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

AI 創新的下一個前沿已悄然到來：智能體（AI Agents）和智能體推理（Agentic Reasoning）的崛起。這些技術正在以前所未有的效率和成本效益，徹底改變應用的構建方式，為各行業釋放出巨大的潛能。

在 Snowflake Build 2024 的主題演講中，吳恩達深入探討了智能體的興起及其背后推動的 AI 革命。

他指出，非結構化數據（如文本、圖像、視頻和音頻）正變得比以往任何時候都更加關鍵，為企業帶來了巨大的機會。

此外，吳恩達還分享了如何通過智能體和生成式 AI 的結合，以更快的速度構建和迭代新的 AI 應用，以下為這次演講的主要內容：

你可能聽過我說過，AI 是新的電力。這是因為 AI 像電力一樣，是一種通用技術。如果有人問電力的用途是什么，這很難回答，因為電力幾乎無所不能。

而如今的新 AI 技術正在為我們創造一個前所未有的機會，能夠構建以前無法實現的新應用。

人們經常問我：“Andrew，AI 領域最大的機會在哪里？”我通常會以“AI 堆棧”來解釋。在堆棧的最底層是半導體，然后是云計算和開發工具（包括 Snowflake 這樣的工具）。

在這些之上是許多基礎模型以及模型的訓練過程。而事實是，很多媒體的關注點都集中在這些技術層面，例如生成式 AI 和新的技術進展上。

這些確實重要，但實際上還有另一層更重要的堆?！獞脤?。因為我們需要通過應用層來產生更多的價值和收入，從而能夠支持底層技術的持續發展。

因此，我花了大量時間思考 AI 應用領域，我認為這是構建新事物的最佳機會之一。

過去幾年，尤其是在生成式 AI 的推動下，我們見證了機器學習模型開發的速度越來越快。

例如，構建一個情感分類器的傳統方法可能需要一個月來收集標簽數據，再花幾個月訓練 AI 模型，然后再用幾個月部署在云服務上。

對于許多價值巨大的 AI 系統來說，這樣的開發流程需要 6 到 12 個月。但有了生成式 AI，某些應用場景只需花幾天寫一個 prompt（提示詞），再用幾天時間完成部署。

這意味著，原本需要幾個月甚至一年的開發時間，現在可能只需要 10 天左右。這種變化為快速試驗和開發新原型以及快速發布新 AI 產品創造了巨大可能。

這一趨勢的結果是，快速實驗成為發明新用戶體驗的一種更有效途徑。過去，如果需要花 6 個月開發一個東西，我們會非常謹慎地研究用戶需求、制定產品計劃，再投入大量精力來開發。

但現在，快速推進的團隊可以說：“我們用一個周末開發 20 個原型，看看哪個有前景。如果 18 個失敗了，我們就放棄它們，只保留成功的兩個。”快速迭代和實驗成為了一種新的發明路徑。

然而，這種快速實驗帶來了新的瓶頸——評估（Evaluation）。在傳統的監督學習中，如果你需要收集 1 萬條數據點來訓練模型，那么多收集 1 千條測試數據點也不算什么，因為成本僅增加了 10%。

但在基于大型語言模型的應用中，如果不需要標注數據，那么收集 1 千條測試樣本的成本和時間可能顯得非常昂貴。

因此，現在的開發流程更像是邊開發邊收集數據，而不是先收集數據再開發。我們會先構建一個原型，然后隨著需求的增加逐步完善測試數據，以提高系統的穩健性和可靠性。

雖然模型原型的構建速度快了，但軟件應用的開發依然包含很多步驟，比如產品設計、軟件集成、部署后的運維等。

這些步驟并沒有像機器學習建模那樣大幅提速。這種不均衡的進展對組織產生了壓力，迫使他們加快整個流程的速度。

在快速發展的環境中，我不認為“快速行動且破壞”是適合的口號，因為這種方法的確會破壞很多東西。我更喜歡“快速行動且負責任”這個理念。

我看到很多團隊能夠快速開發原型，并進行穩健的測試，而不將可能造成傷害的產品直接發布到用戶手中。這種方法能夠在快速推進的同時，做到負責任地開發和部署。

在技術趨勢中，我最興奮的一個是 智能體 AI（Agentic AI）。這種工作流程不僅可以生成文本，還可以結合研究、規劃、修改等步驟，進行迭代式開發。

例如，用傳統的大型語言模型生成一篇文章可能一次性完成，但智能體 AI 可以先生成提綱，進行研究，編寫草稿，隨后再修訂和優化。

這種迭代式流程適用于復雜任務，比如法律文檔處理、醫療診斷輔助或合規文書管理。

智能體 AI 的四大設計模式包括：

反思（Reflection）：讓 AI 審視自己的輸出并改進。

工具調用（Tool Use）：大語言模型可以發起 API 請求，執行具體任務。

規劃（Planning）：AI 為復雜任務設計執行計劃。

多智能體協作（Multi-Agent Collaboration）：多個 AI 角色分工協作，共同完成任務。

這些模式讓我們能夠構建比以往更加復雜和強大的系統。

另外，視覺 AI 正在崛起。過去很難從存儲的圖像和視頻數據中獲取價值，而如今，視覺 AI 的能力正在改變這一現狀。

通過結合智能體工作流程，視覺 AI 能夠高效處理和分析圖像與視頻數據，為企業帶來新的價值。

例如，自動檢測足球比賽中的進球片段、生成視頻的元數據等，這些任務以前幾乎是不可能實現的。

最后，我想強調四大 AI 趨勢：

1）加速的生成式工作流：通過硬件和軟件優化，讓智能體 AI 運行更高效；

2）為工具優化的大模型：新的大模型不僅可以回答問題，還可以執行具體操作；

3）非結構化數據工程的重要性提升：文本、圖像和視頻數據的處理能力變得至關重要；

4）圖像處理革命即將到來：圖像處理技術的發展將為更多企業帶來新的應用機會；