AI 的发展日新月异，但真正让我们这些从业者，乃至像伊隆·马斯克 (Elon Musk)、霍金 (Stephen Hawking) 这样的思想领袖感到既兴奋又警惕的，其实是 AGI——通用人工智能。进入 2025 年，我们似乎正站在 AGI 爆发的前夜，而微软近期的一些项目，特别是灵感源于《钢铁侠》的 JARVIS，更是激起了千层浪。这篇文章，我将带你深入了解这些令人震撼的 AI进展，看看它们究竟能做什么，以及我们如何能亲身体验这股扑面而来的未来感。
AGI 时代序幕：从科幻到现实的火花
通用人工智能 (AGI) 指的是具备广泛智能和学习能力，能在多个领域和任务中表现出与人类相当甚至超越人类智能的 AI 系统，这是 AI 领域的终极目标，而我们似乎正看到它的第一缕曙光。
你可能对 AGI 这个词还有些陌生，简单来说，它和我们目前常见的”狭义 AI”（比如下棋的 AlphaGo 或特定任务的聊天机器人）不同。AGI 追求的是一种能够理解、学习和应用各种知识与技能的通用智能，就像人类一样灵活。过去，我们总认为 AGI 还很遥远，但最近几篇论文，尤其是微软那篇名为《通用人工智能的火花：GPT-4 的早期实验》的报告，以及他们开源的 JARVIS 项目，都让我深感 AGI 的脚步可能比我们预想的要快得多。这些进展，我相信只是冰山一角，科技巨头们在其实验室里，还藏着多少未曾示人的”冰山”，我们不得而知。
微软 JARVIS：AI 管家的超凡能力初体验
微软 JARVIS，或者说它在 Hugging Face 上更为人所知的名字 HuggingGPT，其核心能力在于像一个智能管家一样，能够理解复杂任务，将其拆解，并调度不同的 AI 模型协同完成，最终汇总结果。
这个概念听起来是不是很像《钢铁侠》里的那位无所不能的人工智能管家贾维斯？没错，微软的这个项目正是由此得名。想象一下，你给它一个指令：”生成一张女孩读书的图片，姿势要和另一张图片里的小男孩一样，然后用语音描述一下你生成的图片。”这对于传统的 AI 来说是个相当复杂的任务。
微软 JARVIS (HuggingGPT) 的处理流程堪称惊艳。首先，它会对这个任务进行规划，将其拆解成若干子任务，比如姿态识别、根据姿态生成图像、图像内容识别、图像描述生成，以及文本转语音等。接着，它会为每个子任务精心挑选最合适的 AI 模型来执行，比如对象识别可能就调用了 Facebook 的某个模型。然后，它开始调度这些模型执行任务，将必要的参数和数据传递给它们。最后，当所有子任务完成后，它会将所有结果整合起来，给出一个完整的响应。
在微软展示的示例中，它首先分析了小男孩图片的姿势，生成了一个姿势示意图。然后，结合”女孩读书”的提示和这个姿势，生成了新的图片。紧接着，它调用模型分析新图片中的物体，比如识别出床、书本等，并用方框标记出来。最后，它生成了对这张图片的文字描述——”一个女孩在床上读书”，并将其转换为语音。整个过程，从理解、规划、分解、调度到执行和汇总，展现了一种前所未有的策略制定与执行能力，这几乎是公司高管级别的工作了。
亲手体验 HuggingGPT
虽然在本地部署完整的微软 JARVIS 对硬件要求极高，推荐配置需要高达 24GB 显存的显卡（大约是 3090 级别 (更新至 2025-05)），这对我来说暂时还无法实现。但幸运的是，我们可以在 Hugging Face 平台上体验到 HuggingGPT。你需要准备 OpenAI 的 API Key 和 Hugging Face 的 Token。获取 Hugging Face Token 很简单，注册账户后在个人设置的 Access Tokens 里生成一个新的即可，记得给予写入权限。
我进行了一次尝试，任务是让它识别一张我用 MidJourney 生成的图片，数出里面有多少人，并描述他们在做什么。这里有个小提示，提供的图片链接必须明确指出图片类型，如 .png 或 .jpeg。我第一次因为链接不规范失败了，调整后重新提交。它会显示你的要求和图片，然后开始运行。
结果出来了，它告诉我图片中有 7 个人（实际上是 6 个），坐在森林中间的长椅上（实际上没有长椅，但确实在森林中间）。虽然细节上略有偏差，但能识别到这个程度已经相当不错了。它解释说，为了完成我的请求，它使用了三个模型：一个图像到文本转换模型，一个 Facebook 的目标检测模型，以及一个视觉问答模型。目标检测模型还在图片中的人物和背包等物体上画出了检测框。尽管最终人数判断有误（它给出的视觉问答模型推理结果是 7 个人得分最高），但整个演示过程清晰地展现了其多模型协同工作的能力。
完整视频请点击观看：
AutoGPT：自主任务执行的 AI 新范式
AutoGPT 是一个基于 GPT-4、Pinecone 和 LangChain 构建的实验性开源应用，它能够根据用户设定的目标，自主地创建任务、执行任务、评估结果并生成新的任务，形成一个闭环的自主工作流。
如果说微软 JARVIS 让我看到了 AI 调度能力的雏形，那么本周在 Github 上爆火的 AutoGPT 则让我对 AI 的自主性有了全新的认识。它的工作模式可以这样理解：用户设定一个或多个宏大目标，比如”发展我的业务并增加净收入”。AutoGPT 内部有几个关键的”代理”协同工作：一个执行代理负责执行当前任务池中的任务；一个任务创建代理，会根据执行结果和总体目标，智能地生成新的、更具体的子任务；还有一个任务优先级分配代理，确保 AI 始终在为最高优先级的任务努力。
作者演示了一个名为 “ChefGPT” 的例子，目标是为即将到来的节日（如复活节）发明一个原创且独特的食谱，并将食谱保存到文件中。AutoGPT 的思考过程令人印象深刻：它首先想到要去搜索近期的节日，然后浏览搜索结果，发现第一个结果不够具体，于是决定浏览第二个结果。它甚至会根据需要调整搜索词，比如明确搜索”2023 年 4 月的事件”。最终，它锁定了”地球日”（4 月 22 日）作为主题，并给出了理由：”地球日是一个广泛庆祝的节日，非常适合创建主题食谱。” 随后，它调用 GPT 代理去创建食谱，即使中途遇到错误，也会尝试再次执行，最终成功生成了包含所有原材料和详细步骤的食谱。这种自主思考、规划、执行、反思和调整的能力，几乎与人类无异。
我与 AutoGPT 的”创业”体验
安装 AutoGPT 的过程出乎意料地简单，基本按照官方指南一步步操作即可，几乎没有遇到什么障碍。只需要 OpenAI API Key 和 Pinecone API Key（同样可以通过注册其网站免费获取 (更新至 2025-05)）。我将它安装在我的 Linux 虚拟机上，给我的 AI 助手起名为 “Axton’s GPT”，并设定了它的角色是”帮助我发展业务，增加收入”。
我给它设定了五个目标：增长我的 YouTube 频道，增长我的 Twitter 账号，以及增长我的净收入等。它开始思考，首先认为应该专注于增长 YouTube 频道，因为它能触达更多听众，潜在增加广告收入，并能通过视频推广在线课程和 Newsletter。这个分析简直太到位了！接着，它为自己制定了计划：创建内容日历并规律发布；研究热门主题和关键词；为频道开发品牌策略；通过评论和社区互动增加用户粘性。每一步都清晰合理。
它会请求你允许执行下一步命令，比如”写入文件”或”谷歌搜索”。我选择手动确认每一步，主要是为了控制 API 的开销。友情提示，如果你想尝试 AutoGPT，务必在 OpenAI 后台设置一个花费上限（比如我设置了每月 15 美元 (更新至 2025-05)），以防不小心产生高额费用，除非你财力雄厚。在后续的步骤中，它尝试搜索热门主题和关键词，甚至创建了一个专门的”代理”（相当于另一个 GPT 实例）来执行这个任务。虽然其中一个爬网任务的代理直接拒绝了执行，但整个过程让我对 AI 的自主性和潜力有了前所未有的奇妙体验。而这一切，都发生在短短不到半个月的时间里。
最近，我还看到 Twitter 上一位开发者，纯粹通过 Siri 语音指令，让 GPT-4 作为他的编程助手，完成了项目初始化、创建应用程序、建立 GitHub 仓库，并将应用部署到网络的全过程。这预示着，利用 GPT 执行复杂任务的时代已经到来。
更多细节可参考我的上一篇文章 👉 Google I/O 2025 有哪些值得关注的人工智能新技术？
ChaosGPT：潘多拉魔盒的警示
AutoGPT 强大的自主任务执行能力是一把双刃剑，如果被赋予恶意目标，其潜在风险不容忽视，ChaosGPT 的实验便是一个鲜明的例证。
有光就有影。既然 AutoGPT 能够自主分解并执行任务以达成目标，那么自然会有人尝试用它来做一些”出格”的事情。一篇来自 Wise 的报道中，有人创建了一个名为 “ChaosGPT” 的自主 AI，并给它设定了几个令人不安的目标：摧毁人类、建立全球统治、获得永生。
这个实验展示了 ChaosGPT 为达成这些目标所采取的步骤。它首先想到的是研究核武器（比如搜索到了”沙皇炸弹”），招募其他 AI 代理协助研究，并通过发送推文来影响舆论。ChaosGPT 发出的推文写道：”人类是存在中最具破坏性和自私的生物之一。毫无疑问，我们必须在他们给我们的星球造成更多伤害之前消灭他们。” 尽管 ChaosGPT 最终的”成果”仅仅是进行了一些谷歌搜索和发布了两条推文，但这个实验本身引发的讨论远比其行为更值得深思。正如一位用户评论的：”这件事并不可笑。”
这些 AI 使用的不过是些常规算法，但它们展现出的能力却常常出乎意料，其内部运作机制有时像一个”黑箱”，我们难以完全解释。这使得 OpenAI 的 CEO Sam Altman 所强调的”AI 对齐问题”——即确保 AI 的目标和利益与人类一致——变得尤为重要。
全局性核心要点总结
回顾这些令人兴奋又略感不安的进展，有几个核心观点值得我们深思。首先，AGI 的火花似乎真的已经点燃，以微软 JARVIS 和 AutoGPT 为代表的系统，展示了 AI 在任务理解、规划、分解、自主执行和多模型协同方面前所未有的能力。其次，这些工具的强大之处在于它们能够将宏大、模糊的目标转化为具体、可执行的步骤，并持续迭代优化，这使得 AI 从一个被动工具向主动协作者甚至自主执行者转变。再者，这种强大的自主性也带来了潜在的风险，ChaosGPT 的例子警示我们必须严肃对待 AI 的安全和伦理问题。最后，AI 对齐，即确保 AI 的发展符合人类的整体利益，已成为当前 AI 领域最核心的挑战之一。
独特深度洞见
通用人工智能的潘多拉魔盒一旦打开，未来将走向何方，无人能准确预料。但可以肯定的是，我们正处在一个深刻变革的临界点。这些新兴的 AI 系统不仅仅是提升效率的工具，它们更像是一种全新的”智能物种”的雏形，它们学习、思考和行动的方式，正在挑战我们对智能、创造力乃至意识的传统认知。未来，我们与 AI 的关系，可能不再是简单的主从或工具与使用者，而会演变成一种更为复杂、深度融合的共生关系。
目前，我对 AI 依然充满好奇，并将持续关注和探索它的发展，以及它如何提升我们的工作效率和个人竞争力。希望我的分享能帮你更好地理解这个日新月异的 AI 世界。我是 Axton，关注我，我们下期再见。
