中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

現在各家基本上都有自己的大模型產品，現在的重點都是在找商業模式，以及擴展大模型的應用場景上。所以大家做APP、做Copilot也就不足為奇，都是為自己找出路的做法。但從作者的角度，Copilot只是傳統互聯網應用到大模型應用的過渡，AI Agent才是大模型的下一站！

仔細想想，自從Chat GPT發布之后，大模型行業相關的玩家們其實一直在忙兩件事：

1. 提升基座大模型的能力：主力是國內外的大廠以及創業新勢力，從最初的文、圖、視頻等單一模態到現在的綜合多模態大模型，這些玩家利用Scaling Law，通過提升大模型的訓練數據、訓練算力和參數數量，以此來提升模型的性能，看這些市面上多如牛毛的大模型就知道這個方向成果頗豐。

不過雖然目前Scaling law還未失效，但其實已經遇到了遞減的回報—也就是說，雖然模型性能會隨資源投入量的增加而改善，但每增加一單位資源帶來的性能提升會逐漸減少，何況還有數據、算力上限的掣肘，未來的這個賽道的激烈程度不言而喻。

2. 探索大模型時代的Super APP：其實從 GPT-4 的 Auto GPT、Baby GPT、GPT-Engineer 等開源 Agent 開始，大家對于大模型時代的AI Agent的探索就再也沒有停歇！對于廣大的小公司或者普通人而言，基座大模型如何發展他們參與感不強，大家的機會或者說是關注點則更傾向于如何將LLMs落地于應用。

李彥宏說：所有應用都值得被大模型重構一遍，但快兩年了，為什么目前還沒有看到令人興奮的AI應用？我個人的思考是：大模型的能力不夠強是一方面，但更大的問題是大家并沒有考慮清楚什么是大模型時代的應用？遍歷市場上所謂的大模型應用，其實90%都是Copilot類產品，本質還是互聯網應用，只是在原始架構上簡單累加或者羅列大模型的能力。

Copilot只是傳統互聯網應用到大模型應用的過渡，AI Agent才是大模型的下一站！

01.Agent的前世今生

1. 1986年到1997年：Software Agent

“Agent“這個術語在這個時期就已經出現了，包括Carl Eddie Hewitt和Michael Wooldridge在內的西方學術界的杰出計算機科學家們及人工智能研究者，對這一主題進行了深入的探討，并展示了眾多的系統示例及發表了大量研究論文，探討了Software Agent在各種應用場景中的潛力。

可以說，過去三十年來，Agent的理念基本保持不變，但由于當時的AI和計算能力限制，該概念在90年代流行了一段時間后逐漸淡出視線。

這個時期的Agent的概念源自于日常生活中廣泛存在的代理概念。這些日常代理，如旅行代理或房地產代理，代表他人行事且具有一定的自主性，例如房地產代理可在未經房主直接同意的情況下，為空置房產安排看房。這些普通代理展示了主動性和合作的能力。

根據當時的計算機專家定義，Agent的幾個關鍵特征包括：

1. 自主性（在無需人類干預的情況下獨立運作，并控制其行為和內部狀態）
2. 社交能力（能通過某種通訊語言與其他代理或人類互動）
3. 反應能力（能感知并及時響應外部環境的變化）
4. 主動性（具備目標導向的行為，不僅響應環境，也會主動行動以達成目標）。

2. 2023年4月至今：AI Agent

GPT-4發布之后，以AutoGPT、BabyAGI等為代表的一批自主代理（Autonomous Agents）的開源內容再次引發了學術界和產業界對于Agent系統和概念的興趣。其中，學術界的參與和熱情更為明顯，目前Github上大約95%的相關Demo均由全球的科研機構和高校提供。

圖片：斯坦福和谷歌論文《Generative Agents: Interactive Simulacra of Human Behavior》

現階段人們對 AI Agent 的定義和 30 年前當時對 Software Agent 定義變化不大，期望仍然是：在有了目標后，獨立決策并完成任務的。唯一區別就是傳統的Software Agent更多是依賴預設的算法或者規則解決一些簡單的、流程明確的任務，但是在大模型加入后，Agent對于目標任務的拆解、規劃能力更強了。

大語言模型的加入為 Agents 設計帶來了變革，基于大語言模型的 Agent 可以整合更多的工具，同時多模態的能力還可以讓Agent感知復雜和未知的環境，在決策策略上也更有優勢，甚至可以利用一些手段讓 Agent 具備持續學習能力，提高 Agent 處理任務的多樣性。

簡單來說，我們希望理想的AI Agent是一個強大的通用問題解決方案助手。

02.理想的AI Agent應該有哪些組件？

如果把大模型比作大腦前葉，負責計算，那么 Agent 也許更像整個大腦，有記憶，規劃，行動，和使用工具的能力。所以對比大模型，Agent 更像一個完整的 App。Agent 時代的人機交互就像人與人的交互一樣，更自然，更沉浸，更個人化。

比如：AutoGPT ，這類 Autonomous Agent 核心是利用模型 COT 能力讓大模型通過審視自己上一次調用工具后輸出結果，審視自己是否有改進的空間，再進行下一步規劃和改進，以此來“激發”大模型的主動性。

參考Open AI研究員翁麗蓮、機器學習專家吳恩達以及多篇關于Autonomous agents 的文章，這里我給出我理解的理想的AI Agent構成。

規劃（Planning）：

• 任務拆解：Agent能將大任務分解為更小的、可管理的子目標，從而有效地處理復雜任務。對于每一個目標，評估使用不同行為方案的可行性，選擇其中期望效果最好的一個。
• 反思與改進：Agent可以接受來自人類或者環境的反饋，并反思歷史的行為，從錯誤中吸取教訓，并將錯誤內容加入長期記憶形成人類的教訓，為未來的步驟進行改進，更新其對世界的認知，從而提高最終結果的質量。

行動（Action）：

負責將Agent的決策轉化為特定的輸出。

• 環境探索和交互：Agent能夠通過與環境交互獲取新知識，并通過總結最近的經驗來增強自己。通過這種方式可以生成越來越適應環境且符合常識的新行為。
• 記憶檢索：Agent根據存儲在記憶模塊中的經驗做決定，在采取行動時，相關的記憶片段被檢索作為 LLM 的條件輸入，以確保先前的錯誤不會再犯。
• 工具使用：可以通過文檔和數據集教會 Agent 如何調用外部工具的 API，來補足 LLM 自身的弱項，甚至可以通過工具使用完成和硬件的交互。

記憶（Memory）：

信息可以用各種格式存儲在記憶中，來模仿人類大腦那樣從過往的經驗中學習正確的工作模式。

• 短期記憶：這一輪決策所需要用到的所有信息。其中包括上下文內容，目前Agent的記憶都是短期的。
• 長期記憶：這為Agent提供了在較長時間內保留和回憶（無限）信息的能力，目前是通過利用外部向量存儲和快速檢索來實現的，未來可以建設一個記憶系統，能記憶各種圖、文、向量數據信息，包括用戶用戶偏好和工作習慣，以此能做出更智能的決策。

03. 為什么說大模型下一站是：AI Agent

1. AI Agent 將成為人類新的系統2

在《思考，快與慢》一書中，人的認知過程被劃分為兩大類，即系統 1 和系統 2。前者是快速且依賴直覺的思考模式，盡管靈活迅速，卻容易犯錯。后者則是緩慢而邏輯的思考方式，雖然速度較慢，但結果往往更為可靠和準確。

大型語言模型（LLMs）非常適合執行類似系統 1 的任務，它能迅速處理和回應大量信息，類似于人們在聽到信息后能立刻理解和回答。然而，LLM 有時會產生幻覺效應，即造出不存在的事實，這種現象與人類的直覺思考中的偏誤和本能響應有著相似之處。

而AI Agent的一項重要長期目標是讓LLM能夠擔任類似系統 2 的角色，在深度思考和分析基礎上做出更為復雜和可信的決策。CoT的研究就是這方面的一個杰出例子，它通過提示來讓大模型模擬人類復雜的推理過程，以此激發出LLM更高級的智能，幫助和輔助人類進行思考，甚至是幫助人類完成行動。

2. AI Agent 將低成本為每個人實現軟件定制

Andrej Karpathy 曾提出”Software 2.0″的概念，強調通過大數據和強大的計算力，可以有效處理此前需要大量人工和高成本才能解決的復雜問題，AI Agent正是將這一觀念具體化的例子。

當前，市面上的主流軟件多為用戶群體大、標準化高的需求所設計，只有當需求量足夠大時，企業才會投入資源開發。然而，許多小眾、特異化的需求常常得不到滿足。隨著AI Agent的成熟，軟件開發將實現成本的大幅降低。使軟件能夠靈活應對人類更加多樣化的需求，開啟類似于“3D打印”的軟件生產新時代，為用戶提供更加個性化的產品選擇。

04.寫在最后

短期，我們認為文章預想的Autonomous Agent 落地有些困難，因為上面也講了是理想狀態下的AI Agent，這就要求Agent有相當強大的自驅和自動化規劃能力，但是在當前的大模型能力加持下，要想實現這樣的效果，幾乎不太可能。如果是短期的 AI Agent 產品，我們需要給產品的用戶提供干預空間，讓Agent輔助用戶完成任務，保證至少有60%的事情是Agent完成的。

不過長期來看，我們還是對 AI Agent 相當有信心，OpenAI 等大模型公司會在模型推理能力上持續進化，奔著AGI在狂奔，所以誰知道GPT5 會帶給我們什么驚喜呢！