智能原生（AI Native）應(yīng)用是這次AI帶來的最大的變化，當(dāng)然也就孕育最大的機(jī)遇。遠(yuǎn)不是所有的應(yīng)用都是智能原生應(yīng)用，甚至包括以AIGC為核的各種產(chǎn)品，也并非智能原生應(yīng)用。

智能原生應(yīng)用背后有一條脈絡(luò)，從技術(shù)到應(yīng)用的表現(xiàn)，但因?yàn)楦邮蔷幊痰哪Ｊ剑浅绦騿T估計(jì)不好理解，所以10.7 19:00 琢磨事AI碰撞局社區(qū)會做一場線上的小活動，以O(shè)penAI Swarm為例子用非技術(shù)語言碰撞這點(diǎn)，感興趣的同學(xué)聯(lián)系shuixiu2024。程序員出身的同學(xué)建議自己直接讀程序。

假的智能原生應(yīng)用

到現(xiàn)在為止很多工具其實(shí)并非智能原生應(yīng)用，比如把大模型封裝下，然后生成圖片，最典型就是過去的MJ，這是模型或者套殼工具，但不是智能原生應(yīng)用。

當(dāng)然，把人臉識別算法嵌入到原來的應(yīng)用中，比如加入個刷臉閘機(jī)的園區(qū)通行系統(tǒng)，這也不是智能原生應(yīng)用。這點(diǎn)以前寫過很多，參見：。

之前經(jīng)常用下面這張愛立信的圖來描述智能原生的含義：

左側(cè)是AI算法的單點(diǎn)應(yīng)用，右側(cè)核心依賴于AI算法的才是智能原生應(yīng)用。找準(zhǔn)這個才能找準(zhǔn)技術(shù)帶來的變量。

當(dāng)然這里不是說非智能原生應(yīng)用就不創(chuàng)造價值，而是說它不是眼下LLMs所代表的最大變化。

OpenAI Swarm Demo的特征

只看圖會有點(diǎn)虛，很巧的是OpenAI Swarm提供了個例子。

下面我貼段代碼，然后做解讀，這段代碼也不復(fù)雜，可以當(dāng)自然語言看。

注：https://cookbook.openai.com/examples/orchestrating_agents 程序員能看，里面講清楚了模型和應(yīng)用的角色邊界。

上面代碼其實(shí)就做了這樣2件事情：

1. 創(chuàng)建了退款、銷售、導(dǎo)引三個智能體。每個智能體包含了角色的定義、功能。（參照：）

2. 導(dǎo)引負(fù)責(zé)把用戶的需求導(dǎo)引到銷售或者退款智能體。銷售和退款智能體負(fù)責(zé)具體干活。

再然后Swarm這個項(xiàng)目里面是具體細(xì)節(jié)，負(fù)責(zé)把這些設(shè)定在不同的時機(jī)變成變成提示詞扔給大模型，再把大模型返回的內(nèi)容轉(zhuǎn)換成具體的函數(shù)調(diào)用。然后負(fù)責(zé)把各種五花八門的請求轉(zhuǎn)化成具體賬戶上的購買或者退款操作（操作相關(guān)數(shù)據(jù)庫）。

這看著很簡單，但和過去的巨大區(qū)別已經(jīng)出來了。

真智能原生應(yīng)用與劃時代的點(diǎn)

過去的程序要分解也有兩部分：一部分是退款、銷售這樣的直接功能；一部分則是在各種情況下執(zhí)行這兩個操作，比如到底喜歡什么款式，喜歡什么付款方式等。程序員干的事主要就是處理各種輸入，把它轉(zhuǎn)換為最終的退款、銷售這樣的操作。這部分占工作量的百分之八十。

現(xiàn)在好了，程序員這第二部分工作模型直接根據(jù)用戶說的就干了。為了讓這樣的應(yīng)用跑起來就需要定義上面的Agent，然后構(gòu)建一種和LLMs的持續(xù)交互機(jī)制。

并且這個模式隨著AI能力的越來越通用和強(qiáng)大，幾乎可以干任何事。

也許這還是有點(diǎn)抽象，我們拿特斯拉自動駕駛做個類比。

自動駕駛不管環(huán)境多復(fù)雜，其實(shí)輸出的就三個操作：方向盤操作、加速、剎車。

一種方法是寫規(guī)則（早期），比如：如果前面碰見違規(guī)行人，就減速這類。大概樣子就下面這樣：

Explicit Planning&Control那地方沉淀大量規(guī)則來處理事出現(xiàn)行人了、信號燈什么樣等等。這也能用，但顯然的第一維護(hù)的成本太高，第二如果出現(xiàn)沒處理過的情況就死菜了。

那變成智能原生后什么樣呢？

(source:https://www.thinkautonomous.ai/blog/tesla-end-to-end-deep-learning/）

這一共是三個階段，F(xiàn)ull Deep Learning是個過渡階段，上面是過去的基于規(guī)則，中間是兩套神經(jīng)網(wǎng)絡(luò)，最后則是端到端模型。甚至有人現(xiàn)在也認(rèn)為特斯拉的自動駕駛也還是這個階段，而不是純粹的端到端階段。但不管怎樣，過去人負(fù)責(zé)設(shè)定規(guī)則的部分，扔給模型了。

這就能夠處理人不知道，數(shù)據(jù)知道的情況，但壞處確實(shí)就是黑盒了，引發(fā)新的安全問題。

但這是劃時代的點(diǎn)，過去的所有應(yīng)用不是這個樣子。

智能原生面臨巨大挑戰(zhàn)

特斯拉的FSD12想必開銷巨大，但你細(xì)想也就搞定了三個操作。而智能原生真的實(shí)現(xiàn)，那意味著把每個行業(yè)的N個操作都整成上面的模型。這顯然是巨大機(jī)會和藍(lán)海，但挑戰(zhàn)無疑是全方面的。

從下面這個粗略的概括上，我們可以看到這種挑戰(zhàn)來自于哪里：

智能原生應(yīng)用= LLMs + 操作性功能（functions） + 流程設(shè)定 +提示詞

第一，對于LLMs，是精度和成本問題。因?yàn)橐獔?zhí)行大量方法調(diào)用，不是幾個幾百個，而是完成任何一個功能都是幾萬次調(diào)用。那出錯怎么辦？出錯是有成本的，有些操作可能導(dǎo)致整個數(shù)據(jù)就錯了，比如這個人沒買過某產(chǎn)品，就被誤操作成了買過，那怎么整？（不是tokens的成本）

好消息是從Glean等的進(jìn)展來看，這個精度至少在Copilot上是可用了。

第二，交互過程中怎么精確給各個具體功能設(shè)定調(diào)用參數(shù)，比如購買行為同時需要型號、價格、優(yōu)惠政策等。這些東西都靠人補(bǔ)充就崩潰了。需要一套有效的系統(tǒng)，根據(jù)用戶信息、系統(tǒng)的信息、提示詞進(jìn)行拆分。

AI碰撞局上，瀾碼的周健分享過一個方法，正是在解決第二點(diǎn)的一個思路這是很難的。

（By 瀾碼周?。?/p>

AIGC的意義

AIGC中的代碼生成在上述框架里會具有特殊的意義。假如生成的代碼精度足夠高，智能原生程序可以修補(bǔ)自己。

想象一種場景，整套產(chǎn)品跑跑，突然出錯了，那可以設(shè)置一個維修的智能體，去檢查錯誤，然后生成代碼，自己對自己進(jìn)行修補(bǔ)。

所以不要再因?yàn)橛?jì)算不行低估LLMs的能力，如果它代碼生成能力上來，這些就都不是事兒。凡是過去代碼能干的事，就都不是事兒。

軟件吞噬世界，AI吞噬軟件大概出發(fā)點(diǎn)就在這里。

底層邏輯

弄清楚上面這些有什么用？其實(shí)可以避免走錯路。

Sam Altman講了個點(diǎn)(大意）：如果你做了個應(yīng)用，每天擔(dān)心LLMs的進(jìn)展會不會把自己覆蓋掉，那你大概率是選錯方向了。反之，如果每次LLMs的進(jìn)展都讓你興奮，那基本是對的。

真的智能原生程序不可能有前面的問題。為了說清楚，還是用一個之前提到過的公式：

智能效能 = LLM的“智商” x 現(xiàn)實(shí)理解縱深

做智能原生應(yīng)用的，顯然核心任務(wù)是構(gòu)建一套理解現(xiàn)實(shí)縱深的系統(tǒng)，這套系統(tǒng)要給LLM準(zhǔn)備好條件，讓它能夠把自己的威力發(fā)揮出來。

這是智能原生系統(tǒng)的本質(zhì)。在這個出發(fā)點(diǎn)上，當(dāng)然LLMs越進(jìn)展，你產(chǎn)品的價值越大。

而這樣的智能原生系統(tǒng)就一定是系統(tǒng)型超級應(yīng)用，表現(xiàn)為：智能優(yōu)先、萬物皆數(shù)、實(shí)時反饋、中心決策。

參見：

黑盒的本質(zhì)含義

一說模型的黑盒，更多的時候大家會想到安全問題，但如果換個視角就會發(fā)現(xiàn)這是個執(zhí)行權(quán)的遷移過程。

智能原生的本質(zhì)含義在于人類向AI模型讓渡很多很多的權(quán)利。為了靠譜一點(diǎn)當(dāng)然要讓AI在好使之外更安全，所以需要對齊等等。（經(jīng)濟(jì)現(xiàn)實(shí)上Sam Altman是對的，但人文情懷上Ilya是對的）。

單線的經(jīng)濟(jì)合理性就是我們之前說的：

如果我們相信一種效能更高的方式一定替換低的，那就智能原生的方式就一定會變成現(xiàn)實(shí)，并且重構(gòu)人類在經(jīng)濟(jì)體系中的角色。

問題根本不是這個會不會發(fā)生，而是發(fā)生的快慢以及后果。企業(yè)家負(fù)責(zé)讓他發(fā)生，體現(xiàn)效率，治理層面負(fù)責(zé)讓它不成為脫韁的野馬，最終的綜合也許就是一種新的文明形態(tài)，參見：

小結(jié)

差不多一年前，我寫了一系列的這類文章，反響一般，但現(xiàn)在回看確實(shí)有種歷史在按照預(yù)想展開的感覺，還是很讓人高興的。這些文章具體包括：

現(xiàn)在看這就是智能原生的基本框架，沒啥太大錯誤。其中智能原生應(yīng)用必然是系統(tǒng)型超級應(yīng)用一點(diǎn)，現(xiàn)在也很少人講，但未來可能會越來越清楚。

AI碰撞局往期的記錄：