人工智能的沉默革命：复合人工智能系统超越传统人工智能模型的崛起

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（LLMs））转向更细致和协作的复合人工智能系统，如AlphaGeometry和检索增强生成（RAG）系统。这一演变在2023年获得了动力，反映了人工智能处理多样场景的范式转变，不仅仅是通过扩大模型规模，而是通过多组件系统的战略组装。这种方法利用不同人工智能技术的综合优势来更高效、更有效地解决复杂问题。在本文中，我们将探讨复合人工智能系统、其优势和挑战。

什么是复合人工智能系统（CAS）？

复合人工智能系统（CAS）是一个集成了多个组件的系统，包括但不限于人工智能模型、检索器、数据库和外部工具，以有效地解决人工智能任务。与仅使用一个人工智能模型（如基于Transformer的LLM）的旧人工智能系统不同，CAS强调多个工具的集成。CAS的例子包括AlphaGeometry，其中LLM与传统的符号求解器结合，解决奥林匹克问题，以及RAG系统，其中LLM与检索器和数据库结合，回答与给定文档相关的问答。这里，了解多模态人工智能和CAS之间的区别很重要。虽然多模态人工智能专注于处理和集成来自各种模态的数据（文本、图像、音频）以做出明智的预测或响应（如Gemini模型），CAS集成了多个交互组件（如语言模型和搜索引擎）以提高性能和适应性。

CAS的优势

CAS相比传统的单模型人工智能具有多个优势。其中一些优势如下：

• 增强性能： CAS结合多个组件，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，结合语言模型和符号求解器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替换或增强个别组件。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。
• 可解释性和透明性： 使用多个组件使我们能够解释每个组件如何贡献最终输出，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，专门用于特定的人工智能任务。例如，用于医疗诊断的CAS可能会集成一个专门用于分析医疗图像（如MRI或CT扫描）的组件，以及一个专门用于自然语言处理的组件，以解释患者史和笔记。这种专业化使系统的每个部分在其领域内高效运行，增强了诊断的整体有效性和准确性。
• 创造性协同： 结合不同的组件释放创造力，带来创新能力。例如，一个将文本生成、视觉创作和音乐组合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造复杂、多感官的内容，这将很难用孤立的组件来实现，展示了不同人工智能技术之间的协同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构建方法。以下是两种关键方法：

• 神经符号方法： 这种策略结合了神经网络在模式识别和学习方面的优势，以及符号人工智能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觉数据处理能力与符号人工智能的结构化逻辑推理相结合，以增强人工智能在学习、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预测几何模式，同时符号人工智能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人工智能系统。
• 语言模型编程： 这种方法涉及使用设计用于集成大型语言模型、其他人工智能模型、API和数据源的框架。这些框架允许对人工智能模型的调用与各种组件无缝集成，从而实现复杂应用的开发。利用如LangChain和LlamaIndex的库，以及如AutoGPT和BabyAGI的代理框架，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。这种方法专注于利用语言模型的广泛能力来丰富和多样化人工智能应用。

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结合起来。每个组件的各种选项的可用性使得复合人工智能系统的设计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，仔细管理资源（如时间和金钱）以确保开发过程尽可能高效至关重要。

一旦复合人工智能系统的设计完成，它通常会经过一个优化阶段，以提高整体性能。这个阶段涉及调整各个组件之间的相互作用，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之间的协作，以提高信息检索和生成。与优化单个模型相比（相对简单），优化像RAG这样的系统带来了额外的挑战，特别是当系统包括搜索引擎等组件时，这些组件在调整方面的灵活性较小。这一限制为优化过程增加了复杂性，使其比优化单组件系统更为复杂。

结论

向复合人工智能系统（CAS）的转变标志着人工智能开发的精细化，重点从增强独立模型转向构建集成多个人工智能技术的系统。这种演变，由AlphaGeometry和RAG系统等创新所体现，标志着人工智能变得更加多样、鲁棒和能够以细致的理解解决复杂问题的进步。通过利用不同人工智能组件的协同潜力，CAS不仅拓展了人工智能的边界，而且为未来发展奠定了基础，在那里，人工智能技术之间的协作将为更智能、更适应性强的解决方案铺平道路。