李飛飛的答案：大模型之后，Agent 向何處去？

劃重點(diǎn)：

1、李飛飛最新論文，為當(dāng)下火熱的Agent劃定了邊界、確立了范式。谷歌、OpenAI和微軟等巨頭的最新布局，幾乎都遵循了論文給出的能力棧。

2、論文提出了一套完整的認(rèn)知閉環(huán)架構(gòu)——從感知、認(rèn)知、行動，到學(xué)習(xí)與記憶，構(gòu)成動態(tài)迭代的智能體體系。這不僅是技術(shù)的整合，更是對未來AGI路徑的系統(tǒng)性構(gòu)想。

3、大模型是驅(qū)動Agent的核心引擎，但環(huán)境交互是解決幻覺和偏見的關(guān)鍵錨點(diǎn)。論文強(qiáng)調(diào)，LLM/VLM提供認(rèn)知能力，但必須通過真實(shí)或模擬環(huán)境的反饋來校準(zhǔn)現(xiàn)實(shí)，減少幻覺，并引入倫理與安全機(jī)制。

4、應(yīng)用潛力橫跨游戲、機(jī)器人和醫(yī)療三大前沿領(lǐng)域——游戲中的沉浸式NPC、機(jī)器人中的自主規(guī)劃與物理操作、醫(yī)療中的智能問診與健康管理，展現(xiàn)了Agent從理論走向?qū)嵺`的清晰路徑。

作者 林易

編輯重點(diǎn)君

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。

它之所以備受推崇，是因?yàn)檫@篇綜述為Agent這一略顯混沌的領(lǐng)域，建立了一個清晰的框架：從感知-決策-行動，到記憶、工具使用、環(huán)境交互與評測，試圖把分散在對話模型、視覺-語言模型、強(qiáng)化學(xué)習(xí)、工具調(diào)用等技術(shù)線索，統(tǒng)一到一個多模態(tài)Agent的新視角里。

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(diǎn)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(qiáng)調(diào)的，“現(xiàn)在學(xué)生太過于追求熱點(diǎn)，其實(shí)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。

01

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)。

首先是環(huán)境與感知（Environment and Perception），這是智能體與世界交互的起點(diǎn)。

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(diǎn)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)锳gent提供了強(qiáng)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(shí)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(jī)器人控制命令（如移動、抓取），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(qiáng)調(diào)了多種學(xué)習(xí)機(jī)制，包括預(yù)訓(xùn)練（Pretraining）、零樣本/少樣本學(xué)習(xí)（Zero-shot/Few-shot）、強(qiáng)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(yàn)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(yàn)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。

02

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)。

LLMs（如GPT系列）和VLMs（如CLIP、LLaVA）通過在海量數(shù)據(jù)上的預(yù)訓(xùn)練，內(nèi)化了關(guān)于世界的大量常識知識和專業(yè)知識。這使得Agent在啟動之初就具備了強(qiáng)大的零樣本規(guī)劃能力。

例如，當(dāng)一個機(jī)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(shí)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(jī)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(diǎn)」。因?yàn)锳gent的決策和行動必須在真實(shí)或模擬的環(huán)境中得到驗(yàn)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(shí)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(qiáng)調(diào)，在設(shè)計Agent AI時，必須將包容性作為一項(xiàng)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(jī)制，以及在人機(jī)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(xiàng)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(yàn)證層，都是確保Agent在安全可控范圍內(nèi)運(yùn)行的有效手段。

03

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(shí)。

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(shí)驗(yàn)（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掷飳ふ也菟帯保琋PC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。

其次是機(jī)器人（Robotics）場景。

機(jī)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(jī)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(jī)器人可執(zhí)行任務(wù)序列的實(shí)驗(yàn)，這讓機(jī)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(jī)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(jī)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(shí)世界的細(xì)微差異更具魯棒性。

機(jī)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。

最后，在醫(yī)療健康（Healthcare）中，Agent AI同樣具備巨大的應(yīng)用潛力。

Agent可以作為醫(yī)療聊天機(jī)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(shí)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(shí)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。

Agent可以幫助處理和分流大量的患者信息，監(jiān)控慢性病患者的生命體征數(shù)據(jù)，并及時向醫(yī)生發(fā)出預(yù)警，實(shí)現(xiàn)更高效的個性化健康管理。

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(shí)的多重鴻溝。

例如，如何讓Agent真正實(shí)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(jī)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(duì)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(jī)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