生成式 AI 的发展方向，是 Chat 还是 Agent？

据《福布斯》报道，商业的未来是自动化。他们报告说，自动化的应用是不可避免的，“工人们即将被一个圈子和一套规则包围，要严格遵守，不能偏离。得益于聊天机器人ChatGPT于2022年11月推出所带来的强劲加持，2023年成为了AI（人工智能）发展史上的一个转折点，活跃的开源环境和多模态模型一同推动了AI研究的进步。随着生成式AI持续从实验室走入现实，技术不断进步，关于其未来发展方向的讨论也愈发激烈。究竟生成式AI的未来是在对话系统（Chat）中展现智慧，还是在自主代理（Agent）中体现能力？这一问题引发了广泛的讨论和探索。这里谈谈我的看法。

1 从预测式AI到生成式AI

1.1 预测式AI

在生成式AI受到瞩目之前，大多数AI应用都使用了预测式AI（Predictive AI）。顾名思义，所谓预测式AI，就是根据现有数据进行预测趋势或提供见解，但它不会生成全新的内容。

比较典型的例子是德国马克斯·普朗克光科学研究所的马里奥·克莱恩及其同事们训练了一个人工智能模型，对1994年至2021年期间在arXiv预印本服务器上发表的143000篇涵盖了与人工智能有关领域的论文进行分析，并预测哪些未经研究的概念会在五年内出现在至少三篇论文中，准确率超过99.5%。

以下是一些预测式AI的典型代表：

1. 人工神经网络（Artificial Neural Networks，ANNs）：一种模仿人类大脑结构和功能的计算模型，常用于图像识别、语音识别、自然语言处理等领域的预测任务。

2. 支持向量机（Support Vector Machines，SVM）：一种监督学习算法，用于分类和回归分析，可以根据已知样本的特征进行预测。

3. 隐马尔可夫模型（Hidden Markov Models，HMMs）：一种概率模型，用于建模序列数据，例如语音识别、自然语言处理等任务。

4. 决策树（Decision Trees）：一种基于树状结构的预测模型，可以根据特征属性进行分类或回归分析。

5. 随机森林（Random Forests）：一种基于决策树的集成学习方法，通过多个决策树的组合进行预测，提高了准确性和稳定性。

6. K近邻算法（K-Nearest Neighbors，KNN）：一种基于相似性度量的分类和回归算法，通过计算样本与最近邻的距离来预测样本的标签或数值。

7. 集成学习（Ensemble Learning）：一种通过组合多个预测模型来提高准确性的方法，例如Bagging、Boosting等。

注意，以上只是一些典型的预测式AI代表，实际上还有很多其他的算法和模型可以用于预测任务。

1.2 生成式AI

生成式AI（Generative AI）是通过大数据集训练的深度学习模型来创建新内容的技术。

与预测式AI不同，生成式AI会利用机器学习，从训练数据中学到“思考”的模式，以此创造具有原创性的输出。

近