隨著大規(guī)模模型技術(shù)的興起，我們正處于一個(gè)嶄新的智能時(shí)代的黎明。我們有一個(gè)大膽的預(yù)測，未來的5到10年將可能帶來一場大變局：99%的開發(fā)、設(shè)計(jì)和文字工作將被AI接管。這不僅僅是一個(gè)想象，而是對未來可能趨勢的深思熟慮。

在互聯(lián)網(wǎng)時(shí)代，我們目睹了大量網(wǎng)站的崛起，成為互聯(lián)網(wǎng)時(shí)代的原生應(yīng)用的主要載體，這個(gè)時(shí)代有了 Web 相關(guān)的新技術(shù)，這些技術(shù)承載著 Google、Facebook、Twitter 等互聯(lián)網(wǎng)明星企業(yè)的崛起。進(jìn)入移動(dòng)互聯(lián)網(wǎng)時(shí)代，App 成為了主要載體，它們占據(jù)了整個(gè)移動(dòng)互聯(lián)網(wǎng)時(shí)代人們注意力的中心。然而，當(dāng)我們進(jìn)入智能時(shí)代，開始思考：什么將會(huì)成為這個(gè)時(shí)代的核心載體？我們預(yù)測可能不再是 App，也不再是網(wǎng)站，而是 Agent，也許幾年后的現(xiàn)實(shí)才能給出答案，但歷史告訴我們一個(gè)新鮮事物的演進(jìn)總會(huì)找到一個(gè)穩(wěn)定的術(shù)語來概括這個(gè)載體，而今天我們看到 Agent 最具有這個(gè)潛力。

對于這個(gè)猜想，隨著我們后面講的越來越深入，大家可能體會(huì)也會(huì)越來越深，因?yàn)樗赡茏プ〉囊恍┲悄軙r(shí)代一個(gè)非常本質(zhì)性的東西，基于大模型把 Agent 的能力推高到了一個(gè)全新的水平，這個(gè)在學(xué)術(shù)界研究了幾十年的全新物種才開始走入人類舞臺的中央。在范式上我們也在思考是什么樣的底層技術(shù)和架構(gòu)會(huì)驅(qū)動(dòng) Agent 技術(shù)的快速發(fā)展，從現(xiàn)在的趨勢來看，我們覺得在人類的智能原理處于核心地位的面向目標(biāo)架構(gòu)很可能會(huì)成為驅(qū)動(dòng)這個(gè) Agent 技術(shù)發(fā)展的主要范式。

而且現(xiàn)在全球?qū)gent的關(guān)注也是非?？駸岬模瑤讉€(gè)月前，OpenAI 在內(nèi)部就開始高度關(guān)注智能體（Agent）領(lǐng)域，Deep Mind的聯(lián)合創(chuàng)始人最近也提到下一代 AI 技術(shù)走向并非是生成性 AI，而應(yīng)該是交互性 AI。這種交互性 AI 在很大程度上類似我們今天提到的智能體，用戶要求完成各種任務(wù)，智能體則可以對軟件進(jìn)行操作或者與人進(jìn)行協(xié)作，完成相關(guān)的工作。

希望這些想法可以幫助大家在戰(zhàn)略層面或者是產(chǎn)品和技術(shù)層面得到一個(gè)很好的思考框架，能夠在各自的領(lǐng)域去推演未來。

導(dǎo)讀

走馬觀花、拋磚引玉

整個(gè) PPT 一百多頁，內(nèi)容繁雜。我給大家做一個(gè)簡單的導(dǎo)讀，主要還是梳理脈絡(luò)，提出思考的框架和基點(diǎn)，起到拋磚引玉的作用，其中涉及的很多細(xì)節(jié)部分我們并沒有做得非常細(xì)致。期望大家在看完這個(gè)分享之后，對智能體技術(shù)有一個(gè)新的認(rèn)知，并能應(yīng)用在你們自己的研究方向或者職業(yè)規(guī)劃上。

我們將整個(gè)內(nèi)容分為四個(gè)部分：首先，會(huì)對從大模型到現(xiàn)在的智能體的技術(shù)發(fā)展做一個(gè)串講；接著，介紹通用智能原理和面向目標(biāo)架構(gòu)這個(gè)兩個(gè)根本性問題；最后，基于這兩個(gè)原理，分析現(xiàn)在的智能體架構(gòu)仍存在的缺陷，以及未來可能的發(fā)展方向。

1. LLM Agents綜述

如果你一直關(guān)注 AI 領(lǐng)域，你應(yīng)該能看到一個(gè)清晰的技術(shù)脈絡(luò)，一開始大家玩 Prompt 工程，接著是Prompt Chain或Flow，再到Agent，多Agent，很清晰的一個(gè)脈絡(luò)架構(gòu)，我們也會(huì)沿著這個(gè)脈絡(luò)給大家分享相關(guān)的經(jīng)典工作。

我們回到 Agent 這個(gè)概念上，實(shí)際上，人類是這個(gè)星球上最強(qiáng)大的 Agent。Agent是一個(gè)能感知并自主地采取行動(dòng)的實(shí)體，這里的自主性極其關(guān)鍵，Agent要能夠?qū)崿F(xiàn)設(shè)定的目標(biāo)，其中包括具備學(xué)習(xí)和獲取知識的能力以提高自身性能。

Agent 的復(fù)雜程度各不相同，一個(gè)簡單的恒溫器可以是一個(gè) Agent，一個(gè)大型的國家或者一個(gè)生物群體也可能是個(gè) Agent。感知環(huán)境、自主決策、具備行動(dòng)能力，設(shè)定明確的目標(biāo)和任務(wù)，適應(yīng)環(huán)境及學(xué)習(xí)能力，都是 Agent 的關(guān)鍵特點(diǎn)。

Agent 這一概念的起源并不明確，可以是學(xué)術(shù)界逐漸發(fā)展沉淀而來，但是我們可以考慮馬文·明斯基80年代《智能社會(huì)》這本書中在人工智能領(lǐng)域發(fā)揚(yáng)光大了這個(gè)概念。Agent 理論在大模型時(shí)代之前已經(jīng)被學(xué)術(shù)界研究了很多年，甚至是汗牛充棟，許多理論研究都試圖創(chuàng)造出具有人類智能水平的 Agent。然而，在大模型出現(xiàn)之前，Agent 的技術(shù)始終面對天花板限制，無法取得實(shí)用的進(jìn)步，它的本質(zhì)問題還是AGI問題，反過來說，只有AGI的技術(shù)進(jìn)步才能讓 Agent 技術(shù)進(jìn)步。

在學(xué)術(shù)領(lǐng)域，最經(jīng)典的案例可能是與機(jī)器人相關(guān)的研究，都涉及到了Agent 技術(shù)。在大模型時(shí)代之前，比較知名的垂直領(lǐng)域 Agent 的例子比如 Alphago，它有感知環(huán)境、做決策、采取行動(dòng)的閉環(huán)，當(dāng)時(shí)的主要研究方向還有使用強(qiáng)化學(xué)習(xí)打游戲的DeepMind的Agent57，后來更加通用的Gato，還有OpenAI玩“躲貓貓”的多智能體。

我們認(rèn)為Agent技術(shù)是未來實(shí)現(xiàn)社會(huì)全面自動(dòng)化的關(guān)鍵技術(shù)。在大模型出現(xiàn)之前，自動(dòng)化更多的是一些偏結(jié)構(gòu)化固定模式環(huán)境中通過實(shí)現(xiàn)固定算法流程來完成自動(dòng)化任務(wù)，而大模型智能體的通用性帶來了靈活性，使其可能應(yīng)對人類在腦力勞動(dòng)中面臨的各種復(fù)雜長尾任務(wù)，進(jìn)一步實(shí)現(xiàn)體力和腦力任務(wù)的全面自動(dòng)化。

大模型和Agent技術(shù)開啟了全面自動(dòng)化的新時(shí)代。大模型是第一個(gè)可以自主學(xué)習(xí)并擁有廣泛知識的模型，所以在大模型時(shí)代，Agent技術(shù)開始迅速發(fā)展。今天，我們可能只是在起點(diǎn)，我們看到的Agent還偏向于玩具，但是預(yù)計(jì)在未來幾年，這個(gè)領(lǐng)域?qū)a(chǎn)生極大的改變，它的發(fā)展速度可能會(huì)超越我們的想象，因?yàn)槲覀儸F(xiàn)在看到改進(jìn)每天都在發(fā)生，天花板遠(yuǎn)未來到，甚至天花板可能不會(huì)再來了。

1.1 Prompt工程

在大模型剛出來的時(shí)候，大家都喜歡做的事就是Prompt工程，把大模型當(dāng)成一種編程語言來看待。人們通過描述角色技能、任務(wù)關(guān)鍵詞、任務(wù)目標(biāo)及任務(wù)背景，告知大模型需要輸出的格式，并調(diào)用大模型進(jìn)行輸出。這種方法就是經(jīng)典的把大模型當(dāng)做工具來調(diào)用，我們可以稱為工具模式。

為此，大家也發(fā)展了各種各樣的Prompt工程的玩法，如角色扮演、零樣本提示和少樣本提示。比如一個(gè)澳大利亞少年編寫了一個(gè)15000個(gè)字符的提示詞，成功地讓他變身為人類的導(dǎo)師，教授各種知識。這種方式就像能直接構(gòu)建軟件一樣，是我們將Prompt工程發(fā)揮到極致的一個(gè)經(jīng)典案例。

https://github.com/JushBJJ/Mr.-Ranedeer-AI-Tutor

1.2 Prompt外掛

僅憑Prompt工程根本無法滿足人們?nèi)找嬖鲩L的大模型需要，鑒于大模型本身的諸多缺陷，如不能及時(shí)更新知識，上下文有限等等，人們開始給大模型加入插件，如引入向量數(shù)據(jù)庫，把數(shù)據(jù)索引進(jìn)向量數(shù)據(jù)庫，再召回?cái)?shù)據(jù)，再提交給大模型做Prompt工程，這樣就可以使用最新的知識和比大模型里的知識更準(zhǔn)確的知識。

這些還不夠，人們又開啟了外掛模式，嘗試讓 GPT 調(diào)用函數(shù)和使用工具，一系列關(guān)于工具使用的實(shí)踐開始出現(xiàn)，ChatGPT也推出了插件體系。當(dāng)人們發(fā)現(xiàn)大模型的推理能力很差時(shí)，開始試圖讓模型自身清楚地描述問題，把問題轉(zhuǎn)化為 PDDL （Planning Domain Definition Language）格式的描述語言，通過調(diào)用通用規(guī)劃器來解決規(guī)劃問題，再把解決方案轉(zhuǎn)化為可執(zhí)行的動(dòng)作，以更好地邏輯推理和規(guī)劃等任務(wù)。

更加經(jīng)典的外掛形式當(dāng)然是讓大模型調(diào)用外部工具了，OpenAI也搞出了ChatGPT Plugins的開放體系，這些今天回頭看都是非常順理成章的形式，ChatGPT的爆發(fā)激發(fā)了全世界大量的Idea，這些創(chuàng)新很快就被OpenAI吸納進(jìn)產(chǎn)品迭代中。

此外，大模型雖然具備一定的推理能力和思考能力，在很多推理任務(wù)上依然力不從心，能不能讓模型自己不做規(guī)劃推理，讓他把問題描述清楚，轉(zhuǎn)化成一個(gè) PDDL 的一個(gè)關(guān)于規(guī)劃描述的語言，然后使用通用的規(guī)劃器去做規(guī)劃，再轉(zhuǎn)化成動(dòng)作執(zhí)行，這就把大模型作為一個(gè)中轉(zhuǎn)器，把規(guī)劃器當(dāng)做了一個(gè)外掛。

我們可能會(huì)思考，大模型或許真的就是我們以前想象的那樣，會(huì)達(dá)到人類智慧水平的普適性機(jī)器么？顯然從各項(xiàng)評測來看還有很多任務(wù)做不到，更何況這些任務(wù)評測本身的覆蓋度也不夠完備。

有一個(gè)經(jīng)典概念被譽(yù)為"通用任務(wù)解決器"，在達(dá)特茅斯會(huì)議之后得名“GPS”，即General Problem Solver。這是由赫伯特·西蒙（Herbert Simon）和艾倫·紐維爾（Allen Newell）在早期提出的概念，他們嘗試尋找可用于解決數(shù)學(xué)問題的通用解決方案。這套理念其實(shí)很簡潔，可以看作是早期的面向目標(biāo)架構(gòu)。它的主要內(nèi)容是將目標(biāo)狀態(tài)列出，然后在解空間中搜索可以將初始狀態(tài)轉(zhuǎn)化為目標(biāo)狀態(tài)的操作組合，這樣的組合便是問題的答案。

1.3 分解與組合

然而，目前我們發(fā)現(xiàn)，在通用人工智能（AGI）的漫長旅途中，大模型雖顯強(qiáng)大，仍存在著顯著的技術(shù)天花板。許多人開始探索如何挖掘大模型在大任務(wù)執(zhí)行能力上的可能性，其中一個(gè)基本策略就是能夠分解和組合。例如，經(jīng)典的 MapReduce 模式可以將一個(gè)大型文本進(jìn)行摘要，因?yàn)樗纳舷挛挠邢?，一種解決辦法是擴(kuò)大 context 的范圍。另一個(gè)解決方案是，在有限的 context 中，我們先將文本拆分成小片段，對每個(gè)片段進(jìn)行摘要，然后再將其組合，從而得出結(jié)果。

大家也發(fā)現(xiàn)大模型直接給出答案似乎并不靠譜，那么是否可以讓它像人類一樣，一步一步思考呢？畢竟，人類在解決問題時(shí)，也是逐漸構(gòu)建解決方案，而并非立即給出答案。因此，開始出現(xiàn)了一系列的嘗試解法，比如思維鏈、多思維鏈、思維樹和思維圖等。

我們一一講解，首先是思維鏈（Chain of Thought，CoT），它要求模型展示其思考過程，而非僅給出答案。這可以通過兩種方式實(shí)現(xiàn)，一種是具體說明，即要求模型詳細(xì)地、一步步地思考；另一種是示例說明，即通過給定問題和答案的同時(shí)，提供思考過程。這樣，當(dāng)詢問模型時(shí)，模型會(huì)模仿此過程，逐漸思考并給出答案。再往后，我們發(fā)現(xiàn)一個(gè)CoT有時(shí)可能出現(xiàn)錯(cuò)誤，然后開始嘗試讓它發(fā)散，嘗試多種思路來解決問題，然后投票選擇最佳答案，這就是CoT-SC了。

在這過程中，我們發(fā)現(xiàn)，這種發(fā)散的方法也有局限性，例如24點(diǎn)問題，它不能很好地解決，那么我們就會(huì)嘗試把這個(gè)問題進(jìn)行垂直分解，分成三步來做，每一步分解成多個(gè)子問題，類似于動(dòng)態(tài)規(guī)劃的做法，就好像把一個(gè)大任務(wù)拆解成了三個(gè)小的子任務(wù)，然后再一步一步地去實(shí)現(xiàn)它。

這就是思維樹（ToT， Tree of Thought）的一個(gè)主要思路，它會(huì)根據(jù)當(dāng)前的問題分解出多個(gè)可能，然后每一個(gè)樹節(jié)點(diǎn)就是父節(jié)點(diǎn)的一個(gè)子問題，逐層擴(kuò)散，遍布整個(gè)解空間，一些節(jié)點(diǎn)就直接會(huì)發(fā)現(xiàn)不合適而終止掉，達(dá)到了有效剪枝的作用。然而 ToT 的方式也存在問題，對于一些需要分解后再整合的問題，比如排序問題，排序你可能需要分解和排序，然后再merge，就不行了。

為了解決這個(gè)問題，一種名為思維圖（Graph of Tree，GoT）的方法被提出。這種思維圖既可以分解，也可以合并。

9月26日，清華姚期智團(tuán)隊(duì)又提出了更新的方法——累計(jì)推理，在24點(diǎn)問題上成功率已經(jīng)達(dá)到98%的SOTA。他們方式很接近主流 Agent 的實(shí)現(xiàn)方式，具備一定的通用性。它首先會(huì)提出一個(gè)初步的想法，然后再對這個(gè)想法進(jìn)行驗(yàn)證，看這個(gè)提案是否合適。如果提案合適，就將它添加到圖的下一個(gè)節(jié)點(diǎn)，每一步都基于已經(jīng)建立的圖節(jié)點(diǎn)進(jìn)行下一個(gè)思考節(jié)點(diǎn)的創(chuàng)建，這樣發(fā)散、合并或刪除直到達(dá)到最終目標(biāo)狀態(tài)，完備性和靈活性大大增強(qiáng)。

1.4 反饋

上述的討論主要是任務(wù)分解和組合，他們盡管強(qiáng)大，卻不能與外界進(jìn)行互動(dòng)，這就不得不講到反饋機(jī)制了。反饋是整個(gè)控制論的基石，也是動(dòng)物體從誕生之初就具備的基本能力。

最經(jīng)典的方法實(shí)際就是 ReACT，這個(gè)方法非常經(jīng)典，基本把智能體最核心的能力圈出來了，當(dāng)然它也有它的缺陷，我們將在后面討論為什么還會(huì)有 Agent 更多的復(fù)雜技術(shù)以克服它的不足。ReACT讓大模型先進(jìn)行思考，思考完再進(jìn)行行動(dòng)，然后根據(jù)行動(dòng)的結(jié)果再進(jìn)行觀察，再進(jìn)行思考，這樣一步一步循環(huán)下去。這種行為模式基本上就是人類這樣的智能體主要模式。

比如，詢問一個(gè)關(guān)于科羅拉多造山帶的相關(guān)問題，它就會(huì)去通過搜索工具進(jìn)行搜索，如果搜索結(jié)果沒有提到東部地區(qū)，它會(huì)繼續(xù)搜索東部地區(qū)的數(shù)據(jù)，然后繼續(xù)一步一步地思考，根據(jù)結(jié)果反復(fù)思考，直到完成這一項(xiàng)任務(wù)。

ChatGPT的代碼解釋器主要采用的就是這種模式。首先，代碼解釋器能夠與用戶進(jìn)行簡單的互動(dòng)，如用戶的問側(cè)和解釋器的回應(yīng)。當(dāng)用戶的問題需要外部調(diào)用時(shí)，例如詢問天氣情況，解釋器會(huì)生成相應(yīng)的代碼，利用代碼調(diào)用外部工具獲取結(jié)果。基于這些結(jié)果，代碼解釋器會(huì)將信息反饋給用戶，如“今天天氣很好”。下圖是，我們調(diào)研的ChatGPT Code Interpreter 的主要實(shí)現(xiàn)方式。

然而，我們始終覺得這樣仍然不夠，我們希望大模型在完成每一個(gè)任務(wù)后，能夠積累經(jīng)驗(yàn)，故而產(chǎn)生了借鑒強(qiáng)化學(xué)習(xí)思路的"反射"機(jī)制。反射機(jī)制能夠讓機(jī)器記住每一次任務(wù)的完成情況，無論效果好壞，以供未來參考，提升模型的性能。

Agent的框架都會(huì)讓模型輸出JSON進(jìn)行函數(shù)調(diào)用，OpenAI也就推出了Funtion Calling，將外部調(diào)用內(nèi)化到模型中，變成了一種原生能力。

考慮到前面說的ReACT和Reflection這些不徹底性，更大的變革轟然襲來，這就是Agent，今天4月AutoGPT橫空出世，短短數(shù)周Star數(shù)就超過PyTorch達(dá)到90k，賺足了眼球。

1.5 Agent

今天，全世界都在關(guān)注這個(gè)領(lǐng)域，Agent 模式的研究和應(yīng)用都在迅猛發(fā)展，作為一個(gè)"共識"可預(yù)見的未來該技術(shù)的進(jìn)步將勢不可擋。AutoGPT模型剛在10月15日宣布獲得1200萬美金的資金支持，也小道消息稱OpenAI將在11月份發(fā)布面向 Agent 的原生模型和規(guī)范。百度在發(fā)布"文心一言4.0"時(shí)也表示，他們考慮在升級系統(tǒng)時(shí)重點(diǎn)考慮了系統(tǒng)2的能力，這也是Agent 模式的關(guān)鍵設(shè)計(jì)。

下圖是AutoGPT 發(fā)布的進(jìn)行中的架構(gòu)圖，旨在實(shí)現(xiàn)對任務(wù)的有效管理。生成的任務(wù)將會(huì)被加入優(yōu)先級隊(duì)列中，隨后系統(tǒng)會(huì)不斷從優(yōu)先隊(duì)列中選擇優(yōu)先級最高的任務(wù)進(jìn)行執(zhí)行，整個(gè)過程中，任何反饋都會(huì)通過記憶進(jìn)行迭代優(yōu)化代碼。

這個(gè)主要框架雖然相對簡單，但其設(shè)計(jì)理念具有重要意義。首先，創(chuàng)建一個(gè)初始的計(jì)劃，然后進(jìn)入主循環(huán)。系統(tǒng)會(huì)讓模型判斷在當(dāng)前計(jì)劃下該進(jìn)行何種行動(dòng)，接著會(huì)執(zhí)行行動(dòng)。執(zhí)行完畢后，結(jié)果會(huì)寫入下一次循環(huán)中。如此，每次決策都會(huì)基于之前的結(jié)果、記憶和計(jì)劃，從而制定出新的行動(dòng)方案。

在該框架中，模型的決策過程涉及到動(dòng)作選擇，這也是主要的功能之一。此外，整個(gè)過程中我們主要關(guān)注的一些工具包括“Start Another Agent”以及“Task Complete”。這兩個(gè)工具體現(xiàn)了Agent可以被調(diào)用，從而將大任務(wù)拆解為若干小任務(wù)進(jìn)行處理，繼而形成層次化的樹狀結(jié)構(gòu)，這種結(jié)構(gòu)與人類分工和協(xié)作的工作方式極為相似。

值得一提的是，微軟的賈維斯 (Jarvis)一個(gè)深度學(xué)習(xí)任務(wù)調(diào)度系統(tǒng)，也采用了類似思想。他們主要關(guān)注如何調(diào)用模型來執(zhí)行各種深度學(xué)習(xí)任務(wù)，涉及到了先做計(jì)劃，再選擇模型，然后執(zhí)行任務(wù)，獲取反饋，然后進(jìn)入下一輪循環(huán)等環(huán)節(jié)。

有的研究者會(huì)嘗試使用大模型寫小說，借鑒LSTM這個(gè)經(jīng)典深度網(wǎng)絡(luò)的思想發(fā)明RecurrentGPT，還引入了長時(shí)記憶和短時(shí)記憶機(jī)制，使模型擁有了更佳的記憶和學(xué)習(xí)功能。

其他方向，我們看到把大模型視作一個(gè)虛擬世界中的智能體，如MineCraft游戲中所設(shè)定的角色。這個(gè)角色可以沿著指定的路線，完成一些在環(huán)境中探索的任務(wù)，如建房子、挖礦、打怪等。這個(gè)角色首先需要被告知怎樣去執(zhí)行任務(wù)，例如自動(dòng)訓(xùn)練課程計(jì)劃的使用。然后逐步的完成任務(wù)，形成自己的執(zhí)行代碼庫、技能庫等，這樣就算是在以后遇到相似的任務(wù)，它都能快速調(diào)用已有的技能和經(jīng)驗(yàn)來完成任務(wù)。某種意義上，這就是一種強(qiáng)化學(xué)習(xí)的方式。

這個(gè)方向的變化真的是一日千里，就在昨天，清華聯(lián)合面壁發(fā)布了XAgent，提出了雙循環(huán)機(jī)制在效果上碾壓了AutoGPT。這種機(jī)制中，外循環(huán)負(fù)責(zé)宏觀規(guī)劃，而內(nèi)循環(huán)則負(fù)責(zé)細(xì)節(jié)的執(zhí)行。

雙循環(huán)模式

在完成各類任務(wù)的時(shí)候，它的能力也大大勝過 GPT 4。這里需要解釋一下，研究者為什么把 GPT 4 和 Agent 進(jìn)行對比，看起來GPT 4只是 Agent 的一個(gè)組件，自行車的輪子怎么能和自行車對比呢？這是因?yàn)閺娜蝿?wù)完成的視角看，GPT-4也是一種Agent，Agent的概念是大模型的超集，這也是為什么我們說智能時(shí)代的核心載體是 Agent 而不是大模型的原因，這個(gè)事物的發(fā)展形態(tài)終將會(huì)走到一個(gè)最穩(wěn)定的形態(tài)，這個(gè)形態(tài)目前看只有 Agent 最配這個(gè)顏值擔(dān)當(dāng)。當(dāng)能不大眾所接受的對等 Agent 含義的詞匯可能還在發(fā)明中，至少目前看伙伴、助手這些命名的水平都不夠高，讓我們拭目以待。

1.6 Multi-Agent

進(jìn)一步，人們很自然地想到了多智能體（Multi-agent）模式， "斯坦福小鎮(zhèn)"開了一個(gè)好頭。在這個(gè)虛擬的小鎮(zhèn)里，每個(gè)角色都是一個(gè)單獨(dú)的智能體，每天依據(jù)制定的計(jì)劃按照設(shè)定的角色去活動(dòng)和做事情，當(dāng)他們相遇并交談時(shí)，他們的交談內(nèi)容會(huì)被存儲在記憶數(shù)據(jù)庫中，并在第二天的活動(dòng)計(jì)劃中被回憶和引用，這一過程中就能涌現(xiàn)出許多頗有趣味性的社會(huì)學(xué)現(xiàn)象，我們成為群體智能的涌現(xiàn)。

再看今年7月份，一個(gè)被命名為MetaGPT的項(xiàng)目引起了廣泛關(guān)注，這個(gè)項(xiàng)目中定義了產(chǎn)品經(jīng)理、架構(gòu)師、項(xiàng)目管理員、工程師和質(zhì)量保證等角色，各角色之間通過相互協(xié)作，基本可以勝任完成500行左右代碼的小工程了。

很簡單的一個(gè)實(shí)現(xiàn)就能夠完成500行，后續(xù)改進(jìn)后，是否有可能完成5000行或者是5萬行代碼的項(xiàng)目呢？譬如前兩天微軟剛發(fā)布的 Code Plan 項(xiàng)目已經(jīng)開始嘗試實(shí)施大型工程的改造計(jì)劃。

Meta GPT 最有價(jià)值的思想是借鑒人類社會(huì)中的協(xié)作方式，尤其是SOP，之于Agent 設(shè)計(jì)則平平無奇，也包括觀察、思考、狀態(tài)管理、任務(wù)行動(dòng)以及結(jié)果反饋等等必備組件。

同樣的思路，清華開發(fā)了一個(gè)名為ChatDev的系統(tǒng)，進(jìn)一步引入了CEO等角色，這里就不再展開描述。

值得一提的是，Agent 的應(yīng)用方向其實(shí)非常廣泛。比如 RPA 公司實(shí)在智能把 Agent 用于他們的產(chǎn)品調(diào)用常見桌面軟件，如淘寶網(wǎng)、釘釘，來自動(dòng)完成桌面任務(wù)。

而任何一個(gè) Agent 的實(shí)現(xiàn)，似乎共性都挺多，都需要有長短時(shí)記憶能力、工具使用能力、通信能力，甚至包括 SOP 的能力，自然而言就有人要做這樣的框架了，如 agents。

1.7 簡單的難題

盡管 GPT-4 等模型非常強(qiáng)大、Agent的發(fā)展似乎牛氣沖天，它們?nèi)匀粺o法滿足很多任務(wù)的需要，甚至一些在我們看來很簡單的任務(wù)都完成不了，比如我們構(gòu)造的這個(gè)任務(wù)：

?

?

給小學(xué)生展示一下兩數(shù)相加的每一步計(jì)算過程，如1135 + 78
答：計(jì)算詳細(xì)過程如下
5+8=13， 進(jìn)位1
3+7+1=11， 進(jìn)位1
一個(gè)數(shù)已經(jīng)加完，剩余數(shù)11 + 1 = 12
結(jié)果為：1211
下面請列出以下兩數(shù)的詳細(xì)計(jì)算過程：
81728738271872871871672 + 28781729836746721

?

?

我們必須明白，盡管AI在一定程度上模仿了人腦的工作方式，但實(shí)際上，機(jī)器人和人腦在處理信息時(shí)采用的策略有很大的不同。因此，即使在未來，我們也需要繼續(xù)改進(jìn) AI 框架，以解決這種差距。比如一個(gè)百萬位數(shù)的加法任務(wù)，GPT-4囿于token數(shù)的限制是不可能完成這個(gè)任務(wù)的，但人類缺可以，這恰是人類和AI需要彌補(bǔ)的Gap。我們進(jìn)行了一些簡單的試驗(yàn)，還沒有發(fā)現(xiàn)大模型和Agent能搞定這個(gè)任務(wù)。其中，ChatGPT4的Code Interpreter是表現(xiàn)最好的，因?yàn)樗{(diào)用了外部計(jì)算器，但中間的過程描述還是發(fā)生了錯(cuò)誤。如果你能做出來這個(gè)小作業(yè)，歡迎聯(lián)系我。

至此，我們已經(jīng)講述了大模型到 Agent 的發(fā)展歷程。接下來的時(shí)間，我們將從人類智能的視角，結(jié)合面向目標(biāo)架構(gòu)的理念，分析 Agent 技術(shù)的本質(zhì)、存在的缺陷以及未來可能的發(fā)展方向。

2. 通用智能基本原理

首先我們來看看這個(gè)眾人熟知的認(rèn)知飛輪，感知、認(rèn)知、決策、行動(dòng)，今天的人工智能代理更像是基于這個(gè)認(rèn)知飛龍構(gòu)建的。但是從本質(zhì)上，人類智能遠(yuǎn)比這復(fù)雜。

在漫長的進(jìn)化歷史中，生物神經(jīng)網(wǎng)絡(luò)從簡單的條件反射逐漸進(jìn)化到今天的主動(dòng)預(yù)測，我們已經(jīng)可以在大腦中構(gòu)建世界模型，進(jìn)行強(qiáng)大的推理和分析?？此品彪s的過程，實(shí)際上都發(fā)生在核心的架構(gòu)上，并且逐步完善。無論是工作記憶，還是人類處理語言的能力的誕生，這些都是智能的必不可少的元素，尤其是符號能力，對人類智能的發(fā)展有著不可替代的作用。

因此，讓我們先提出一個(gè)更為宏觀的問題，智能究竟是什么？我強(qiáng)烈推薦這本名為《預(yù)測算法》的書，它在20年發(fā)表，那一年，GPT 3也剛剛問世，我在閱讀之后，就有這樣一個(gè)感覺：生成模型是戰(zhàn)略正確的。在之前關(guān)于AGI的分享中，也提到過這個(gè)觀點(diǎn)，智能是通過預(yù)測來解決應(yīng)對世界的不確定性的，分享視頻參見這里https://www.bilibili.com/video/BV16h4y1w79A/

讓我們深入理解一下模擬的概念，當(dāng)一個(gè)低等動(dòng)物接觸到外界的刺激，它會(huì)收縮來逃避潛在的風(fēng)險(xiǎn)。這其實(shí)是一種模擬，只不過這個(gè)模擬反射神經(jīng)元對有些過于反應(yīng)敏銳，它假設(shè)所有的刺激都是潛在的危險(xiǎn)。然而，對于人類來說，我們的模擬則更為精細(xì)。我們對世界進(jìn)行建模，把世界以實(shí)體、關(guān)系、屬性描繪出來。然而，這也是我們認(rèn)知的極限，我們只能理解一個(gè)對象化的世界，非對象化的世界我們無法理解。比如，當(dāng)我們探索量子的時(shí)候，我們還常常用對事物進(jìn)行對象化的方式去理解，但是發(fā)現(xiàn)我們的理解力有時(shí)候是有限的，因?yàn)榱孔邮澜绲恼嫦喑隽巳祟愓J(rèn)知能力的范圍，我們智能使用低維空間的投影去推斷它，就像我們無法在三維世界去想象十一維世界的樣子。

在過去的四十年里，科學(xué)家對認(rèn)知架構(gòu)有很多深入的研究，并嘗試據(jù)此研發(fā)出通用人工智能，但天地不仁以萬物為芻狗，當(dāng)前來看只有GPT系列模型距離實(shí)現(xiàn)通用人工智能最近，當(dāng)然這些認(rèn)知理論依然具有巨大的參考和指導(dǎo)意義。

深入地聊認(rèn)知架構(gòu)和智能原理之前，我們必須要聊的是繞不開的《思考快與慢》，這是一本暢銷書，其后面的學(xué)術(shù)道理也十分受用。大腦中的系統(tǒng)1和系統(tǒng)2是我們所有人都熟知的，盡管在實(shí)際實(shí)現(xiàn)中，系統(tǒng)2可能由系統(tǒng)1涌現(xiàn)，但至少在表現(xiàn)上，我們的大腦看起來有兩個(gè)系統(tǒng)，系統(tǒng)1和系統(tǒng)2，分別負(fù)責(zé)不同的功能。知識和情感的快速反應(yīng)被稱為系統(tǒng)1，而邏輯性強(qiáng)、思考速度慢的反應(yīng)被稱為系統(tǒng)2。

接下來我們看看這些認(rèn)知架構(gòu)中?，有一個(gè)叫做GWT(Global Workspace Theory，全局工作空間理論)，如下圖所示：

全局工作空間理論（GWT）是認(rèn)知科學(xué)家伯納德·巴爾斯（Bernard Baars）和斯坦·富蘭克林（Stan Franklin）在20世紀(jì)80年代后期提出的一種意識思維框架。它被開發(fā)出來，以定性地解釋一系列有意識和無意識過程之間的匹配。GWT在建模意識和高級認(rèn)知方面具有影響力，認(rèn)為它們是從廣泛、并行的神經(jīng)過程中信息的競爭和集成流動(dòng)中產(chǎn)生的。

系統(tǒng)1涵蓋了神經(jīng)網(wǎng)絡(luò)的外圍連接，涉及長期記憶、價(jià)值系統(tǒng)、感知運(yùn)動(dòng)控制相關(guān)的神經(jīng)網(wǎng)絡(luò)，系統(tǒng)2則是一個(gè)高度集中的“舞臺”，人類的有意識思考，如做數(shù)學(xué)題時(shí)，腦中想象數(shù)字相加的過程，都在這個(gè)舞臺上進(jìn)行。這個(gè)舞臺叫全局工作空間，記憶在這個(gè)舞臺上被拉進(jìn)來加工，然后被扔出去。LIDA (Learning Intelligent Distribution Agent) 受到多種計(jì)算范例的啟發(fā)，并且實(shí)現(xiàn)了GWT。 認(rèn)知模塊包括知覺關(guān)聯(lián)記憶，情景記憶，意識，程序性記憶和行動(dòng)選擇。由 LIDA 架構(gòu)控制的認(rèn)知機(jī)器人和軟件代理將能夠進(jìn)行多種學(xué)習(xí)機(jī)制。

其實(shí)在大模型Agent技術(shù)出現(xiàn)之前，人們就已經(jīng)意識到，試圖集成各種深度學(xué)習(xí)模型以實(shí)現(xiàn)人工普遍智能（AGI）并不夠，還需要更高層次的認(rèn)知模型。Lecun在思考AGI時(shí)對大模型的出現(xiàn)也提出過意見，它認(rèn)為世界模型才是關(guān)鍵，但前兩天新的研究卻認(rèn)為大模型中有世界模型。但毫無疑問的一點(diǎn)是，世界模型對于我們對世界的認(rèn)知是非常關(guān)鍵的，無論大模型中是否包含世界的認(rèn)知，Agent都必須對世界有準(zhǔn)確的理解才能做出正確的決策。當(dāng)模型不能正確運(yùn)行時(shí)，決策就會(huì)出錯(cuò)；只有當(dāng)世界模型構(gòu)建的正確，才能選擇正確的模型，進(jìn)而做出正確的決策。

總結(jié)一下，系統(tǒng)2包含意識、思考、符號主義、邏輯推理圖靈、機(jī)制結(jié)構(gòu)化和模型。而系統(tǒng)1包含快速思考、神經(jīng)網(wǎng)絡(luò)連接主義、長期記憶、深度學(xué)習(xí)、亞符號、潛意識和非結(jié)構(gòu)化數(shù)據(jù)。在構(gòu)建 Agent 時(shí)，可以參考這兩種系統(tǒng)的思維框架。在理解智能架構(gòu)的概念時(shí)，我們需要從記憶空間、符號系統(tǒng)、世界模型構(gòu)建與加工三個(gè)方向去考慮。記憶空間是基礎(chǔ)，符號系統(tǒng)是思考和推理的核心，而世界模型的構(gòu)建和加工則是其中最重要的環(huán)節(jié)。在現(xiàn)在的大模型中，如 GPT，雖然很多人認(rèn)為它沒有符號系統(tǒng)，但我們認(rèn)為，其內(nèi)部的注意力機(jī)制可能已經(jīng)在激活流轉(zhuǎn)過程中模擬了世界模型的加工過程，只是這個(gè)過程并不顯式，而且無法控制，只能通過Prompt工程引導(dǎo)它進(jìn)行，但它會(huì)經(jīng)常跑偏。

我們通過學(xué)習(xí)掌握了對世界的知識，并針對感知數(shù)據(jù)嘗試在符號系統(tǒng)中構(gòu)建世界模型，進(jìn)行預(yù)測和行動(dòng)。如彈鋼琴這樣的行動(dòng)，我們需要通過反復(fù)訓(xùn)練，逐漸將運(yùn)動(dòng)序列內(nèi)化，變成肌肉記憶和反射。這些在系統(tǒng)2中反復(fù)出現(xiàn)的行為，會(huì)逐漸沉淀到系統(tǒng)1中。這個(gè)過程可以理解為一個(gè)“快捷通道”的形成過程，稱為Shortcut。

人的視覺識別過程是一個(gè)層次性的關(guān)系，從最初級的視覺皮層一直到更高級的皮層，從簡單的視覺邊緣特征到線條的方向性，再到線條之間的組合，如角等更高維特征的形成，直到形成物體的感知。這些物體的概念再對應(yīng)符號系統(tǒng)和自然語言的綁定，當(dāng)圖像信息經(jīng)過解碼過程進(jìn)入符號系統(tǒng)后，我們的關(guān)聯(lián)記憶會(huì)幫助我們召回?cái)?shù)字等語義概念。

以人類做加法為例，假設(shè)我們要解決“219 + 13”的問題，這個(gè)過程可能會(huì)遇到一個(gè)看似相同的圖形，比如圖中有"13"和"B"的歧義。這就打破了現(xiàn)在很多人的想法，通常我們喜歡做前向過程，先使用一個(gè)視覺模型處理輸入，然后再將其輸出傳遞給大模型進(jìn)行處理。實(shí)際上，人在理解這個(gè)場景時(shí)是一個(gè)雙向過程，首先有一些直覺的特征傳入到系統(tǒng)2，系統(tǒng)2會(huì)推斷這是一個(gè)做加法任務(wù)，并將看似“B”的圖形解釋為13，這個(gè)過程稱為Projection。例如，我們經(jīng)常從一些像素點(diǎn)中識別出人臉，這就是由上至下的功效發(fā)揮作用，這是對未來人工智能代理（Agent）的一種啟發(fā)。

另一個(gè)關(guān)鍵的能力是關(guān)聯(lián)記憶。當(dāng)我們開始觀察某個(gè)物體時(shí)，比如進(jìn)行加法操作時(shí)，我們的大腦并不會(huì)以固定模式運(yùn)作。相反，我們的神經(jīng)網(wǎng)絡(luò)會(huì)并行運(yùn)行，有的神經(jīng)網(wǎng)絡(luò)開始將加法的概念、數(shù)字的概念以及加法規(guī)則等各種信息激活，所有這些信息都會(huì)基于一個(gè)關(guān)聯(lián)網(wǎng)絡(luò)喚醒出來，這樣我們就可以開始下一步的工作。接下來就是所謂的結(jié)構(gòu)推理，我們會(huì)開始將這些符號結(jié)構(gòu)化，例如，如果它是一個(gè)三位數(shù)，我們就會(huì)開始理解它的每一位構(gòu)成整體和部分之間的關(guān)系。

當(dāng)我們已經(jīng)理解到219 + 13是加法時(shí)，我們也會(huì)執(zhí)行Structure Inference得到結(jié)構(gòu)的認(rèn)知A+B=C的兩位數(shù)加法結(jié)構(gòu)，并將219和A對應(yīng)上，13和B對應(yīng)上，這個(gè)過程就是Variable Binding了，我們將具體的實(shí)例與它的角色對應(yīng)上了。

接著我們要遵循加法規(guī)則進(jìn)行運(yùn)算以實(shí)現(xiàn)我們的目標(biāo)——完成加法任務(wù)。根據(jù)我們打算完成的目標(biāo)以及現(xiàn)在的狀態(tài)，我們需要規(guī)劃出達(dá)成目標(biāo)所需要的具體步驟，即執(zhí)行加法規(guī)則。進(jìn)入到這樣一個(gè)循環(huán)過程之中，我們會(huì)額外提到兩個(gè)概念，即"Shortcut"和"Exception"。

那么什么是Shortcut呢？當(dāng)我們初次開始書寫數(shù)字時(shí)，速度往往很慢，但隨著練習(xí)，我們將逐漸寫得越來越快。這個(gè)過程實(shí)際上包含了一個(gè)叫做“Recoding”的過程，我們會(huì)將熟悉的操作或流程用神經(jīng)元重新表示，這樣就把一個(gè)復(fù)雜的操作簡化為了一個(gè)子任務(wù)，通過類似于傳參的方式控制一個(gè)子神經(jīng)網(wǎng)絡(luò)完成任務(wù)。比如開車，一開始，每個(gè)動(dòng)作都需要集中注意力，嚴(yán)重依賴系統(tǒng)2，但是開了一段時(shí)間之后，就可以自如地進(jìn)行了，這就是因?yàn)橄到y(tǒng)2的控制能力已經(jīng)被沉淀到了系統(tǒng)1里面，稱為Shortcut。

另一個(gè)重要的方面是異常處理能力，人類最強(qiáng)大的能力就是能夠隨時(shí)應(yīng)對異常。譬如，你在走路時(shí)突然被絆了一跤，你首先需要應(yīng)對的就是摔倒這個(gè)狀況，然后再回到原來的路線上繼續(xù)走。

因此，在執(zhí)行加法過程中，并不是由于一個(gè)細(xì)節(jié)被中斷或遇到各種異常，才開始執(zhí)行加法。我們會(huì)發(fā)現(xiàn)，在遇到各種問題時(shí)，我們總是會(huì)奔著目標(biāo)勇往直前。人是一個(gè)運(yùn)作著面向目標(biāo)架構(gòu)的復(fù)雜過程。面向目標(biāo)架構(gòu)是人類智能的一個(gè)核心機(jī)制，當(dāng)然并不是唯一的。有時(shí)，我們也會(huì)沒有具體的目標(biāo)或者說目標(biāo)不是顯式的，比如citywalking，同時(shí)有一些底層的目標(biāo)機(jī)制，諸如生存，這說明人的面向目標(biāo)架構(gòu)要復(fù)雜許多。這就是我們不得不說的智能核心的面向目標(biāo)架構(gòu)

3. 面向目標(biāo)架構(gòu)

我們的情緒系統(tǒng)其實(shí)也在解決目標(biāo)問題，例如，你會(huì)因?yàn)槟繕?biāo)無法達(dá)成而生氣，因?yàn)槟繕?biāo)可能無法達(dá)成焦慮，因?yàn)閯e阻礙你的目標(biāo)而憤怒。顯而易見，許多情緒都與目標(biāo)機(jī)制有所關(guān)聯(lián)。因此，這套面向目標(biāo)的機(jī)制在人的智能運(yùn)作中占有極其核心的地位。

讓我們通過一個(gè)簡單的模型來描述該機(jī)制。首先，我們需要對這個(gè)世界有理解，因此我們會(huì)在腦中構(gòu)建一個(gè)關(guān)于世界的模型。這個(gè)模型在結(jié)構(gòu)化之后，就會(huì)變成了當(dāng)前世界狀態(tài)。而我們的目標(biāo)是對應(yīng)的一個(gè)目標(biāo)世界狀態(tài)。因此，人類就是在不停地消除當(dāng)前狀態(tài)和目標(biāo)狀態(tài)之間的差異，這個(gè)消除的過程就是目標(biāo)驅(qū)動(dòng)的過程。

在目標(biāo)驅(qū)動(dòng)的過程中，你開始嘗試去解決這個(gè)問題，消除這個(gè)差異，你也可能有現(xiàn)成的解決方案，直接動(dòng)用已有的解決方案執(zhí)行已知的運(yùn)動(dòng)序列，也可能需要進(jìn)行一定的思考，做出推理分析幫助你解決問題。

一旦你找到了一些執(zhí)行序列，這些序列可能會(huì)變成一個(gè)子序列，子序列里有子目標(biāo)。每個(gè)子目標(biāo)的執(zhí)行有可能是直接完成的，也可能需要進(jìn)一步思考才能完成。正如我們可以看到，GPS這段代碼就是在為了達(dá)成某一個(gè)目標(biāo)而工作，它會(huì)遍歷所有的目標(biāo)，嘗試讓每一個(gè)目標(biāo)都能夠達(dá)成，一旦達(dá)成就結(jié)束。有興趣的同學(xué)可以讀一下這個(gè)代碼，就是做暴力遍歷找出達(dá)到目標(biāo)狀態(tài)的操作序列。??????????????

不過，像GPS這種理想的解決方案在現(xiàn)實(shí)世界中可能并不奏效，因?yàn)檎鎸?shí)世界的解空間過于龐大，想想AlphaGo的故事就理解了，這也是為什么雖然此想法在理論上看起來很好，但在實(shí)際操作時(shí)卻無法實(shí)施。

但這種思考很有啟發(fā)，在Newell和Simon1972年出版的《Human Problem Solving》一書中，他們研究了人類如何解決問題，并意識到我們經(jīng)常進(jìn)行手段-目的分析(means-ends)

舉一個(gè)例子：

"我想把兒子送到幼兒園。我現(xiàn)在的狀態(tài)和我想要的狀態(tài)之間有什么區(qū)別？其中一個(gè)是距離。

是什么因素會(huì)改變距離？我的汽車?？墒俏业钠噳牧?。要讓它工作需要什么？一個(gè)新電池。

哪里能買到新電池？汽車修理店。我想讓修理店為我安裝一個(gè)新電池，但店里不知道我需要一個(gè)新電池。問題出在哪里？是溝通的問題。什么能讓溝通變得容易？一部電話……以此類推。"

在計(jì)算機(jī)領(lǐng)域，有很多方法都與目標(biāo)機(jī)制相關(guān)。例如，過程描述語言（PDL）就是一種經(jīng)典的方法，主要用于解決機(jī)器人問題。我們可以描述世界上的對象，它們當(dāng)前的狀態(tài)是怎樣的，目標(biāo)狀態(tài)是怎樣的，有哪些可以采取的操作，然后我們可以基于這些操作，使用規(guī)劃器尋找一個(gè)合適的運(yùn)動(dòng)序列來解決問題。

但在今天計(jì)算機(jī)領(lǐng)域的工程實(shí)踐中，人們更多采用的是面向過程架構(gòu)，無論是接口、函數(shù)、UI界面，還是組件，又或者是一個(gè)應(yīng)用程序，都是以接口的形式存在的。而這個(gè)接口實(shí)質(zhì)上是一種被調(diào)用的子流程，借此過程的完成，我們希望執(zhí)行結(jié)果符合我們的預(yù)期，但程序并不為結(jié)果負(fù)責(zé)。它解決的是過程和流程問題，系統(tǒng)內(nèi)沒有目標(biāo)的概念。

當(dāng)然，也存在一些以目標(biāo)導(dǎo)向?yàn)楹诵睦砟畹牡能浖こ?，例如聲明式編程，它只需要你描述你想要什么，而無需關(guān)心執(zhí)行的過程，像HTML和SQL便是其經(jīng)典例子。在這樣的架構(gòu)下，程序能夠自行尋找達(dá)成目標(biāo)的方法。

然而問題在于，這種面向目標(biāo)的架構(gòu)只能應(yīng)用于垂直領(lǐng)域，而無法普遍應(yīng)用到所有領(lǐng)域，只有在特定的領(lǐng)域內(nèi)才能發(fā)揮作用，這就限制了它的應(yīng)用范圍。

總的來說，盡管面向目標(biāo)架構(gòu)在計(jì)算機(jī)領(lǐng)域有一席之地，但由于其只能在特定領(lǐng)域發(fā)揮作用，而無法解決所有領(lǐng)域的問題，因此它的應(yīng)用還是有所限制，更多出現(xiàn)在特定的DSL（領(lǐng)域特定語言）中，這種架構(gòu)的確也發(fā)揮了巨大的作用。在軟件工程的范式遷移中，我們發(fā)現(xiàn)面向過程架構(gòu)與面向目標(biāo)架構(gòu)之間的重要區(qū)別點(diǎn)：隨著人類的生產(chǎn)方式的變化，軟件工程可能正逐步演化為智能體工程(Agent Engineering)；以前我們主導(dǎo)的生產(chǎn)方式是人類處于中心位，AI做輔助。而未來可能會(huì)變成以 AI 為中心，人類變?yōu)檩o助。由此，整個(gè)產(chǎn)品形態(tài)和平臺的構(gòu)成可能會(huì)發(fā)生這樣的轉(zhuǎn)變。

在這一轉(zhuǎn)變中，原本由人類主導(dǎo)的功能開發(fā)，逐漸演變?yōu)橐灾悄荏w為主要驅(qū)動(dòng)力。傳統(tǒng)的用戶界面，由于其垂直的任務(wù)層級架構(gòu)，每一層都需要人類逐一生成，未來這個(gè)過程可能會(huì)被智能體自主生成并改良。此外，原本只能解決有限范圍的任務(wù)，未來的架構(gòu)則可以解決無限域的任務(wù)。就如同頭條這樣的平臺，它是一個(gè)信息的分發(fā)平臺。那么，是否會(huì)出現(xiàn)新的平臺模式？比如一種知識和世界模型的分發(fā)平臺。以前我們只能處理大量長尾數(shù)據(jù)，在未來可能能解決大量長尾任務(wù)。以前是廉價(jià)的規(guī)?；影嘿F的個(gè)性化，以后是廉價(jià)的規(guī)?；膫€(gè)性化。

4. 前瞻性分析

根據(jù)上面的分析，我們能看到 Agent 技術(shù)在未來的發(fā)展還有很大的提升空間。我認(rèn)為，這些提升主要可以從幾個(gè)方向開始，包括引入中央執(zhí)行機(jī)構(gòu)、學(xué)習(xí)能力、輸入感知、輸出執(zhí)行、世界模型和記憶等幾個(gè)方面。這些構(gòu)成因素是完備非正交的，都對提升 AI 技術(shù)至關(guān)重要。

4.1 Central Executive

首先，中央執(zhí)行機(jī)構(gòu)，這是一個(gè)核心的概念，但常常被人們忽視?，F(xiàn)在的 Agent 只是一個(gè)規(guī)劃器，它負(fù)責(zé)做規(guī)劃。但實(shí)際上，這個(gè)流程中還存在很多未明確的問題，比如，是否存在一個(gè)內(nèi)部加工過程，以及這個(gè)過程是否透明可控等。一種可能的解決辦法是，將內(nèi)部加工過程外部化，用系統(tǒng)2包裹起來，使每一步細(xì)粒度的思考都可以展現(xiàn)出來。

其次是世界模型，現(xiàn)在的大模型只能輸入語言，顯然這樣是不夠的，進(jìn)一步理解世界需要多模態(tài)輸入。這是我們在未來需要處理的關(guān)鍵問題。同樣地，對于時(shí)間和自身的身體運(yùn)動(dòng)控制的認(rèn)知也需要能夠輸入到大模型里面去。我們觀察到，無論是自動(dòng)駕駛汽車、大模型Agent，還是其他的諸多智能體模型，都已經(jīng)在應(yīng)用這種面向目標(biāo)的架構(gòu)。目前的挑戰(zhàn)在于如何在細(xì)節(jié)上加以改進(jìn)，如找出此架構(gòu)未能完成某些任務(wù)的原因，以及這些缺陷是源于大模型底層的子任務(wù)能力不足，還是需要對框架本身做出改進(jìn)，比如增加更多的思考層次，或加入更多的內(nèi)部推演等。

另一個(gè)重要的問題是宏觀注意力。由于大模型的上下文限制，是否可以讓模型自身主動(dòng)去探索外部世界，將其精力和注意力主動(dòng)地投入到解答某些具有目標(biāo)性的問題上去，實(shí)現(xiàn)主動(dòng)的注意力機(jī)制？這不僅涉及到搜索和嘗試的問題，如針對一些無法思考出解決方案的情況，模型應(yīng)如何去進(jìn)行嘗試，而且這些嘗試何時(shí)能夠帶來進(jìn)步，以及如何去尋找更為優(yōu)秀的解決空間，進(jìn)行推理和規(guī)劃。

4.2 Memory

值得注意的是，數(shù)學(xué)和邏輯學(xué)習(xí)也會(huì)涉及到上述問題，比如人類在很多情況下不擅長規(guī)劃，那么我們是否可以利用網(wǎng)絡(luò)和記憶機(jī)制來實(shí)現(xiàn)規(guī)劃的功能？這其中就涉及到記憶的內(nèi)化，也就是把大模型從外部世界獲取的經(jīng)驗(yàn)轉(zhuǎn)化為內(nèi)部參數(shù)，或者說把這些經(jīng)驗(yàn)轉(zhuǎn)化為內(nèi)存。

目前，我們依賴的記憶機(jī)制主要是把所有的信息存儲在歷史記錄里，然后在需要的時(shí)候進(jìn)行召回。然而，這些信息并未經(jīng)過整理，在一些試圖整理記憶的嘗試中，我們發(fā)現(xiàn)人類是具有這種能力的。人類在獲得大量相關(guān)的知識后，不會(huì)簡單地把它們堆積在腦中，因?yàn)槿说纳窠?jīng)元存儲空間是有限的。相反，人腦會(huì)通過海馬體進(jìn)行整理，而在我們做夢時(shí)，大腦會(huì)重新構(gòu)造這些相關(guān)的知識，使得記憶網(wǎng)絡(luò)變得有序。

然而，現(xiàn)在我們怎么去實(shí)現(xiàn)這種能力？目前還未見到具有遺忘功能的模型，也就是刪掉一些垃圾信息或錯(cuò)誤的信息。在大模型訓(xùn)練過程中，產(chǎn)生了許多無用甚至是錯(cuò)誤的信息，而我們在工作中只是采用了許多方式來規(guī)避這些錯(cuò)誤的信息，但為什么不試圖去刪掉它們呢？如果能夠?qū)⑦@些信息替換為有價(jià)值的信息，那將是一件有價(jià)值的事。我注意到在人工智能領(lǐng)域中，對于長短時(shí)記憶與工作記憶，以及它們之間的關(guān)系討論并不深入，更常見的是，人們將長短時(shí)記憶簡化為向量數(shù)據(jù)庫。我想解決這個(gè)問題，嘗試對這兩者進(jìn)行深層次的理解，并建立更完備，更正交的關(guān)系也很重要。

4.3 Sensory

當(dāng)人工智能Agent融入人類生活后，它與我們的體驗(yàn)和經(jīng)歷能否成為Agent自身的存儲內(nèi)容？如果可以，那么在未來，我們與Agent之間的互動(dòng)將會(huì)變得更加實(shí)用，更加貼近現(xiàn)實(shí)生活，更加有溫度。

在輸入的問題上，我明確地看到了多模態(tài)輸入的必要性，同時(shí)，對于時(shí)間感知我認(rèn)為也非常重要，時(shí)間性對于運(yùn)動(dòng)控制任務(wù)極其重要。引入多模態(tài)輸入后，我們還要解決一個(gè)自上而下的機(jī)制問題，就是Projection啟發(fā)的這個(gè)點(diǎn)，OCR嫁接術(shù)一定會(huì)在某類任務(wù)存在缺陷。

4.4 Motor

在交流方式上，我認(rèn)為不應(yīng)僅僅依賴于語言，雖然現(xiàn)在的交流基本都是基于語言的，但是，語言是一個(gè)低帶寬且低效的通信工具。我在想，我們能否引入一種新的溝通方式 - 類似心靈感應(yīng)的方式，讓Agent在隱空間通信。

關(guān)于運(yùn)動(dòng)控制，當(dāng)前的方式包括一些機(jī)器人應(yīng)用，都比較結(jié)構(gòu)化。但我認(rèn)為，在未來，大模型的神經(jīng)網(wǎng)絡(luò)應(yīng)該可以直接連接到運(yùn)動(dòng)控制的神經(jīng)網(wǎng)絡(luò)，實(shí)現(xiàn)層次化控制，使得運(yùn)動(dòng)更為流暢，甚至比人類更為靈活。

在另一方面，運(yùn)動(dòng)控制也應(yīng)該是數(shù)據(jù)化的，而不是僅僅處于我們所說的”計(jì)劃者“的層面。如果有一個(gè)命令下達(dá)，神經(jīng)網(wǎng)絡(luò)應(yīng)該可以直接執(zhí)行。

除此之外，還有一些亞符號的控制，在大模型直接對接神經(jīng)網(wǎng)絡(luò)時(shí)，我們應(yīng)當(dāng)避免通過語言來描述，因?yàn)槲覀兛梢酝ㄟ^這種方式得到的信息量會(huì)比通過語言描述來得多。

同時(shí)，也需要進(jìn)行一些外部工具的優(yōu)化，讓現(xiàn)有的工具更適應(yīng)我們的需求，比如一些愿意為了方便Agent調(diào)用進(jìn)行改造的工具服務(wù)商將會(huì)在新的價(jià)值網(wǎng)絡(luò)中占據(jù)一席之地，如一個(gè)旅游服務(wù)供應(yīng)商，加入下一代Agent平臺之后，Agent在完成用戶旅游類任務(wù)時(shí)可能會(huì)有限調(diào)用它，并使用類似Web3的技術(shù)進(jìn)行價(jià)值分配。

4.5 Learning

任何一個(gè)產(chǎn)品，或者說Agent，都需要學(xué)習(xí)。學(xué)習(xí)的過程是十分重要的，尤其是模型需要學(xué)會(huì)對自身的可靠性進(jìn)行判斷，知道自己知道什么，更重要的是，知道自己并不知道什么，不擅長什么，這將會(huì)對模型的發(fā)展產(chǎn)生重大影響。關(guān)于大型模型的優(yōu)化，我認(rèn)為最關(guān)鍵的問題就在于模型需要明確自己的能力范圍。有些問題，大模型不能張口就來直接給出答案，過于逞能，它應(yīng)該經(jīng)過仔細(xì)的思考，保證任務(wù)目標(biāo)的準(zhǔn)確達(dá)成。

同時(shí)，我們也需要考慮模型的權(quán)威性問題。大模型可能從互聯(lián)網(wǎng)和垃圾信息中學(xué)到很多知識，但這并不意味著它在解決問題時(shí)能提供最權(quán)威、最佳的做法。我們需要把這個(gè)模型訓(xùn)練到，即使是在面對垃圾信息輸入時(shí)，它也能輸出更好的、更有價(jià)值的解決方案。

另一方面，我們還需要考慮到模型的多樣性。很多時(shí)候，為了保證任務(wù)的有效執(zhí)行，我們往往會(huì)控制模型的溫度參數(shù)，以保持其輸出的穩(wěn)定性。但是，在保證模型正確性的同時(shí)，我們也不應(yīng)該忽略它的思維活躍度。我們應(yīng)允許智能體在解決任務(wù)時(shí)有更大的解空間，以便找到最優(yōu)的解決方案。

4.6 World Models

關(guān)于世界模型 ，我們需要注意的是，盡管模型的訓(xùn)練數(shù)據(jù)中可能含有很多垃圾信息和錯(cuò)誤信息，我們還需要讓模型具有辨別和整理這些信息的能力，以構(gòu)建一個(gè)無矛盾、統(tǒng)一的實(shí)體網(wǎng)絡(luò)，這一點(diǎn)鮮被提及，我認(rèn)為現(xiàn)在黯然神傷的之前做知識圖譜的同學(xué)可以重點(diǎn)考慮一下這個(gè)方向。??????

在此基礎(chǔ)上，我們還需要讓模型具備推理能力。一個(gè)優(yōu)秀的智能體不應(yīng)該僅僅依賴于內(nèi)部推理，而應(yīng)該有能力借助外部推理，當(dāng)然這個(gè)外部推理可以當(dāng)做工具來使用。

最后，我們還必須強(qiáng)化模型的內(nèi)部思考機(jī)制。當(dāng)調(diào)用一些有成本的接口時(shí)，模型不能只是“想到就做到”，而應(yīng)該有自我覺知的能力，或者叫Mental Simulation，預(yù)判自己的行動(dòng)可能會(huì)帶來的結(jié)果，并在內(nèi)部進(jìn)行糾錯(cuò)，以保證行動(dòng)的可靠性，這不同于Reflection是執(zhí)行后根據(jù)執(zhí)行結(jié)果再反思。進(jìn)一步，我們可能更大的關(guān)注點(diǎn)應(yīng)該是它在家庭生活及現(xiàn)實(shí)社會(huì)中的應(yīng)用上，將其實(shí)現(xiàn)為實(shí)體化的機(jī)器人，那么動(dòng)力學(xué)機(jī)制和時(shí)間性認(rèn)知還是很重要的，而當(dāng)前的大模型僅是一個(gè)簡單的循環(huán)調(diào)用，無法實(shí)現(xiàn)這方面的任務(wù)。

好，以上就是我對一些方向的淺顯思考。??????

最后，我們以偉人的一段話來結(jié)尾：Agent 技術(shù)，它是站在海岸遙望海中已經(jīng)看得見桅桿尖頭了的一只航船，它是立于高山之巔遠(yuǎn)看東方已見光芒四射噴薄欲出的一輪朝日，它是躁動(dòng)于母腹中的快要成熟了的一個(gè)嬰兒。

編輯：黃飛

?