AI技术演进路线分析：从大模型、推理模型到Agent与Physical AI的能力跃迁

过去几年，AI行业几乎每隔几个月就会出现一个新的模型。从GPT-3、ChatGPT，到GPT-4、Gemini，再到o1、DeepSeek-R1、Claude Computer Use和各种Agent产品，模型名字越来越多，能力排行榜也越来越长。

我们发现过去几年的AI演进其实有一条非常清楚的主线：AI正在从“生成内容”，逐渐走向理解环境、推理问题、调用工具、执行任务和完成工作。换句话说，真正发生变化的，不只是模型越来越聪明，而是AI能够承担的“工作单位”越来越大。

这件事情对制造业尤其重要。因为制造业真正需要的，从来不只是一个能够回答问题的大模型，而是AI能不能进入生产流程，理解现场、分析异常、调用系统、协同决策，最终把数字世界里的判断转化为真实的生产动作。

从这个角度重新看过去几年的AI，会发现从Generative AI、Reasoning AI，到Agentic AI和Physical AI，本质上是一条从“会回答”走向“会工作”，再走向“会执行”的路线。

一、从GPT-3到Agent：AI能力边界是怎样一步步扩大的？

2020年前后，大模型行业最核心的问题还是Scaling：模型是不是足够大、数据是不是足够多、计算量是不是足够高。OpenAI在2020年关于语言模型Scaling Law的研究中已经表明，模型性能与模型规模、数据规模和训练计算量之间存在相对稳定的幂律关系。这套逻辑随后推动了大模型能力快速提升。

但接下来的几年里，行业竞争的重点不断变化。从“能不能生成”，到“能不能理解”，再到“能不能推理”和“能不能行动”，AI能力边界开始持续向外扩展。

• GPT-3阶段解决的问题是“AI能不能生成像人一样的语言”，真正改变了人与模型的交互关系。过去需要通过API、Prompt Engineering调用模型，ChatGPT则把模型变成了可以连续交流的助手，大模型第一次真正成为大众级产品。
• 到了GPT-4o和Gemini 1.5，多模态开始进一步改变AI的输入边界。GPT-4o可以统一处理文本、视觉和音频信息，而Gemini 1.5 Pro将长上下文能力扩展到百万Token级，并能够同时处理大量文本、代码、图像、音频和视频信息。AI开始从“理解一句话”，逐渐向“理解一个复杂信息环境”发展。
• 2024年底到2025年，变化再次加速。OpenAI o1、DeepSeek-R1、Gemini 2.5等模型把行业注意力从单纯的预训练规模进一步带向Reasoning。DeepSeek-R1在后训练阶段大规模使用强化学习提升数学、代码和逻辑推理能力；Google也直接将Gemini 2.5定义为“Thinking Model”，强调模型在回答之前进行推理。
• 2024年10月，Anthropic为Claude 3.5 Sonnet加入Computer Use能力，使模型能够观察电脑屏幕、移动鼠标、点击按钮和输入文字。2025年，OpenAI推出Operator及其背后的Computer-Using Agent，让AI能够观察网页、制定多步计划，通过点击、输入和滚动完成任务，并在遇到问题时进行自我修正。这意味着AI第一次完成 “Goal → Plan → Tool → Action → Observation → Next Action”整个执行动作。
• 到了Claude 4和GPT-5，行业进一步向Long-horizon Agent推进。Anthropic在Claude 4发布时明确强调其对复杂、长时间运行任务和Agent Workflow的持续执行能力，Claude Opus 4甚至被用于连续数小时的复杂任务；GPT-5则进一步强化了Coding、Agentic Tasks以及长链工具调用能力。

因此，如果把这些模型名称全部拿掉，过去几年的AI演进实际上可以被压缩成一条非常简单的路径：会生成 → 会对话 → 会感知 → 会推理 → 会调用工具 → 会执行任务 → 会完成工作。而下一步，正在从数字世界继续走向物理世界。

二、真正的变化：AI竞争正在从“模型能力”走向“工作完成能力”

如果第一阶段的大模型竞争，核心还是谁的模型更大、知识更多、Benchmark更高，那么现在AI行业正在进入一个明显不同的阶段。未来几年的竞争重点，很可能不再只是模型本身，而是：谁能让AI更稳定、更长期、更低成本地完成真实工作。

这背后至少有四个非常明显的趋势。

• 从“回答问题”走向“完成目标”
  
  过去用户与AI交互时，最常见的方式是：提出一个问题，然后等待一个回答。这种交互方式决定了模型主要被当作“知识工具”或者“内容生成工具”。但Agent出现之后，输入正在从“问题”变成“目标”。例如过去用户会问：“这份质量报告里有什么异常？”未来更可能是“找到这批产品良率下降的原因，并给出处理方案。”
  
  这两句话看起来差别不大，但背后对AI能力的要求完全不同。前者只需要分析一份材料。后者需要AI自己判断：应该查询哪些数据；需要调用哪些系统；应该先看设备还是质量；是否需要进一步查询历史案例；什么时候信息已经足够；最后如何形成一个可执行方案。这意味着“目标完成”会逐渐取代“回答质量”，成为衡量AI能力的重要指标。
  
• 从单次推理走向Long-horizon Workflow
  
  第二个明显趋势，是AI处理任务的时间尺度正在拉长。早期大模型的工作大多发生在几十秒以内。输入一个Prompt，生成一个结果，任务结束。但真实工作通常不是这样的。一个采购分析、一项软件开发、一轮质量异常处理或者一次生产计划调整，都可能持续几十分钟、几个小时，甚至跨越多天。
  
  因此下一阶段AI真正困难的问题不是某一步能不能做对，而是连续几十步以后，还能不能把整件事做对。这要求AI具备过去单轮模型并不强调的能力：保持长期目标、记住已经完成的步骤、识别中间结果、发现错误、重新规划、调用多个工具、在环境发生变化时调整策略。也就是说，未来Agent的核心能力会越来越接近一个“持续运行的工作系统”，而不是一个更聪明的聊天机器人。
  
• 从“一个超级Agent”走向“Agent协同系统”
  
  第三个趋势，是行业开始逐渐意识到，真正需要的可能不是一个无所不能的超级Agent。因为真实工作天然就是专业分工的。一个模型同时负责财务、采购、研发、生产、质量、设备和法律，不仅很难做到每个领域都足够专业，权限管理和责任边界也会越来越复杂。
  
  因此更加现实的方向是专业 Agent 之间协同。不同职能的Agent分别拥有不同的数据权限、工具和专业知识，再通过更高层的协调机制共同完成一个复杂工作。所以说，不是简单比较“哪个模型最聪明”，更重要的是哪个AI系统能够把模型、工具、数据、权限、流程和不同Agent组织起来，稳定完成复杂任务。
  
• 从数字世界进一步走向物理世界
  
  AI开始向Physical AI发展。到目前为止，大多数Agent的行动仍然发生在数字环境里。但真实世界还有大量工作并不存在于电脑屏幕里。搬运物料、插入线缆、操作设备、完成装配、巡视厂区等等，这些任务都需要AI理解真实环境，再把判断转化为物理动作，这就是Physical AI。
  
  如果说Agent解决的是AI如何使用数字工具。那么Physical AI解决的就是AI如何使用物理世界中的工具和身体。机器人、AMR、人形机器人、自动驾驶，以及各种自主设备，本质上都会成为AI新的执行终端。

三、对制造业来说，AI正在从“辅助工具”进入生产闭环

制造业真正困难的，从来不是生成一个答案，而是把一个判断安全、稳定、及时地变成一个生产动作。以一个最常见的质量异常为例。假设某条生产线突然出现良率下降。如果使用早期的Generative AI，可以做什么？它可以帮工程师搜索SOP、整理历史异常案例、解释某个工艺原理，甚至根据输入的信息生成一份RCA报告。

这些能力当然有价值，但它仍然处在生产流程之外。真正处理一个质量异常，工程师可能需要进一步查询当前生产批次，读取设备状态，对比工艺参数，检查AOI结果，查看过去类似异常，判断潜在原因，再决定是否调整参数、维修设备或者暂停某批产品。这就是Reasoning AI开始发挥价值的地方。

但这仍然不意味着工作已经完成。如果分析之后还需要人重新登录MES、QMS或者设备管理系统，再手工创建工单、调整任务和通知相关人员，那么AI仍然只是“建议者”。

Agentic AI带来的真正变化，就是开始连接这些系统。例如一个质量Agent可以从MES获取生产批次；从QMS读取质量数据；调取设备报警；比较当前参数和标准参数；查询历史相似异常；完成RCA；给出处理建议；并根据权限生成质量或维修工单。

此时，AI才第一次真正进入了生产流程。因此，从制造业视角看，过去几年的AI演进可以重新理解成四个阶段。

• Generative AI解决“信息问题”。它帮助人查知识、写报告、生成代码、总结SOP，提高信息获取和知识工作的效率。
• Reasoning AI解决“判断问题”。它进一步进入质量分析、RCA、参数优化、设备诊断、计划推演等复杂场景，帮助工程师缩短分析和决策时间。
• Agentic AI解决“流程问题”。AI开始连接MES、ERP、QMS、WMS、EAM等系统，从“给出建议”进一步进入“执行任务”。
• Physical AI解决的是最后一公里——执行问题。当数字世界里的AI判断可以进一步传递给机器人、AMR、自动化设备和其他Physical AI，AI才真正具备改变物理生产过程的能力。

制造业真正需要的，是AI逐渐具备三种能力：理解工厂、参与决策、进入执行。当这三件事情真正连起来以后，AI才会开始从生产辅助工具，变成生产系统的一部分。

四、工业富联科技服务在把“会回答的AI”变成“会工作的AI”

当AI从生成内容走向推理决策，再从Agent走向Multi-Agent和Physical AI，制造业面临的核心问题也随之改变：如何让AI不只是理解制造知识，而是真正连接生产系统、参与业务流程，并进一步与机器人和自动化设备协同，形成完整的生产闭环。

围绕这一方向，工业富联科技服务正在推进MoMClaw制造智能体与Factory Brain工厂大脑，将大模型的推理能力、Agent的工具调用能力和制造现场的系统与设备连接起来，推动AI从辅助分析走向实际业务执行。

MoMClaw将AI能力与制造系统和业务工具连接，让Agent能够围绕具体任务进行分析、调用和执行。例如，在设备管理场景中，Agent可以结合设备报警、运行状态、维修记录和历史案例开展根因分析，辅助生成处理建议，并通过系统工具衔接后续维护流程。

目前，MoMClaw正围绕Equipment、Logistics、Quality、Automation及Humanoid等制造领域扩展智能体能力，将AI应用从单一知识问答延伸至设备管理、质量分析、物流调度和自动化作业等实际场景。在相关应用中，已实现根因分析时间缩短80%、人员效率提升15%、设备故障减少10%的成效。

同时，工业富联科技服务进一步构建Factory Brain工厂大脑。Factory Brain以多智能体协同为核心，将生产、质量、设备、物流等专业Agent组织起来，使不同智能体能够共享业务上下文、协调任务，并围绕交付、质量、效率、库存和成本等目标进行综合决策。未来，将进一步连接Physical AI，通过机器人、AMR及自动化设备将决策转化为实际生产动作，并将执行结果重新反馈给系统。

AI技术的下一阶段，竞争重点将进一步从模型能力转向实际工作完成能力。对制造业而言，真正的价值不在于部署多少AI模型或智能体，而在于能否将AI融入生产流程，让数据、系统、决策与执行形成持续优化的闭环。随着Agentic AI与Physical AI加速融合，制造业智能化也将从单点应用走向跨系统协同，从辅助决策走向自主执行。未来制造业AI的竞争力，将越来越取决于能否把模型能力转化为可规模化、可持续优化的实际生产力。