2025 年，被普遍認(rèn)為是 Agent 的元年，與之相關(guān)的概念從年初至今熱度持續(xù)走高，包括智能體、AI Agent、Agentic AI 等等。
而就在最近，一篇由李飛飛領(lǐng)銜的 Agent 重磅論文在業(yè)內(nèi)引發(fā)了廣泛討論，熱度居高不下。網(wǎng)友們?nèi)绱嗽u價：" 幾乎是跪著看完的 "、" 太清晰，硬控了我 3 個小時 "。
這篇長達(dá) 80 頁的綜述名為《Agent AI: Surveying the Horizons of Multimodal Interaction》，由李飛飛等 14 位來自斯坦福大學(xué)和微軟的專家聯(lián)合撰寫。
并且，雖然這篇論文最早發(fā)表于去年年底，但站在當(dāng)下節(jié)點回顧今年 Agent 的發(fā)展，谷歌、OpenAI 和微軟等主流玩家的核心打法，幾乎都是按照論文給出的能力棧來推進(jìn)的；這也反過來印證了論文對 " 從大模型到 Agent" 這一演進(jìn)路徑的前瞻性判斷。
也正如李飛飛在自傳《我看見的世界》里強調(diào)的，" 現(xiàn)在學(xué)生太過于追求熱點，其實很多老論文是非常經(jīng)典且具備借鑒意義 "；即便這篇綜述發(fā)表至今不過半年，但其意義之大、影響之深，仍值得每一位 AI 從業(yè)者深入品讀。
接下來，我們就一起看看這篇綱領(lǐng)性巨作的核心價值。
Agent AI 的核心：一個全新的智能體認(rèn)知架構(gòu)
要理解這篇論文的精髓，首先必須把握其提出的全新 Agent AI 范式。這遠(yuǎn)非對現(xiàn)有技術(shù)棧的簡單拼湊，更是一種對未來通用人工智能（AGI）發(fā)展路徑的前瞻性思考。
論文中的架構(gòu)圖，便清晰地定義了這個范式的五個核心模塊，它們共同構(gòu)成了一個完整的、可交互的智能體認(rèn)知閉環(huán)。
與傳統(tǒng)模型被動接收結(jié)構(gòu)化數(shù)據(jù)不同，Agent AI 主動從物理或虛擬世界中感知信息；這種感知是多模態(tài)的，涵蓋視覺、聽覺、文本、傳感器數(shù)據(jù)等。
更重要的一點是，感知模塊內(nèi)嵌了任務(wù)規(guī)劃與技能觀察（Task-Planning and Skill Observation）的能力；這意味著 Agent 在感知環(huán)境時，并非茫然地接收一切信息，而是帶著明確的目的去理解。
第二個核心模塊是認(rèn)知（Cognition）。
如果說感知是輸入，那么認(rèn)知就是處理中樞，是 Agent 的 " 大腦 "。論文將認(rèn)知定義為一個極其復(fù)雜的系統(tǒng)，包含思考、意識、感知、共情等高級智能活動。
這正是大語言模型（LLM）和視覺語言模型（VLM）發(fā)揮核心作用的場域。它們?yōu)? Agent 提供了強大的世界知識、邏輯推理和上下文理解能力。認(rèn)知模塊負(fù)責(zé)解釋感知到的信息，進(jìn)行多步推理，并制定出實現(xiàn)目標(biāo)的策略。
接下來是行動（Action），它承接認(rèn)知模塊的決策，負(fù)責(zé)生成具體的操作指令。
這些指令可以是與物理世界交互的機器人控制命令（如移動、抓?。?，也可以是與虛擬世界交互的 API 調(diào)用、代碼生成或自然語言回復(fù)。行動模塊通過控制器（Controller）作用于環(huán)境，從而改變環(huán)境的狀態(tài)。
第四個核心模塊是學(xué)習(xí)（Learning）。
Agent AI 并非一個靜態(tài)系統(tǒng)，其核心優(yōu)勢在于持續(xù)學(xué)習(xí)和自我進(jìn)化的能力。論文強調(diào)了多種學(xué)習(xí)機制，包括預(yù)訓(xùn)練（Pretraining）、零樣本 / 少樣本學(xué)習(xí)（Zero-shot/Few-shot）、強化學(xué)習(xí)（RL）和模仿學(xué)習(xí)（IL）。
通過與環(huán)境的交互（即 "Agent Interactive Closed-loop"），Agent 從成功和失敗的經(jīng)驗中學(xué)習(xí)。環(huán)境的反饋（Feedback）會回流至學(xué)習(xí)和記憶模塊，用于優(yōu)化未來的決策。
最后，便是記憶（Memory）。
傳統(tǒng)模型的 " 記憶 " 通常局限于短暫的上下文窗口，而 Agent AI 的記憶模塊則是一個更持久、更結(jié)構(gòu)化的系統(tǒng)。它存儲著知識（Knowledge）、邏輯（Logic）、推理路徑（Reasoning）和推斷（Inference）的結(jié)果。
這使得 Agent 能夠從過去的經(jīng)驗中提取知識，形成長期記憶，從而在面對新任務(wù)時，不必從零開始，而是可以舉一反三。
這五個模塊共同構(gòu)成了一個動態(tài)的、持續(xù)迭代的閉環(huán)。Agent 通過感知環(huán)境，在認(rèn)知核心的驅(qū)動下做出決策，通過行動改變環(huán)境，再從環(huán)境的反饋中學(xué)習(xí)和更新記憶，從而在每一次交互中，都比上一次更智能、更高效。
大模型如何驅(qū)動 Agent AI？
我們剛才解讀的 Agent AI 新范式，可以說是這篇綜述藍(lán)圖中的一個維度。
Agent AI 的宏大框架之所以在今天成為可能，其根本驅(qū)動力，源于大型基礎(chǔ)模型（Foundation Models），特別是 LLM 和 VLM 的成熟。它們是 Agent 認(rèn)知能力的基石，但也帶來了新的挑戰(zhàn)。
例如，當(dāng)一個機器人 Agent 接收到 " 幫我熱一下午餐 " 的指令時，它能利用 LLM 的知識，自動將這個模糊指令分解為一系列具體的子任務(wù)：" 打開冰箱 -> 找到午餐盒 -> 把它放到微波爐里 -> 設(shè)置時間 -> 啟動微波爐 "。
這種能力極大地降低了為每個任務(wù)編寫復(fù)雜規(guī)則的成本。
除此之外，論文敏銳地指出了大模型的一個核心問題—— " 幻覺 "，即模型可能生成與事實不符或毫無根據(jù)的內(nèi)容。
這在需要與物理世界精確交互的場景中是致命的。例如，一個機器人 Agent 如果 " 幻覺 " 出一個不存在的物體并試圖抓取，可能會導(dǎo)致任務(wù)失敗甚至設(shè)備損壞。
Agent AI 范式通過 " 環(huán)境交互 " 為解決幻覺問題提供了一個關(guān)鍵的 " 錨點 "。因為 Agent 的決策和行動必須在真實或模擬的環(huán)境中得到驗證。
如果模型生成的計劃在環(huán)境中不可執(zhí)行（例如，試圖穿過一堵墻），環(huán)境會立即提供負(fù)反饋。這種持續(xù)的、基于物理規(guī)律的反饋，會倒逼模型將其內(nèi)部的知識與外部的現(xiàn)實世界對齊，從而顯著減少幻覺的發(fā)生。
基礎(chǔ)模型同樣會繼承訓(xùn)練數(shù)據(jù)中的社會偏見。一個在充滿偏見文本上訓(xùn)練的 Agent，其行為和語言也可能帶有歧視性。
論文強調(diào)，在設(shè)計 Agent AI 時，必須將包容性作為一項核心原則。這包括使用更多元化的數(shù)據(jù)進(jìn)行訓(xùn)練、建立偏見檢測與糾正機制，以及在人機交互中設(shè)計符合道德和尊重他人的指導(dǎo)方針。
當(dāng) Agent（尤其是在醫(yī)療、家居等敏感領(lǐng)域）與用戶進(jìn)行深度交互時，會收集大量個人數(shù)據(jù)。如何確保這些數(shù)據(jù)的隱私和安全，是一項重大的倫理和技術(shù)挑戰(zhàn)。
論文提出，需要為 Agent AI 建立明確的法規(guī)和監(jiān)管框架，確保數(shù)據(jù)使用的透明度，并給予用戶控制其數(shù)據(jù)的權(quán)利。例如，通過提示工程（Prompt Engineering）限制模型的行為范圍，或者增加一個由人類監(jiān)督的驗證層，都是確保 Agent 在安全可控范圍內(nèi)運行的有效手段。
Agent AI 的應(yīng)用潛力
論文不僅提出了理論框架，還深入探討了 Agent AI 在三個前沿領(lǐng)域的巨大應(yīng)用潛力，展示了其如何從理論走向現(xiàn)實。
首先就是游戲（Gaming）場景。
傳統(tǒng)的游戲 NPC（非玩家角色）行為由固定的腳本驅(qū)動，模式單一、可預(yù)測，而 Agent AI 將徹底改變這一現(xiàn)狀。
例如，基于 LLM 的 Agent 可以扮演 NPC，擁有自己的記憶、目標(biāo)和情感。它們能與玩家進(jìn)行真正有意義的對話，根據(jù)玩家的行為和游戲世界的變化動態(tài)調(diào)整自己的行為，甚至形成復(fù)雜的社會關(guān)系。斯坦福的 " 生成式智能體 " 小鎮(zhèn)實驗（Generative Agents）正是這一理念的早期探索。
并且，玩家可以用自然語言與游戲世界互動，比如告訴 NPC" 我們?nèi)ド掷飳ふ也菟?"，NPC 能夠理解并協(xié)同行動。這為開放世界游戲帶來了前所未有的沉浸感和自由度。
Agent 還可以作為創(chuàng)作者的 "AI 副駕駛 "，根據(jù)簡單的指令或草圖，自動生成游戲關(guān)卡、道具甚至完整的 3D 場景，極大地提高游戲開發(fā)效率。
機器人可以說是 Agent AI 最直接的物理化身（Embodiment），用戶只需用日常語言下達(dá)指令（如 " 把桌子收拾干凈 "），機器人 Agent 就能自主規(guī)劃并執(zhí)行一系列復(fù)雜的物理操作。
論文展示了使用 GPT-4V 來理解人類視頻演示，并將其轉(zhuǎn)化為機器人可執(zhí)行任務(wù)序列的實驗，這讓機器人編程變得如 " 教孩子做事 " 般直觀。
在模擬環(huán)境中訓(xùn)練機器人成本低、效率高，但如何將學(xué)到的技能遷移到物理世界是一個核心挑戰(zhàn)。Agent AI 通過領(lǐng)域隨機化（Domain Randomization）等技術(shù)，在模擬訓(xùn)練中引入足夠多的變化（如光照、材質(zhì)、物理參數(shù)的變化），使學(xué)到的策略對真實世界的細(xì)微差異更具魯棒性。
機器人 Agent 融合視覺、語言、觸覺等多種信息來理解環(huán)境。例如，它不僅 " 看到 " 一個杯子，還能通過語言指令理解這個杯子是 " 易碎的 "，從而在抓取時采用更輕柔的力度。
Agent 可以作為醫(yī)療聊天機器人，初步問診、收集病史，并基于醫(yī)學(xué)知識庫為醫(yī)生提供診斷建議，特別是在醫(yī)療資源匱乏的地區(qū)，能極大地提升初級診療的覆蓋率和效率。
醫(yī)療領(lǐng)域的知識更新極快，任何錯誤都可能危及生命。Agent AI 可以連接權(quán)威的、實時更新的醫(yī)學(xué)數(shù)據(jù)庫，在生成診斷建議時，同步進(jìn)行事實核查和來源引用，這對于抑制模型幻覺、保證信息的準(zhǔn)確性至關(guān)重要。
結(jié)語
盡管前景廣闊，但這篇綜述也清醒地認(rèn)識到，Agent AI 仍處于早期階段，面臨著跨越模態(tài)、領(lǐng)域和現(xiàn)實的多重鴻溝。
例如，如何讓 Agent 真正實現(xiàn)視覺、語言、聽覺、動作等模態(tài)的深度融合，而不只是淺層拼接，是未來的核心研究方向。
以及如何訓(xùn)練一個能在游戲、機器人和醫(yī)療等截然不同領(lǐng)域都能高效工作的 " 通用 Agent"，而不是為每個領(lǐng)域定制一個模型，是通往 AGI 的關(guān)鍵一步。
并且在評測與基準(zhǔn)方面，如何科學(xué)地評測一個 Agent 的智能水平也是關(guān)鍵。為此，論文團(tuán)隊提出了新的評測基準(zhǔn)，如用于多智能體協(xié)作的 "CuisineWorld" 和用于視頻理解的 "VideoAnalytica"。建立標(biāo)準(zhǔn)化的評測體系，對于指引領(lǐng)域發(fā)展、衡量技術(shù)進(jìn)步至關(guān)重要。
回歸原文來看，李飛飛等人的這篇《Agent AI》綜述，遠(yuǎn)不止是對現(xiàn)有研究的簡單梳理。它提出了一個統(tǒng)一、完整的 Agent AI 認(rèn)知框架，闡述了大型基礎(chǔ)模型在其中扮演的核心角色，并且系統(tǒng)性地剖析了其在關(guān)鍵應(yīng)用領(lǐng)域的機遇與挑戰(zhàn)。為當(dāng)前略顯喧囂和碎片化的 Agent 研究領(lǐng)域，提供了一張不可或缺的 " 地圖 "。
最后，大家可以一鍵傳送論文原文：https://arxiv.org/abs/2401.03568
本文來自微信公眾號：劃重點 KeyPoints，作者：林易
