AI 创新的下一个前沿已悄然到来：智能体（AI Agents）和智能体推理（Agentic Reasoning）的崛起。这些技术正在以前所未有的效率和成本效益，彻底改变应用的构建方式，为各行业释放出巨大的潜能。

在 Snowflake Build 2024 的主题演讲中，吴恩达深入探讨了智能体的兴起及其背后推动的 AI 革命。

他指出，非结构化数据（如文本、图像、视频和音频）正变得比以往任何时候都更加关键，为企业带来了巨大的机会。

此外，吴恩达还分享了如何通过智能体和生成式 AI 的结合，以更快的速度构建和迭代新的 AI 应用，以下为这次演讲的主要内容：

你可能听过我说过，AI 是新的电力。这是因为 AI 像电力一样，是一种通用技术。如果有人问电力的用途是什么，这很难回答，因为电力几乎无所不能。

而如今的新 AI 技术正在为我们创造一个前所未有的机会，能够构建以前无法实现的新应用。

人们经常问我：“Andrew，AI 领域最大的机会在哪里？”我通常会以“AI 堆栈”来解释。在堆栈的最底层是半导体，然后是云计算和开发工具（包括 Snowflake 这样的工具）。

在这些之上是许多基础模型以及模型的训练过程。而事实是，很多媒体的关注点都集中在这些技术层面，例如生成式 AI 和新的技术进展上。

这些确实重要，但实际上还有另一层更重要的堆栈——应用层。因为我们需要通过应用层来产生更多的价值和收入，从而能够支持底层技术的持续发展。

因此，我花了大量时间思考 AI 应用领域，我认为这是构建新事物的最佳机会之一。

过去几年，尤其是在生成式 AI 的推动下，我们见证了机器学习模型开发的速度越来越快。

例如，构建一个情感分类器的传统方法可能需要一个月来收集标签数据，再花几个月训练 AI 模型，然后再用几个月部署在云服务上。

对于许多价值巨大的 AI 系统来说，这样的开发流程需要 6 到 12 个月。但有了生成式 AI，某些应用场景只需花几天写一个 prompt（提示词），再用几天时间完成部署。

这意味着，原本需要几个月甚至一年的开发时间，现在可能只需要 10 天左右。这种变化为快速试验和开发新原型以及快速发布新 AI 产品创造了巨大可能。

这一趋势的结果是，快速实验成为发明新用户体验的一种更有效途径。过去，如果需要花 6 个月开发一个东西，我们会非常谨慎地研究用户需求、制定产品计划，再投入大量精力来开发。

但现在，快速推进的团队可以说：“我们用一个周末开发 20 个原型，看看哪个有前景。如果 18 个失败了，我们就放弃它们，只保留成功的两个。”快速迭代和实验成为了一种新的发明路径。

然而，这种快速实验带来了新的瓶颈——评估（Evaluation）。在传统的监督学习中，如果你需要收集 1 万条数据点来训练模型，那么多收集 1 千条测试数据点也不算什么，因为成本仅增加了 10%。

但在基于大型语言模型的应用中，如果不需要标注数据，那么收集 1 千条测试样本的成本和时间可能显得非常昂贵。

因此，现在的开发流程更像是边开发边收集数据，而不是先收集数据再开发。我们会先构建一个原型，然后随着需求的增加逐步完善测试数据，以提高系统的稳健性和可靠性。

虽然模型原型的构建速度快了，但软件应用的开发依然包含很多步骤，比如产品设计、软件集成、部署后的运维等。

这些步骤并没有像机器学习建模那样大幅提速。这种不均衡的进展对组织产生了压力，迫使他们加快整个流程的速度。

在快速发展的环境中，我不认为“快速行动且破坏”是适合的口号，因为这种方法的确会破坏很多东西。我更喜欢“快速行动且负责任”这个理念。

我看到很多团队能够快速开发原型，并进行稳健的测试，而不将可能造成伤害的产品直接发布到用户手中。这种方法能够在快速推进的同时，做到负责任地开发和部署。

在技术趋势中，我最兴奋的一个是 智能体 AI（Agentic AI）。这种工作流程不仅可以生成文本，还可以结合研究、规划、修改等步骤，进行迭代式开发。

例如，用传统的大型语言模型生成一篇文章可能一次性完成，但智能体 AI 可以先生成提纲，进行研究，编写草稿，随后再修订和优化。

这种迭代式流程适用于复杂任务，比如法律文档处理、医疗诊断辅助或合规文书管理。

智能体 AI 的四大设计模式包括：

反思（Reflection）：让 AI 审视自己的输出并改进。

工具调用（Tool Use）：大语言模型可以发起 API 请求，执行具体任务。

规划（Planning）：AI 为复杂任务设计执行计划。

多智能体协作（Multi-Agent Collaboration）：多个 AI 角色分工协作，共同完成任务。

这些模式让我们能够构建比以往更加复杂和强大的系统。

另外，视觉 AI 正在崛起。过去很难从存储的图像和视频数据中获取价值，而如今，视觉 AI 的能力正在改变这一现状。

通过结合智能体工作流程，视觉 AI 能够高效处理和分析图像与视频数据，为企业带来新的价值。

例如，自动检测足球比赛中的进球片段、生成视频的元数据等，这些任务以前几乎是不可能实现的。

最后，我想强调四大 AI 趋势：

1）加速的生成式工作流：通过硬件和软件优化，让智能体 AI 运行更高效；

2）为工具优化的大模型：新的大模型不仅可以回答问题，还可以执行具体操作；

3）非结构化数据工程的重要性提升：文本、图像和视频数据的处理能力变得至关重要；

4）图像处理革命即将到来：图像处理技术的发展将为更多企业带来新的应用机会；