剑指「智能体」

关于ChatGPT做搜索的新闻,我一直挺感兴趣。

上个月25号,OpenAI在当地推出了一个新产品,名叫“SearchGPT”。官方说,产品能给用户提供带链接的搜索结果,用户还可以继续问问题,系统会根据上下文给出回答。

我看到消息后,马上申请内测。但一个月过去,官方还没给我权限;现在网上办法多。我就通过特殊朋友渠道,弄到了一个测试账号,体验了一把。

体验之后什么感觉呢?

一句话总结即: perplexity AI解决不了的问题,SearchGPT也解决不了。

比如:AI幻觉。一千个观众有一千个哈姆雷特,不同的人看同一信息可能得出不同的结论。就算是同一个人,今天看到的东西和明天可能理解也会有所不同。

这就像AI面对复杂、多变的人类思维一样,如果AI不能真正地“站在你的角度”去理解问题,感受你的感受,那它很难独立地给出人们真正想要的答案。

因此,除非AI能达到这样高级的理解和适应能力,不然,AI永远无法避开幻觉问题。所以,怎么办呢?

01

来看看另一个新闻:

不久前,Twitter上有个名叫@iruletheworldmo的用户频繁爆料,谈到Project Strawberry(草莓计划),这是OpenAI的一个项目,以前叫Q-Star。

这个计划目标是让AI变得更聪明,更能自主。 简单来说,他们希望训练出来的AI能自己处理很多事,不太要人来监督。

这意味着,AI将能自己搜索信息,深入研究问题,甚至自己创造数据,这样就能减少对人类的依赖。也就是说,AI可能会变得更像人,更会思考。

这条推文引起了不少人的关注,大家都在猜到底是不是OpenAI内部信息,但还没等到官方回复,就有人跳出来了,这人叫Div Garg,是MultiOn公司的创始人。

他说:

OpenAI的“Q”还没正式出来,但我们已经推出了一个新的智能体,叫“Agent Q”,并且邀请大家来试试,很多人怀疑他在利用OpenAI的秘密项目来做广告。

我查了查,发现MultiOn这家公司确实在2023年接受了OpenAI、DeepMind等公司、高管个人的投资;所以,让人不禁猜想,OpenAI做的搜索项目,和他们到底有没有关系?

好吧。姑且,不论这事,来看看MultiOn这家公司。

MultiOn专门做AI智能体,目标是,通过智能体帮助人们完成日常任务,比如: 网页浏览、网购和邮件处理,他们希望构建一个能在数字世界里,能自主完成复杂任务的AI系统。

这么一看,两者之间确实有些相似。相似在哪呢?

我们换个角度:

请问,你解决不了AI搜索幻觉的问题,还要不要解决?作为普通人的我们当然觉得,要。必须解决。其实,单一视角往往会限制我们。

系统科学家罗素·艾可夫(Russell L. Ackoff),在作品《问题解决的艺术》中提到:

复杂问题往往源于问题定义本身,如果能够以新的视角、新框架重新定义问题,有时能发现原本看似复杂的问题,其实有更简单的解决之道,或者,原本的问题根本就不需要以传统的方式解决。

也就是说: 解决一个复杂问题,最好的办法是,绕开把它转成一个非问题。

举个通俗的例子:

想象一下,你家厨房每次做完饭都一团糟。通常,你可能会选择在烹饪后进行一次大扫除,这样虽然能清理干净,但每次要花费大量时间和精力。

如果你换一个角度来看就不一样了。类似,重新组织厨房物品,把常用的厨具、调料放在容易拿到的地方,不常用的东西则收好。

改进烹饪流程,做饭时,边做边清洗用过的器具,甚至,在操作台上放一个垃圾桶,用于临时收集厨余和垃圾。

这样,是不是做饭过程中就能持续保持厨房整洁了?这就是,非问题化;重新定义问题和调整处理方式,使原本要解决的问题变得不再是问题。

02

那么,这和搜索与智能体之间有什么关系呢?来看看,OpenAI首席执行官Sam Altman在2024年4月25日斯坦福大学的演讲。

他说,AI实现通用人工智能(AGI)要经过五个阶段:

他并指出,目前OpenAI处于第一级,接近第二级。

考虑到进展,请思考一下,这样一个AI行业巨头,如何从当前阶段过渡到更高级阶段,比如“三级或四级,或者说,如何让弱人工智能到强人工智能?让技术更能满足每个用户第一场景使用情况?

答案很明显:AI智能体。

因为,智能体是过度解决问题的最好办法。想象一下,在理想状态下,面对亿万用户时,如果能够展示数千万个AI解决方案,来帮助大家解决各种问题,那么,无疑是最有效的。

毕竟,每个人都能找到符合自己需求的解决方案,极大提到了解决问题的效率和质量。

为什么是智能体?

昨天,一个朋友抱怨说,买房后要还贷款,未来几十年每月都要还几千块钱;他让我帮忙算一算,到目前为止,他一共还了多少本金和利息,如果他想提前还款,根据现在的政策,可以节省多少钱。

这种复杂的问题我怎么能解决?于是,我把它给了豆包。

我先描述基本情况,让豆包记住,然后,再把其他想法和诉求告诉它。大概几十轮的对话后,豆包帮我详细计算了出来,并生成一份大约600字的详细分析报告。

这份报告包括了完整的背景信息、我的具体诉求、计算过程和对比分析等。

你用过豆包,或者其他可以和AI对话的工具么?不知道你有没有发现,现在此类对话工具,连续上下文逻辑能力变强了。

我再说一个贴身经历:

最近几天,经常接到一些奇怪的电话,涉及内容如贷款、房产购买、京东优惠等。

这些电话中,上来就问需要、不需要、行或者不行。我发现,对方语气很像真人,但当我给出它们设定范围以外的问题时,它无法回答了。

这说明,智能体已经在不知不觉中融入了日常生活,它们,能够在特定的环境中模仿人类的互动方式。

所以,一个完整智能体,能够充分与环境互动,这包括智能体自身和它所处的环境两个部分;就像人类在物理世界中的行为一样,智能体在其“外部环境”中也能执行任务。

说白了,我可以与它交互,也能设定好指令,界定范围,让它帮我完成目标。

对比下来,是不是不难看出,智能体无疑是绕过AI搜索中幻觉问题、并成功商用的有效方式之一?

为什么这么说?

你想想看,考虑传统AI搜索和提问时,AI搜索直接给出答案,这种答案比较扁平化,不具备连贯性。 换言之,你提出一个问题,AI直接给你一个结论,结论会引用来自多个信息源的数据。就结束了。

智能体工作方式不同。

它不仅对单一问题做出反应,还会引入外部信息,在一连串多轮问答中,会反复接受来自你的信号,通过这种互动,它更能理解你的诉求。

在解决问题之后,它能生成一篇简短的文章、总结方案,把整个互动过程指标串联在一起; 很明显,智能体不是一个简单的AI提问、总结工具,是一个完全符合每个人需求的系统。

因此,智能体能完美绕过AI幻觉,毕竟过程中,你不满意时,能一次次纠正它的错误。

03

纵观国内市场,目前谁在做智能体呢?我查阅了一下,据说有超过4500家,比如:大家耳熟能详的百度、科大讯飞、云从科技、字节跳动和腾讯等。

所以,谁在做智能体,这个问题不好解答。与其这样,不如换种思考方式: 智能体类型有哪些?我们通过类型看各家所在的生态位。

我盘点结果是:

智能体(Agent)平台大体上分为两类: 一类基于知识库和数据库的。 就像聊天机器人(Chatbot)这种简单的平台; 另一类是用来解决更复杂问题的。 这种平台有多工作流编排的能力,比较高级。

国外Orkes Conductor、ControlFlow by Team Prefect、和 Flyte等平台,就是专为复杂工作流和数据处理设计的。

这些平台主要用户包括数据科学家、工程师、开发者,他们用平台来建立和优化复杂的工作流程,提高数据处理的效率和自动化水平。

国内也有类似的平台。像扣子Coze、百度智能云的千帆AgentBuilder、科大讯飞的星火智能体平台,还有腾讯的元气和阿里云的AgentScope等。

他们利用大模型搭建 AI 原生应用工作台,给开发者提供 RAG、Agent、GBI 等应用框架,赋能他们开发出来文生文、对话、文生表等垂直应用,以帮助企业和个人解决问题。

我根据对象、流程和代码复杂程度,把它细分成三类:

第一种,主要偏向低代码平台,不要你懂太多编程。

像GPTs这样的工具,提供很标准的操作界面和流程,主要用来做基于知识库的聊天机器人。给你一个模板,你按步骤填信息就行,不用自己调整太多东西。

字节跳动的扣子(国内版),就是被设计来帮助人们轻松创建下一代的AI聊天机器人。

第二种平台功能更强大,可以让开发者用各种API、第三方库,还能自己编写代码和调整参数,来精细控制智能体的行为。

Coze海外版很受欢迎,它的功能全面,支持很多高级操作。像百度、阿里和亚马逊也提供这样的平台,让开发者可以用各种AI模型来做更复杂的应用。

企业开发平台,专为企业设计,重点是帮助企业自动化他们的工作流程。

比如:

实在智能的TARS-RPA-Agent和壹沓科技的“数字员工团队”CubeAgent,它们是用来自动化企业日常操作的。

还有国外的Torq和国内澜码科技的AskXbot平台,也提供了大模型结合企业知识库的解决方案,帮助企业自动化处理更多复杂任务。

三种类型各有千秋,这么说,是不是更清楚一些?那么,站在AI搜索和智能体中间来看,智能体属于那种呢?

04‍

解答该问题,不妨站在行业结构视角看。我盘了一下,智能体(Agent)行业结构有四层,分别为:基础工具层、运营平台层、开发工具层,以及服务与培训平台层。

组件是做智能体必不可少的基础。 有各种智能模块、记忆模块,比如语言模型、数据库,还有一些安全工具和通信工具,就像盖房子的砖块和水泥。

运营层,包括制作Agent组件的厂商和各种运营集成平台。 如GitHub这样的Agent框架发布平台,它们提供必要的环境和服务,支持智能体运行。

开发层相对容易理解了。

像Agent工具集成平台AgentLego、或提供专属云环境及沙盒环境的平台等,它们使开发者能够构建、测试和部署智能体。

值得一提的是,像NexusGPT、Relevance AI等平台,它们提供数字员工Agent的训练服务,目的帮助企业把智能体整合进现有的工作流程中,或者帮助个人创建能自动完成任务的AI团队,这反而是目前很多企业刚需。

国内也有类似的公司。例如:

金柚网的梧桐数字员工、壹沓科技的数字员工平台1Data Agent,以及实在智能的RPA Agent。

这些平台的特点是允许用户通过聊天,轻松与智能体互动,管理和优化各种业务流程,使智能体理解和执行复杂任务,让日常更高效。

不论怎么说,从短期发展看,智能体要解决两个问题:

一,丰富通用工作流和场景工作流,类似于AI搜索下的大搜,还要在处理数据训练、多轮对话的准确性上下功夫。

二,让智能体成为知识专家,形成可持续的服务能力。有点像针对特定领域进行深入挖掘。

比如,假设我是做消费品营销的,如果有一个专门的智能体,它学了很多关于社交媒体趋势、消费者行为的知识,那么,它就能真正帮到业务。

当然,智能体在其他行业也在不断爆发,像游戏,金融、医疗等,总体上说,基于LLM的能力,下一步基础智能体必将是绕不开的一步。

总结

让它光思考,远远不够。

想实现真正全面AGI,得把对话模型变成基本智能体,让它参与到实际使用中去;就像人们常说的,从实践中来,到实践中去一样。

所以,AI生成避免不了幻觉,但智能体的轮番交互,可以微调,可以解决具体问题,至少,使用场景下,这是闭环的正向反馈动作。