执行摘要

人工智能 (AI) 领域的最新进展，尤其是在大型语言模型 (LLM) 方面，使得 OpenAI 的生成式预训练 Transformer (GPT)、谷歌的 Gemini、Anthropic 的 Claude 和 Meta 的 Llama 等模型家喻户晓。少数几家大型企业相继发布基础模型，讲述了一个线性的创新故事，但历史表明，创新之路远非如此。正如第二次工业革命中的电力最终催生了更可靠、更分布式的电力系统一样，基础模型正在为一些研究人员所称的“复合人工智能系统”铺平道路。这些系统包含一组不同的组件，其中包括至少一个人工智能模型和其他以模型未曾学习的方式操作数据的组件。^* 这些组件可以聚合对模型的多个调用、使用检索器插入上下文或使用工具扩展功能。复合 AI 系统可以提高基础模型在任务上的性能，并可使模型执行全新的任务。

以一辆自动驾驶汽车为例。汽车本身是一个复杂的系统，包括动力、推进、传感器系统等。汽车不能被单一的 AI 模型所取代，但子系统涉及模型和复合系统的设计决策。例如，一些制造商没有在其自动驾驶汽车中使用激光雷达 (LiDAR)，而是仅选择摄像头，而其他制造商则使用包括摄像头、激光雷达和雷达在内的传感器套件。处理这些信号以完成诸如物体检测之类的任务至少可以采用两种方法：为每种传感器或传感器类型训练单独的网络并组合预测结果（复合 AI 系统方法），或者训练一个融合所有传感器输入的单一模型（AI 模型方法）。在物体检测层面，模型和复合系统方法可以直接替代。这种互换性使得一种方法的经验教训可以促进另一种方法的改进。新的模型进步可以使复合系统利用这种能力；复合系统方法可以添加新的传感器网络，这可能会激发更高效的单网络数据融合模型，该模型可在传感器之间共享表示，从而加快物体检测速度。

系统到模型创新是一种新兴的创新途径，在过去十年中推动了多个突出领域的进步。系统到模型的进步包括：DeepMind 在 AlphaGo Zero 中将策略和价值计算融入单一网络；思路链式提示催生了 OpenAI 的 o1 模型；检索增强生成 (RAG) 中的 OneGen 单通道网络和 Cohere 的 Command R 系列模型；以及语言模型中用于 AI 安全训练的断路器。系统到模型的创新闭合了模型与复合系统进步之间的反馈回路，为前沿人工智能突破打开了大门，使其能够汇聚顶尖实验室之外更多元化的贡献。

近期趋势并非单一的模型到模型的进步路径，而是凸显了人工智能模型与复合系统创新之间的动态相互作用，其中一条路径的进展会导致另一条路径的突破。

图 A：人工智能模型与系统创新矩阵

促进人工智能进步的政策可能会使模型和复合系统开发者受益，但如今的争论更多地集中在提升模型能力上。如果近期系统到模型的进展预示着未来的趋势，那么政策制定者也应该为复合系统开发者设计定制的解决方案，以鼓励他们对人工智能未来的多重押注。系统级创新随着人工智能的传播而发展，并扩大了该领域前沿进展的贡献者群体。虽然通用技术在社会和经济中的传播往往比创新本身更为重要，但人工智能的传播不会在地缘政治真空中发生。²行业领导者已经在实施新的治理框架，而政府也在推行各种监管方法。

简介