回复
4 个关键的 AI 趋势 | 吴恩达在 Snowflake Build 2024 上的演讲大纲
AI 就像电力一样。”这是因为，作为一种通用技术（类似于电力），AI 有着无数的应用场景。如果有人问你：“电力能用来做什么？” 这个问题很难回答，因为电力几乎无处不在。同样，新兴的AI技术正在为我们创造一个庞大的机会空间，能够开发以前无法实现的应用。
经常有人问我：“AI最大的机会在哪里？” 我对AI技术栈的理解是这样的：在最底层，是半导体技术。在其上是云基础设施。当然，再往上是各种基础模型训练工具和模型本身。大众和媒体的注意力通常集中在技术栈的这些层级，尤其是生成式AI等新技术层面。这本身没有问题，但我认为还有一个层级值得更多关注，那就是应用层。
应用层是我们创造价值和收入的地方，它最终支持整个技术栈的发展。因此，我花了很多时间思考AI的应用，因为我相信那里是构建新事物的最佳机会所在。
过去几年中，尤其是在生成式AI的推动下，机器学习模型开发的速度显著加快。例如，构建一个情感分类器（用于分析文本情感正面或负面的工具）以进行声誉监控。使用传统的监督学习方法，通常需要一个月时间收集标注数据，再用几个月训练模型，之后还需额外时间部署平台。总体来看，即使是最顶尖的团队，构建有价值的AI系统通常需要6到12个月。
生成式AI让某些类别的应用开发可以在数日内完成。例如，编写一个提示（prompt）只需几天时间，快速部署后，能够将以前需要数月完成的应用缩短到10天以内。这为快速实验、原型设计和快速推出AI产品打开了激动人心的可能性。
快速实验已成为创新的更佳路径。过去，当开发一项产品需要6个月时，团队必须进行广泛的市场研究、验证用户需求并仔细规划。但现在，快速行动的AI团队可以在一个周末开发20个原型，然后评估哪些有效。如果有18个失败也没关系，只需坚持那2个成功的即可。这种快速迭代的方式正在解锁新的用户体验创造机会。
然而，这一趋势也带来了新的挑战。例如，评估（或称“evals”）成为了一个瓶颈。在监督学习中，收集10,000个训练数据的同时，也可以顺便收集1,000个测试数据，几乎没有额外成本。但对于基于大语言模型的应用，往往没有现成的训练数据。如果测试需要创建1,000个示例，便成为一个显著的瓶颈。因此，开发流程从过去的顺序构建与数据收集，转变为并行进行。
虽然机器学习原型开发的速度比以往任何时候都快，但软件开发生命周期的其他部分（包括设计、软件集成、部署和运营）并没有以相同的速度加速。这使得组织面临压力，要求加快这些流程以匹配机器学习开发的速度。
“快速行动、打破常规”这一口号因为带来了负面后果而名声不佳。但这并不意味着我们不应该快速行动。更好的方式是“快速行动，同时负责”。许多团队现在能够快速开发原型、稳健评估并负责任地迭代，以更快的速度构建系统，同时不牺牲安全性或质量。
在技术趋势方面，我最兴奋的是智能体AI工作流。如果你问我当前最重要的AI技术是什么，我会说是智能体AI。当我今年初提出这一点时，这一想法还有些争议，但现在“AI智能体”一词已经被广泛接受。
从技术角度看，智能体工作流的核心在于迭代式流程：AI先生成一个草稿，再进行网络研究，撰写初稿，批判修改，然后重复这一过程。与一次性输出相比，这种方法虽然更耗时，但效果显著提升。
例如，在我合作的一些团队中，智能体工作流被应用于处理法律文件、辅助医疗诊断或管理合规性文档。相比传统方法，这种迭代流程能够显著提高结果的质量。
在某些基准测试中，智能体工作流的优越性得到了验证。例如，在OpenAI的人类评估基准中解决编程难题时，GPT-3.5的准确率为48%，GPT-4提高到67%，而GPT-3.5结合智能体工作流后跃升至95%。这是一个显著的提升。
智能体工作流有四种主要设计模式：
- 反思（Reflection）：模型迭代地批判和改进自己的输出。例如，生成代码、审视代码、然后根据反馈改进，这一过程通常可以提升性能。
- 工具使用（Tool Use）：大语言模型生成并执行API调用、进行网络搜索或其他自动化操作，从而扩展了它们可以执行的任务范围。
- 规划（Planning）：AI将复杂任务分解为一系列子任务并按顺序执行。这种方法对复杂工作流尤为有用。
- 多智能体协作（Multi-Agent Collaboration）：模型扮演多个角色（如编码员、批评者）或模拟多个“智能体”之间的协作，以实现更优的结果。
智能体工作流在多模态AI领域的应用尤其令人兴奋，在这里，模型不仅能处理文本，还能分析图像、视频等多种数据类型。例如，模型可以逐步分析图像，检测人脸、识别物体，并迭代地生成详细输出。
总结来说，AI技术栈正在演进，出现了一个新的智能体编排层，使得开发者能够更轻松地构建强大的应用。特别是视觉AI的崛起，为企业从以前未开发的图像和视频数据中提取价值提供了新的机会。
最后，我认为以下四个AI趋势最值得关注：
- 由半导体和软件进步推动的更快的token生成。
- 大语言模型不仅优化了回答问题，还优化了工具使用和迭代工作流。
- 数据工程在管理无结构数据（如文本、图像、视频）中的重要性日益增长。
- 视觉AI革命的到来，将为从视觉数据中提取价值打开巨大的潜力。
这是一个激动人心的时代，生成式AI促进了更快的实验，而智能体AI则扩展了我们的可能性。许多以前不可能的应用，无论是视觉AI还是其他领域，现在都可以实现。
本文转载自AI取经路，作者：AI取经路
赞
收藏
回复
相关推荐
