<mark id="oztn4"></mark>
0
今年 AI 智能體簡直火得不行，各種初創公司像雨后春筍般冒出，光是 Y Combinator 一家今年就已經投資了 94 家相關初創公司。
怪不得吳恩達說：“AI 智能體工作流程將在今年推動 AI 的巨大進步——甚至可能超過下一代基礎模型。這是一個重要的趨勢，我呼吁所有從事 AI 工作的人都關注它。”
雷峰網(公眾號：雷峰網)注意到，最近又有一家公司高調登場——這次是要在半導體領域搞事情。
這家名為 Alpha Design AI 的初創公司由王威廉創立，目標是顛覆傳統的芯片設計和驗證流程，打造出一套原生的人工智能電子設計自動化（EDA）系統。
目前，Alpha Design AI 已經完成了由 ScOp Venture Capital 領投的種子融資，成功籌集 309 萬美元，其他投資方還包括 Impact Assets、Amino Capital 以及多位半導體領域的高管和天使投資人。
在這筆投資的加持下，Alpha Design AI 的旗艦產品 ChipAgents 得以快速上線，這也是世界上第一個用于芯片設計和驗證的 AI 智能體。
憑借頂尖的生成式 AI 技術，ChipAgents 能夠無縫分析和生成 RTL 設計規范和代碼，還能搞定 Verilog 編寫，測試平臺的自動搭建更是不在話下，徹底擺脫手工編程的束縛。
而且，ChipAgents還能從仿真中實時學習，自主驗證和調試代碼，確保測試的全面性和質量，堪稱一站式解決方案。
ChipAgents 通過大幅縮短設計和驗證周期，加快了上市時間，降低了開發成本，最終目標是將 RTL 設計和驗證效率提高 10 倍，用更智能、更高效的芯片設計推動跨行業創新。
正如創始人兼首席執行官王威廉所說：“ChipAgents 標志著半導體行業設計和驗證方式的關鍵轉變。我們相信 AI 代理是解決復雜 EDA 挑戰并更快地將創新推向市場的關鍵。”
Alpha Design AI 團隊的技術背景也同樣讓人驚嘆。
創始人王威廉就不說了，大語言模型和生成式人工智能領域的先鋒人物，現任加州大學圣塔芭芭拉分校人工智能梅利坎普教席教授，還被評為 IEEE 人工智能十大值得關注人物。
董事會成員 John Bowers 也是一位大牛，Fred Kavli 納米技術講座教授、能源效率研究所所長，也是美國國家工程院院士。他有豐富的創業經驗，擔任過 Quintessent 和 Aurrion 等多家公司的聯合創始人。
另一位董事會成員 Ivan Bercovich 在之前被亞馬遜收購的 Graphiq 擔任工程副總裁，在此期間專注研究自然語言理解和生成技術，極其擅長結構化數據、對話系統和人機交互模型，現在是多家科技公司的董事會成員。
團隊里其他的成員也都是來自 NVIDIA、微軟、Meta、雅虎、Snowflake、Salesforce 和 NEC 等行業巨頭的資深人士，技術底蘊不容小覷。
最近 arxiv 收錄了一篇 AI 智能體的論文，論文提出了一種名為 G?del Agent 的框架，可以通過大型語言模型實現自主遞歸自我改進，能顯著提升任務表現，而且無需依賴人類設計的組件。
王威廉的名字赫然出現在了論文的作者欄里，而 ChipAgents 的一大賣點也是可以自主驗證和調試設計代碼，雷峰網猜測 G?del Agent 或許和 ChipAgents 的基礎框架有關。
而且對比現有的智能體，只有 G?odel Agent 可以不受任何限制地遞歸地改進自身。手工設計的智能體依賴于范圍有限且勞動密集型的人類專業知識，元學習優化智能體則受到了固定元學習算法的約束。
從論文內容來看，G?del Agent 使用了“猴子補丁”的方法。
猴子補丁技術允許智能體在執行過程中直接讀取和修改運行時內存中自己的代碼，使其功能能夠實時更新，而不受固定算法的限制。這種靈活性對智能體的自我改進能力至關重要。
論文還提到了 G?del Agent 的其他幾項核心功能，包括：
比如通過檢查運行時內存實現自我意識，動態代碼修改來完善自身邏輯，及其與環境互動等機制。這些功能讓 G?del Agent 可以像人一樣不斷學習、改進，甚至在每次遞歸迭代中變得更聰明。
通過檢查運行時內存實現自我意識：G?del Agent 通過檢查運行時內存，特別是 Python 中的局部和全局變量，來實現自我意識。這一能力使代理能夠提取和解釋構成環境和代理自身的變量、函數和類，符合系統的模塊化結構。通過自省這些元素，智能體獲得對自身操作狀態的理解，從而可以相應地進行調整。
通過動態代碼修改實現自我完善：G?del Agent 能夠進行推理和規劃，以確定是否需要修改自身邏輯。如果認為有必要進行修改，G?del Agent 會生成新代碼，動態地將其寫入運行時內存，并將其集成到其操作邏輯中。這種動態修改使其能夠在面對新挑戰時，通過添加、替換或移除邏輯組件來進化，從而實現自我提升。
環境互動：為了評估性能和收集反饋，G?del Agent 配備了與其環境互動的接口。每個任務都提供量身定制的環境接口，使其能夠評估性能并相應地調整策略。這種互動是遞歸改進過程中的反饋循環的重要組成部分。
遞歸改進機制：在每個時間步驟，G?del Agent 都會確定要執行的操作序列，包括推理、決策和行動執行。在完成操作后，G?del Agent 評估其邏輯是否有所改善，并決定是否繼續進行下一個遞歸迭代。隨著連續迭代，G?del Agent 的邏輯不斷演變，每一步都可能提升其決策能力。
目標提示和任務處理：目標提示告知 G?del Agent 它擁有提升邏輯所需的權限，并介紹可用的改進工具。該提示鼓勵 G?del Agent 充分探索其潛力，并利用工具進行自我優化。為了確保在不同任務中有效，為 G?del Agent 提供了一個初始策略，它將開始探索不同的策略，以分析其在優化性能方面的效率。
綜合以上技術，理論上來說 G?del Agent 允許無限的自我改進，但目前的大型語言模型（LLMs）存在一些局限性。為了解決這些挑戰，論文整合了幾種支持機制來提升性能：
先思考后行動：G?del Agent 在采取行動之前進行推理，這樣可以輸出推理路徑和分析，而不是立即執行操作。這種方法提高了決策質量，優先考慮規劃而不是魯莽行動。
錯誤處理機制：執行過程中的錯誤會導致智能體進程意外終止。為緩解這一問題，如果某項操作出現錯誤，G?del Agent 會停止當前序列，進入下一個時間步驟，并將錯誤信息保存下來，以改進未來的決策。
附加工具：G?del Agent 還配備了其他潛在的有用工具，如執行 Python 或 Bash 代碼和調用 LLM API 的能力。這些附加工具的加入加快了 G?del Agent 遞歸優化過程的收斂速度。
