nuntium

TencentTechnology scriptor Hao Boyang

Editor Zheng Kejun

2024AI Locus calidissimus in agro proculdubio agens est.

“magnum exemplumFrigidus, sed quid ego cum illo? “Haec est quaestio annua AI 2023 applicationis quaestionis anno 2023. Per 2024, agentes promississimi facti sunt huic problemati antidotum.

Agentes intelligentes per processus et instrumenta multiplicia adhiberi possunt, magna exempla praebentes ad operas magis implicatas et nativus tractandas, tandem producentes programmata vel entia corporis cum autonomia, perceptione, deliberationis et actionis facultatibus. Ng Enda, Jim Fan et alia nomina magna in industria coniuncti sunt ad probandum efficaciam agentis intelligentis.

Professor Ng Enda proposuit in suo diario mense Martio hoc anno ut in notitia humane statuto adhibeatur GPT-3.5(Nulla-iecit) accuratio test est 48.1%. GPT-4(Nulla iactus) est 67.0%. Operando cum operante operante, GPT-3.5 accurationem rate of 95.1% consecutus est.

(Picture nota: experimenta Ng Enda sub technologia intelligentis agentis,GPT 3.5 perficientur longe excedit originale GPT4)

Ideo anno praeterito omnes e magnis societatibus ad peritos privatos corporum captiosos aedificaverunt. satis magnumMicrosoftCopilia, nugatoria AI, divinantes, instrumenta fabricandi machinarum agentium intelligentium ut Langchain, Coze, et Dify etiam sicut fungorum post pluviam oriuntur, et popularis eorum oriri pergit.

(Picture note: Societates ad agentia et AI processuum automationem per PERVIGILIUM digesta pertinentia)

Andrew Karpathy, olim physicus OpenAI, olim dixit vulgus, lacus et geeks, minus verisimile esse AI agentes aedificare quamOpenAITales societates vel commodum habent.

Estne nova aetas actoribus producti secundum AI agentis workflow venientis? Non necessario, quia AI melius agentes intelligentes quam homines construere possunt.

Automated loop logica

Die XIX mensis Augusti tres inquisitores ex Universitate Columbia Britannica ediderunt chartam vocatam "Automated Design of Agent Systems". In charta hac, rationem excogitavit quae AI invenire et agentes in suo proprio aedificare permittit, et per seipsam iterari potest.

Revocare OpenAI definitionem classicam agentis. Agens est opus quod scientiam, consilium, instrumenta condere potest.

Cum workflow ad agentia aedificanda utimur, etiam scientia exsistentium (scientia de forma agentium) utimur ut per nosmetipsos instituamus (processus aedifices) et instrumenta utamur (apibus accessum) ad output tandem exequendum ipsum agente.

Cur igitur procuratorem aedificare non potest qui agentibus automatice cognoscendis et designandis potest?

Auctor chartae hanc notionem sequitur et excogitatorem meta-agentem vocat, quem novos procuratores designat. Designatum agens ad datorum ut data adde, et novas et fortiores versiones agentis continue iterabit.

Hanc totam methodorum seriem, quam vocant ADAS (Automated Design Intelligent Systems).

Ita, quam exacte haec ratio in effectum venit?

Sit vertente catena

Processus novorum agentium generandi in ADAS systemata dividi potest in tres partes:

Prima pars spatii investigationis determinat, quod intelligi potest uti instrumenta quaedam fundamentalia et regulas ad novos agentium potentia designandos.

Secunda pars est ad inquisitionem currendamalgorithmusqui ponit quomodo meta-agens utitur spatio inquisitionis et suis elementis utitur ad novos agentes specifice aedificandos.

Ultima pars est aestimationis munus currere, quod agens aedificatum aestimabit in observantia et aliis metis fundatum.

Investigatores gradatim explicant quomodo supra tres partes nuclei in papyro aedificent.

Primum, elementa fundamentalia ad spatium inquisitionis construendum determinari debent. Investigatores putant optimam methodum esse codicem.

Causa est, quia signum Turingi est perfectum et omnia possibilia exprimere potest. Itaque in theoria meta-agentia invenire possunt quaelibet caudices aedificium possibilis (ut innuit, instrumentum usus, moderatio fluit) et systemata agentium quae his aedificiis quoquo modo coniunguntur.

Potius variae operae quae iam in paginis existunt sicut Langchain ad agentibus aedificandis consignata sunt. Ergo notitia ad unguem pertinet et opus non est iterum convertere. Instrumentum vocat, ut RAG (generatio retrieval aucta) et ceterae facultates componentium iam codicem basis valde sufficientem habent.

Codice utens ad spatium investigationis aedificandum significat etiam procuratores ab ADAS generatos posse directe currere ad errores corrigendos et ustulo sine manuali interventu.

Post spatium investigationis definitum, investigatores algorithmos quaerere incipiunt, quae meta-agenti vias ad negotium perficiendum explorare permittunt. Hic processus basically perficitur per auxilium verbi prompti freti.

Prima est ad reddendam seriem promptorum verborum ratio.

Deinde pone fundamentalempromptusInformatio memorata ad meta-agentem data est, quae possidet

1. Basic descriptio operis.

2. Praecipua compages Codicis, ut formare suggerit, encapsulation et alia nomina operationis, ac facultas vocandi alia exempla fundamentalia (FM) et APIs.

(Picture note: pars compage codice)

3. Forma et exempla operis initus et output.

4. Exemplar bibliotheca a nonnullis agentibus in iteratione originali generata, incluso eorum basin testium eventuum formata.

(Picture note: Exemplum in bibliotheca intelligente)

Ex his innuens fundamentalibus, ADAS incipere potest agens intelligentem operari et generare ad problema specificum solvendum.

In hoc processu, meta-agens duos gyros reflexionis aget ut agens generatum novum et verum sit. Inhibet num codicem recens generatum compagis errores habeat et an satis sit amet comparatus ad praeteritos eventus in bibliotheca agentis exemplo.

Agens meta-agens etiam praeviam aestimationem agentis generati innixa secundum suum "intellectum" agendis facultatibus agendis praeviam debet determinare utrum melius quam ante agens exerceat.

Cum aliquibus ex his conditionibus non occurrit, meta-agens vel agens generatum vel simpliciter re-creare debet.

(Promptus ad primum reflexionis)

Post duos orbes reflexionis et modificationis, meta-agens mittet agens novum generatum quod sentit novum et bonum ad aestimationem systematis in tertio gradu.

Ratio aestimationis obiectivam score facultatem praebebit agentis in baseline test, et postea ad exemplum bibliothecae agentis reddet.

Meta-agens perget ad optimize proximam iterationem innixam e scoringis eventibus et praeteritis exemplis in bibliotheca exempli ut altiorem munus perficiendi sexaginta consequi.

Tota catena plene automated in hoc processu nata est. Ad generandum agente maxime efficax, plusquam duplices digitos iterationes capere potest.

Ultra manus confricantes intelligentia

Quo modo complexa sunt agentia intelligentes per processum automatum per ADAS modos consecuti? Pictura infra est compage agentis post 14 iterationes generata.

Quinque sunt catenae cogitationis in structura huius agentis quae responsa praevia dant. Postquam opiniones a tribus perito exemplorum peritis et exemplo, quod humanam aestimationem imitatur, responsa modificantur et augentur ter in scaena optimizationis processu. Denique tres eventus post aestimationem muniti sunt et coniuncti ad ultimam responsionem dederunt.

Si homo hunc ambitum complexionis operarit, septimana verisimile esset. Hoc tempus est scribere architecturae suggerere et designare, nedum probationem et comparationem horizontalem.

Nimirum hoc quoque evenit continuata iteratio in consilio meta- agentis.

In processu iterativa, facultas agentia generandi intelligentes etiam cum iterationibus numero celeriter augetur. In tertia iteratione, meta-agens discit multi- ratus catenam consilii sui, et in quarta iteratione, didicit uti dynamica memoria ad optimize responsa. 14* tempore, agens generatum pervenit ad multiplicitatem praedictam.

In fine, facultas solutionis optimae suae plus quam 250% emendari potest cum exemplari simplici magnae linguae originalis, et melius per 75% comparatur cum optimo agente manuali COT-SC (multi-cogitationis catenae. responde) modum.

Non solum ARC, agentes in ADAS modum generati signanter potentiores sunt in omnibus aspectibus quam omnes agentes manu currentes fortissimi baseline confricantes, ut COT, LLM Altercatio, et Sui Refine. Et quo magis implicata negotia et applicationes transversales sunt discursum, eo fortius agentia ab ADAS generata sunt.

Praeterea, ipsi agentes generati certas migrationis facultates habent. Exempli gratia, agentia quae problemata scientifica solvere possunt etiam bonos effectus in mathematicis consequi possunt. Ergo compage optimal verisimile est quaestiones in multis agris relatas solvere posse.

Etsi tempus agentibus manu frictionibus ad finem perveniat, ratio inventionis agentis paradigmata perseveret. In altiore experimento, ADAS novas constructiones methodos extra hodiernum agentis constructionis paradigma intelligens non detexit, sed potius his modos ordinavit et usus est.

Autem, pro elit agentis mediocris AI, hoc satis est ad opus suum reponere.

Sed favore ADAS adhuc opus est cratem superare, et id est sumptus proventus.

Secundum investigatores, OpenAI API circa $500 constat pro inquisitione et aestimatione in ARC, et circa $ 300 pro uno in ambitu ratiocinationis et problematis solvendis. Id est de $20 per iterationem. Tam magnis sumptibus comparata, pubis adhuc in hac scena quaedam commoda habet.

Inquisitores autem etiam dixerunt, quia illud primo studuerunt, exemplar "aimi-3.5-turbo-0125" usos esse. Ultima GPT-4 exemplar "auimus-4o-mini" minor est quam tertia pretii "aimi-3.5-turbo-0125" et melius effectus habet. Praeterea experimenta demonstrant agens facultates iteratas cum GPT 3.5 in bottleneck perficiendum post aliquot iterationes, et omnes iterationes post quattuordecim tempora vastitas. Ideo consilia cum melioribus aestimatione et subsidiorum administratione possunt etiam signanter costs reducere.

Videlicet pretium laboris utilitas diu conservari non potest.

Num vere coepit explosio intelligentiae?

Cur haec technologia automated tanti momenti est?

In temporibus interreti mobilis, variae applicationes ad varias semitas florent, quae simul tempus technologicae prosperitatis efficiunt. Sed quia nova instrumenta illo tempore discendi requirebantur, progressio apps mobiles etiam per longam acumen scaenam perrexerunt antequam satis tincidunt tandem accommodarentur.

In prioribus temporibus hoc tardius fuit. Secundum "transire hiatum" propositum a Gaufredo Moore secundum experientiam computatrum personalem in 1990s, in primis annis technologiae emergentis, tantum circiter 13.5% veterum adoptatorum hac technica uteretur .

Proin egestas tincidunt magna bottleneck sit amet elit.

Nempe evolutionis ac penetrationis velocitas constructionis agentis intelligentis multo velocior esse potest. Quia progressio software multo simplicior quam prior. Exempli gratia, Wordware, quod paulo ante populare factum est, permittit ordinariis utentibus constructionem agentibus intelligentium utentium lingua naturali, quae limen demittit.

Sed consilia cogitationis catenae et multi- gradatim ansulae sunt adhuc valde implicatae, et plura ac plura instrumenta in processu requiruntur. Ideo non multi sunt qui vere studiorum intelligentium evolutioni vacare possint et hoc instrumento bene utantur.

Zuckerberg semel in colloquio cum Huang Renxun dixit quod etiamsi magnarum formarum technologiae iam non crescat, quinquennium erit ut potentia agentium intelligentium plene cognoscatur.

Ideo technologiae comparatae, nuclei possunt esse nuclei bottleneck pro agentibus intelligentibus quae nondum explosa sunt. Adhuc pauci sunt qui hoc facere possunt.

Agentia autem multa sunt.

Si haec technologia automatice agentium generantium a societatibus mercatoriis adhibita et optimized est, laguncula veterum technicarum personarum naturaliter non erit. Celeritas, qua agentes explorare possunt coverage et profunditas facultatum in variis campis, multum augebitur.

Fortasse anno proximo, primus Occidens AI App in historia humana mittetur, et auctor est AI.