将 Wolfram Tech 用作 LLM 系统的基础工具

基础模型需要基础工具

法学硕士（LLM）并非无所不能，也无法做到。它们所做的事情令人印象深刻，也很有用。它们应用广泛，在很多方面都像人类一样。但它们并不精确，而且归根结底，它们并非基于深度计算。

那么，我们如何补充LLM基础模型呢？我们需要一个基础工具：一个广泛而通用的工具，能够做到LLM本身做不到的事情：提供深度计算和精确的知识。

巧合的是，这正是我过去40年来一直在努力的方向！我开发Wolfram语言的目标始终是让世界上的一切都可计算。它旨在以连贯统一的方式整合算法、方法和数据，从而在一切可能的情况下进行精确计算。这是一项艰巨的任务，但我认为可以说它取得了巨大的成功——它推动了无数发现和发明（包括我自己的），涵盖了科学、技术及其他诸多领域。

但现在，不仅人类可以利用这项技术，人工智能，尤其是逻辑逻辑模型（LLM），也能从中受益。LLM 的基础模型功能强大，而结合我们的基础工具，LLM 的基础模型功能更加强大。随着 LLM 技术的日趋成熟，我们终于能够以一种标准化的通用方式，为 LLM 提供 Wolfram 技术的访问权限。

我认为这是一个重要的融合时刻。几十年来，我的理念一直是构建非常广泛且通用的技术——这与LLM基础模型的广度完美契合。LLM可以调用特定的专用工具，这对于许多特定的专业用途都非常有用。但Wolfram语言的独特之处在于它是一种通用工具——它能够让所有人都能访问到精确计算和知识所带来的强大力量。

但实际上，它的功能远不止于此。我从一开始就将 Wolfram 语言设计成一个强大的工具，它不仅用于执行计算，还用于以计算的方式表示和思考事物。我一直以为我是在为人类设计它。但现在看来，人工智能也需要同样的东西——而 Wolfram 语言为人工智能提供了一个完美的工具，让它们能够以计算的方式“思考”和“推理”。

还有一点值得一提。为了尽可能地实现可计算性，Wolfram 语言不仅内置了海量的功能，还提供了一个独特的统一枢纽，用于连接其他系统和服务。这正是如今能够将 LLM 基础模型与 Wolfram 语言这一基础工具高效连接起来的原因之一。

使用我们基础工具的技术就在这里

2023年1月9日，就在ChatGPT横空出世几周后，我发表了一篇题为《 Wolfram|Alpha：将计算知识超能力引入ChatGPT的途径》的文章。两个月后，我们发布了第一个ChatGPT的Wolfram插件（在此期间，我还写了一本很快走红的小册子，名为《ChatGPT在做什么……以及它为什么有效？》 ）。这个插件虽然规模不大，但却是一个良好的开端。然而，当时LLM（学习逻辑模型）及其相关生态系统还没有真正准备好迎接更宏大的发展。

最终，LLM是否真的需要工具？或者——尽管在我看来，这些根本性问题从一开始就相当清晰——LLM是否会神奇地找到一种方法自行进行深度计算？或者保证获得精确可靠的结果？即使LLM最终要使用工具，这个过程又该如何设计，部署模式又是怎样的？

三年过去了，许多问题都已明朗化。低分辨率微流控芯片（LLM）的核心功能已更加清晰（尽管我们对它们的科学认知仍存在诸多不足）。而且，至少就LLM目前所涵盖的模式而言，其应用价值的增长很大程度上取决于如何更好地利用和连接它们，这一点也变得更加明确。这种认识比以往任何时候都更加凸显了为LLM提供我们技术所代表的基础工具的重要性。

好消息是，现在有了更简化的方法来实现这一点——利用围绕LLM（层级模型）涌现出的协议和方法，以及我们开发的新技术。基础模型与我们的基础工具集成得越紧密，组合效果就越强大。最终，我们将把LLM的预训练和核心工程与我们的基础工具进行整合。但目前一种可以直接且广泛应用的方法——我们也为此发布了几款新产品——是基于我们称之为计算增强生成（CAG）的技术。

CAG 的核心理念是将我们基础工具的实时功能注入到 LLM 生成的内容流中。传统的检索增强生成（RAG）是将从现有文档中检索到的内容注入到内容流中。CAG 就像 RAG 的无限扩展，它利用计算能力动态生成无限量的内容，并将其提供给 LLM。CAG 内部技术较为复杂，我们花费了大量时间进行开发。但在部署方面，我们使其能够轻松集成到现有的 LLM 相关系统和工作流程中。今天，我们正式发布 CAG，这意味着今后任何 LLM 系统和 LLM 基础模型都可以访问我们的基础工具，并利用精准、深度计算和知识的强大功能来增强自身能力。