人工智能不是某一天突然出现的。它从只能照指令办事的程序，一步步走到今天能理解目标、并自己拆解步骤去完成的系统。每一阶段都建立在前一阶段的想法和技术之上。
回头看这条路径，大致是：先有规则，再学会从例子中找规律，然后能识别更复杂的模式，接着变得能用人话交流，现在开始动手做事。
起点：人把规则写死
现代人工智能领域常被追溯到1956年达特茅斯学院的一场研讨会，研究者在那里探讨机器能否模仿人类智能的某些部分。最早的AI程序靠人写好的规则运转，能解谜题、证明数学命题、玩简单游戏，但前提是问题正好落在给定规则之内。一旦出现意外情况，它们通常无法适应。
这类系统可以理解为能力很强的指令执行者：能完成特定任务，却不会从经验中学习，也无法独自应对每一种情况。
转折：给例子，让机器自己找规律
研究者后来换了个问法：与其把每条规则都写出来，不如给计算机一堆例子，让它自己找模式。这个思路催生了机器学习。系统可以研究样本，比如标注好的猫和狗图片，学会区分两者，不需要有人把该看的每个特征都讲清楚。
机器学习支撑起了推荐系统、欺诈检测、语音识别等工具。AI变得更能适应，但大多数系统仍是一次只针对一类任务设计。
随着计算机变快、可用数据变多，深度学习让训练更大的神经网络成为可能。这类系统能从图像、语音和文本中学习复杂模式，语音助手、图像识别、语言翻译因此得到改善。深度学习系统不必依赖人去定义每一个有用特征，许多模式可以从数据中学到。AI更擅长理解不同类型的信息，但技能往往仍是割裂的：一个系统识别语音，另一个系统负责翻译，中间的连接要人来完成。
大模型：终于能好好说话
大语言模型改变了许多人与AI打交道的方式。人们可以用日常语言提问，获得写作、总结、头脑风暴或编程方面的帮助。AI因此显得更易接近，不需要懂特殊命令，也不需要了解系统背后怎么运作，只要描述自己想要什么。
但一个有用的回答，并不等于一件被完成的任务。语言模型可以解释如何查找信息或更新文档，却不一定能自己去做这些事。它也可能出错，把不确定的信息说得像真的一样。
现在：从回答问题到采取行动
今天的AI智能体建立在大语言模型之上，额外获得了使用工具的能力。视具体系统而定，智能体可能可以搜索网页、处理文件、运行代码，或与其他软件交互。
变化在于：给出一个目标，它可能把目标拆成步骤、调用工具、检查结果，然后继续推进。聊天机器人或许会建议怎么规划一趟旅行；智能体则可能去查选项、准备一份行程。编程助手或许会建议一处改动；智能体则可能直接编辑文件并运行命令。
不过，“AI智能体”这个词涵盖的系统，自主程度差别很大。有些需要频繁指示，有些能在较少监督下连续完成多个步骤。一项针对已部署智能体的调查发现，它们的能力和公开的安全信息都存在差异。
这一演进令人印象深刻，但今天的智能体仍会犯错：可能误解指令、选错工具，或在较长的任务中丢掉某个细节。斯坦福2026年AI指数报告称，AI系统在一项多步骤助手任务基准上有所提升，但仍落后于报告中的人类基线。
正因如此，信任和capability同样重要。一个起草邮件的智能体，和一个把邮件发出去的智能体不是一回事；一个准备下单的智能体，和一个完成下单的智能体也不是一回事。人们需要知道智能体能访问什么、能改变什么，以及它在什么时候应该先征求批准。
AI已经从遵循规则，走到从数据中学习、与人交流，并开始采取行动。下一步是让智能体足够可靠，能承担更复杂的工作，同时足够清晰，让人始终握得住控制权。