下一步是智慧體？
隨著 ChatGPT、GPT-4、Sora 的陸續問世，人工智慧的發展趨勢引起了廣泛關注，特別是 Sora 讓生成式 AI 模型在多模態方面取得顯著進展。人們不禁會問：人工智慧領域下一個突破方向將會是什麼？
今天，人工智慧著名學者、史丹佛大學教授吳恩達指出：AI 智慧體工作流將在今年推動人工智慧取得巨大進步，甚至可能超過下一代基礎模型。他呼籲所有從事人工智慧工作的人都關注 AI 智慧體工作流，並撰寫一篇部落格簡單闡述了原因。
我們對部落格內容進行了不改變原意的編譯、整理，以下是部落格內容：
當前，我們主要在零樣本模式下使用 LLM，提供 prompt，逐個 token 地生成最終輸出，沒有進行調整。
這類似於要求某人從頭到尾寫一篇文章，直接打字，不允許退格，並期望得到高質量的結果。儘管有困難，LLM 在這項任務上仍然表現得非常好！
然而，透過智慧體工作流，我們可以要求 LLM 多次迭代文件。例如，它可能需要執行一系列步驟：
規劃大綱；
決定需要進行哪些網路搜尋（如果需要），來收集更多資訊；
寫初稿；
通讀初稿，找出不合理的論點或無關資訊；
修改草稿；
......
這個迭代過程對於大多數人類作家寫出好的文字至關重要。對於人工智慧來說，這種迭代工作流會比單次編寫產生更好的結果。
Cognition AI 團隊釋出的首個 AI 軟體工程師 Devin 最近在社交媒體上引起了廣泛關注。吳恩達的團隊一直密切關注 AI 編寫程式碼的發展，並分析了多個研究團隊的結果，重點關注演算法在廣泛使用的 HumanEval 編碼基準上的表現。
如下圖所示，吳恩達的團隊發現：GPT-3.5（零樣本）的正確率為 48.1%，GPT-4（零樣本）的表現更好，為 67.0%。然而，相比於迭代智慧體工作流，從 GPT-3.5 到 GPT-4 的改進不大。事實上，在智慧體迴圈（agent loop）中，GPT-3.5 的正確率高達 95.1%。
開源智慧體工具和有關智慧體的學術文獻正在激增。這是一個令人興奮的時刻，也是一個令人困惑的時刻。為了幫助人們正確看待這項工作，吳恩達分享了一個對構建智慧體的設計模式進行分類的框架。
簡單來說，這個框架包括：
反思：LLM 檢查自己的工作，以提出改進方法。
工具使用：LLM 擁有網路搜尋、程式碼執行或任何其他功能來幫助其收集資訊、採取行動或處理資料。
規劃：LLM 提出並執行一個多步驟計劃來實現目標（例如，撰寫論文大綱，然後進行線上研究，然後撰寫草稿......）。
多智慧體協作：多個 AI 智慧體一起工作，分配任務並討論和辯論想法，以提出比單個智慧體更好的解決方案。
吳恩達表示 AI Fund 已在許多應用程式中成功使用這些模式，後續他將詳細闡述這些設計模式。
參考連結：
https://twitter.com/AndrewYNg/status/1770897666702233815
https://www.deeplearning.ai/the-batch/issue-241/