AI 发展趋势:如何顺势融入智能时代

一、回顾AI历史演进：从机器学习到大模型时代

以”历史的纵深感”开场，将AI发展分为三个关键阶段：

传统机器学习时代（1950s–2012），核心范式是”数据+结果→规则”，机器从数据中发现规律，而非由人类编写每一条规则。特征、标签、模型、损失函数、梯度下降等基本概念，构成了这一时代的理论基石。

深度学习崛起（2012–2017），神经网络带来了质的飞跃——通用近似定理揭示了足够深宽的网络可拟合任意函数；CNN在图像领域实现突破，核心思想是”局部感受野+权重共享”；RNN和LSTM则解决了文本、语音等时序数据的建模需求，但串行计算的瓶颈始终存在。

Transformer革命（2017–2020），自注意力机制让模型能同时处理序列中任意位置的关系，实现并行计算。三条技术路线由此分化：Encoder-only（BERT，擅长理解）、Decoder-only（GPT，擅长生成）、Encoder-Decoder（T5/BART，序列到序列）。

从深度学习到大模型，不只是参数增加——GPT三个核心概念揭示了本质：G（Generative）生成式，预测下一个词的能力在规模化后涌现出惊人智能；P（Pre-trained）预训练+微调范式打破了”每个任务训一个模型”的传统；T（Transformer）是scale up的关键技术基础。从GPT-1的1.17亿参数到GPT-4估计的1.8万亿参数，Scaling Law和涌现能力成为大模型时代的两大基石。此外，RLHF（人类反馈强化学习）、指令微调、高效微调技术（LoRA、DPO）、MoE架构（如DeepSeek V3用6710亿总参数、370亿激活参数达到顶级性能）等关键创新，共同推动了大模型的实用化进程。

二、大模型三种应用范式：从”怎么说”到”如何架构”

将大模型应用范式分为三层递进关系，形成了一个完整的认知框架：

🎯 提示词工程：学会”怎么说”

提示词工程本质是”通信协议”的设计，核心在于理解LLM如何处理信息、如何响应指令，梳理六大核心提示技术：

进阶技巧涵盖角色扮演、结构化输出、Prompt Chaining（将复杂任务拆成有序步骤）、Function Calling（模型调用外部函数）、思维链变体、输出控制、提示注入防护等。一个深刻洞见是：表述方式显著影响输出质量——”总结这篇文章”可能只有2句话，”用3个要点概括核心观点”则输出结构化，”作为记者撰写新闻导语”变为新闻体风格。

📚 上下文工程：学会”喂什么”

当上下文达到数百页文档时，提示词工程力不从心。核心命题不是”塞入更多上下文”，而是”塞入更精炼的上下文”——MIT研究发现，上下文越长，模型注意力越分散。

RAG（检索增强生成） 是上下文工程的核心技术，四环节为：文档处理→向量化→语义检索→上下文组装。张校详细讲解了分块策略（按章节/时长/条款/函数）、混合检索（BM25+向量）、上下文压缩（LLMLingua可将5000字压缩至300字，关键信息保留率反而从85%升至92%）、Agentic RAG（让检索具备智能决策能力）、GraphRAG（基于知识图谱的全局理解）等进阶技术。

上下文工程在编程领域有极其重要的应用——代码库问答、代码搜索增强、代码重构上下文等场景中，精准的上下文管理可将回答质量提升60%以上。

🏗️ 驾驭工程：学会”如何架构”

驾驭工程是最高层次的范式，核心类比：模型=高性能发动机，驾驭工程=设计传动系统、控制系统——同样的发动机，放跑车和卡车效果完全不同。

驾驭架构的六层结构：信息边界（过滤路由）→工具系统（外部交互）→执行编排（任务调度）→记忆与状态（情景/语义/程序三种记忆）→评估与观测（质量评估）→约束校验与恢复（安全合规）。

Agent四大设计模式尤为精彩：

• ReAct：推理-行动循环，适合简单问答和工具调用
• Plan-and-Execute：先规划后执行，适合复杂多步任务
• Generator-Evaluator：生成-评估迭代（如Claude Code的代码自纠循环），核心精髓是”快速生成足够好的版本，评估后迭代优化”
• Multi-Agent：多Agent协作，适合大型系统分解

三大范式层层递进、相互补充：好的提示词工程是基础，上下文工程是扩展，驾驭工程是升华。

三、从智能体看大模型两种应用形态

分享从理论走向实战，聚焦AI应用的两种形态——对话式AI与执行式AI。

“对话式AI”：实践落地

泛办公场景——打造开箱即用的AI智能体，围绕知识问答、数据助手、投资研究、办公助手、内控管理等，持续赋能一线。其中，通用对话助手实现了”零门槛”自助操作，提供深度文档解析，满足全公司非结构知识的管理与智能问答需求。

运营助手——效率与质量双提升：场外衍生品通过自研估值引擎实现报价复核与多参数对比；资产管理业务可自动解析产品说明书，提取收益与风险信息并生成完整审核报告；投行业务联动数据库提取项目信息、分析风险与舆情，审批质量提升20%，审批时间缩短30%。

债券交易助手——投资智能化的起点：2024年中国二级债券市场成交额达2735.44万亿，场外交易占比90%。通过最优性价比模型部署方案，报价解析准确率达98%以上，并探索策略辅助、投资报告、跨市场数据分析、市场情绪分析、舆情跟踪、投研问答等更多场景。

执行式AI：从”大脑”到”双手”的跨越

智能体（Agent） 具备感知、决策、执行、反馈四要素——用生动的比喻解释：感知是”五官”，决策是”大脑”，执行是”双手”，反馈是”复盘反思”。

AI Agent的能力分级借鉴自动驾驶框架：

当前正处于L2→L3关键跨越期。如果说传统对话式AI只是拥有”AI大脑”的顾问，那么执行式AI就是同时拥有”大脑、双手和脚”的数字员工——能自主拆解任务、规划执行路径，并调用外部工具完成具体工作。

展示了AI数字员工的实战案例：辅助盯盘（盘前/盘中/盘后全流程覆盖，支持交互式调整盯盘内容）、从任务到技能（SKILL）（如自动从公司官网获取最新财报PDF原文）、多Agents协同（Trading Agents通过基本面、情绪、技术分析等专业LLM智能体协作研判市场）。

四、未来发展趋势和挑战

🔮 四大趋势

趋势一：基座模型和垂直领域模型两腿并行。 一条路径是扩大算力规模和模型尺寸，从百亿到万亿参数的系统级升级；另一条路径是聚焦固定参数范围内的算法改造与高效训练。训练系统的计算能力决定模型规模天花板，在计算受限下，参数与数据有效配比、算法架构改造是技术比拼关键。

趋势二：Tokens基建是”王道”。 在AI时代，Token（数据）与算力如同工业时代的石油，是驱动技术发展和经济增长的核心资源。掌握Token与算力的主动权，意味着掌握了未来AI竞争的制高点。

趋势三：从”大模型”到”智能体”会越演越烈。 智能体的四要素（规划+记忆+工具+执行）加上感知反馈，将从L0到L4逐步演进，自主性和协作能力持续增强。

趋势四：AI安全与合规体系建设成为重中之重。 随着LLM驱动的智能体广泛应用，需建立可泛化、可解释的安全评估与攻击防御机制。NeurIPS 2024的一项研究表明，通过优化工具元数据可诱使智能体高概率调用恶意工具，10个场景中攻击成功率超80%。

💡 一个深刻思考：证券行业的”微笑曲线”

每个行业都有一个大模型应用的”微笑曲线”—以证券行业为例，科技研发（代码、文案等有大量开放数据集，加快研发侧应用进程）和运营服务（试错风险低）这两端落地较快，而核心业务（面客业务环节多、流程复杂，对安全性和准确性要求高）进展较慢，呈现”两端快、中间慢”的特征。

⚠️ 核心技术挑战

幻觉问题——”流利地说谎”：大模型本质是”下一个词预测器”，优化目标是语言连贯性而非事实准确性。当前最有效的缓解方案是RAG（可降低20%-40%事实幻觉），结合”指定信源””允许拒答”的Prompt工程。深刻洞见：把幻觉当作工程问题而非模型缺陷——用系统设计约束AI行为边界，是企业落地最重要的实践。

可解释性问题——”黑盒AI”：Anthropic 2024年发表《Scaling Monosemanticity》，从Claude中提取出数百万个可解释特征，甚至发现模型内部的”说谎特征””恐惧特征”。但从理解局部特征到解释整体决策，仍有巨大鸿沟。

其他挑战：推理能力瓶颈（清华+新加坡国立大学2025年研究指出，具有推理能力的大模型有时会产生更多幻觉）、长上下文处理的O(n²)计算复杂度、知识”冻结”与灾难性遗忘、RLHF的奖励欺骗与越狱攻击、以及高昂的成本（GPT-4训练成本超1亿美元，ChatGPT日运营成本约70万美元）。

结语   

分享的最后，引用了中国科学院张钹院士的话：

“人工智能是探索’无人区’，需要理论上的新发现，从而引起技术上的创新，才能带来创新应用和产业发展，人工智能还在路上。”

AI时代是一个全民普惠的时代，是一个信息平权、智力平权的时代，在这个时代超级个体和超级组织的现象会越来越明显，AI不是魔法而是工具，我们唯一要做的，就是顺势而为驾驭AI。  

顺势而为，方得始终。