聊几点收获:
- researcher视角看:找任务比较关键,类比做产品找pmf
一个好的通用的方法,常常会在早期囿于某些原因,无法展现出其通用能力。好的researcher应该有足够的sense能找到合适的任务以验证其潜力。比如transformer原论文是用来解决机器翻译任务的,结果这一模型在llm上大放异彩。
- llm只是实现agent的手段,或者理解成是llm当前最热门的应用。因为语言具有足够多的泛化性,加上当前llm智能足够好,所以language based agent能在今年大放异彩。不过,这并非实现agent的唯一通道。
- 新的交互方式是值得探索的。如果我们假设agent就是未来,那么当前产品上大多数针对人设计的接口(比如GUI)是否还是必需的,产品交互方式是否能有变革可能决定了这波llm应用的上限