夜雨聆风
第三十五期回顾
关于AI，人们讨论最多的
往往是“它会不会替代人类”。
但在真正讨论这个问题之前，或许更重要的是先理解：AI究竟是如何工作的？
在本场分享中，唐思睿从“大模型”和“智能体”的区别切入，逐步梳理了AI的发展逻辑、训练机制、技术演进与现实应用，也围绕AI焦虑、数据瓶颈、职业变化与未来趋势展开了深入讨论。
沙龙正式开始后
唐思睿首先提出一个问题：
大模型与智能体到底有什么区别？
现场参与者分享了自己的理解：
智能体像一个24小时在线的“数字分身”
能够替代人完成
文件处理、网页信息抓取
文档整理、电商流程执行等任务
但在实际落地中仍存在一定复杂度。
随后，唐思睿对两者进行了
更加系统的解释：
大模型更像AI的“大脑”，适合完成一步式的简单任务，例如查询天气、生成图片、回答问题；
而智能体则像是在“大脑”之外增加了“手”和“行动能力”，能够拆解复杂任务、分步骤执行，并阶段性检测任务完成情况。
例如，修改文稿、市场调研、数据分析等需要持续推进与反馈的任务，更适合由智能体完成。二者底层调用的工具其实相同，核心区别在于任务复杂度。也可以理解为：大模型负责回答问题，而智能体负责处理需要多步骤推进的复杂任务。
以GPT中的Code模块为例，它本质上就是一个专门处理代码任务的智能体，因此相比通用模型，生成的代码往往更容易直接运行。
顺着这一话题，唐思睿进一步回溯了AI的发展源头。她提到，最早的机器智能概念来自图灵，AI的核心方向始终是模拟人类学习与思考的方式。
她特别强调，AI的学习流程与人类学习存在高度相似性：输入数据类似“上课学习”，练习对应“做作业”，纠错调整则像“批改作业”。
而深度神经网络本身，也是基于人类神经元结构进行的模拟。
那么，AI技术究竟是
如何一步步演进到今天的？
唐思睿进行了较为清晰的梳理。
她提到，2021年前后的GPT3类传统大语言模型，本质上主要依赖概率预测生成答案，并不具备真正的推理能力。
因此，早期模型在数学计算、逻辑推导等任务上容易出错，也经常出现“AI幻觉”——即编造不存在的文献、新闻或人物。
为了改善这一问题，研究人员开始加入“推理训练”。
AI不再直接输出结果，而是先拆解问题、逐步推导，再给出最终答案。这使得模型在数学计算、代码生成、市场调研等复杂任务中的正确率有了明显提升。
而在自动驾驶、复杂决策等更高要求场景中，仅靠传统训练仍然不够，于是行业进一步引入了“强化学习”。
唐思睿解释，强化学习与传统监督学习不同，它不依赖人类提前告诉AI“标准答案”，而是通过奖励机制，让AI在不断试错中自主寻找更优解。
AlphaGo与自动驾驶，都属于强化学习的典型应用。例如，自动驾驶系统在正式落地前，会经历大量分级测试，通过不断调整奖励机制，让AI逐渐适应复杂路况。这一过程，本质上就是强化学习的实践。
随着强化学习的发展，AI开始逐渐具备调用外部工具、自主判断结果、动态调整路径的能力，也因此能够处理越来越复杂的任务。
·插播一些讨论·
提问：深度学习和强化学习有什么区别？
唐思睿：深度学习更偏向监督学习，需要人类不断提供反馈与纠错，类似于中小学阶段的教育；
而强化学习则更接近“自主探索”，像青春期后个体逐渐形成独立能力。
两者都属于机器学习的重要分支，并长期处于融合发展状态。
提问：近期OpenAI用GPT5.5pro解决了数学界80年未解决的难题，写出了125页的证明过程，解决思路是人类从未想到的，这是否说明AI比人类厉害？
唐思睿：这个成果本质上仍然是AI通过大规模概率计算，发现了人类难以观察到的高维联系。
但这种能力依然建立在大量试错与概率计算基础上，并不意味着AI已经拥有类似人类的“直觉意识”。
提问：AI数据是否有发展瓶颈？
唐思睿：认同杨立昆老师的观点，现有基于Transformer、BERT的训练架构已经逐渐接近瓶颈，同时，高质量公开数据也正在快速消耗。
同时，AI生成的“合成数据”往往存在高度重复的问题，缺乏真正的新信息。类似于人类反复阅读同一本书，即使重复一万次，也难以获得新的启发。
因此，未来AI的发展仍然高度依赖人类持续产生新的高质量数据。
分享过程中，唐思睿提出了一个观点：“人赚不到认知以外的钱，AI也做不到认知以外的事。”
她举例说，同样使用AI制作视频，专业摄影师因为具备美学与镜头语言能力，往往能产出更具价值的作品；而缺乏相关认知的人，即便使用同样工具，也很难达到同样效果。
她引用黄仁勋的观点进一步说明：“替代你的不是AI，而是会用AI的人。”AI更容易替代标准化、重复性的工作，但具备专业能力、并懂得结合AI工具的人，反而会拥有更强竞争力。
讨论到AI与就业问题时，唐思睿认为，前三次工业革命都曾在短期内提高失业率，但长期而言又创造了大量新职业。AI作为第四次工业革命，同样可能经历这一过程。
·插播一些讨论·
提问：借助AI，很多教授能完成80%的研究工作，这样年轻人的训练机会变少。
唐思睿：AI的发展实际上也在不打断拓展新的研究范围。过去难以开展的项目，在AI出现后反而变得可行，AI发展前，美国电网私人AI这类项目很难拿到，AI出现后这类项目则产生了。
事实上，AI的发展让现代年轻人有了更多新领域研究机会。虽然某些传统训练机会减少了，但新的研究方向与岗位也在同步出现，整体是平衡的，不用过度担心机会减少。
提问：人类学习与AI学习有什么差异？
唐思睿：两者底层逻辑其实存在相似性。
例如，AI学习语言，本质上是通过大量数据计算词语出现概率；而人类婴儿的语言学习，同样建立在长期、大量语言输入之上。
她引用斯坦福相关研究指出，儿童早期语言环境，会直接影响后续认知发展。
再以识别梵高画作为例：
AI是拆分像素匹配已有特征，如果AI没有见过赝品就识别不出；人类靠长期训练形成直觉，本质也是概率，但AI没有主观意识，只有计算流程。
谈到AI应用与创业方向时，唐思睿分享了身边学生与行业从业者的观察。
唐思睿分享了学生日常使用AI的情况：大家主要用大模型解决学习问题，例如拆解知识点，辅助论文与代码写作等；很少有同学长期使用智能体，一般都是新鲜劲过后还是回归用大模型。
在创业方向上，唐思睿指出：
To C类AI产品普遍面临用户付费难的问题。
身边的从业者普遍认为做To C端的AI产品没有未来，普通用户付费门槛高，很多AI产品效果和直接用大模型差不多，很难让用户付费；
但To B端的AI产品更容易形成商业闭环，企业则愿意为效率提升、流程优化与具体功能付费，即使只是增加一个简单功能，也可能具有明确价值。
唐思睿指出，AI产品真正重要的，并不是“技术看起来有多先进”，而是是否真正解决了现实需求。
比如有人做了智能农科站，农民拍照片就能识别病虫害并给出方案，但这个项目仍然是传统工业农业的思路，应该往可持续农业的方向发展。
现场有参与者提出
“人工智能”这一命名本身
可能放大了公众焦虑。
如果它像“人工咖啡机”一样
被理解为工具
人们或许不会如此担心被替代。
对此，唐思睿认为，
没有必要将AI与人类
放在对立关系中。
AI的本质仍然是人类的助理和队友，她指出，AI能够处理问题的前提，依然是人类先提出问题。虽然AI集合了大量人类知识，但真正跨领域、创造性的连接，仍然来自人类个体本身。
唐思睿强调，AI没有人类的欲望，没有食欲、物欲、权欲，不会主动想替代人类，所有风险本质都是使用AI的人的问题，AI永远只是工具，核心控制权永远在人类手中。
她指出，我们要把更多的精力投入到发现真实生活的痛点以及如何用AI去解决它，而不是焦虑被AI替代。
提及AI发展后人类所产生的被替代焦虑，唐思睿点明了焦虑的根源：中间阶层的工作多是标准化的，所以更容易焦虑，底层和顶层反而不焦虑，核心还是人类被异化，把自己当成工具才会焦虑。
唐思睿说，自己并不担心AI替代人类，因为AI的核心原理就是模仿人类，站在人类的肩膀上生长，所有能力都来自人类，所以不用担心AI替代人类。
·插播一些讨论·
提问：通用人工智能AGI是否能实现？
唐思睿：短时间很难实现通用人工智能AGI，核心瓶颈还是数据和训练架构，当前架构已经到顶，合成数据质量无法保证，所以很难快速突破。
如果监管放开私域数据，比如医院的医疗病例数据、个人隐私数据，AI还会有很大发展空间，就算发展出具身智能，具身带来的新数据也没有私域数据有价值。
当然，也不排除未来会出现理论和工程层面的全新突破，就像当年Transformer论文带来大模型突破一样。
提问：AI突破人类生理限制后是否有风险存在？当AI能捕捉人类看不到的红外线、紫外线等信息，会不会失控？
唐思睿：风险本质是人的问题，不是AI的问题，AI没有人类的欲望，不需要权力、财富，不会主动想要替代人类，大家把AI想的太恐慌，是把它当成有欲望的人来看了，AI永远只是工具，控制权永远在人类手里。
我们从整场沙龙中
捡拾了一些金句
或许对你形成AI思维
有一些启发
欢迎酌情收藏
人赚不到认知以外的钱，AI也做不到认知以外的事情。
替代你的不是AI，而是更会使用AI的人。
AI之所以能够“思考”，本质上是因为它在模拟人类的思考方式。
如果人类无法提出问题，AI也无法真正解决问题。
AI没有欲望，也不会主动想替代人类，真正需要被警惕的始终是“人如何使用AI”。
AI始终是建立在人类知识与经验基础上的产物。
高质量公开数据正在接近耗尽，而未来AI的发展，仍然高度依赖新的数据来源。
整场分享中，唐思睿始终保持着一种“有依据的乐观”。
她并不否认AI正在改变行业结构、工作方式与职业分工，也承认短期内一定会带来焦虑与调整；但她更相信，AI会像前三次工业革命一样，在淘汰部分岗位的同时，创造新的职业、新的问题与新的机会。
一个有意思的观点是，她提出：或许未来可以通过研究AI的学习机制，反向理解“人类如何更有效地学习”。因为某种程度上，AI与人类的学习过程本就存在镜像关系。
也许，AI真正带来的，不只是工具的变化，它同时也在迫使人类重新理解自己：我们如何学习、如何创造、如何提出问题，以及什么才是真正无法被替代的能力。
第三十五期
精彩回顾
参加更多活动
请添加好友
