北京
一个聊天机器人几秒钟就吐出答案。看起来像一件事，实际上要有一整套东西就位，而且其中大部分是最近几年才搭起来的。
如果你在用AI做东西，搞清楚自己到底摸的是这条产业链的哪一段，比背概念有用得多。从芯片到人，它是这么拼起来的。
算力
起点是硬件：GPU、TPU，以及装它们的那些数据中心。眼下大量资金正往这里砸，而它决定了上面所有东西的形态——模型训练要花多少钱、推理要花多少钱、回你一句话有多快。
数据
模型从文本、代码、图像、音频和人类反馈里学。有一阵子这场竞赛就是比谁的数据多。现在质量同样要紧，而数据归谁、从哪来这些问题，声音越来越大。
基础模型
核心引擎。训一个要喂进万亿级token，几千张芯片协同工作，芯片之间还得有高速网络连着，所以成本是这件事的大头。这也是为什么只有少数几家实验室在造最大的那些模型，开源模型紧随其后——Claude、Gemini、GPT、Llama和Mistral都是大家熟悉的家族。
作为开发者，这一层你通常是通过API够到的。
智能体、工作流和工具
前面几层解决的是“产出一个答案”。到了这一层，AI开始真正把事办成。这里有三个词天天被提起，又特别容易混，先把它们钉死。
- 智能体（Agent）：由模型来决定步骤。你给它一个目标，比如“查清楚这个订单为什么延迟”。它自己决定先调哪个工具，读返回结果，再决定下一步，一直循环到它认为活儿干完了。这种自由度让智能体特别适合开放式问题，但也让它更难预测、更难测试。
- 工作流（Workflow）：结构更明确。步骤由你定，模型负责填细节。比如你设计一条流程：“总结客户留言 → 分类 → 起草回复”。模型不决定下一步做什么，它只是执行你搭好的序列。工作流可预测、可重复，是业务自动化的理想选择。
- 工具（Tool）：任何模型可以调用来做“光靠文字做不到的事”的东西——搜网页、跑代码、查数据库、发邮件、调另一个服务的API。工具不是模型自己跑的。模型提出请求，你的应用去执行，再把结果递回去，模型拿着结果继续往下走。这通常叫工具调用，或者函数调用。
记区别有个简单办法：工作流里，你的代码说了算；智能体里，模型说了算。
应用
大多数人真正碰到AI的地方：聊天助手、copilot、已经用惯的工具里长出来的AI功能。如果你在交付一个产品，这就是你所在的那一层。
人和组织
模型只有被人用起来才有意义：编辑器里的开发者、教室里的老师、把AI塞进日常流程的公司。价值在这里被创造出来，也在这里被漏掉。
治理、伦理和监管
然后是规则，而规则还在写。各地规则不一样，欧盟AI法案是最有名的例子，而且它们还在不断修订。如果你在做真东西，值得查一下哪些条款适用于你的产品和你的用户。
层与层是叠在一起的
实际操作中，这些层并不会整整齐齐地分开。云厂商自己造模型，模型厂商自己发应用和智能体。每一次重叠都会长出新的组合，这也是AI周边工具一直在膨胀的一大原因。
它同时让你的选择比看上去更实际。你挑的模型，决定了每次请求花多少钱、响应多快、你的产品能做什么——比如处理图像、调用工具。这些决定会一路跟着你，直到你最终交付的东西。
AI还在快速往前跑，没有要停的意思，甚至没打算喘口气，而这些层会随着每一个新进展继续变形、继续换样子。
你离哪一层最近？
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
