在机器学习的早期阶段，探索对于理解环境至关重要，但随着智能体学习的深入，利用已知策略以获取稳定回报变得更为重要。过多的探索可能导致错失最优行动带来的回报，而过多的利用则可能使智能体陷入局部最优，错失更好的策略。因此，如何在探索和利用之间找到平衡，是强化学习中的关键问题。

作为国内业务标杆的华为，在各个领域的布局可是错综复杂。在AI方面也是如此，甚至对华为业务很熟悉的媒体与分析师，都很难描述清楚华为的AI布局。为什么AI技术在华为，会发展成今天这样复杂的局面？

这两天参加了 OpenAI 的一些活动。有一部分是讨论 Agent/智能体系统在落地时，遇到的各种问题，以及一些可行的实践。这里我带来了一些笔记。 基于下面的这篇论文，地址是： https://openai.com/research/practices-for-governing-agentic-ai-systems

许多人都没弄清楚Agent和大模型的区别，以为Agent大模型的一种应用方式而已。其实，在很多方面，两者都有不同。

结合AI Agent，未来，我们或许可以进入更加便利的生活。那么，AI Agent究竟是什么？怎么理解AI Agent的未来和可能性？一起来看看本文的分享。

在红杉资本AI峰会第三期，吴恩达教授分享了对智能体工作流的看法。在本次演讲中，他谈到了AI agentic workflow，也就是智能体工作流的迭代模式，以及基于人工评估基准测试的效果分析，还谈到了自己对于AI智能体设计模式的四种分类，包括反思、工具使用、规划、多智能体协作。与此同时，吴恩达还分享了它对AI智能体的未来发展潜力的展望。

自从生成式AI兴起，掌握prompt能让AI工具更好为我们服务。而智能体的出现，让AI的使用门槛更是不断降低——都不用写Prompt了，直接用智能体就行了。

这是 Mistral 创始人 Arthur Mensch 在美国红杉 AI 活动上关于开源大模型与未来发展的分享。Arthur 表示，未来 5 年，AI 将向更加自主的智能体 Agent 和助手发展，能完成越来越多复杂任务，制作这样的智能体将变得越来越容易。

之前大家都是拿大模型来帮助自己工作和生活，或者是一些娱乐性的行为，那如果是让AI生成一个游戏，然后我们来玩，这个效果怎么样？这篇文章，我们来看看作者的尝试。

自由定制+不断调教，让用户与AI之间的关系不再是单向的情感联结，而是独一无二的念念不忘、必有回响。‍‍‍‍‍‍‍

强化学习是AI算法的一种，那这种算法的思路，是不是也可以用到自己身上呢？

期待已久的GPTs Store终于上线，而里面强大的GPTs让大家惊叹不已。不光是能提高自己的效率，还能“开发”一个 GPTs ，让 AI 来为他人提供服务，然后赚取回报。赚平台“分成”这种事情，我们如何去做？