有人说2024年是大模型应用的元年，而大模型在未来的发展潜力毋庸置疑，这也就意味着人工智能技术是下一个风口，因此各种各样基于大模型技术的创业公司如雨后春笋般涌现。

从应用的角度来说，大模型的主要应用有以下几个方向Agent，AIGC，聊天机器人等，严格来说聊天机器人应该属于基于大模型知识库的问答系统。

而随着多模态大模型的出现，大模型的应用场景变得更加丰富与强大，但这并不意味着基于大模型的产品就完美无缺，反而是问题多多。

下面从应用的角度介绍一下大模型在各个应用方向上所面临的问题——AIGC， Agent，聊天机器人(知识库)

AIGC

AIGC是大模型应用的主要方向之一，所谓的AIGC就是AI生成内容，在AIGC之前还有PGC——专业生成内容和UGC——用户生成内容。

简单来说就是利用生成式AI的能力来生成文字，图像和视频等，替代或辅助人类进行创作。

当然，文字，图像，视频等只是AIGC应用的一个方向，其它还包括文档总结，视频总结，PPT，WORD处理，文生图，语音处理，数字人，人物仿真等多个细分方向。

但对大部分创业公司来说，他们无力承担开发训练和微调模型的成本，因此他们只能选择第三方大模型来构建业务系统。但问题是，第三方模型虽然经过大量的数据训练，但其在具体领域并没有进行特定的微调或训练，因此它生成的内容质量就成了一个很大的问题。

举例来说，某公司正在做一个文生图或视频的AIGC工具，使用的是第三方大模型。这个模型经过大量的数据训练，并且经过精心的微调，在大部分场景之下表现的都不错。

但问题是，如果应用到某些细分领域内，比如说现如今传统文化兴起，大量自媒体创作者使用AI生成一些古风的视频；可能这个大模型能够满足这种大众化的需求，但如果你的需求是生成一个小蝌蚪找妈妈的视频可能就没那么好了。

原因是什么？

大模型就像一个人，每个人都有其擅长的领域，比如齐白石擅长画虾，徐悲鸿擅长画马，虽然他们都是从事的绘画领域，但每个人擅长的点不一样，大模型也是如此。

因此，不论是在文本，图像，视频亦或者在其它AIGC领域，通用大模型都很难有良好的表现。

而如果想让大模型在某个方面表现的更好，那么就需要对大模型进行针对性训练，也就是微调；亦或者根据不同的场景开发一款新的大模型。

但这对很多公司是不现实的，不论是从成本上，还是从技术上，都很难做到。

想要解决这种问题，应该怎么办？

最好的方式就是把自己的业务限定在某个领域下的某个或某几个场景，而不是到处撒网，什么都想做。

Agent

智能体可以说是大模型技术的又一个主要应用方向，其主要技术就是通过大模型的自主规划能力，去自己分析问题，规划方案，然后调用外部工具完成任务。

举个例子，你是一个导游，你每天都需要发展新的游客，设计旅行方案，预订景点门票，住宿，饮食等。

如果使用Agent，你只需要告诉大模型我要做什么，大模型就能够帮你自动完成。比如让大模型帮你制定一份发展新游客，以及设计不同的旅行方案，同时还要考虑天气，路线等问题；并且，能够根据每个路线中的地点，制定详细的行程，以及安排好住宿与饮食等问题。

这就是Agent的作用，通过大模型自身的规划能力，通过提示词和思维链等技术，来自动分析问题，并解决问题。

但目前来说Agent技术还不够成熟，原因就是大模型的推理与分析能力还不够强大；比如你让它帮你制定一份旅行计划，它制定的计划，可能是早上还在成都看熊猫，下午就要直接去云南看洱海，晚上住在北京王府井。

而正常的形成应该是早上去熊猫基地看熊猫，中午在附近吃点饭，下午回到市区，晚上逛一下锦里和宽窄巷子，然后住在武侯祠附近的酒店，这才是一个有可能完成的旅行计划。

目前Agent的发展趋势主要是，通过大模型的推理能力，以及外部工具，使用工作流的方式把它们整合成一个能够完成特定任务的Agent；然后使用多个不同功能的Agent来共同完成一个更加复杂的任务。

比如说字节的coze 扣子Agent平台。

因此，对Agent的应用来说，提升大模型的推理和规划能力才是重中之重，如果无法解决这个问题，那么Agent就很难能够发展。

知识库

知识库技术，严格来说即属于大模型的一个应用方向，也属于对大模型能力缺陷的一种补偿。

我们知道，大模型天生就知识短缺，因为它不会主动学习，因为它的知识永远都停止在之前的某一个节点，除非你对它重新进行训练或微调，否则大模型就一直是什么样。

还有一点就是，大模型的训练数据是有限的，其次就是过多的数据可能会导致过拟合问题；因此，大模型在某些领域表现并不怎么好，而这也是知识短缺的一种体现。

因此，知识库的作用就出现了，知识库是对大模型知识短缺的一个补偿；通过构建一个外部知识库，让大模型每次回答问题之前，都先去知识库里查询一下相关的资料，这样就能够做到有的放矢了。

而且，大模型一个非常严重的问题——幻觉问题，也可以通过知识库的方式得到优化，减缓幻觉出现的概率。虽然，幻觉问题不知道是否能够真正解决。

而知识库同样面临着很多问题，知识库的难点主要不在大模型，而是在知识库的建设。

比如说，大量的资料数据怎么存储，存储完成之后怎么检索，怎么提升检索的效率与准确度；不同格式的资料数据怎么统一处理，怎么加载，怎么分析等等。

比如说，四大名著之《西游记》作为一本名著，如果把它加入到知识库中，然后用户想询问一些关于孙悟空的问题；怎么才能从《西游记》这本书中检索出相关性最高的内容。

比如说，孙猴子，孙悟空，齐天大圣，弼马温，泼猴，老孙等等都是和孙悟空相关的内容；那么用户输入其中的一种或几种，知识库是否能检索出相关度最高的内容。比如说是打白骨精，还是当弼马温，或者女儿国等等。

这就是知识库所技术所面临的问题，也是RAG(检索增强生成)技术需要考虑解决的问题。

基于人工智能大模型开发的聊天机器人，感兴趣的可以点击查看：

总之，大模型的应用还处于探索阶段，大家都是摸着石头过河，而且在不同的应用领域所面临的问题还不一样；比如说AIGC领域主要是提高大模型的输出内容，解决方案就是训练和微调；而Agent领域需要解决的是大模型的推理和规划能力；而知识库系统需要解决的却是知识的存储与检索问题。

而无论个人或企业最多能做好其中的一点或两点，很难有人能同时解决这三个问题。

这就是大模型的应用，以及所面临的问题和解决方案。