Principales différences entre Agent et Chatbot :
-
L'Agent est une solution technique, tandis que le Chatbot est plus une forme de produit.
-
L'Agent peut observer l'environnement, planifier et produire, tandis que le Chatbot est principalement basé sur le dialogue.
-
L'Agent peut gérer des tâches plus complexes, avec des capacités de mémoire et de raisonnement, tandis que le Chatbot a des fonctionnalités relativement simples.
-
L'Agent ne doit pas nécessairement simuler le comportement humain, il peut être un outil d'assistance basé sur de grands modèles de langage.
-
L'Agent peut utiliser des outils et effectuer un raisonnement en plusieurs étapes, tandis que le Chatbot dépend principalement d'un dialogue à tour unique.
Principales directions de recherche pour les Agents :
-
Mémoire : comment réaliser une mémoire à court et long terme similaire à celle des humains.
-
Raisonnement multi-étapes : s'il doit être résolu par l'Agent ou inclus dans le grand modèle de langage.
-
Synthèse de données : comment obtenir des données d'entraînement suffisamment riches et réalistes.
-
Capacités générales : comprendre et exécuter la plupart des tâches dans la gamme des capacités humaines.
-
Modèle mental : construire des capacités de raisonnement différentes des grands modèles de langage.
Foundation Agent potentiel futur :
-
Capable de comprendre la plupart des applications et d'exécuter des tâches dans la gamme des capacités humaines.
-
Possède un modèle mental différent des grands modèles de langage.
-
Capable de raisonner sur des tâches du monde réel basées sur des pondérations.
-
Équipé d'outils intégrés.
-
Pourrait être un modèle multimodal extrêmement puissant plutôt qu'une architecture d'Agent complexe.
Principaux défis du développement de la technologie des Agents - problèmes de données :
-
Le monde réel est extrêmement complexe, manquant de règles claires comme le jeu de go.
-
Nécessite de grandes quantités d'échantillons de données de haute qualité avec un raisonnement complexe.
-
La synthèse de données entraîne des coûts énormes, équilibrer la quantité de données et les coûts est un défi.
-
Nécessité d'explorer de meilleures façons d'acquérir et d'utiliser les données, comme laisser les Agents apprendre de manière autonome dans des simulateurs.