|
然后也许对于公司来说，这种发展有些更明确的含义。但就消费者而言，我依然认为，我自己还没有用智能体来做一些有趣的事情。嗯，我在公司也没有真正使用过它们，但我很好奇，你怎么看待这一点？ Alexandr Wang 是的，我认为目前智能体的情况是这样的，我们现在的模型非常擅长于单次的交互，也就是通过一个 prompt 进行响应时，它们的表现非常好。但是，一旦增加交互轮次，性能就会急剧下降。 这个问题其实很现实，虽然没人愿意公开谈论，但这就是我们现在的现状。模型在一次交互中非常好，就像 Google 查询那样，你提出问题并查看答案。但如果你需要与模型进行更复杂的交互，它们的表现就大大下降。 我认为有两个关键点。首先，整个行业中的公司必须非常努力地提高模型的可靠性，尤其是在增加交互轮次时，最终让这些模型具备更强的内在一致性，能够更像独立的实体。现在的模型甚至不知道自己不知道什么，因此它们会产生一些问题。 总的来说，当你与模型进行多轮交互时，它们像是一个机器，虽然在统计上更可能是对的，但它们并不具备任何心智理论，也就是你并不是在与一个“有意识”的实体互动。所以这点必须改变。 但是，我认为对于这个“智能体的突破时刻”来说，最大的障碍其实是产品设计。我认为，模型已经足够好，足以支撑一些智能体产品或智能体产品体验，而这些体验将会让很多人感到惊艳并受益。 对于我们这些常常接触模型的人来说，这可能并不明显，因为我们已经知道模型在很多方面都非常优秀，但大多数人并不知道这些模型已经足够好。所以像 Cursor 这样的例子就很典型。 我认为大多数工程师并不知道模型这么强，直到他们将其应用到 Cursor 中，突然间，它成为了他们工作流的一部分，使用起来更加便捷。我认为，这种时刻也会发生在消费者身上。而且，这真的只是突破模型在聊天范式中的局限，转变成更适应核心工作流的模式。 我认为，这是 2025 年最大的创业机会之一。如果我猜测的话，真正的机会就是不断迭代，找到合适的智能体模式。我同意。 Aditya Agarwal 或许吧。我们接着谈谈，显然，大家都在谈论构建下一代前沿模型的最大限制之一就是数据的可获取性。你认为数据墙有多现实？你怎么看待用于训练模型的合成数据？显然，在整个对话中，规模是一个非常重要的部分，我很好奇你对这个问题的看法。 （责任编辑：晨鸿） |
