昨天（6月1日），黃仁勛在英偉達GPU技術大會上發表主題演講時稱，“能賺錢的AI已經到來”。

他所說的，是近年來在人工智能領域如火如荼的代理式AI（Agentic AI）。

黃仁勛在演講中引用GitHub的數據表示，全球約3000萬到4000萬專業軟件開發者，總薪資約3萬億美元。在AI輔助下，這些人現在產出的工作量相當于9萬億美元的生產力。

在黃仁勛看來，與傳統生成式AI相比，Agentic AI不僅能夠生成內容，更能夠理解任務、制定計劃、調用工具并完成執行，從而創造實際商業價值。

他解釋稱，Agent（智能體）是一種全新的應用形態。“你可以把模型想成大腦，框架想成身體，工具是它使用的器械，運行時環境是它的車間，”黃仁勛說，“這就是一個工人在車間里使用工具工作”。

他表示，真正能夠創造價值、能夠采取行動的AI已經開始進入現實世界，并正在重塑各個行業。

“過去我們打開一個應用，點擊、打字，”黃仁勛說，“現在我們把這些替換成向AI解釋我們想要什么。AI生成代碼或者使用工具，產出我們需要的結果。這就是計算機未來的工作方式，這就是Agentic AI?！?/p>

然而，在產業端，Agentic AI 卻呈現出某種自相矛盾的局面。

AI Council的數據顯示，88%的AI Agent項目從未進入生產環境；而Anthropic聯合研究機構Material剛剛發布的《2026 State of AI Agents Report》顯示，80%的組織已經在AI智能體上看到了可衡量的經濟回報。

88%失敗，80%賺錢。兩組數據指向同一個結論：Agent不是不行，是大多數人用錯了方式。

問題出在哪里？要回答這個問題，需要先理解AI智能體與過去的AI系統有何本質不同。

從“能思考”到“能行動”：

一次被忽視的范式躍遷

阿信家的新書《代理式人工智能》，開篇就指出了當前AI領域的關鍵局限：那些智能體非常聰明，但它們卻仍然有執行差距。

書中用三個真實故事，揭示了當前生成式AI的致命短板。

故事一：47個瀏覽器標簽頁的度假規劃噩夢

周六晚上，布萊恩打開ChatGPT，為全家規劃期待已久的希臘兩周游。他輸入：“給我一個四口之家在希臘的行程安排?！睅酌腌姾?，AI給出了一份精心策劃的行程：“第一天至第三天：雅典，清晨前往衛城避開人群，孩子會在衛城博物館流連忘返……在普拉卡區家庭經營酒店‘橄欖樹酒館’享用午餐，庭院里茉莉花香……還有一處‘隱秘的海灘’，暢享小眾美景……”

然而，隨著時間過去，布萊恩的驚嘆變成了沮喪。那家令人向往的家庭經營酒店永久關閉了，所謂“隱秘的海灘”在任何地圖上都找不到，烹飪課半年前就預訂滿了。

到晚上11點半，布萊恩的電腦桌面就像犯罪現場——47個瀏覽器標簽頁、多個航班選項的電子表格、酒店截圖、旅游企業的PDF文件。AI設計的完美行程就躺在文檔里，而布萊恩卻花了好幾個小時處理那些他以為AI會幫忙的“后勤工作”。

“我本想用一個晚上的時間暢想我們去的地方，結果卻花了好幾個小時做煩瑣的預訂工作?！辈既R恩后來反思道。

世界上最先進的AI系統，能夠寫詩、解釋量子物理學，卻無法完成檢查一家酒店是否仍在營業這種基本任務。它能構想出完美的假期，卻連一張機票都訂不了。

故事二：差點毀掉學術生涯的“聰明”AI

杰西卡博士接到父親突發疾病的噩耗時，正在為聯合國的氣候峰會準備演講。她立刻飛往新加坡，將研究收尾工作交給了團隊。

“用你們需要的任何工具，”在醫院里，她用匆忙的視頻電話告訴團隊，“只要確保一切都經過核實?！?/p>

三周后，杰西卡回到辦公室審閱演講草稿。當她詢問團隊如何驗證其中的發現時，首席研究員湯姆打開了多個AI聊天窗口：“AI分析了我們所有的數據集，它發現了我們甚至未曾考慮過的模式?！?/p>

但當杰西卡深入核查時，她發現了可怕的事實：AI生成的有關非洲氣候影響的分析中，所引用的論文根本不存在；東南亞農民適應策略的詳細統計數據，與任何已知研究都不匹配。

“我們原以為自己很嚴謹，讓AI在多個對話中交叉引用來驗證。但現在我們意識到，每個對話都是獨立運作的，有時甚至相互矛盾。”湯姆承認道。

此刻，距離峰會只剩48小時，杰西卡面臨著艱難的決定。最終，她選擇取消演講，因為團隊需要數周時間手動核實每個數據點、交叉核對每個來源、從頭重建分析。

這次險些釀成大禍的經歷說明：當前AI系統無法核實事實、無法保持一致性，甚至無法察覺自己生成的內容是虛假的——直到在聚光燈下被揭穿。

故事三：五個AI系統都在尖叫，卻沒有一個能行動

下午3點15分，瑪麗亞捂著肚子來到急診科，臉色蒼白，疼痛難忍。醫院的人工智能入院系統立刻啟動——這是一個基于大語言模型構建的實驗性聊天機器人，用于協助患者入院登記和初步評估。

通過平板電腦界面，AI在幾秒鐘內生成了初步評估報告：可能是她近期接受的胃旁路手術的并發癥。但它無法獲取15英里外中央醫院的手術記錄，它只能把瑪麗亞的手術當作“新的信息”來處理。

下午4點，瀑布效應開始。

多個AI系統同時監測到情況惡化：生命體征監測AI發現血壓在下降；實驗室結果分析AI識別出內出血指標；藥物管理AI標記出危險的藥物相互作用；患者病史AI注意到符合術后并發癥的模式。

然而，這些系統之間無法相互交流，無法自動采取任何行動。

護士詹妮弗不得不手動檢查每個系統的警報，在系統之間逐條復制數據，將結果輸入協調協議，親自協調應對措施。

“我們有五個不同的人工智能系統都尖叫著指出了問題，但它們都無法實際采取任何行動。我們才是四處奔忙、試圖把所有線索拼湊起來的人。”

當主治醫生終于收到所有整合的信息時，瑪麗亞的救治窗口已經所剩無幾。醫院首席醫療信息官后來調出了一組令人震驚的數據：護士和醫生將高達55%的時間花在手動輸入數據和系統協調上。

五個頂尖AI系統，每個都能出色地完成自己的任務，卻沒有能力互相溝通、協同行動。在急診中，每一分鐘都很重要，但就是如此寶貴的時間，卻在AI之間的“語言不通”中消耗殆盡。

三個故事的共同點是什么？書中稱之為“執行差距”：人工智能系統能夠生成完美的計劃，卻無法在現實世界中采取行動來實施它們。它們能分析、推薦和預測，卻不能執行、協調或做出適應性調整。

這正是“代理式人工智能”（Agentic AI）誕生的現實推力。

“agent”一詞源自拉丁語“agere”，意思是“去做”或“去行動”。 這正是 Agentic AI 的獨特之處：與只能響應查詢或生成輸出的生成式人工智能系統不同，Agentic AI 中的智能體可以理解目標、采取自主行動、持久保持目標，并根據現實世界的反饋調整其策略。簡單地說，AI智能體是一個使用人工智能和工具來自主執行操作以實現既定目標的系統。

行動、推理與記憶

理解了從“思考”到“行動”的范式躍遷，再來看Anthropic報告的數據，就豁然開朗了。

Anthropic 2025經濟指數分析了超過350萬條匿名Claude對話，發現了一個關鍵差異：77%的商業API使用呈現自動化模式，而個人用戶的比例只有50%。

這意味著，企業比個人更早完成了一個認知轉換：從“我幫AI，AI幫我”的協作思維，轉向了“我把活交給AI”的委派思維。那些看到回報的80%，不只是用了更好的模型，更是重新設計了工作流，把完整的任務鏈條交給Agent去跑。

你讓一個代理人寫操作手冊，和跟他簽授權書，是完全不同的邏輯。前者是流程，后者是信任。這個認知差，正是88%失敗率的根因。

《代理式人工智能》提出了Agentic AI的三大基石模型。書中指出，AI智能體和人類員工一樣，需要三個關鍵要素才能有效運作：需要“行動”來執行和達成目標，需要“推理”來理解和決策，還需要“記憶”來學習和適應。

三者缺一不可。行動沒有推理是蠻干，推理沒有行動是空想，兩者沒有記憶就是一遍遍重復犯錯。正如書中所寫：“這些失敗并非因為技術缺陷，而是未能認識到AI智能體需要三個關鍵要素才能有效運作。”

此外，《代理式人工智能》還提出了Agentic AI演進框架，借鑒汽車行業的自動駕駛分級，從L0到L5分別是：

·L0級：手動操作——人類執行所有任務，無自動化輔助；

·L1級：基于規則的自動化——簡單腳本或RPA，遵循預設規則；

·L2級：智能自動化——結合AI認知能力，但仍需大量人工監督；

·L3級：智能體工作流——能生成內容、規劃、推理和適應；

·L4級：半自主智能體——在限定專業領域內自主工作并學習；

·L5級：全自主智能體——理論巔峰，跨領域自主學習。

書中明確指出，目前市場上大多數AI智能體仍處于L2向L3跨越的階段，而L5級智能體仍是終極目標。

L2到L3的鴻溝在哪里？L2的智能體仍然在相當嚴格的參數范圍內運行，需要大量人工監督，就像一輛能保持在機動車道內但仍需人類隨時接管的汽車，而L3的智能體能夠在預定義的邊界內適應環境變化，具備一定的規劃、推理和記憶能力，就像能在高速公路上獨立行駛但在復雜情況下需要人類接管的車輛。

從L2跨到L3，需要的不只是更好的模型，而是從“工具思維”到“代理思維”的轉換。

不是所有場景都需要Agent

這是否意味著，在一切工作場景下，我們對人工智能的需求都將向Agentic AI發展？

《代理式人工智能》認為也不盡然。書中提供了一個在決策上頗為實用的“智能體三大機遇圈”：智能體的最佳切入點，在于高影響力（重要嗎？）、高可行性（能完成嗎？）與低投入（值得做嗎？）三大維度的交點。

書中強調，選擇合適的級別是成功實施的關鍵。不是所有場景都值得做Agent。有些事交給規則引擎就夠了，有些事交給大模型單次調用就夠了，只有那些需要“持續自主決策”的場景，才真正需要代理式AI。

88%的失敗率和80%的回報率，看似矛盾，其實說的是同一件事：Agent正在從實驗走向基礎設施，但這條路只對完成了認知轉換的人敞開。

許多企業盲目智能化，引發員工大范圍的焦慮和辭職，AI智能體做出未經授權的決策導致聲譽受損，其提出的行動建議違背企業價值觀。這些草率的部署，最終都以代價高昂的失敗告終。但那些經過了審慎決策并認真推行Agentic AI的企業，獲得了無法想象的效率和效益提升。

在Agent從概念走向生產的拐點上，理解代理式AI，絕不只是“趕風口”這么簡單。

福布斯2025年度十大科技書

Agentic AI 全解析，掌握下一代AI核心技術

點擊卡片，即可購買

-End-

2026.6.2

編輯：閃閃 | 審核：孫小悠