04. 为什么AI不只是一个大模型?

ChatGPT、DeepSeek、Qwen

大家习惯拿大模型跑分榜单比较，久而久之，就会产生一个错觉：

AI = 大模型。

但如今的 AI 产品，越来越不只是一个大模型。

比如语言大模型，具有的主要是通用的语言智能，尤其擅长陪我们聊天。

它并不知道我们电脑里有哪些文件，不知道怎么操作办公软件写文档，更不会知道怎么通过手机点外卖。

可我们现在使用的 AI，却正在越来越多地做这些事情。

如果 AI 不只是大模型，那它到底是什么？

真正能替人们干活的 AI，其实是一个 AI 系统，而不只是一个模型。

一、只有大脑是不够的

我们可以先把大模型理解成 AI 系统的“大脑”。其最核心的能力是三个：理解、推理、生成。

大模型最擅长的是“想”和“说”，不一定擅长“做”。

比如过去我们对大模型说：帮我点一下外卖。它一般会说：点外卖需要您到专用的手机 APP 上去点。

同时它可能还会贴心地告诉我们，注意选择可靠的平台和商家，不要填错了地址等等。

这样的大模型没有“手”和“脚”，充其量一本智能百科全书，以及提供一些情绪价值。

二、为什么现在的 AI 学会“做事”了？

因为今天我们现在的 AI 产品，已经不是一个孤零零的纯模型了。

比如曾经耳熟能详的 ChatGPT，背后早已经是一套复杂的系统：

AI System = Model + Context + Memory + Tools + Workflow

只有通过这些功能的组合，AI 才能从“会聊天的大脑”，逐渐变成一个“会办事的系统”。

其中Model，也就是大模型，是整个系统的智能核心。

除了负责理解用户意图和输出结果，它还要决定中间过程需要调用哪些工具，并处理工具调用的结果，完成整个处理过程的调度。

大模型决定了整个系统能有多聪明。

然而，巧妇难为无米之炊，大模型的处理结果，极其依赖它所能够看到的信息。

这些信息，就是 Context，也就是上下文。

比如：用户的职业是什么？用户上传了哪些文件？有哪些资料库可以参考？刚刚搜索网页有什么返回结果？

同一个模型，放在不同的 Context 里，表现可能完全不同。

这也是为什么上一期我们讲：同一个 AI，只是换一下提示词，表现就会发生很大的变化。

接下来，介绍一下容易和 Context 发生混淆的 Memory。

如果说上下文 Context 解决的是模型“现在知道什么”，那么记忆 Memory 解决的则是：

过去发生过什么，哪些东西值得记住。

比如刚刚执行的任务有哪些结论？用户有哪些重要指导意见？工作一个月以来，用户的工作风格是什么？

有了 Memory， AI 就不会每次聊天都像第一次见面，而能够成为一个更贴心更懂用户的长期助手。

记忆看起来是一个“高大上”的概念，但其本质上是把过去的重要信息保存下来，在合适的时候放在上下文中提供给模型。

好了，终于到 Tools了，也就是工具。

现实世界中的很多任务，并不是“说一句话”就能完成的。

比方说，查上海的实时天气，帮我发一条微信，调用公司系统查询某个员工的信息。

具体实现的时候，系统会提前告诉模型，有哪些工具可以用，分别能够起到什么效果。

这样模型知道纯靠自己搞不定了，就会通过系统调用相应工具来完成，工具执行完以后，把结果返回给大模型。

有了工具 Tools，AI 的能力边界才真正被打开。

因为从此以后，AI 可以从真实世界获取实时信息，并向真实世界执行动作。

三、真正让 AI 能够完成复杂任务

然而，有了模型和工具，还是不能保证让 AI 处理好复杂任务。

因为打过工的都知道，现实中的工作通常不是你智商高，或者你会用工具就一定能做好的。

比如我让 AI 帮我分析最近三个月我的研究进展和成果，并整理成一份汇报。

这件事情给人来做都比较麻烦，比如我首先需要收集所有相关的工作记录、数据表格、汇报材料、实验效果等。

然后还要从大量材料中提炼要点，总结工作亮点，输出不能有数据错误的报告。

更重要的是，这个事情不是自己埋头做就能做完的，中间可能还要反复找同事和领导讨论，这一来二去，复杂性又被拉大了。

要完成以上的复杂过程，要求 AI 必须有科学稳定的 Workflow，也就是工作流。

我们需要让 AI 围绕一个目标，长期、稳定地执行一系列步骤：

理解目标 → 拆解任务 → 调用工具 → 获取结果 → 检查结果 → 再决定下一步。

完成了这一步，AI 才真正从 Chat，走向了 Action，成为了一个可靠稳定的智能助手。

四、​大模型“排行榜”​的​局限性

以前看哪个 AI 更强，我们习惯看谁的跑分更高，谁的模型参数更多，谁又排到排行榜前面了。

但除了这些之外，要客观评价一个 AI 产品的效果，还要涉及很多其他问题：

比如它能操作哪些生产级工具？能够连续多久执行复杂任务？结果如果有问题，能不能自动纠错并且反馈给用户？

这些问题不是单纯“模型能力”可以回答的，它需要一个系统性的过程来回答。

有个很好的对比例子，就是真正决定一辆车好不好开的，除了发动机，还有：变速箱、底盘、操控、导航、传感器，以及整车的调校。

写在最后

从技术底层看，大模型是 AI 不断发展的基石。

但如果从产品设计的角度看，AI 越来越不能被简单理解成“大模型”。

大模型提供智能，AI 系统让智能真正工作起来。

未来真正有价值的 AI，并不只是一个靠一个更聪明的大模型。

其实，当 AI 从“回答问题”走向“完成任务”的那一刻开始，我们讨论的对象，其实就已经是一整个 AI 系统了。