作者：Howie Su（产业分析师）

人工智慧的下一个飞跃自主代理

自助代理的人工智慧可能在未来几年内成为主流，并有望比今天的大型语言模型更具变革性，尽管目前大多数大型语言模型改变资讯收集和传递的方式，但它们并没有独立运作，虽然有些可以自动执行特定任务，但它们仍然需要人类输入一系列提示并确认答案。相较之下，「自主代理」将能够重新设计和自动化整个工作流程。他们计划如何端到端执行任务、迭代查询大型语言模型、监控输出以及使用其他数位工具来实现指定目标。自主代理可用於设计与执行整个行销活动，或透过大规模模拟进行研发测试，实际上，自主代理是动态系统，可以感知环境并对其环境采取行动。OpenAI 最近宣布的客制化机器人是朝这个方向迈出的一步；这些虚拟助理能够使用外部 API 来寻找特定资讯或执行简单的操作，例如协助电子商务购买。公司现在应该开始为大规模采用自主代理做好准备，调整其生成式人工智慧策略规划。

图、人工智慧虚拟助理正在快速多样化。（资料来源：ABACUS.AI）

自主代理的巨大成长潜力

在企业环境中，代理自动化整套任务的潜力可以有多种用途，我们将在这里探讨其中的两个用途：它们减少工作流程中人工干预的需要的能力，以及它们促进产品、服务测试的能力，以及大规模的场景。自动化整个工作流程。为了充分发挥自主代理的工作流程自动化潜力，重要的是要了解，当它们与数位工具正确整合时，它们实际上可以使用数位工具。配置代理时，人们可以将数位工具的文件提供给代理，然後代理就会「知道」如何使用它们；然後，它将能够向这些工具发送指令并透过 API 呼叫获取结果。也就是说，自主代理可以直接「告诉」其他企业系统要做什麽。这可能从根本上改变公司的营运方式，使其能够更全面地部署自动化并显着降低劳动力成本。

公司如何做好准备？

由於与可靠性相关的风险和限制、恶意使用的可能性以及网路攻击的更大影响，自主代理的适用性仍然有限。然而，这些挑战似乎都不会破坏交易，科技公司正在解决这些问题，专家估计，自主代理将在三到五年内准备好成为主流，甚至有些人认为，在那之前我们就能看到自主权有限的可靠系统了，不过，企业本身也应该做好一些准备来迎接更智慧的时代。

一、准备进行实验

公司应该寻找自主代理技术的新发展，并选择可以测试的解决方案（即使它们仍处於开发的早期阶段），以在产品、服务或营运模式方面创造新的竞争优势来源。目前正在进行的生成式人工智慧应用研发投资应该扩大，以确定企业具有适合的自主代理端到端自动化工作流程。

二、预计法规许可的变化

为使技术能够广泛应用，获得法规同意在当前至关重要，监管可能需要一些时间才能跟上科技的发展；在此之前，公司应强制执行自我设定的防火墙，以确保在组织内部与面对客户的应用程式中被适当且安全地使用，公司也应该积极与监管机构合作，建议制定正确的方法来管理和监控未来自主代理和类似技术的使用。

…

记者／周子宁

AI浪潮席卷全球，一时间，讲坛节目、社群平台甚至人们茶余饭後的谈资都充满AI相关的话题。随着大众目光放向人工智慧的区块，更多相关的专业词语出现在大家视野中，而频繁被提起的「LLM」就是其中一员，究竟「LLM」是甚麽?又与AI有甚麽样的关联呢?

LLM大型语言模型受到AI浪潮影响，进入大众视野。示意图：取自RF123

LLM是甚麽?

LLM（Large Language Model,大型语言模型）是一种深度学习模型，可以透过记忆文本数据学习大量的知识。LLM大型语言模型内建超过一千亿个参数的自然语言处理系统（natural language processing，简称NLP），帮助LLM吸收巨量资料数据并学习字句逻辑，包含文章、影音、图片和书籍等都在学习范围，学习完成後可应用在问答、翻译和生成文本上。

而LLM大型语言模型之所以被冠以「大型」，是因为该模型在学习时可以自主更改的参数量极高，而这也代表LLM的知识库存远比一般学习模型丰富、应用范围更广，因此被称为「大型」语言模型。

更多新闻:Bard还是不够真实？捏造使用者不曾寄出的mail

LLM跟AI有甚麽关系?

如上段所言，LLM（Large Language Model,大型语言模型）是一种深度学习模型，而其工作原理就是通过获取的文本数据来分析文字逻辑，从而由大量的数据库中生成新文本。这样的功能描述是不是让人顿感熟悉?没错，最近大放异彩的ChatGPT功能也相近於此，而ChatGPT就是其中一种LLM的应用。

说到这里或许有些人感到混淆:ChatGPT是生成式AI?但ChatGPT又是其中一种LLM?那LLM跟AI是甚麽关系?其实AI并不是特定「某一种机器或程式」，AI是一种泛称。简单来说，AI(Artificial intelligence)是泛指所有人工智慧，而LLM（Large Language Model,大型语言模型）就是其中一种类型的AI。

更生活化一些的说明:AI就像是「面」这种统称，而里面分支出来的义大利面、油面、鸡蛋面，就是LLM一类的功能性程式模型。

LLM 的实际应用

LLM如何运算与应用?普遍而言，LLM都是在未经过标记的大型数据库上经过预先训练，再根据个别需求微调，同时加入少量的、已经标记(赋予上下文含意)的数据集。训练的步骤为:

1.文字数据转换为数位形式

2.随机分配模型参数

3.传送文本数据的数位形式传到模型中

4.使用损失函数来测量模型的输出与句子中实际的下一个单词之间的差异

5.优化模型的参数以最大程度地减少损失

6.最後重复该过程，直到最终成果达到可接受的精确度。

在训练完成後，LLM的应用范围极广，适用但不限於各种产业与相关软体，例如:智能客服、生物语言处理、医疗谘询、智慧机器人和各类代码与文本生成等等。

LLM两面观

LLM大型语言模型可以快速生成文本跟消化大量资料，有着可应对客制化、节省时间与人力、全理性判断等等优点，但LLM也有短版。大型语言模型的建构通常需要长达数月的时间，以及极度高昂的费用。而完成後的持续研发与维护同样需要丰厚的投资，同时如何获得足够丰富与正确的学习数据也是研发LLM的一大难处。

除此之外，尽管LLM学习速度高、吸收范围广，但LLM对於世界的理解只限於使用者给予的资料，因此很容易在数计集编写有漏洞或是错误的状况下，造成LLM被使用者或是吸收的资料误导，从而生成出错误资讯、不当发言甚至是被诱导出违法言论。

总体来说，LLM大型语言模型是一种强大精密的工具，能够理解和生成各种语言，但同时不论是LLM或是其他AI，本身都没有主观意识跟善恶之分，因此在使用上仍需对它们的能力和限制先做了解。

…