在软件发展历程中,快捷方式随处可见。长期以来,我们一直致力于提供智能助手、宏指令、快捷方式和自动化解决方案。抛开令人诟病的 Clippy 助手不谈,科技行业在这一领域的最新发展自然聚焦于生成式 AI 智能的研发。众所周知,这项工作现在与代理型 AI 功能的"就业"紧密相连,旨在提供类人的复杂问题解决方案,几乎无需用户干预。
"就业"这个词可能比我们想象的更为重要。我们何时开始讨论软件副驾驶真正接管工作岗位 (可能是部分或全部),并真正开始为企业效益做出贡献?
今年将会有大量关于自主工作者的讨论。要触及问题核心,我们需要开始分析哪些人类工作流程最适合数字化自动化,同时 (还需要注意这些新元素的安全性和合规性),我们如何将这些新型机器人工作者引入团队,使其执行超越简单聊天机器人功能的任务。
Integrail 公司 CEO Peter Guagenti 在经历了这一领域最热烈的炒作周期后,对此话题提出了自己的观点。他表示,在过去一年中,特定的专业 AI 代理已经开始接管常见的业务职能,从销售和营销活动到软件工程任务,实现了全方位的自动化。
月度最佳 AI 员工
"新一代代理型 AI 平台正在扩展这些能力,为企业提供'AI 员工起点模板',同时增加了根据其独特工作方式进行定制的能力,为任何指定任务创造'月度最佳员工',"Guagenti 本月在伦敦对媒体表示。"这些平台还引入了与大量业务系统和数据源的连接,使 AI 能够跨系统运作并了解业务背景,确保 AI 工作者从第一天起就能像经过充分培训的员工一样工作。"
简而言之,通过这些新的代理型 AI 平台,我们看到 AI 工作者能够通过简单的语言指令和几次点击就能投入使用。只要能描述工作流程、定义需求并分配任务,现在就能创建能够完成最复杂任务的 AI 代理。
将外包转为内部作业
"通过代理型 AI,企业可以受益于针对特定功能和任务定制的 AI 代理,这些代理可以简化工作,消除耗时或低价值的任务,并将目前由咨询或离岸 [外包] 团队处理的工作转为内部处理,"Guagenti 说。"在未来三到五年内,AI 工作者将成为我们世界和劳动力的一部分。管理者将同时管理人类和数字工作者团队,我们会像分配任务给普通员工一样分配任务给 AI。"
这一变革将以多快的速度展开?让我们记住,云计算软件即服务 (SaaS) 平台的兴起为企业带来了渐进式的生产力提升和业务能力扩展,这种变化在近二十年间缓慢累积。Guagenti 认为,代理型 AI 将带来比 SaaS 高出一个量级的影响,而且这种变化将在不到一半的时间内出现。
这些观点在某种程度上得到了分析机构 McKinsey 最近一份报告的支持,报告指出"代理型 AI 正在自主行动。"McKinsey 指出,"2023 年,AI 机器人可以通过综合和总结大量数据 (包括语音消息、文本和技术规范) 来支持呼叫中心代表,为客户查询提供建议回复。到 2025 年,AI 代理可以与客户对话并规划后续行动。例如,处理支付、检查欺诈和完成配送等操作。"
从更广泛的经济角度来看,持续提高企业生产力和降低运营成本的努力已经产生了影响。自后疫情时代紧缩开始以来,企业一直在努力以更少的资源做更多的事情,而几乎每个领域的竞争压力都在继续上升,导致许多组织人手不足。同时,企业领导者期望 AI 能够降低运营成本,并使其产品和服务明显优于竞争对手。
然而,目前只有少数大型科技品牌或 AI 初创公司拥有足够数量的数据科学家和 AI 工程师来实现这一目标。企业看到了明确的前进道路,但绝大多数公司都在努力应对这项新技术的复杂性。此外,他们并不完全理解代理型 AI 的可能性以及在哪里或如何能找到即时价值。更重要的是,他们缺乏独立部署和管理 AI 基础设施的专业知识。
为什么 AI 令人难以招架
"对许多企业来说,建立大语言模型、通过检索增强生成来策划提供模型背景所需的数据,以及构建与日常使用的业务系统的集成,这些都是令人难以招架的任务,"Guagenti 详细解释了引入新智能的困难所在。
答案可能在于企业正在寻找平台级解决方案,帮助他们识别 AI 机会并快速将想法转化为现实。这正是 Integrail 设定的使命,即提供无代码和无集成的工具集,为创建代理型 AI 功能提供指导和打包服务。
这一领域将会有更多发展,而围绕代理型 AI 本身产生的噪音已经达到震耳欲聋的程度。
通过无代码和无集成方式将这些功能构建到劳动力中是值得称赞的,但这些变化的长期 (几乎是人文文化层面的) 影响尚未可知。在一个我们仍在讨论重返办公室计划、数字游民兴起,以及由边缘计算驱动的智慧城市连接大规模扩展以进一步自动化我们生活的时代,新的 AI 合规状态究竟如何在商业格局中稳定下来还有待观察。
AI 确实已经在工作中与我们同在,但它是否已经在员工聚会上出丑,学会为所有人点咖啡?我们可能需要一些现实主义的观点。
好文章,需要你的鼓励
随着AI模型参数达到数十亿甚至万亿级别,工程团队面临内存约束和计算负担等共同挑战。新兴技术正在帮助解决这些问题:输入和数据压缩技术可将模型压缩50-60%;稀疏性方法通过关注重要区域节省资源;调整上下文窗口减少系统资源消耗;动态模型和强推理系统通过自学习优化性能;扩散模型通过噪声分析生成新结果;边缘计算将数据处理转移到网络端点设备。这些创新方案为构建更高效的AI架构提供了可行路径。
清华大学团队开发了CAMS智能框架,这是首个将城市知识大模型与智能体技术结合的人类移动模拟系统。该系统仅需用户基本信息就能在真实城市中生成逼真的日常轨迹,通过三个核心模块实现了个体行为模式提取、城市空间知识生成和轨迹优化。实验表明CAMS在多项指标上显著优于现有方法,为城市规划、交通管理等领域提供了强大工具。
Meta以143亿美元投资Scale AI,获得49%股份,这是该公司在AI竞赛中最重要的战略举措。该交易解决了Meta在AI发展中面临的核心挑战:获取高质量训练数据。Scale AI创始人王亚历山大将加入Meta领导新的超级智能研究实验室。此次投资使Meta获得了Scale AI在全球的数据标注服务,包括图像、文本和视频处理能力,同时限制了竞争对手的数据获取渠道。
MIT研究团队发现了一个颠覆性的AI训练方法:那些通常被丢弃的模糊、失真的"垃圾"图片,竟然能够训练出比传统方法更优秀的AI模型。他们开发的Ambient Diffusion Omni框架通过智能识别何时使用何种质量的数据,不仅在ImageNet等权威测试中创造新纪录,还为解决AI发展的数据瓶颈问题开辟了全新道路。