近日，我們推出了企業級人工智能服務FactVerse AI（簡稱FAI），旨在用于探索、開發和實施基于人工智能的數字孿生技術。FAI的核心組成部分是LLM（基礎語言模型）、優化器（對基礎LLM進行調優和修改以滿足特定行業或應用領域的需求）、Agent（FactVerse多模態交互接口），提供一系列生成式AI工具與服務，可以廣泛應用于各種數字孿生場景。

    FactVerse AI 背后的技術形成

    大語言模型（LLM）

    關于LLM的論述已經有很多，其原理在這里我們就不再重復了。雖然LLM在定義上只是語言模型，但因為其訓練規模巨大，LLM在海量自由文本中學到了大量的知識，從而使得LLM擁有了許多隱藏的能力，讓人們看到了“通用人工智能”的影子。在FAI中，我們就是把LLM看做通用AI模型，以LLM為基石，構建一系列的周邊工具系統，挖掘LLM的隱藏能力，讓它能夠解決各種使用場景中的特定問題。能夠解決各種問題，才是企業服務所需要的。

    優化器（Modifier）

    如何挖掘LLM的隱藏能力，就要靠優化器了。優化器是我們自己內部的一種分類方式，并不只是一項特定的技術，而是多種技術的靈活組合。優化器（Modifier）在FactVerse AI中扮演著至關重要的角色。它是連接大語言模型和執行代理的關鍵橋梁，以最大限度地挖掘和利用LLM的能力，從而使執行代理能夠滿足多樣化的業務需求。簡單來說，優化器就是讓AI變得更加聰明，更能理解和適應具體任務。FAI中的優化器技術大致上可以劃分為幾類：

    提詞工程（Prompt Engineering）：這是一種通過設計和選擇恰當的輸入語句（即“提詞”）來引導LLM生成期望的輸出的技術。通過不同的提詞，可以限定LLM回答問題的范圍、方式等，挖掘出LLM的各種能力。

    基于知識查詢的長期記憶：LLM是通用語言模型，它內置的只是通用知識，對于特定領域的問題，LLM可能無法給出準確的答案。這時候，就需要利用知識庫將特定領域的文檔和問答灌入系統，在向量數據庫或搜索系統中形成“長期記憶”，生成時將相關記憶注入到提詞中，使LLM能夠回答特定領域的問題。

    基于預訓練LLM的調優（Fine-Tuning）：當提詞工程和知識庫類的長期記憶補充還不能滿足需求時，可以考慮采用調優技術。調優是真正的再訓練，雖然很難引入新的知識和邏輯能力，但卻能切實地改變LLM的輸出狀態和風格，讓LLM能夠更好地契合垂直領域。

    FactVerse多模態交互接口（Agent）

    有了大語言模型和優化器，FactVerse AI已經算是擁有了大腦，但真正想要讓AI來解決實際業務問題，我們還需要針對各種應用場景的使用端，這就是FactVerse多模態交互接口。Agent是用來解決實際問題的，這就注定了代理的多樣性。未來FactVerse AI會提供一系列的交互接口，同時也具備可擴展性（你可以看做類似ChatGPT Plugin的邏輯），針對特定場景定制專用接口。主要分為兩大部分：

    對話交互（虛擬人）：一種直接的方式，讓用戶能夠與FacVerse AI進行互動。FAI提供了一套虛擬人提詞模板，這些模板描述了企業中常見的崗位角色，用戶可以在創建虛擬人時指定崗位，使得虛擬人能以相應崗位的風格進行對話。用戶也可以自定義提詞模板來創建特定崗位的虛擬人。此外，虛擬人還可以搭載不同的知識庫，從而獲得專業領域的知識�；�于數字孿生技術，用戶可以賦予虛擬人三維形象，并在數字孿生場景中進行交互。

    內容生成：一種強大的生產力工具。用戶在構建數字孿生體\場景的時候，可以隨時利用FactVerse AI生成文本、語音、圖像（目前已經實現），未來還會生成視頻、3D模型等。另外，FAI還會逐漸支持FactVerse工具鏈中的特有功能，一些復雜性的、重復性的工作，可以逐漸交由FAI來完成，例如一鍵生成展示劇本，按照描述自動生成數字孿生體行為邏輯腳本等等，擁有巨大的想象空間。

    通過大語言模型、優化器和Agent的協同工作，FactVerse AI 將人工智能與數字孿生技術結合的可能性發揮到極致，重新定義了GPT時代下的數字孿生。