多模态智能体是什么？北京大学FDE研修班钟亦武讲授《语言驱动的多模态智能体》

聊天机器人已经不新鲜，能看图、能听语音、能拆解任务并动手执行的智能体，才真正让行业兴奋。多模态智能体这个词随之频繁出现：它和多模态大模型是什么关系？语言驱动又是什么意思？想弄明白这些概念，2026年11月14日北京大学的这堂课是一个合适的入口。

从「能聊天」到「能干活」：多模态智能体是什么

多模态，指的是文字、图像、语音、视频等多种信息形态。多模态大模型让机器能够同时理解这些信息；智能体在此之上再加一层行动力——感知、理解、规划、执行，形成完整闭环。两者结合，才是多模态智能体。 按研修班课表上的介绍，从「能聊天」到「能干活」，多模态智能体正从概念走向实际应用。无论是多模态大模型的技术突破，还是智能体系统如何感知、理解、规划并行动，行业都在寻找把智能能力嵌入业务、让AI真正创造价值的实践路径。理解这条脉络，就不会把智能体简单等同于聊天窗口。

语言驱动：让文字成为智能体的总指挥

语言驱动的智能体系统，核心是用自然语言组织整个工作过程：人用一句话说明目标，系统自己拆解步骤、选择工具、核对结果。语言不再只是输入方式，而是编排任务的中枢。 对企业来说，这意味着门槛的转移。过去用AI要写代码、配流程，现在更多是把业务要求说清楚、把知识备齐全。工具在变，但对业务理解的要求没有变，反而更高了——说得清楚目标的人，才指挥得动智能体。

11月14日北大课堂：钟亦武开讲

2026年11月14日，北京大学智能学院助理教授、研究员、博士生导师钟亦武主讲《语言驱动的多模态智能体》。钟亦武2021年博士毕业于北京大学计算机学院，研究方向包括多模态大语言模型、智能体系统、具身智能、AI for Science，发表CCF-A类论文40余篇，Google Scholar引用4700余次，并担任NeurIPS、ICLR、ICML、ACL、EMNLP等会议资深或高级程序委员。 研修班2026年11月14日至15日在北京大学上课，具体安排以本期教学通知为准。想系统了解多模态智能体的技术前沿与应用方向，站在讲台上的人很重要：既做过一流研究，又清楚技术正往哪里走。

索要详细招生简章、课表和课程服务，请联系：

服务电话：400-061-6586

联系人：程老师

服务微信：pxbbaoming

了解更多详情，请点击访问：课程首页

温馨提示：本文内容根据课程内容整理，各模块实际讲授内容由授课老师根据学员情况灵活调整，最终以课堂授课为准。

常见问题

问：多模态智能体和多模态大模型是一回事吗？

答：不是。多模态大模型解决的是理解多种信息的问题，智能体在此基础上增加规划与行动能力，能拆解任务、调用工具、完成工作，形成从感知到执行的闭环。

问：「语言驱动」具体指什么？

答：指用自然语言作为任务编排的中枢：人说出目标，系统自行拆解步骤、调用工具并核对结果。语言从输入方式变成了指挥系统工作的总开关，这是智能体好用与否的关键。

问：钟亦武老师的研究方向是什么？

答：据研修班课表介绍，钟亦武是北京大学智能学院助理教授、研究员、博士生导师，研究方向包括多模态大语言模型、智能体系统、具身智能、AI for Science等，并在多个顶级会议担任程序委员。

问：这门课适合什么基础的学员？

答：课程围绕多模态智能体的技术突破与应用路径展开，兼顾技术脉络与应用视角。具体适合人群和授课深度，建议索取详细招生简章后与课程老师确认，匹配好需求再报名。