AI笔记01丨 GPT-5 之后，AI 的下一步是长出身体，大模型从入门到精通，收藏这篇就足够了

关注

原创最新推荐文章于 2026-09-14 10:42:18 发布 768 阅读 AI 写同款· GEO 优化 ›

2025年AI领域最值得关注的5大技术突破 2025年，AI领域正迎来一系列重大突破，这些技术不仅将改变行业格局，还可能重塑我们的生活方式。传统AI依赖云计算，但2025年，**边缘AI（Edge AI）**让AI直接在手机、汽车、IoT设备上运行，减少延迟、提升隐私。过去，AI主要存在于计算机中，但2025年，**具身智能（Embodied AI）**让AI真正走进物理世界。：多模态AI将让机器更接近人类的“通感”认知能力，使AI在医疗、教育、娱乐等领域发挥更大作用。，如AI PC、AI手机、AI眼镜的普及。的物理交互，这些突破都将深刻改变社会。阅读详情

我左思右想，目前的想法是，借着GPT-5发布翻车事件，谈谈截至今天AI的技术发展路径，对AI的发展框架先建立清楚的认知，作为后续内容更新的大纲。当然，当前的发展路径也可能会因为未来的某篇论文而全面颠覆，那是以后的事了。

首秀翻车！GPT-5与AI发展曲折史

2025年8月8日凌晨1点，全世界的目光再次聚焦在旧金山。OpenAI首席执行官山姆·奥尔特曼，亲手揭开了新一代大模型——GPT-5的神秘面纱。那一刻，媒体的形容词是“划时代”“新王登基”，用户的期待值飙到天际。

图片来源：OpenAI官网

然而，短短几天后，赞美变成了失望。“反应比乌龟还慢”，“答案短得像打电报”，“连最基本的常识问题都能答错”，吐槽如雪片般飞来，全球社交平台一片哗然。

有人怀念起旧时代的温暖——“GPT-4o不仅能写代码，还在我焦虑、抑郁、人生最黑暗的时候陪伴我。它很温柔，很像一个真正的人。”反观GPT-5，像是一个被阉割了情感的天才，智商或许更高，但灵魂已被抽走。在全球用户的持续抗议下，OpenAI做出了史无前例的决定——为付费用户重新上线那个曾被“处决”的GPT-4o。

一个被宣告死亡的AI模型，在呼喊中“亡灵归来”。在科技史上，这是罕见甚至近乎不可思议的场景。这不仅仅是一次技术上的逆转，更是一场关于权力、情感与选择的抗争。用户的集体意志，第一次真正改变了顶级科技公司的航向。

这一事件，也让我看到——AI不仅是算法和算力的堆叠，它同样是情感的载体。而当这种情感链接被切断，技术再先进，也可能失去人心。（如果您想进一步了解GPT-5大模型，请登录OpenAI官网https://openai.com，需要科学上网）。

图片来源：OpenAI官网

接下来，简要聊聊一条更长的时间线：AI技术的发展路径——它是如何从“工具”变成“伙伴”，又将走向何方。

现阶段AI技术发展路径

AI的两条发展路径

1.非具身智能：不具备物理身体，在数字世界运行，通常表现为程序、算法等；例如ChatGPT、Deepseek等大模型。

2.具身智能：用物理实体来承载AI大模型，从而构成一个可感知真实世界、可理解问题并制定规划、可在真实世界中行动的智能系统，特点是形成“感知——行动”闭环；如人形机器人、自动驾驶、AI眼镜等。

图片来源：自绘

01 第一阶段：生成式AI（AIGC）

2012年深度学习革命开启以来，人工智能踏上了独特的发展之路。最初是感知AI，让机器能“看见”和“听见”，具备计算机视觉和语音识别能力。人脸识别（门禁、打卡）和语音助手（录音转文字）就是那个阶段的典型产物。

2022年，生成式AI（AIGC，Artificial Intelligence Generated Content）横空出世。从会“画图”的 DALL·E、Stable Diffusion，到会“聊天”的 ChatGPT，AI技术第一次走入全民视野。

1.单模态

模态（Modality）是啥？模态就是信息的表现形式，也可以理解成“感官的类型”。

（1）人类有五种感官：看（视觉）、听（听觉）、说（语言）、摸（触觉）、闻（嗅觉）；

（2）AI 的“模态”就是它能处理的数据类型：文字、图片、声音、视频、传感器信号等。

初期大模型以单模态为主，核心能力是用大模型生成单一模态的内容，说人话就是语言模型只能生成文本，图像模型只能生成图像，音频模型只能生成音频...

图片来源：自绘

2.多模态

单一模态的生成式AI，只是人工智能的“起步阶段”。多模态AI，才更接近真实的人类世界。毕竟，我们每天同时用视觉、听觉、触觉接收信息。多模态技术让机器不仅能读懂文字，还能看懂图像、听懂声音、分析视频。

图片来源：自绘

未来的大模型，必然会向多模态进化，让AI看得见、听得懂、能交流，甚至“感知”世界（简单测试了豆包的多模态能力，就问你怕不怕。如果您网上看到了一家心动的美食餐厅，却不知道位置，您可以问问豆包，答案绝对让您震惊，我甚至觉得这个功能后续可能会被监管使用）。

图片来源：手机截图

生成式AI目前正处于 “单模态为主、多模态快速发展” 的阶段，部分单模态模型已经迭升级为多模态模型。常见的生成式AI都有哪些？是谁在背后操盘？（大模型的训练，既要烧掉天文数字的资金，还要拿捏顶尖的算法技术。目前全球格局就是——中、美你追我赶，其他国家躺平选择默默吃瓜。）

图片来源：自绘

02 第二阶段：代理式AI（AI Agent）

在第一阶段，已经训练出功能强大的大模型，接下来怎么组织这些大模型为人类干活，就需要Agent（直译为代理商，我愿称之为包工头）出场。AI Agent 就像一个会自己跑腿的数字包工头——你只要提要求，它负责拆解任务、组织各类大模型和调用工具、处理问题并把结果汇报给你。

大模型和Agent有什么区别？

可以把大模型想象成一个超级聪明的大脑，里面装着海量的知识，问它问题，它会直接告诉你答案。而Agent就像是一个“能动的助手”——它不光会想，还会自己动手去做事。

举个栗子：

1.大模型像百科全书，你问“杭州明天天气怎么样？”，它会告诉你“多云，最高温 38℃”。

2.Agent 像一个贴心助理，你说“帮我安排明天去杭州的行程”，它会自己查天气、订机票、订酒店，还可能顺便帮你约好打车。

在软件领域，大模型正从单纯的“对话AI”向“干活AI”转变。2025年，被誉为通用Agent的爆发元年。对普通用户来说，Agent的存在感可能不强，但在特定场景和人群中，它的使用量增长尤为迅速——比如代码Agent、Manus、智能招聘Agent等。

图片来源：GitHub Copilot官网

Manus是最早出圈的通用Agent产品，自2025年3月发布后迅速走红。它能完成的任务多种多样——旅行规划、股票分析、PPT制作、网页开发……展现出极高的通用性。如今公司迁往新加坡，国内团队全部裁员，官网显示“Manus在您所在的地区不可用”。由于主要用户集中在海外，其实际增长速度可能比表面看到的更快。

图片来源：Manus官网

有兴趣的盆友，可以免费体验字节旗下的Agent产品扣子（Coze），某音上很多一天得罪一个博主系列，就是用扣子Agent调用搭建的工作流，实现批量快速生成。可自行创建工作流，也有大量模版供使用（网址https://www.coze.cn）。

图片来源：Coze

还有一款Agent产品叫Dify，和Coze一样，既可以在线使用（网址https://cloud.dify.ai），也可以本地部署，本地部署需要配置Docker虚拟环境，感兴趣的盆友可以耍一耍，B站上一堆教程。

图片来源：Dify

03 第三阶段：具身AI

经过前2个阶段的发展，AI不仅具有极高的智能，又能处理复杂的任务。为了让AI走出虚拟世界、进入真实世界，推动人类进入下一个生产力时代，这个“会思考的大脑”开始长出了“能感知和行动的身体”——具身AI诞生。

1.人形机器人

2025年春晚宇树机器人表演扭秧歌成功出圈，人形机器人正式进入大众视野。

图片来源：百度图片

人形机器人，是人类对“通用性”具身AI的终极想象。不同于只会干单一活儿的工业机械臂、扫地机器人，它们从一开始就被寄予“像人一样干各种活”的希望。毕竟，人类的工具和空间几乎都是按人来设计的——如果机器人完全拟人形态，双足、全尺寸，它的适用场景就几乎无限，这也是为什么这种形态最受关注。（下图列举了国内外知名的人形机器人产品及公司）。

图片来源：自绘

2.自动驾驶

小时候，我看过一部日本动漫《高智能方程式赛车》。主角风见隼人意外被车载AI“阿斯拉达”认定为唯一驾驶员，从此开启了高智能方程式史上最年轻冠军的传奇之路。那也是我对智能驾驶最初、最深的记忆。

图片来源：百度图片

2014年，特斯拉率先将自动驾驶辅助系统量产，宣告新能源汽车从“电动化”迈向“智能化”。国内，蔚来、小鹏、理想、华为、小米等新势力迅速跟进，“端到端大模型”（说白了就是输入→大模型→输出）依旧是那四个字——遥遥领先。到了2025年初，比亚迪不甘示弱，高调发起智驾大战，智能驾驶的角逐彻底进入白热化阶段。

图片来源：AIDC 研究报告 2025，泽平宏观

目前的自动驾驶还处在初级阶段，安全事故时有发生。各位大佬开车体验时，还是要小心，随时准备接管。为了防止车企过度宣传，监管部门也要求将“自动驾驶”更名为“自动驾驶辅助”。别慌，这并不是否定自动驾驶——只是它离真正落地，还需要一点时间。（附上近期懂车帝的组织的辅助驾驶综合测评结果，网络内容仅供参考，个人购买决策还需深入调研）。