段玉聰
1. 主動AI提出的背景與理論必要性
當前，以大型語言模型（LLM）為代表的人工智慧主要屬於“被動AI”。這類AI缺乏自主意志，只能根據既有模型對收到的指令或輸入被動回應。例如，GPT等LLM可以生成文本、回答問題，但它們無法自行決策，無法自主規劃行動或適應環境變化。這意味著傳統被動式AI在複雜多變場景下存在明顯局限：一方面，缺乏長期目標驅動和自主性，必須在人類提示下才能運作；另一方面，由於沒有內在的環境感知和反饋回路，它難以處理持續決策或即時學習的問題。被動AI往往只關注眼前指令，缺乏對“目的”的理解，不知道“自己有什麼、缺什麼，又應該獲取什麼”，因此常常盲目依據提示進行聯想，缺乏明確的目標導向。這導致當前被動AI系統在可靠性和智慧決策方面暴露出諸多不足，例如知識不準確、推理缺乏邏輯、生成內容可能出現幻覺等。
在現實需求的推動下，上述被動AI的局限性正日益成為瓶頸。一方面，各領域期待AI能夠自主地完成更複雜的任務，而不僅僅是輸出一次性答案；另一方面，隨著AI應用深入社會生產生活，環境的動態變化和長期目標的存在要求AI具有持續學習、主動適應的能力。傳統被動AI的單步式工作流難以應對複雜多變的問題，其線性回應方式通常只能滿足簡單指令，無法通過自我修正來處理 “邊緣情況” 或錯誤。例如，在自動駕駛、智慧醫療等場景中，AI需要根據感測器資料即時決策並不斷修正策略，這超出了被動式模型的能力範圍。又如在教育場景中，理想的教學AI應能主動發現學生薄弱環節並引導學習，而非僅在被詢問時給出答案。
因此，學術界和產業界開始認識到，有必要從被動範式轉向主動範式，賦予AI自主目標和持續學習的能力。這種趨勢在近年多項研究和實踐中有所體現：Andrew Ng團隊的研究表明，通過引入“主動式”的分階段工作流程（包括理解問題、分步求解、測試回饋等閉環），即使較舊的模型GPT-3.5在程式設計任務中的表現也能超越採用傳統被動零樣本提示方法的更先進模型GPT-4。當GPT-3.5採用主動反覆運算的策略解決編碼問題時，其準確率反而超過了被動直接求解的GPT-4。這一案例清晰地表明：賦予AI主動規劃和自我改進的機制，可以大幅提升其問題求解能力，印證了主動AI範式的價值。
從理論角度來看，主動AI的提出具有深刻必要性。人類智慧的一個關鍵特徵在於自主意圖和目的驅動：人會根據內在目的主動獲取資訊、更新知識並採取行動。被動AI顯然缺乏這一點。為此，段玉聰教授率先提出在經典DIKW（金字塔模型：資料-資訊-知識-智慧）的基礎上引入“目的（Purpose）”維度，將高度不確定性的經驗上升為明確的目的要素，從而形成**“資料-資訊-知識-智慧-目的（DIKWP）”五層次模型。這一創新將“目的”納入人工智慧的認知框架，旨在賦予AI以內在驅動力和方向感**。基於DIKWP模型，AI可以在知識圖譜之上增加價值判斷和目標約束，使其行為不再僅由外部輸入觸發，而是能夠根據內在目的主動地獲取新資訊、調整決策。這被視為從**“被動生成”邁向“主動認知”**的重要一步，即讓AI具備“知道自己知道什麼、不知道什麼、應該去瞭解什麼”的能力。
段玉聰教授的這一系列研究為主動AI奠定了理論基礎和實踐契機。早在2020年，他的團隊因DIKW圖譜的拓展建模研究獲得第十屆吳文俊人工智慧科學技術獎三等獎；截至目前團隊已在全球取得79項發明專利授權，長期位居海南省高校之首。這些原創成果體現出在知識表示、語義建模和目的驅動方面的扎實積累，也凸顯出主動AI概念提出的學術分量。段玉聰教授指出，希望通過對DIKWP模型的研究，找到可驗證的、多模態人工智慧範式，為數智經濟的發展作出貢獻。可以說，“主動AI”正是順應AI發展瓶頸與需求而產生的新範式：它在批判被動AI局限的基礎上，融合了知識圖譜、認知計算和目的驅動等理念，試圖引領人工智慧從工具型助手進化為具備自主性的智慧體。
綜上，主動AI概念的提出有著明確的背景與必要性：實踐層面，被動AI難以滿足複雜動態環境下對自主智慧的渴望；理論層面，引入目的驅動的DIKWP模型為突破這一瓶頸提供了新思路。主動AI代表著人工智慧范式的轉型升級，其出現為克服被動AI弊端、拓展AI應用深度提供了可能路徑，也為AI長期發展描繪了新的方向。正是在這樣的背景下，主動AI作為一個創新理念被確立，其理論體系和特徵框架需要進一步闡明和構建。下文將深入解析主動AI的定義、特徵與分類，並討論其技術架構、相關技術生態、應用前景及面臨的挑戰。
2. 主動AI的定義、特徵及分類框架
定義：“主動AI” (Active AI) 通常指能夠自主感知環境、自行決策並採取行動以實現既定目標的人工智慧系統。換言之，主動AI不再只是被動響應指令的工具，而是具有智慧體（Agent）屬性的系統——它能在最少人工干預下，根據自身目的和所處情境主動採取行動、持續學習改進。比如，一個具備主動智慧的虛擬助理不僅會回答問題，還會在未被明確要求時就為用戶安排日程、主動提醒重要事項；又如自動駕駛汽車可以被視為主動AI的典型，它搭載的智慧體能夠自主感知道路環境並即時做出駕駛決策，獨立將車輛安全送達目的地。被動AI則相反，主要指那些只能被動回應輸入、缺乏自主目標的AI系統，典型如傳統的聊天機器人、推薦系統等——它們僅根據使用者的提問或操作給出回饋，而不會自主發起交互。大語言模型（如ChatGPT）本質上屬於被動AI，因為它們依賴人類提示生成回答，沒有自主規劃或多步推理的能力。
特徵區別：主動AI相較被動AI，在智能特性上體現出截然不同的範式。下面我們以主動式AI（代理式）與生成式AI（典型的被動AI）的對比來梳理主動AI的核心特徵：
**自主性：**主動AI具備高度自主性，能夠在沒有人類持續指令的情況下自主運行和決策。它可以根據環境變化自行採取行動，例如自主移動的機器人會自主決定躲避障礙。被動AI則自主性有限，離開人類輸入就無法運作。
目標導向：主動AI擁有明確的內部目標（由設計者賦予或自主學習獲得），其行為始終圍繞著達成這些目標展開。它不會漫無目的地產生輸出，而是會評估行為是否有助於目標實現。例如無人車的每次轉向和加速都是為了“安全抵達目的地”這一目標。相比之下，被動AI通常任務導向而非長程目標導向，它只根據當前指令完成相應任務，不追求更長期的整體目標。
持續學習與適應：主動AI能夠從自身行動結果中學習，並在失敗或環境變化時進行調整。也就是說，主動AI具有線上學習與適應能力，能通過回饋不斷優化策略（例如一個電影推薦AI根據使用者反應改進推薦）。反觀被動AI，一般在訓練完成後參數固定，缺乏即時學習機制，難以及時適應新情況，性能改進往往需要人類重新訓練模型。
決策複雜性：主動AI擅長處理多步驟複雜決策問題，能夠在多種選項間權衡並預估後果。它往往配備了規劃與推理能力，可以分解任務、進行長鏈條的因果推理。例如主動AI的股票交易代理會綜合分析大量資料，預測走勢後決定買賣操作。而被動AI的決策往往是短視的和單步的：基於已學模式直接輸出下一個回應，缺乏深度的推理過程。這使得被動AI難以勝任需要多層推理或策略規劃的任務。
環境感知：主動AI通常具備感知模組，可獲取外部環境的資訊並將其融入決策過程。比如機器人通過攝像頭視覺、麥克風聽覺等感知周圍環境，從而“理解”自身所處情境並相應行動。被動AI大多缺少真實世界的感知輸入，它處理的往往是靜態資料（文本、圖像）且無法將之關聯到物理環境。缺乏環境感知意味著被動AI缺少外部世界的“上下文”，只能對給定輸入作出反應，無法主動獲取新資訊或理解環境狀態。