过去几年，人工智能突然进入了许多人的日常生活。以前它像是科技新闻里的遥远话题，今天却可能出现在我们的手机、搜索框、写作工具、翻译工具、学习软件和办公系统里。有人用它写文章，有人用它改代码，有人用它生成图片，有人让它帮忙总结资料、整理会议、安排任务。人工智能不再只是工程师的专业工具，而变成了普通人每天都可能接触的一种新能力。

但越是离我们近的技术，越需要把它看清楚。人工智能不是神秘的生命，也不是单纯的玩具。它是几十年研究、数据、算力、算法和产品化共同积累的结果。理解这段历史，有助于我们既不神化它，也不妖魔化它；既能用好它，也能看见它的边界。

这篇文章分三部分：第一部分回到大语言模型以前，看看人工智能最初想解决什么问题，以及它经历过哪些方法路线；第二部分讲 2022 年底到 2026 年，大语言模型为什么突然快速发展；第三部分讲 2026 年之后更值得关注的智能体，以及它可能怎样影响工作、学习、创作和日常生活。

一、LLM 以前：AI 到底想做什么

人工智能最早的问题，并不是“机器有没有人的意识”，而是“机器能不能表现出智能行为”。1950 年，图灵提出了著名的问题：机器能否表现出类似人的智能？1956 年，Dartmouth 会议让 artificial intelligence 成为一个独立研究方向。此后几十年，研究者一直在追问：如果要制造智能机器，目标到底是什么？

经典人工智能教材《Artificial Intelligence: A Modern Approach》里有一个很有启发性的四分法。它把人工智能的目标分成两条轴：一条轴是“像人”还是“理性”，另一条轴是“思考”还是“行动”。于是形成四种看法：像人一样思考、像人一样行动、理性地思考、理性地行动。

“像人一样思考”关心的是人的心理过程，希望机器能模拟人的认知方式。“像人一样行动”更关心外在表现，比如图灵测试：如果机器的回答让人分不出它是不是人，它就表现出了某种智能。“理性地思考”强调逻辑推理，希望系统能从前提出发得到正确结论。“理性地行动”则把人工智能看成智能体：它不一定像人，也不一定有人的意识，但它能根据目标、环境和约束，采取合适行动。

今天工程上常见的人工智能，更接近“理性地行动”。也就是说，我们并不一定要求机器拥有人的意识、人的体验或人的发心。我们更关心它在一个具体场景里是否可靠、有用、可控：它能不能理解输入，能不能给出合适建议，能不能在人的监督下完成任务。

一个系统可以写出很像人的文字，却不代表它有人的内心；一个系统可以完成复杂任务，却不代表它承担道德责任。

回看历史，人工智能的发展也不是一条直线，而是几条方法路线不断并行、碰撞和汇合。

早期 AI 很重视符号与逻辑。研究者希望把世界知识写成清楚的规则，让机器用规则推理。专家系统就是这种思路的代表：如果出现某些症状，加上某些检查结果，就给出某种诊断建议。这种方法的优点是解释性强，在边界清楚的专业领域很有用；问题是现实世界太复杂，规则写不完，例外情况太多，常识和语境也很难完全编码。

另一条路线是搜索与规划。下棋、路径规划、任务分解都属于这类问题。系统面对一个目标，在许多可能路径中寻找较好的方案。后来 AlphaGo 战胜李世石，就是深度学习、搜索和自我对弈结合的典型时刻。它没有人的心，却能在清楚规则和目标下找到人类不习惯、但有效的策略。

再后来，机器学习改变了思路：与其让人手写所有规则，不如让机器从大量例子中学习规律。垃圾邮件识别、推荐系统、语音识别、搜索排序，都可以用这种方式理解。人提供数据和目标，模型从例子中学习概率关系。

2012 年之后，深度学习让这种能力进一步扩大。神经网络不只是学习简单规则，而是逐层学习表示：从像素到边缘，从形状到物体，从词语到语义。图像识别、语音识别、自然语言处理都因此取得突破。

2017 年，Transformer 出现，成为通往大语言模型的关键技术。它的核心思想之一是 attention，也就是让模型在一段文本中抓住相关部分。简单说，模型不只是一个词一个词地读，而是学会在上下文中判断哪些词、哪些句子彼此有关。Transformer 让大规模语言模型更容易训练，也让预训练、微调、人类反馈等方法逐渐成熟。

到 2022 年底 ChatGPT 出现之前，许多关键条件已经逐渐到位：更大的数据、更强的算力、更成熟的模型结构、更好的训练方法，以及一个普通人能理解的聊天界面。大语言模型不是凭空出现的，它是几十年方法路线汇合后的结果。

二、2022 年底到 2026：LLM 为什么突然爆发

如果说 LLM 以前的人工智能更多存在于专业系统、实验室和特定产品里，那么 2022 年底之后，人工智能第一次以非常直接的方式进入普通人的日常。ChatGPT 的意义不只是模型能力强，而是它把复杂能力放进了一个几乎所有人都懂的入口：聊天框。

从此，很多人第一次意识到，AI 不只是能识别图片、推荐视频、下围棋，它还能写作、解释、总结、翻译、编程、分析资料，并且能用自然语言对话。这让人工智能从“技术能力”变成了“日常工具”。

2023 年，GPT-4 等模型让生成式 AI 从新奇工具变成许多人真实工作中的助手。写文章可以先让模型起草，读长文可以让模型总结，写代码可以让模型解释和调试，做研究可以让模型帮忙梳理资料。与此同时，大家也开始认真面对幻觉、隐私、版权、安全和责任问题。

2024 年之后，AI 的能力不再局限于文字。多模态模型开始同时处理文字、图片、声音和视频。用户可以给模型看一张图，请它解释图中内容；可以用语音与模型交流；可以让模型理解更长的文档、代码库和会议记录。长上下文能力让 AI 不再只是回答短问题，而是能进入更复杂的材料中工作。

同一时期，推理模型也成为重要方向。普通聊天模型像快速反应，推理模型则更像愿意在草稿纸上多算几步：它会把问题拆开，尝试不同路径，处理数学、编程、科学和规划类问题。它仍然会犯错，但处理复杂问题的方式变了。

开放模型和全球竞争也推动了这一波加速。OpenAI、Anthropic、Google DeepMind、Meta、DeepSeek 等公司和社区，从不同方向推动模型能力、成本、开放生态和应用落地。闭源模型不断推进前沿，开放模型降低了开发门槛，推理模型重新引发人们对成本和效率的讨论。

过去几年 AI 的变化不只是“模型更会聊天”，而是把许多知识工作变成了一个对话式入口。

写作、代码、图像、声音、长文档、搜索问答、学习辅导、内容创作，都开始可以通过自然语言来驱动。用户不必先学会复杂软件的菜单，也不必知道底层算法，只要能表达目标，就可以让 AI 参与完成一部分工作。

这也是为什么普通人会觉得 AI 突然“来了”。真正改变体验的，不只是模型规模，而是数据、算力、算法、产品界面和竞争生态同时成熟。

三、2026 之后：人与智能时代的共生

如果过去几年 AI 的关键词是大语言模型，那么接下来更值得关注的关键词是智能体。智能体不是机器人外形，也不一定有一个拟人的头像。更实际地说，智能体是一种能围绕目标工作的系统：它理解目标，制定计划，调用工具，执行行动，观察结果，并在关键节点等待人类确认。

第三部分真正想回答的问题，不只是“AI 接下来会做什么”，而是“当 AI 越来越强，人类的位置在哪里”。如果前面三年让我们看到 AI 会交流、会推理、会生成内容，那么未来几年更重要的变化，是 AI 会越来越多进入真实流程，成为人和组织身边长期存在的智能能力。

第一个变化，是人与 AI 会深度共存。过去我们使用工具：打开软件、点击菜单、填写表格、自己完成每一步。未来我们会越来越多地与智能体协作：人提出目标、边界和价值判断，AI 拆解任务、调用工具、观察结果、持续修正，并把需要人判断的地方交还给人。

这种协作会出现在很多场景里。个人可能拥有写作、学习、查询和计划助手；企业可能出现处理客服、排期、CRM、销售跟进的数字员工；科研工作者可能把 AI 当作资料整理、假设生成和实验设计的合作伙伴；学生也可能拥有更个性化的学习伙伴，帮助解释概念、生成练习、模拟提问。

举一个日常运营的例子。一个客户发来咨询，系统可以先理解客户意图，再查看日程或库存，接着草拟回复，提醒销售跟进，最后把沟通结果更新到客户记录里。如果任务复杂，还可以由多个智能体协作：一个负责理解需求，一个负责查资料，一个负责排期，一个负责写回复，一个负责记录和提醒。

这也是 Clockless AI 所关注的方向：不是做一个泛泛而谈的聊天机器人，而是打造 AI 运营系统，让多个智能体协同处理客户管理、排期、客户沟通、销售跟进等日常业务流程。对许多小型服务企业来说，真正耗费时间的不是某一个单点任务，而是许多重复、琐碎、跨工具的流程。智能体的价值，正是在这些流程里逐渐显现。

第二个变化，是人的价值会被重新定义。AI 越来越擅长知识处理、逻辑推理和内容创造之后，人的价值不再主要体现在“我记得多少知识”或“我亲自完成多少步骤”。更重要的能力会变成：我能不能提出值得追求的目标，能不能判断什么是好结果，能不能分辨真伪与轻重，能不能承担选择带来的后果。

因此，会使用 AI 的人，不只是会写提示词，而是会定义问题、提供背景、判断结果、验证来源、设置边界。工作会从亲手执行每一步，转向设定目标、提供 context、检查结果、处理例外、承担责任。学习也不是让 AI 替我们学习，而是让它帮助我们更清楚地学习；创作也不是让 AI 替我们表达，而是让它帮助我们探索更多可能，然后由人做审美和价值判断。

面向佛学院这样的场景，还有一个更深的问题：AI 可以模仿慈悲的话语，但不等于有慈悲的发心；AI 可以输出看似智慧的文字，但不等于有修行和证悟；AI 可以执行任务，但不承担道德责任。它可以帮助人减少重复劳动，也可能削弱人的判断、注意力和关系能力。关键不只是 AI 有多强，而是我们怎样使用它。

当智能越来越普及，人类真正稀缺的可能不是知识本身，而是意义、价值和精神世界。什么值得追求，什么不该做，怎样对待他人，怎样面对痛苦，怎样承担责任，这些问题不会因为 AI 更会回答而自动消失，反而会变得更重要。

真正值得讨论的问题，也许不是“AI 会不会超过人”，而是：我们希望它帮助人增长什么，又应该避免人失去什么？

因此，面对 AI，比较成熟的态度不是盲目拥抱，也不是简单拒绝。我们可以用“正见”来看它：不神化，也不妖魔化；用“正念”观察它如何影响我们的注意力；用“慈悲”思考它如何降低信息和劳动门槛；用“责任”约束它在真实、隐私、权限和后果上的边界。

人工智能会继续发展。我们不必被浪潮推着走，也不必站在岸边只剩恐惧。更好的方式，是理解它的来路，看清它的能力和限制，然后带着人的判断、价值和责任，与这些新工具共同创造。

延伸阅读

  • Stuart Russell 与 Peter Norvig：《Artificial Intelligence: A Modern Approach》。
  • Dartmouth College 关于 1956 年人工智能研究起点的资料。
  • DeepMind 关于 AlphaGo 的公开资料。
  • Vaswani 等人的 Transformer 论文《Attention Is All You Need》。
  • OpenAI、Google DeepMind、Anthropic、Meta、DeepSeek 等公司的公开发布。
  • Stanford HAI AI Index 与欧盟 AI Act 相关公开资料。