人工智能中的静默演变：复合AI系统超越传统AI模型的崛起

当我们探索最近的人工智能（AI）发展时，一个微妙但重要的转变正在发生，从依赖独立的AI模型（如大型语言模型（LLM））转向更细致和协作的复合AI系统，如AlphaGeometry和检索增强生成（RAG）系统。这一演变在2023年获得了动力，反映了一个范式转变，即AI如何处理多样场景，不仅仅是通过扩大模型，而是通过多组件系统的战略组装。这一方法利用不同AI技术的综合优势，更高效、更有效地解决复杂问题。在本文中，我们将探讨复合AI系统、其优势和设计此类系统的挑战。

什么是复合AI系统（CAS）？

复合AI系统（CAS）是一种集成不同的组件的系统，包括但不限于AI模型、检索器、数据库和外部工具，以有效地解决AI任务。与仅使用一个AI模型（如Transformer基于LLM）的旧AI系统不同，CAS强调多个工具的集成。CAS的例子包括AlphaGeometry，其中LLM与传统符号求解器相结合，以解决奥林匹克问题，以及RAG系统，其中LLM与检索器和数据库相结合，以回答与给定文档相关的问题。在这里，了解多模态AI和CAS之间的区别至关重要。虽然多模态AI专注于处理和集成来自各种模态（文本、图像、音频）的数据以做出明智的预测或响应（如Gemini模型），但CAS集成多个交互组件（如语言模型和搜索引擎）以提高AI任务的性能和适应性。

CAS的优势

CAS比传统的单模型AI提供了许多优势。其中一些优势如下：

• 增强性能：CAS组合多个组件，每个组件都专门用于特定任务。通过利用个别组件的优势，这些系统实现了更好的整体性能。例如，将语言模型与符号求解器相结合，可以在编程和逻辑推理任务中获得更准确的结果。
• 灵活性和适应性：复合系统可以适应多样化的输入和任务。开发人员可以在不重新设计整个系统的情况下更换或增强个别组件。这一灵活性允许快速调整和改进。
• 鲁棒性和恢复性：多样化的组件提供了冗余和鲁棒性。如果一个组件失败，其他组件可以弥补，确保系统稳定。例如，使用检索增强生成（RAG）的聊天机器人可以优雅地处理缺失信息。
• 可解释性和可说明性：使用多个组件允许我们解释每个组件如何为最终输出做出贡献，使这些系统可解释和透明。这种透明度对于调试和信任至关重要。
• 专业化和效率：CAS使用多个组件，专门用于特定的AI任务。例如，用于医疗诊断的CAS可能包含一个组件，专门用于分析医疗图像（如MRI或CT扫描），以及另一个组件，专门用于自然语言处理，以解释患者的病史和笔记。这种专业化允许系统的每个部分在其领域内高效运行，从而提高诊断的整体有效性和准确性。
• 创造性协同：组合不同的组件释放了创造力，带来了创新能力。例如，一个将文本生成、视觉创作和音乐创作合并的系统可以产生连贯的多媒体叙事。这种集成使系统能够创建复杂、多感官的内容，这将很难用孤立的组件来实现，展示了多样化AI技术之间的协同作用如何促进新的创造性表达形式。

构建CAS：策略和方法

为了利用CAS的优势，开发人员和研究人员正在探索各种方法来构建它们。以下是两种关键方法：

• 神经符号方法：这一策略结合了神经网络在模式识别和学习方面的优势，以及符号AI在逻辑推理和结构化知识处理方面的能力。目标是将神经网络的直观数据处理能力与符号AI的逻辑推理相结合。这种组合旨在增强AI在学习、推理和适应方面的能力。这种方法的一个例子是Google的AlphaGeometry，它使用大型语言模型来预测几何模式，同时符号AI组件处理逻辑和证明生成。这种方法旨在创建既高效又能够提供可解释解决方案的AI系统。
• 语言模型编程：这一方法涉及使用框架来集成大型语言模型与其他AI模型、API和数据源。这些框架允许对AI模型、API和数据源进行无缝调用，使得复杂应用的开发成为可能。使用LangChain和LlamaIndex等库，以及AutoGPT和BabyAGI等代理框架，这种策略支持高级应用的创建，包括RAG系统和对话代理，如WikiChat。这一方法专注于利用语言模型的广泛能力来丰富和多样化AI应用。

CAS开发中的挑战

开发CAS引入了一系列重大挑战，开发人员和研究人员必须解决。该过程涉及集成多样化的组件，例如构建RAG系统，需要将检索器、向量数据库和语言模型相结合。每个组件都有多种选择，使得设计复合AI系统成为一项具有挑战性的任务，需要仔细分析潜在的组合。此外，必须仔细管理资源，如时间和金钱，以确保开发过程尽可能高效。

一旦确定了复合AI系统的设计，它通常会经过一个完善阶段，以提高整体性能。这个阶段包括微调各个组件之间的协同作用，以最大限度地提高系统的有效性。以RAG系统为例，这个过程可能涉及调整检索器、向量数据库和LLM之间的协同作用，以提高信息检索和生成。与优化单个模型相比，优化RAG系统等具有搜索引擎等组件的系统带来了额外的挑战。这些组件在调整方面的灵活性有限，这增加了优化过程的复杂性，使其比优化单组件系统更为复杂。

结论

向复合AI系统（CAS）的转变标志着AI开发中的一种精细方法，重点从增强独立模型转向构建集成多个AI技术的系统。这一演变，以AlphaGeometry和检索增强生成（RAG）系统等创新为标志，代表了AI变得更加多样化、鲁棒和能够以细致入微的方式解决复杂问题的进步。通过利用多样化AI组件的协同潜力，CAS不仅推动了AI可以实现的界限，还为未来发展提供了一个框架，在那里，AI技术之间的协作为更智能、更适应性的解决方案铺平了道路。