情境工程2.0：重新定義人工智慧的「記憶」與認知 在人工智慧快速發展的領域，「理解」情境的能力不僅是一項功能，更是建構能夠真正與人類互動的系統的基石。谷歌人工智慧研究院(GAIR) 近期發布的一項研究架構對此進行了深入探討，提出了「情境工程2.0」這個系統性方法，旨在幫助人工智慧掌握情境資訊。情境工程的核心在於熵減過程：將人類意圖（對話、選擇、需求）中雜亂無章、非結構化的訊號轉化為結構化的、機器可理解的資料。研究人員認為，這是人工智慧發展真正認知能力的關鍵基礎。 讓我們來分析一下關鍵見解： 1. 二十年演進：從基礎情境到自適應情境 情境工程領域經歷了四個截然不同的發展階段，反映了人工智慧如何從僵化的基於規則的系統發展到更靈活、更像人類的理解： 階段1（21 世紀初）：專注於「靜態情境」－硬編碼預先定義的規則（例如，「如果使用者說X，則回覆Y」）。 階段2（2010 年代）：轉向「動態情境」－整合即時資料（例如，位置、時間或最近的互動）來客製化回應。 階段3（2020-2022 年）：介紹「多輪情境」－追蹤更長、多步驟的對話（例如，追蹤使用者在10 則以上訊息中的想法）。 - 第四階段（2023年至今）：進入「自適應情境」階段——使人工智慧能夠推斷用戶未明確表達的需求，預測用戶意圖，並在各種開放式任務中保持一致性（例如，個人助理同時處理日程安排、研究和日常聊天）。 這個發展過程反映了人工智慧從「被動式」到「主動式」的飛躍，情境資訊不再只是被存儲，而是被主動解讀。 2. 熵減框架：為何重要 從理論上講，情境工程根植於「熵減」的概念，該概念源自於熱力學，指的是秩序從混沌中湧現。在人工智慧領域，這意味著將人類行為中的「噪音」（歧義、矛盾、不完整的資訊）提煉成可操作的「訊號」（例如，使用者偏好、隱藏目標）。例如，如果用戶說“我需要找一份禮物”，人工智慧必須透過推斷來降低熵：什麼樣的禮物？為誰服務？預算？之前的提示？ 如果沒有這些訊息，人工智慧可能會預設給出通用建議，從而無法切中要點。 該框架提供了一個統一的視角來評估上下文系統：它們過濾無關數據、優先考慮關鍵資訊以及保持一致性的效果如何？例如，Claude 3 的「滑動視窗」上下文和Gemini 的「檢索增強生成」（RAG）都使用了熵減技術，但它們分別優化了不同的權衡——速度與深度。 3. 現任參與者：誰在情境工程方面做得最好？ 該研究重點介紹了情境工程的實際應用案例： Claude：擅長「長上下文保留」－它可以處理超過20 萬個詞元，使其成為處理複雜的多頁文件或長篇對話的理想選擇，且不會失去連貫性。 Gemini：使用「檢索增強生成」（RAG）技術，引入外部資料（例如即時新聞、使用者歷史記錄）來建立回應，透過整合最新情境資訊來降低熵值。 Manus（Google的AI助理）：展示了「具身上下文」的概念——它將上下文與實際操作聯繫起來，例如記住用戶偏好的左手工具或特定的廚房檯面佈局。 這些系統仍處於早期階段，但它們展示了情境工程如何超越文本，與視覺、語音和物理交相互結合。 4. 未來設計指南：下一步是什麼？為了推進情境工程2.0，研究人員概述了三個關鍵的設計優先事項： 情境抽象：超越原始數據，走向「抽象情境」－人工智慧應學會在細粒度細節（例如，「使用者提到下午3 點」與「使用者下午2 點有個會議」）和更高層次的模式（例如，「使用者對時間很敏感」）之間進行程式碼切換。 情境隱私：隨著情境變得更加詳細（例如，健康資料、個人歷史記錄），確保其安全儲存和使用，同時不損害使用者信任。 情境可遷移性：建立能夠跨任務（例如，旅行助理能夠記住過去的旅行記錄，從而為新的目的地調整推薦）和跨模式（例如，在不丟失情境的情況下從文字聊天切換到語音通話）「攜帶」情境的系統。 這對您（和您的業務）為何至關重要 無論您是在建立聊天機器人、個人助理還是大型語言模型，上下文工程都決定了您的人工智慧的「人性化」程度。它區分了「閱讀」文本的系統和「理解」意圖的系統。隨著人工智慧從“執行任務”轉向“與用戶協作”，掌握上下文熵減將是打造人性化工具的關鍵。
正在載入線程內容
正在從 X 取得原始推文，整理成清爽的閱讀畫面。
通常只需幾秒鐘，請稍候。