今天,我们来看三个事情,4种大模型Agent实现模式及6种向量化方法:兼看2024年诺贝尔物理学奖的支撑逻辑猜想。
一、关于2024年诺贝尔物理学奖的一些疑惑
北京时间10月8日下午5点45分许,2024年诺贝尔物理学奖揭晓。美国和加拿大科学家John J. Hopfield、Geoffrey E. Hinton获奖,以表彰他们“基于人工神经网络实现机器学习的基础性发现和发明”。
很多人会觉得很诧异,觉得有点摸不着边,我们可以来问问人工智能产物给出的支撑逻辑:
你提出的疑问很有道理,因为从字面上看,人工神经网络和机器学习似乎更接近计算机科学或人工智能领域,而非传统意义上的物理学。然而,诺贝尔物理学奖的评选并不仅仅局限于物理学的传统领域,它也会授予那些在交叉学科或应用物理方面做出重大贡献的科学家。
在这个案例中,John J. Hopfield和Geoffrey E. Hinton的获奖,背后的支撑逻辑可能包括以下几个方面:
1、跨学科的融合
- 物理学与计算科学的交汇:人工神经网络和机器学习的基础理论涉及大量的数学模型和算法,这些模型和算法在很大程度上依赖于物理学中的统计力学、信息论和控制论等概念。
2、基础性发现
- 神经网络的物理原理:Hopfield网络,由John J. Hopfield提出,是一种基于物理原理的神经网络模型。它利用了物理学中的能量最小化原理来解释和处理记忆和联想等问题。
3、技术创新与应用
- 机器学习的物理实现:Geoffrey E. Hinton在深度学习和反向传播算法方面的工作,虽然看似属于计算机科学领域,但其实这些技术在很大程度上借鉴了物理学的优化方法和统计工具。
4、推动科学进步的广泛影响
- 跨学科的影响力:这些技术在多个领域产生了深远的影响,包括但不限于材料科学、生物学、天文学等传统物理学领域。通过机器学习,科学家们能够处理和分析大量复杂数据,从而获得新的物理洞察。
5、诺贝尔委员会的视角
- 前瞻性与创新性:诺贝尔委员会可能认为,授予这个奖项能够强调物理学在现代科技发展中的核心作用,尤其是在人工智能和大数据分析日益重要的今天。
综上所述,虽然人工神经网络和机器学习看似更贴近计算机科学,但其背后的理论和应用实际上深深植根于物理学的多个分支。因此,从这一角度来看,John J. Hopfield和Geoffrey E. Hinton获得诺贝尔物理学奖是有一定道理的。
希望这样的解释能帮助你理解这一决定的合理性!
二、4种Agentic Patterns及6种向量化方式
1、4种Agent模式
Agent进展,用GroqAPI实现 Deeplearning.ai 定义的 4 种从头实现的 agentic 模式的项目: https://github.com/neural-maze/agentic_patterns
1)Reflection Pattern
2)Tool Use Pattern
3)Planning Pattern
4)MultiAgent Pattern
2、适用于AI应用6种向量嵌入类型
1)稀疏嵌入:https://weaviate.io/developers/weaviate/search/bm25
2)密集嵌入:https://weaviate.io/developers/weaviate/search/similarity
3)量化嵌入:https://weaviate.io/developers/weaviate/concepts/vector-quantization、
4)二进制嵌入:https://weaviate.io/developers/weaviate/concepts/vector-quantization#binary-quantization、
5)变量尺寸:https://weaviate.io/blog/openais-matryoshka-embeddings-in-weaviate、
6)多向量嵌入:https://github.com/weaviate/recipes/blob/main/weaviate-features/named-vectors/NamedVectors-ColPali-POC.ipynb
总结
本文主要介绍了4种大模型Agent实现模式及6种向量化方法,并兼看2024年诺贝尔物理学奖的支撑逻辑猜想。当然这个猜想是用大模型生成的,并不严谨,感兴趣的可以自己推敲下。
如何学习大模型 AI ?
由于新岗位的生产效率,要优于被取代岗位的生产效率,所以实际上整个社会的生产效率是提升的。
但是具体到个人,只能说是:
“最先掌握AI的人,将会比较晚掌握AI的人有竞争优势”。
这句话,放在计算机、互联网、移动互联网的开局时期,都是一样的道理。
我在一线互联网企业工作十余年里,指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家,也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑,所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限,很多互联网行业朋友无法获得正确的资料得到学习提升,故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段(10天):初阶应用
该阶段让大家对大模型 AI有一个最前沿的认识,对大模型 AI 的理解超过 95% 的人,可以在相关讨论时发表高级、不跟风、又接地气的见解,别人只会和 AI 聊天,而你能调教 AI,并能用代码将大模型和业务衔接。
- 大模型 AI 能干什么?
- 大模型是怎样获得「智能」的?
- 用好 AI 的核心心法
- 大模型应用业务架构
- 大模型应用技术架构
- 代码示例:向 GPT-3.5 灌入新知识
- 提示工程的意义和核心思想
- Prompt 典型构成
- 指令调优方法论
- 思维链和思维树
- Prompt 攻击和防范
- …
第二阶段(30天):高阶应用
该阶段我们正式进入大模型 AI 进阶实战学习,学会构造私有知识库,扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架,抓住最新的技术进展,适合 Python 和 JavaScript 程序员。
- 为什么要做 RAG
- 搭建一个简单的 ChatPDF
- 检索的基础概念
- 什么是向量表示(Embeddings)
- 向量数据库与向量检索
- 基于向量检索的 RAG
- 搭建 RAG 系统的扩展知识
- 混合检索与 RAG-Fusion 简介
- 向量模型本地部署
- …
第三阶段(30天):模型训练
恭喜你,如果学到这里,你基本可以找到一份大模型 AI相关的工作,自己也能训练 GPT 了!通过微调,训练自己的垂直大模型,能独立训练开源多模态大模型,掌握更多技术方案。
到此为止,大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗?
- 为什么要做 RAG
- 什么是模型
- 什么是模型训练
- 求解器 & 损失函数简介
- 小实验2:手写一个简单的神经网络并训练它
- 什么是训练/预训练/微调/轻量化微调
- Transformer结构简介
- 轻量化微调
- 实验数据集的构建
- …
第四阶段(20天):商业闭环
对全球大模型从性能、吞吐量、成本等方面有一定的认知,可以在云端和本地等多种环境下部署大模型,找到适合自己的项目/创业方向,做一名被 AI 武装的产品经理。
- 硬件选型
- 带你了解全球大模型
- 使用国产大模型服务
- 搭建 OpenAI 代理
- 热身:基于阿里云 PAI 部署 Stable Diffusion
- 在本地计算机运行大模型
- 大模型的私有化部署
- 基于 vLLM 部署大模型
- 案例:如何优雅地在阿里云私有部署开源大模型
- 部署一套开源 LLM 项目
- 内容安全
- 互联网信息服务算法备案
- …
学习是一个过程,只要学习就会有挑战。天道酬勤,你越努力,就会成为越优秀的自己。
如果你能在15天内完成所有的任务,那你堪称天才。然而,如果你能完成 60-70% 的内容,你就已经开始具备成为一名大模型 AI 的正确特征了。