王道408考研数据结构-图-第六章

视频来源

youtube: https://www.youtube.com/watch?v=riWB5nPNZEM&t=47s

大纲

• 介绍

  • 欢迎与介绍

    • 介绍Bret Taylor，一位技术专家，职业生涯跨越Google Maps到Salesforce。

    • 介绍Elad Gil，一位长期的朋友加入对话。

  • 讨论目的

    • 探讨“Agent”概念及其当前和未来的应用。

• Agent的定义与分类

  • 学术与行业定义

    • 学术定义：能够推理和自主行动的软件。

    • 行业用法：差异很大，通常依赖于上下文。

  • Agent的分类

    • 个人Agent

      • 能力：处理收件箱、安排假期、准备会议。

      • 挑战：人机交互的复杂性和系统集成。

    • 角色Agent

      • 能力：执行特定任务，如法律功能或编码任务。

      • 优势：专注带来更有效的解决方案。

    • 公司Agent

      • 目的：在对话式AI中代表公司。

      • 应用：客户互动、商业、客户服务。

• 公司Agent的开发与挑战

  • 开发周期

    • 研究与现实之间的差距。

    • 投资于理解客户环境。

  • 主要挑战

    • 利用基础模型。

    • 与专有业务数据集成。

    • 平衡创造力与约束。

• 市场与商业模式

  • 市场动态

    • 可能围绕云提供商和主要研究实验室的整合。

    • 工具和解决方案公司的重要性。

  • 商业模式

    • 基于成果的定价。

    • 使商业模式与客户成果对齐。

• 应用领域与影响

  • 当前应用领域

    • 编码、客户成功、销售生产力。

  • 未来应用领域

    • 自动化分析师角色。

    • 增强后台分析。

• 客户体验与管理

  • 管理客户体验

    • 正式化和定义流程。

    • 赋能客户体验团队。

  • 涌现行为

    • 处理长尾客户体验。

    • 个性化品牌体验。

• 技术趋势与未来方向

  • 对形式因素的影响

    • 智能手机主导地位的潜在转变。

    • 对话式AI在减少屏幕时间中的作用。

  • 人机交互

    • 交互模式的演变。

    • AI Agent代表用户处理更多任务的潜力。

• 结论

  • 关键点总结

    • AI Agent在各个领域的重要性。

    • AI退居幕后，实现更无缝人机交互的潜力。

总结

一句话总结

Bret Taylor 讨论了 AI Agent的演变和未来，强调了它们彻底改变客户体验和重新定义人机交互的潜力。

要点

1. 个人Agent：早期且令人兴奋，能够管理个人任务，但由于复杂的人机交互而具有挑战性。

2. 角色Agent：已经存在于法律和编码等特定角色中，通过缩小关注点提供更有效的解决方案。

3. 公司Agent：通过对话式 AI 专注于数字存在，类似于 1995 年拥有一个网站。

4. 基础模型：AI 进步的关键，少数主要参与者可能会主导预训练。

5. 基于结果的定价：一种强大的新型商业模式，使 AI 公司与客户成果保持一致。

6. 交互转变：AI 有可能退居幕后，允许在物理世界中更多地存在。

深入问答

1. Agent的三个类别是什么？

   • 个人Agent、角色Agent和公司Agent。

2. 基础模型如何影响 AI 市场？

   • 它们推动了显著的进步，但可能会被少数主要参与者主导。

3. 基于结果的定价在 AI 中的重要性是什么？

   • 它使 AI 公司与客户成果保持一致，使交付的价值可衡量且有影响力。

4. AI Agent如何改变客户服务？

   • 它们通过提供即时解决方案来降低成本并提高客户满意度。

5. 人机交互的未来是什么？

   • 可能会从以屏幕为中心的交互转向更多对话式和背景集成的体验。

关键词标签

• AI Agent

• 客户体验

• 基础模型

• 基于结果的定价

• 人机交互

目标受众

• 科技创业者：对 AI 的最新趋势和机会感兴趣。

• 企业领导者：希望了解 AI 如何增强客户体验和运营效率。

• AI 研究人员：寻找 AI 实际应用和未来方向的见解。

• 投资者：对 AI 初创企业和创新的潜力感兴趣。

• 消费者：好奇 AI 将如何影响日常生活和与技术的互动。

术语解释

• 个人Agent：设计用于管理个人任务和交互的 AI 系统。

• 角色Agent：为特定角色或任务量身定制的 AI 系统，如法律或编码功能。

• 公司Agent：代表公司数字存在的 AI 系统，处理客户交互。

• 基础模型：作为各种 AI 应用基础的大型预训练模型。

• 基于结果的定价：一种商业模式，定价与为客户实现的衡量结果挂钩。

讲座回顾

• 布雷特·泰勒的职业经历包括在谷歌、脸书、Salesforce和Twitter担任职务。

• 他创立了两家公司，并担任OpenAI的董事会主席。

• 泰勒和克莱·博尔正在创建Sierra，专注于下一代客户体验。

• 对话以欢迎和开始讨论Agent的提示开始。

• Agent的定义并未立即提供，表明可能会有后续讨论。

Sarah Guo: 定义Agent，你定义Agent，你就是

• “专家Agent”一词在学术界和行业中的含义有所不同。

• 学术定义：Agent系统是能够进行推理和自主行动的软件。

• 行业应用：差异很大，通常受特定应用的影响。

• 三种即将可行的Agent类别：

  1. 个人Agent：协助处理邮件分类、日程安排和日历管理等任务。

  2. 角色Agent：执行特定工作，如法律或编码任务。

Sarah Guo: 如果你只是试图平衡任务范围和用户集成范围。

• 基础模型的出现将AI研究转变为工程。

• 可以为法律和软件工程等特定领域设计有效的AI Agent。

• 个人Agent可能主要由大型消费公司主导。

• 公司Agent通过对话式AI专注于数字存在。

• 当前技术使公司Agent“即插即用”，便于实施。

• 挑战在于围绕品牌定义对话体验。

• 人工通用智能（AGI）提出了不同的问题。

• 构建公司Agent的开发周期涉及弥合研究与现实之间的差距。

• 工程团队需要投入精力理解不同客户环境的范围。

• Sierra当前提供的产品定义。

• Sierra未来产品供应的愿景。

• 讨论Sierra成为其行业领导者的潜力。

• 理解Sierra愿景对更广泛受众的重要性。

• Sonos使用由Sierra驱动的AI进行入职和故障排除。

• SiriusXM的AI AgentHarmony管理订阅级别和试用期。

• 公司正在构建面向客户的定制化AI Agent，以增强品牌体验。

• AI Agent预计将扩展到客户服务之外，处理所有公司运营。

• Sierra在这一领域的转型中处于领先地位。

Sarah Guo: 最初专注于面向客户方面，嗯

• 大多数客户是消费公司，与B2B公司相比差异不大。

• 人工智能显著降低了客户对话的成本，从13美元降至不到1美元。

• 成本降低使公司受益，尤其是拥有大量客户基础的消费品牌。

• 由于成本效益，数字自助服务体验得到推广。

• 潜在的更频繁客户互动，正在改变客户体验。

• 主要挑战：将基础模型整合到公司Agent环境中。

• 其他挑战：确保兼容性、可扩展性和伦理考虑。

• 检索增强生成 (RAG): 一种结合大型语言模型与外部数据库的技术，使AI响应基于特定内容。

• 客户体验: 与品牌的多数互动涉及行动而非问题，需要跨多个系统的复杂流程。

• AI平台: 目标是创建一个能够协调复杂流程并设置护栏的平台，平衡AI Agent的创造性与业务和合规目标。

• 技术和社交挑战: 挑战在于编程非确定性创意软件的同时保持控制并确保品牌一致性。

• 讨论在核心基础模型或大型语言模型（LLMs）之上开发高级功能，如推理引擎和模块的发展。

• 考虑公司是否应继续自行开发这些功能，还是期望由OpenAI或Anthropic等公司将其整合到核心模型中。

• AI市场预计将类似于云市场，由少数几家主要基础设施提供商主导。

• 基础设施即服务（IaaS）提供商如AWS、Azure和Google Cloud控制了云市场中大部分的资本支出（capex）。

• 由于高昂的资本支出要求，初创公司发现建立自己的数据中心或IaaS业务在经济上不可行。

• 在AI市场中，少数几家公司可能会处理预训练，这是模型构建中资本密集的部分。

• 高资本支出要求使得初创公司在预训练中实现投资回报变得困难。

• 由于容量和成本限制，主要的云服务提供商预计将占据主导地位。

• 在单一云服务提供商上运行应用程序和数据，在访问第三方服务时可能会引入延迟。

• 这种主导地位可能导致次要的购买行为，涉及审批、预算和安全考虑。

• 市场可能会围绕这些主导的云服务提供商进行整合。

• 云服务提供商可能会与主要研究实验室合作。

• 安全和延迟问题仍然是关注的焦点。

• 大多数企业使用多个云服务提供商和SaaS，重点关注服务级别协议（SLAs）。

• 少数基础模型构建者将主导预训练。

• 像Scale AI这样的工具公司将提供必要的软件和工具。

• 解决方案将至关重要，类似于云服务，以解决特定的业务问题。

• AI解决方案的价值应与模型更新解耦，以确保长期可行性。

• AgentOS平台：一个客户可以定义其客户体验目标和护栏的平台。

• 技术整合：整合新技术以提高案例解决率、客户满意度和减少负面体验。

• 价值主张：平台提供的价值不仅依赖于模型改进，更在于提升客户体验。

• 价值谷底：如果模型改进构成提供价值的主要部分，可能存在潜在危险。

• 基础模型：并非所有用例都将源自基础模型，类似于15年前并非所有公司都会构建自己的SaaS。

• 大型零售商通常缺乏自行实施所有事项的资源。

• 对大多数公司来说，投资于软件即服务（SaaS）平台至关重要。

• 基于角色的Agent提供了有意义的创新机会。

• Agent解决独特的难题，如编码、开发者工作流程、安全性和编程语言。

• 依赖编码Agent可能导致团队治理和代码审查等二阶效应。

• 通过将SaaS与基础模型上的说唱歌手进行类比，讨论了某些公司可能面临的淘汰风险。

• 这种比较暗示了一些SaaS服务，如Shopify和Salesforce，可能会面临类似的挑战。

• 提到的公司曾是Salesforce长期的重要供应商。

• 尽管它们的重要性，这些供应商最终被取代。

• 基础模型在云市场中提供显著价值，并为各种解决方案创造机会。

• 不同的应用公司可以选择不同的模型，促进健康竞争。

• 面向未来对Sierra客户至关重要，以避免新技术带来的问题。

• 提示工程和底层工具对许多解决方案至关重要，但并非所有公司都适用。

• Sierra的商业模式专注于基于成果的定价，与客户的商业模式相一致。

• AI领域向基于成果的定价转变，其重要性不亚于软件即服务的出现。

• 客户是有价值的，致力于提供有价值的解决方案体现了信心和雄心。

• 解决方案公司通常比现有解决方案提供显著的价值提升。

• 经济学家将软件视为生产力的驱动力，例如微软Excel彻底改变了财务部门。

• 软件对生产力的影响在过去20年中非常显著。

• 从增量收益转向企业销售中的可衡量投资回报率。

• AI系统可以在有保护措施的情况下自主执行任务，更接近直接归因。

• 以从印象广告转向按点击付费广告为例。

• 公司应要求软件供应商提供更高的实际价值标准。

• 合同分析和呼叫中心运营等功能的可量化价值。

• 供应商与公司关系的转变，由于可衡量的价值，使供应商成为真正的合作伙伴。

• 自动化显著改善了客户支持工作流程。

• 高调的例子，如Clara，展示了净推荐值和客户满意度的提高。

• 自动化减少了700名代表的团队规模，增强了业务功能。

• 自动化的应用正在扩展到各个领域，包括编码、客户成功和销售生产力。

• 法律和其他行业预计将成为下一波自动化采用的浪潮。

• 演讲者对自动化分析师角色，特别是后台分析，感到兴奋。

• 目标是增强而非取代分析师的角色，将其比作分析师的“钢铁侠战衣”。

• 分析师的高级角色涉及综合复杂数据以向利益相关者提供洞察。

• 大型语言模型（LLMs）擅长总结、综合和推理，因此可能对这一角色有用。

• 然而，LLMs在没有大量工作的情况下可能难以处理数值或表格数据以及特定领域的复杂性。

• 微调和特定领域的专业知识对于在这一领域的有效应用至关重要。

• 分析师的角色在不同部门可能有所不同，但在大型企业中，许多人参与使数据具有可操作性。

• 转型涉及增强和使流程更加有效和实时。

• 从复杂的业务规则引擎转向更灵活和高效的系统。

• 重点在于代表客户思维方式重大转变的软件。

• 讨论围绕如何评估SierraAgent的性能以及帮助用户适应新系统展开。

• 技术焦点: 与客户合作，正式化和定义流程，强调程序性知识和系统集成。

• 运营方法: 开发工具，使客户体验团队能够直接控制和改进AI Agent。

• 客户互动: 从结构化菜单转向自由形式的对话式AI，实现更广泛和更自然化的客户体验。

• 长尾体验: 识别未预见的客户互动，并适应这些长尾体验的需求。

• AI系统被描述为需要不断调整的自适应有机体。

• 重点在于赋能客户体验团队来管理这些系统。

• 新兴的客户行为和外部事件影响AI的演进。

• AI演进与保持客户体验团队自主权之间的平衡至关重要。

• 未来的期望包括语音模式、视频化身以及AI表现的真实性等进步。

• 观察Sierra AI Agent可以发现其具有多样化的个性。

• AI Agent可以通过指令调整来评估和反映用户情感。

• AI Agent可以根据不同的品牌语调进行定制，从幽默到优雅。

• AI模型可以根据特定品牌语调和体验进行定制。

• 监督模型，即AI监督其他AI，是平台的关键部分。

• 个性化的AI体验可以反映用户的语言和个性。

• AI可以通过减少等待时间和提高解决效率显著改善客户服务。

• 即时满足是人工智能驱动的客户服务系统的核心价值。

• 人工智能可以通过单一Agent支持多种语言，提高效率。

• 人工智能可以快速适应新产品或变化，减少培训时间。

• 人工智能能够处理俚语、术语和习语，这是人类Agent面临的挑战。

• Elad Gil拥有多元化的背景，包括担任Facebook的首席技术官、Salesforce的首席运营官以及OpenAI的董事会成员。

• 讨论主要集中在AI对企业核心语言使用案例之外的影响。

• 视频虚拟形象被简要提及为AI应用的一个例子。

• 演讲者对识别受AI影响的其他重大技术趋势感兴趣。

• 过去15年中，智能手机在人机交互中的主导地位。

• 大部分交互通过智能手机触摸屏进行。

• 键盘和鼠标仍然是专业任务中不可或缺的工具。

• 对话界面的兴起及其对消费设备的潜在影响。

• 演讲者假设智能手机将继续占据主导地位，但将由AirPods和CarPlay等设备进行补充。

• 演讲者指出，智能手机作为口袋中的超级计算机的角色不太可能减弱。

• 智能手表被提及为潜在的成功，但仍未达到智能手机的市场主导地位。

• 讨论过去技术的潜在复兴。

• 对对话式AI是否能减少屏幕使用时间的兴趣。

• 希望AI Agent能帮助管理通知并减少对屏幕的依赖。

• 对人类大脑接口及其潜力的兴奋。

• 将早期应用商店应用与未来对话计算体验进行比较。

• 推测对话计算是否会成为主要交互模式。

• 设备的显著性可能会发生变化，从而改变交互方式。

• 对话式或个性驱动的交互可能会增加。

• 社交互动转向数字界面与人类互动的比例是一个关键问题。

• 演讲者设想AI Agent将成为个人和商业生活中不可或缺的一部分。

• 在适当的保护措施下，AI Agent可以处理任务，使用户能够专注于当下的生活。

• 例如，AI Agent可以代表公司与个人Agent互动以解决问题。

• 元宇宙和虚拟形象被提及为有意义，但主要被视为娱乐。

• 该播客可以在Twitter上通过NoPriorsPod找到。

• 订阅者可以在YouTube上观看主持人。

• 该播客在Apple Podcasts、Spotify和其他收听平台上可用。

• 新集数每周发布。

• 听众可以注册电子邮件通知。