人工智能连接性正迎来重要发展时期。
可以说2024年是发现AI智能体能力的一年——尽管大部分实际应用可能在过去六个月内完成,但2024年是一个充满基准认知的年份——等等,AI能做到这个?然后:它也能做到那个?
既然我们了解了这一切,随着智能体变得更可部署和更频繁部署,探讨它们如何工作、如何相互连接变得更加重要。
我之前写过MIT的研究人员如何开创NANDA(网络化智能体和去中心化AI)协议来连接在线AI智能体,但坦率地说,现在似乎是审视这类计划的更好时机。当然,NANDA的工作是在A2A和著名的MCP等其他协议背景下进行的,但由于其他项目与领先的AI公司相关,为什么不让学术界参与如此核心的未来界面设计呢?
**合作伙伴关系与协调**
MIT还得到了许多合作伙伴的协助,共同建立NANDA理念来处理未来的智能互联网流量。塔塔咨询服务公司的Harrick Vin博士表示:
"我们正在快速进入一个AI系统将使用去中心化AI智能体网络构建的世界,这些智能体可能跨越组织边界。此类系统的设计需要开放协议来发现、建立信任、集成、编排和在智能智能体网络之间交换价值。TCS很高兴支持并为MIT的去中心化AI项目NANDA做出贡献,以实现这一愿景。"
三菱电机等其他企业也参与其中。
**实施思路**
我在4月份"想象力在行动"活动上看到了这个项目的相关人员Abhishek Singh在闪电演讲中提出的有趣比较。
Singh谈到人类是"社会动物",这帮助他们从其他灵长类动物中脱颖而出。(不是说猴子不社交,但是...)我觉得有趣的是一张图表,比较了物种成功的输入和组件、互联网的发展,然后是AI...
注意AI部分只有???
最终,Singh用MCP、优惠券协议和注册表设计等内容填充了图表的这一部分,展示了我们如何能够发展技术来适应所有将在网络上运行的智能智能体,代表我们做许多事情。
关于优惠券,Singh是这样分解这个概念的:
"在互联网堆栈中,我们有网站,我们有超链接,允许我们从一个页面、一个网页跳转到另一个网页,等等,"他说。"这个超链接从分散的网站中创建了网络。现在我们可以索引网络。我们可以在网络上搜索。我们可以构建声誉引擎,我们可以构建Google搜索,等等。"
然后他讨论了与优惠券的相似性:
"为智能体构建超链接意味着什么?我们为此提出了一个协议,这个优惠券概念的概念...这些优惠券是可验证的。我们稍后会深入隐私和真实性的细节。但这些交互优惠券允许你捕捉知识如何在这些区域传播的方面。正如我所说,你可以使用这些优惠券,然后在其上构建服务,这些服务是复制、搜索、上下文等。"
在解释所有这些的中途,他谈到了将所有这些整合在一起的持续障碍:
"在智能体世界中有一些实际挑战你必须承认,"他说,"我们必须理解天才不会解决它们。"
同时,Singh表示已经取得了进展。
"我们刚刚开始,"他说。"我会说我们做出了两个贡献。一个是协议和架构层,另一个贡献是展示潜力的实际应用。所以应用是非常有观点的,而协议是非常轻量级和灵活的。"
**更多关于NANDA**
关于这个主题的其他闪电演讲包括Andrea Ridi谈论他多年的创业工作,以及为智能体配备其运行所需功能的需要。我的同事Ramesh Raskar也发表了意见,因为他非常参与NANDA,一位名叫Cameron Dennis的研究人员回顾了一些同事在一家名为NEAR的公司的工作,该公司正在研究NANDA相关概念。
观察所有这些,你开始了解这将如何工作。早期的web3语义网的投机概念通常局限于像JSON这样的代码移植协议,但现在我们有AI智能体实际在网上做事情。对于一个运行我们整个社会的已建立的全球网络来说,这怎么可能不是游戏规则改变者?
随着新互联网的持续发展,请继续关注。
Q&A
Q1:NANDA协议是什么?它的作用是什么?
A:NANDA(网络化智能体和去中心化AI)是由MIT开创的协议,用于连接在线AI智能体。它旨在建立开放协议来发现、建立信任、集成、编排和在智能智能体网络之间交换价值,处理未来的智能互联网流量。
Q2:优惠券协议在AI智能体连接中起什么作用?
A:优惠券协议类似于网页间的超链接概念。这些可验证的交互优惠券允许捕捉知识如何在智能体区域间传播,并可用于构建复制、搜索、上下文等服务,为智能体创建类似超链接的连接机制。
Q3:NANDA项目目前的发展状况如何?
A:NANDA项目刚刚起步,已经做出了两个主要贡献:协议和架构层,以及展示潜力的实际应用。该项目得到了塔塔咨询服务、三菱电机等多家企业合作伙伴的支持,正在为AI智能体的互联网连接建立基础框架。
好文章,需要你的鼓励
苏州大学研究团队提出"语境降噪训练"新方法,通过"综合梯度分数"识别长文本中的关键信息,在训练时强化重要内容、抑制干扰噪音。该技术让80亿参数的开源模型在长文本任务上达到GPT-4o水平,训练效率比传统方法高出40多倍。研究解决了AI处理长文档时容易被无关信息干扰的核心问题,为文档分析、法律研究等应用提供重要突破。
在Cloudera的“价值观”中,企业智能化的根基可以被概括为两个字:“源”与“治”——让数据有源,智能可治。
清华大学团队首次揭示了困扰AI训练领域超过两年的"幽灵故障"根本原因:Flash Attention在BF16精度下训练时会因数字舍入偏差与低秩矩阵结构的交互作用导致训练崩溃。研究团队通过深入分析发现问题源于注意力权重为1时的系统性舍入误差累积,并提出了动态最大值调整的解决方案,成功稳定了训练过程。这项研究不仅解决了实际工程问题,更为分析类似数值稳定性挑战提供了重要方法论。