|
春节期间这波AI热潮，注定会从餐桌前的谈资，延续到办公桌上的行动计划。 可以预见，开工之后，会有越来越多的企业，抱着"有枣没枣打一杆"的心态，开始规划AI项目。 就像当年的互联网转型一样，AI似乎也开始成为了企业升级的必答题。 一、两块硬骨头 不过，对于众多蠢蠢欲动的AI团队来说，要想在年终考核时达成KPI，有两块硬骨头必须啃下来: 1、选择合适的技术路线 此时的AI发展态势，恰如彼时的田径史: 四分钟跑完一英里，曾被认为是人类的生理极限。直到罗杰·班尼斯特以3分59.4秒打破这个纪录。一旦心理障碍被打破，随之而来的就是一连串的突破。这个纪录仅仅维持了46天，就被约翰·兰迪刷新至3分57.9秒。 今天的AI领域，正经历着类似的历史时刻。整个2024 年，关于AI 减速的讨论此起彼伏。而DeepSeek的突破，就像是AI界的“班尼斯特时刻”，打破了发展的心理藩篱。加上开源浪潮的推动，AI技术迭代正在加速。[1] 在这样的关键节点上，选择技术路线不仅要考虑当下的技术成熟度，更要预判未来的发展方向。押对了，就能在技术浪潮中占得先机；押错了，可能需要付出数倍的代价重新开始。 2、从成本中心转变为利润中心 不然，等到下一轮"降本增效"来临时，AI团队往往是第一批被"优化"的对象。 前两年，很多AI团队之所以难以成为利润中心，症结往往不在AI商业化本身，而在于对技术与业务融合的理解过于肤浅。不少团队陷入了技术中心主义的误区，以为掌握了算法就等于掌握了价值创造的钥匙。 这种情况下，AI团队往往成为企业内的技术孤岛，整天研究最新的算法和模型，却很少了解业务痛点。双方就像说着不同语言的两个群体，AI团队滔滔不绝地讲着技术术语，而业务人员只关心问题能否解决、成本和风险。 这种割裂，最终会陷入恶性循环。AI团队为证明价值不断追求技术指标提升，却始终无法解决实际业务问题。业务部门见不到效果，就更不愿投入资源支持，进一步加剧了双方的隔阂…… 二、两类参考答案 针对技术路线的问题，我春节期间看到最好的参考答案是perplexity。 1、 我原本以为，perplexity 很快会被联网版的deepseek R1 取代。 因为deepseek 足够强的推理加上实时的联网，就把提示词的门槛给打了下来。 每个人只要像聊天一样输入自己的问题，就能收获其他AI改半天提示词也达不到的效果。[2] 于是我就想，免费的deepseek 就能搜成这样了，又要付费的perplexity干嘛呢？ 2、 但实际情况却是，perplexity 不仅很快就引入了deepseek R1，而且成为了所有引入deepseek的产品中速度最快和效果最惊艳的： deepseek原生的R1加上搜索，偶尔还是太飘了；不少人说最新版本的秘塔AI搜索，配的是满血的R1，但实测效果也远不如perplexity。 perplexity之所以那么好用，是因为我先用Claude 去理解和搜索，再用R1去推理（如图）。前者让搜的内容更精准，后者让出来的结果更有洞察。整体有点类似于当下热门的DeepClaude的效果。  所以，早在deepseek没有限制联网之前，我就重新换回perplexity了。 确实没想到，perplexity 的产品力恐怖如斯。无论模型层有多大进步，都能快速转化成自己的能力，让搜索效果更好，让用户体验更佳。 回到技术路线问题上，个人认为perplexity这种「不会被模型进步干掉，反而是模型越强我越强」架构，反倒更值得追求。 3、 在企业领域，在“模型越强我越强”方面做得最好的，当属美国AI ToB当红炸子鸡Palantir 家的Ontology 。 什么是Ontology？ 2021年的Demo Day上，Palantir曾宣称，他们能在几个小时内，自动整合完公司各部门数据，形成整个公司的“数字分身”（digital twin）。而这，就是Ontology。[3] 时间来到2023 年，Palantir与时俱进推出的AIP，更是直接将先进的AI模型（如ChatGPT）与Ontology框架结合，进一步简化操作，增强客户基于全面、实时洞察做决策的能力。 当年第四季度，Palantir 就在报告里说，美国商业收入同比增长70%，这主要得益于AIP的成功推出和市场需求…… 4、 虽然，目前还没有消息说Palantir 要AIP里引入deepseek，但我敢确信，只要跟Ontology框架结合，就一定会有超预期的效果。 理由无他，只是因为Ontology 跟deepseek 等头部AI 太配了。 如果说互联网产品的工作机制是"预设路径下的功能调用”，那么生成式AI产品则是“上下文感知下的动态生成”。 AI负责感知和生成，Ontology则主攻“上下文”。 这个“上下文”有多重要呢？就像在现实生活中，我们绝不允许医生在不看任何病历资料的情况下就匆忙开药，就算是华佗在世也不行。 想要AI 生成准确的结果，就要提供详尽如“检查报告、过往病史和家族病史”的上下文。否则，再强的AI 在手，也只能空叹“庸医误人”。 5、 所以，Ontology 是如何解决「大模型们缺乏有效上下文」问题的呢？ 太技术的内容，先不做展开。我就拿自己比较熟悉的影视行业，举个例子吧： 【before】 在没有 Ontology 之前，创作素材和各方意见散落各处，形成 “信息孤岛”，导致沟通成本极高。 据一位非常资深的行业专家估计，行业里70%以上时间，都耗费在信息沟通上。 很多时候，由于缺失太多必要的背景信息，最强的AI 也无法提供足够有针对性的帮助。 【after】 而引入Ontology后，可整合项目各种数据，动态链接关联，形成 “智能故事大纲”。 这时，AI就像是一位对项目了如指掌的老编剧，无需反复解释背景，一句话便可切中要害。 因为，在它面前，角色性格、人物关系、剧情走向等关键信息都烂熟于心，给“一个眼神”就能指哪儿打哪儿。 更重要的是,这份"智能故事大纲"就像一张实时共享的创作地图。 过去，大家找剧本最新版本可能要翻邮件，理解人物关系可能要翻会议记录，琢磨角色性格可能要翻讨论记录，很容易陷入信息的迷宫里兜圈子。 现如今，有了这张统一的地图，所有参与方都能一目了然地看到项目全貌，把更多原先用在找资料、对进度上的时间，投入到打磨内容上。 6、 可见，Ontology的价值，不止是“模型越强我越强”的保障，更是连接AI与业务的桥梁。 有了这座桥，AI才能真正读懂企业的业务场景，访问到关键信息，进而提供真正有价值的输出。 当然，要搭建这个桥梁，不仅是技术工程，更是组织工程。比如，AI团队必须从独立的技术孤岛，进化成连接各业务部门的纽带。 只有让AI专家真正理解业务痛点，让业务人员切实参与AI应用设计，才能确保AI项目既有技术可行性，又有业务价值。 跟业务方和行业专家协同方面，我在过去两年有比较多的经验和教训，感兴趣可以加我微信（yangchangpku）交流。 三、4 个重大有利信号 1、大模型支持context支持的拐点，已经到来 在年前那篇热议的访谈中，MiniMax老板简单梳理过大模型公司context的最新进展。 他提到，之所以在去年年中说没人做出成功的 Agent 应用，是由于当时大模型能力还不够强。 现如今，他们家新发布的MiniMax-01，已经在博客中宣告 “开启 Agent 时代”了。 究其原因，是因为在架构层面，MiniMax-01已经可以高效、快速地处理400万token的 context。 如此一来，对于单个Agent（比如O1，可以单次输出多步），就可以记住非常多的内容，进一步提高交互质量； 对于多个Agent，可以像Claude 的MCP（Model Context Protocol，模型上下文协议）那样，更好支持Agent 间巨长的通讯量，进而提升多 Agent 之间的通讯能力。[4] 2、DeepSeek的R1-Zero模型，或将带来各行各业的“李世石时刻” 公众号“波斯兔子”[5]说，Deepseek R1可能找到了超越人类的办法。 具体来说，DeepSeek的研究者基于 V3 模型，在数学和代码这两类包含思维链的数据上进行了强化学习(RL)训练，他们创造了一种名为 GRPO（Group Relative Policy Optimization）的强化学习算法，最终得到的 R1-Zero 模型，在各项推理指标上相比 DeepSeek V3 显著提升，证明仅通过 RL 就能激发模型的推理能力。 该公众号认为，这是另一个 AlphaZero 时刻，在 R1-Zero 的训练过程，完全不依赖人类的智商、经验和偏好，仅靠 RL 去学习那些客观、可测量的人类真理，最终让推理能力远强于所有非 Reasoning 模型。 总而言之，DeepSeek R1-Zero展示了，如何使用几乎不使用人类反馈来提升模型性能的方法，这是它的 AlphaZero 时刻。很多人曾说“人工智能，有多少人工就有多少智能”，这个观点可能不再正确了。 就这两天，DeepSeek研究员Daya Guo也在Twitter 上爆料：R1训练仅用两到三周，春节期间观察到R1 zero模型性能曲线的 “持续增长”，而且预计不会快速到达瓶颈，今年就能看到显著的进展。 在回答网友问题的过程中，Daya Guo提到，研究人员使用 RL prompt 未覆盖的领域的基准来评估泛化能力，目前来看，R1似乎具备泛化能力。[6] 以上种种说明，随着R1 的快速发展，我们将在自己所在的行业里看到，在没有行业专家“教”的情况下，行业的推理模型将超过头部专家的能力，而且胜任更多我们想得到和想不到的任务。 3、Coding Agent 领域的突破，将直接带动“上下文”框架的发展 锦秋在硅谷组织的Scale With AI活动[7]中，有两三百的硅谷头部AI研究员、创业者和投资人参会，会上聊到了些Coding Agent的核心挑战与改进，他们都认为需要进一步发展的关键领域包括： ①事件建模 ②记忆和世界建模 ③准确规划未来 ④提高上下文利用率 我简单搜了一下，发现这四大关键领域，都与上下文（context）存在紧密关联： ①事件建模的核心，是通过业务流程中的事件驱动机制来构建领域模型。事件之间的因果关系，需要依赖上下文来界定限界范围（Bounded Context）。 ②记忆机制通过分层管理上下文信息实现长期推理能力：工作记忆依赖Transformer的注意力机制，作为短期记忆处理即时上下文；长期记忆通过外部知识库或神经记忆模块存储结构化上下文；世界模型（如R2I）结合状态空间模型（SSM），利用上下文历史预测未来状态，解决时间跨度长的任务。 ③规划需基于上下文动态调整策略：短期规划通过ReAct 等框架结合即时上下文和工具调用，长期规划依赖上下文摘要和外部知识（如用户目标、环境状态）制定多步策略 ④长上下文（超过 10,000 个tokens上下文的利用率会显著下降），增强对扩展记忆长度（例如 100,000 个tokens或更多）的推理能力，正在进行的研究旨在提高更长上下文的记忆和推理能力。前文中提到的MiniMax-01，就是其中关键突破之一。 等这些技术突破到Coding Agent 可以处理全公司代码的时候，这些代码不仅可以作为实时更新的公司级别的Ontology，让老板可以随时用自己能懂的方式去了解所有线上业务的进展，甚至可以牵一发而动全身地实现更多业务的自动化。 4、哪怕暂时用不上前三项技术，现在也有可快速落地的技术方案 最简单的是提示词，余一老师曾多次分享，她可以通过1500字的提示词，模拟出一个AI 版本的真人[8]。 我基于她的方法，也做过一个“AI版本的杨昌”，效果非常惊艳。个人一些重大决策，已经开始邀请该AI来参谋了。 通过定期更新的项目背景提示词，我们就可以搭建一个极简版的Ontology。 如果嫌提示词不方便更新和协作，也可以换成项目知识库，再通过比较成熟的RAG（检索增强生成）去处理。 其实，Cursor等主流AI编程工具，都普遍集成了RAG技术，并将代码库作为核心知识源。它们通过语义检索与生成模型的结 对啦，如果方便的话，请告诉我你的公司-职位信息；如果你的朋友圈不可见，我就先不邀请了。 |
|
|
