原文連結： Andrew Ng吳恩達-Snowflake演講
請歡迎 Andrew。
謝謝你。現在是一個非常適合當「創造者」的時代，我很興奮能回到 Snowflake Build。我今天想和大家分享，我認為 AI 最大的幾個機會在哪裡。你可能聽過我說過，我認為 AI 是「新電力」，因為 AI 是一種通用型技術，就像電力一樣。如果我問你「電力有什麼用？」這問題其實很難回答，因為電力可以應用在太多地方。同樣地，新的 AI 技術正在為我們創造一大批過去根本不可能出現的新應用機會。
AI 的應用層將創造更多價值
大家常問我：「Andrew，AI 最大的機會在哪裡？」這是我心中所謂的 AI 堆疊（AI stack）。在最底層是半導體，上面是雲端基礎設施，其中當然也包括 Snowflake，再上面是許多基礎模型訓練者和模型本身。而事實上，大部分媒體的炒作、熱度以及社交媒體上的話題，都集中在這些「技術層」上。當有像生成式 AI 這樣的新技術出現時，熱度都在這些技術層面上，這沒有問題，但我認為，幾乎可以說必然地，還有另一層必須發揮出更大的價值，那就是應用層。
因為需要這些應用來創造出更多價值和更多營收，才能支撐下面所有這些技術提供者的存在。所以我花了大量時間在思考 AI 應用，我相信最好的新機會將會出現在「打造全新事物」的這個領域。過去幾年有一個很大的趨勢，不可否認是受到生成式 AI 帶動，那就是機器學習模型的開發速度越來越快。尤其在生成式 AI 的幫助下，我們可以以前所未有的速度打造出東西。
舉個例子，比如要做一個情緒分析的應用，從文字中判斷這是正面還是負面，來做品牌聲譽監控。傳統的工作流程，使用監督式學習（supervised learning），可能要花一個月時間收集標記好的數據，再花幾個月訓練 AI 模型，然後再花幾個月尋找雲端服務部署平台，整個過程可能需要 6 到 12 個月才能建置出一個有價值的 AI 系統。這樣的過程沒有什麼不好，很多優秀的團隊就是這樣打造出高價值的 AI 系統。
生成式 AI 的快速原型開發
但是現在，有了生成式 AI，在某些類型的應用中，你可能只需要幾天時間寫出 prompt，然後在幾天內就能部署。這代表，很多過去需要幾個月才能打造出來的應用，現在可能 10 天左右就可以完成。這大大開啟了快速嘗試、打造新原型並且推出新 AI 產品的機會。
而這種快速原型開發帶來的結果之一就是，「快速實驗」成為一種全新的創新路徑。過去，如果一個專案需要 6 個月才能完成，你就需要反覆研究、確保有用戶需求、產品經理要充分調查並規劃好一切，再花力氣投入開發，希望最終結果值得。但現在，我看到快速行動的 AI 團隊有一種新的開發模式，就是「反正一個週末就能拼出原型，那我們不如做 20 個原型，看看哪些有搞頭。」如果最後 18 個都沒用，就直接放棄，專注在那兩個有潛力的上面。
所以「快速迭代、快速實驗」正在成為發明新使用者體驗的一條新路徑。一個有趣的影響是，「評估」或簡稱 evals，正在成為我們開發流程中的最大瓶頸。以前在監督式學習時代，如果你已經收集了 10,000 筆訓練資料，再多收集 1,000 筆測試數據，也不過是多 10% 成本，沒什麼大不了。但現在在很多基於大型語言模型的應用中，你根本不需要訓練數據。如果這時候還要你慢慢去收集 1,000 筆測試案例，這就成了一個很大的瓶頸。
所以現在新的開發流程，常常感覺是「開發和收集數據同步進行」，而不是傳統的「先收集數據，再開發」。你先做出原型，然後隨著這個專案變得越來越重要，對穩定性和可靠性的要求提高時，再逐步建立起測試集。我相信在如何建立評估系統上，未來還會有更多有趣的創新。
另外我看到一個現象是，雖然機器學習模型的原型開發速度變得非常快，但一個軟體應用從零到一仍然包含很多步驟。產品功能要設計好，軟體整合要順利，還有很多「水管工程」般的繁瑣細節。部署之後還要有 DevOps 和 LOps。雖然這些環節的速度也有加快，但還沒有像機器學習模型開發速度成長得那麼快。當開發流程中有一個部分快到極致時，它會對整個組織其他部分產生壓力，逼著大家也要跟著提速。這就是我最近看到很令人興奮的進展之一。
至於機器學習如何讓開發速度加快，我想說「快速行動並打破常規（move fast and break things）」這句話以前名聲不好，因為它真的會「打壞東西」。有些人因此認為我們不該走得太快。但我不同意，我覺得更好的心法應該是「快速行動，同時負責任（move fast and be responsible）」。
我看到許多團隊能夠很快寫出原型，同時也能非常嚴謹地進行評估和測試，在沒有正式推向市場、沒有對外造成任何損害或風險的前提下，就能快速開發並負責任地前進。我覺得這樣的節奏非常令人振奮，因為你真的可以快速打造出好東西。
並且以負責任的方式交付成果，而且速度比以往任何時候都要快得多。現在，AI 領域有許多發展，而在所有正在發生的 AI 發展中，就技術趨勢而言，我最興奮的一個趨勢是代理式（agentic）AI 工作流程。所以如果你問我，現在最重要的一個 AI 技術是什麼，我會說是代理式 AI。我想當我在今年年初開始說這句話的時候，這還是一個有點爭議的說法，但現在「AI agents」這個詞已經被技術人員和非技術人員廣泛使用，成為有點炒作的流行語。但讓我來分享一下我是如何看待 AI agents 的，以及為什麼我覺得它們很重要。
從技術角度來看，我們大多數人今天使用大型語言模型（large language models）的方式是所謂的零樣本提示（zero-shot prompting）。大致上就是，我們給它一個提示（prompt），請它寫一篇文章或為我們生成一個輸出。這有點像你去找一個人（或者在這裡，是去找一個 AI），要求它從第一個字開始，一直打字到最後一個字，一氣呵成，中途不能按退格鍵，就這樣從頭到尾寫完。結果發現，人類並不是以這種方式產出最好的寫作內容；但是，儘管這種強迫性的創作方式很困難，大型語言模型的表現還是不錯，做得相當好。
接下來，什麼是代理式工作流程（agentic workflow）？舉個例子，如果要生成一篇文章，我們會請 AI 先寫一個文章大綱，然後問它：「你需要進行一些網路研究嗎？」如果需要，那麼就下載一些網頁內容並放入大型語言模型的上下文中。接下來，我們再請它寫出第一版草稿，然後再請它閱讀這個草稿、進行批判性檢討，然後修訂草稿，如此循環往復。這種工作流程看起來更像是在進行一些思考、研究、然後修改，再回去繼續研究和思考的過程。雖然這個過程比較花時間，但最終可以產出品質好得多的結果。
在我合作的一些團隊中，我們把這種代理式工作流程應用在處理複雜、棘手的法律文件上，或是用於醫療診斷輔助、或是執行非常複雜的政府合規文書處理。在許多案例中，我都看到這種方式帶來了遠超以往的優秀成果。
在這場演講中，我還會特別著重在「視覺 AI（visual AI）」的發展，因為代理式 AI 工作流程正在幫助我們處理影像和影片資料，但這部分我稍後再談。事實上，有一些基準測試（benchmarks）似乎顯示，代理式工作流程確實帶來了更好的結果。
這裡有一個 HumanEval 基準測試（Benchmark），這是 OpenAI 使用的一個基準測試，用來衡量大型語言模型解決像這樣的程式編碼問題的能力。我們團隊也收集了一些數據，結果發現，在這個基準測試中，使用 POS K 基準指標時，GPT-3.5 模型的正確率大約是 48%；GPT-4 有了巨大的進步，正確率達到 67%。然而，從 GPT-3.5 到 GPT-4 的進步，反而還不及 GPT-3.5 在引入代理式工作流程之後的進步幅度，後者的正確率提升到大約 95%；而 GPT-4 加上代理式工作流程後的表現也明顯更好。
代理式 AI 工作流程的四大設計模式
事實上，在開發人員將代理式推理或代理式工作流程嵌入他們的應用時，我想總結出四個主要的設計模式：反思（reflection）、工具使用（tool use）、規劃（planning）、以及多代理協作（multi-agent collaboration）。
為了讓代理式工作流程不再那麼神秘，我想快速說明這些工作流程到底是什麼。我發現，代理式工作流程有時候看起來很複雜，但當你實際讀過一兩個範例的程式碼後，就會發現：「哦，原來就這樣啊，這真的很酷，但其實也沒有那麼複雜！」讓我以具體的例子快速說明反思（reflection）工作流程會是什麼樣子。
我可能會先給一個大型語言模型一個提示，設定它是一個「程式開發代理（coder agent）」角色，也許是一個輔助訊息，告訴它：「你的角色是負責編寫程式碼。」接著你可以要求它為某個任務撰寫程式碼。模型會產生一段程式碼後，我們可以將這段程式碼複製並重新貼回提示中，然後請它檢視這段程式碼並加以評論、找出問題並提出建議。
事實上，你用這種方式再次提示同一個大型語言模型，它往往可以發現一些潛在的問題，或者提供一些有用的建議來改善程式碼。接著，你可以再用這些反饋提示同一個大型語言模型，請它根據建議改寫出新版的程式碼。
同時，也預告一下接下來會講到的「工具使用（tool use）」：你還可以請大型語言模型運行一些單元測試，然後將測試回饋結果再餵給它，幫助它進一步改進。
這種反思工作流程不是魔法，不能解決所有問題，但通常能夠把原本的基礎表現拉升到更好的層級。此外，當我們提示大型語言模型去檢視自己的輸出、並利用自己的評論來改進，這也可以作為多代理規劃（multi-agent planning）或多代理工作流程（multi-agent workflows）的前奏——你可以讓同一個大型語言模型在一段對話中，有時候扮演「程式開發者」角色，有時候扮演「審查者」或「批評者」的角色，審閱並給出建議。這樣在同一個對話中，透過不同角色的設定和提示，就能讓大型語言模型時而專注編寫程式碼，時而提出有建設性的批評，結果也能帶來更好的表現。
所以這就是「反思（reflection）」這個設計模式。而第二個主要設計模式是「工具使用（tool use）」，在這個模式中，我們可以提示大型語言模型去生成一個 API 呼叫的請求，讓它自己決定什麼時候需要上網搜尋、執行程式碼，或者執行任務，比如發出客戶退款、發送電子郵件、或是叫出日曆條目。「工具使用」是一個主要的設計模式，它讓大型語言模型可以進行函式呼叫（function calls），我認為這擴大了我們透過這些代理式工作流程可以做到的事情。
接著快速說明「規劃（planning）」或「推理（reasoning）」設計模式。在這個模式下，如果你給出一個相對複雜的請求，例如「生成一張女孩正在看書的圖片」等等，那麼，一個大型語言模型——這個範例是改編自 HuggingGPT 的論文——模型可以先檢視這個需求，決定首先要使用一個 OpenPose 模型來偵測姿勢，接著再生成一張女孩的圖片，再來描述這張圖像，最後使用 TTS（文字轉語音技術）生成音訊。因此，在「規劃」過程中，一個大型語言模型會面對一個複雜的請求，然後選擇一系列需要執行的動作，按步驟完成，來實現這個複雜任務。
最後，「多代理協作（multi-agent collaboration）」則是我前面提到的設計模式。它不是僅僅提示一個大型語言模型做一件事，而是讓它在不同時間扮演不同的角色。這些模擬出來的代理彼此互動，並一起解決任務。我知道有些人可能會好奇：如果你只是在使用同一個大型語言模型，為什麼需要讓它以多代理的形式來執行？事實上，許多團隊已經證明，使用這個設計模式在多種任務上能夠帶來顯著提升的表現。
實際上，如果你讓一個大型語言模型在不同任務之間專精、交替互動，許多團隊似乎都能因此獲得更好的結果。我覺得這裡也有一個可以參考的類比：如果你在一個 CPU 處理器上運行任務，為什麼需要多個進程（process）？畢竟它們最後都是在同一顆處理器上執行。但我們發現，擁有多個進程（processes）是一個對開發者很有用的抽象方法，可以把一個大任務分解成多個子任務。我認為「多代理協作」也是同樣的道理。如果你有一個龐大的任務，那麼可以想像你雇用一群代理人，各自處理任務的一部分，再彼此互動。這種方式有時候能幫助開發者構建出複雜的系統，最終交付出很好的成果。
所以我認為，透過這四大主要的代理式設計模式——反思（reflection）、工具使用（tool use）、規劃（planning）、多代理協作（multi-agent collaboration）——它們為我們打開了一個龐大的發展空間，讓我們可以用來建構功能豐富的代理人，做出坦白說，即使是一年前都不可能做到的事情。
而其中一個讓我特別興奮的面向是，不只是基於大型語言模型的代理（large language model-based agents），而是基於大型多模態模型（large multimodal model）的代理人崛起。舉例來說，給出一張圖片，如果你想要使用 LMM（大型多模態模型），你可以做零樣本提示（zero-shot prompt），就像是叫它瞄一眼圖片，然後直接告訴你結果。對於簡單的圖片任務來說，這是可以的，你可以讓它看一張圖片，然後給出像是「這裡有幾個跑者」這樣的結果。
但事實上，就像基於大型語言模型的代理人一樣，基於大型多模態模型的代理人也可以透過一個「逐步迭代的工作流程（iterative workflow）」來做得更好。你可以一步步地處理這個問題，先偵測人臉，再偵測號碼，然後把這些資訊組合起來。透過這種更反覆的流程，你實際上可以讓一個代理人進行計劃（plan）、測試（test）、寫代碼（write code）、再計劃、再測試、再寫代碼，最後擬定出一個非常複雜的計畫，並用程式碼清楚表達出來，來實現更複雜的任務需求。
所以，我現在想展示一個示範，是由 Dan Malone、我本人以及 HAI 團隊一起合作開發的關於「視覺 AI 任務的代理式工作流程」的實作。如果我們切換到我的筆電畫面，我這裡有一張足球比賽的圖片。然後，我會說：「來數一下場上有多少球員。」順帶一提，如果你不知道該怎麼提示它，在上傳圖片之後，這個小燈泡圖示會給出一些提示範例，你可以參考。好，那我來執行這個範例：「count players on the field」（數場上有多少球員）。
這個請求會啟動一個過程，實際上會跑個幾分鐘，去「思考」如何編寫程式碼，來擬定出一個計畫，給出準確的場上球員數量。這其實有一點複雜，因為你不希望把背景裡的人也算進去，只應該計算場上的球員。我已經預先執行過這個過程，所以我直接跳到結果畫面。最終結果顯示：模型判定場上共有 7 名球員。
我想這應該是正確的，數一數：1、2、3、4、5、6、7。如果我放大來看模型的輸出結果，現在數一遍：1、2、3、4、5、6、7，的確是對的。並且，這個模型的輸出結果中也包含了它所生成的程式碼，這段程式碼你可以反覆執行。它實際上生成了 Python 程式碼，如果你想要的話，可以在大量圖像資料上重複使用這段程式碼來處理。
我覺得這很令人興奮，因為現在有很多公司和團隊，其實都擁有大量的視覺 AI 數據，手上有很多圖片和影片，只是都儲存在某處，但直到現在為止，一直都很難真正從這些資料中產生價值。而這樣的視覺代理（Vision Agent）能力，讓這些過去只被丟在物件儲存（Blob Storage）裡的數據，可以開始真正發揮價值。我覺得這對 AI 而言是一個巨大的轉變。
這裡還有另一個範例。假設我們有一段影片（又是一場足球賽），任務是：「將影片切割成 5 秒一段的短片，找到有進球的那段影片片段，並顯示那個畫面」。我之前已經跑過這個範例，因為需要一點時間來執行並評估程式碼，以下是結果的輸出：它找到進球發生在 10 到 15 秒之間。大概就是這裡，沒錯，這就是進球。並且，它也如指示般，將相關畫面抓取出來。這對於處理影片數據真的非常有幫助。
或許我再展示最後一個 Vision Agent 的範例，你也可以請它寫一段程式，把輸入影片分割成每 6 秒一段的小影片，描述每一段的內容，並將這些描述資訊儲存在一個 Pandas 資料框（DataFrame）中，裡面包含片段名稱、開始時間和結束時間，然後再回傳這個 DataFrame。這讓你可以對手上擁有的影片數據產生 metadata（中繼資料），之後你就可以將這些資料儲存在 Snowflake 等資料平台中，未來還可以建立其他應用。
這裡也給大家看一下它的輸出結果：裡面有 clip 名稱、開始時間、結束時間，然後它還寫出了可以另外執行的程式碼。如果你願意，可以把它放到一個 Streamlit 或其他前端裡，透過 Vision Agent 的幫忙來幫你寫好這些代碼。
我的團隊 Landing AI 利用 Vision Agent 的這個能力，實際上還打造了一個小型 demo 應用。我們不是自己手寫程式碼，而是讓 Vision Agent 自己產生程式碼，來建立這些 metadata，然後將大量影片的中繼資料做成索引。舉個例子，我可以在系統裡面搜尋「skier airborne」（滑雪者飛躍時刻）。我其實之前已經先執行過，希望現在也可以順利跑出來。
這個 demo 展示的就是：我們已經先透過 Vision Agent 把影片切成片段、儲存好中繼資料。當我搜尋「skier airborne」的時候，它就會顯示出最符合這個關鍵字的片段。你可以看到時間軸上標記綠色的部分，就是滑雪者在空中的時刻。真的很有趣！我還可以試另一個範例：「gray wolf at night」（夜晚的灰狼）。系統會幫我找出影片中與「夜晚灰狼」最相關的片段，綠色區域就是匹配結果。如果我跳到影片中其他部分，顯然也有其他內容，但那些不是灰狼在夜間的畫面。
真的很好玩！再舉最後一個例子——我最近常在外面旅行。如果你的行李是黑色行李箱，問題來了：現場有太多黑色行李箱了。如果我搜尋「black luggage with rainbow strap」（有彩虹織帶的黑色行李箱），系統就能夠幫我找出最符合這個描述的行李箱。可以看到，這個系統可以做出非常有趣的應用。
我覺得最棒的一點就是，開發這些應用所需要投入的工作量，比以往少非常多。
代理式協調層的崛起
回到簡報，我剛才講了一些有關代理式工作流程（agentic workflows）的內容，以及這如何正在改變 AI 的整體技術堆疊（AI stack）。在傳統的 AI 技術堆疊之上，現在其實有一個正在崛起的「代理式協調層（agentic orchestration layer）」。過去就有像 LangChain 這樣的協調框架，而這些工具也正在進化成更加「代理式」的模式，例如像 LangGraph 就是個例子。這個新的「代理式協調層」讓開發者能更輕鬆地在其上面開發出更複雜、更智慧的應用程式。
我希望 Landing AI 的 Vision Agent 能夠成為其中一項貢獻，幫助你更輕鬆地打造視覺 AI 應用，來處理你手上那些可能早就擁有、卻一直難以從中獲取價值的圖像和影片資料。不過，在離開這個主題之前，我想跟大家分享我認為現在四個最值得關注的重要 AI 趨勢。AI 的發展實在太多元，根本不可能在一張投影片上就總結所有內容；但如果你要我只能選出「最重要的一個趨勢」，我會說是「代理式 AI（Agentic AI）」。
未來 AI 的四大趨勢
但除了這個之外，還有四個我認為非常值得關注的趨勢：
第一個趨勢： 代理式工作流程需要讀取大量的文字或圖片，同時生成大量的文字內容，也就是需要產生大量「tokens（字元單位）」。現在有很多令人振奮的努力，正在讓 token 生成的速度加快，包括像是 Sova、ServiceNow、Drop.ai 等公司在半導體層級的創新，以及許多軟體和硬體層面的優化。這些進展將會讓代理式工作流程的運作變得更加流暢與高效。
第二個趨勢： 現今的大型語言模型（LLMs）最早主要是針對回答人類問題以及執行人類指令進行優化的，像是：「為什麼莎士比亞會寫《馬克白》？」或「解釋一下莎士比亞為什麼會創作《馬克白》？」這類問題是過去 LLM 最常見的應用場景。但代理式工作流程需要的是「工具使用（Tool Use）」這類的操作能力，而不只是回答問題。現在，越來越多的大型語言模型開始被專門調整成能夠支持工具操作。就在幾週前，Anthropic 也推出了一個支援電腦操作的新模型。這些發展都非常令人興奮，因為它們將顯著提升 LLM 在代理式任務中的上限，讓模型不只是回答問題，而是能夠直接融入這類反覆迭代的代理式工作流程。
第三個趨勢： 資料工程的重要性正在提升，尤其是針對非結構化資料（unstructured data）。傳統機器學習大部分的價值是建立在結構化資料上，例如表格和數字。但隨著生成式 AI 的崛起，我們現在處理文字、圖像、影片，甚至音訊的能力，比以往任何時候都更強。因此，企業需要投入更多資源在非結構化資料的管理、建立這些資料的中繼資料（metadata），以及如何部署、分發非結構化資料到正確的位置，才能創造真正的商業價值。這將會成為大型企業未來的一個重大工作重點。
第四個趨勢： 文字處理革命已經到來，圖像處理革命雖然還處於相對早期階段，但它也正快速逼近。一旦圖像處理革命全面開展，許多企業都會從自己過去難以利用的視覺資料中挖掘出極大價值。我非常興奮，因為這將會大幅拓展我們可以打造的新應用領域。
總結來說，現在是創新者最好的時代。生成式 AI 讓我們能以比過去更快的速度進行實驗，代理式 AI 更是擴大了我們能夠實現的可能性，許多以前根本做不到的應用，如今都可以被打造出來，無論是在視覺 AI 領域，或其他領域。
如果你對我剛剛示範的視覺 AI demo 有興趣的話，可以直接上網到：va.landing.ai，你可以親自體驗我所展示的 demo，還可以取得程式碼，自己下載並在自己的應用中運行。