moonless
AI算法工程师
|
唐山市环境科学研究院
河北省科技厅AI展示工程——”小环“ 个人独立开发。
获得徽章 0
赞了这篇文章
#人工智能创作者签约季#
AI发展的两条主要路线：一条路线是以语言为元模态，这是当前大型语言模型所采取的主要路径。在这条路线上，所有的信息和知识，无论是图像、声音还是其他形式的数据，最终都被转化为某种形式的符号表示并映射到统一的语义空间，由语言模型进行处理和理解。也就是说，目前的多模态模型虽然能处理图像、声音等，但本质上仍是将一切转化为抽象的token，并在统一的语义空间中操作。
另一条路线则是具身智能路线，强调直接的，直接的，直接的物理世界感知和交互。在这条路线上，AI不仅仅是处理抽象的符号，而是通过各种传感器直接感知世界，并通过物理行动与世界互动。这种方法更接近于生物智能的发展方式，允许AI形成更丰富、更直接的世界模型。具身智能的传感器（如触觉、压力、温度、平衡感等）提供了完全不同的信息类型。
虽然语言模型的成功使我们看到了纯符号处理的潜力，但要迈向真正的AGI，物理世界的直接体验和互动是不可或缺的组成部分。因为基于网络数据训练的大模型已触及认知边界，单纯增加参数量和数据量再也难以带来质的突破，参考Gork3的成本与收益。而且，具身智能不仅是为了获取更多数据，而是为了获取本质上不同的数据，并在根本上改变AI学习和理解世界的方式。所以未来最强大的AI系统可能是将两者优势结合的混合系统：既具备语言模型的抽象推理能力，又拥有具身智能的物理交互能力。
自动驾驶作为具身智能的先行场景，其"感知-决策-规划-控制"架构与Tesla的技术复用经验，已为具身智能提供了重要参考。具身智能的物理载体呈现多样性，从固定底座到人形机器人，没有单一最佳形态，而应基于场景需求选择，只是说人形机器人的形象更加符合大众固定思维，而且它的泛用性在多场景应用中也的确具有独特优势。不过因为当前的数据驱动模型仍难以真正理解因果关系，多模态融合能力有限，所以具身智能难以在开放环境中可靠运行。而世界模型的出现为解决这些挑战带来希望：如NVIDIA Cosmos等世界基础模型提供了符合物理规律的仿真环境，不仅降低了数据采集成本，还为具身智能提供了"演武场"，使其能在闭环环境中快速学习。这种技术进步将加速具身智能的发展浪潮，推动AI向真正的通用人工智能迈进。
AI发展的两条主要路线：一条路线是以语言为元模态，这是当前大型语言模型所采取的主要路径。在这条路线上，所有的信息和知识，无论是图像、声音还是其他形式的数据，最终都被转化为某种形式的符号表示并映射到统一的语义空间，由语言模型进行处理和理解。也就是说，目前的多模态模型虽然能处理图像、声音等，但本质上仍是将一切转化为抽象的token，并在统一的语义空间中操作。
另一条路线则是具身智能路线，强调直接的，直接的，直接的物理世界感知和交互。在这条路线上，AI不仅仅是处理抽象的符号，而是通过各种传感器直接感知世界，并通过物理行动与世界互动。这种方法更接近于生物智能的发展方式，允许AI形成更丰富、更直接的世界模型。具身智能的传感器（如触觉、压力、温度、平衡感等）提供了完全不同的信息类型。
虽然语言模型的成功使我们看到了纯符号处理的潜力，但要迈向真正的AGI，物理世界的直接体验和互动是不可或缺的组成部分。因为基于网络数据训练的大模型已触及认知边界，单纯增加参数量和数据量再也难以带来质的突破，参考Gork3的成本与收益。而且，具身智能不仅是为了获取更多数据，而是为了获取本质上不同的数据，并在根本上改变AI学习和理解世界的方式。所以未来最强大的AI系统可能是将两者优势结合的混合系统：既具备语言模型的抽象推理能力，又拥有具身智能的物理交互能力。
自动驾驶作为具身智能的先行场景，其"感知-决策-规划-控制"架构与Tesla的技术复用经验，已为具身智能提供了重要参考。具身智能的物理载体呈现多样性，从固定底座到人形机器人，没有单一最佳形态，而应基于场景需求选择，只是说人形机器人的形象更加符合大众固定思维，而且它的泛用性在多场景应用中也的确具有独特优势。不过因为当前的数据驱动模型仍难以真正理解因果关系，多模态融合能力有限，所以具身智能难以在开放环境中可靠运行。而世界模型的出现为解决这些挑战带来希望：如NVIDIA Cosmos等世界基础模型提供了符合物理规律的仿真环境，不仅降低了数据采集成本，还为具身智能提供了"演武场"，使其能在闭环环境中快速学习。这种技术进步将加速具身智能的发展浪潮，推动AI向真正的通用人工智能迈进。
展开
评论
2
#挑战每日一条沸点# 今天分享一个观点，很有感触。
Harrison：我认为 LangChain 的工具和 MCP 的工具之间的区别在于，MCP 不是为 agent 的开发者准备的。当你要为一个你无法开发的 agent 引入工具时，MCP 才是最有用的。明确地说：如果我要编写一个执行某项任务的 agent ，我绝对不会使用 MCP。但我不认为这是 MCP 的目标应用场景。MCP 是为你无法控制的 agent 引入工具的。它还能让非开发者为 agent 引入工具（而 LangChain 的工具主要是面向开发者的）。非开发者的数量可比开发者多得多。
Harrison：我认为 LangChain 的工具和 MCP 的工具之间的区别在于，MCP 不是为 agent 的开发者准备的。当你要为一个你无法开发的 agent 引入工具时，MCP 才是最有用的。明确地说：如果我要编写一个执行某项任务的 agent ，我绝对不会使用 MCP。但我不认为这是 MCP 的目标应用场景。MCP 是为你无法控制的 agent 引入工具的。它还能让非开发者为 agent 引入工具（而 LangChain 的工具主要是面向开发者的）。非开发者的数量可比开发者多得多。
展开
评论
1