吴恩达谈AI未来:Agentic Workflow、推理成本下降与开源的优势

近年来,人工智能(AI)领域的发展势如破竹,然而随着技术的普及,市场也开始出现对AI泡沫的质疑声。2024年8月,AI领域的权威专家吴恩达(Andrew Ng)在与ARK Invest的对谈中,分享了他对AI产业发展的乐观看法,并重点讨论了Agentic Workflow的未来、训练与推理成本的下降,以及开源模型的优势。本文将详细解析吴恩达的访谈内容,展望AI领域未来的发展趋势。

一、AI发展未到瓶颈,产业链才是真正挑战

首先,吴恩达针对近年来关于AI技术发展瓶颈的论调做出了回应。他指出,过去十年间,AI技术不断取得突破,大规模模型的发布一再证明了这些观点的错误。他对目前仍有人坚持"AI已遇瓶颈"感到惊讶,认为AI的技术发展仍有巨大潜力,产业的扩展空间也非常广阔。

然而,吴恩达指出,AI产业发展的挑战主要在于产业链的不完善,而非技术本身。当前,GPU的供应问题、人才不足等因素阻碍了许多潜在的AI项目落地。许多公司虽具备开发大型AI模型的能力,但由于硬件和人力资源的限制,导致项目难以顺利进行。吴恩达强调,一旦这些产业链问题得到解决,AI的落地速度将大幅提升,AI的应用潜力将得到全面释放。

二、Agentic Workflow:推动AI迭代的未来趋势

在访谈中,吴恩达特别强调了Agentic Workflow的潜力。传统的AI应用往往是一次性输入提示,然后输出结果。但吴恩达认为,这种方式并不符合人类的工作流程。与之相比,Agentic Workflow更类似于人类的写作过程,是一种反复迭代的工作模式。这种模式能够显著提升AI应用的准确性,特别是在复杂任务的执行上。

吴恩达分享了一个Agentic Workflow的实例:在一次斯坦福大学的演示中,由于网络搜索失败,Agent系统自动切换到了备用的维基百科搜索,最终确保了演示的成功。这表明Agent系统具备处理失败并自主修复的能力,而这种能力在未来有望进一步增强。

尽管如此,吴恩达也承认,Agentic Workflow目前仍面临推理速度瓶颈。AI应用往往需要反复调用模型进行推理,而这一过程耗时较长。吴恩达认为,提升推理速度将是下一波AI应用的关键。一旦推理速度大幅提高,许多应用的客户体验将显著改善,AI的广泛应用将变得更加可行。

三、训练和推理成本的下降:AI普及的关键

AI模型的训练和推理成本一直是阻碍AI普及的重要因素。吴恩达在访谈中引用了ARK Invest的报告,报告预测训练成本将每年下降75%,推理成本将每年下降86%。这一趋势将极大地推动AI技术的进一步创新和应用。随着成本的下降,越来越多的企业将能够负担得起AI技术,AI的商业化进程也将加速。

吴恩达特别强调了推理速度的重要性。他指出,在人类的阅读速度约为每秒6个token的情况下,AI需要生成和处理大量token,以适应复杂的工作任务。吴恩达认为,随着硬件技术的进步,推理速度的提升将成为未来几年内AI发展的重要推动力,这将直接影响到Agentic Workflow等应用的广泛普及。

四、MLOps与AI堆栈:推动AI持续进化

谈及MLOps(机器学习运维),吴恩达指出,这一领域在未来将发挥越来越重要的作用。MLOps不仅帮助企业更好地管理和部署AI模型,还推动了AI技术栈的不断进化。他提到,目前有许多云服务商正在开发用于编排AI模型的层次化服务,以便企业能够更高效地构建和部署AI应用。

除了MLOps,吴恩达还提到Agentic Framework这一即将出现的新框架,这个框架旨在提升AI应用的能力。虽然吴恩达没有深入探讨这一框架的具体细节,但可以预见的是,未来的AI应用将会在框架层面上得到进一步的优化,推动AI在实际场景中的应用和落地。

五、开源的力量:AI创新的驱动引擎

在讨论AI的商业模式时,吴恩达表达了对开源模型的支持。他认为,开源的力量远超闭源的短期优势,能够驱动AI技术的持续创新。Meta在Llama和PyTorch的开源项目上取得了巨大的成功,证明了开源模型的商业价值。吴恩达认为,开源不仅能够降低企业对竞争对手专有平台的依赖,还能促进整个AI生态系统的繁荣。

吴恩达对当前一些反对开源的呼声感到困惑。他认为,这种行为将会抑制全球的创新,尤其是对美国的AI产业造成负面影响。开源代表着全球技术供应链中的开放和共享文化,推动开源不仅能为企业带来商业价值,也能让世界变得更加美好。

六、结语与未来展望

通过本次访谈,吴恩达为我们展示了AI领域的广阔前景。他对Agentic Workflow、训练和推理成本的下降以及开源的推动力充满信心。虽然AI产业仍面临一些挑战,尤其是在硬件、人才和推理速度上,但吴恩达坚信,随着技术的不断进步,AI的应用前景将更加广阔。

展望未来,吴恩达乐观地认为,到2030年,AI软件市场将会达到13万亿美元的规模,AI产业将迎来新的繁荣期。对开发者和企业而言,紧跟技术趋势,优化AI应用场景,将是抓住这波AI浪潮的关键。

相关推荐
wangyue45 分钟前
c# 深度模型入门
深度学习
川石课堂软件测试18 分钟前
性能测试|docker容器下搭建JMeter+Grafana+Influxdb监控可视化平台
运维·javascript·深度学习·jmeter·docker·容器·grafana
985小水博一枚呀26 分钟前
【深度学习滑坡制图|论文解读3】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer
AltmanChan27 分钟前
大语言模型安全威胁
人工智能·安全·语言模型
985小水博一枚呀31 分钟前
【深度学习滑坡制图|论文解读2】基于融合CNN-Transformer网络和深度迁移学习的遥感影像滑坡制图方法
人工智能·深度学习·神经网络·cnn·transformer·迁移学习
数据与后端架构提升之路40 分钟前
从神经元到神经网络:深度学习的进化之旅
人工智能·神经网络·学习
爱技术的小伙子1 小时前
【ChatGPT】如何通过逐步提示提高ChatGPT的细节描写
人工智能·chatgpt
深度学习实战训练营2 小时前
基于CNN-RNN的影像报告生成
人工智能·深度学习
昨日之日20064 小时前
Moonshine - 新型开源ASR(语音识别)模型,体积小,速度快,比OpenAI Whisper快五倍 本地一键整合包下载
人工智能·whisper·语音识别
浮生如梦_4 小时前
Halcon基于laws纹理特征的SVM分类
图像处理·人工智能·算法·支持向量机·计算机视觉·分类·视觉检测