从数字化到AI原生-要回归到AI智能体的感知计划执行能力上面分析

大家好，我是人月聊IT。

今天聊下从信息化，数字化到AI原生，包括澄清一些关键思考点。在前面我谈AI原生的时候更多的都是结合本体论在谈，也提到了本体建模时构建AI原生应用的一个关键点。今天这篇文章更多是抛开本体论，从整个信息化发展的过程来谈如何过渡到AI原生，或者说AI原生核心点究竟在哪里。

对于如何更好的定义AI原生，参考AI给出的一个定义是：AI原生，是指一个企业、产品或业务流程从设计之初就将人工智能作为其核心组成部分与首要驱动力，而非在事后作为附加功能添加上去。 它是一种全新的构建范式，意味着AI不是外挂的“插件”，而是内生的“基因”。

同时还给出了一个传统AI应用和AI原生的区别。

如果单纯看这些内容实际我们很难真正的理解AI原生。包括我前面谈到基于本体模型通过AI编程自动化实现的应用就是AI原生应用，因为这类应用天然具备了解整个IT系统的完整业务语义，可以后续展开各种业务语义的对话。从这个角度来称为完整的AI原生好像问题不大。但是仍然没有聊到AI原生的本质，并不是说一个IT应用一开始就融入了AI的能力，同时通过AI方式构建出来，并具备后期AI对话的能力就是AI原生。而是真正要理解AI大模型和AI智能体带来的关键区别在哪里。

如果我们看一个AI Agent的关键能力图，常用下面图说明：

在这个图里面能够看到一个智能体的核心能力是记忆存储，规划计划，执行，工具调用能力。而里面最核心的仍然是规划计划，里面包括了反思，复杂任务分解，思维链等关键内容。

所以再参考下图进一步说明。

一个AI智能体的核心能力可以总结为感知->计划->执行->反思。在整个过程中的底层核心是记忆存储和长上下文管理。

当我重新思考AI智能体核心能力的时候，可以进一步看到AI原生的关键点。也就是AI原生究竟带给了传统应用哪些没有的关键能力。基于这个点展开，我们详细说明如下：

从感知到意图识别

早期的IT系统可以说是没有感知能力，是人来完成最终数据的录入，系统基于人工录入的数据来进行后续操作。到了物联网阶段后，通过各种传感器，IT系统可以借助物联网层具备感知能力。但是这个感知仅仅是能够完成数据的采集而已。

而AI原生下的感知不仅仅是数据的采集，更加重要的是数据的理解，即我们常说的意图识别。意图识别是能够在AI时代进行自然语言对话的核心点，而意图识别的难点又在上下文语境。类似苹果，你可能谈到的是水果，别人可能在谈Apple手机。我一直在思考企业要AI原生，首先要解决意图识别问题，而意图识别核心又是要为提供给AI丰富的业务上下文语境。如果没有意图识别，你做了一个AI应用，那么也是一种精确化固化的代码而已，而不能称为一个真正的AI原生应用。

规划计划和能力编排

我一直强调了一个关键点，场景千变万化而底层的原子能力可以穷尽。在20年前我们做SOA架构的时候，就在谈SOA架构的核心思想。即业务流程是可以通过能力进行编排的，而能力即服务，服务包括了原子服务和组合服务，服务可以从底朝上层层组合和编排来构建完整的端到端流程。

也就是说我只要把一个企业核心的底层可复用的业务能力全部梳理和定义清楚了，那么我就可以基于这些能力灵活的组装灵活多变的流程。业务需求的变化是可以通过流程编排的方式来完成的，而不需要底层的业务系统进行改造。但是这种方式流程编排谁来做？实际还是由人来完成服务组装和流程编排工作。

到了AI时代，在完成意图识别后还有一个重要工作就是能力编排，即意图识别完成后将复杂任务拆解为为了多个子任务，每个子任务究竟应该调用底层哪个能力来完成（比如Skills或工具调用），然后再将这些子任务组装和编排为一个完整的长任务链。这个过程不再需要人手工来编排，而是AI自动完成能力编排或技能的组装。

我们还是举一个例子来说，比如一个AI原生的供应链系统。我们可能通过AI对话创建订单，这个时候AI能够帮我创建一个订单出来，看起来很不错。但是更加重要的能力是我提出的问题是取消某个订单，AI拿到这个任务后能够自己分析拆分任务，知道要完成这个任务不仅仅是取消订单，还需要进行退货处理，如果存在已经付款的还需要进行冲红处理。这就是我们说的能力组装和编排。精确识别用户意图后，能够去动态进行能力组装和编排，而不是靠人去编排。这个才是AI原生应该具备的关键能力。

反思和自我进化

如果一个AI原生应用不具备反思和自我进化能力，那么不能叫一个完整的AI原生应用。在OpenClaw小龙虾出来的时候，我们看到已经构建了完整的意图识别和基于技能的能力动态编排，但是还少了关键的自我进化闭环。因此后续又有了Hermes爱马仕，而Hermes核心的能力即自我反思和自我进化，这个是AI的一个关键能力。

当然这个自我进化不是说必须是全部AI自己完成了，也可能是在和AI对话的过程中，将我们对话的经验自动融合总结为下一次的关键进化，或者自我迭代优化技能或程序。具备了自我进化和反思能力，那么AI就形成了可以自我持续迭代的完整闭环，AI能力可以变得越来越强。简单来说就是一个AI原生应用，AI自己可以不断自我完善，人仅仅是反馈问题和经验。

预测和推理

最后还是回到预测和推理上面。AI原生的作用不仅仅是构建当下，更加重要的是预测未来。只有这样才能够充分的发挥AI大模型的推理能力。在我前面讲Palantir本体论的时候，更多谈的是拉通OLAP和OLTP，在数据分析中发现的问题，可以在AI大模型分析推理后，形成改进建议回写到OLTP的业务系统。但是即使在单个AI原生应用里面，我们仍然可以具备这种预测和分析推理能力，还是举一个例子来说明。

比如一个供应链系统，AI可以主动的通过当前已有的数据分析告诉你，当前的某个原材料如果再不采购，可能无法满足生产计划或生产排程的时间要求。或者会主动的告诉你按你现在的采购执行策略，当前你们部门的采购成本降低指标估计无法完成，要完成这个指标你可以参考的改进措施有哪几条。这也是我们常说的AI原生系统，应该充分发挥AI大脑的能力，让AI分析预测和推理，给出改进意见，而人仅仅是评审和决策。当你能够充分信任AI最终的意见的时候，可能连最终人工进行审核决策都不需要的，那么这个时候的AI应用就是一个高度自治，自我进化，不需要人工干预的应用。

所以当我们在谈一个企业是否是AI原生企业，或者一个应用是否是AI原生应用的时候。不是简单的认为只要一个应用在一开始就引入了AI的能力就是AI原生，或者也不能简单理解脱离AI这个应用就完全无法运转就是AI原生。而是应该回归到AI智能体的感知，规划，执行，记忆的本质上面。只要具备意图识别+动态能力编排+自我反思改进+预测推理的应用，都可以算作为AI原生应用。而要具备这个能力核心就两个。一个是完整的AI大模型+Harness工程的能力，一个就是企业完整的业务语义和上下文的注入能力。我前面讲了很多本体论和本体建模的文章，实际都在解决第二个关键问题，但是不能认为这个问题解决了就一定是AI原生。

今天分享就到这里，希望对大家有所启发。