【導讀】歷經八年 AI 浪潮，從感知到生成，再到智能體時代，人工智能正以驚人速度演進。CSDN 高級副總裁、Boolan 首席技術專家李建忠，在 2025 全球機器學習技術大會上，繪制了一幅宏大的 AI 發展藍圖，并創造性地將其與生物智能演化史進行對比，揭示了“語言”在智能躍遷中的核心地位。跟隨李建忠的思考，洞見 AI 的過去、現在與激動人心的未來。

作者 | 李建忠

出品丨AI 科技大本營（ID：rgznai100）

大家好！回想起我在 2017 年創辦全球機器學習技術大會（ML-Summit），在各位的支持下一起陪著 AI 一路走了八個年頭，非常感慨。八年來，整個人工智能領域也發生了波瀾壯闊的變化。接下來我想和大家分享一下我對大模型最新發展的一些研究和思考。

我把 AI 的發展階段和地球上從生物智能到人類智能的發展階段做了一個對比，發現一些非常有意思的規律。大家首先來看 AI 發展的四個階段。

第一階段：1940年代開啟人工智能的元年，整個人工智能從 1940 年代圖靈提出計算機理論模型和神經網絡的初始構想，到 1956 年達特茅斯會議首次提出人工智能，此后人工智能進入符號主義、行為主義、連接主義的曲折發展；

第二階段：2012～2018年間的感知 AI（Perception AI），這里的標志事件是 AlexNet 利用深度神經網絡在 ImageNet 大賽上拔得頭籌，開啟了 AI 在視覺領域的革命；

第三階段：2018～2024年間的生成式 AI（Generative AI），這里的標志事件是基于 Transformer 架構的 GPT 1.0 模型在 2018 年發布和 2022 年底 ChatGPT 的出現，語言模型在這個階段取得了突破性進展；

第四階段：2024～2030年的 AI智能體（AI Agent），這里的核心是強化學習帶來的推理范式轉換，給智能體注入關鍵驅動力；

第五階段：普遍預計是物理AI（Physical AI），具身智能的發展出現端倪，它將把AI從數字/比特世界帶入物理/原子世界。

在 AI 發展曲線的下面，我又勾勒了生物和人類智能的發展階段。

第一階段：生物智能的元年，大約 5.5 億年前，首個具有大腦的生物線蟲誕生。

第二階段：動物視覺時代，大約 5.4 億年前，首個具有眼睛的生物三葉蟲出現。

第三階段：人類文明出現，大約 5000 年前，人類發明文字，我們中國的仰韶文化、龍山文化等，被認為是漢字的起源，人類智能開始騰飛，人類文明開啟。其實文明這個詞起的很好，“文是文字、明是智慧”，文明的含義就是“有文字才有智慧”。

第四階段：現代科學革命，16-17 世紀，從哥白尼日心說，牛頓經典力學，到康德等的邏輯哲學，引領人類進入理性時代、啟蒙時代。

對比來看，AI的發展和生物智能的發展都經歷了“大腦的誕生”，“視覺智能”，“語言智能”，“推理智能”這樣一個里程碑的過程。而且發展的速率都是前期很緩慢，后期指數級加速。不謀而合，非常有啟發意義。

其中在人工智能和生物智能的發展過程中，都有一個關鍵的要素：自然語言。這也是我一直以來強調的一個觀點：“自然語言在智能中處于中心地位”。

從生物演化的歷史來看，動物界已經存在視覺 5 億多年，但這樣的智能是感知層次的，比較低階的智能。直到人類出現了語言，整個智能的程度得到大大的提升。AI 領域也非常類似，我們知道視覺智能曾經一直處于主導地位，直到 2017 年開始，OpenAI 獨辟蹊徑押注自然語言的路線，終于在 2022 年通過大語言模型推出 ChatGPT，大大提升了機器的智能水平。無論是生物演化的歷史，還是 AI 的發展歷史，我們都看到了“語言”在智能中的關鍵作用。

我承認我的這個判斷并不是全行業的共識，典型的有兩個學派是反對的。一個是統計學派；一個是視覺學派，以圖靈獎得主 Yann LeCun 為代表。統計學派認為大語言模型只是概率輸出，沒有嚴肅的思維過程。而視覺學派認為自然語言無法理解物理世界的智能。

但最近 Anthropic 公司（Claude 模型的開發公司）有一個研究，《追蹤大語言模型的思維》（Tracing the thoughts of a large language model），https://www.anthropic.com/research/tracing-thoughts-language-model，通過類似對人類大腦做核磁掃描的方式來研究大語言模型的內部計算結構，有一些非常重要的發現。我把其中幾個關鍵點列在這里。

首先：統計學派一直認為大語言模型的“predict next token”表明大模型沒有思維過程，就是一種概率模型。而 Anthropic 的研究表明，大語言模型內部在“predict next token”之前，對整個句子或者段落是有規劃的，在完成規劃之后，才進行 token 的輸出。一個一個輸出 token 只是最終的表現形式，就像人類說話也是吐出一個一個詞，但并不能因此就說它是概率模型，人類在說話前顯然經過了思維過程。Anthropic 的研究是對統計學派認為大模型是簡單概率模型的一個強有力的反駁。

其次：Anthropic 研究也發現了大模型跨語言泛化能力的明確證據，也就是在一個語言里面學習到的知識，可以在另外一個語言里面去運用。這其實也是對大模型是概率模型的一個反駁。

再次：Anthropic 更進一步研究發現，大模型在內部，不同的語言如果表示的同一事物，它們會共享同一個“概念區域”。類似下面這幅圖：

“蘋果”在不同語言里面有不同的名稱表示。但 Anthropic 發現，在掃描 Claude 模型內部計算單元時，不同語言中的“蘋果”會觸及同一個概念區域。也就是在模型內部，有一個“蘋果的抽象概念”。當模型使用不同語言在思考“蘋果”時，都會首先使用這個“蘋果的抽象概念”，然后在最后輸出時再將其映射為具體的語言。

我們來看人類思維中的“抽象”，它是人類思維核心方法論“演繹法（deduction）”和“歸納法（induction）”的“基石”，其本質上是“壓縮”和“去噪”。而神經網絡的本質也是“壓縮”和“去燥”，比如說 Transformer 是個典型的壓縮模型，Diffusion Model 是一個典型的去噪模型。

這個發現非常厲害，我們知道 LLM 沒有訓練任何“思維中的概念”，但僅僅通過訓練自然語言語料，LLM 就建立了“思維中的抽象概念體系”。我個人認為這是對以 Yann LeCun 為代表的視覺派關于“語言模型達不到人類智能”的強有力的反擊。

這也印證了著名哲學家維特根斯坦關于“語言是思想的圖畫”等一系列關于語言與人類思維的論斷。維特根斯坦 1940 年代在劍橋大學和圖靈有過關于計算機、語言、人工智能的很多深刻的討論。我認為維特根斯坦是人工智能領域的思想先驅，非常值得我們研究。

2023 年 4 月份，我在硅谷見了當時 OpenAI 的首席科學家 Ilya Sutskever，當時有人問他，為什么當大家都選擇視覺路線來尋求 AGI 時，OpenAI 獨獨選擇自然語言路線來尋求 AGI，我記得 Ilya 說他相信“語言是對人類智能的壓縮”。這和維特根斯坦的哲學判斷如出一轍。

最后，再說一下有一些論斷認為“大模型只是對訓練語料的簡單記憶”，不具備推理能力。Anthropic 的研究也發現，在模型內部推理和記憶是兩件事情。它回答問題時，不是在簡單地背誦訓練過的知識，而是經歷了各種推理過程。其實維特根斯坦在他的哲學研究中也談過“語言蘊含人類豐富的推理”。Anthropic 的研究包含兩篇論文，我覺得是對我們認識大語言模型和 AGI 的非常本源性的東西，如果再結合維特根斯坦的哲學論述，對大模型的研究有非常重要的啟發。

接下來談談，從大模型從“訓練”到“推理”的范式轉換。我們知道，在去年 9 月份 OpenAI o1 出來之前，業界主流的還是預訓練模型。o1 出來之后，因為是閉源模型，業界各種揣測和研究，都沒有完成對 o1 的復現。直到今年 1 月份 DeepSeek-R1 通過開源強化學習，將“推理模型”變成業界主流范式。我覺得這是 DeepSeek 最大的貢獻。

我們知道大語言模型當前有三個階段：預訓練、后訓練、推理。簡單的概括，預訓練是所謂的“講知識”，后訓練是所謂的“講文明”，跟人類的價值觀對齊。而推理就是“講道理”，需要邏輯思維支持。預訓練和后訓練構成了我們所謂的“快思考”，推理構成了“慢思考”。這映射了諾貝爾經濟學獎得主丹尼爾·卡尼曼在《思考，快與慢》里對人類大腦 System 1 和 System 2 的劃分。System 1 擅長快思考，System 2 擅長慢思考。

接下來聊聊大模型領域著名的 Scaling Law。去年上半年一度有一種言論說，Scaling Law “撞墻了”。其實大家很快發現不是 Scaling Law 停止了，而是互聯網公域上可被訓練的語料差不多快耗光了。在 AI 領域，當我們發現一個技術范式快接近頂點時，下一波新的范式變革往往就孕育出來了。

語料問題影響的是預訓練的 Scaling Law，但是當 OpenAI o1 和 DeepSeek-R1 的強化學習方案出來后，因為不依賴人類現存數據，它可以用機器合成數據，這個幾乎是無限的，這又推動了新的 Scaling Law 的增長：分別是強化學習（RL）和測試時的 Scaling。雖然預訓練的 Scaling 在放緩，但是另外兩個 Scaling 在增長，三者疊加使得大模型的 Scaling Law 仍然有效。

接下來，我們來談談大模型在 AI 應用生態方面的演進。首先，從最開始講的，大模型的兩大階段：生成式AI和 AI智能體，注意這兩個并非取代關系，而是并列演進的關系。

生成式 AI 帶來的是越來越多的內容由 AI 生成，所謂 AIGC。我們知道，從互聯網和移動互聯網的經驗來看，人類對內容的依賴度是非常高的。頭部的互聯網巨頭，幾乎都是內容為王。包括抖音、微信等。很多人覺得微信是個社交工具，其實作為單純的社交工具，價值是比較低的。這個可以對標美國的 WhatsApp，WhatsApp 價值比微信低很多。WhatsApp 十億美金量級，但微信的價值顯然超越千億美金，為什么呢？因為微信不是簡單的社交工具，它的核心是在社交工具上構建了大量的內容。包括它的朋友圈、公眾號、視頻號等等，如果剝離這些內容，它的價值要縮減 100 倍。

AIGC 將為內容注入新的變量。它的核心邏輯是幫助人類 Kill Time，所謂消磨時光，它的核心場景是娛樂社交，用戶比較側重 toC，它的底層價值是為人類提供分泌多巴胺的“情緒價值”。

而 AI 智能體，核心邏輯是幫助人類 Save Time，所謂“幫我搞定這個事”。它的核心場景是生產力或者效率應用。用戶比較側重 toB，它的底層價值是為人類提供分泌內啡肽的“成就價值”。

內容方面，我們還要注意“模態”方向的演進路線。從 PC 互聯網到移動互聯網，幾乎每一個時代，內容都是沿著“文字-> 圖片-> 音頻->視頻”這樣個模態進行演進。

拿移動互聯網來說，國內的微博、國際的 Twitter 都是文字模態為主、后來微信朋友圈、Instagram 以圖片為主，再后來喜馬拉雅、Spotify 以音頻為主，抖音、TikTok 以視頻為主。技術成熟度決定產品 timing，如果在 2010 年做抖音，肯定沒戲。同樣，在 AI 領域，我認為仍然會遵循“文字-> 圖片-> 音頻->視頻”這樣的演進路線。

而且，AI 使得內容的創作門檻不斷降低，這也是內容產業變革的核心驅動力。在博客時代讀者/作者比大概 100:1，短視頻時代消費者/創作者比大概 8:3。AI 時代這個比例會更低。

我們再來談談智能體。業界對智能體的核心能力有一個大體的共識：規劃、工具、協作、記憶、行動。這五大能力的成熟度是不同的。

Agent的規劃的核心支撐是推理（reasoning），正是由于我們前面講的強化學習帶來的整個推理范式使得智能體的規劃能力大大提升。這也是為什么普遍認為今年智能體會爆發的原因。

再來談談Agent的工具（Tools）能力。早期有一種說法說，大模型來了，所有傳統軟件都要被大模型重構。這并不意味著所有傳統軟件都會變成大模型軟件。傳統軟件仍然有它存在的價值。

去年年初機器學習技術大會上，我曾談到傳統軟件執行的是圖靈-馮諾伊曼架構下的結構化計算（確定性計算），而大模型軟件執行的機器學習架構下的神經網絡計算（概率性計算）。這兩種計算適用的是不同的計算任務。并不是所有任務都適合使用神經網絡計算，很多任務其實更適合傳統的結構化計算。類比下人類，假如遇到數學任務，人類正常情況下會用計算器（雖然有時候不復雜的數學任務人腦也能算）。同樣，遇到這種情況，大模型（神經網絡計算）應該將傳統軟件（結構化計算）作為 Tools（工具）去調用。

人類的偉大之處就在于使用工具。要想發揮大模型的能力，也要讓大模型掌握使用工具的能力。使用工具有幾個環節：你要知道有什么工具？怎么使用工具？調用這個工具預期有什么結果？這些就是最近比較火的 MCP（Model Context Protocal）協議發揮的作用。MCP的本質就是大模型神經網絡計算和傳統軟件結構化計算之間的橋梁。

Agent的協作能力也很重要。單一智能體的能力總是有限的。23 年 ChatGPT 剛出來的時候，業界一直彌漫著一種情緒，未來大模型是否可以搞定所有復雜任務。其實很快我們就發現，大模型再聰明也不是萬能的。就拿人類來說，最聰明的愛因斯坦也不是萬能的，一個愛因斯坦干不了很多事情。大部分任務都需要多人協作。智能體與智能體之間也需要協作。這個就是 Google 最近推出的 A2A（Agent to Agent）協議要做的事情。

MCP 和 A2A 有些類似，但是它們根本上解決的是不同的事情。下面我們來從幾個維度對比一下它們。

從協議的目標來講，MCP 解決大模型調用傳統軟件、API、Web 服務等。所謂神經網絡計算調用結構化計算，它是一個機器間的協作。而 A2A 解決 Agent 調用 Agent，所謂神經網絡計算調用神經網絡計算，它是一個擬人化的協作。

溝通的數據格式，MCP 主要傳遞結構化數據，執行的是確定性計算。而 A2A 主要傳遞的是自然語言或者視覺數據，執行的是概率性計算。

架構風格方面，MCP 傾向于是一個中心化架構。而 A2A 是去中心化的，分布式的協作方式。

MCP 和 A2A 是建設 Agent 的基礎設施協議，它們將催生出繁榮的 Agent 平臺生態。大模型的下一站，我認為會隨著 Agent 生態的完善，從對話助手逐漸演進成為 Agent 平臺。內嵌 Agent 能力也越來越成為大模型廠商的標配。比如前不久 OpenAI 在 ChatGPT 內集成了多種 Agent 即是明證。

當然未來的 Agent 平臺到底屬于大模型、還是操作系統、甚至獨立的第三方？還是有一定爭議的。我現在的判斷是它比較接近大模型。Agent 平臺將是所有的模型廠商接下來卷的方向。

雖然某些操作系統也有機會建設 Agent 平臺，但前提是操作系統要和大模型進行深度整合。如果還是基于傳統的圖靈-馮諾伊曼架構的操作系統，我個人認為是沒有機會建設 Agent 平臺的。

未來的 Agent 平臺，一定會廣泛支持 MCP 和 A2A 協議，從而將傳統軟件/服務鏈接起來，同時也能實現多 Agent 的協作。

我們的傳統軟件/App/服務在下一個時代應該怎么辦？我認為它們不會消亡，但是要重構。傳統軟件的重構有三個核心特點：

第一面向智能體：我覺得未來人類會很少再使用傳統軟件。傳統軟件要么變成 Agent 調用的下游工具，要么面臨消亡。也就是傳統軟件如果不能跟智能體形成一個協作和對話，人類使用傳統軟件的比例會越來越少。

第二、交互范式的變革：顯然自然語言的交互，相對于傳統的 GUI（圖形用戶界面）或者 CUI（控制臺用戶界面）或者 TUI（觸控用戶界面），有更強的優勢。它一句話或者幾句話能表達非常復雜的需求，這在傳統軟件里需要非常復雜的交互界面來實現。

第三、軟件不再割裂：在傳統軟件領域，大家有沒有發現，我們經常一個任務要在好幾個軟件之間來回切換。比如說我要去北京出差，那我經常要在地圖、商旅、天氣等幾個應用之間來回切換。我覺得這種切換其實是傳統結構化軟件時代在交互方面的鴻溝造成的。

未來，在智能體時代，我們應該用一句話或者幾句話快速描述我們的需求。然后大模型將我們的需求轉化成為工具/服務的調用、或者多智能體的協作，一起幫我把這個事干了。至于你背后調用了什么 GPS 的操作系統 API，天氣應用 Web Service，還是商旅的 Agent，用戶并不關心。用戶只關心我的需求有沒有幫我解決。這中間就不再需要那些一個個獨立的 App。

隨著 Agent 的發展，未來的互聯網會從傳統的信息網絡，演進為行動網絡。

傳統互聯網作為信息網絡，人類主要用于獲取信息，然后人類去規劃，人類來行動，人類最后得到結果。互聯網本質上只是給用戶提供了一個信息的檢索（所謂增刪改查），所有決策和行動由人類做出。而在智能體時代，它會直接幫人類完成任務。人類表達需求，智能體去規劃，智能體去行動，然后人類得到結果。

“行動網絡”是我去年在產品經理大會上最早提出的概念，當時大家感覺還比較遙遠，今年隨著 Manus 等 Agent 的出現，大家就看到了“行動網絡”的雛形。

最后我們再談一下 OpenAI 于去年提出的 AGI 的五個發展階段，前面三個階段分別是：Chatbot 聊天機器人、Reasoner 推理者、Agent 智能體。第四個階段是所謂的 Innovator 創新者。

最近 DeepMind 的 VP David Silver 和強化學習之父 Richard Sutton（他年初剛獲得了圖靈獎），共同撰寫了一篇論文，

Welcome to the Era of Experience

注意這個經驗數據指的不是人類的經驗，而是通過強化學習探索周圍環境，得到的經驗，然后變成長期積累學習、對環境反饋的一部分。

人類數據時代，主要基于人類現有知識，它是短時響應，有一個說法叫人類知識的“回聲式”，所以它基本上超不出人類知識的上限。

而經驗數據時代，將帶來強化學習基于環境反饋的經驗數據，它是更長周期的積累，尤其加了長期記憶能力之后，它將是一個未知的探索，它有可能突破人類現有知識的邊界，引領人類對未知領域進行創新探索。這個呼應了 OpenAI 規劃的 AGI 的第四階段所謂 Innovator 創新者。這將有機會給人類帶來生物、物理、化學、數學、太空等領域的底層突破。

最后我們來談下 AGI 的第五階段 Organization 組織者。這個組織本質上就是 Agent 之間的協作組織。我想說組織協作實際上是更高階的智能。

在坐的很多都是技術管理者，大家想想很多時候管理團隊比寫算法要復雜的多。因為組織的復雜度要遠高于我們的機器。協作是人類更高階的智慧。少則數十人，多則數萬人、數億人。人類的協作，小到公司、協會，大到國家、宗教，其實都是人類組織的協作形式。

組織首先需要角色，多角色，多職責，跨專業的協作組織。組織也需要機制。未來的智能體之間如何協作？你憑什么說一句話就讓那個智能體幫你你干活呢？它需要一定的市場化機制、或者合約、或者規范。我覺得 A2A（Agent to Agent）協議只是邁出了一小步，未來這個領域會出現非常復雜的協作機制。

組織也需要架構，大家知道架構領域有一個著名的康威定律：組織的協作溝通架構決定系統設計架構。這個定律也適用于 Agent 之間的協作架構。

以軟件開發為例，目前軟件開發領域實際上已經演化出來一些智能體的協作組織。

比如：需求分析，系統設計，編碼開發，測試等等，這些傳統由人類擔當的角色正在逐步在被替換為 Agent。雖然現在 Agent 的協作規模還比較小，大約幾個到十幾個的 Agent 在協作開發一個軟件。但這種協作是未來非常有意思的探索方向。未來會不會出現像人類這種上萬、甚至上億的 Agent 協作組織，這樣規模的智能體應該怎么協作？我覺得這是 AGI 時代非常大的一個命題。

我的分享就到這里。再次感謝大家參加 2025 年全球機器學習技術大會（ML-Summit），這兩天還有 50 多場精彩的演講。希望大家能有滿滿的收獲。

點擊回顧兩日機器學習大會：

Day 1：

Day 2：

【活動分享】2025 全球產品經理大會（PM-Summit）將于 2025 年 8 月 15-16 日在北京威斯汀酒店舉辦。大會共 12 大主題、40+ 海內外專家，聚焦大模型產品和應用生態變革。詳情參考官網：https://pm-summit.org/ (或點擊原文鏈接）。