AI 應用的三方面逼進

初期的 AI 能力主要由訓練的「大規模」達成，人們發現只要給大語言模型足夠大量的資訊，就能夠讓模型仿佛產生了智慧，而缺點就是常常會有幻覺。又為了改善幻覺，新模型不斷推陳出新，逐步降低幻覺的比例。

對於應用端來說，足夠小的幻覺，就能夠透過一些提示詞的定義，來進一步縮小幻覺的影響。所以很多程式開發端，開始用一些預定義框架強迫 AI 遵守，或者讓多個 AI 扮演不同工作角色，透過協作的方式抹除任何幻覺的空間。

流心之前在前篇「AI 的關鍵突破正在醞釀」有提到，AI 的推論邏輯有了新的突破，主要的啟發在 Google DeepMind 紀錄片中可以窺見一二，也就是「真正的 AI 應該是，能夠理解現有的知識基礎，並且能夠反覆探索未被發現的知識。」

最近聽到一個新聞寫「Meta FAIR 團隊提出 Self-play SWE-RL，僅需存取原始程式碼庫即可訓練，完全不需人工標註。其核心概念借鑑 AlphaZero 的自我對弈策略，讓同一個 LLM 扮演兩種角色」，這新聞就能夠證明在訓練方面的關鍵進展。

整理這三方面的逼進，一個是新模型的改善，一個是應用端的開發流程彌補，再來就是推論的訓練方式改進。

如果你有仔細看 Google DeepMind 紀錄片，他們已經嘗試在真實場景和 AI 溝通。其中創辦人之一的 Sergey Brin 也在一些演講中透露，對外釋出的 AI 版本，對於他們內部在用的版本來說，其實是很舊的版本。

另外也是 Google DeepMind 的前成員，他們的新創公司 Poetiq 也在推理和成本方面取得一定的突破，核心在於其採用的「學習型測試時推理」（learned test time reasoning）方法。(來源：Poetiq ARC-AGI-2 成本效益新高 準確率達 54%)

因為流心不是相關的專家，所以只能就以往的工程背景去推測，若有誤請見諒。其實這幾個進展在前篇「AI 的關鍵突破正在醞釀」有提到過，「正確的訓練方式，應該是協助 AI，讓它自己去學習每項知識的基礎」。因此，如何營造能讓 AI 自我學習的環境，就是訓練中重要的一環，而這點大家都已經意識到。

另外，你可以自己搜尋一下「豆包手機」，這就是完整的 AI 應用在手機上的最終樣貌，儘管它後來被一堆金融服務封殺，不過這也突顯了 AI 的應用，需要使用者對於企業的長期信任。你可以想像一下，如果有天 AI 應用終於發生在 Apple 身上，會有多大的換機潮？有一天你的手機可以變成鋼鐵人電影中的 Jarvis，有誰能不心動？

總結來說，如果你要投資的是 AI，那真正要關注的是技術本質，也就是 AI 的技術進展到哪，還有沒有在推進，而不是聽一堆外行人在那邊喊什麼泡沫。而我的信心來源很簡單，AI 再這樣進步下去，就肯定會迎來應用爆發的那一天。