2025年4月，人工智能研究杂志（Journal of Artificial Intelligence Research）发布文章《从专家系统到生成式人工专家：人机协作在知识工作中的全新范式》（From Expert Systems to Generative Artificial Experts:A New Concept for Human-AI Collaboration in Knowledge Work）。该研究针对生成式人工智能在情境敏感专业任务中存在的局限性，首次提出且系统定义了“生成式人工专家”（Generative Artificial Experts，GAEs）这一新概念，并探讨其潜在应用场景、生产力提升价值及伦理风险。启元洞见编译核心内容，向读者介绍这一由工具型人工智能向协作型专家系统转变的新概念。
一、引言
生成式人工智能工具和模型特别是大语言模型的公开可用性，已经显著改变了专业工作流程。人工智能体的持续发展可能进一步强化这一趋势，然而在情境敏感的专业应用方面仍然存在不足之处。尽管整体上看现有的生成模型非常有效，但在执行特定任务时往往无法提供所需的对该领域的深入理解。人们认为，知识工作领域将是最受生成式人工智能应用影响的领域，在知识工作中采用生成式人工智能会产生积极效果，如减轻认知负担、增强完成更复杂任务的能力、改进学习过程等。
此外，人机合作是促进知识工作提升的因素之一，这为开发一种新型人工智能系统提供了推动力，该系统专门设计以满足知识工作中不断增长的情境智能需求，这类系统可能比现有的生成式人工智能系统更能促进生产力的提升。为了填补这一空白，我们提出并阐释了生成式人工专家的概念。
生成式人工专家是一类基于生成式人工智能的具有对话界面的新型计算机系统，作为半自主的、高度专业化的人工智能体发挥作用，它们配备了相关领域的专业知识，并以协作方式与人类共同解决问题。除了包括一般性的知识和对世界的理解（类似其他基于大语言模型的系统）外，其底层模型还会使用特定领域的数据进行训练，在所选的特定领域具有深入的知识，从而能够以适合该特定领域的方式解决具体问题。生成式人工专家将建立在多模态生成式人工智能软件之上，系统底层以大型语言模型为基础，与用户（人）的交互界面是自然语言——书面或口头形式，拥有包括自然语言处理、学习、图像处理和内容生成等在内的能力。这些系统也能够在一定程度上进行推理和决策，并由人类监督，即具有有限自主性（bounded autonomy）。
生成式人工专家绝非为了取代专业领域的人类专家，而是用于支持专家的工作。当前的生成式人工智能系统虽然功能多样，但其知识库通常涉猎广泛而浅显，这使得它们在处理特定领域任务时容易不准确。这些系统具有被动应对性，依赖用户提示，并且在整合工作流程方面能力有限，从而影响了它们的有效性。然而，得益于生成式人工智能技术的进步，新一代系统比传统专家系统更有望兑现“模拟人类专家”这一承诺。
本文通过文献综述与概念建模方法，综合专家系统、生成式人工智能与人机协作三个领域的理论与实践成果，构建出生成式人工专家概念框架，以解决当前生成式人工智能系统的局限性。此外，还定义了其七大决定性特征，并通过典型示例展示了其未来应用的可能性。
二、从专家系统与生成式人工智能到
生成式人工专家
生成式人工专家可以被视为专家系统的演化形式，尽管其能力和潜力远远超越了传统专家系统。
（一）专家系统
专家系统是通过模拟人类专家的决策能力来解决复杂问题的人工智能应用。它综合大量信息，并依据所积累的知识进行推理，提供专业见解。
现代专家系统结合神经网络与传统的基于规则的系统，提升了能力和适应性。其核心组件包括用于存储专门信息与规则的知识库；根据逻辑规则从知识库中推导答案的推理引擎；解释系统推理过程的解释模块；简化从人类专家获取知识并转化为系统可读格式过程的知识获取模块；作为人与系统之间的桥梁、支持用户输入查询并理解系统回应的用户界面。
传统专家系统存在若干局限。知识获取瓶颈是一大挑战，该过程劳动密集，需要人工输入与人工校验，构建、更新与扩展知识库既耗时又昂贵，难以保持系统的时效性与适应性。性能亦是早期专家系统面临的难题，部分原因是使用了需解释执行而非预编译的工具。当知识库规模扩大、复杂度提升时，即使是简单任务也使计算开销变得巨大。专家系统在一个封闭、静态的知识世界（通常限于某一学科）运作，缺乏对概念及其相互关系的理解能力，无法生成新见解，亦无法理解知识要素之间的联系。
（二）生成式人工智能
设计生成式人工智能的目的是基于从已有数据中学习到的模式生成新数据，代表性技术成果包括大语言模型等。大语言模型通过对大规模文本数据中的统计模式进行识别与建模来运作。训练时学习词汇间的概率依赖关系，响应提示时则基于这些模式预测并生成类人文本。大语言模型并非真正“理解”文本，其本质是概率预测。得益于庞大的训练语料，它们能够生成覆盖领域广泛的信息，其表现已在许多方面媲美人类专家。
尽管发展时间尚短，生成式人工智能已被认为对企业具有巨大价值，能有效支持翻译、摘要和问答等任务。此外，在图像、代码和音频生成领域也取得显著进展，进一步发展的多模态生成式人工智能整合了文本、图像、视频等多种信息形式，能够支持更复杂多样的应用场景，被视为潜力巨大的新兴发展方向。
生成式人工智能是生成式人工专家的基础。生成式人工专家的多模态能力（包括自然语言处理、图像或代码生成等）直接建立在生成式人工智能的发展成果之上，能够根据任务需求以最有效的方式进行交互与响应。
（三）从专家系统到生成式人工专家
向生成式人工专家过渡的过程保留了对原有专业能力的重视，但引入了更广泛的能力。目标也从仅仅复制人类专家的功能，转向支持和增强人类专业能力。
专家系统虽具开创性，但僵化的基于规则的框架使其难以适应新的或突发的情境，在复杂环境中容易出现错误。它们缺乏动态反馈机制，不能随着应用领域外部环境的变化而变化，面对新情境时可能落后。专家系统还面临严重的难扩展问题：知识库无法自主扩展，学习与更新严重依赖人工干预，缺乏创造和协作能力，极大限制了其在解决跨学科和创造性问题中的应用。
通过生成式人工智能的进步，生成式人工专家具备处理和生成多样数据形式的能力，可在其专业领域中扮演更复杂的角色。基于生成式人工智能的系统还在问题解决中引入了创造力因素——能够生成新的解决方案、观点与见解。它们可以借助新的计算方法与更强大的算力完成更大规模的任务。其不仅是独立的决策者，还是增强人类能力的协作工具。
三、人机协作赋能生成式人工专家
人机协作发展路径可以划分为三个阶段：人机交互、人机互动、人机协作。生成式人工专家的概念化及其在知识工作中的应用，正是建立在这一协作范式之上。
人机交互是一个成熟的研究领域，聚焦于人与技术之间的交互，主要关注界面设计的可用性、用户体验和人体工学等方面。后来，其逐渐融合心理学、设计学与社会科学等学科，并演化出更智能的交互界面，如聊天机器人和语音助手等。随着技术发展，当人们可以通过自然语言与人工智能进行高质量人机互动时，人机协作关系就具备可能性。
这种协作超越了传统人机交互中的简单请求与应答，进入一个双方均可适应并从互动中学习的新阶段。交互是单向的，而协作则是双向的、具有共同目标的过程。人工智能与人类共同形成的集体智能可产生单方难以实现的成果，生成式人工专家将作为“助手”“同伴”乃至“管理者”参与知识工作，与人类共同构成超越个体能力的集体智能系统。
四、生成式人工专家的定义及
定义性特征
（一）定义
生成式人工专家是为人机协作而设计的生成式人工智能体，其工作范围聚焦于专业领域。其基于多模态生成式人工智能，能够执行操作、具有有限自主性，并积极参与与人类的协同问题解决与决策过程。核心理念在于以合作为优先目标，利用生成式人工智能的能力来增强人类的工作能力。
显著特征有二。一是通过对话界面与用户交互，为解决复杂的、需要专业知识的任务提供针对性支持。这一特征使其区别于其他仅将生成组件作为整个系统一部分的通用型人工智能系统。二是能够在用户工作流程中进行半自主操作，进行某些决策，并完成多种任务。
（二）定义性特征
生成式人工专家的定义性特征由七项核心要素加一项伦理考量组成，构成一个清晰的判断标准，帮助识别该类系统并区别于其他人工智能系统。若一个系统符合所有特征，即可被归类为生成式人工专家。若仅符合部分特征但用于相关场景，可被称为准生成式人工专家系统。
下表总结了七大定义性特征：
（三）生成式人工专家的典型示例：Finley
作为金融交易分析专家的Finley是一个面向金融行业的生成式人工专家，专注于股市数据分析和投资策略制定，具体特征如下。
在协作能力方面，可作为顾问参与策略讨论，也可按用户授权执行交易任务；在领域专长方面，通过CFA、CFP、CPA、CAIA等金融专业认证测试，具备实时更新的市场知识；在合成角色方面，采用数据驱动的专业沟通风格，灵活调整表达的复杂度；在多模态能力方面，能够生成图表、热力图，并将文本分析转为语音汇报；在个性化适配方面，可根据用户的风险偏好、监管要求等进行个性化配置；在有限自主性方面，能够在风险容忍度内自动监控市场并执行交易；在执行能力方面，可以实现自动交易、资产配置、数据接口调用等功能。
五、生成式人工专家的
影响与指导原则
生成式人工专家可能带来正面与负面影响。鉴于其尚未落地应用，当前讨论仅为推测。
（一）可能带来的正面影响
生成式人工专家有望显著提升生产力，使用户能委托繁琐或创造性的任务。它们能深化知识民主化，向非专业人士普及专家级知识（如指导初级研究人员）并赋能资源有限的小型组织，缩小技术鸿沟。通过在高质量数据集上训练，还可能提升决策质量，减少通用模型在处理专业任务时的不准确性，提高输出的可靠性。
（二）可能带来的负面影响
1.就业岗位流失
尽管生成式人工专家设计初衷在于“增强”而非“取代”人类能力，但技术自动化仍可能导致行业结构性变化，迫使部分工人进入新行业，学习新技能。
2.系统出错风险
若对生成式人工专家过于依赖，可能忽视人类专业判断，一旦系统出错，将引发重大风险。因此，必须在系统设计中保持人类监督与容错机制。
3.制造“回音室效应”
若生成式人工专家被设计为“顺从型”工具，可能倾向于重复用户观点，强化偏见，限制观点的多元性。
4.人类技能退化
若工程师过度依赖其进行故障排查，长此以往，可能削弱工程师自身的问题解决与逻辑思维能力。
5.人类自主性的削弱
在生成式人工专家广泛参与决策、任务分配与绩效评估的情境下，员工可能感到“被控制”，产生失控感与工作倦怠感，削弱自主性。
6.被恶意利用的风险
生成式人工智能已被证实可用于制作深度伪造内容，助长信息操控、诈骗与侵犯隐私行为。同样，生成式人工专家若被恶意使用，可助长网络攻击、虚假新闻与金融操纵等问题。需建立健全的权限管理与使用监管机制。
7.“专业性”评估机制缺失
衡量人类“专家”通常依据学历、经验、同行评议与成果等，但这些标准无法直接应用于生成式人工专家。因此，亟需新的专业性评估机制。建议使用三种方法：
（1）人类等级评估，如考试、认证或专家评审；
（2）结合人类专家反馈的真实场景测试；
（3）技术性能评估，如推理能力、知识探查、偏见检测、鲁棒性测试等。
此外，生成式人工专家系统应具备解释性，即用户能够理解其决策逻辑，这对于赢得高专业水平用户的信任至关重要。
（三）指导原则
未来生成式人工专家的开发应以以下四个原则为指导。
一是实用性导向原则，围绕实际应用场景构建系统，重点聚焦领域专业性与任务适配性；二是协作优先原则，通过接口设计、语用风格与行为模式鼓励人与人工智能之间的协同共创；三是伦理保障原则，构建透明、可解释的行为机制，注重公正与隐私保护；四是渐进增强原则，不追求完全自主，而是在可控范围内逐步提高任务执行能力。
生成式人工专家是一种架构理念，也是一种技术构建思路，更是一种认知的转变：从追求“智能替代”转向“智能赋能”。
六、结论
生成式人工专家的主要创新之处在于：第一，将生成式人工智能的通用能力转化为领域专用型专业能力；第二，以协作为设计出发点，强调人机之间的共同目标与互补关系；第三，强调系统行为的个性化适应与组织嵌入能力；第四，提出“有限自主性”概念，平衡人工智能自主性与人类控制权；第五，将系统执行能力视为核心功能之一，推动人工智能从“语言工具”走向“行动代理”。
生成式人工专家是对人类与智能系统关系的一种全新设想，通过构建具备专业性、能够执行任务、面向协作的智能体系统，我们或将进入一个人与人工智能共创知识、共享责任的新时代。
免责声明：本文转自启元洞见。文章内容系原作者个人观点，本公众号编译/转载仅为分享、传达不同观点，如有任何异议，欢迎联系我们！
转自丨启元洞见
研究所简介
国际技术经济研究所（IITE）成立于1985年11月，是隶属于国务院发展研究中心的非营利性研究机构，主要职能是研究我国经济、科技社会发展中的重大政策性、战略性、前瞻性问题，跟踪和分析世界科技、经济发展态势，为中央和有关部委提供决策咨询服务。“全球技术地图”为国际技术经济研究所官方微信账号，致力于向公众传递前沿技术资讯和科技创新洞见。
地址：北京市海淀区小南庄20号楼A座
电话：010-82635522
微信：iite_er
