#吴恩达

1个月前

吴恩达老师：想让 AI 更强大，我们该往哪儿走？一个令人兴奋的新方向正浮出水面：并行智能体 (Parallel agents)。一直以来，提升 AI 能力主要靠三驾马车：更多的训练数据、更强的训练算力，以及更强的推理阶段算力 (test-time compute)。如今，让多个 AI 智能体 (AI Agent) 并肩作战，正成为一种扩展 AI 能力、提升性能的新浪潮。我们早就发现一个规律——这在我之前在百度带的团队和后来的 OpenAI 的工作中都得到了验证——那就是 AI 模型的性能，会随着数据量和训练算力的投入而稳步提升。如果你再让 AI 在推理（也就是解决问题）的时候多花点“力气”，比如让它像人一样思考、反思、迭代答案，它的表现还会更上一层楼。但问题是，这些方法会让用户等太久。而并行智能体，恰恰为我们提供了另一条路：既能提升结果质量，又不用牺牲用户的时间。推理模型生成内容时，是一个字一个字往外蹦的，所以运行起来可能很慢。同样，大多数的智能体工作流 (agentic workflows) 一开始也是按顺序一步步执行的。但现在情况变了：一方面，大语言模型 (LLM) 每个 token 的价格持续跳水，让这些“大力出奇迹”的方法在经济上变得可行；另一方面，产品团队也希望更快地给用户呈现结果。于是，越来越多的智能体工作流开始被并行化。这里有几个例子：现在很多做研究的智能体，会同时抓取多个网页并并行阅读，从而更快地综合信息，写出富有洞察力的深度研究报告。一些智能体编程框架，允许用户指挥多个智能体同时在同一个代码库的不同部分上工作。我们在关于 Claude Code 的短期课程中，就展示了如何使用 git worktree 来实现这一点。1 在智能体工作流中，一个迅速流行的设计模式是：让一个“劳工”智能体在后台花几分钟甚至更长时间去处理一项重度计算任务，同时派另一个“监工”智能体在前台不断向用户汇报简短的进度，让他们随时了解情况。从这个模式再往前走一小步，就演变成了多个智能体在后台埋头苦干，而一个“UI 智能体”则负责与用户沟通，甚至还能将用户的异步反馈传递给后台的“同事们”。对于人类管理者来说，要把一个像“开发一款复杂软件”这样的艰巨任务，拆解成能让工程师们并行处理的小任务，是一件非常困难的事；想让成百上千名工程师高效协作，更是难上加难。同样，如何为并行的 AI 智能体们“拆解任务”，也极具挑战。但好在，大语言模型推理成本的降低，让我们有底气用上“人海战术”。通过并行处理，我们可以消耗海量的 token 来换取更好的结果，同时又不会显著增加用户的等待时间。看到学术界也在积极探索这个方向，我备受鼓舞。例如，我最近读到一篇由 Ryan Ehrlich 等人撰写的论文《CodeMonkeys：扩展软件工程中的推理阶段算力》，读来津津有味。它展示了并行生成代码如何帮助你探索更广阔的解决方案空间。而王俊林（Junlin Wang）提出的多智能体混合 (mixture-of-agents) 架构，其组织并行智能体的方式简单得出奇：让多个大语言模型针对同一个问题给出不同的答案，再派出一个“总管”大语言模型，将这些答案博采众长，融合成最终的输出。当然，如何才能最好地利用并行智能体，还有大量的研究和工程问题等待我们去探索。但我坚信，未来能够高效协作的智能体的数量——就像能够高效协作的人类一样——将会是一个非常、非常庞大的数字。

#多智能体之争：Anthropic生态VS单智能体· 50 条信息

#吴恩达 #并行智能体 #AI #多智能体混合 #人海战术

1个月前

多学点人工智能技术知识。吴恩达老师的机器学习课程个人笔记

#人工智能 #吴恩达 #机器学习 #技术知识 #课程笔记

3个月前

如果你对MCP感兴趣，强烈推荐用1小时看一下这个课程。来自吴恩达的平台，anthropic 员工讲授。课程虽短，但短小精悍：把MCP的what、why和how都讲的很透彻。全程没废话，实操性强。课程适合什么人？即使不自己搭建mcp服务器，理解mcp的底层原理，对于普通用户也是极有价值的。脱离底层原理的why，只想学一点how层面的皮毛，在ai这件事上是行不通的。（好像任何事上，这种操作都行不通🤣 只不过在ai上尤其明显。不理解why，只教how的ai课程，本质就是割韭菜，有一个算一个）课程很短，门槛很低（尤其是现在有o3辅助学习），花一点点时间就可以刷完。5星级推荐！

#MCP #课程推荐 #吴恩达 #技术解析 #AI学习

3个月前

关于MCP，可以吴恩达和Anthropic官方合作的MCP学习视频（带中文字幕），1个小时了解清楚各种MCP的各种前因后果，拒绝浪费时间，链接放评论区了

#MCP #吴恩达 #Anthropic #学习视频

3个月前

最权威的 MCP 课程来了💥 国家队下场教你构建富上下文的 AI 应用⚡️ Anthropic 与吴恩达的 DeepLearning 正式合作课程发布！学习如何使用 MCP，整合各种数据源如 Google Drive，Notion 等综合回答问题

#MCP课程 #AI应用 #Anthropic #DeepLearning #吴恩达 #数据整合

6个月前

吴恩达老师建议：AI时代，一样要学编程，才让电脑懂你所想！ *** 今天有一些人不建议大家去学编程，他们认为人工智能（AI）会自动写代码，人类写程序的工作迟早会消失。但我认为，这种建议将来一定会被认为是历史上最糟糕的职业建议之一。曾经，一位获得图灵奖和诺贝尔奖的学者说：“程序员这个职业更可能消失，而不是变得越来越强大。因为计算机将越来越会自己给自己编程。” 我不同意这句话。那些告诉别人“别学编程”的建议是有害的。回到1960年代，那时程序员还是用打孔卡写程序的，必须一张张地打出孔洞，非常麻烦。后来人们用上了键盘和电脑终端，编程一下子容易了很多。但就在那个时代，西蒙却做出了前面的那个预言。今天仍有人在重复着他当年的观点：“未来计算机自己会编程，不需要人类了。” 可是事实上，历史不断证明：每当编程变得更简单时，就会吸引更多人加入，而不是更少。过去几十年里，编程的难度一直在下降： - 从最早复杂的汇编语言，发展到更简单的高级语言，比如C语言； - 从本地电脑，发展到云端环境； - 从纯文本编辑器，发展到集成开发环境（IDE）；到现在，又发展到AI辅助编程（甚至很多时候，我们都不再需要自己亲手写代码了，有人把这种轻松的方式戏称为“vibe coding 氛围编程”）。编程难度一步步降低，也意味着现在正是大家开始学编程的最好时机。我曾经说过，未来的技术精英会善用AI，成为某个领域的“10倍人才”，也就是一个人的影响力可以达到普通人的10倍。而达到这一点最好的方式，不是只做一个AI工具的用户，而是掌握足够的编程知识，学会如何有效地利用AI辅助编程工具。很多人问我：“AI 会不会抢走我的工作，我该怎么办？” 我的答案是：主动去学习AI、掌控AI。因为未来最重要的一种能力，就是明确告诉计算机你想做什么，并让计算机帮你做到。学会编程（或者学会怎么让AI帮你写程序）恰恰就是掌握这种能力的最好方法之一。之前我设计一门叫《人人都能学会生成式AI》的课程时，需要为课程生成一些AI艺术作品作为背景图。我找了一位学过艺术史的朋友来帮忙。他懂得用专业的艺术语言（比如画作风格、色彩搭配、艺术家的灵感来源）去跟AI工具（Midjourney）对话，轻松得到了非常漂亮的图像。而我自己不懂这些艺术语言，我试着去向AI描述，却怎么也达不到那么好的效果。同样的道理：无论你是科学家、分析师、营销人员、招聘人员，还是其他行业的专业人士，只要你懂一点编程，你就能更准确地告诉AI或AI工具你想要什么，得到更好的结果。因此，编程难度的不断降低，恰恰意味着现在是开始学习编程最好的时候。掌握软件的语言，清楚告诉电脑你想要的，才能真正让电脑帮你把事情做好。

#吴恩达 #编程 #人工智能 #教育

8个月前

看完吴恩达老师新年展望里，对大型系统中 AI 辅助开发遇到的挑战的陈述，恰好今天在公司领了个活儿，就是这个方向。公司想把团队做了几年的软件重做一遍，时间只给了两个月，从方案设计到产品开发，因为涉及到软硬件结合和复杂的功能实现，挑战不小。我也在思考，如果想实现这样的“挑战”，我们要怎么做，首先是常规手段: - 挑选开发和架构能力、配合推动能力强的成员组成精简的特殊产品开发测试小组 - 采用敏捷的开发模式，各个方向的开发紧密合作，降低沟通成本 - 所有流程规则从简，减少干扰打断，提升连续开发效率 - 提高自动化和工具化，测试提前介入单元和自动化测试 - 更清晰明确的架构，架构设计时更多架构伙伴充分论证，高内聚低耦合除此之外呢，就现有团队能力，想有更大幅度的提升，当然还有一个非常重要的外援 - AI ❗️ 过去团队 AI 主要用在编程环节，这次我想做一个复杂大型工程的 AI 实践，从开发方案、架构设计、新技术理解、产品方案评估、体验设计规范、辅助编程（介入到复杂业务逻辑和设计规范程度）、辅助测试用例编写和自动化测试、服务环境设计和部署等工程的全流程各个环节，都用不同的 AI 工具辅助。下周一敲定团队成员后正式开动，我打算把这个过程记录沉淀下来，分享到系列文章中，感兴趣的朋友可以先关注下图中的公众号 👇

#AI #吴恩达 #新年展望 #大型系统 #AI辅助开发 #挑战 #软件重做 #软硬件结合 #功能实现