1.AI演进：从概率预测到逻辑因果

day1，写几个观点，先了解一个趋势，辅助未来一两年的决策。

1、从直觉响应转向严谨的因果推演

AI已经从概率的直觉响应进入到逻辑思维的因果推演，这一转型推动大模型及周边应用技术演进。生活中常用的大模型工具虽然进一步很大，但是让人感受更多多的是其出色的“语感机器”。也就是说，大模型依托海量文本数据训练，学会了直觉式的反馈问题的答案，模型的进步带来的感观上的提出越来越小，更多是一次性回答更加准确，对话更加流畅，更丰富的文本生成与摘要总结。这种基于概率统计的模式，在日常办公、内容创作等容错率较高的场景中表现亮眼，但在SRE运维保障等对准确性和确定性要求极高的领域瓶颈十分明显。

这类概率驱动型AI的核心局限的是一个黑盒子，出现知其然，而不知其所以然。相比于豆包、gemini等2c客户端，Agent应用中更能体验到大模型的进步。Agent应用需要强大的逻辑推理能力，基模不再仅依赖数据表面的关联关系，而是引入了类似专家的因果推演能力，分析问题根源，实现从预测到逻辑分析的升级。

二、理解模型发展的路线有助于智能运维建设的阶段性决策

OpenAI借鉴自动驾驶分级逻辑，提出的AGI五级标准，其量化了AI的能力进化程度。OpenAI这个5级分类具有比较好的解释性，当然也有人认为这5级在企业发展过程中存在交叉的问题。

• L1: Chatbots（对话级）：边界在于流畅性，能听懂人类指令、撰写总结、生成文本摘要，其更多的是概率驱动的直觉反应。比如运维领域的知识库、日志表面意义解读等日常办公，难以承担复杂运维决策任务。
• L2: Reasoners（推理者）：关注解题能力，具备严谨的逻辑思维，能处理未知的复杂问题。与L1模型最大的区别是“慢思考”，通过内部思维链进行自我校验、因果推演，确保输出结论有迹可循。现在国内比较火的GLM-5,千问3.5，kimi2.5都具备L2所需的逻辑一致性、自我纠错推理特征，其接近L2的天花版接近到L3的门槛。
• L3: Agents（代理级）：核心边界在于“自主性”，除了逻辑推理以外，还能够执行工具调用、自主规划、执行闭环。即不仅能想出解决方案，还能自主在系统或终端执行操作、观察反馈并修正结果，具备跨越数天的任务续航力，实现思考与行动的闭环。
• L4: Innovators（创新者）：能够辅助人类创造新知识、新方案，突破现有技术边界，为应用场景创新提供基础。
• L5: Organizations（组织者）：AGI 的终极形态，能像完整团队一样自主运行，统筹各项运维任务，实现全流程自主决策、自主执行，彻底替代人工完成核心运维工作。

三、AI行业正在聚焦从L2到L3之间的升级

当前，Agent的平台与应用爆发，模型正处于从L1、L2到L3的密集跃迁期，其中L1→L2的逻辑闭环、L2→L3的执行闭环。这个过程，需要运维组织思考如何基于模型的升级，去应用适配SRE运维保障场景的关键突破，落地AI在核心运维中的应用价值。

从L1到L2的升级，告诉AI应用场景不再是追求快，而是要更加准确和可解释性。也就是说要让AI掌握慢思考能力，摆脱了直觉式响应的局限，具备了严谨的因果分析。比如对于系统请求延迟的监控街区，L1模型主要是解读告警表面语义，针对知识库快速得出建议资源扩容。而L2模型则会将问题作为一个未知问题，去采用逻辑推演，尝试定位性能不足的根因，例如，将延迟的根因分析为是否变更发布后的数据库索引、程序版本、网络带宽等，然后再提供应急决策。L2这种因果分析能力，是L1模型无法应对的确定性需求。

从 L2到L3的升级，是 AI 拥有了行动能力，不再局限于分析根因、给出建议，而是能自主落地执行运维操作。区别于API调用的操作方式，Claude已经演变为超级终端，其“Computer Use”，让电脑自动操控功能，让AI具备自主操作终端（打开应用、操控键鼠、运行工具、处理文件等）的能力，是AI从L2向L3跃迁的关键体现。同理到运维领域，将发现监控异常、查看日志与链路、定位 Bug、执行应急止损、观测修复等全流程的运维操作，实现思考到行动的闭环。

四、推理与思维链是升级背后的设计逻辑

在L2中强调了推理能力，什么是推理能力呢？其关注AI处理陌生、复杂、长链条逻辑时的能力，比如：

• 逻辑一致性：在分析问题时，AI需保持逻辑闭环，不出现自相矛盾的判断。例如，第一步判定故障为网络延迟，后续就不能无证据跳转至硬件损坏，需严密咬合每一个因果链条，确保结论是推理分析出来的。
• 自我纠错与路径回溯：比如功能出问题让AI分析原因时，AI先分析某一段代码问题并完成构建、发布、重启，但检查时发现问题依然存在，其需要能够主动推翻原有判断，返回逻辑分叉点重新分析，并进入下一个解决闭环。这种纠错在一定程度上，有助于问题的更加准确的定位。
• 泛化应对“黑天鹅”能力：推理的核心是掌握底层底层原理，而非背诵训练案例。推理能力虽然重要，但在运维中，推理必须基于最新的“拓扑结构”和“变更日志”。逻辑是骨架，实时数据是血肉。才能实现即便面对从未见过的生产问题，也能基于通用规则推导出故障点，适配各类突发运维场景。

另外以OpenAI的o1与o3区别，其主要是在推理中采用思维链方式。思维链的方式适合复杂SRE场景中，这种“慢思考”是规避级联故障的方案。比如，交易系统订单响应延迟报警出现，o1模型就会像一个手持应急操作值班员工，他直接命中“应用响应慢”关键词，给出建议：“通常是因为连接数不足或CPU过载，请尝试扩容数据库连接池。”的应急预案。这种直觉式反应因为忽略了严谨的因果推导，可能会导致更大的故障伤口。比如，如果此时根因是磁盘I/O达到瓶颈，扩大连接数可能会引入更多并发请求，彻底压垮I/O，导致系统全站宕机。思维链的“慢思考”，是在输出建议前，会在后台运行一段隐性思维链，比如：获取可观测的性能指标数据观察与排除，检索近期变更的间接原因分析， 再收集更多数据进行多维验证，最后才是决策可能并非连接数不足问题，而是因为变更后引入低效sql，可能通过为低效SQL增加索引解决问题，而非盲目扩容数据库。

五、智能运维慢了半拍，先关注从L1.5至L2.0

当前AIOps的核心痛点，在于其并未真正达到L2级别，而是处于L1.5的中间过渡状态：虽能基于现有信息完成基础分析推理、数据统计及总结输出，但未达到L2级模型应有的严谨性，缺乏核心的因果推断能力。以监控告警场景为例，模型虽能围绕告警信息开展分析总结，却无法精准追溯故障根因，既不能独立承担排障任务，更难以在生产环境中直接落地执行，陷入“食之无味、弃之可惜”的尴尬困境。短期来看，突破这一瓶颈的关键的是以逻辑推理为基础，重构运维SOP体系，将运维专家积累的SOP流程与实操经验，通过MD文档或小模型决策树进行结构化梳理，转化为AI可识别的逻辑约束，推动模型实现从“观测告警”到“根因分析”的相对确定性跨越。在完成从L1.5到L2的进阶，再进一步衔接L3级执行闭环，实现运维操作的自动化落地。