在AI開發(fā)領(lǐng)域一個(gè)根深蒂固的觀念是模型能力決定一切。然而英偉達(dá)最新發(fā)布的研究卻給出了一個(gè)反直覺的結(jié)論——在AI智能體中真正決定任務(wù)成敗的往往是那根牽住模型的“韁繩”harness而非模型自身的智力水平?！绊\繩”是什么所謂“韁繩”在AI工程中指的是連接模型與外部環(huán)境的那套控制邏輯包括指令模板、工具調(diào)用接口、輸出解析規(guī)則、上下文管理等模塊。它決定了模型如何理解任務(wù)、如何調(diào)用工具、如何把原始輸出轉(zhuǎn)化為有效動(dòng)作。過去開發(fā)者通常把這部分視為“工程細(xì)節(jié)”認(rèn)為只要模型夠聰明一切都能自然解決。但英偉達(dá)的研究人員用實(shí)驗(yàn)證明事情遠(yuǎn)沒那么簡(jiǎn)單。他們?cè)O(shè)計(jì)了一系列任務(wù)讓AI智能體去完成其中既有代碼生成也有多步信息檢索等場(chǎng)景。實(shí)驗(yàn)中他們固定住底層模型不變單獨(dú)對(duì)“韁繩”部分進(jìn)行微調(diào)fine-tuning結(jié)果令人驚訝——智能體的整體表現(xiàn)顯著提升甚至在某些任務(wù)上超越了原始模型本身的能力邊界?！拔覀冇龅降膯栴}不是模型不夠聰明而是它不知道該怎么做?！庇ミ_(dá)研究員在論文中寫道“通過調(diào)整外部的控制框架我們可以讓一個(gè)中等水平的模型穩(wěn)定地完成高難度任務(wù)。”微調(diào)“韁繩”而非模型傳統(tǒng)微調(diào)需要修改模型權(quán)重成本高且容易導(dǎo)致災(zāi)難性遺忘。而英偉達(dá)提出的“韁繩微調(diào)”harness fine-tuning方式則完全不觸碰模型參數(shù)只優(yōu)化外層邏輯。這種做法有幾個(gè)突出優(yōu)勢(shì)其一訓(xùn)練成本極低不需要大型GPU集群其二可移植性強(qiáng)同一套微調(diào)后的“韁繩”可以無(wú)縫套用到不同模型上其三風(fēng)險(xiǎn)可控不會(huì)破壞模型原有的通用能力。研究還發(fā)現(xiàn)這種微調(diào)能讓智能體“不跑偏”not go off the deep end。在復(fù)雜的長(zhǎng)流程任務(wù)中模型經(jīng)常會(huì)出現(xiàn)上下文漂移、重復(fù)檢測(cè)、工具誤用等問題。而經(jīng)過微調(diào)的“韁繩”能夠更好地約束模型的探索范圍引導(dǎo)它沿著正確路徑推進(jìn)避免陷入無(wú)限循環(huán)或產(chǎn)生無(wú)意義輸出。行業(yè)風(fēng)向從“堆模型”到“調(diào)框架”這一研究為AI應(yīng)用層開發(fā)帶來(lái)了新的啟示。當(dāng)下許多團(tuán)隊(duì)在構(gòu)建智能體時(shí)優(yōu)先挑選最強(qiáng)的基座模型并花費(fèi)大量資源進(jìn)行提示工程或模型微調(diào)。但英偉達(dá)的成果顯示與其死磕模型不如把精力花在智能體的“外圍”架構(gòu)上——這或許是一條更經(jīng)濟(jì)、更高效的優(yōu)化路徑。事實(shí)上業(yè)內(nèi)已有類似實(shí)踐。OpenAI、Anthropic等公司在發(fā)布智能體API時(shí)也在不斷強(qiáng)化工具調(diào)用協(xié)議和函數(shù)定義機(jī)制這些本質(zhì)上都是“韁繩”的組成部分。英偉達(dá)此次研究的意義在于用系統(tǒng)性實(shí)驗(yàn)將這層直覺認(rèn)知上升為可量化的方法論并指出了獨(dú)立的微調(diào)空間。編者按AI工程化的重心正在轉(zhuǎn)移當(dāng)大模型的能力越來(lái)越同質(zhì)化競(jìng)爭(zhēng)的重心必然會(huì)從“模型”轉(zhuǎn)向“架構(gòu)”。英偉達(dá)的這個(gè)發(fā)現(xiàn)提醒我們重新審視AI系統(tǒng)的設(shè)計(jì)哲學(xué)真正決定產(chǎn)品體驗(yàn)的往往不是那個(gè)最耀眼的“大腦”而是圍繞大腦搭建的整套控制系統(tǒng)。對(duì)于開發(fā)者而言這意味著一個(gè)新的技能樹——學(xué)會(huì)如何馴服AI比尋找一個(gè)更聰明的AI也許更加重要。當(dāng)然這并非說(shuō)模型能力不重要。當(dāng)任務(wù)難度超出模型能力上限時(shí)再好的“韁繩”也可能無(wú)濟(jì)于事。但對(duì)于絕大多數(shù)實(shí)際應(yīng)用場(chǎng)景而言模型已經(jīng)足夠強(qiáng)大缺的恰恰是那套能把潛力釋放出來(lái)的“韁繩”。英偉達(dá)的研究正好為這條被忽視的優(yōu)化路徑提供了一個(gè)有力的注腳。本文編譯自TechCrunch。本文首發(fā)于贏政天下https://www.winzheng.com獲取更多深度技術(shù)內(nèi)容與資源歡迎訪問官網(wǎng)。