文稿
Sam: 欢迎收听我们的播客。我是主持人 Sam Duchscherer。今天邀请到的是 Selim Nahas。Selim 将为我们带来一个关于人工智能世界的务实视角——聊聊哪些已经变为现实，哪些仍属愿景，而哪些正在切实创造价值。Selim，欢迎你。
Selim: 谢谢邀请。
Sam: 和往常一样，我们先从你的个人经历聊起吧。能否跟我们的听众分享一下你的个人背景，以及你是如何进入 AI 这个领域的？我主要想了解：是什么激发了你的兴趣？在你目前的岗位上，AI 又扮演着怎样的角色？
Selim: 好的，没问题。首先，我先介绍一下我目前在应用材料公司的职责。我现在担任全球战略营销总监 (Director of Global Strategic Marketing) ，我的工作覆盖工厂自动化业务的三大领域，包括生产效率（Productivity）、制造执行系统（MES）以及工艺控制（Process Control，也就是工艺质量团队所负责的领域）。回顾我的职业历程，我在半导体制造行业已经工作了 30 到 31 年（可以说算是资深老将了），我完全可以肯定地说，自己见证并亲历了半导体行业诸多思维理念的变迁与演进。
早年间，行业的自动化程度远不如今日。从 200 毫米晶圆过渡到 300 毫米晶圆，并亲眼见证生产实现高度自动化，这无疑是一次意义非凡的跨越。那时我第一次真切感受到，自己面对的已经是所谓的 “熄灯工厂（Lights-out Factory）” ，这就是真正意义上的全自动化工厂。但后来，当自动化与 AI 结合时，我发现这件事变得更加令人兴奋。让我不禁感叹相见恨晚——这一天如果来的更早一些，我就能有更多实践去深耕它。我还记得，当我第一次接触 AI 时，就被深深吸引，这也促使我很早就开始去尝试、去摸索它的边界到底在哪里。如今，我已经把 AI 应用于工艺控制、业务运营以及整体工厂自动化等多个场景。总而言之，这就是我的职业轨迹。我既做过甲方，也做过乙方（可以说两种角色我都亲身经历过），所以对于供应商和客户各自面临的挑战，我都有切身的理解。
这就是我的基本情况。哦，对了，差点忘了介绍自己，我目前人在美国东北部的波士顿。
Sam: 很好。眼下最热门的话题之一大概就是 “智能体 AI（Agentic AI）” 了吧，我相信你对这个概念肯定不陌生。能否从你的角度聊聊，在半导体行业的语境下，Agentic AI 到底意味着什么？或者说，它又不意味着什么？
Selim: 好的，当然可以。从我的理解以及实际应用经验来看，我会把 Agentic AI 看作由若干 “AI 积木块” 搭建而成。你有大语言模型 (LLM)，有特定的工具库（姑且称之为工具），我们该如何让系统记住与用户之间的对话，如何在特定应用场景下检索和获取相关信息。所有这些能力，其实都是构建 Agentic AI 解决方案所需要的基础模块。
“智能体 (Agent)” 就是把所有这些整合在一起，就是这么简单。这一点正是让很多人感到困惑的地方，因为技术迭代实在太快了，（太多技术概念让人应接不暇）。在过去两三年里，我们在这一领域目睹了大量技术变革， 因此在我看来，Agentic AI 的本质，就是围绕某个具体目标，把这些能力模块组合到一起，让它们协同工作。
最后我想补充一点。我并不认为 Agentic AI 是一种放之四海而皆准的通用方案。恰恰相反，我更相信那些为特定任务而设计的专业化智能体。它们不需要做得无所不能、异常庞大，而应该保持小巧、轻量且高度专注。你可以把 Agent 理解成 “专家” 。当然，这些专家不是人类，而是专门负责某类任务的 AI 专家。当不同专长的 AI 专家协同工作时，它们就会形成一个更大的协作网络。在我看来，这正是 Agentic AI 世界的核心理念：不是依赖单个万能智能体，而是由多个专业智能体共同构成一个协作社区。姑且这么称呼吧。
Sam: 你刚才提到了很多我想深入探讨的点。我同意你的看法，Agentic AI不是一招通吃的方案，而是高度专业化的，它们是构建整个系统的基础模块。那么我想问，当人们谈论智能体时，你还听到过哪些常见的误解？
Selim: 我看到大家在讨论 Agent 时，主要会纠结两类问题，也可能算三类。第一个是关于 纠结在大模型的选型上。 “我应该考虑多大的智能体？ “或者说，我应该使用多大规模的大语言模型 (LLM) ？我如何判断多大规模才适合我的需求？目前有一种极端的倾向，过分强调超大模型之类的东西。但我并不认为所有场景都需要大模型。事实上，我的观点恰恰相反。我相信，将多个小巧精准的模型连接在一起，效果会好得多，成本效益也高得多，而且针对特定目标训练起来要容易得多。
第二个问题是关于策略——你打算如何连接这些智能体？实际构建时如何落地？这就引出了一个问题：从计算架构的角度，你该如何设计这个系统？它如何分布？我如何与系统交互？在什么情况下与它交互？是放在公有云、私有云，还是本地部署？这本身就是一个重要问题。
还有一个我想提的，其实是个“房间里的大象“，也就是那个大家都知道存在，却没有充分讨论的最大问题。在我看来，AI 迄今为止做到了一件前无古人的事——它真正实现了数字孪生建模的概念，让你能够以一种此前完全无法做到的方式去学习。我先停一下，解释我想表达的意思，然后看看这是否容易理解。
这里的数字孪生概念是：我有能力对我想要理解的对象进行建模。而过去，我会聘请一批聪明的工程师，让他们去做大量的关联性分析，去尝试理解消化整个系统。但不同之处在于，尽管这些人可能非常优秀、经验丰富，他们依然无法与数字孪生这样的能力相抗衡。数字孪生本质上是一个极其有效的模型，它甚至能够自动发现我们此前根本不知道存在的关联关系。它让我们能够将讨论引向一个新的方向：“这是一份你需要去学习并理解的事项清单，这是一组你可能从未预料到或考虑过的相关性。“因此，AI 的设计层面，未来将更多地来自于对构建这类数字孪生（或这类系统模型）的投资——而这些系统正是我们想要为之构建 AI 解决方案的对象。
我先说到这里，因为我知道这个概念比较抽象，但我相信，当今最有价值、最具突破性的 AI 成果，正是通过这种方式实现的。
Sam: 你刚才提到小巧精准的模型，然后又谈到了数字孪生——这更像是一个顶层的整体架构。我想追问一下，也是为了澄清疑惑：在你提到的那个数字孪生的案例中，通常会涉及多少个这样的小模型呢？
Selim: 好问题。举个例子，我曾经为一台半导体工艺设备建模，目的纯粹是为了更深入地理解这台设备。我当时搭建了一套真正运行中的 AI 平台，一套真正的智能体和自动化平台来完成这件事。我可以告诉你，这套模型的第一个版本出来时，里面大概有 35 到 40 个智能体在协同工作，每个智能体都高度专注于设备内的某一个特定任务。最终得到的，其实还只是针对单台工艺设备的数字孪生模型，但即便如此，它内部已经包含了 30 到 40 个智能体。而且我相信，如果继续深挖下去，这个数量还会再增加 30% 到 40%。
这些智能体都相对较小，任务非常具体且专业化。它们易于管理，因为这种设计具有模块化的特点，而且每个智能体的目标也定义得非常明确。因此，如果出于任何原因，其中某个模型无法满足我的需求，或者我得到了模糊不清的结果，我就可以选择进一步精简这个智能体，或者把它做得更小（保持更精准）。又或者，如果我发现某个部分更适合用嵌入在 AI 工具集中的硬编码软件来实现，我也可以彻底改变那个部分的范式。
回到你的问题，我认为范式正在从那种能回答任何问题的单体式大型 AI，转向针对某一台设备而构建的智能体群组。所以，30 到 40 个智能体并不稀奇，而且这个数字可能会有很大的变化——可能是三倍、四倍，也可能反过来减少。但就目前我所看到的情况而言，我认为实现这一目标最有效的方式，就是通过大量的小型智能体来完成。
Sam: 那么还有一个绕不开的问题：在 “智能体提出建议” 和 “智能体实际执行行动” 之间，那条界限应该画在哪里？你认为这个界限是在智能体层面、工具层面，还是数字孪生层面——还是三者都有？
Selim: 这是个非常好的问题。对我来说，数字孪生层面主要承担学习的职责——我用它来设计和构建方案。而到了实际运行阶段，我认为系统会形成一种明确的层级结构。这也是为什么我前面提到需要这么多智能体的原因。下面让我解释一下我所说的 “在工具层面 “是什么意思。
以我那个具体案例来说，我是针对设备中的实际物理部件来部署智能体的。也就是说，设备内的每个组件都有一组智能体在管理它，同时还有一组更高层级的智能体，承担不同的职责，与这些组件级智能体进行协作和沟通。举个例子，如果系统里有一个学习智能体，那么它会不断分析数据采集智能体的工作情况。而数据采集智能体则负责向设备各个部件收集数据，并验证这些部件是否按照我下发的指令和工艺配方正常运行。这些 Agent 并不是平级关系，而是各自承担不同职责，形成了一套分层协作的体系。
对我来说，数字孪生更像是一个设计和验证的平台，用来帮助我思考这套方案应该怎么构建。真正运行起来以后，它其实是在传统自动化的基础上又往前走了一步。过去自动化的逻辑很简单：先感知发生了什么，再分析判断该怎么处理，最后执行相应动作并采取纠正措施。而现在不一样了。除了完成这些动作之外，还会有额外的智能体持续观察整个过程，并评估这些动作到底有没有效果。接下来的关键问题就变成了：系统能不能根据这一次执行得到的经验，在下一次做得更好？这其实就是整个理念的核心。每运行一次，系统都会学到一些东西；每学到一点东西，下次执行时就会有所改进。它不是简单地重复执行，而是在每一次运行中持续积累经验，不断优化自己。
回到你刚才的问题，我是拿工艺控制这个场景举例，同时把数字孪生和智能体这两个概念放在一起讲。这样是不是更容易理解一些？
Sam: 嗯，这样解释就确实很好理解。在之前工具的例子中，当你实际开发它时，最让你兴奋的是什么？
Selim: 说来挺有意思的。最让我惊讶的地方，其实让我想起了小时候学过的 “科学方法” 。小时候我们总觉得，那些伟大的发现之所以出现，是因为有一些特别聪明的人，他们好像什么都知道。但事实并不是这样。真正起作用的其实是一套方法。你按照这套方法去观察、验证、实验和推理，在这个过程中，自然会不断发现新的东西。而这次做数字孪生和智能体项目时，我发现它几乎完全遵循同样的规律。最让我兴奋的是，它总能提出一些我原本没有想到的问题。我特别喜欢这种感觉，就好像有一个研究伙伴一直坐在我旁边，不断提醒我： “别忘了看看这个。” 顺便说一句，你有没有发现这两个地方之间其实也存在关联？这才是真正让我兴奋的地方。一方面，这套思路对我来说并不陌生，因为它本质上和我从小接受的科学训练没有什么区别；但另一方面，我又感觉自己仿佛拥有了一个扩展团队，里面的成员具备许多我并不具备的知识和专长，并且一直在帮助我。
所以这件事真正让我兴奋的地方在于，我感觉是有一个无缝协作的团队在陪着我一起分析问题、寻找答案。而且这些过程中产生的洞察非常有价值。因为我很清楚，如果没有走完这整个过程，我至少会错过两三个最终被纳入整体设计的关键想法。这也让我意识到，如果你没有亲自经历这样的探索过程，那么很多时候你仍然停留在 PPT 和概念讨论的阶段。大家都在讲想法、讲愿景，但很难判断它到底能不能真正落地。而这个过程会把你往前再推进一步。它会让你开始认真思考：“嗯，这个方案也许真的能行。”当然，这个模式未必是最终答案。它不一定能解决所有问题，甚至真正上线以后也可能表现得不尽如人意。但它确实帮我走完了那些必须经历的思考过程，让我真正理解哪些问题需要考虑、哪些需求需要定义、哪些假设需要验证。也正因为如此，我才能开始把这些想法真正落实到纸面上，形成需求、形成设计考量，并进一步思考一套方案究竟应该按照什么顺序、通过什么路径一步步构建出来。
Sam: 您认为企业领导应如何看待真实系统中这些不同类型的智能体？
Selim: 我觉得大家需要先退一步，重新审视自己过去一直以来看待问题的方式。面对 AI，大多数人的思路是：我每天都在做这项工作，那么 AI 能不能帮我把它自动化？
但还有另一种思路。我们可以直接从问题产生的源头入手，部署一组智能体去处理那些真正驱动整个业务流程运转的核心问题。如果这些智能体能够协同工作，那么我手头这项工作最终会变成什么样？没准最后你会发现，这项工作根本就不存在了。所以，“我想把这项工作自动化”和“我重新设计了一套系统，让这项工作彻底消失”之间，其实有着天壤之别。因为当整个系统的运行方式发生变化后，很多过去必须人工完成的工作自然就变得多余了。系统从一开始就把这些需求考虑进去了，因此根本不需要再单独处理。这样一来，我们关注的问题也完全不同了。过去我们关注的是如何完成某项工作，而现在我们开始关注更高层面的决策和设计问题。很多过去只能设想的事情，如今已经真正有机会实现了。
我知道这些听起来有点抽象，所以我先停一下。这样讲能理解我的意思吗？
Sam: 确实如此。那我想问，展望未来 12 到 24 个月，你觉得有哪些今天听起来还很科幻、甚至有点难以想象的能力，会逐渐变得习以为常？
Selim: 我相信 2027 到 2028 年会是非常关键的几年。到那时，AI 将不再只是技术圈里的热门话题，而是会在更大范围内产生真正的经济影响。我之所以这样认为，是因为我觉得未来最大的变化将来自于：懂得如何使用 AI 的人群规模将大幅增长。眼下我看到的是，人们正在学习如何使用 Copilot，了解一些基础应用场景，以及如何利用 AI 解决一些具体的小问题。
但随着时间推移，到 2026、2027 年，也就是你所提到的这个时间窗口内，当越来越多的人掌握这项技能时，我们会开始看到新的应用和全新的解决方案从中涌现出来。而一旦这种情况发生，它会进一步影响更多人，包括刚刚踏入社会的学生、保持开放心态的成年人、愿意尝试新事物的专业人士，他们都会开始用一种全新的方式去思考世界。我觉得大家在这方面会出现分歧——有些人会拒绝接受这种变化，逐渐落后于时代；另一些人则会拥抱它，并借此创造出令人惊叹的成果。但归根结底，我认为这还是要归结到人们如何学习并掌握这项能力。
让我打个比方。过去每个人都能拿到画笔和画布，但不是每个人都具备画画的能力。而 AI 正在降低这种门槛，让越来越多原本不会画画的人，也能够创作出自己的作品。因此会催生更多的创新、更多的应用场景、更广泛的采用和普及，我们会开始看到以前从未见过的新事物——新的商业模式、新的思维方式。整个社会也会开始更加接受这些变化——就像自动驾驶汽车，十五二十年前，街上根本没有自动驾驶车辆。今天你叫辆出租车，里面可能就没有司机。所以我想，十年后，我们会看到一大批类似的事情。
我想不出有哪个行业能够完全不受 AI 影响——所有行业：法律、会计、工厂自动化、制造业、物流——没有哪个能幸免，但这不意味着人会被替代。我认为 AI 能够让人类达到一个全新的能力层级。我特别喜欢黄仁勋说过的一句话，而且好像 Scott 后来也提过一次： “你不会因为 AI 而失去工作，你会因为别人比你更会使用 AI 而失去工作” 。我非常认同这个观点。回到你之前问我的问题， “你从这件事中学到了什么、收获了什么？” 我学到的是，我感觉自己身后一直有 AI 在帮我，像是有个人始终在我肩头看着。我甚至感觉自己身后站着一支开发团队。如果我需要编写一段代码，将让 AI 帮我写，几分钟就搞定了——诸如此类。我认为这实际上是在放大我们个人所拥有的能力，是 AI 出现之前不存在的。过去要做到同样的事情，成本非常高，速度非常慢。过去很多工作需要外包、需要跨团队协作、需要投入大量时间和成本。而现在，很多事情你自己就能完成。你无论去哪里都可以带着你的办公室，随时随地都能获取所有这些资源。
所以我认为这一切都是前所未有、全新的时代。
Sam: 我知道，这真是一个激动人心的时代。我觉得自己每天上班时都会由衷地想： “今天我又会学到什么？” 每一天都像坐过山车一样让人兴奋。
Selim: 我真是无比享受这个过程。你知道吗？有时候一天结束时，我会对自己说： “今天你又突破了一件以前没做到过的事情。今天你又探索了一块新的领域。” 而这可以是任何事情——可能是我学会了在办公室电脑上本地运行某个工具，而我之前不知道怎么操作；也可能是我之前遇到技术问题搞不定，或者结果不理想，而今天我第一次得到了非常好的结果。这可以是任何方面——从图形到概念，从创意到音频，诸如此类。什么都有可能。每次我接触一个新的概念，并开始深入研究时，从来没有遇到过这样的情况： “不，AI 做不了这个。” 到目前为止，我还没真正撞到过 AI 的天花板。这太棒了，太不可思议了。所以我跟你一样充满热情，我对这件事极其兴奋。
Sam: 好，那我们就用我希望会成为大家喜欢的环节来结束这期播客吧——我称之为 “闪电问答” 。在第一期节目里我也这么做过，就是快速抛出一些问题，看看你会给出什么样的答案。正如我在第一期里跟 Rich 说的那样，没有标准答案——有些问题可能还有点好玩——所以我来看看你怎么回答。第一个问题，我觉得以你的背景来说应该特别有感触：如果 AI 智能体是一本书，第一章的标题会是什么？
Selim: 哦，这个啊。如果它是一本书，我觉得 AI 智能体让我想到哥白尼的《天体运行论》 (De Revolutionibus) 。哥白尼当年看到了别人还没看到的东西。而我觉得现在有一群人正在逐渐认识到 AI 智能体能够实现什么。当然，那是一个拉丁文书名，换成英文的话，大概就是 “Bet you didn’t know” (我敢打赌你还不知道) 。
Sam: 太棒了。我就知道这个问题你肯定答得特别好，幸好我问了。好，第二个问题：让 AI 惹上麻烦的最快方式是什么？
Selim: 哦，我倒不觉得是 AI 惹上麻烦。AI 的态度更像是： “我惹点麻烦完全没问题，真正惹上麻烦的是你，因为你在听我的。” 所以我觉得，更准确地说，是我在 AI 搞砸的时候惹上麻烦。我认为我最好还是这么想：“我知道你几乎什么都能做，你知道的那么多，但你毕竟是一个才学会走路的小孩子，你根本分不清什么该做什么不该做。”
现在我们已经到了一个节点，AI 已经够聪明，能分辨什么不合适、什么合适，以及类似的问题。但我觉得问题更多还是出在我跟 AI 协作的那一边。说到惹麻烦，不要故意把那些它肯定会搞砸的东西扔给它——因为如果你把同一个问题翻来覆去地问一个人，人也会犯错的，AI 也一样。
我认为这些都是典型的“惹麻烦”方式。所以回到前面那个答案——小型化、外科手术式、高度专业化的 AI——就是为了避免那种胡编乱造的问题。也就是说，不要用同一个概念反复轰炸它，还期望得到不同的结果。如果你不给它任何引导和约束，它就会开始在一些并不存在正确答案的地方进行搜索，然后开始编造内容。顺便说一句，人也是一样的。所以我认为这就是你应该如何避免麻烦的方式。
Sam: 这是一个很棒的回答。最后一个问题是：当增加新的代理（人员）时，是你们的最佳实践发挥了作用，还是最差的做法暴露了出来？
Selim: 都会，答案是 “都会” ——两种情况都会发生。所以你在经历的那个学习过程会让你意识到哪些最佳实践确实有效，因为它们经得起考验；而那些你原以为做得很棒、结果却像有人把铜锣扔下楼梯一样刺耳难堪的地方，也会暴露无遗，被凸显出来。所以我认为你会同时学到两方面的东西。而且我觉得我们每个人都活在很多误解之中。
我对自己有一件事引以为傲，而且我向自己承诺过，这辈子直到最后一口气都要做到——我希望自己永远不会成为那种按照模板一遍又一遍做同样的事、墨守成规的人。我愿意成为那种人：“上次我做这件事的时候用了 X 方法，而今天我要尝试一些不同的做法，因为我意识到有些地方并没有达到理想效果。”当然，如果要说的话，我是把这抽象地应用到更广义的生活中去，但就是努力不要落入那种只是被某种让自己舒服的东西吸引的老套模式。
我觉得这正是 AI 让人无比兴奋的地方。我发现自己状态最好的时候，恰恰是那些让我有点不舒服的时刻。那种不适感推动我去做过去认为自己做不到的事情。我想鼓励任何对某些事情心存忐忑的人：走出去，冒个险，看看会发生什么。AI 会帮你搞明白的。在某些情况下，你可以在真正动手构建某样东西之前先验证一个理论。我认为 AI 在这方面为我们提供了很大的试错空间。AI 给了我们一个机会，我可以在幕后疯狂试错，再去拿着最好的结果面对公众。我自己经历过很多公开失败，但我相信正是这些失败让我在生活中成了一个更高效的人。
Sam: 说得好。不过说到这里，我们也该结束今天的节目了。Selim，非常感谢你今天来我的节目。我觉得这期内容不仅仅是 “有点启发性” ，而是真正的真知灼见。
另外，各位听众，如果你喜欢这期播客，请一定关注这个系列，我们还将带来更多精彩对话。感谢收听。谢谢你，Selim。
Selim: 谢谢你的邀请。
