最近我常被问一个问题：AI 到底怎么一路升级到今天这副“能说会写还能自己干活”的样子？我就按我自己的见闻，顺一道来。
起点要往前拨十年。那时的 AI 很老实，像个听话的记录员：能看、能听，但不怎么“想”。行话叫感知型人工智能（就是用来“看和听”的 AI，本质是识别器）。你给它一张脸，它认是谁；给它一句口令，它按词对号入座。更像是去数据库里翻卡片，匹配上了就搬出来，没那么多发挥。它的“匹配”不是查数据库，而是神经网络把图像/语音压成特征，再做分类或识别。当时深度学习，尤其是卷积神经网络、循环神经网络是推动感知 AI 的核心技术。
后来戏份变了。生成式人工智能（Generative AI，会按提示“现场造内容”的 AI）上台，AI 从“会看会听”升级到“会创作”。这几年行业基本在教它做跨模态“翻译”（把一种信息形态换成另一种）：文生图（用文字生成图片）、图生文（用图片生成文字）、文字变视频，甚至把氨基酸序列变成蛋白质结构、把化学式推到物理性质。地铁上我单手抓扶杆，另一只手敲了句提示，它就给我吐出一版海报底稿，但灵感是现做的。Transformer 架构（2017 起）和扩散模型（2021 起）带来了跨模态生成能力。
背后发生的事儿，其实是计算模式的换挡。以前更像超级硬盘：东西都预先存好，要啥取啥。现在像万能作坊：先听明白你要什么，再现场打磨；必要时还会去检索补漏，然后把自己的旧知识和新线索揉在一起，给你一个独一份的结果。也就是说，电脑不只是“找答案”，而是在“编答案”，还能根据上下文临场调整。其实基础模型本身不能直接上网检索，除非与检索模块结合（RAG 模式）或接入外部 API。
当 AI 会创作之后，野心自然不止在“回答你”。它开始自己去把一件事办完，这套叫代理型人工智能（Agent AI，能分步骤自主完成任务的 AI）。它会推理（把背景过一遍、排可能路径）、会规划（把任务拆成可执行的几步）、会执行（用工具、写点代码、下指令、上网跑一圈）、还会学习（读网页/文档/视频，把新知识现学现用）。我让它帮写一份市场调研，它没有立刻给我一篇“像样但不靠谱”的长文，而是先拉数据、画趋势、拼表格，再把结论串起来。中途我把咖啡打翻在笔记本触控板上，它自己继续跑，等我擦完桌子，图都好了。AutoGPT、LangChain Agents、OpenAI o1 等都能执行这些步骤。
现在又到下一道坡：物理人工智能（Physical AI，懂物理规律、能在现实里动手的 AI）。这类 AI 不只摸得清数字世界，还能理解摩擦力、惯性、因果、物体持久性（拐角看不见的东西不会消失这些常识），能在三维空间里感知、推理、规划行动。想象一个仓库机器人，遇到通道被一堆纸箱堵住，它不是傻等，而是先挪走障碍再继续搬运。家里 Wi‑Fi 偶尔抽风，它也不会卡住，先做离线能做的，再补齐。当然了，这是对未来趋势判断。
把这些串起来看，十年里 AI 走了三大步：从“会感知”，到“会生成”，再到“能代理式地自己把事办了”；下一步正朝“能在物理世界动手”的方向走。大概等它和机器人配合得更顺，我们习惯的很多小活儿，比如收拾屋子、送个东西、照看老人，甚至一些科研跑腿，它们都能搭把手。到那时，你没开口，它也差不多猜得到你想要啥。
大概就是这样，一路从会看会听，到会想会干。
