โมเดลและแพลตฟอร์ม AI

Backboard ตั้งมาตรฐานใหม่ระดับโลกด้านความจำของ AI — ก้าวกระโดดสู่ AI แบบเอเจนต์อย่างแท้จริง

Antoine Tardif
เพิ่ม Unite.AI ลงในแหล่งข้อมูลที่คุณต้องการบน Google
ประเด็นสำคัญสถาปัตยกรรมแบบความจำนำของแบ็กบอร์ดช่วยให้มีบริบทร่วมที่คงทนระหว่างเอไอเอเจนต์และโมเดลต่า…
ดูเพิ่มเติม
  • สถาปัตยกรรมแบบความจำนำของแบ็กบอร์ดช่วยให้มีบริบทร่วมที่คงทนระหว่างเอไอเอเจนต์และโมเดลต่าง ๆ
  • โครงสร้างพื้นฐานด้านความจำกำลังกลายเป็นจุดคอขวดสำคัญในการเปลี่ยนเอไอเชิงเอเจนต์จากตัวอย่างสาธิตสู่การใช้งานจริง
  • ประสิทธิภาพอันเป็นเลิศของแบ็กบอร์ดที่นำในการทดสอบ基準 เกิดจากการออกแบบในระดับระบบ ไม่ใช่การปรับแต่งเฉพาะงาน

Backboard ได้ข้ามขอบเขตสำคัญสำหรับระบบปัญญาประดิษฐ์โดยการแสดงให้เห็นว่าความจำสามารถถือเป็นโครงสร้างพื้นฐานหลักได้ มากกว่าการเป็นส่วนเสริมที่อ่อนแอ บริษัทได้ประกาศว่าขณะนี้เป็นผู้นำในด้านความจำของ AI ทั้งสองมาตรฐานหลัก ได้แก่ LoCoMo และ LongMemEval โดยเป็นแพลตฟอร์มแรกที่ทำได้ภายใต้วิธีการประเมินเชิงวิชาการและอิสระ

ในการประเมินอิสระที่ดำเนินการโดย NewMathData Backboard ได้รับคะแนนความแม่นยำ 93.4% ใน LongMemEval ซึ่งเป็นคะแนนสูงสุดที่รายงานสาธารณะจนถึงปัจจุบันเมื่อใช้ตามข้อกำหนดเดิมของมาตรฐานนี้ ผลลัพธ์นี้สร้างความสำเร็จจากการ คะแนน 90.1% ที่เคยเผยแพร่ไปก่อนหน้านี้ใน LoCoMo ทำให้ Backboard อยู่ในกลุ่มระบบที่สามารถรักษาความแม่นยำในระยะสั้นและความต่อเนื่องในระยะยาวได้

นอกจากนี้ ผู้ประเมินได้ระบุหลายกรณีที่คำตอบของ Backboard ถูกทำเครื่องหมายว่าไม่ถูกต้อง แม้ว่าจะมีความแม่นยำในบริบทมากกว่าคำตอบที่คาดหวังของมาตรฐานก็ตาม ในกรณีเหล่านี้ ระบบได้ใช้ข้อมูลที่มีอยู่แล้วในระหว่างการโต้ตอบมากกว่าที่จะยึดติดกับการตีความที่แคบลงของคำสั่ง ดังนั้น คะแนนที่รายงานจึงแสดงถึงค่าฐานที่ประเมินไว้อย่างระมัดระวังมากกว่าขีดจำกัดความสามารถสูงสุด

เหตุใดความจำจึงกลายเป็นปัจจัยที่จำกัดใน AI

ระบบ AI ส่วนใหญ่ยังคงแสดงพฤติกรรมเหมือนไม่มีประวัติที่แท้จริง แม้ว่าโมเดลภาษาขนาดใหญ่จะสามารถสร้างคำตอบที่คล่องแคล่วได้ดี แต่ก็มักจะลืมบริบทเมื่อเซสชันสิ้นสุดหรือหน้าต่างคำสั่งเต็ม ข้อจำกัดนี้บังคับให้นักพัฒนาต้องสร้างสถานะใหม่ซ้ำ ๆ ด้วยวิธีดึงข้อมูลเฉพาะหน้า การออกแบบคำสั่ง หรือห่วงโซ่เครื่องมือที่เปราะบาง ซึ่งมักจะล้มเหลวเมื่อระบบซับซ้อนขึ้น

ความจำไม่เพียงแต่เกี่ยวกับการระลึกเท่านั้น ในการนำไปใช้จริง ความจำกำหนดว่าระบบ AI สามารถรักษาความสอดคล้องเหนือเวลาได้หรือไม่ และสามารถประสานงานระหว่างงานและสร้างความไว้วางใจกับผู้ใช้หรือไม่ หากไม่มีความจำที่ทนทาน ระบบจะถูกรีเซ็ต สร้างข้อมูลหลอน หรือขัดแย้งกันเอง เมื่อ AI ขยายจากการตอบโต้แบบครั้งเดียวไปสู่การทำงานที่ยั่งยืน ความจำกลายเป็นปัญหาอุปสรรคหลัก

Backboard เข้าถึงปัญหานี้โดยการรักษาความจำให้เป็นโครงสร้างพื้นฐานหลัก แทนที่จะเพิ่มความจำเข้าไปในระดับแอปพลิเคชัน ระบบรวมการคงอยู่ เวกเตอร์ฝังตัว การดึงข้อมูล และการประสานงานเข้าด้วยกันในแพลตฟอร์มที่เข้าถึงได้ผ่าน API เดียว

การเข้าถึงระดับระบบมากกว่าการปรับแต่งมาตรฐาน

Backboard ไม่ได้ออกแบบโครงสร้างเพื่อไล่ตามคะแนนมาตรฐาน คะแนนเหล่านี้ได้รับการประเมินโดยอิสระหรือใช้ภายในเพื่อทำความเข้าใจว่าระบบเปรียบเทียบกับการวิจัยเชิงวิชาการได้อย่างไร ผลการดำเนินงานสะท้อนถึงพฤติกรรมระดับระบบภายใต้สภาพแวดล้อมที่แท้จริงมากกว่าการปรับให้เหมาะสมสำหรับงานเฉพาะ

สิ่งนี้มีความสำคัญเพราะมาตรฐานส่วนใหญ่จะวัดพฤติกรรมของโมเดลในแยกกัน ในขณะที่ระบบ AI ในโลกแห่งความเป็นจริงประกอบด้วยหลายส่วน ผลลัพธ์ของ Backboard ชี้ให้เห็นว่าประสิทธิภาพของความจำไม่ได้ขึ้นอยู่กับขนาดของโมเดลหรือการคำนวณแบบใช้กำลังมากนัก แต่ขึ้นอยู่กับว่าความจำถูกจัดโครงสร้าง อัปเดต และแบ่งปันอย่างไร

แพลตฟอร์มนี้รวมความจำระยะยาวที่คงอยู่ เวกเตอร์ฝังตัวและการแปลงเป็นเวกเตอร์แบบเนทีฟ การสร้างคำตอบเสริมด้วยการดึงข้อมูลที่มีในตัว ความจำร่วมกันระหว่างตัวแทน และการเข้าถึงโมเดลภาษาขนาดใหญ่มากกว่า 17,000 โมเดล รวมถึงการสนับสนุนแบบนำคีย์มาเอง ด้วยการรวมองค์ประกอบเหล่านี้ Backboard จะลบการจำเป็นสำหรับองค์กรในการเย็บปะต่อบางส่วนของโอเพ่นซอร์สที่มักจะล้มเหลวภายใต้ข้อจำกัดของการผลิต

การทำให้ AI แบบเอเจนต์เป็นจริง

ความสนใจใน AI แบบเอเจนต์ ยังคงเติบโต แต่การนำไปใช้ส่วนใหญ่ต้องดิ้นรนเพื่อไปไกลกว่าการแสดงตัวอย่าง เหตุผลง่ายมาก: เอเจนต์ที่ไม่มีความจำร่วมกันและคงอยู่ถาวรไม่สามารถประสานงานได้อย่างมีประสิทธิภาพ ทำให้พวกมันแตกกระจาย สูญเสียบริบท และมีพฤติกรรมที่ไม่คาดเดาได้เมื่อการโต้ตอบขยายออกไป

Backboard ทำให้ความจำที่คงอยู่และร่วมกันระหว่างตัวแทนมีความเป็นไปได้ แม้ว่าตัวแทนที่ใช้โมเดลพื้นฐานต่างกันก็ตาม เมื่อความจำน่าเชื่อถือ พฤติกรรมแบบเอเจนต์เกิดขึ้นตามธรรมชาติ มากกว่าที่จะถูกเขียนสคริปต์ ระบบสามารถจดจำการตัดสินใจในอดีต รักษาความต่อเนื่องระหว่างเซสชัน และประสานงานการกระทำโดยไม่ต้องรับคำสั่งใหม่เสมอ

โครงสร้างพื้นฐานของความจำของแพลตฟอร์มนี้ได้รับการออกแบบมาเพื่อรักษาความสอดคล้องในเชิงเวลา มากกว่าที่จะสร้างสถานะใหม่ผ่านกราฟแบบคงที่หรือการดึงข้อมูลซ้ำ ทำให้ระบบ AI สามารถยังคงความสอดคล้องและตรวจสอบได้เมื่อความซับซ้อนเพิ่มขึ้น

สร้างขึ้นสำหรับระบบที่ไม่สามารถลืมได้

สถาปัตยกรรมของ Backboard มีรากฐานมาจากประสบการณ์ของผู้ก่อตั้งและ CEO Rob Imbeault ซึ่งเคยช่วยสร้าง Assent จากสตาร์ทอัพในระยะเริ่มต้นไปสู่แพลตฟอร์มระดับโลกที่มีมูลค่ามากกว่า 1.4 พันล้านดอลลาร์ ใน Assent ระบบที่ Imbeault ทำงานด้วยถูกฝังลึกภายในการดำเนินงานของลูกค้า โดยสนับสนุนการปฏิบัติตามกฎระเบียบและการทำงานของห่วงโซ่อุปทานที่ซับซ้อน ซึ่งความต่อเนื่อง ความถูกต้อง และความน่าเชื่อถือไม่สามารถต่อรองได้

ประสบการณ์นี้ทำให้เกิดความเชื่อมั่นอย่างชัดเจน โครงสร้างพื้นฐานที่มีค่าที่สุดมักจะไม่โดดเด่น มันเป็นโครงสร้างพื้นฐานที่ทำงานอย่างเงียบๆ อย่างต่อเนื่อง และเป็นเวลานาน ในสภาพแวดล้อมเหล่านั้น ระบบไม่ได้รับอนุญาตให้รีเซ็ตเมื่อสูญเสียบริบท หากสถานะหายไปหรือความน่าเชื่อถือลดลง ระบบล้มเหลวในการดำเนินงาน ไม่ใช่แค่ด้านเทคนิค

Imbeault เห็นความไม่สมดุลโครงสร้างที่เกิดขึ้นใน AI รุ่นใหม่ ในขณะที่โมเดลภาษาขนาดใหญ่พัฒนาไปอย่างรวดเร็ว แต่ก็ยังคงไม่มีสถานะโดยพื้นฐาน บริบทหายไประหว่างเซสชัน ทำให้นักพัฒนาต้องสร้างความจำขึ้นใหม่ผ่านช่องทางคำสั่งและชั้นการดึงข้อมูลที่ไม่แน่นอน วิธีการเหล่านี้อาจทำงานได้ในตัวอย่าง แต่จะล้มเหลวเมื่อระบบ AI คาดหวังให้ทำงานต่อเนื่อง ประสานงานระหว่างตัวแทน และพัฒนาไปตามเวลา

Backboard ถูกสร้างขึ้นเพื่อแก้ไขช่องว่างนี้ ความจำถูกมองว่าเป็นโครงสร้างพื้นฐานที่ทนทาน มากกว่าลอจิกของแอปพลิเคชัน ทำให้ระบบ AI สามารถรักษาสถานะระหว่างการโต้ตอบ โมเดล และตัวแทนได้ การมุ่งเน้นไปที่ความคงอยู่ ความถูกต้อง และความน่าเชื่อถือในระยะยาว สะท้อนถึงความเชื่อที่เกิดขึ้นนานก่อนที่ Backboard จะเกิดขึ้น ในสภาพแวดล้อมการผลิต ความล้มเหลวของความจำไม่ใช่ข้อบกพร่องที่ไม่สำคัญ แต่เป็นความเสี่ยงที่เป็นระบบ

มุมมองนี้เป็นรากฐานของปรัชญาการออกแบบของ Backboard เป้าหมายไม่ใช่เพื่อแสดงให้เห็นถึงความฉลาดในขณะใดขณะหนึ่ง แต่เพื่อทำให้ระบบ AI ที่มีพฤติกรรมเหมือนซอฟต์แวร์ที่น่าเชื่อถือเป็นจริง แม้ว่าความซับซ้อนจะเพิ่มขึ้นและขอบเขตเวลาจะขยายออกไป

สิ่งนี้หมายถึงอะไรสำหรับอนาคตของ AI

ผลกระทบในวงกว้างของผลลัพธ์ของ Backboard คือว่าขั้นตอนต่อไปของความก้าวหน้าใน AI จะไม่ได้ขับเคลื่อนโดยโมเดลที่ใหญ่ขึ้นหรือหน้าต่างบริบทที่ยาวขึ้น แต่จะขับเคลื่อนโดยระบบที่สามารถจดจำ ใช้เหตุผล และพัฒนาไปตามเวลา

เมื่อองค์กรต่างๆ นำ AI ไปใช้ในด้านการสนับสนุนลูกค้า การดำเนินงาน การวิจัย และการปฏิบัติตามกฎระเบียบ ความจำที่คงอยู่จะกลายเป็นรากฐานของความน่าเชื่อถือและความสามารถในการปรับขนาด แพลตฟอร์มที่แก้ไขปัญหาเรื่องความจำในระดับโครงสร้างพื้นฐานจะกำหนดว่า AI แบบเอเจนต์จะเคลื่อนจากการทดลองไปสู่การใช้งานในชีวิตประจำวันอย่างไร

ด้วยการยืนยันโครงสร้างความจำของตนเองทั้งในมาตรฐานเชิงวิชาการและอิสระ Backboard กำลังหันความสนใจไปสู่การช่วยให้ทีมงานเข้าใจและประเมินพฤติกรรมของระบบ AI ได้ดีขึ้นภายใต้ข้อจำกัดของโลกแห่งความเป็นจริง ความสามารถ Switchboard ที่กำลังจะมาของบริษัทมีเป้าหมายที่จะทำให้การกำหนดค่า AI ที่ซับซ้อนมีความโปร่งใสและคาดเดาได้มากขึ้น

อนาคตของ AI จะถูกกำหนดโดยระบบที่สามารถเชื่อถือได้เมื่อเวลาผ่านไป มากกว่าการใช้เคล็ดลับคำสั่งที่ชาญฉลาด ความจำเป็นรากฐานของการเปลี่ยนแปลงนี้ และผลลัพธ์ใหม่ของ Backboard ชี้ให้เห็นว่าพื้นฐานนี้กำลังเริ่มรูปเป็นร่าง

อองตวนเป็นผู้นำที่มีวิสัยทัศน์และหุ้นส่วนผู้ก่อตั้ง Unite.AI โดยมีความมุ่งมั่นอย่างไม่เปลี่ยนแปลงในการกำหนดทิศทางและส่งเสริมอนาคตของ AI และหุ่นยนต์ ในฐานะผู้ประกอบการที่ก่อตั้งธุรกิจมาแล้วหลายแห่ง เขาเชื่อว่า AI จะสร้างการเปลี่ยนแปลงครั้งใหญ่ต่อสังคมเช่นเดียวกับไฟฟ้า และมักกล่าวถึงศักยภาพของเทคโนโลยีที่พลิกโฉมโลกและ AGI อย่างกระตือรือร้น

ในฐานะ นักอนาคตศาสตร์ เขาทุ่มเทให้กับการสำรวจว่านวัตกรรมเหล่านี้จะกำหนดรูปแบบโลกของเราอย่างไร นอกจากนี้ เขายังเป็นผู้ก่อตั้ง Securities.io ซึ่งเป็นแพลตฟอร์มที่มุ่งเน้นการลงทุนในเทคโนโลยีล้ำสมัยที่กำลังนิยามอนาคตใหม่และเปลี่ยนโฉมอุตสาหกรรมทั้งภาคส่วน