MMJun, 2024

面向企业的复合人工智能系统的蓝图架构

PDF
TL;DR大型语言模型已经展示出了超越传统自然语言处理挑战的卓越能力，为生产使用案例创造了机会。为了实现这一目标，出现了构建复合人工智能系统的显著转变，在其中将大型语言模型与包括模型、检索器、数据库和工具在内的广泛软件基础设施集成。本文介绍了一种针对复合人工智能系统在企业环境中进行成本效益和可行性操作的蓝图架构。我们提出的架构旨在与现有的计算和数据基础设施进行无缝集成，通过 “流” 作为关键的编排概念，在代理和其他组件之间协调数据和指令。任务和数据计划分别将任务和数据分解、映射并优化分配给在各自注册表中定义的可用代理和数据源，考虑生产约束条件，如准确度和延迟。
发现论文，激发创造
  • 大型语言模型与认知架构的协同集成 —— 鲁棒人工智能的探索性分析

    本研究论文探讨了在构建表现出智能行为的人工智能代理中，将大型语言模型（LLMs）和认知架构（CAs）两个子领域进行整合的替代方案。在理论模型的指导下，并通过初步的实证数据支持，我们假设多样化的协同方法可以相互弥补它们各自的弱点和局限性，最终促进更健壮和复杂的人工智能系统的发展。此外，我们还讨论了每种方法所涉及的权衡和挑战。

    Aug, 2023

  • 构建对话 AI 的信任度：使用 LLMs 和知识图解进行可解释、注重隐私的系统的综合评估和解决方案架构

    综合审查了 150 多个大型语言模型（LLMs）的深入评估，提出了结合知识图谱的结构化动态与 LLMs 的语言能力的新型功能架构。通过使用真实的人工智能新闻数据进行验证，该架构成功地将语言复杂性与事实严谨性相结合，并通过基于角色的访问控制进一步加强了数据安全性。这项研究洞察了对于高效、透明和值得信赖的系统的迫切需求，突出了会话式人工智能领域的不断演变趋势。

    Aug, 2023

  • 组织一种语言模型社会：结构和机制以促进集体智慧的提升

    通过将大型语言模型（LLMs）组织成以社区为基础的结构，该论文介绍了一种变革性方法，旨在增强 LLMs 的集体智能和问题解决能力。本文研究了不同的组织模型 - 分层、扁平、动态和联邦，每种模型都具有协作人工智能系统的独特优势和挑战。在这些结构化社区中，LLMs 被设计为专门从事不同的认知任务，采用直接通信、投票系统和基于市场的方法等先进的交互机制，并动态调整其治理结构以满足不断变化的需求。这种社区的实施对于提高人工智能的问题解决能力具有重大潜力，因此有必要深入研究其伦理考虑、管理策略和可扩展性。本文旨在为未来研究奠定基础，主张在人工智能研究和应用中从孤立到协同的运行框架进行范式转变。

    May, 2024

  • 在 LLM 时代重新思考移动 AI 生态系统

    智能手机已成为承载多种深度学习模型的中心，该研究介绍了一种新的移动人工智能范式，使用协同管理方法在移动操作系统和硬件之间实现一个基础模型，能够为各种移动人工智能任务提供服务。

    Aug, 2023

  • 安全自助大型语言模型探索的制度化平台

    本文介绍了由肯塔基大学应用人工智能中心开发的一种用户友好的平台，旨在提高大型定制化语言模型（LLMs）的可用性。通过利用最近在多 LoRA 推理方面的进展，该系统有效地适应了各种用户和项目的定制适配器。该论文概述了系统的体系结构和主要特点，包括数据集筛选、模型训练、安全推理和基于文本的特征提取。

    Feb, 2024

  • 构建负责任 AI 的未来：基于大型语言模型的智能体设计的模式导向参考架构

    该论文提出了一个模式导向的参考架构，用于指导设计基于大型语言模型的自主代理，实现可负责的人工智能设计，并通过将其映射到两个现实世界代理的架构来评估其完整性和实用性。

    Nov, 2023

  • 走向自主系统：引入大型语言模型代理的灵活模块化生产系统

    本文提出了一个将大型语言模型（LLMs）、数字孪生和工业自动化系统相结合的新型框架，以实现生产过程的智能规划和控制，强调将 LLMs 集成到工业自动化系统中以实现更敏捷、灵活和自适应的生产流程的潜力并指出未来工作的关键见解和限制。

    Apr, 2023

  • 基于需求定制的 LMLs 服务

    通过引入层级分布式的大型语言模型（LLM）架构，提高 LLM 在异构计算平台上的可访问性和可部署性，实现按需访问和定制化服务，并在用户与应用需求之间取得最佳权衡，推动人工智能技术的进步。

    Jan, 2024

  • 关于将大型语言模型（LLMs）纳入自动规划和调度（APS）的前景展望

    自主规划和调度是人工智能中增长最快的领域之一，本研究通过对 126 篇论文进行全面检视，调查了 LLMs 在地址规划问题的各个方面时的独特应用，并提出了八个类别：语言翻译、计划生成、模型构建、多智能体规划、交互规划、启发式优化、工具集成以及脑启发式规划，强调 LLMs 与传统符号规划器的结合展示出潜力，揭示出一种有前景的神经符号化方法。

    Jan, 2024

  • 多智能体协作：发挥智能 LLM 代理的力量

    本文提出了一种通过多智能体系统来增强大型语言模型（LLMs）能力的新框架，并通过人工智能领域的案例研究展示了这一框架的实用性和多样性。

    Jun, 2023