本文将追根溯源，从历史发展的时间线视角，深入探究AI的诞生历程，以及其在诞生后的几十年间所经历的变革与演进。在阐述演进过程时，我会详细介绍大量相关的细分技术模块，期望大家能对AI整体的技术模块及其相互关系形成系统化的认知。（鉴于篇幅限制，不会对某一技术进行极为深入的探讨，若大家对任一细分技术感兴趣，可单独交流。）最后，我将结合自身亲身参与的一些AI案例，探讨如何更有效地运用AI提升业务价值，同时展望AI的未来前景与发展趋势。（作者：丁亮亮/smallniding ）
在当今信息爆炸、互联网飞速发展的时代，AI成为了近年来全球最为热门的科技话题。我们每天都会接触到海量的AI资讯，涵盖大模型、智能体以及各行各业的AI应用等。这使得我们不可避免地置身于AI的浪潮之中：在这个时代，若不积极拥抱AI，极有可能被时代所淘汰。然而，随着AI的不断发展，涌现出了大量的细分技术模块和专业术语，这让许多想要尝试AI的人感到困惑，他们或许并未深入思考过以下问题：究竟什么是AI？如何将AI与自身业务更好地结合应用？AI的未来发展前景如何？
一、前世：AI出现前
1、唯一的高等智慧动物 - 人类
人类最早以人猿的形态出现在地球上，历经数百万年的进化与发展，成功登上地球食物链的顶端，成为了地球上唯一具备高等智慧的动物。人类拥有复杂的多语言体系、强大的推理和抽象思维能力、卓越的创造与发明才能，以及至关重要的多文明体系。
人类能够取得如此成就，关键在于人类大脑的独特性。人类大脑具备支撑抽象思维、推理思维、语言创造、知识学习与传承、发明创造以及文明建立与传承等多维度能力，这些能力共同构成了人类的“智能”。
（人类大脑的简要结构图 - 图片来源于AI生成）
通过上图可以发现，除了左脑、右脑等分区结构外，还存在树突、轴突等专业术语，这些术语所代表的正是大脑中“神经元”的一部分。人类大脑约拥有860亿个“神经元”，这些“神经元”承担着所有信息的处理和传递工作，大脑的一切活动都依赖于它们的协同运作。这也使得人类自然而然地具备了感知、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）
在人类数百万年的发展历程中，大脑赋予了人类强大的智能能力，这是地球上其他动物所无法企及的。人类在发展过程中形成了各个地区独特的语言和文明，人们使用各自的语言进行交流、建设和发展文明，这种状态在数百万年中保持相对稳定。然而，人类逐渐意识到，尽管大脑功能强大，拥有数百亿个神经元，但在记忆和效率方面存在明显不足。例如，正常人背诵1000个数字会极为困难，进行100遍乘法运算后会感到困惑。于是，人类开始思考是否能够解放大脑，让机器代替人类完成一些工作。
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）
这种需求催生了第一台计算机的诞生。1946年，莫奇利和埃克特发明了第一台计算机，它开创性地解决了“快速计算、精准存储”的问题。然而，这台计算机存在一个明显的局限性，即它只能按照指令执行任务，缺乏自主思考能力。例如，当你要求它进行1000遍乘法运算时，它能够迅速给出结果，但无法思考这些乘法之间的规则或关联，以便在未来更高效地完成类似任务。后来，科学家们发现，人类大脑的强大之处并非仅仅在于拥有860亿个神经元，更在于这些神经元如同“亿级路由器”般相互连接，形成了极其复杂的“神经网络”。“神经网络”赋予了大脑自我学习、提炼规律的智能能力。基于此，科学家们萌生了一个想法：能否模仿人类神经网络，构建一个“机器神经网络”？这便是AI的雏形，我们将在下一章节详细探讨。
二、今生：AI初生期（1956 - 1989）
1、AI概念定义
1956年，在达特茅斯会议上，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，并明确提出了“让机器模拟人类智能”的研究目标。这一事件标志着AI作为一门独立学科的开端。
那么，究竟什么是“人工智能（AI）”呢？
其明确定义为：人工智能（AI）是让机器模拟人类智能的技术总称。
接下来的问题是，什么是“人类智能”？基于上一章节的内容，我们可以简要概括为：“人类智能”即是让机器具备“感知、思考、决策、执行”的能力。
（过马路示意 - 图片来源于AI生成）
下面通过一个“过马路”的例子，详细解释“感知、思考、决策、执行”的具体含义：
● “感知”：人类通过耳朵、眼睛等器官感知外界信息。在过马路时，我们能够看到红绿灯的变化，听到汽车的鸣笛声，这些“看”和“听”的行为就是我们感知能力的体现，通过感知，我们获取到相关信息。
● “思考”：当我们通过感知能力获取到信息后，会运用大脑进行分析和推理，这就是“思考”能力的体现。例如，在过马路时看到红灯亮起，我们会停下来等待绿灯亮起后再通过，这一过程就是思考的结果。
● “决策”：以过马路为例，当遇到红绿灯时，我们面临多种选择，如闯红灯或等待绿灯亮起后通过。最终，我们选择等待绿灯，这是出于安全考虑而做出的决策。
● “执行”：仍然以过马路为例，当我们做出等待绿灯亮起后通过的决策后，待绿灯亮起，我们会迈开脚步，穿过人行道，到达马路对面，这一过程就是执行决策的体现。
人类的“感知、思考、决策、执行”能力共同构成了“智能”能力。那么，要让机器具备这些“智能”能力，会面临哪些难点呢？
最大的难点在于，机器无法理解人类的语言，更谈不上进行分析、推理和思考。此时，另一个学科——自然语言处理（Natural Language Processing，缩写为NLP）便发挥了重要作用。
2、自然语言处理（NLP）
实际上，“自然语言处理（NLP）”并非随着AI的出现而诞生。1946年第一台计算机问世后，1950年图灵提出了“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”的观点，这正是“自然语言处理（NLP）”的目标。AI诞生后，为“自然语言处理（NLP）”提供了发展契机，使其成为AI早期发展中至关重要、相辅相成的模块。
那么，究竟什么是“自然语言处理（NLP）”呢？
首先，了解“自然语言”的概念。“自然语言”是指人类在日常生活中自然发展和使用的语言，如早期的甲骨文、象形文字，以及现代的各种语言（包括地方方言等）。而我们通常使用的编程语言并不属于“自然语言”范畴。“自然语言处理（NLP）”的定义为：让计算机能够理解、解释、操纵和生成人类自然语言，通俗来讲，就是教计算机“听懂人话、说人话、看懂人写的字、写出人能看懂的内容”。
下面通过几个例子进行简单分析：
1、人与人之间的语言沟通通常是自然流畅的：
（图片来源于《深度学习进阶 - 自然语言处理》）
2、人类与动物之间存在语言沟通障碍，动物往往无法理解人类的话语（这也是科学界亟待攻克的难题之一，期待未来能取得突破）：
（图片来源于《深度学习进阶 - 自然语言处理》）
3、有了自然语言处理（NLP）技术，人类与机器之间便能够实现有效的沟通：
（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）技术的支持下，AI在一些场景中初步得到应用，早期的机器翻译便是典型案例：
（早期机器翻译原理示意 - 图片来源于AI生成）
在早期的机器翻译中，存在词典、语法规则库、转换规则等预先设定的规则库，这些规则库决定了翻译功能的具体实现方式。
下面通过一个具体例子进行说明：
The apple is red.
这个英文句子较为简单，大家应该都能轻松翻译。下面我们来了解一下机器翻译的原理：
第一步：查词典
计算机会将句子拆分为单词，然后在一个庞大的电子词典中查找每个单词的含义。
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 |
此时，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
计算机会运用一条简单的语法规则：英语的 **[主词] + [is] + [形容词]** 结构，对应中文的[主词] + [是] + [形容词] + 的结构。
它识别出 “The apple” 为主词，“is” 为系动词，“red” 为形容词，与规则完美匹配。
于是，计算机按照规则对这些词汇进行排列，最终的翻译结果为：这苹果是红色的。
问题暴露：哪里不对劲？
从字面意思和语法上看，这个翻译并无错误，但存在一个不足之处：
● 表达不够地道：虽然“苹果是红色的”在语法上正确，但在日常口语中，我们更常说“这个苹果是红的”，或者直接说“苹果很红”。机器无法理解这种语言习惯和微妙差别。
这个简单例子揭示的根本缺陷：
● 缺乏灵活性：机器只会机械地应用规则，无法像人类一样根据语境、上下文或情感进行更合适的翻译。
● 缺乏“语感”：机器无法判断什么样的中文表达更自然、地道，导致翻译结果显得生硬。
4、AI初生期小结
通过这个机器翻译的例子可以发现，在AI初生期（1956 - 1989），尽管有自然语言处理（NLP）技术的支持，但AI大多只能按照人类预先设定的规则执行任务，表现得较为死板，缺乏灵活性。
如果将AI比作人类，这一阶段的AI最多只能算是一个只会死记硬背、不懂变通的小学生。一旦遇到超出其记忆范围的内容，它便会束手无策。我们可以将这一阶段的AI称为“规则式AI”。
这也是AI后续进一步发展的重要原因，我们将在下一章节详细阐述。
三、今生：AI成长期（1990 - 2016）
在AI初生期（1956 - 1989），AI主要按照既定规则应用，这促使了AI在成长期（1990 - 2016）的进一步发展。
1、机器学习出现
这一阶段，一个重要的概念——机器学习（Machine Learning，缩写为ML）应运而生。
那么，什么是机器学习呢？它是指让机器从数据中自主学习规律，而非仅仅依赖人类编写的固定指令。
与之前的“规则式AI”相比，机器学习使机器不再局限于死板地遵循既定规则，而是能够通过自主学习大量数据，从中发现规律并加以应用。
2、AI成长期案例分析
下面以大家日常工作中常见的垃圾邮件过滤系统为例进行说明：
（垃圾邮件示意 - 图片来源于AI生成）
在AI初生期（1956 - 1989）
，垃圾邮件过滤只能依据既定规则进行，例如：
● 如果邮件标题中包含 “免费” 一词，则将其标记为垃圾邮件。
● 如果发件人地址包含 “spam”，则将其标记为垃圾邮件。
● 等等...
这种方法存在明显的缺点：
● 难以应对变种情况：除了 “免费” 之外，可能还会出现 “免 - 费” 或 “Free” 等变种表述，此时既定规则将失效。用户必须不断发现新的套路，并手动添加新规则。
● 可能会误判正常邮件：例如，你的朋友发送了一封标题为 “有个免费的讲座你想参加吗？” 的邮件，按照规则可能会被误标记为垃圾邮件。
那么，在AI成长期（1990 - 2016），我们该如何改进呢？
第一步：准备“学习资料”
为机器提供大量已分类的邮件，具体包括：
● 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：让机器自主“找规律”
机器会对这些邮件进行深入分析和统计。
它会自动发现以下规律：
● 在“垃圾邮件”中，“免费”、“优惠”、“发票”等词语出现的概率极高。
● 在“正常邮件”中，“会议”、“项目”、“放假”、“通知”等词语出现的概率较高。
最终，机器会形成一套自己的判断标准。
第三步：实际应用
假设收到一封新邮件，标题为 “关于国庆放假的通知”。
机器会对这封邮件的内容进行分析。
它发现“放假”、“通知”等词语与“正常邮件”的关联度较高，而“免费”、“优惠”等垃圾邮件高频词并未出现。
基于此，机器判断这是一封正常邮件。
（垃圾邮件技术原理 - 图片来源于AI生成）
通过这个案例可以看出，在机器学习技术的支持下，AI从单纯的“规则式”应用发展为结合“AI模型分析”，机器能够自主学习和总结规律。
3、AI模型出现
机器通过自主学习和总结规律所形成的成果，即为AI模型（Model）。
那么，什么是AI模型呢？它是指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，通俗来讲，就是从数据中提炼出的“规律”或“经验”。
AI模型的三大核心要素包括：
● 输入：接收新的数据（如收到一封邮件）。
● 处理：运用学到的规律对输入的数据进行计算或判断。
● 输出：产生判断结果（如判断邮件是否为垃圾邮件）。
通过上述案例，我们对AI模型的基本概念有了初步了解。
4、机器学习方法：监督学习
在上述案例中，我们为机器提供了2000封已分类的邮件（标记为“正常”或“垃圾”），让机器依据这些标注好的结果进行学习和总结规律。这种方法是机器学习的方法之一。
我们将这种方法称为“监督学习”，即给机器学习的训练数据都带有明确的“标签”（如标注为“垃圾”或“正常”）。
除了监督学习之外，还有其他机器学习方法，我们将在下一章节详细介绍。
5、AI成长期小结
如果仍然将AI比作人类，这一阶段的AI可以类比为一个通过刷题总结规律的中学生。例如，针对中学的生物课程，该中学生通过大量刷题（包含答案），能够自主总结出规律和方法，在遇到类似题目时能够游刃有余地解答。
通过对大量数据进行统计和总结规律，我们可以将这一阶段的AI称为“统计式AI”。
然而，存在一个重要问题：
这位中学生可能存在偏科现象，例如只专注于生物学科的刷题，而忽略了物理学科。当遇到物理学科中从未接触过的题目时，他可能会感到束手无策。
回到本章节所讨论的AI成长期（1990 - 2016），尽管AI通过机器学习变得更加强大，能够在给定一定学习数据的情况下自主学习和总结规律，但一旦遇到超出原始学习数据范围的情况，AI可能就会表现不佳。这是这一阶段AI发展面临的最大挑战，该问题将在后续的AI发展阶段中得到解决，这也是下一章节的重点内容，也是本文的核心所在。
四、今生：AI爆发期（2017年至今）
在AI成长期（1990 - 2016），虽然出现了机器学习的概念，并且通过机器学习训练出了AI模型，但这些模型存在明显的局限性，即“偏科”现象严重。一旦涉及到训练数据以外领域的知识，模型可能就会失效。那么，如何解决这一问题呢？
1、AI模型架构演进
我们仍以之前提到的垃圾邮件过滤系统为例，对AI模型架构的演进进行回顾和分析：
在AI初生期（1956 - 1989）
，垃圾邮件过滤主要依据既定规则进行，例如，如果邮件标题中包含 “免费” 一词，则将其标记为垃圾邮件。这种方法非常死板，未涉及模型的应用。
在AI成长期（1990 - 2016）
，我们通过机器学习（监督学习）训练出了AI模型（通常采用“朴素贝叶斯模型架构”），使模型能够自主判断收到的邮件是否为垃圾邮件，效率有所提高。
然而，该模型存在一个明显的缺点：
它只是简单地将邮件拆分为零散的词语，不考虑词语的顺序和句子的整体意思。例如，对于 “钱转给你” 和 “你把钱转走” 这两个句子，它会将其视为包含 “钱”、“转” 等词语的相同组合，无法理解前者表示正常收款，后者可能是诈骗预警。
为解决这一问题，RNN架构（循环神经网络）应运而生：
RNN架构不再将邮件拆分为零散的词语，而是逐词阅读整个句子，并尝试记住前面读过的内容。
这使得它初步具备了 “上下文” 概念，能够理解一些简单的句子结构。
然而，RNN架构存在一个关键问题，即 “健忘症”。当处理较长的邮件时，它在阅读到结尾时往往会忘记开头的内容。例如，邮件开头提到 “关于上次开会的项目报告...”，结尾要求 “...请支付费用”，它可能会忽略开头的重要信息，仅根据结尾的内容做出错误判断。
为克服RNN架构的 “健忘” 问题，CNN架构（卷积神经网络）出现：
CNN架构每次只关注相邻的几个词语，能够敏锐地捕捉局部短语特征。例如，当看到 “难以置信的” 和 “优惠” 时，它能判断这可能是一个广告短语；看到 “验证您的” 和 “账户” 时，它能意识到这可能是一个安全提示。通过这种方式，CNN架构提高了处理效率，但它无法同时获取邮件的全文信息。
CNN架构的主要问题在于缺乏全局观：
例如，一封邮件开头可能是正常的商务沟通，仅在最后一句巧妙地植入了诈骗链接，由于前面的内容均为正常的局部信息，CNN架构可能会忽略诈骗链接，难以理解邮件的整体逻辑和核心意图。
综上所述，上述AI模型通过架构的优化和演进，能力有所提升，但仍存在明显的缺陷：
● “不懂语法”：仅关注零散的关键词，忽略句子的整体结构。
● “认真但健忘”：处理长文本时效率低下，容易遗忘重要信息。
● “眼光狭隘”：缺乏全局观，难以理解文本的整体逻辑和核心意图。
2、Transformer架构出现
鉴于上述模型的缺陷，2017年，Google的研究团队发表了一篇名为《Attention Is All You Need》的论文，正式提出了Transformer架构。
Transformer架构由此诞生！
下面以邮件垃圾过滤为例，介绍Transformer架构的工作原理：
假设有一封可疑邮件，内容为：“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）
与之前的RNN架构逐字阅读不同，Transformer架构能够同时获取邮件中的所有词语信息。
第二步：划重点并分析（自注意力机制）
Transformer架构会分析词语之间的关联关系，例如，它会发现 “奖金” 与 “链接”、“领取” 之间的关联度极高。这种 “中奖 - 链接 - 领取” 的模式类似于常见的诈骗套路。
第三步：全局推理，看穿意图
Transformer架构能够理解邮件的整体逻辑，判断这是一封群发邮件，利用虚假的高额奖金作为诱饵，诱导收件人点击可疑链接http://xxx.com。
它关注的是邮件的整体意图，而非简单地匹配关键词。
第四步：做出最终决定
基于以上分析，Transformer架构能够准确判断这是一封钓鱼诈骗邮件，并将其放入垃圾箱。
通过这个例子可以看出，采用Transformer架构的垃圾邮件过滤器利用“自注意力机制”能够做出精准的判断。那么，什么是 “自注意力机制” 呢？通俗来讲，它是指模型在处理句子时，能够同时关注所有词语，并智能地判断词语之间的重要关系。
Transformer架构的革命性突破，为AI爆发期的发展奠定了关键的技术基础。
3、AI大模型出现
有了Transformer架构，AI模型得到了革命性的改进和优化。基于这一契机，OpenAI于2018年推出了生成式模型GPT - 1，GPT - 1拥有1.17亿参数。这里的 “参数” 类似于人类大脑神经网络中的 “神经元”。在本文的第一章节中，我们提到人类大脑的强大之处在于数百亿个 “神经元” 构成了复杂的 “神经网络”，而AI模型中的 “参数” 同样对模型的性能起着关键作用。
此后，OpenAI在AI领域持续发力，于2019年推出了GPT - 2（参数扩大到15亿），并在2020年推出了GPT - 3（参数规模达到1750亿）。随着参数规模的不断扩大，AI模型的能力得到显著提升，这也是为了解决AI成长期中模型 “偏科” 的问题，使AI模型具备更广泛、更强大的知识储备，能够覆盖多个领域。
基于此，大模型（Large Model，缩写为LM）应运而生！
那么，什么是大模型呢？其基础定义为大规模人工智能模型。
这里的“大规模”具体指参数规模巨大。通常情况下，我们将参数规模在10亿以上的模型视为入门级大模型。截至2025年，我们一般将参数规模在100亿以上的模型定义为大模型，例如混元大模型旗下的TurboS大模型，其参数量高达5600亿。
4、大模型、中模型、小模型
既然有了大模型，那么是否存在中模型和小模型呢？
答案是肯定的！以下表格将简要对比大模型、中模型和小模型的差异：
尽管中小模型在特定场景下具有高效性，但对于大多数读者而言，在工作和生活中，大模型的应用更为广泛。因此，我们将继续深入探讨大模型的相关内容。
5、大语言模型
在AI初生期（1956 - 1989），AI与 “自然语言处理（NLP）” 相互促进、共同发展。这是因为人类在探索AI的初期，主要通过自然语言处理与机器进行交互，让机器理解人类语言是最直接的应用方式。大模型出现后，最初的表现形式为大语言模型（Large Language Model，缩写为LLM）。
● Large（大）：不仅指参数数量巨大，还意味着训练数据量庞大。
● Language（语言）：自然语言。
● Model（模型）：能够识别特定模式或规律的计算模型。
2020年推出的GPT - 3是典型的大语言模型，拥有1750亿参数。此后，大语言模型不断发展演进，2023年OpenAI正式推出了GPT - 4，其参数量进一步增加，性能更为强大。与GPT - 3只能处理文本不同，GPT - 4不仅可以处理文本，还具备处理图像的能力。除了GPT系列，还有腾讯的Turbos、DeepSeek等大语言模型。
6、除了大语言模型还有哪些模型？
上文对大语言模型的定义和特点进行了详细介绍。大语言模型作为AI大模型的早期核心形式，在后续的发展中，出现了文生图、图生视频等多种类型的大模型。从应用类别来看，大模型的应用已经不再局限于语言处理领域。以下图片将展示大模型的整体应用生态：
（大模型宇宙）
7、机器学习方法：无监督学习
在AI成长期（1990 - 2016），“机器学习” 的概念开始兴起，通过监督学习的方法，机器能够自主学习和总结规律，从而生成AI模型。
那么，像GPT这类AI大模型是如何进行训练（这一阶段通常称为 “预训练”）的呢？
实际上，大模型的训练同样采用了机器学习方法，但更为 “深度”。这里的 “深度” 主要体现在机器学习过程更为复杂，分多个步骤进行，每个步骤学习不同的规律，从简单到复杂，逐步深入。由于大模型的参数量巨大，训练所需的数据量也极为庞大，无法像之前那样为每个数据标注标签。例如，GPT这类通用大模型需要学习互联网上的海量知识，人工无法为每一条知识进行标注。因此，大模型需要自主从大量数据中总结规律，判断知识的正确性。
这种机器学习方法被称为 “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
由于大模型的参数量和训练数据量巨大，需要更复杂的网络结构来支持。之前提到的RNN、CNN、Transformer等架构均属于“深度神经网络”的范畴。在深度神经网络的支持下，大模型预训练阶段的机器学习范式被称为“深度机器学习”，也可简称为“深度学习”。而在AI成长期（1990 - 2016）所采用的机器学习范式则被称为“传统机器学习”。
9、以ChatGPT、SD等案例分析
目前，大模型技术已经取得了显著发展，除了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大模型。然而，对于普通互联网从业者来说，这些大模型可能显得较为遥远。直到2023年ChatGPT正式问世，才让人们真正感受到大模型的强大和实用价值。
（ChatGPT聊天界面 - 图片来源于AI生成）
借助ChatGPT，我们能够与人工智能展开自然流畅的对话，领略其丰富的知识储备与强大的智能能力。同时，ChatGPT的趣味性也使人们对人工智能有了全新的认知。我们既可以向ChatGPT咨询任何感兴趣的话题，也能够利用它提升工作效率。
ChatGPT的出现为近年来人工智能的爆发式发展奠定了基础。此后，基于大模型的人工智能应用大多以对话形式呈现，如ChatGPT、豆包、元宝等。这是因为对话是最为直接且便捷的交互方式。
随着与人工智能对话的日益增多，人们或许会认为人工智能的能力仅局限于对话。然而，几乎与ChatGPT同期，Stable Diffusion（缩写为SD） 应运而生，它是一款文生图大模型，打破了传统的对话生成文本模式，能够依据输入的文本生成高质量的图像。（同期还有Midjourney，前者为开源模型，后者为闭源模型。）
对于类似SD、Midjourney这样的文生图大模型，我们需要输入一段文本来让人工智能生成图像，这段文本实际上就是提示词（Prompt），下面我们通过一个例子来了解：
（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
提示词工程是一种与人工智能有效沟通的连接方式，通过上述例子我们可以简要总结整体原则：你为人工智能提供的提示词越清晰、越具体，所获得的结果就越理想。掌握这项技能，你将能够充分释放大模型的巨大潜力。
通过文生图体验，大家可以发现，基于人工智能大模型，我们不仅能够生成文本，还能生成图片！
但是有一个关键问题：
只能输入文本，如何确保得到的是自己想要的图片呢？例如，我希望上面例子中的猫与我家的猫长得一样，但仅通过提示词（文本描述）很难使生成的猫与我家的猫一致...
那么，是否存在解决办法？
当然有，我们直接来看例子：
这是我家的猫（一只美短，名叫“小白”）：
我将“小白”的这张照片发送给人工智能大模型，同时撰写了一段提示词，进而生成相关图片：
（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。但大家是否注意到，我们向人工智能既输入了文本又输入了图片（小白的照片），而人工智能为我们输出了一张最终的图片，这与之前的ChatGPT体验截然不同！（笔者注：其实，最新的ChatGPT已经支持既输入文本又输入图片，基于GPT - 4o大模型）
我们甚至可以既输入图片又输入文字，然后让人工智能生成视频！
11、多模态、单模态
这种既能输入文本又能输入图片的方式，实际上就是人工智能大模型的多模态（Multimodal）！
那么，究竟什么是多模态？我们先来回顾一下人工智能模型的三要素：
● 输入：接收数据
● 处理：运用所学规律进行思考、推理
● 输出：产生结果
我们关注到人工智能模型的输入和输出这两个重要环节，可对多模态作如下定义：输入或输出端能够同时处理、理解和关联多种不同类型的信息。就像我们刚刚的例子，大模型在输入端同时接收到文本和图像信息，然后进行理解、推理，在输出端生成一张新的图片或一个新的视频。
实际上，在介绍了多模态之后，与之对应的还有单模态（Unimodal）。对照多模态的定义，我们就较容易理解单模态了，即：在输入和输出端分别专注于一种类型的信息处理。像我们之前提到的GPT - 3、GPT - 4以及腾讯的混元Turbos等均为单模态大模型，因为它们无论在输入端还是输出端都只能处理文本。下面我们用一张图来简要解释“单模态”和“多模态”：
（“单模态”和“多模态”对比）
12、开源、闭源
大模型除了有“单模态”和“多模态”的区分外，还有一个重要的维度区分，即“开源”还是“闭源”。例如，之前同期的文生图大模型既有SD又有Midjourney，前者是开源的，后者是闭源的。那么，我们来看看开源和闭源究竟有何区别：
实际上，“开源”与“闭源”并无对错之分，也不存在谁优谁劣，二者共同推动了整个人工智能领域的飞速发展。开源是创新的源泉，闭源是商业化应用的标杆。如果个人打算尝试使用某种模型进行实践，最重要的是根据自身需求、技术能力和资源，做出最为合适的选择。
13、智能体的出现
在了解了大模型的整体介绍后，我们会发现，无论是使用单模态的ChatGPT（基于GPT - 4）进行对话，还是使用多模态的ChatGPT（基于GPT - 4o）进行“文 + 图”生成图片，都已算是在应用层使用人工智能大模型了。
那么，我们能否利用ChatGPT策划一次旅行并做好预算呢：
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...”
它可能会输出一个极为笼统的模板式行程：
● Day 1: 抵达三亚，入住酒店，在附近海滩漫步。
● Day 2：...
你发现的问题：该行程过于泛泛而谈，完全未考虑你的预算、偏好（如是否喜欢潜水、是穷游还是舒适游），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：价格是过时的：它无法联网获取真实实时价格，这些价格毫无意义。
需要你验证：你得自行打开携程或航司官网，逐一查询这些航班和酒店的真实价格。
决策点又抛回给你：“XX酒店”真的好吗？它无法查看真实用户的评价。
你：“现在，帮我查一下下个月从上海出发到三亚，最便宜的非红眼航班是哪天？列出时间和价格。”
你：“等等，把预算表单独做出来，分机票、酒店、餐饮、门票、市内交通几项。”
你：...
你会发现，所有的规划（先查什么、后查什么、如何取舍）都需要你自行思考，你需不断发出“下一步做什么”的指令。
那么，是否存在一种人工智能，你只需告知它一个目标，它就能自行规划、执行，直至将结果呈现在你面前？
当然有，此时就不得不提及“智能体（Agent）”这一概念了！实际上，“智能体”的概念并非近几年才出现，在人工智能成长期（1990 - 2016）之前，就已有基础定义（来源于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）
还有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”的几个关键因素为：**“感知”、“决策”、“目标”、“自主行动”**。大家可以思考一下，之前我们通过ChatGPT输入一个提示词来生成一张图，那么这一阶段的ChatGPT是否为智能体呢？我们可以进行简单分析：
显而易见，如果仅仅是通过“文生图”的ChatGPT，并不算是一个“智能体”，最多只能称其为“智能体雏形”，或者可称作一个“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的例子来帮助大家更好地理解：
场景一：指挥一个“听话的助手”（这是非自主的）
你对他说：“小C，打开冰箱。”
“拿出西红柿和鸡蛋。”
“打开燃气灶。”
“把锅烧热，倒油。”
“先把鸡蛋炒熟盛出来。”
“再炒一下西红柿。”
“最后把鸡蛋倒回去，放盐，翻炒几下出锅。”
你会发现，每一步具体的动作都需要你精确下达指令。这个助手很能干，但缺乏自主意识，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”（这是有“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”：
● 他内心会盘算：“老板饿了。我得先查看冰箱里有什么，然后决定做什么，再动手。”
● 他自行决定打开冰箱查看食材。（感知）
● 他发现有意面、西红柿和牛肉，自行决定做番茄肉酱意面。（决策）
● 他自行决定先后顺序：先烧水、同时切西红柿、再炒肉酱……（规划）
● 发现盐用完了，他不会陷入困境，而是自行决定用酱油代替。（动态调整）
● 发现意面煮多了，他会自行决定先盛出一部分作为明天的午餐。（灵活处理）
● 最终交付：过了一会，他端上一盘香喷喷的意面，并告诉你：“老板，饭做好了。盐用完了，我用了点酱油调味，你看合口味吗？”
我们可以简要总结，“自主行动”即：“赋予它一个目标，它能够自行制定一套计划、完成过程、应对变化，最终为你提供结果”的能力。
我们可以设想一下，如果给ChatGPT一段提示词“生成一张猫吃饼干的图片”，此时它经过思考：“猫是什么品种的猫比较合适？饼干是什么类型的饼干？应该处于什么场景更佳？”，然后通过各种工具或方法生成多张猫吃饼干的图片，供我们选择，并且在选择后还能继续优化。如果是这种方式，它是否属于“智能体”呢？
答案是：当然是！它完美满足了“智能体”的“目标”、“感知”、“决策”、“自主行动”几个关键维度的定义。（请参阅最新豆包的文生图体验，所以我们可以暂且将豆包视为一个智能体）
我们探讨了诸多智能体的基础定义，旨在帮助大家清晰地理解智能体的概念。
此前，我们在本文中提及了大量关于大模型的基础知识，那么“大模型”与“智能体”究竟存在怎样的关联呢？
通俗来讲大模型宛如一个无所不知、博古通今的智慧大脑，而智能体则是在拥有这一强大大脑的基础上，还具备了灵活的手脚，能够通过感官获取信息，经过思考与决策后，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 “能力基石”：若没有大模型，智能体将无法进行理解与思考，只能机械地执行固定指令。
● 智能体是大模型的 “落地拓展”：仅有大模型，只能进行理论层面的探讨，智能体通过搭配工具、设定目标，使大模型的能力从“纸上谈兵”转变为实际行动。
● 两者是 “分工协作” 关系：大模型负责深度思考与分析，智能体负责精准执行与落实。
14、如何开发一个智能体应用？
倘若我们想要自主开发一个智能体应用，应该采取哪些步骤，过程中又可能会遭遇哪些问题呢？
下面，我将以今年参与的三个AI项目为例进行简要分享，分别为：瓦手AI放号官、瓦手AI抢ID、英雄联盟AI赛事助手。
今日，我将着重分享此前文章未曾涉及的内容。以我负责的三个项目为例，开发一个智能体应用，大致可遵循以下流程：
1.需求确认与策划 ：明确项目的具体目标，即确定期望借助AI解决的问题或提升的用户体验。
2.技术选型与架构设计 ：选择合适的大模型（智能体的核心大脑）、智能体平台/框架以及工具链。
3.核心开发 ：开展核心功能的开发工作。
4.智能体调优与测试 ：探索智能体调优的有效方法。
5.项目上线运营与迭代：持续推进项目的运营，并进行优化与迭代。
下面，我们将依据上述流程，对我负责的三个案例进行简要分析：
大家会发现，在智能体项目的整体开发过程中，最为关键的环节在于需求确认与策划、技术选型以及智能体调优，而智能体调优更是这三个环节中的重中之重。
为何说“智能体调优”这一环节至关重要呢？因为在开发AI智能体应用时，AI效果是否达到预期，关键在于智能体调优是否做到极致。在上述三个项目中，智能体调优的方法基本一致，这表明大部分智能体应用的调优方法具有一定的通用性。关于其中的提示词工程，前文已提及，在此不再赘述。接下来，我们将重点探讨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），具体解释如下：
● 检索：从外部知识库中精准查找与问题相关的信息。
● 增强：利用检索到的信息对大模型的知识进行“增强”或“补充”。
● 生成：大模型基于这些补充信息，生成更为准确、可靠的答案。
通俗来讲：在智能体的大脑（大模型）输出内容之前，先让其主动从庞大的知识库（如文档、数据库、互联网）中“查阅资料”，然后依据查到的资料组织并生成答案。
若智能体未采用RAG，就如同参加闭卷考试的学生，只能凭借记忆（预训练阶段所学知识）答题。一旦问题超出其记忆范围，就可能答错或随意编造答案。
若为智能体添加RAG，则如同参加开卷考试的学生，遇到问题时可先查阅指定的教科书和笔记（检索外部知识库），再结合自身理解（模型的推理能力），给出有依据、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
在智能体调优过程中，提示词工程、RAG等方法主要作用于模型的输入阶段，旨在使输入更有效。若要更好地优化智能体的输出，还需运用：微调。提示词、RAG等改变了输入环节，而微调本质上改变了AI模型（对于开源大模型而言是模型副本，对于闭源大模型而言是“适配层”）。
（瓦手AI项目基于人工反馈的监督学习）
而强化学习可使智能体通过试错，自主掌握一整套“决策链”或“策略”，以实现长期奖励的最大化。
下面，我们以生活中训练狗狗为例，阐释强化学习的概念：
小狗听到主人下达“坐下”的指令。
它尝试趴下（做出动作）。
驯兽师未给予零食（未给予奖励）。
小狗又尝试坐下（做出新动作）。
驯兽师立即给予零食（给予奖励）。
经过无数次尝试，小狗学会了策略：当听到“坐下”指令时，执行“坐下”动作可最大化获得零食的长期收益。
监督学习为模型提供标准答案（例如告知模型是goodcase还是badcase），但倘若数据量极为庞大，每次都依靠人工标注所有数据将不切实际。基于人工反馈的强化学习（RLHF）则是更为高效的方法，通过构建评分奖励模型，让AI学习评分标准，经过反复学习生成高分结果，从而达成预期效果。
运用上述智能体调优方法，旨在使我们开发的AI应用更贴合预期，例如使AI的回答更加准确、有趣。
17、大模型的幻觉问题
实际上，在项目实施过程中，我们有时会发现AI的回答并非完全准确，这便是大模型的“幻觉”问题：大模型生成看似合理，但实际上错误、荒谬或虚构信息的现象，简单来说，就是AI一本正经地胡说八道。
我们采用的一些智能体调优方法，本质上是为了解决“幻觉”问题。“幻觉”问题产生的主要原因在于，当我们期望AI输出超出其认知范围的内容时，它可能会随意作答或答错。
除了通过RAG、提示词工程、微调等方法调优智能体，提升AI输出的准确性外，我们还可采取以下措施：
● 答案溯源：要求模型在生成答案时注明引用的源文，以实现二次校验。
● 自我批判：促使模型对自身生成的答案进行自我审查。
● 高准确性信息采用固定信源：例如，让AI赛事助手的赛程、赛事等信息从固定接口获取，而非通过联网搜索。
● 等等
简要总结，幻觉是当前大模型普遍存在的问题，包括GPT系列以及现有的所有通用大模型均存在“幻觉”现象。我们现有的调优手段，如RAG、提示词工程、SFT、RLHF等，其重要目标之一是最大程度地管控和减少幻觉，但无法完全消除。因此，我们在优化AI输入阶段的同时，也应谨慎对待AI的输出阶段，这是每位AI从业者应具备的重要意识。
18、AI爆发期小结
自2017年至今的短短几年间，AI迎来了爆发式发展，大模型如雨后春笋般涌现，相关的智能体应用也层出不穷。现阶段（即我们正在经历的时期）的AI，犹如一位饱读诗书的大学生，不仅拥有丰富的知识储备，还积累了一定的实践经验。未来，它将步入社会，成为职场中的专业人士，将多年积累的知识和实习经验更好地应用于实际工作中。同样，我们可将这一阶段的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，该大会揭示了诸多与未来AI发展极具想象空间的模块，如AGI、具身智能、量子计算、6G、人机协同等，感兴趣的同学可深入了解。
下面，我将分享个人的AI观点：从历史发展的时间线来看，AI已历经数十年，但真正实现爆发式增长仅在近几年。这背后的原因在于数据、算力、算法三个关键模块的逐步成熟：
● “数据”：近几十年来，我们的生活方式、工作方式等全面向数字化转型，积累了海量的数据。
● “算力”：云计算、GPU等技术的不断迭代与革新，为AI的发展提供了坚实的基础支撑。
● “算法”：以Transformer架构为代表的深度学习为大模型的发展开辟了无限可能。
在这三个模块的推动下，AI从最初的自然语言处理领域拓展至多维度物理世界（如图像、视频、音频等）的处理，在具体应用形态上，也从最初的内容生成（AIGC）延伸至辅助办公（如编码提效、美术生产提效、产研提效等），并开始在各个垂直行业（如医疗、教育等）进行初步探索。
在整个发展历程中，
AI从最初的“规则式AI”演进为“统计式AI”，再发展到如今的“深度学习/大模型AI”。
若将AI比作人类，它已从最初的小学生成长为如今的大学生。
然而，大部分互联网从业者可能仍停留在AI的应用层面，或者在AI出现后便急于使用。
但实际上，我们更应深入思考：为何要使用AI？AI当前能够实现哪些功能，未来又有怎样的发展潜力？使用AI会带来哪些改变？若不使用AI又会产生何种影响？
未来，AI将不再仅仅是一种工具，更是我们不可或缺的“伙伴”。
