随着人工智能（AI）技术的快速发展，一种微妙的但重要的转变正在发生，从依赖单一AI模型如大型语言模型（LLM）转向更复杂、协作的复合AI系统，如AlphaGeometry和检索增强生成（RAG）系统。这种演变在2023年获得了势头，反映了AI处理多样化场景的范式转变，不仅仅通过扩大模型规模，而是通过多组件系统的战略组合。这种方法利用了不同AI技术的综合优势，更高效、更有效地解决复杂问题。本文将探讨复合AI系统、它们的优点以及在设计此类系统时面临的挑战。
复合AI系统（CAS）是一个集成不同组件的系统，包括但不限于AI模型、检索器、数据库和外部工具，以有效处理AI任务。与仅使用一个AI模型（如基于Transformer的LLM）的旧AI系统不同，CAS强调多个工具的集成。CAS的例子包括AlphaGeometry，其中LLM与传统符号求解器结合解决奥林匹克问题，以及RAG系统，其中LLM与检索器和数据库结合回答与给定文档相关的问题。在这里，理解多模态AI与CAS之间的区别很重要。虽然多模态AI专注于处理和整合来自各种模态（文本、图像、音频）的数据以做出明智的预测或响应，如Gemini模型，但CAS整合了多个交互式组件，如语言模型和搜索引擎，以提高AI任务的性能和适应性。
CAS在传统单一模型AI方面具有许多优势。其中一些优势如下：
- 增强性能：CAS结合了多个组件，每个组件在特定任务上都有专长。通过利用各个组件的优势，这些系统实现了更好的整体性能。例如，将语言模型与符号求解器结合可以在编程和逻辑推理任务中获得更准确的结果。
- 灵活性和适应性：复合系统可以适应多样化的输入和任务。开发人员可以更换或增强单个组件，而无需重新设计整个系统。这种灵活性允许快速调整和改进。
- 健壮性和弹性：多样化的组件提供冗余和健壮性。如果一个组件失败，其他组件可以补偿，确保系统稳定。例如，使用检索增强生成的聊天机器人可以优雅地处理缺失信息。
- 可解释性和透明度：使用多个组件使我们能够解释每个组件对最终输出的贡献，使这些系统具有可解释性和透明度。这种透明度对于调试和信任至关重要。
- 专业化和效率：CAS使用多个专门从事特定AI任务的组件。例如，为医疗诊断设计的CAS可能包括一个在分析医学图像（如MRI或CT扫描）方面表现出色的组件，以及另一个专门从事自然语言处理以解释患者病史和笔记的组件。这种专业化使系统的每个部分都能在其领域内高效运行，提高诊断的整体效果和准确性。
- 创新协同效应：结合不同的组件可以释放创造力，导致创新的能力。例如，一个融合文本生成、视觉创作和音乐创作的系统可以产生连贯的多媒体叙事。这种整合使系统能够创作出复杂、多感官的内容，这是使用孤立组件难以实现的，展示了不同AI技术之间的协同效应如何促进新的创造性表达形式。
为了利用CAS的优势，开发人员和研究人员正在探索各种构建方法。下面提到的两种关键方法：
- 神经符号方法：这种策略结合了神经网络在模式识别和学习方面的优势，以及符号AI的逻辑推理和结构化知识处理能力。目标是结合神经网络的直观数据处理能力和符号AI的结构化、逻辑推理。这种组合旨在增强AI在学习、推理和适应方面的能力。这种方法的一个例子是Google的AlphaGeometry，它使用神经大语言模型预测几何图案，而符号AI组件处理逻辑和证明生成。这种方法旨在创建既高效又能提供可解释解决方案的AI系统。
- 语言模型编程：这种方法涉及使用旨在将大语言模型与其他AI模型、API和数据源集成的框架。这些框架允许无缝结合对AI模型的调用和各种组件，从而支持开发复杂应用程序。利用LangChain和LlamaIndex等库，以及AutoGPT和BabyAGI等代理框架，这种策略支持创建高级应用程序，包括RAG系统和WikiChat等对话代理。这种方法侧重于利用语言模型的广泛能力来丰富和多样化AI应用程序。
开发CAS引入了一系列重大挑战，开发人员和研究人员必须解决。这个过程涉及到整合不同的组件，例如构建RAG系统涉及到结合检索器、向量数据库和LLM。每个组件都有各种选项，这使得复合AI系统的设计成为一个具有挑战性的任务，需要仔细分析可能的组合。这种情况进一步复杂化，因为需要仔细管理时间和金钱等资源，以确保开发过程尽可能高效。
一旦复合AI系统的设计确定，它通常经历一个旨在提高整体性能的细化阶段。这个过程涉及到微调各个组件之间的相互作用，以最大化系统的有效性。以RAG系统为例，这个过程可能涉及到调整检索器、向量数据库和LLM如何协同工作，以提高信息检索和生成的效果。与优化单个模型相比，优化像RAG这样的系统提出了额外的挑战。特别是当系统包括像搜索引擎这样在调整方面不太灵活的组件时，这种限制为优化过程增加了一个额外的复杂性层，使其比优化单一组件系统更为复杂。