- 反应 - 人工智能趋势 - 6 分钟阅读
发生了什么
关于 安德烈-卡尔帕西（Andrej Karpathy）--前特斯拉人工智能总监和 OpenAI 联合创始人--发表了一篇文章 GitHub 上的 autoresearch这是一个开源框架，可让人工智能代理在单个 GPU 上通宵自主运行机器学习实验。其核心理念是：给代理一个训练设置，让它睡觉，醒来时就能看到 100 个已完成的实验--每个实验修改代码，训练五分钟，检查结果是否有所改善，然后进行迭代。循环中没有人类。 除非您手动中断，否则代理永远不会停止。 该 repo 在发布几天内就突破了 8000 颗星。
这究竟意味着什么？
让我们明确一下自动研究是什么和不是什么。它不是取代数据科学家的通用人工智能。它是一个范围严密的循环：一个代理，一个它可以修改的文件（如：......）。train.py)，一个固定的 5 分钟评估窗口，一个要优化的指标。它的意义不在于范围，而在于 架构决策 在其背后：一个完全自主的代理，运行一个实验，读取结果，决定下一步尝试什么，然后重复--在代码中明确指示 永不停止，永不请求人类允许继续。
这种设计理念--自主、自我指导、度量驱动的迭代--是企业人工智能正在快速发展的模板。不只是在 ML 研究领域，在任何领域，只要有明确的目标、可衡量的产出和足够大的搜索空间，人类的迭代速度就会成为瓶颈。这就是企业商业智能和分析团队每天要做的大量工作。
对企业团队的三个具体影响
1."代理 "不再是一个研究概念，而是一种生产模式。 卡帕奇的贡献不在于提出了人工智能代理的概念，而在于展示了一个简洁、最小化、单一文件的实施方案可以在商品硬件上一夜之间运行 100 个有意义的实验。在企业环境（报告自动化、数据管道优化、文档处理）中部署自主人工智能循环的门槛大大降低了。一直在等待这一技术 "成熟 "的团队应该重新调整他们的时间表。
2.人的角色从 "执行 "转变为 "审查"。 自动研究循环不会在实验之间征求批准。它生成、测试、保留有效的，丢弃无效的，然后继续前进。就企业而言，这直接映射到了人工智能系统，它可以起草报告、运行情景分析或自主处理接收到的请求--只浮现出需要人工判断的结果。这不是对熟练分析师的威胁，而是重新分配他们的时间。减少生成，增加评估。
3.数据质量和明确的成功衡量标准不容商量。 自动搜索之所以有效，是因为它有一个明确的衡量标准：每字节验证位数。越低越好。每个实验都具有客观可比性。在企业环境中，相应的问题是：贵组织的 "验证比特比 "是多少？如果不能为自动化工作流程定义一个单一的、可衡量的成功标准，自主代理就无法朝着这个标准进行优化。能够从代理人工智能中获益最多的项目，就是那些已经用具体、可衡量的术语定义了 "更好 "含义的项目。
LeapLytics 的观点
几年来，我们一直在为企业工作流程构建人工智能系统。 文件处理、自动报告、支持自动化.Karpathy 在 ML 研究层展示的模式与我们在业务流程层应用的模式相同：识别重复循环，定义成功标准，让代理运行，并将异常情况浮现出来供人工审核。
自动研究让人直观感受到的是 速度差.8 小时内完成 100 次实验。用企业术语来说：当你的团队还在睡觉时，100 份文件草稿已被审核，100 个数据异常点已被标记，100 张支持单已被分类。把这当做好奇心的企业会发现，把它当做基础架构的企业在重新考虑时已经取得了重大进展。我们曾在以下文章中讨论过这种动态变化 我们自身向人工智能辅助支持的转变 - 自动化的复合优势只有在实现时才会显现出来。
各组织现在应该做什么
- 本周确定一个重复性的、可衡量的工作流程。 而不是含糊其辞的 "我们应该实现报告自动化"。而是一个具体的循环：以这种方式处理这种类型的文档，并根据这种标准进行评估。自动搜索是一种有用的心智模式--如果你不能像卡帕奇描述他的培训循环那样描述你的工作流程，那么它还没有准备好实现代理自动化。
- 在部署代理之前，对数据质量进行投资。 自主代理可以放大它们所处理的任何内容。干净、结构一致的输入数据会产生有用的自主输出。杂乱无章、前后矛盾的数据会产生错误的自主输出--速度是犯同样错误的人类的 100 倍。数据管理现在是一个人工智能就绪问题，而不仅仅是一个内务管理问题。
- 将 "人工智能战略 "重塑为 "我们首先要实现哪些环节的自动化"。 大多数企业的人工智能战略仍然围绕工具和供应商展开。人工智能研究之后，更有用的框架是：我们的哪些工作流程是有可衡量产出的循环？根据数量和影响对它们进行排序。从数量最多、指标最清晰的循环开始。这就是你的第一个代理部署。
下一步行动
自动研究特意做到了极致--一个 GPU、一个文件、一个指标。下一步是多代理变体：一个代理生成假设，另一个代理运行实验，第三个代理评估和综合结果。从企业角度来看，这相当于实现了工作流程的完全自动化：接收、处理、质量检查和输出路由都由一个协调的代理链来处理，只有在规定的例外情况下才需要人工审核。
更重要的转变是文化上的。卡帕奇的说法是，人工智能前沿研究 "过去是由肉类计算机在吃饭、睡觉和享受其他乐趣的间隙完成的"，这是故意挑衅。但其背后的观点是严肃的：人工智能相关工作的竞争优势正在从人类的执行速度转向你所设计的循环的质量和你所优化的指标的清晰度。这在 ML 研究中是正确的。在企业分析、风险报告和文档密集型工作流中同样如此。问题不再是是否构建这些循环。而是如何加快速度。
