听完斯隆奖得主苏煜老师的播客后的思考

最近听张小珺老师和苏煜老师关于那期播客的时候，突然有一个很奇怪的感觉。

不是那种“又学到一个新概念”的感觉。

而是那种：一个以前被我跳过去的老概念，突然在今天重新亮了起来。

这个词就是 Agent。

中文一般翻译成智能体。

这两年，只要你稍微关注 AI，就很难躲开这个词。各种产品都在讲 Agent，各种公司都在讲多智能体，各种创业项目都在讲工作流、工具调用、自动执行、长程任务。公众号上也有很多介绍，但说实话，大部分文章看完以后，我还是觉得有点悬浮。

有些文章把 Agent 写成“会调用工具的大模型”。

有些文章把 Agent 写成“自动帮你干活的软件”。

还 有 一 些 文 章 干 脆 就 是 产 品 清 单 ： AutoGPT 、 Manus 、 Claude Code 、 OpenAI Agents、Coze、Dify、n8n、各种 workflow 工具，一路排下来，看起来很热闹，但看完以后，你还是不一定知道 Agent 到底是什么。

直到苏老师在相关讨论里提到 Russell，我才突然意识到一个很尴尬的事情：

今天大家热烈讨论的 Agent，并不是一个新概念。

它其实是人工智能最早的地基之一。

Stuart Russell 和 Peter Norvig 的《Artificial Intelligence: A Modern Approach》，也就是中译本《人工智能：现代方法》，在 AI 教育里几乎是教科书级别的存在。更重要的是，它对 AI 的基本定义本来就是围绕 agent 展开的：AI 研究的对象，是能够从环境中获得感知并采取行动的智能体。

我以前读这本书前半部分的时候，其实是有点不耐烦的。

为什么要反复讲 agent？

为什么要讲 environment？

为什么要讲 sensors、actuators？

为什么要讲 rational agent？

为什么不直接进入机器学习、搜索算法、知识表示、概率推断？

当时觉得这些东西太抽象，像是教科书开头必须摆出来的概念框架。

但现在回头看，才发现不是它啰嗦。

是我当年没有读懂。

因为在大模型出现之前，我们很容易把 AI 理解成一个“回答问题的系统”。

你问，它答。

你输入，它输出。

这当然也是智能的一部分，但它还不是完整的智能体。

Agent 的关键从来不是“会说话”。

而是它要处在一个环境里，持续感知，形成判断，选择行动，并承担行动之后的反馈。

这就不一样了。

一个聊天机器人可以只对一句话负责。

一个智能体却要对一个任务负责。

一个模型可以只预测下一个 token。

一个智能体要面对的是：我要在哪里行动？我能看到什么？我能调用什么工具？我行动以后环境会怎样变化？我错了以后能不能修正？我有没有长期目标？我能不能从经验里积累策略？

这才是 Agent 真正困难的地方。

它不是在模型外面套一层工具调用那么简单。

它是在问一个更老也更难的问题：

一个系统怎样才能像一个行动者一样活在世界里？

这也是为什么我现在重新看 Russell，感觉完全不一样。

他是在给后面几十年的 AI 留一个统一入口：不管你是搜索、规划、强化学习、概率推理、机器人，还是今天的大语言模型，只要你想让系统从“回答者”变成“行动者”，你就绕不开智能体。

所以今天我们说 Agent，本质上不是在说一个产品形态。

而是在说 AI 从“文本系统”重新走向“行动系统”。

这个判断一旦成立，很多书和 paper 就突然串起来了。

比如 Max Bennett 的《A Brief History of Intelligence》。

这本书很有意思，它不是从 AI 工程开始讲智能，而是从生物演化开始讲。AP 的书评介绍中也提到，Bennett 试图通过理解自然智能的演化路径，来讨论人工智能未来如何发展。它里面有一个很关键的思路：智能不是凭空出现的，而是在漫长演化中，一步步形成了趋利避害、强化学习、内部模拟、社会心智和语言符号这些能力。

这对 Agent 很重要。

因为一个真正的智能体，不能只是“看到什么就反应什么”。

它需要试错。

更准确地说，它需要在行动之前，先在脑子里试错。

这就是 Bennett 书里让人印象很深的 Imaginarium，或者说虚拟试错空间。

动物不能每一次都拿真实生命去试错。

人也不能每一次都在现实世界里撞墙。

所以智能的一个关键能力，就是在内部模拟：如果我这样做，会发生什么？如果我选择另一条路，后果会不会更好？

这其实非常接近今天 Agent 的核心问题。

我们为什么需要 planning？

为什么需要 reflection？

为什么需要 memory？

为什么需要 world model？

因为一个不会在内部模拟后果的 Agent，很容易变成一个看起来很聪明、但实际很莽的自动化脚本。

它会执行，但不一定理解。

它会调用工具，但不一定知道自己为什么调用。

它会完成步骤，但不一定知道步骤之间的因果关系。

这就是今天很多 Agent 产品容易翻车的地方。

它们不是不够炫。

是太容易把“行动”误解成“点按钮”。

但真正的行动不是点按钮。

真正的行动，是目标、环境、计划、反馈和修正构成的闭环。

Jeff Hawkins 的《A Thousand Brains》则从另一个角度补上了这个问题。

Hawkins 一直试图从新皮层结构理解智能。他提出的 Thousand Brains 理论强调，不是大脑里只有一个中央模型在理解世界，而是许多类似皮质柱的模块，各自建立关于世界的模型，并通过协同来完成感知和判断。Numenta 对这一理论的介绍中也提到，每个cortical column 都能基于自己的感知，建立对世界的完整模型。 2024 年 Thousand Brains Project 的白皮书进一步把这种思路推进到 AI 系统设计中，提出以皮质柱为灵感的 sensorimotor agent，用来支持快速学习、持续学习和与世界交互。

这对今天的大模型智能体也非常有启发。

因为 LLM 很强，但它的强很多时候仍然是语言空间里的强。

它能总结、推理、写代码、对话、生成计划。

但一个 Agent 如果真的要进入现实任务，它就不能只拥有语言模型。

它还需要某种“世界模型”。

这个世界模型不一定是人脑那样的生物结构，也不一定是 Hawkins 方案的直接复制。但它至少要解决几个问题：

第一，它要知道对象之间的关系。

第二，它要知道行动会改变状态。

第三，它要能把经验组织成可复用的结构。

第四，它要能在新场景里迁移，而不是每次都从头试错。

如果没有这些东西，所谓 Agent 很容易变成“提示词驱动的自动化”。

短任务可以跑，长任务会崩。

简单环境可以跑，复杂环境会迷路。

固定流程可以跑，一旦环境变化就开始胡言乱语。

这也是为什么我越来越觉得，Agent 的难点不在“工具调用”。

工具调用只是表层。

底层问题是：这个系统有没有一个足够稳定的世界理解方式。

而 Terence Deacon 的《The Symbolic Species》，则把问题推向了更深的一层：符号和语言。

Deacon 这本书讨论的是语言与大脑的共同演化。伯克利人类学系对该书的介绍中提到，它试图解释符号思维的意义，以及语言和大脑在长期人类演化中的共同塑造关系。

这和 Agent 有什么关系？

关系很大。

因为今天的大模型，本质上是建立在语言和符号之上的系统。

它不是像动物那样直接用身体在环境里学习，而是先在海量文本里学会了人类文明压缩出来的符号结构。

这既是它的优势，也是它的危险。

优势在于，语言是人类文明最强的压缩格式。

法律、科学、数学、工程、历史、商业、宗教、哲学、日常经验，很多东西都被写进了语言里。

所以大模型可以通过语言快速获得一种“文明级预训练”。

这非常惊人。

但危险也在这里。

语言不是世界本身。

语言是世界的压缩、转述和再组织。

所以一个只活在语言里的 Agent，很容易误把文本当现实，误把叙述当证据，误把连贯表达当真实理解。

这也是为什么今天做 Agent，不能只迷信 prompt。

Prompt 能让模型表现得像一个角色。

但角色不是智能体。

真正的智能体必须能回到环境里校验自己。

它要能查证，要能执行，要能观察反馈，要能承认错误，要能更新计划。

这才是 Agent 从“语言幻觉”走向“现实行动”的关键。

所以，如果把这几本书放在一起看，会出现一条很清晰的线：

Russell 和 Norvig 给出智能体的基本定义：感知环境，并采取行动。

Max Bennett 解释智能为什么需要虚拟试错：行动之前，要能在内部模拟可能后果。

Jeff Hawkins 强调世界模型和持续学习：智能不只是反应，而是在多模块结构里建立可迁移的对象理解。

Deacon 则提醒我们，语言和符号是人类智能的核心，但符号也必须重新接回现实世界。

这几条线合在一起，才是我现在理解的 Agent。

它不是一个插件。

不是一个 workflow。

不是一个会联网、会写代码、会发邮件的大模型。

这些都只是实现手段。

Agent 真正要回答的问题是：

一个 AI 系统，怎样才能从“会说”变成“会做”？

怎样才能从“生成答案”变成“承担任务”？

怎样才能从“被动响应”变成“主动探索”？

怎样才能从“语言系统”变成“行动系统”？

这就是为什么苏老师关于智能体的 paper 和博客值得单独整理。

因为现在中文互联网里关于 Agent 的讨论，太容易被产品话术带着走。

今天一个爆款产品出来，大家就说 Agent 革命来了。

明天一个 demo 翻车，大家又说 Agent 都是泡沫。

这两种反应都太急了。

真正应该做的，是把 Agent 从营销词汇里拆出来，重新放回人工智能、认知科学、神经科学和语言演化的长线脉络里。

这样我们才不会被短期热闹带跑。

也不会把一个本来很深的问题，讲成“十个最好用的智能体工具”。

我现在越来越觉得，Agent 这个词之所以重要，不是因为它代表了某个产品风口。

而是因为它让 AI 重新回到了一个很古老的问题：

智能到底是不是只等于会回答问题？

如果不是，那智能还必须包括什么？

行动。

环境。

目标。

记忆。

试错。

世界模型。

语言。

反馈。

责任。

这些东西合在一起，才像一个真正的智能体。

所以这篇文章其实不是在推荐书。

它更像是一份阅读路线图。

如果你想理解今天的 Agent，不要只看最新产品发布会。

也不要只看工具教程。

可以先回到 Russell。

回到《人工智能：现代方法》前半部分那些看起来有点枯燥的 agent 定义。

再往外看 Bennett，理解智能为什么需要内部模拟。

再看 Hawkins，理解世界模型和持续学习为什么重要。

再看 Deacon，理解语言和符号为什么既是能力，也是陷阱。

最后再回到苏老师的博客和 paper。

你会发现，今天很多看似新的争论，其实都早就埋在这些旧问题里了。

这也是我这次最大的感受。

有些书，不是第一次读的时候没用。

是你要等到某一天，现实中的问题重新长出来，才会突然发现：

原来，它第一章就已经讲过了。