从大模型、智能体到复杂AI应用系统的构建——以产业大脑为例_61页_12mb

浙江大学DeepSeek系列专题线上公开课（第二季）总结

核心内容

本次浙江大学DeepSeek系列专题线上公开课（第二季）围绕大模型、智能体以及复杂AI应用系统的构建展开，重点以“产业大脑”为例，探讨了大模型在推理能力上的发展与应用。

主要观点

1. 大模型推理能力的快速提升

   • 大模型在知识问答、数学、编程等任务上表现卓越，甚至在某些情况下超过人类水平。
   • 多步推理和思维链（Chain of Thought, CoT）技术显著提升了大模型的推理能力，使其能更准确地处理复杂问题。
   • 早期大模型在推理能力上存在明显短板，如事实性幻觉、逻辑错误和推理不一致等。

2. 智能体（AI Agent）的定义与功能

   • 智能体是能够自主执行任务、调用工具、与外部环境互动的系统。
   • 智能体结合大模型的规划和决策能力，以及小模型的执行能力，实现复杂任务的处理。
   • 智能体具备多层级结构，包括模型（Model）、提示模板（Prompt Templates）、链条（Chains）、智能体（Agent）和多智能体（Multi-Agent）。

3. 复杂AI应用系统的构建

   • 以“产业大脑”为例，展示了如何通过大模型和智能体的结合，构建适用于特定领域的复杂AI应用系统。
   • 大模型在任务拆解、推理和规划中起到核心作用，而小模型则负责具体的任务执行，如图像生成、物体检测等。

4. 开源社区与工业界的影响

   • 开源大模型如DeepSeek-R1在推理任务上表现优异，达到了87.2%的准确率。
   • HuggingGPT等项目展示了大小模型协作的潜力，通过大模型进行任务规划和决策，小模型执行具体任务，从而实现更高效的AI应用。

关键信息

大模型的发展历程

• AI 1.0时代：以辨别式AI为主，专注于分类、预测等任务。
• AI 2.0时代：生成式AI兴起，能够自动生成文本、图像、代码等内容。
• 大模型的里程碑：如ChatGPT在短时间内获得巨大成功，标志着对话式AI进入大众应用阶段。
• 大模型的能力：在知识问答、数学、编程等任务上达到新高度，部分模型甚至在某些任务上超越人类专家。

推理模型与思维链（CoT）

• 推理模型通过思维链技术，模拟人类的思考过程，逐步分解复杂问题，提高答案的准确性和深度。
• 一些模型如OpenAI的o1/o3和DeepSeek-R1在数学和代码推理任务上表现突出。
• LIMO假说认为，少量高质量样本即可实现高性能推理模型。

智能体（AI Agent）的构建

• 智能体由多个组件构成，包括模型、提示模板、链条、工具调用等。
• 智能体能够自主执行任务，如撰写调研报告、自动回复邮件等。
• 通过多智能体协作，实现更复杂的任务处理。

大小模型协作的生成式智能体

• HuggingGPT是一个典型例子，大模型负责规划和决策，小模型负责任务执行。
• 通过任务分解、模型选择、执行和响应生成，实现高效的AI应用。
• 这种协作方式展示了AI在多模态任务处理上的潜力。

产业大脑案例

• 产业大脑是复杂AI应用系统的代表，展示了大模型和智能体在实际场景中的应用。
• 通过模型调用、任务规划、工具使用等，实现对复杂问题的高效处理。

结论

本次公开课深入探讨了大模型在推理能力上的发展，智能体的构建方法，以及复杂AI应用系统的实现。通过结合大模型与小模型的优势，实现更高效、更智能的AI应用，为未来AI技术的发展提供了新的思路和方向。