在AI開發(fā)領(lǐng)域一個根深蒂固的觀念是模型能力決定一切。然而英偉達最新發(fā)布的研究卻給出了一個反直覺的結(jié)論——在AI智能體中真正決定任務(wù)成敗的往往是那根牽住模型的“韁繩”harness而非模型自身的智力水平?！绊\繩”是什么所謂“韁繩”在AI工程中指的是連接模型與外部環(huán)境的那套控制邏輯包括指令模板、工具調(diào)用接口、輸出解析規(guī)則、上下文管理等模塊。它決定了模型如何理解任務(wù)、如何調(diào)用工具、如何把原始輸出轉(zhuǎn)化為有效動作。過去開發(fā)者通常把這部分視為“工程細節(jié)”認為只要模型夠聰明一切都能自然解決。但英偉達的研究人員用實驗證明事情遠沒那么簡單。他們設(shè)計了一系列任務(wù)讓AI智能體去完成其中既有代碼生成也有多步信息檢索等場景。實驗中他們固定住底層模型不變單獨對“韁繩”部分進行微調(diào)fine-tuning結(jié)果令人驚訝——智能體的整體表現(xiàn)顯著提升甚至在某些任務(wù)上超越了原始模型本身的能力邊界?！拔覀冇龅降膯栴}不是模型不夠聰明而是它不知道該怎么做。”英偉達研究員在論文中寫道“通過調(diào)整外部的控制框架我們可以讓一個中等水平的模型穩(wěn)定地完成高難度任務(wù)?！蔽⒄{(diào)“韁繩”而非模型傳統(tǒng)微調(diào)需要修改模型權(quán)重成本高且容易導(dǎo)致災(zāi)難性遺忘。而英偉達提出的“韁繩微調(diào)”harness fine-tuning方式則完全不觸碰模型參數(shù)只優(yōu)化外層邏輯。這種做法有幾個突出優(yōu)勢其一訓(xùn)練成本極低不需要大型GPU集群其二可移植性強同一套微調(diào)后的“韁繩”可以無縫套用到不同模型上其三風(fēng)險可控不會破壞模型原有的通用能力。研究還發(fā)現(xiàn)這種微調(diào)能讓智能體“不跑偏”not go off the deep end。在復(fù)雜的長流程任務(wù)中模型經(jīng)常會出現(xiàn)上下文漂移、重復(fù)檢測、工具誤用等問題。而經(jīng)過微調(diào)的“韁繩”能夠更好地約束模型的探索范圍引導(dǎo)它沿著正確路徑推進避免陷入無限循環(huán)或產(chǎn)生無意義輸出。行業(yè)風(fēng)向從“堆模型”到“調(diào)框架”這一研究為AI應(yīng)用層開發(fā)帶來了新的啟示。當下許多團隊在構(gòu)建智能體時優(yōu)先挑選最強的基座模型并花費大量資源進行提示工程或模型微調(diào)。但英偉達的成果顯示與其死磕模型不如把精力花在智能體的“外圍”架構(gòu)上——這或許是一條更經(jīng)濟、更高效的優(yōu)化路徑。事實上業(yè)內(nèi)已有類似實踐。OpenAI、Anthropic等公司在發(fā)布智能體API時也在不斷強化工具調(diào)用協(xié)議和函數(shù)定義機制這些本質(zhì)上都是“韁繩”的組成部分。英偉達此次研究的意義在于用系統(tǒng)性實驗將這層直覺認知上升為可量化的方法論并指出了獨立的微調(diào)空間。編者按AI工程化的重心正在轉(zhuǎn)移當大模型的能力越來越同質(zhì)化競爭的重心必然會從“模型”轉(zhuǎn)向“架構(gòu)”。英偉達的這個發(fā)現(xiàn)提醒我們重新審視AI系統(tǒng)的設(shè)計哲學(xué)真正決定產(chǎn)品體驗的往往不是那個最耀眼的“大腦”而是圍繞大腦搭建的整套控制系統(tǒng)。對于開發(fā)者而言這意味著一個新的技能樹——學(xué)會如何馴服AI比尋找一個更聰明的AI也許更加重要。當然這并非說模型能力不重要。當任務(wù)難度超出模型能力上限時再好的“韁繩”也可能無濟于事。但對于絕大多數(shù)實際應(yīng)用場景而言模型已經(jīng)足夠強大缺的恰恰是那套能把潛力釋放出來的“韁繩”。英偉達的研究正好為這條被忽視的優(yōu)化路徑提供了一個有力的注腳。本文編譯自TechCrunch。本文首發(fā)于贏政天下https://www.winzheng.com獲取更多深度技術(shù)內(nèi)容與資源歡迎訪問官網(wǎng)。