答案已发布21 来源
从规则程序到人工智能代理：AI 如何一步步学会预测、创作与行动
自“人工智能”一词于 1955 年诞生以来，AI 大致经历了从预测与分类，到生成内容，再到借助工具规划并执行任务的能力扩展。 传统 AI 擅长欺诈检测、信用评分和推荐等边界清晰的任务；生成式 AI 能创作文本、图像和代码，但可能产生“幻觉”；AI 代理则能执行多步骤工作流，却也可能把错误转化为现实行动。
研究答案
要点
- 自“人工智能”一词于 1955 年诞生以来，AI 大致经历了从预测与分类，到生成内容，再到借助工具规划并执行任务的能力扩展。
- 传统 AI 擅长欺诈检测、信用评分和推荐等边界清晰的任务；生成式 AI 能创作文本、图像和代码，但可能产生“幻觉”；AI 代理则能执行多步骤工作流，却也可能把错误转化为现实行动。
- 新加坡 2026 年发布的 AI 代理治理框架强调限制权限、采用最小权限原则、持续监控，并在敏感操作前设置人工审批节点。
AI 提示
openai.comCreate a landscape editorial hero image for this Studio Global article: How has artificial intelligence evolved over the past seven decades from traditional rule-based systems that classify data and predict outco. Article summary: Artificial intelligence has shifted from systems that followed human-written rules or learned narrow prediction patterns, to models that generate new content, and now to agents that can plan and act through software tool. Topic tags: general, government, education, academic, documentation. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, waterma
人工智能并不是通过一次次“推倒重来”发展到今天的。早期系统依靠人类编写的规则，或针对特定任务做出有限预测；如今，这些能力已经与能够生成内容的模型，以及可以规划任务、调用软件工具并代表用户采取行动的 AI 代理并存。
理解这条演进路径，最简单的方式是：预测 → 生成 → 规划与行动。每前进一步，AI 能做的事情更多；一旦出错，潜在后果也可能更严重。
1. 传统 AI：规则、分类与预测
早期 AI 研究很大程度上集中于符号推理：程序员把知识写成规则，再让系统搜索可能的解决方案。棋类程序就是典型例子——它们可以在明确的游戏规则内评估不同走法。计算机科学家约翰·麦卡锡在 1955 年提出了“人工智能”这一术语，并将其定义为“制造智能机器的科学与工程”。
后来，统计机器学习逐渐把一部分工作从人工编写规则转向从历史数据中学习模式。这类系统通常接收输入，并返回一个范围明确的结果，例如：
- 标记可疑交易；
- 估算信用风险；
- 预测医疗结果；
- 为商品或视频排序推荐；
- 识别人类语音背后的可能意图。
因此，现实中的传统 AI 不一定是纯粹的规则系统，往往是规则、统计模型和机器学习的组合。
为什么传统 AI 依然有价值
当目标清晰、数据相关，而且不同错误的成本可以衡量时，预测系统往往非常有效。它们能够快速处理海量信息，稳定地执行既定流程，并发现人类容易忽视的模式。
但它的优势也构成了局限：系统通常是为某一项定义明确的任务设计的。反欺诈模型可以为交易评分，却未必能读懂政策文件、撰写报告，或灵活应对完全陌生的情况。系统表现还取决于训练数据的质量，以及开发者选择优化的目标。
这在信贷、招聘、保险和医疗等领域带来了重要的伦理问题。历史数据可能复制社会偏见，难以解释的评分系统也会让受到影响的人难以提出质疑。相应的治理措施应包括：明确使用目的，进行准确性和公平性测试，保护隐私，为高影响决策提供解释，并保留人工复核机制。偏见、虚假信息和滥用并不只是聊天机器人的问题，而是更广泛的 AI 政策议题。
2. 生成式 AI：从预测标签到创作内容
生成式 AI 改变了用户与系统互动的方式：问题不再只是“它属于哪个类别”，而是“请根据这条指令创作或改写某种内容”。大型模型可以生成看似合理的文本、图像、音频和代码，应用于客服回复起草、翻译、辅导、法律材料摘要、软件开发辅助和创意工作等场景。
这类系统可以降低制作初稿所需的时间和成本，为复杂信息提供对话式入口，也能帮助专业人士以新的形式处理内容，而不只是自动完成某个固定决策。
核心弱点：像真的，不代表是真的
生成式模型可能用非常自信的语气，编造或错误陈述事实、来源、法律依据、医疗信息，甚至生成有问题的代码。美国国家标准与技术研究院（NIST）使用“虚构”（confabulation）一词描述这种现象，即“以自信的方式生成错误或虚假的内容”，通常也被称为“幻觉”。
因此，只要涉及事实准确性，核验就不可或缺。可采用的防护措施包括：从可信资料中检索信息，为重要结论提供引用，进行结构化评估，开展领域专项测试，并由具备资质的人进行复核。语言流畅的答案应被视为草稿或预测，而不是事实正确的证明。
生成式系统带来的更广泛风险
Studio Global AI
继续你的研究
此页面包含一个有来源支持的答案，您可以在 Studio Global 内继续。
人们还问
“从规则程序到人工智能代理：AI 如何一步步学会预测、创作与行动”的简短答案是什么？
自“人工智能”一词于 1955 年诞生以来，AI 大致经历了从预测与分类，到生成内容，再到借助工具规划并执行任务的能力扩展。
首先要验证的关键点是什么？
自“人工智能”一词于 1955 年诞生以来，AI 大致经历了从预测与分类，到生成内容，再到借助工具规划并执行任务的能力扩展。 传统 AI 擅长欺诈检测、信用评分和推荐等边界清晰的任务；生成式 AI 能创作文本、图像和代码，但可能产生“幻觉”；AI 代理则能执行多步骤工作流，却也可能把错误转化为现实行动。
接下来在实践中我应该做什么？
新加坡 2026 年发布的 AI 代理治理框架强调限制权限、采用最小权限原则、持续监控，并在敏感操作前设置人工审批节点。