家人们，OpenAI前脚刚发布自定义GPT，让人人都能搞开发；后脚国内一家大模型初创公司也搞了个产品，堪称重新定义开发——让AI智能体们协作起来！
只需一句话，最快3分钟不到，成本也只要2元多，“啪~”，一个软件就开发完了。
例如开发一个红包雨的小软件，现在只需要说一句就好了：
“红包雨”是一个点击小游戏，红包的外观是红色高瘦的圆角矩形，红包缓慢地从上方掉落，每个红包间距相等 ，没有重叠，鼠标点击任意一个红包，红包便随着互动点击而消失，同时显示一个吉利的数字，表示抢到这个红包得到了多少钱。
更重要的一点是，在开发的整个流程中，从产品经理到程序员，再到设计和测试等等，统统都是AI智能体！
没错，全程你只需要提需求，剩下的智能体们会自己讨论、交流，甚至还伴随着battle，最终确定方案并执行。
要知道，常规软件的开发周期是在2-3周，且成本在10000-50000美元之间（包括人力）；如此对比起来，可真的是大写的“降本增效”！
这款神器便是ChatDev，是由面壁智能最新推出的SaaS级智能软件开发平台。
其实早在两个月前，“ChatDev智能体协作开发框架”就已经在GitHub上开源，并多次霸榜Trending排行，目前已经揽获近17000颗star。
而此次面壁智能之所以推出产品版，就是为了把这种“一句话搞开发”的门槛再次“打下去”。
现在有了它，搞开发可以说拼得不再是技术了，拼得更多的反倒成了创意。
宛如身边有一只哆啦A梦，只要你敢想，它就敢给你“造”出来。
那么产品版ChatDev正在带来什么样的改变？又是如何做到的？
产品开发变了：可以把更多创意塞进去
在产品版ChatDev加持之下，开发的迭代，也变成了有想法就行的事。
例如你想把“红包”替换成你想要的元素，同样也是只需要一句话的那种。
然后AI智能体们就又开始了新一轮工作流程，这次，我们来具体看看它们之间到底是怎么展开工作的。
我们还是先以刚才红包雨的demo为例。
首先，就像刚才提到的，我们需要做的就只有填写好“项目名称”和“Prompt”。
而且即便Prompt写得不好，在ChatDev旁边也有一个“一键润色”的功能，自动帮你把需求补充完整。
然后我们就能看到AI智能体们就开始“搓搓小手”准备干活儿了。
CTO先发话，大概意思就是：
来活儿喽！客户要搞个“红包雨”~
紧接着
CTO详细地拆解了这个需求，把项目要做的每一步都罗列了出来：
任务下达之后，就轮到
程序员发力了。
只见他不费吹灰之力，立即给出了一段Python代码：
代码完成之后，还有会有一位
AI Counselor，会对整个项目做个总结，并将逻辑、结果等等一并奉上：
整个对话过程可谓是非常丝滑，我们就像一位尊贵的客户，静静地看着这些“AI员工”有条不紊地推进着项目。
不得不感慨，现在搞开发，真的成了有想法就行的事儿了。
例如网络爬虫、数据库读写、文件批处理、网页设计这样的编程助手；像五子棋、贪吃蛇这样的休闲小游戏；再如数字时钟、计算器、绘画板、图片编辑器这样的效率管理和创作辅助工具。
统统都能hold得住~
怎么做到的？
从早期披露的消息和论文中可以看到，最初的ChatDev，是团队设计了一套由群体智能串联起的ChatChain（交流链）。
可视为由原子任务组成的“软件生产线”，通过专业角色的智能体进行对话式信息交互和决策，驱动其进行自动化全流程软件工程。
然而，应用的创新离不开基础模型能力的提升，随着面壁智能推出SaaS版ChatDev，我们发现其自研的基座模型也有了新的版本——
面壁智能自研的新一代千亿参数大模型——CPM-Cricket（CPM全称为Chinese Pretrained Model) 。
据了解，CPM-Cricket是面壁智能的第三代模型，前两代分别为CPM-Ant、CPM-Bee。
（有意思的一点是，每一代模型的名字是按照英文字母的顺序为首字母，并取一个昆虫的英文单词来命名。）
至于CPM-Cricket的能力几何，一言蔽之，是在逻辑、代码、知识、指令理解等方面有了大幅提升，且全面超越Llama 2的那种。
在经典的LLM评测集（HumanEval、C-Eval、MMLU、MBPP、CMMLU、BBH等）中，CPM-Cricket表现如下：
或许这样的一组数据并没法带来非常直观的感受。
那么同样是基于CPM-Cricket的类ChatGPT产品——Luca 3.0，把它“丢”进公考场景之后的表现，便可以让CPM-Cricket的能力变得更一目了然了。
题目是这样的：
选取2022-2023年的公考试题，包括常识判断、数量关系、资料分析、判断推理、语言理解与表达等多种题型的425道试题。
例如面对下面这道单选题，Luca 3.0不仅可以秒速作答，还能将每一步的解题步骤详尽地列出来：
即使是面对话术弯弯绕绕、真人看了都需要反应一会儿的逻辑题目，Luca 3.0的回答也是游刃有余：
可以说，Luca 3.0在这套题上的表现是做到了“快”和“准”。
而与之同台竞技的选手，面壁智能所选取的也是业界相对标杆的大模型，GPT-4。
不难看出，在重要的常识判断和判断推理两项能力中，Luca 3.0相比GPT-4已经能够保持相对的优势了。
不仅如此，在英文测试环境中，Luca 3.0在GMAT官方模拟考试题中的表现，同样也是GPT-4整体相当（其中阅读达到GPT-4的97%水位）。
而Luca 3.0之所以能够取得这般成绩，除了背后CPM大模型升级这个因素之外，面壁智能在微调方面也做了相应的策略：
一是课程学习（Curriculum learning，CL）的训练策略，模仿人类的由易到难的学习过程，先在预训练中让模型学习底层推理规律，然后在对齐阶段学习人类的逐步推理思维。
二是思维链（Chain-of-thought，CoT）策略，对推理过程分解，让模型的推理更加具有可解释性。
（PS：目前Luca已经正式面向公众开放服务，是可以免费体验的那种哦~）
在底层基础设施的其他方面，例如训练、压缩和推理，面壁智能也自研了自己的一套打法：
- BMTrain：大模型高效训练框架
- BMInf：大模型高效推理框架
- BMCook：大模型高效压缩框架
据说其大模型已集成超过16000多个真实API，可实现一键接入，调用工具解决更多复杂任务。
此外，面壁智能还部署了Int8量化模型，让模型推理成本降低50%。
总结来说，面壁智能探索了出更为低成本、高效率的模型训练方法，让大模型不仅能“训出来”，还能“训得好”、“用得好”。
这可能就是这家创业公司推动“大模型+Agent”应用落地的实力和底气。
还有更大的一盘棋
不过除此之外，基于大模型底座的基础能力，面壁智能还曾开源了两项重磅的工作——AgentVerse和XAgent。
加上之前我们提到的ChatDev，三者共同形成了面壁智能的“三驾马车”，围绕的核心便是AI智能体。
AgentVerse是一个大模型驱动的智能体通用平台，它的作用就是打造各式各样的AI智能体，让它们具备感知、思考、推理、理解、协作和执行的能力，以便“组团打怪”。
XAgent是大模型驱动的AI智能体应用框架，它可以让智能体们具备自主规划和决策能力，能够理解人类指令，制定复杂计划并自主采取行动完成任务。
而ChatDev则更为聚焦，是大模型驱动的多智能体协作开发框架，采用软件工程瀑布模型的思想，将软件开发分为软件设计、系统开发、集成测试、文档编制四个主要环节。
但若是我们将此次发布的所有“单节点”联系到一起，就能发现，面壁智能实则是在下一盘更大的棋——
左手大模型，右手AI智能体，要打造的是一个智能体网络（Internet of Agents，IoA）。
因为在面壁智能看来，我们已经经历了从互联网到物联网的过渡，而接下来的驶向便是智联网。
如果说互联网是二维信息的联通、物联网是三维空间的联结，那么智联网则是进入更高维度的智能体互联。
而在智联网中，AI智能体应当是最为关键的存在，它可以是拟人的原生智能体，也可以是现实中的人和物体的数字孪生智能体。
通过智能体的连接，可以让AI真正为人类服务，提供价值（生产力的提升、交互方式的改变）。
以一个大胆的想象来比喻，可能在智联网的将来，家中的哪怕是一张桌子、一台冰箱，也会具备智能体的特性，可以与人和其它物体做智能交互。
而这，也正是面壁智能愿景的由来——智周万物：
“智”即AI Agent智能体；“万物”可以是人，可以是物。
AI Agent智能体网络是连接现实世界与虚拟世界的桥梁，并使其真正交互和协作起来，创造价值。
不过有一说一，智联网的理想虽好，但现实的情况是，即使是ChatDev和第三代大模型的发布，也只能视为迈向愿景的一步。
那么面壁智能是否有足够的实力能够在将来解锁“智周万物”呢？
