关于大模型浪潮的一点思考

最近，Manus 像一阵风刮过。最初，我以为会像当初 IPhone 那样，是一款颠覆性产品。但目前看来，Open Manus 及一系列类似项目在短时间内的爆发式出现，似乎在告诉大家：就这？我们几个小时就能做个开源版本出来。某种程度上来说，Agent 这阵风迟早会刮起来，没有 Manus，也会有别的东西。当前看来，虽然最近大模型领域发展很快，但是大模型落地人们的日常生活，达到缓慢迭代的状态还非常遥远。不同于元宇宙的昙花一现，大模型能够实实在在地解决现实问题。因此，我们不妨来思考下，这条路还有多长。

当前，大模型发展到什么阶段呢？可以比较准确地理解人类的问题，并且给出答案。从模型的角度，只不过是将输入的内容转化成向量，和训练好的模型数据做一次 ax+b=y 的运算，输出概率最高的结果。这里遇到的第一个问题是：我有一些自己的数据，怎么让模型也给学会？有两种方法，监督微调（SFT）和检索微调生成（RAG），微调相当于在开源模型的基础上接着训练，需要准备好训练数据，训练过程需要消耗大量资源，如果数据更新了，需要再次微调。RAG 会构建一个文档数据库，收到用户的请求时，先在数据库中检索出和用户输入内容相关的内容，一起喂给大语言模型。因此，使用 RAG 只需要实时更新数据库，不需要动已有的模型数据，可用性更高。这两种方式可以解决大模型的幻觉问题，也就是我们常说的“一本正经胡说八道”。同时还会解决数据时效性的问题。在日常生活中，最有用的功能是对话，某些场景能给出专业的答案。如果涉及到模型没有学习的数据，就需要个人知识库，例如，腾讯的 ima，除了能够上传文档和图片，还支持网站链接和公众号文章。

到现在，模型给出了符合预期的答案，还能再做点什么吗？某种程度上，这部分内容会直接影响大模型能否赋能我们的日常生活。通常，我们用 Agent 来表示干活的“代理”。代理的作用是执行任务，严格来说，它和大模型本身没关系，它只是一个干活的接口人，不需要理解大模型怎么工作。从大模型的输出结果，到 Agent 收到任务，这中间还差一个东西：理解大模型的输出，拆分任务，分配任务。这两样东西已经有了，但还没完全有。类似 Open Menus 的实现会完成任务规划、执行、验证的流程。当前，执行任务的实体只是一台简易的计算机，这部分的想象空间非常大。如果将这部分单独拆出来，就只需要不断完善“干哪些活”的能力。那么，它可能干哪些活呢？除了当前已经实现的简单操作，是否可以实现一套通用标准，在计算机上完成任何想要操作，从而解放双手，以达到给出一个想法，Agent 直接给出我们想要的结果。我们假设已经实现了这部分功能，下一步可以干什么呢？个人认为，下一步需要考虑如何集成到移动设备。手机是每个人每天都会用到的“小型电脑”，那些能够改变生活习惯，影响衣食住行的颠覆性产品只能出现在这里。运行模式是大模型运行在云端，终端设备也能自主完成部分决策。当然，到时候只有智能手机可能就不够了，还会出现一些穿戴设备。

我们再思考下，如果手机真的实现了类似的智能体，是不是还可以扩散到更多的设备，例如，智能家居和处于另一赛道的人形机器人。对于智能家居，如果要接入更多设备，Matter 协议是否有机会发展起来？对于人形机器人，当前已经可以做到多个机器人协同完成工作，未来还可以做哪些工作？非得“人”型机器人吗？个人认为，人形机器人更多地是让机器人能够被人类接受，实际上，对于特定的工作，非“人”型机器人可能更适合。如果这样的话，人形机器人就不是必须的，只需要一个音响或许就够了。我们需要的是能够听懂人的指令，转化成具体任务，并下发任务，检查任务是否符合预期的“代理”。当然，人形机器人是最好的，它能够像“朋友”一样和你相处。对于每个外围设备，本身也应该是一个简单的“代理”，拥有自主决策能力，例如，花盆能够自动根据天气和湿度来决定什么时候浇水。

除此之外，汽车是否也会拥有完全自主的决策能力呢？当前，部分电车已经可以实现端到端的自动驾驶，它们终态是什么？机器人驾驶汽车，还是完全自主驾驶？如何解决安全问题？个人认为，端到端自动驾驶+人类随时准备接管的组合在很长一段时间内都不会改变。至于去掉方向盘，拥有自主决策能力的汽车，如果要带我上高速，我是会犹豫的。城区也许可行，信号灯与每辆车连接，车与车连接，在信任的前提下，通过标准协议交流。

回到模型本身，迭代到最后是否会成为少数大公司掌握关键技术，开发者需要开发各种 LLM 应用的模式？当前大模型的开源方式都是只开源模型数据，不开源训练代码和训练数据，似乎保留了一些可能性。个人认为，超大规模模型是需要的，并且会离终端用户越来越远，但是小而美的开源模型同样会迅速发展。

未来已来，但还有很多事要做。

致敬前行中的人们，一切都是偶然，一切都是必然。