企业构建AI Agent 的五个视角｜伯克利Agentic AI Summit

 8月3日，Google Cloud AI 副总裁Burak Gokturk 在伯克利2025 Agentic AI 峰会的 “下一代企业级 Agent”环节进行主题演讲，Burak Gokturk 是 Google Cloud AI 和行业解决方案的总经理和工程副总裁。他回顾了AI 发展历史与驱动力，并分享了企业如何构建自己的 AI Agent。

Burak Gokturk对AI Agent 的定义是：任何无法仅靠大语言模型自身完成的任务，都属于 AI Agent 的范畴。他指出，随着顶尖模型性能的快速趋同，真正的护城河不再是单个模型的能力，而是能够支持模型选择、定制、工具集成、部署和迭代的综合性平台。此外，企业要构建成功的 AI Agent，必须将大语言模型与搜索能力相结合。

Burak Gokturk还认为未来单体 Agent 和多智能体并存， AI 与系统的融合至关重要，与 AI 算法本身的指数级进化相比，系统硬件性能遵循的摩尔定律实际上是“亚线性”的，这反而成为了限制 AI 潜能发挥的瓶颈。

以下是演讲实录，经数字开物编译整理：

Burak Gokturk：大家好。我负责 Google Cloud 的研究工作，我们当前的核心是 AI、机器学习、系统科学，以及如何将这三者有效融合。今天我将重点分享一些我们在 AI 领域观察到的关键趋势，并探讨如何将这些趋势与多智能体系统的构建相结合，以及各位在进行自己的设计时可以如何借鉴。

首先，让我们快速回顾一下背景。我想各位都已见证，AI 和机器学习的发展速度一日千里。然而，如果我们回溯历史，审视其根本，会发现当前许多核心算法其实源于上个世纪。这一切都离不开神经网络。它本质上是一组权重和隐藏节点，根据给定的输入来预测输出。同样，其关键的优化算法——反向传播也来自上个世纪。事实上，在 21 世纪初甚至更早，当我们审视这项技术时，神经网络的性能远非顶尖。我们当时都在疑惑，为什么教科书里还要保留它？它的表现确实不尽人意。但我们忽略了几个关键点。首先，神经网络无论是从节点预测（即模型权重的并行化分离）还是从数据并行化的角度，都为在多台机器上进行分布式计算提供了巨大的技术优势。尤其是在训练阶段，你可以在很大程度上并行处理任务。

当然，并行化的优势只有在拥有海量数据时才能得以发挥，因此我们还需要解决数据来源的问题。随后，我想各位都已熟知，研究人员提出了“掩码”的概念。其核心思想是，利用海量的文本、图像等数据，并遮盖其中的一部分。例如，对于句子“伊斯坦布尔是土耳其最大的城市”，你可以遮盖部分词语，然后将这些被遮盖的词语作为训练集的一部分。如此一来，只要利用整个互联网的数据，你就能拥有数万亿级别的训练样本，并结合相应的算法实现训练过程的并行化。就在这时，神经网络的地位发生了戏剧性的转变，从一个并非最优的选择，一跃成为 AI 预测领域无可争议的最佳方案。当然，后来你们也看到了各种里程碑式的论文，比如《Attention Is All You Need》，它所提出的 Transformer 架构，其基础或多或少也是建立在神经网络和反向传播之上。这就是我们如今所处的技术背景。

接下来，我想分享几个我们通过与众多企业交流后洞察到的趋势，并提供一些关于如何在构建自己的 AI Agent 和 Agentic 系统时应用这些洞见的建议。

首先，第一个趋势是，大约两年前，业界关注的焦点是模型的选择，但如今风向已变，平台的选择正变得愈发重要。为什么？我们可以看一个排行榜，当然，业界有很多评估大语言模型在不同任务上表现的排行榜。如果你观察 LMSYS 的聊天模型排行榜，会发现它几乎每周都在更新。每隔几周，就会有一家新公司推出性能卓越的大语言模型。这清晰地表明，我们必须将注意力从单纯的模型转向整个平台。你需要能够接入并使用更广泛的模型。在构建 AI Agent 的过程中，你会反复发现一个核心需求：你需要根据自身的具体用例来调整和适配这些模型。具体来说，这涉及模型的微调和蒸馏。当然，你还需要一个强大的平台，为 AI Agent 在生产环境中的部署提供完备的工具集。这正是 Vertex AI 所提供的价值。在任何一个优秀的平台中，你都应该能看到类似的分层结构。我们有一个叫做“模型花园”的地方，你可以从中访问大量的模型。还有一个“模型构建器”，你可以在这里通过微调和蒸馏来定制化这些模型。最后是“代理构建器”，它提供了一整套工具，帮助你从模型阶段迈向真正的 AI Agent。这涵盖了从任务编排、功能扩展到连接器集成、文档处理等方方面面。

第二个趋势是搜索。我们从大量企业的实践中发现，要构建成功的 AI Agent，必须将大语言模型与搜索能力相结合。原因显而易见。首先，大语言模型的知识是基于过去的训练数据，因此它们无法知晓昨晚的球赛结果。其次，它们会产生“幻觉”，这其实也是其创造力的一种体现，但也意味着它们在陈述事实时可能并不完全准确。最后，它们无法提供信息的来源引用，而对于许多应用场景来说，追溯数据来源至关重要。因此，我想让大家记住的关键一点是：在你的多数应用中，都必须集成搜索功能。

接下来是第三个趋势，很显然Agent 的时代已经到来。大语言模型本身并不能完成所有任务。你需要将它与不同的工具集相结合，甚至可能需要在你的 AI Agent 中调用多个大语言模型。回顾早期的应用，主要是对话和摘要——这些都是大语言模型可以独立完成的。但现在情况不同了。我对 AI Agent 的定义是：任何无法仅靠大语言模型自身完成的任务，都属于 AI Agent 的范畴。这意味着，AI Agent 需要调用不同的工具，执行函数调用，并能将所有这些能力整合起来。同样，拥有一个配备了强大工具集的优秀平台，对于构建你的应用而言，将是成功的关键。这里有几个关键属性。我认为函数调用是尤其需要强调的一点，当然，用于个性化的内存管理也同样重要。但函数调用对于许多大语言模型而言仍是一项挑战，因为它们首先需要判断是否需要通过调用函数来回答问题，其次还需要调用正确的函数。这很有挑战性。从排行榜的数据来看，如果给模型提供 100 个函数供其选择，它选择正确函数的准确率大约在 50% 到 70% 的水平。所以请记住这一点：在构建 AI Agent 时，请从简单入手，不要一上来就尝试构建一个需要从 100 个不同函数中进行选择的复杂应用。

现在，请允许我谈谈下一个趋势，未来你会看到单体Agent 和多智能体并存。我想举一个多智能体的例子。这是我们最近发表的一篇名为《Co-Scientists》的论文，它本质上是一个用于医学发现的系统。想象一下，你是一位医学研究员或医生，你有一个研究助理，你让他去进行一项研究。这个系统会去阅读所有相关的论文，不仅包括正在研究的疾病，还包括相关领域的疾病。它会进行全面的文献综述，进行自我评估，还会执行伦理审查等等。所有这些功能共同构成了一个多智能体系统，其中每一个功能模块都是一个独立的 Agent。接下来，我们来播放一段视频。

Interviewer: ...系统在两天内就给出了答案，而这个答案您花了将近十年才找到。您当时的反应是怎样的？

Dr. Jose Penades: 我的反应是……当时我正和别人一起购物，那是个周六下午。我对同伴说：“请让我一个人待一个小时，我需要消化一下这件事。” 我当时非常震惊。然后，我做的第一件事就是给 Google 写了封邮件，问道：“你们是不是访问了我的电脑？对吧？”因为不然……

Interviewer: 您以为他们在作弊。

Dr. Jose Penades: 绝对是。而且，我有时候也会用 ChatGPT 之类的工具来润色我的英文。我想，你们肯定是接入了这些，不然没法解释。但他们回复说：“不，这就是我们系统给出的最佳结果。” 这不仅仅是因为它提供的首要假设是正确的，更在于它还额外提供了四个假设，而且每一个都言之有理。其中甚至有一个是我们从未考虑过的方向，我们现在正基于此开展新的研究。

这位是 Dr. Jose Penades。他的团队在过去 15 年里，一直在用一种特定的方法研究各种疾病。而我们的系统，仅仅用了一天左右的时间，就得出了类似的结论，甚至在某些方面做得更好。再举一个例子，有位遗传学领域的专家，他在 X 上大概有超过一百万的粉丝。我们向他演示了这个系统。他本人曾利用遗传学方法治愈了一些疾病，但这花了他将近 20 年的时间。他看完演示后说：“在见识了今天的 AI 模型之后，我可以自信地断言，科学研究的范式将被彻底改变。” 他甚至 99% 地确信，包括癌症在内的所有疾病，都将在未来十年内被攻克。这些是我们收到的真实反馈。这虽然只是一个来自医学领域的例子，但它向我们揭示了一点：AI 真的在推动我们突破想象的边界。这些系统所能完成的工作，可能需要一个人用一百辈子的时间。我们将在各种方法和多智能体系统中，见证越来越多这样的成果。所以，我们必须为此做好准备。

最后，作为总结，我想谈谈最后一点：我们正在大力投入 AI 与系统的融合，这一点也至关重要。这或许听起来是次要的，但系统实际上是当前的一大瓶颈。系统硬件的性能提升遵循着摩尔定律，我们曾以为那是指数级增长，但与AI 算法的进化速度相比，它实际上是亚线性的。因此，你会看到 AI 与系统在几乎所有领域加速融合，这是因为底层系统必须跟上步伐，才能真正满足 AI 带来的庞大需求。