基础设施之AGI应用(更新中)

导读

本文主要介绍基础设施领域的AGI实践。基建AGI全貌如下，

page.png

要点简述

  • 思维方式：AI原生、主客异位，从人类的X => AI原生的X。如，现有技术体系，是面向人类而设计的，包括系统架构、软件工程、甚至编程语言，AI时代都要以AI为主体、颠覆性重构
  • 应用目标：AI应用的目标是替代自然人，而不是辅助、增强；AI将取代自然人，成为新的劳动者主体。以终为始，方得始终
  • 应用策略：运用分治算法，把大型问题分解到足够小、以至于现有的AI技术就能解决它；技术能力变强后，再逆向聚合、提升解决问题的效率。以任务模型为例，
    • 任务分解：按照①阶段划分→②阶段内的执行的方式，将复杂任务分解为层状递归结构；
    • 阶段执行：阶段划分，大面上由人类来做，精细到局部后、就可以交给AI(也称为意图识别、问题分类)；阶段内执行，拆分到足够小、直到可以交给AI去做；
    • 可成长性：AI技术较弱时，阶段划分需要足够小、足够细；随着AI能力的增强，阶段即可随之扩大、从而实现工程简化。
    • 技术约束、永远存在，只要分治得当、也能拿到不错的效果，在AI技术快速迭代的当下、尤为显著。

通用范式

价值，组织，文化，技术，经验

领域场景

IDC，机器，组件，中台，应用

其它内容

  • 技术约束：截止25年底，基模、工具、策略WF相对成熟，在知识查询、实时交互上有不错的表现；Agentic智能体则处于相对早期，仅能用于离线分析、延迟决策等场景
  • 分治算法：把大型问题、分解到足够小，以至于现有的技术能解决它；技术能力变强后，再逆向聚合、提升解决问题的效率。分治，是人类最强大的法宝之一
  • 工程范式：AI原生的软件工程范式。从经典软件工程，进化到AI原生的软件工程，如在不知其所以然的情况下、就可以完成工具/应用层开发（组件、架构开发还需要观察）。当然，知其所以然也是一种歧视的说法，屁股还是在经典软件工程理论

以下为理论知识拾忆。

认知

  • 机器学习是实验科学，工程走在了理论前面
  • 机器学习到神经网络，最本质的变化是：特征提取方式 从人工(特征工程)转变为NN
  • 模型算法优化，很大程度上是被底层IaaS逼出来的，从传统机器学习到现代的大模型、概莫能外

模式

  • 纯检索：稠密检索（如VDB），稀疏检索。如ES关键词。经典用法，跟AGI关系不大
  • 找相似：输入①问题②分类示例，输出 问题分类。如安全审核。Few-Shot Learning少样本学习
  • 多轮交互：人机对话，以人话做Chat交互。如问题答疑
  • 逻辑增强：MoE多路验证。如故障定位

算法

  • 旋转位置编码 RoPE Rotary Position Embedding
  • 注意力机制 Multi-Head Self-Attention
  • 分块量化 Block-Wise Quantization
  • 低秩投影 Low-Rank Projection


Prev     Next