2025 年 10 月 8 日，Unite.AI 发布的《The Coming “Exolution” of AI》一文指出，AI 技术正经历从 “被动工具” 到 “主动协作体” 的根本性转变，其发展路径将从大型语言模型（LLMs）逐步演进至智能体（Agents）、代理式 AI（Agentic AI），最终向通用人工智能（AGI）迈进。这种演进并非单纯追求 “更大模型” 或 “更快响应”，而是让机器从 “辅助执行者” 升级为 “主动合作者”，甚至未来可能成为 “独立思考者”，彻底重塑人类与 AI 的协作模式，以及人类在智能演进中的角色定位。
一、LLMs、智能体与代理式 AI 的核心差异：从静态响应到动态协作
文章通过具体场景清晰划分了三类 AI 系统的能力边界，揭示了 AI 自主性的递进逻辑：
- 传统 LLMs：静态文本生成工具面对 “从芝加哥自驾到奥斯汀，每天驾驶不超过 4 小时且停留于风景优美地点” 这类需求，普通 LLM 仅能基于语言生成能力返回静态文本答案，无法进行深度分析或调用外部工具，输出结果缺乏实时性与可操作性，本质是 “被动响应输入” 的语言模型。
- 智能体（Agents）：任务驱动的模块化协作系统智能体的核心优势在于 “目标拆解与工具调用”：首先将旅行需求归类为 “旅行规划” 场景，明确所需数据（路线、天气、住宿、餐饮等），再将任务拆解为子模块，分配给专门训练的模型或工具（如调用地图服务获取路线、天气 API 获取实时天气），通过统一逻辑协调各模块输出。当前 ChatGPT、Claude 等主流系统已具备智能体属性 —— 用户看似与单一模型交互，背后实则是多模型、多系统的复杂架构支撑。不过，现阶段智能体的能力仍局限于 “信息提供”，无法自主执行实际操作（如预订酒店、购买车票），更接近 “半智能体”。
- 代理式 AI（Agentic AI）：自主决策的独立系统与智能体的 “脚本化协作” 不同，代理式 AI 具备 “自主目标设定与训练进化” 能力 —— 无需开发者预先定义任务流程，可自主判断需执行的任务、所需数据类型，甚至主动优化自身训练方向。例如，完全自主的旅行代理式 AI 可在获取用户需求后，独立调用预订 API 完成酒店与车票购买、生成行程表并同步至用户日历。但目前这类系统仍处于理论阶段，尚未有实际落地案例，其核心挑战在于如何确保自主决策的安全性与可控性。
二、AGI：AI “外展进化” 的终极方向，机遇与挑战并存
Meta 等科技巨头已通过投资（如 Meta 对 Scale AI 的投资）布局 AGI 研发，将其视为 “超越技术革命的超级变革”，甚至提出 “外展进化（Exolution）” 概念 —— 寓意 AI 从 “技术阴影” 中脱离，成为独立且具有全球影响力的智能形态，谁率先突破 AGI，谁将获得全球战略优势。
- AGI 的核心定义：类人通用智力文章认同 OpenAI 联合创始人伊利亚・萨茨克弗（Ilya Sutskever）的观点：AGI 需具备 “执行人类任何智力任务的能力”，不仅包括问答，还需覆盖跨领域推理、决策、知识迁移与复杂解读，且不受特定任务边界限制。当前所有模型均未达到这一标准，仍处于 “逼近 AGI 的近似阶段”，且短期内难以突破 —— 现有技术路线仍依赖数据与算力堆叠，缺乏类人的 “通用学习与适应能力”。
- AGI 的技术基础：多智能体协同的 “集体智力”文章提出，AGI 不会基于单一 LLM 构建 —— 正如人类无法仅凭个体掌握所有领域知识，单一模型也无法覆盖 AGI 所需的全场景能力。其核心架构更可能是 “元智能体（Meta-Agent）”：由多个专业化智能体协同组成，通过统一协调层实现任务分解、信息共享与动态优化；同时，AI 将参与自身设计过程，突破人类认知局限，提升系统适应性。例如，医疗领域的 AGI 可由 “诊断智能体”“药物研发智能体”“患者管理智能体” 等组成，协同完成从疾病筛查到治疗方案制定的全流程，且能自主学习最新医学研究成果优化能力。
- AGI 的实现路径：多技术融合而非单一突破文章强调，AGI 不会源于某一项孤立技术进步（如更大参数模型、更优智能体架构），而是 “大模型、智能体、新型架构” 的深度融合，甚至可能诞生超越现有技术范畴的全新范式。例如，结合神经符号系统（提升推理准确性）、具身智能（增强环境交互能力）与多智能体协作（扩展任务覆盖范围），才可能逐步逼近通用智力。
三、AGI 的评估与支撑：从基准测试到资源瓶颈
- AGI 的评估困境：现有基准的局限性目前行业提出的 “人类终极考试（HLE）” 是较具野心的 AGI 评估基准 —— 涵盖数学、物理、生物、计算机科学等 2500 道跨学科题目，旨在测试 AI 的 “类人理解能力”。但现有模型在 HLE 上的准确率不足 5%，远低于 MMLU、GPQA 等传统基准，暴露出现有 AI 与通用智力的巨大差距。更关键的是，基准测试存在 “应试偏差”—— 模型可通过针对性微调提升分数，但这并不代表其具备真实通用能力，即便 HLE 满分也无法等同于 AGI 实现。
- AGI 的三大支撑支柱：算力、数据与人才的挑战
- 算力：依赖与自主的平衡：Meta 等企业虽投入巨资研发自研芯片，但仍高度依赖英伟达等厂商的硬件支持，算力供给的稳定性与规模化生产能力是关键瓶颈。
- 数据：高质量数据枯竭与新来源探索：互联网公开的人类生成文本已基本耗尽，现有数据量远无法满足 AGI 训练需求，企业开始转向 “高质量人类标注数据合作”（如与行业专家合作生成专业领域数据），但这类数据的获取成本高、周期长，成为制约 AGI 进展的核心因素。
- 人才：从 “标注员” 到 “AI 训练专家” 的转型：传统手动数据标注需求下降，YOLO、SAM 等模型已实现图像标注的高度自动化，将数周工作量压缩至分钟级；但复杂场景（如医疗影像标注、军事场景分析）仍需专业人才参与，甚至出现 “战斗机飞行员每小时 1000 美元标注 AI 数据” 的案例。未来，AI 训练将不再是 “简单标注”，而是 “专家知识注入”，要求参与者具备领域深度认知，这也推动人类角色从 “AI 使用者” 向 “AI 训练者与管理者” 转变。
四、总结：AI “外展进化” 的现实启示
文章指出，AI 的未来演进并非 “取代人类”，而是重构人类与 AI 的协作关系 —— 从 “人类主导、AI 辅助” 逐步转向 “人机协同、共同进化”。当前，我们已进入 “数据标注与 AI 训练” 的新现实：LinkedIn 等平台上已出现 “CEO 专用 AI 应用数据集审核” 等需求，未来普通人都可能成为 “AI 训练专家”，通过自身专业知识塑造 AI 能力。对个人与组织而言，认清这一趋势并主动适应（如学习 AI 协作技能、积累领域专业知识），将成为在 AI “外展进化” 时代获得竞争优势的关键。而对行业而言，需在追求技术突破的同时，提前思考 AGI 可能带来的伦理、监管与社会冲击，避免因 “技术狂奔” 而陷入失控风险。
原创文章，作者：王 浩然，如若转载，请注明出处：https://www.dian8dian.com/ai-de-wei-lai-wai-zhan-jin-hua-cong-da-mo-xing-dao-zhi-neng
