4/21/2025, 7:21:50 PM_AI通用智能体和垂类智能体发展情况综述

飞书用户9043

4月21日修改

AI通用智能体和垂类智能体发展情况综述

1. 导论

人工智能（AI）作为一项变革性技术，正经历着前所未有的快速发展，其应用已渗透到我们日常生活的方方面面，成为数十亿人不可或缺的助手 [16]。从早期的机器翻译到如今在图像识别、搜索结果优化、灾害预警以及各行各业的广泛应用，人工智能显著提高了效率和创新能力 [9,30,42]。信息系统研究领域也对人工智能给予了越来越多的关注 [48]，反映出人工智能技术在学术界和工业界均获得了广泛认可和重视。​

在人工智能的演进历程中，窄域人工智能（Narrow AI）和通用人工智能（General AI）是两个核心概念。多篇文章摘要均强调了对这两种人工智能类型进行区分的必要性，以理解人工智能的现状和未来发展方向 [3,5,6,8,9,10,11,12,13,14,15,16,17,19,20,21,22,23,25,26,27,28,31,33,35,36,37,39,42,43]。许多研究指出，当前人工智能技术，包括大型语言模型（LLMs）如ChatGPT和Claude，虽然取得了显著进步，但仍属于窄域人工智能范畴，其能力专注于特定任务，通用性和跨领域迁移能力有限 [15,27,30,39]。然而，随着技术的不断发展，人工智能领域正逐渐迈向通用人工智能，旨在开发能够模拟人类认知能力，具备更广泛的通用性和适应性的智能系统 [14,19]。值得注意的是，大型语言模型的出现，如ChatGPT、Claude和Gemini，引发了关于人工智能是否正在接近通用人工智能的讨论，模糊了窄域人工智能和通用人工智能之间的界限 [43,49]。​

此外，智能体（Agent）作为能够自主行动和与环境交互的实体，在人工智能领域中扮演着重要角色。智能体架构的研究一直是人工智能领域的核心问题，其应用也从最初的机器人领域扩展到工作流管理、分布式资源分配、互联网搜索和推荐系统等多个领域 [1]。“AI智能体”的概念在本综述中被定位为对人工智能系统的一种更具象化和功能性的描述，涵盖了窄域和通用人工智能在不同应用场景下的具体实现形式。特别地，垂类人工智能（Vertical AI）的发展，体现了人工智能在特定行业和领域深度应用的趋势，垂直人工智能代理正成为推动行业变革的关键力量 [32]。​

当前人工智能研究的普遍动机在于，理解窄域人工智能和通用人工智能之间的本质区别，探索通用人工智能的发展路径，并为未来人工智能技术的发展方向提供指引 [3,5,11,12,13,14,15,16,17,19,22,23,25,26,27,31,33,35,36,37,42,43,49]。然而，值得注意的是，目前对于窄域人工智能和通用人工智能的概念界定仍存在一定的模糊性，尤其是在大型语言模型等新型人工智能技术的快速发展下，二者之间的界限变得愈发模糊 [15,43,49]。此外，通用人工智能的具体实现路径和时间表仍存在争议，其概念框架仍在不断演进和完善 [22,25]。​

本综述旨在系统梳理和分析通用人工智能与垂类人工智能的发展现状、核心差异及未来趋势，力求为学术界和产业界提供有价值的参考。本综述的核心研究问题包括：通用人工智能与垂类人工智能各自的发展现状如何？两者之间存在哪些本质区别与联系？未来人工智能发展应侧重于通用人工智能还是垂类人工智能，抑或是两者协同发展？ [17,27] 通过解答这些问题，本综述旨在明确研究范围和目的，为后续章节的深入探讨奠定基础。​

1.1 人工智能发展背景

人工智能（AI）的概念可以追溯到古代，但其作为一个正式的研究领域，始于1956年达特茅斯学院的会议，早期的研究集中于问题解决和符号方法 [2,22]。最初的人工智能愿景宏大，旨在创造能够使用语言、形成抽象概念甚至自我改进的机器，这实际上描绘了早期通用人工智能（AGI）的蓝图 [22]。早期的AI系统专注于执行特定任务，例如专家系统和IBM的深蓝，这些系统代表了窄域人工智能的早期实践 [13]。​

然而，人工智能的发展并非一帆风顺，经历了多次“AI寒冬”，尤其在20世纪80年代和90年代，由于技术发展未能达到早期的乐观预期，导致投资减少 [15]。克服这些寒冬需要技术和计算能力的显著进步 [15]。20世纪80年代机器学习的兴起，以及随后深度学习和神经网络技术的进步，极大地扩展了人工智能的能力 [2]。特别是2012年人工神经网络的突破性发展，使机器能够进行强化学习，并更有效地模拟人脑处理信息的方式，从而推动了人工智能能力的稳步提升 [11]。​

近年来，人工智能领域再次迎来快速发展期，大型语言模型（LLMs）如ChatGPT和Claude的出现，展示了前所未有的通用性，模糊了窄域人工智能和通用智能之间的界限，引发了人们对实现人工通用智能（AGI）可能性的热烈讨论 [22,49]。当前人工智能研究的重点已转向开发能够执行需要人类水平推理和解决问题能力的系统，这反映了人工智能从解决特定任务的窄域应用向更广泛、更通用的智能发展的趋势 [41]。通用人工智能（AGI）被视为人工智能发展的演进中的一个里程碑，其兴起是人工智能技术不断演进和对更通用、更自主智能系统追求的自然结果 [10,33]。​

与此同时，垂类人工智能（Vertical AI）已发展为一种更专业的方法，也正变得越来越重要 [32,40]。与通用人工智能旨在实现跨领域通用智能不同，垂类人工智能专注于解决特定行业的挑战，提高生产力并减少人为错误 [40]。通用人工智能和垂类人工智能的兴起，均反映了当前人工智能发展的新趋势和新方向 [17]。​

总而言之，人工智能的发展历程可以看作是从窄域人工智能向通用人工智能不断演进的过程 [19,42]。当前，人工智能技术正经历快速发展，并日益融入医疗保健、金融、交通和零售等多个领域，其重要性在于能够自动化任务、分析复杂数据集并提供个性化体验，从而推动创新和效率 [9,31]。在信息系统研究领域，人工智能也受到了越来越多的关注 [48]，反映出人工智能技术在学术界和工业界均获得了广泛的认可和重视。​

1.2 通用人工智能的概念界定

通用人工智能（AGI），又常被称为强人工智能，是人工智能领域中一个核心但仍在发展中的概念。多篇文献均指出，AGI 旨在创造具备与人类智能相媲美的系统，能够执行人类可以完成的任何智力任务 [2,3,4,5,6,8,9,10,11,12,13,14,15,16,17,19,20,21,22,23,24,26,27,28,29,30,31,33,35,36,39,41,42,44,46,49]。这种“类人智能”是 AGI 定义的核心，它不仅仅局限于执行特定或预设的任务，而是强调系统需要具备理解、学习、和应用知识的能力，以此来应对广泛的任务和环境 [2,5,9,11,13,20,33,35,39]。​

在对 AGI 的概念进行界定时，“通用性”和“类人智能”是两个被反复提及的关键要素。“通用性”指的是 AGI 不仅能在特定领域表现出色，更需要能够跨领域、跨任务地应用知识和技能 [2,5,13,15,19,25,35]。例如，正如 [15] 中所举例，一个能够精通围棋的 AGI 系统，也应能迁移学习能力至象棋或其他领域。这种通用性与窄域 AI 形成鲜明对比，后者虽然在特定任务上表现卓越，但在任务迁移和泛化能力方面存在局限。而“类人智能”则强调 AGI 需要模仿人类的认知能力，包括逻辑思维、问题解决、感知、自然语言理解，以及更深层次的推理、规划、创造力甚至是情感理解 [10,12,14,19,20,21,27,28,29,35,39,42]。值得注意的是，[12] 进一步指出，AGI 的“类人智能”不仅仅是高级功能的堆砌，更应包含人类推理中固有的细致入微的思维过程，例如情感意识、创造性思维和伦理推理，这些往往是被传统狭义 AI 模型所忽略的。​

尽管对 AGI 的具体实现路径和时间表存在争议，但对 AGI 核心特征的描述在不同文献中呈现出较高的共识。综合来看，AGI 的概念框架可以被构建为包含以下几个核心特征：​

•
通用性：跨领域、跨任务的智能，能够处理各种不同的任务和情境，而不仅仅是预先设定的特定任务 [2,5,13,19,21,25,35]。​

•
自主性：具备自主学习、自主适应环境、自主解决问题的能力，无需过多的人工干预 [9,11,23,33,35]。​

•
学习能力：能够从经验中学习，不断改进自身性能，并能快速学习新任务和适应新环境 [5,9,13,14,15,19,27,31,33]。​

•
推理能力：具备类似人类的推理和逻辑思维能力，能够进行抽象推理、常识推理和伦理推理 [10,12,24,27,28,35,39,42]。​

•
认知能力：涵盖视觉、语言、理解情境、思考、规划、创造力、情感意识等多种人类认知技能 [10,12,14,19,20,21,27,28,29,35,39,42]。​

值得注意的是，尽管 [33] 和 [13] 两篇文章都将 AGI 定义为人工智能领域的重要进展，并强调其“通用性”、“类人智能”等核心特征，但它们在侧重点上略有不同。[33] 更侧重于 AGI 的自学能力和自主性，强调 AGI 能够“执行未明确训练或开发的任务，具备自主自控、一定程度的自我理解和学习新技能的能力”，并将其视为一种“假设的计算机程序，具有人类的理解力和认知能力”。而 [13] 则更着重于 AGI 的能力范畴，强调 AGI 能够“跨广泛任务理解、学习和应用知识”，并能“解决问题、进行抽象思维并适应新情况”。这种侧重点的细微差异，反映了在 AGI 概念界定中，研究者们对智能的不同维度的关注。​

总而言之，通用人工智能的概念界定在学术界已初步达成共识，即 AGI 是一种旨在模仿人类智能，具备通用性、自主性、学习能力、推理能力和广泛认知能力的人工智能形态。尽管目前 AGI 仍处于理论和发展阶段 [2,9,11,13,19,23,33]，但其概念框架的逐渐清晰，为未来的研究和发展奠定了重要的理论基础。随着技术的不断进步和对人类智能更深入的理解，AGI 的概念界定也将持续演进和完善。​

1.3 垂类人工智能的概念界定

垂直人工智能的概念界定是理解其在当前人工智能发展格局中地位的关键。多篇文章摘要均提及了窄域人工智能，作为理解垂直人工智能的基础。窄域人工智能，也被称为弱人工智能，被定义为专注于执行特定任务或功能的人工智能系统 [14,35,36,42]。这些系统在预定义的参数和任务范围内运行，且从特定任务中获得的知识难以迁移到其他领域 [14,30,33]。例如，窄域人工智能擅长于人脸识别、欺诈检测或用户偏好预测等特定任务 [30,42]。​

与窄域人工智能相比，垂直人工智能被认为是窄域人工智能在特定行业或垂直领域深化的具体体现 [32,40]。两篇文章的摘要均强调了垂直人工智能的行业专属性。“垂直人工智能是为目标行业设计的行业专用人工智能” [40]，并且“垂直人工智能代理是为特定行业或领域构建的人工智能系统，旨在解决特定领域的独特挑战，例如医疗保健、金融或零售” [32]。这表明垂直人工智能的核心在于其行业专长性，是为解决特定行业的挑战而构建的。​

尽管如此，部分摘要也揭示了对“行业专长”和“定制化”理解的共通之处。例如，[32] 强调垂直人工智能代理的关键特征包括“行业专业知识”、“定制化数据模型”以及“精确性和准确性”，这些都突出了垂直人工智能为了在特定行业中有效运作而进行的深度定制和专业化。[40] 也指出，垂直人工智能的构建“具有深厚的领域专业知识”，并利用“定制化数据模型和行业知识进行优化” [33]。这种定制化不仅仅是技术层面的调整，更深入地融入了行业专有知识，确保人工智能系统能够更好地理解和解决行业内的复杂问题 [4]，例如处理非结构化数据，这在金融、保险和法律等领域尤为重要 [40]。​

总结而言，垂直人工智能的关键特征可以归纳为以下几点：

1.
行业专长性：垂直人工智能是面向特定行业或垂直领域设计的，专注于解决特定行业的独特挑战和需求 [17,32,40]。​

2.
定制化数据模型：为了在特定行业内实现更高的精度和效率，垂直人工智能通常采用针对行业特点优化的定制化数据模型 [30,32,33,40]。​

3.
行业专有知识融入：垂直人工智能的开发和应用需要深入理解行业的工作流程、专业知识和术语，确保系统能够无缝融入并提升行业运作效率 [4,40]。​

因此，垂直人工智能可以被视为窄域人工智能在行业应用场景下的细化和深化，它继承了窄域人工智能在特定任务上表现出色的特点，并在行业专业性、定制化和行业知识融合方面更进一步，从而在特定行业中实现更高的应用价值和效率提升。​

1.4 核心研究问题与综述目的

本综述旨在全面考察通用人工智能（AGI）与垂类人工智能（Vertical AI）的发展现状、核心差异及未来趋势，从而为学术界和产业界提供有价值的参考。核心研究问题聚焦于当前人工智能领域两个关键方向的辨析与展望：通用人工智能与垂类人工智能各自的发展现状如何？两者之间存在哪些本质区别与联系？未来人工智能发展应侧重于通用人工智能还是垂类人工智能，抑或是两者协同发展？[17,27]。​

多篇文献摘要均突显了对通用人工智能（AGI）概念、发展路径、技术挑战及其与窄域人工智能（Narrow AI）或垂类人工智能区别的深切关注[5,6,8,10,12,15,16,19,20,21,22,23,24,26,28,29,35,37,41,43,46,49]。​

研究目的在于系统梳理和分析通用人工智能与垂类人工智能的定义、特点、优势、局限性以及未来发展趋势[3,9,14,25,31,36,42]，并深入探讨二者在人工智能整体发展中的角色和相互关系。​

此外，大量研究聚焦于通用人工智能的实现路径和关键技术。例如，部分研究探讨了如何借鉴脑科学和认知架构来构建具备类人推理能力的AGI系统，也有研究关注如何利用深度学习和神经网络等技术进步推动AGI发展，并应对随之而来的伦理与安全挑战。值得注意的是，还有研究开始关注通用人工智能与当前以大型语言模型（LLMs）为代表的AI技术之间的差距与联系，评估LLMs在通往AGI道路上的作用与局限性。​

另一方面，垂类人工智能作为解决特定领域问题的有效方案，其发展现状、行业应用以及与通用人工智能的协同发展模式同样值得深入研究[4,32,40]。部分文献还探讨了人工智能技术，特别是在通用人工智能发展背景下，对劳动力市场和社会经济可能产生的深远影响[47]。​

基于上述核心研究问题和综述目的，本章节旨在为后续章节的展开奠定基础，并预告综述的主要内容和结构。后续章节将围绕通用人工智能与垂类人工智能的概念内涵、技术路径、发展挑战、伦理安全以及未来趋势等多个维度展开深入探讨，力求系统全面地呈现该领域的研究图景，为未来的研究和实践提供有益参考。​

2. 窄域人工智能与垂类智能体：概念、应用案例与发展瓶颈

本章节旨在深入探讨窄域人工智能（窄域人工智能）与垂类智能体（垂类智能体）的概念、应用案例与发展瓶颈。窄域人工智能，又常被称为弱人工智能或人工狭义智能（ANI），在多篇文献中被定义为专注于执行特定任务的人工智能系统 [9,14,19,25,33,35]。这些系统被设计为在预定义的规则和参数下运行，依赖于预先设定的程序、算法和数据集，以模仿特定领域的人类智能 [9,14,19,25,31,33]。尽管窄域人工智能在特定任务上表现出色，甚至在某些领域超越人类，但在通用性和跨领域能力方面存在根本局限 [5,19,20,21,36]。​

本章节将首先对窄域人工智能和垂类智能体的概念进行对比和综合的界定，分析它们的核心特征和相互关系。随后，将深入研究窄域人工智能和垂类智能体在通用领域及各个行业的应用案例，归纳出最重要的应用领域，并进行分类。在此基础上，本章节将总结现有文献对窄域人工智能和垂类智能体优缺点的分析，并识别当前研究中可能存在的不足或结论不明确的领域。通过构建窄域人工智能和垂类智能体的完整画像，本章节旨在肯定其现有成就的同时，也客观地指出其发展瓶颈，并探讨窄域人工智能向垂类智能体发展的趋势及其动因。最后，本章节将批判性地评估不同文章观点的差异、冲突和局限性，识别当前研究的不足之处和潜在偏见，并基于以上分析，提炼对后续研究方向的启发和建议。​

本章节的首个子章节将聚焦于窄域人工智能的概念与通用应用，为全面理解窄域人工智能奠定基础。​

2.1 窄域人工智能 (Narrow AI) 的概念与通用应用

窄域人工智能，又常被称为弱人工智能或人工狭义智能（ANI），在多篇文献中被定义为专注于执行特定任务的人工智能系统 [9,14,19,25,33,35]。这些定义普遍强调窄域人工智能的任务特异性和范围有限 [9,14,19,25,31,33,35,36]。多篇文章指出，窄域人工智能被设计为在预定义的规则和参数下运行，依赖于预先设定的程序、算法和数据集，以模仿特定领域的人类智能 [9,14,19,25,31,33]。这种类型的人工智能系统虽然在特定任务上表现出色，甚至在某些领域超越人类，例如国际象棋（Deep Blue）和问答系统（Watson） [5]，但在通用性和跨领域能力方面存在根本局限 [5,19,20,21,36]。​

核心特征方面，可以总结出以下几点共识：

•
任务特异性：窄域人工智能被明确设计和训练用于执行特定的、预先确定的任务 [5,6,9,13,14,19,25,31,33,35,36]。无论是面部识别、天气检查、下棋、文本生成还是客户咨询，窄域人工智能的能力都限定在特定的任务框架内 [24,31,40]。​

•
范围有限：窄域人工智能的操作和学习范围受到严格限制，无法泛化到未训练或未预设的任务或领域 [5,9,14,19,25,31,33,35,36]。即使是最先进的生成式人工智能，如大型语言模型（LLM），也被认为是窄域人工智能，因为它们难以将其在文本生成等领域的成功经验迁移到其他领域 [24,33]。​

•
缺乏通用智能：这是窄域人工智能与通用人工智能（AGI）最本质的区别 [5,10,13,14,19,20,21,25,35]。窄域人工智能无法像人类一样跨领域学习和应用知识，不具备常识和自我意识 [19,21,25]。​

4/21/2025, 7:21:50 PM_AI通用智能体和垂类智能体发展情况综述​

4/21/2025, 7:21:50 PM_AI通用智能体和垂类智能体发展情况综述