文 / 孙凯
最近在公司内部讨论我们正在研发的旅游AI Agent项目时，我突然想到了一个充满象征意义的名字——Elsie。
听起来可爱吧？但这并非随意起的代号。她其实是 世界上第一只会自己“思考”和“游荡”的电子乌龟，也是现代智能体（Agent）概念的原点。
于是我想，或许我们团队有必要了解一下，AI Agent 是怎么从一只小乌龟，一步步走到今天能帮你规划行程、订酒店、甚至预测你的旅行偏好的“超级助理”的。
⸻
一、起点：会“思考”的乌龟
时间回到 1948 年，英国神经生理学家 William Grey Walter 在布里斯托尔的实验室里，造出了两只奇怪的小机器——Elmer 和 Elsie。
它们看上去就像两只金属乌龟，三轮驱动，头顶一根光感天线，能在房间里自由移动。
更神奇的是，它们会：
• 追逐光源，就像植物向阳一样；
• 撞到墙会转弯；
• 电量低时会主动寻找光亮处“充电”；
• 甚至两只乌龟相遇时，还会互相绕圈、看似“打招呼”。
Grey Walter 并没有给它们装“AI 芯片”——那时连计算机都稀罕。它们的“大脑”只是几根真空管和电路反馈，却展现出生命般的智能行为。
这是人类第一次意识到：智能，不一定需要思考，它可以从简单的反馈中涌现。
⸻
二、理念的延续：从控制论到教育机器人
Elsie 的故事很快传遍科学界，并催生了一个新领域——控制论（Cybernetics）。
这个词由数学家 Norbert Wiener 提出，主张“动物与机器在信息反馈和控制上是一致的”。
几十年后，麻省理工学院的 Seymour Papert 把这种理念带入教育领域，设计了著名的 Logo 语言 和 “电子乌龟（Logo Turtle）”。
孩子们可以编程让乌龟画圆、走方形、追踪路径——他们在玩耍的同时，其实在学习思维的结构。
从那时起，“Agent” 不再只是科研仪器，而成了学习伙伴、思考工具。
⸻
三、智能体觉醒：从符号到学习
进入 1970–1990 年代，AI 的研究重点转向“符号推理”和“专家系统”。
与此同时，“智能体（Agent）” 这个词正式进入学术词典，被定义为：
“能感知环境（Perceive）、做出决策（Decide）、采取行动（Act），以达成目标的系统。”
这一代的智能体多出现在：
• 自动控制系统（飞机、工业机器人）；
• 虚拟助手、推荐算法；
• 多智能体系统（MAS），可相互协作、竞争与进化。
Agent 的思维框架从“程序执行”转向“目标导向”，开始具备一定的自治性。
⸻
四、机器学习革命：Agent 学会了“学习”
21 世纪初，机器学习崛起，智能体不再仅凭规则行动，而能从数据中学习策略。
强化学习（Reinforcement Learning）成为关键驱动力——这其实和 Elsie 的反馈回路如出一辙，只不过用的是数学公式（S是状态空间state，a是行动action，Q是动作价值函数，衡量在状态 s 下采取动作 a 并随后遵循最优策略所能获得的期望回报）：
机器通过“奖励信号”学会什么是好动作，就像乌龟追光、避障那样，只不过这次它能玩游戏、开车、管理金融资产。
⸻
五、LLM Agent：乌龟的重生
到了 2020 年代，生成式 AI（Generative AI）让智能体焕然新生。
ChatGPT、Claude、DeepSeek、Qwen 等大语言模型（LLM）成为“语言脑”，它们能：
• 理解自然语言；
• 拆解复杂任务；
• 自主调用工具、执行操作；
• 与其他 Agent 协作解决多步问题。
这便是如今我们正在构建的“旅游 AI Agent”的底层逻辑——
一个能理解你旅行偏好、主动规划、实时响应、不断学习的智能伙伴。
而它的精神祖先，正是 77 年前那只在昏暗实验室里追逐光线的小乌龟。
⸻
六、从Elsie到我们：智能的循环
回头看，这条发展曲线仿佛一条螺旋：
每一次技术飞跃，都让“智能体”离“理解人类”更近一步。
而今天，当我们在公司实验室里让一个旅行助手理解“我想周末去东京，但不想太贵也不想太赶”时——
其实，我们正延续着那只乌龟的旅程。