人工智能与深度学习领域知名学者吴恩达曾做过一个形象的比喻：有了智能体AI，就好像请了一支“AI厨房天团”帮你做菜。图片由陈瑶教授根据相关文章、利用AI工具生成。
从大模型迭代到AI应用遍地开花，技术以势不可挡之势推动时代向前。
有人欢呼AI将重塑一切，也有人焦虑被AI替代，却很少有人追问：如果用AI试做一百件事，会发生什么，又会发现什么？
上海对外经贸大学数据科学与管理决策重点实验室主任陈瑶教授选择做追问者，并于数月前开始了自己的“用AI试做一百件事”计划。她在此过程中有何心得与发现？日前，记者走访了陈瑶。
智能体AI开启新篇章
城市周刊：很多认识你的朋友，都知道你擅长利用大数据工具，为公共管理、公共服务场景下的大数据应用出谋划策，还长期参与政务服务便民热线数据的分析工作。这一次，怎么会想到开启自己的“用AI试做一百件事”计划，还把“试验结果”连续发表在自己的微信公众号上？
陈瑶：我早期是做运营管理研究的，后追随时代脉动与专业发展趋势，侧重用数据科学和人工智能方法解决企业和政府的运营决策问题，也在一些行业的头部企业兼职担任科学家。因为这样的个人经历，周围有很多研究计算机科学、数据科学，与时间赛跑，紧追最新技术应用趋势的朋友。
去年，人工智能与深度学习领域知名学者、斯坦福大学教授吴恩达在deeplearning.ai上线了一门新课叫《Agentic AI》（中文译作“智能体AI”或“代理型AI”，本文选择前者），总共5个模块、6小时、31个视频，上线之后流传甚广。我看了以后也觉得受益匪浅，就想着找机会多多尝试。
城市周刊：可否简单说说“智能体AI”与“非智能体AI”的区别？
陈瑶：对此，吴恩达做过一个形象的比喻。他说，有了智能体AI，就好像请了一支“AI厨房天团”帮你做菜。
如果是非智能体AI，其基本工作状态就是由一个模型从头到尾独自完成一件事的所有“细分任务”，洗菜、打蛋、掌勺、摆盘全靠它。最终结果无外乎能做完，但不一定好吃，还容易“翻车”。如果是智能体AI，就意味着多模型协作，这些模型在各司其职的同时还能智能协同。
在这支“AI厨房天团”里，模型A是“洗菜小能手”，模型B是“掌勺控火大师傅”，模型C是“摆盘艺术家”，模型D是“味道评估员”。它们分工协作的结果不仅效率高、味道好，如果中途遇到问题还能“复盘+重做+持续优化”。
智能体AI本质上不是让一个AI干所有事，而是把这件事拆成多个小任务，然后把每个任务分别交给最擅长的那个模型。靠多个大模型分工协作，一步步把复杂任务搞定。
我个人操作、体验下来的感受是，智能体AI并不神秘，但它的确是一种新的开发范式。以前我们总在深究、比拼“哪个模型更强”，现在突然发现，把模型放进智能体AI的工作流，比单纯升级模型的效果显得肉眼可见的“完善”甚至“优秀”了很多。
虽然我身边关注AI、讨论AI的人很多，但很多是“旁观者”心态，等着AI改变世界。我想，与其等待，不如动手尝试。“用AI试做一百件事”计划就是这么来的。我有个平时更新得不多的公众号，干脆就直接把它改名为“用AI重新做的一百件事”。
焦虑的反面不是安心，是动手
城市周刊：具体做哪一百件事，你是如何判断、选择的？
陈瑶：我对这一百件事的定位是“把生活玩出花儿来，把工作效率提高起来”。从具体内容上来说，绝不是写技术教程，而是留下一份“一个普通人用AI去折腾各种事情的真实记录”。
城市周刊：截至目前，你已经用AI“折腾”过哪些事情了？
陈瑶：我最早是试着调用多位“AI助手”来整合金融类资讯，如整合数家专业财经媒体的公开资讯，梳理成可以复盘规定时段内重要信息的报告，不仅出报告的速度快，且图文并茂、方便转发分享，准确度挺高。
后来，我用AI梳理过地区性重要事件对当地供应链和金融市场的影响，用AI模型帮我设计了一条赴某地三日游的出行路线，又用其他模型做了十余款发型妆容的对比测试、利用设计好的AI人设图为自己打造虚拟聊天伴侣，等等。
每做完一次尝试，我都会记录下自己的体验和心得。写了二三十期后，最大的收获并非来自“学会了什么技术”，而是来自“学会了一种新的思维方式”。
以前，我写一篇文章，脑子里总是想着“要查什么资料、怎么写”。现在的第一反应变成了“这个任务可以拆解成几个步骤、每一个步骤可以交给哪些模型去做、怎么验证AI输出的内容的质量”……这其实就是吴恩达讲的“代理型思维”。不知不觉中我就学会了一套基于智能体AI工作流的方法论。
一路尝试下来的效果有惊艳的，也有不尽如人意的。很多试验从第一轮尝试到最后一轮的效果天差地别。这带给我启发：最重要的不是结果，而是那个不断拆解、试错、跟进、迭代的过程本身。
城市周刊：如今，有不少人愿意积极尝试，但内心依然会对此有所保留甚至感到焦虑。担心会不会一不小心让能干的“AI助理”把自己给取代了。你怎么看？
陈瑶：我的体会是：焦虑的反面不是“安心”，而是亲自动手尝试。
很多人可能觉得“用AI试做一百件事”是一个巨大的工程，要学很多东西才能上手。但事实上，用智能体AI做一个具体的、微小的试验，门槛很低。
我在公众号里展示过的那些试验，像是抓取某款游戏类小程序的数据预测客群需求、做五一小长假期间出行人流的大数据分析、用AI给动漫作品中的人物做互动漫画等，这些事不需要你是工程师，或者很懂模型原理，你只需要有一个具体的想法，就可以去试，边做边学就行。
还有一点：我感受到的智能体AI更像是一种可以放大个人能力的工具，而不是对我本人的替代。每一次技术变革都会让某些职业、岗位的工作方式发生变化，如计算器改变了计算方式、搜索引擎改变了查找方式，但最终留下来的始终是那些学会了与新工具协作的人。
所以，我告诉自己：与其焦虑，不如把这个公众号当成一块试验田；不会玩没关系，从最小、最简单的一个试验开始，玩起来就好了。
各行各业都需要会用AI的人
城市周刊：近来，产学研结合的尝试多了起来。一些企业邀请专业学者到真实场景中，试用基于智能体AI研发的产品，请他们反馈问题、给出改进建议。在你看来，高校学者可以从哪些方面提供经验和价值？
陈瑶：结合我个人使用智能体AI的经验，以及多年来利用专业所长为公共管理、公共服务场景下的大数据应用出谋划策的经验，我的体会是：高校最大的优势不是技术，而是专业领域知识。AI企业不缺会写代码的人，缺的正是懂某个行业底层逻辑的人。这恰恰是专业学者可以为他们赋能的所在。
所以，我觉得，高校学者可以贡献价值的切入点是：用你的专业判断力，告诉AI应关注什么、怎么思考，而不是自己去写代码。
现在的AI工具已经足够易用了，一个懂行的教授搭配好用的AI工具，在解决本专业领域的具体问题时，效率可能会超过一个不了解这个行业底层逻辑的纯算法团队。
我把这个角色叫作“专业翻译官”——不是教企业怎么训练模型，或者给模型找问题，而是与企业通力合作，以行业专家的立场“指挥”AI干活。这个需求在AI时代会越来越大。
城市周刊：你的学生、研究团队的成员都很年轻，你们会经常讨论与AI相关的话题吗？能否实现教学相长？
陈瑶：我接触的学生大致可分为两类，一类已经是“AI重度使用者”，另一类是“迷茫观望者”。
前者一点都不焦虑，甚至有点兴奋，觉得遇到了自己的时代红利。我从他们身上学到的是对新兴技术与工具的“无痛接受”，他们用AI就像我们用搜索引擎一般自然。后者已经意识到AI很重要，但不知道如何下手，也会担心自己的专业被淘汰。
有趣的是，我认识的“AI重度使用者”不仅包括来自计算机专业的学生，还包括一些来自设计、传媒、商科等应用型专业的学生。尤其是后者，已经意识到有哪些具体的场景需要优化、改进，而AI恰好能够立刻帮上忙。
这个现象启发我：未来最有竞争力的，很可能是那些在自己的专业领域里最会用AI的人。有些基于专业知识、技能、素养形成的判断力来自持久的专业训练，这是AI给不了我们的。
于是，我越来越觉得，大学教育在AI时代需要更加注重思维训练——教会学生提好问题、做判断、负责任。当然，这个转变说起来容易，做起来其实很难，因为它意味着课程设计、考核方式、师生关系都要变。
从这个角度而言，教学相长在AI时代会越来越重要。我从年轻人那里学到的是对新工具的开放心态。而我给他们的，是一个“怎么把工具变成方法论”的框架：怎么拆解任务、怎么验证输出、怎么和AI协同合作。这个双向流动让我觉得，AI时代的大学课堂，不再是一个人的讲台，而是一个人和工具、老师和学生共同探索的试验场。
为了推动这个试验场更好地形成，需要更多产业合作伙伴的支持，为此，我自己也在申请一些产教融合项目。同时，我也想借助微信公众号这个平台，招募感兴趣的朋友一起来分享、交流。凡是热爱探索AI玩法，或者愿意分享自己的AI产业实践经验的朋友，都欢迎加入。
本文刊于2026年5月25日解放日报11版城市周刊/见识
转自：解放日报
作者：柳森