在本书作者看来，大模型是对人类知识的深度重构。目前AI俨然既是工具又是内容、既是内容又是规则、既是规则又是代理人。

真正的AI产品，不在于“它能做什么”，而在于“它做成了什么”。人类角色也从“操控者”转为宏观的“编排者”（导演）。

在AI时代，选择大于努力、判断大于推理、谋划大于运作、统合大于分析、结构大于内容、目标大于过程、审美大于深思！

点击+号关注本账号，可获得更多精彩内容。

AI大模型是近年来人工智能领域最具革命性的技术突破之一，其核心在于通过海量数据和超大规模参数训练，实现对复杂任务的通用化处理能力。这类模型基于深度学习架构，能够从文本、图像、音频等多模态数据中自动学习高层次特征和规律。具体地，以Transformer等先进神经网络架构为核心，通过自注意力机制实现语义关联捕捉，并借助预训练-微调机制完成知识迁移，并通过对齐学习和人类反馈强化（RLHF）来优化模型行为。它们的出现彻底改变了传统AI针对单一任务定制模型的范式，展现出强大的泛化能力和涌现特性，例如GPT系列模型在语言生成、代码编写和逻辑推理等多样化任务上的表现，已接近甚至超越人类水平。大模型的训练依赖于分布式计算集群和优化算法，消耗巨大的算力资源，但其“预训练+微调”的范式显著降低了下游应用开发的门槛，成为推动产业智能化的重要基础设施。

OpenAI的GPT系列模型和Meta的LLaMA模型都是这一领域的代表作。研究人员正在探索更高效的训练算法和架构（比如DeepSeek的高性价比、超低成本和强推理能力），以减少计算资源的消耗，同时提高模型的准确性和泛化能力。此外，为了应对数据隐私和安全问题，隐私保护技术如联邦学习和差分隐私等正在被广泛研究和应用，这些技术能够在不泄露用户数据的情况下，实现模型的训练和优化。技术的进化正推动社会生产关系的重构，AI大模型不仅重塑了内容创作范式——如个性化文本生成，智能客服、自动驾驶等新业态，也可通过迁移学习机制将通用知识快速适配至金融、教育等垂直领域。未来，大模型将向多模态、具身智能和专业化方向演进，也同时面临算力消耗、数据枯竭、伦理争议等挑战。

随着大模型可用性的极大提升、以及对人类部分能力的逼近甚至超越，目前AI俨然既是工具又是内容、既是内容又是规则、既是规则又是代理人，这就打破了技术中立、管治分离、主体公平的传统边界。

在本书作者看来，目前的大模型本质上是一种Deep Reconstruct（深度重构）技术，还不是Deep Think（深度思考）技术。大模型是对人类知识的深度重构，即先把海量的知识进行压缩（合并、精炼），并打成有结构的碎片；然后再通过设置平滑条件和连续参数，根据应用需求把压缩精炼后的碎片Reconstuct（重构）拼合出新的语句。重构的这个“压缩、打散再拼合”的过程也可被称为编码（Encode）和解码（Decode）过程。这和3D重建有相似性：也是先把3D网格面片打散，然后再重建出新的形状。图解说明参见章节“2.32.3 AI的重构主义（Reconstructionism）”。

大模型的发展将经历了如下几个重要阶段。

* 最开始，大模型处于“Copilot”（飞机副驾驶员）阶段，即AI作为人类的智能副手，其核心价值体现在辅助决策而非独立决策，通过提供建议和辅助决策来帮助人类更高效地完成任务，其输出内容仍需人类进行审核和把关，以确保质量。在这个阶段，人类给AI的详细清晰“提示词”（即提问词）非常关键，其用于对AI输出内容的导引指示，类似于对其念经文、咒语，并由此诞生了“提示词工程”（Prompt Engineering，设计、优化和调整提示词以引导AI大语言模型进行最佳输出）。

* 随后，大模型的发展进入了“Agent”（智能体）阶段。其核心特征在于突破被动响应的局限，开始具备主动工具调用、环境感知与策略优化能力。这类智能系统具备一定的自主性，能够反思和自我进化，标志着人工智能从工具属性向主体性思维的重要跨越。

* 随着自动化程度的进一步提升，大模型将发展到“AI Worker”阶段，智能体能够像人类一样独立完成各种脑力和体力工作，届时人类的大部分工作都可被AI取代。

其中，“智能体”这一概念可以追溯到20世纪50至70年代，当时计算机科学家们开始探索具备自主任务执行能力的程序系统。到了80年代，随着传统集中式AI方法在复杂环境中暴露出局限性，智能体逐渐成为研究的重点。作为一个系统化的理论概念，智能体被定义为能够自主感知环境、做出决策并采取行动的计算单元。比如，在自动驾驶领域，智能体通过实时感知和决策，实现了车辆的自主导航和避障。这一概念为现代AI技术奠定了基础，尤其在机器人技术、自主系统和多智能体系统的研究中发挥了重要作用。

智能体不是要完全脱离人类的控制，而是追求人机共生以及人机共融的境界。真正的AI产品，不在于它“能力如何”，而看“实际成效”；不在于“你让它做什么”，而在于“它为你完成了什么”（特别是要能够完成一个完整的任务流程，从头到尾形成一个交付闭环）。当你跳出“人控机器”的思维，重新思考任务定义、（对AI的）信任权限分配、和协同机制时，才算迈入人机共融的大门。特别是，当前的AI模型在单轮对话中表现不错，但在多轮交互中性能急剧下降——其根本原因在于当前AI模型缺乏真正的内在一致性和自我认知能力，因此不应对AI的当前能力过于苛求，而应把关注点放在尽可能多地获得实际的成效。

智能体的发展趋势是：从LLM（大模型）到工具调用，再到工作流编排和职责委托，最终形成智能生态网络。将AI系统视为“生产线”而非单次问答，这就需要构建从组织、流程、到工具链的完整运作结构、并支持多智能体的协作：并行运行、故障恢复、状态追踪，以及所有行为可监测、可调试、可优化、可迭代。每步都需明确责任划分、反馈机制和自动升级优化路径。人类角色也从“操控者”转为宏观的“编排者”（导演），负责设计智能体的职责、接口与信任边界；而大模型也不再是应答工具，而是（具体的）“路径规划者”。未来的AI操作系统将是任务调度中枢，基于“成果导向”——不看“能做什么”，只看“做成了什么”。

最终，智能体与人类达到人机融合（天人合一）的和谐境界。在AI时代，大模型可以提供海量的资料检索和生成，人类最重要的不再是分析能力、推理能力，而是判断能力、选择能力、谋划能力、架构能力、统合能力、与审美能力，即如何先想象和谋划（人类提供洞见和问题），并从AI大模型提供的多个分析方案中进行选择和判断，在此基础上进行架构和统合，而无需自己进行大量的分析思考（因为人类有限理性的思考能力，相比于AI几乎无限的算力将显得九牛一毛），正所谓“选择大于努力、判断大于推理、谋划大于运作、统合大于分析、结构大于内容、目标大于过程、审美大于深思”！

更详细内容，请见本书的完整版。如果你有任何感想，请在评论区留言，一起讨论。

“AI哲学一吴怀宇”（中国科学院博士、北大博士后）作者主页：www.OpenDAI.org；邮件：huaiyuwu@sina.com

视频号/公众号：AI哲学一吴怀宇中国科学院（人工智能哲学）