欧美区国产区日韩区在线观看_最新中文字幕有码在线播放_影音先锋亚洲欧美丝袜_在线免费观看国产视频_高清精品无码少妇_先锋影音中文字幕_飘花电影院午夜伦限_免费99久久国产综合麻豆

如果只看到上述的熱鬧景象，你大概會(huì)得出結(jié)論——2024年是AI Agent的當(dāng)打之年。

但用戶能夠真正依賴的AI Agent，其實(shí)寥寥無幾。

只需花3秒鐘思考——你喜歡用哪幾款A(yù)I Agent？如果你是程序員，答案可能只是Cursor。如果我們換個(gè)問題——你喜歡用哪幾款A(yù)I大模型？答案會(huì)五花八門，比如ChatGPT、Gemini、Claude、Kimi等等。

至少從實(shí)感來說，目前大熱的AI Agent仍是“虛火”。

主因是“不靠譜”和“雞肋”。AI Agent依賴LLM“黑盒”，本身就存在不可預(yù)測性，而工作流程更是要將多個(gè)AI 步驟連接起來，會(huì)加劇這些問題，尤其是對(duì)于需要精確輸出的任務(wù)。用戶難以確保Agent能否始終提供準(zhǔn)確、符合上下文的響應(yīng)。

LangChain發(fā)布的State of AI Agents可以作為重要參考。其調(diào)查涉及的1300多位受訪者指出，性能質(zhì)量（41%）是首要關(guān)注點(diǎn)，重要性遠(yuǎn)超成本（18.4%）和安全（18.4%）等因素。甚至對(duì)于向來格外關(guān)注成本的小企業(yè)而言，其中45.8%將性能質(zhì)量列為主要關(guān)注點(diǎn)，成本因素僅為22.4%。同時(shí)，報(bào)告指出，生產(chǎn)中采用AI Agents的主要挑戰(zhàn)包括：開發(fā)人員很難向團(tuán)隊(duì)和利益相關(guān)者解釋 AI Agent 的功能和行為。

此外，雖然AI Agent依賴的基座LLMs在Tool use方面表現(xiàn)不錯(cuò)，但它們速度不快且成本高，特別是需要進(jìn)行循環(huán)和自動(dòng)重試時(shí)。WebArena 排行榜對(duì) LLM智能體在現(xiàn)實(shí)任務(wù)中的表現(xiàn)進(jìn)行了基準(zhǔn)測試。結(jié)果顯示，即便是表現(xiàn)最好的模型SteP，成功率也只有35.8%，而GPT-4的成功率僅達(dá)到14.9%。

那么，市面上不能“完全自理”的AI Agent算得上Agent嗎？

如果我們按吳恩達(dá)的思路就很好理解了——AI Agent是可以分層級(jí)的。他提出了Agentic System（智能體系統(tǒng)），并認(rèn)為形容詞“Agentic”比名詞“Agent”能更好地幫助我們理解這類智能體的本質(zhì)。如同自動(dòng)駕駛汽車L1-L4，Agent的進(jìn)化也是一個(gè)過程。

BabyAGI創(chuàng)始人Yohei Nakajima對(duì)于AI Agent的分類，同樣值得參考。

1、手工制作Agent：由 Prompt和API 調(diào)用組成的鏈條，具有一定自主性，但約束較多。

特征：流水線機(jī)器人，按照固定步驟完成任務(wù)。

舉例：它就像一個(gè)專門訂票的助手——當(dāng)你告訴航班需求時(shí)，它能夠直接調(diào)用API搜索并完成預(yù)訂；然而一旦涉及復(fù)雜行程規(guī)劃，手工制作Agent就會(huì)“卡住”（歡迎大家代入產(chǎn)品）。

2、專業(yè)Agent：在一組任務(wù)類型和工具內(nèi)動(dòng)態(tài)決定要做什么，比手工制作Agent約束少。

特征：嫻熟工匠，能夠在特定領(lǐng)域（比如木工）熟練地使用工具，不僅能按照要求制作家具，還能根據(jù)實(shí)際需求調(diào)整設(shè)計(jì)，調(diào)用材料。

舉例：AutoGPT通過CoT技術(shù)分解復(fù)雜問題，動(dòng)態(tài)選擇最優(yōu)解決路徑。面對(duì)一個(gè)市場研究任務(wù)，AutoGPT能自動(dòng)分解任務(wù)為“搜索趨勢”“整理數(shù)據(jù)”“生成報(bào)告”等子任務(wù)并完成。

3、通用Agent：Agent的AGI——目前還處于理論概念階段，尚未實(shí)現(xiàn)。

特征：全能助手，就像鋼鐵俠的Jarvis。你可以詢問它任何問題，它不僅能理解你的需求，還能結(jié)合知識(shí)和環(huán)境動(dòng)態(tài)適應(yīng)，提供創(chuàng)新解決方案。

舉例：還沒有真正能實(shí)現(xiàn)的產(chǎn)品，相關(guān)研究包括更強(qiáng)的多模態(tài)交互和長期記憶優(yōu)化。

處于當(dāng)前的歷史節(jié)點(diǎn)，Prompt Agent數(shù)量最多，表現(xiàn)為大模型APP里的遍地Agent；垂直領(lǐng)域的專業(yè)Agent正處于爆點(diǎn)，并因其實(shí)用性備受資本青睞；人類所期待的真正Agent——全能助手Jarvis，有待關(guān)鍵技術(shù)突破。這也意味著未來一段時(shí)間內(nèi)，我們能看到更多“L1-L4”之間的技術(shù)進(jìn)化。

這一年AI Agent“皮下”技術(shù)進(jìn)化到哪兒了？

根據(jù)Lilian Weng列舉的公式：Agent = LLM+Memory+Planning skills+Tool use

假設(shè)你是黑暗料理界的“五虎星”。LLM代表你的知識(shí)儲(chǔ)備，包含所有菜系菜譜；Memory類似于你的廚師筆記，記錄著不同食客的口味需求，輸給“小當(dāng)家”的歷史教訓(xùn)；Planning好比你的做菜規(guī)劃，面對(duì)不同要求，是先炸再烤，還是先煮再炸；Tools則是你的魔法廚具，包括如何調(diào)用不同刀具（軟件），幫助執(zhí)行復(fù)雜的任務(wù)。

AI Agent的突破取決于各項(xiàng)技術(shù)的進(jìn)步。

首先是LLM。在GPT5這樣的強(qiáng)悍“大腦”出現(xiàn)之前，OpenAI就發(fā)現(xiàn)了推理引擎的能力。

2024年10月，OpenAI高級(jí)研究科學(xué)家、德?lián)銩I之父Noam Brown提出：讓AI模型思考20秒所帶來的性能提升，相當(dāng)于將模型擴(kuò)大100,000倍并訓(xùn)練100,000倍的時(shí)間。

Brown所指的技術(shù)便是System 1/2 thinking，正是OpenAI o1長出“推理能力”的秘訣。

System 1，即“快思考”，你看到一只蘋果，不需要思考，就知道這是水果；System 2，即“慢思考”，你要做一道17*24的數(shù)學(xué)題，則需拆解步驟來思考，答案才更準(zhǔn)確。

近期，谷歌DeepMind研究人員也將這項(xiàng)技術(shù)集成到AI Agent中，并開發(fā)了Talker-Reasoner框架。System 1是默認(rèn)運(yùn)行的“快速模式”，而System 2作為“備用引擎”隨時(shí)待命。當(dāng)System 1感到困惑時(shí)，會(huì)將任務(wù)交給System 2處理。“雙引擎”共同運(yùn)行，對(duì)于解決復(fù)雜、冗長的任務(wù)幫助巨大，突破了傳統(tǒng)AI Agent執(zhí)行業(yè)務(wù)流程的方法，極大提升了效率。

其次是記憶機(jī)制。當(dāng)生成式AI開始“胡言亂語”，或許不是性能問題，而是記憶力不佳。這時(shí)候就需要RAG（檢索增強(qiáng)型生成）來幫忙。它是LLM“外掛”般的存在，能夠利用外部知識(shí)庫為LLM提供相關(guān)上下文，防止LLM不懂裝懂。

然而，傳統(tǒng)RAG流程只考慮一個(gè)外部知識(shí)源，不能調(diào)用外部工具；僅生成一次性解決方案，上下文只檢索一次，不能進(jìn)行推理或驗(yàn)證。

在此情況下，融合Agent能力的RAG應(yīng)運(yùn)而生。雖然Agentic RAG在整體流程上與傳統(tǒng)RAG一脈相承：檢索-合成上下文-生成，但其融入了Agent自主規(guī)劃能力，能夠適應(yīng)更加復(fù)雜的RAG查詢?nèi)蝿?wù)——決定是否需要檢索；自主決策使用哪個(gè)檢索引擎自主規(guī)劃使用檢索引擎的步驟；評(píng)估檢索到的上下文，并決定是否重新檢索；自行規(guī)劃是否需要借助外部工具。

如果說，原始RAG是坐在圖書館查看特定問題；那么，Agentic RAG就像拿著iPhone，調(diào)用Google瀏覽器、電子郵件等等搜索問題。

此外，2024年YC孵化的開源Mem0項(xiàng)目，也有望成為RAG助手，并為AI Agent插上個(gè)性化記憶的翅膀。

Mem0像是大腦的“海馬體”，為LLM提供了一個(gè)智能、自我優(yōu)化的記憶層。它能進(jìn)行信息分層存儲(chǔ)——將短時(shí)信息轉(zhuǎn)化為長期記憶。類似于，你會(huì)整理“新學(xué)知識(shí)”，而后存入腦海；它還能建立語義鏈接——通過語義分析為存儲(chǔ)的知識(shí)創(chuàng)建關(guān)聯(lián)網(wǎng)絡(luò)。類似于，你告訴 AI自己喜歡看偵探電影，它不僅能記住，還會(huì)推測你可能喜歡的犯罪紀(jì)錄片。

基于此，Mem0能夠顯著提升AI Agent個(gè)性化記憶——動(dòng)態(tài)記錄用戶偏好、行為和需求，創(chuàng)建“私人記事本”。例如，當(dāng)你告訴AI Agent下周是媽媽生日，它不僅會(huì)及時(shí)提醒你送上祝福，還會(huì)根據(jù)“記憶中”你和媽媽的喜好，給出送禮建議，甚至能夠跨平臺(tái)“貨比三家”，奉上購物鏈接。

在RAG方面的突破不止于此，俄亥俄州立大學(xué)和斯坦福大學(xué)的科學(xué)家團(tuán)隊(duì)提出了一個(gè)有趣的思路：讓AI擁有一個(gè)類似人類海馬體的“記憶大腦”。他們從神經(jīng)科學(xué)的角度出發(fā)，模仿人腦海馬體在長期記憶中的作用，設(shè)計(jì)出一個(gè)名為HippoRAG的模型，像人腦一樣高效地整合和搜索知識(shí)。實(shí)驗(yàn)表明，“記憶大腦”能夠在多跳問答等需要知識(shí)整合的任務(wù)上取得大幅提升�；蛟S探索出讓大模型具備“類人”記憶的一個(gè)全新方向。

Tool use的進(jìn)步更是肉眼看見。例如，Claude的Computer Use，通過構(gòu)建API，將自然語言提示轉(zhuǎn)化為各種電腦操作指令，由開發(fā)者自動(dòng)化重復(fù)性的任務(wù)、進(jìn)行測試和質(zhì)量保證，以及開放式研究。從此，AI不需要一個(gè)個(gè)專門的API“鑰匙”也能“一次性”調(diào)用各種軟件完成各種操作：用Word寫文檔，用Excel處理表格，用瀏覽器搜索信息。雖然如此，目前Computer Use能力還不完善：不能在內(nèi)部數(shù)據(jù)上訓(xùn)練該功能；受限于上下文窗口等等。Anthropic團(tuán)隊(duì)也表示，現(xiàn)在Claude的計(jì)算機(jī)使用水平只處于類似“GPT-3 時(shí)代”的早期階段，未來還有很大提升空間。

值得注意的是，AI Agent的視覺能力也取得了進(jìn)步。例如，智譜發(fā)布的 GLM-PC 將其通用的視覺-操作模型 CogAgent 應(yīng)用到了計(jì)算機(jī)上。其能夠模擬人類的視覺感知來從環(huán)境中獲取信息輸入，以進(jìn)行進(jìn)一步的推理和決策。

規(guī)劃能力方面。Planning包含任務(wù)分解——將大任務(wù)劃分成小任務(wù)；反思和提煉——基于已有動(dòng)作進(jìn)行自我反思，從錯(cuò)誤中學(xué)習(xí)優(yōu)化接下來的動(dòng)作。

目前，有論文提出更為新穎的分類法：任務(wù)分解、多計(jì)劃選擇、外部模塊輔助規(guī)劃、反思與細(xì)化、記憶增強(qiáng)規(guī)劃。其中，多計(jì)劃選擇，即給AI Agent一個(gè)“選擇輪”，生成多個(gè)計(jì)劃，挑一個(gè)最好的來執(zhí)行；外部模塊輔助規(guī)劃，即借助外部規(guī)劃器，類似強(qiáng)化學(xué)習(xí)的判官。記憶增強(qiáng)規(guī)劃，就像 一個(gè)記憶面包，記住過去經(jīng)驗(yàn)，為將來規(guī)劃提供幫助。這些方法并不孤立，而是相互交織，共同提升AI Agent的規(guī)劃能力。

一年以來，Agent“皮下”各項(xiàng)能力均取得了進(jìn)步，其中Tool use能力已經(jīng)初步落地；記憶機(jī)制的進(jìn)步非常值得期待；LLMs的進(jìn)步則取決于巨頭的能力邊界等等。但對(duì)于Agent而言，其能力的最大化并非各項(xiàng)技術(shù)簡單的加成，任何一項(xiàng)技術(shù)的突破均有望使其迎來質(zhì)變。

未來，AI Agent進(jìn)化的重要挑戰(zhàn)包括但不限于：如何實(shí)現(xiàn)低延遲、帶視覺理解的實(shí)時(shí)反饋；如何構(gòu)建個(gè)性化的記憶系統(tǒng)；如何在虛擬與物理環(huán)境都具備魯棒的執(zhí)行能力等等。只有當(dāng)AI Agent從“工具”到“工具使用者”時(shí)，真正的Killer Agent就會(huì)出現(xiàn)。

資本的選擇——大模型遇冷，AI Agent當(dāng)立

有人說，現(xiàn)在大模型卷不動(dòng)了，要卷就卷AI Agent。

2024年，曾經(jīng)爭做“做中國OpenAI”的大模型公司不得已食言，以“六小虎”智譜AI、零一萬物、百川智能、MiniMax、月之暗面和階躍星辰為例，多數(shù)公司已經(jīng)開始進(jìn)行業(yè)務(wù)調(diào)整，甚至人員縮減。大廠憑借其雄厚的家底，還能繼續(xù)卷研發(fā)；更多初創(chuàng)企業(yè)被迫直面現(xiàn)實(shí)，轉(zhuǎn)向大模型應(yīng)用層面，尋求更低的成本和更快的回報(bào)。

同時(shí)，敏銳的資本也將目光投向了AI應(yīng)用層。

桔子IT數(shù)據(jù)顯示，2024年前9個(gè)月，國內(nèi)AI領(lǐng)域發(fā)生了317起融資案例，月均融資金額42億元，不到去年的兩成。其中，融資最多的5家公司拿走了超212億，相當(dāng)于今年國內(nèi)AI融資總額的63%。

值得注意的是，大模型和AI Agent項(xiàng)目受投資人的關(guān)注度最高——大模型發(fā)生19起融資案，AI Agent發(fā)生了18起。其次是AI視頻生成（10%），剩下50%投資案例的方向較為分散，被19個(gè)方向瓜分。

由此，在大模型“贏家通吃”的局勢下，AI Agent既是AI初創(chuàng)公司的最佳方向，也是海內(nèi)外資本的篤定之選。

YC合伙人、資深投資人Jared指出，垂直領(lǐng)域 AI Agent 作為一種新興B2B 軟件，有望成為比SaaS大10倍的新興市場。憑借替代人工操作、提升效率的顯著優(yōu)勢，這一領(lǐng)域可能催生出市值超過3000億美元的科技巨頭。

投資人所看中的AI Agent都長什么樣？

最出圈的當(dāng)屬AI編程神器Cursor。原因不外于代碼是LLMs最容易掌握的能力，其生成的訓(xùn)練數(shù)據(jù)主要來自GitHub上的開源代碼，大部分都是“有效數(shù)據(jù)”。此前，Cursor是根據(jù)用戶需求，提供建議代碼。如今，Cursor可以直接以實(shí)現(xiàn)需求為目的，一口氣幫助你創(chuàng)造代碼文件，準(zhǔn)備好運(yùn)行環(huán)境。你只需點(diǎn)擊啟動(dòng)按鈕，就可以運(yùn)行代碼。

除此之外，即便2024年尚未產(chǎn)生真正的Killer Agent，但實(shí)際上在細(xì)分領(lǐng)域，Agent已經(jīng)有遍地開花之勢了。

根據(jù)YC團(tuán)隊(duì)的最新分享。目前已經(jīng)獲得投資的Agent項(xiàng)目大多在toB領(lǐng)域。

問卷調(diào)查和分析：Outset將 AI Agent應(yīng)用于問卷調(diào)查和分析領(lǐng)域，可以替代傳統(tǒng)的人工調(diào)查和分析工作，例如 Qualtrics等公司提供的服務(wù)。

軟件質(zhì)量測試：Mtic利用 AI Agent進(jìn)行軟件質(zhì)量測試，可以完全取代傳統(tǒng)的 QA 測試團(tuán)隊(duì)。與之前的 QA 軟件即服務(wù)公司（如 Rainforest QA）不同，Mtic不僅提高了QA 團(tuán)隊(duì)的效率，還能完全取代人工測試。

政府合同競標(biāo)：Sweet Spot利用 AI Agent自動(dòng)搜索、填寫政府合同的標(biāo)書，可以替代人工完成這些繁瑣的任務(wù)。

客戶支持：Powerhelp利用 AI Agent，自動(dòng)完成人工接聽電話、回復(fù)郵件和解決問題，并且能夠根據(jù)用戶提問和歷史記錄提供個(gè)性化的解決方案，提升其滿意度。

人才招聘：Priora和Nico，利用 AI Agent進(jìn)行技術(shù)篩選和初步招聘，可以替代人工完成這些任務(wù)。

用吳恩達(dá)的發(fā)言做總結(jié)：通往 AGI 的道路感覺更像是一段旅程，而不是一個(gè)目的地。但我認(rèn)為Agent式工作流，可以幫助我們?cè)谶@個(gè)非常漫長的旅程中向前邁進(jìn)一小步。換句話說，即便我們暫時(shí)無法擁有“全能Agent”，但多個(gè)垂直領(lǐng)域的專業(yè)Agent逐漸出現(xiàn)，將讓我們不斷獲得近似擁有Jarvis的體驗(yàn)。

2025年：有望成為AI Agent商用爆發(fā)元年

近日，前OpenAI聯(lián)創(chuàng)、SSI創(chuàng)始人 Ilya Sutskever直接宣布：預(yù)訓(xùn)練從此將徹底終結(jié)——我們只有一個(gè)互聯(lián)網(wǎng)，訓(xùn)練模型需要的海量數(shù)據(jù)即將枯竭，唯有從現(xiàn)有數(shù)據(jù)中尋找新的突破，AI才會(huì)繼續(xù)發(fā)展。

Sutskever用人類大腦發(fā)展進(jìn)行類比：正如人類大腦體積停止生長后，人類智慧仍在進(jìn)步。AI未來發(fā)展將轉(zhuǎn)向在現(xiàn)有LLM上構(gòu)建 AI Agent和工具。他預(yù)測，以后的突破點(diǎn)，就在于智能體（Agentic）、合成數(shù)據(jù)和推理時(shí)計(jì)算。其中，能夠自主完成任務(wù)的AI Agent，是未來的發(fā)展方向。

值得注意的是，與吳恩達(dá)一樣，Sutskever同樣使用“形容詞”Agentic描述智能體。

根據(jù)線性資本Bolt觀點(diǎn)：我們可以用少量的、適量的、高度的Agentic“能力”描述Agent應(yīng)用的能力。例如，Router（路由）類系統(tǒng)使用LLM將輸入路由到特定的下游工作流中，具有少量的Agentic能力；State Machine（狀態(tài)機(jī)）類系統(tǒng)使用多個(gè)LLMs來執(zhí)行多個(gè)路由步驟并且有能力確定每個(gè)步驟是繼續(xù)還是完成，具有相當(dāng)?shù)腁gentic能力；而Autonomous（自主體）類系統(tǒng)更進(jìn)一步，能夠使用工具甚至創(chuàng)造合適的工具去推進(jìn)系統(tǒng)的進(jìn)一步?jīng)Q策，具備完全的Agentic能力。

基于此，廠商在強(qiáng)調(diào)產(chǎn)品的Agent屬性前，不妨先回答“How agentic my system is？”

當(dāng)前不少領(lǐng)域的專業(yè)AI Agent依然不夠成熟。相關(guān)調(diào)查顯示，輸出不精確、性能差強(qiáng)人意、用戶不信任等問題困擾其落地。但如果我們換個(gè)思路：短期內(nèi)商業(yè)化最成功的AI Agent，不一定是看起來“Agentic化”最高的產(chǎn)品；而是能夠平衡性能、可靠性，以及用戶信任的產(chǎn)品。

順著這條思路，專業(yè)AI Agent最有前途的發(fā)展道路可能是：先重點(diǎn)應(yīng)放在利用AI增強(qiáng)現(xiàn)有工具，而不是提供廣泛的全自主獨(dú)立服務(wù)。

用人機(jī)協(xié)同的方法，讓人類參與監(jiān)督和處理邊緣案例。根據(jù)當(dāng)前的能力和局限，設(shè)定不脫離現(xiàn)實(shí)的期望。通過結(jié)合嚴(yán)格約束的LLMs、良好的評(píng)估數(shù)據(jù)、人機(jī)協(xié)同監(jiān)督和傳統(tǒng)工程方法，在自動(dòng)化等復(fù)雜任務(wù)方面實(shí)現(xiàn)可靠且良好的效果。

例如，紅杉投資組合中的Rocks公司，其Agent是將人類員工融入其中。最初，Rocks開發(fā)了一項(xiàng)自動(dòng)撰寫、自動(dòng)發(fā)送電子郵件的技術(shù)。但他們發(fā)現(xiàn)將人類銷售納入流程時(shí)，表現(xiàn)提升了333倍。于是，Rocks移除了自動(dòng)發(fā)送的功能。

根據(jù)具體業(yè)務(wù)場景，有些公司可以開發(fā)Agent完成任務(wù)的技術(shù)，比如網(wǎng)絡(luò)安全領(lǐng)域的Expo；而有些公司則盡量選擇用Agent“增強(qiáng)”人類員工，比如Rocks。

那么，2025年會(huì)發(fā)生什么？

首先，不止是編程，更多垂直領(lǐng)域?qū)⑴艹?ldquo;種子選手”。紅杉合伙人 Konstantine Buhler預(yù)測：醫(yī)療和教育等“高服務(wù)成本”領(lǐng)域?qū)⒊蔀?AI 技術(shù)的下一個(gè)重要戰(zhàn)場。

同時(shí)，根據(jù)LangChain報(bào)告顯示：人們希望將耗時(shí)任務(wù)交給AI Agent——充當(dāng)“知識(shí)過濾器”：快速提煉關(guān)鍵信息，用戶無需自己手動(dòng)篩選海量數(shù)據(jù)；“生產(chǎn)力加速器”：協(xié)助用戶安排日程、管理任務(wù)，讓人類專注于更重要的工作；“客服神助攻”：幫助企業(yè)更快地處理客戶咨詢、解決問題，大幅提升團(tuán)隊(duì)的響應(yīng)速度。

換句話說，所有耗時(shí)、耗力、耗成本的工作有望率先被垂直領(lǐng)域?qū)�業(yè)AI Agent替代。

其次，AI Agent部署將由“單”變“多”。一方面，AI Agent將從單一智能體發(fā)展到“群體協(xié)作”模式。2025年會(huì)出現(xiàn)更多Multi-agent模式，多個(gè)Agent 扮演不同角色合作完成任務(wù)。例如，清華面壁智能的開源項(xiàng)目ChatDev。每個(gè) Agent 被賦予了不同的身份，有的是 CEO，有的是產(chǎn)品經(jīng)理，有的是程序員，它們能夠彼此互相合作，共同完成任務(wù)。

另一方面，隨著模型對(duì)圖像和視頻信息的處理能快速提升，2025年將開始出現(xiàn)更為綜合性的多模態(tài)交互，AI能夠通過物聯(lián)、特定信息等多種感知通道進(jìn)協(xié)同。多模態(tài)輸和輸出使AI交互性更強(qiáng)、交互頻次更，適場景也更加豐富，AI產(chǎn)品整體平顯著提升。

其中，Agent作為融合感知、分析、決策和執(zhí)能的智能體，其交互的主動(dòng)性和動(dòng)化遠(yuǎn)超現(xiàn)有工具。

根據(jù)量子位智庫觀察：從技術(shù)和配套設(shè)施兩發(fā)展來看，從2025年開始，AI Agent即將泛投使。AI Agent有望帶來獨(dú)屬于AI 2.0時(shí)代的交互式、產(chǎn)品形態(tài)和商業(yè)模式。

結(jié)語

在電影《2001：太空漫游》的開頭，一群草食人猿掙扎在饑餓和死亡的邊緣，人猿首領(lǐng)偶然揮舞了一下手里的棒骨，“發(fā)現(xiàn)”它居然是一件趁手的工具。從此，他們開始狩獵小動(dòng)物，成為食肉動(dòng)物，逐步站上了食物鏈頂端。

如果未來的人類俯瞰2025年，可能會(huì)發(fā)現(xiàn)，這又是一個(gè)人類進(jìn)化的關(guān)鍵時(shí)刻，而AI Agent正是那根趁手的“棒骨”。

正如Andrej Karpathy所言，AI Agent代表著一個(gè)瘋狂的未來。

有趣的是，Agent一詞源于拉丁語的Agere，意思是“to do”。

如何抓住這個(gè)瘋狂的未來？你可能只需要“Agent”。

       原文標(biāo)題 : 2025 AI Agent迷局：誰在玩真的，誰在演戲？