专题演讲嘉宾：刘潇

大语言模型不仅展现了强大的语言理解和生成能力，也展现了一定的推理能力和作为自主智能体的潜力。本次报告将介绍从 GPT-3 开始，大语言自主智能体的概念和发展的 3 个阶段，重点介绍第 3 阶段，即当前正在发展中的基于 GUI 和推理模型的大模型自主智能体。相比此前的对话智能体和基于 Workflow 的智能体，自主智能体将实现通用的智能代理能力，走出场景特化的局限性。报告将重点介绍 Phone Use 和 Computer Use 自主智能体的发展情况，比较这些方案的优劣，以及在实际例子上的表现，并且探讨接下来的大模型自主智能体发展的方向。

演讲提纲

1. 引言

• 大语言模型的崛起与能力背景
• 自主智能体的定义与重要性

2. 大语言自主智能体的发展历程

• 大模型智能体的第一/二阶段：

  • 基于非自主工具调用的大模型智能体
  • 基于系统提示和 Workflow 工具调用的大模型智能体（GPTs）
  • 系统提示与 Workflow 工具调用的原理
  • 实际应用案例与效果展示
• 基于 GUI 和推理模型的大模型自主智能体（发展中）
  • 最新进展与技术亮点
  • GUI 和推理模型的集成方式
  • 当前阶段的挑战与解决方案
  • 初步应用与前景展望

3. 方案比较与实际表现

• 三种方案的优劣对比
• 在不同场景下的实际表现分析
• 用户反馈与评价

4. 大模型自主智能体的发展方向

• 技术趋势与未来展望
• 潜在的应用领域与市场机会
• 研究与发展的挑战与对策

您认为，这样的技术在实践过程中有哪些痛点？

• 我们注意到模型在性能和效率上存在挑战，如高计算资源消耗和响应速度问题，这直接影响了其泛化能力和鲁棒性，导致在新领域或面对异常输入时可能表现不佳。此外，由于模型决策过程缺乏透明度，解释性成为一大难题，这进一步影响了人机交互和用户体验的设计。为了保持模型性能，持续学习和更新是必要的，但这又带来了版本控制和知识迁移的问题。最终，这些技术挑战和社会接受度、公众认知紧密相关，需要通过教育和宣传来提升公众对这项技术的理解和信任，从而促进其广泛应用和普及。

演讲亮点

• 端到端模型自主预测

听众收益

• 深入理解大语言模型自主智能体的发展历程与未来趋势，全面了解从 GPT-3 开始的技术演进、阶段划分及每个阶段的代表性技术和应用，并获得关于该领域未来发展趋势的洞察，有助于提前布局和规划相关技术的研究与应用。
• 分享将详细剖析大语言模型自主智能体在实际应用中的挑战，如数据隐私、模型偏差、解释性缺失等，并提供相应的解决方案和最佳实践，使听众学习到如何在实际项目中有效应对这些挑战，提升模型的性能和可靠性。