所謂Agent，即多模態(tài)智能體。如今的多模態(tài)處理已經(jīng)支持文本、圖像、視頻、音頻、3D數(shù)據(jù)的無縫解析，例如分析運動視頻動作缺陷或生成手寫食譜的雙語電子書等。2025年AI的發(fā)展的確異常迅猛，以至于讓很多人心里感到不安和焦慮。

據(jù)說，目前最強大的多模態(tài)模型是谷歌Gemini 3，其在LMArena榜單得分1501Elo，推理測試正確率接近92%，并支持DeepThink模式解決ARC-AGI-2等復雜問題。有人說這是撬開了AGI的大門。

在谷歌最新的Gemini 3和Nano Banana Pro發(fā)布前，黃仁勛和奧特曼都一直雄心勃勃，自信非常。他們之前的日子過得可謂風生水起。谷歌，這家曾被認為在AI時代稍顯落后、有點沉睡的巨頭企業(yè)，如今也似乎正在全面覺醒。

Gemini 3是谷歌于2025年11月18日推出的新一代大型語言模型，是基于稀疏混合專家架構(gòu)并擁有超萬億參數(shù)，完全基于TPU訓練的大模型。該模型配備100萬token上下文窗口，支持處理文本、圖像、視頻、音頻和代碼等多模態(tài)數(shù)據(jù)，發(fā)布當日就已經(jīng)整合了谷歌搜索AI模式、Gemini應用、API接口及Vertex AI等產(chǎn)品線內(nèi)容。與此同步發(fā)布的Google Antigravity開發(fā)平臺支持自然語言生成完整代碼，實現(xiàn)動態(tài)界面定制與多智能體協(xié)作執(zhí)行復雜任務，在AI領域顯然已經(jīng)做到了遙遙領先。

其實早在此前OpenAI發(fā)布推理模型O3時，就已經(jīng)讓很多人陷入了存在主義危機，在O3發(fā)布之初，經(jīng)濟學家泰勒.科文（Tyler Cowen）當時也參加了產(chǎn)品內(nèi)測，據(jù)他當時的判斷是其實O3就是AGI（超級人工智能）。

頂尖生物學家德里亞.烏魯特馬茲（Derya Unutmaz）在X上發(fā)文說，他認為O3的智能水平已經(jīng)達到了或者接近天才水平。后來當o1-Pro剛發(fā)布時，人們更慌了……現(xiàn)在是不是看到谷歌的Gemini 3，你更慌了呢？

OpenAI的首席執(zhí)行官山姆.奧特曼曾經(jīng)在一次訪談中說，“當AGI真正來臨的那一天，一開始什么都不會發(fā)生，它不會立馬改變世界……但是幾年之后，世界會因此而巨變……”筆者想這句話的意思就是，現(xiàn)在我們很多人還不知道該如何用好AI，沒有讓AI發(fā)揮出它最大的潛力。以至于現(xiàn)在如何用好AI它仍是一項非常稀缺的能力。

現(xiàn)在的很多Agent都是非常聰明的模型，它們會原生態(tài)地調(diào)用各種工具，很多時候我們不應讓它回答一個問題，而是要給它一個任務讓它去完成。比如你給它們一張照片，它們就可以找出這張照片你是在哪拍的，它們也可以幫你在網(wǎng)上找到你多年不聯(lián)系的朋友的賬號。但是它們在聰明的同時也會產(chǎn)生幻覺的。例如，它們在編程時可能也會犯錯誤，它們在回答問題時可能會胡說八道，對一句名言的出處可能會張冠李戴。

說2025年是Agent元年其實也不是過譽，因為在2025年的年初和年尾都有這么重磅的AI產(chǎn)品，是不是已經(jīng)亮瞎了很多人的眼睛？！

但是目前的Agent它們可能還是處于這樣一個階段：它們真的很擅長用很多“高觀點”去分析事物的本質(zhì)。什么是“高觀點”呢？所謂高觀點就是“StochasticParrot”，它是指某些大語言模型其實就像一只“會說話的鸚鵡”，它只能依靠大數(shù)據(jù)進行統(tǒng)計預測，說白了其實就是它也只是模仿人類語言的表面結(jié)構(gòu)，而非真正理解人類語言的真正語義。

比如你給AI一道數(shù)學題，它也會幫你解答，但是你從它的解題步驟中就可以很明顯感覺到它有機械套用的痕跡，要是一個人類老師給孩子們講題，那首先就是教會孩子要抓住解決這個數(shù)學問題的關鍵要點和解決數(shù)學問題時需要首先理解其要表達的數(shù)學意義，因此人和AI還是有很大區(qū)別的。

再比如你問AI“王陽明心學到底說的是什么？”AI可能會告訴你，“陽明心學就是讓你發(fā)現(xiàn)良知，然后立刻去做！”所以，AI用“高觀點”處理問題不是人類強加給它的標簽，而是這的確是AI無意識下的一種本能展示。