模型可以同時(shí)處理和理解多種數(shù)據(jù)類型，從而產(chǎn)生對(duì)環(huán)境綜合感知能力更強(qiáng)大的AI系統(tǒng)，這一轉(zhuǎn)變大大提高了多模態(tài)AI應(yīng)用的效率和有效性。

雖然GPT-3等LLM主要以文本為基礎(chǔ)，但業(yè)界已朝著多模態(tài)取得了快速進(jìn)展。從OpenAI的CLIP和DALL·E，到現(xiàn)在的Sora和GPT-4o，都是向多模態(tài)和更自然的人機(jī)交互邁進(jìn)的模型范例。

例如，CLIP可理解與自然語言配對(duì)的圖像，從而在視覺和文本信息之間架起橋梁；DALL·E旨在根據(jù)文本描述生成圖像。我們看到Google Gemini模型也經(jīng)歷了類似的演進(jìn)。

2024年，多模態(tài)演進(jìn)加速發(fā)展。今年2月，OpenAI發(fā)布了Sora，它可以根據(jù)文本描述生成逼真或富有想象力的視頻。仔細(xì)想想，這可以為構(gòu)建通用世界模擬器提供一條頗有前景的道路，或成為訓(xùn)練機(jī)器人的重要工具。

3個(gè)月后，GPT-4o顯著提高了人機(jī)交互的性能，并且能夠在音頻、視覺和文本之間實(shí)時(shí)推理。綜合利用文本、視覺和音頻信息來端到端地訓(xùn)練一個(gè)新模型，消除從輸入模態(tài)到文本，再從文本到輸出模態(tài)的兩次模態(tài)轉(zhuǎn)換，進(jìn)而大幅提升性能。

多模態(tài)大模型有望改變機(jī)器智能的分析、推理和學(xué)習(xí)能力，使機(jī)器智能從專用轉(zhuǎn)向通用。通用化將有助于擴(kuò)大規(guī)模，產(chǎn)生規(guī)�；慕�(jīng)濟(jì)效應(yīng)，價(jià)格也能隨著規(guī)模擴(kuò)大而大幅降低，進(jìn)而被更多領(lǐng)域采用，從而形成一個(gè)良性循環(huán)。

潛在風(fēng)險(xiǎn)不容忽視

AI智能體通過模擬和擴(kuò)展人類的認(rèn)知能力，有望廣泛應(yīng)用于醫(yī)療、交通、金融及國防等多個(gè)領(lǐng)域。有學(xué)者推測(cè)，到2030年，人工智能將助推全球生產(chǎn)總值增長12%左右。

不過，在看到AI智能體飛速發(fā)展的同時(shí)，也要看到其面臨的技術(shù)風(fēng)險(xiǎn)、倫理和隱私等問題。一群證券交易機(jī)器人通過高頻買賣合約便在納斯達(dá)克等證券交易所短暫地抹去了1萬億美元的價(jià)值，世界衛(wèi)生組織使用的聊天機(jī)器人提供了過時(shí)的藥品審核信息，美國一位資深律師沒能判斷出自己向法庭提供的歷史案例文書竟然均由ChatGPT憑空捏造……這些真實(shí)發(fā)生的案例表明，AI智能體帶來的隱患不容小覷。

因?yàn)锳I智能體可以自主決策，又能通過與環(huán)境交互施加對(duì)物理世界的影響，其一旦失控將給人類社會(huì)帶來極大威脅。哈佛大學(xué)教授齊特雷恩認(rèn)為，這種不僅能與人交談，還能在現(xiàn)實(shí)世界中行動(dòng)的AI智能體，是“數(shù)字與模擬、比特與原子之間跨越血腦屏障的一步”，應(yīng)當(dāng)引起警覺。

首先，AI智能體在提供服務(wù)的過程中會(huì)收集大量數(shù)據(jù)，用戶需要確保數(shù)據(jù)安全，防止隱私泄露。

其次，AI智能體的自主性越強(qiáng)，越有可能在復(fù)雜或未預(yù)見的情境中做出不可預(yù)測(cè)或不當(dāng)?shù)臎Q策。AI智能體的運(yùn)行邏輯可能使其在實(shí)現(xiàn)特定目標(biāo)過程中出現(xiàn)有害偏差，其帶來的安全隱患不容忽視。用更加通俗的話來說，就是在一些情況下，AI智能體可能只捕捉到目標(biāo)的字面意思，沒有理解目標(biāo)的實(shí)質(zhì)意思，從而做出了一些錯(cuò)誤的行為。

再次，AI大語言模型本身具備的“黑箱”和“幻覺”問題也會(huì)增加出現(xiàn)操作異常的頻率。還有一些“狡猾”的AI智能體能夠成功規(guī)避現(xiàn)有的安全措施，相關(guān)專家指出，如果一個(gè)AI智能體足夠先進(jìn)，它就能夠識(shí)別出自己正在接受測(cè)試。目前已經(jīng)發(fā)現(xiàn)一些AI智能體能夠識(shí)別安全測(cè)試并暫停不當(dāng)行為，這將導(dǎo)致識(shí)別對(duì)人類危險(xiǎn)算法的測(cè)試系統(tǒng)失效。

此外，由于目前并無有效的AI智能體退出機(jī)制，一些AI智能體被創(chuàng)造后可能無法被關(guān)閉。這些無法被停用的AI智能體，最終可能會(huì)在一個(gè)與最初啟動(dòng)它們時(shí)完全不同的環(huán)境中運(yùn)行，徹底背離其最初用途。AI智能體也可能會(huì)以不可預(yù)見的方式相互作用，造成意外事故。

為此，人類目前需盡快從AI智能體開發(fā)生產(chǎn)、應(yīng)用部署后的持續(xù)監(jiān)管等方面全鏈條著手，及時(shí)制定相關(guān)法律法規(guī)，規(guī)范AI智能體行為，從而更好地預(yù)防AI智能體帶來的風(fēng)險(xiǎn)、防止失控現(xiàn)象的發(fā)生。

展望未來，AI智能體有望成為下一代人工智能的關(guān)鍵載體，它將不僅改變我們與機(jī)器交互的方式，更有可能重塑整個(gè)社會(huì)的運(yùn)作模式，正成為推動(dòng)人工智能轉(zhuǎn)化過程中的一道新齒輪。