成本 2 元开发游戏，最快 3 分钟完成！全程都是 AI 智能体“打工”，大模型加持的那种

金磊 发自 凹非寺 量子位 | 公众号 QbitAI

家人们，OpenAI 前脚刚发布自定义 GPT，让人人都能搞开发；后脚国内一家大模型初创公司也搞了个产品，堪称重新定义开发——让 AI 智能体们协作起来！

只需一句话，最快 3 分钟不到，成本也只要 2 元多，“啪~”，一个软件就开发完了。

例如开发一个红包雨的小软件，现在只需要说一句就好了：

“红包雨”是一个点击小游戏，红包的外观是红色高瘦的圆角矩形，红包缓慢地从上方掉落，每个红包间距相等 ，没有重叠，鼠标点击任意一个红包，红包便随着互动点击而消失，同时显示一个吉利的数字，表示抢到这个红包得到了多少钱。

更重要的一点是，在开发的整个流程中，从产品经理到程序员，再到设计和测试等等，统统都是 AI 智能体！

没错，全程你只需要提需求，剩下的智能体们会自己讨论、交流，甚至还伴随着 battle，最终确定方案并执行。

要知道，常规软件的开发周期是在 2-3 周，且成本在 10000-50000 美元之间（包括人力）；如此对比起来，可真的是大写的“降本增效”！

这款神器便是 ChatDev，是由面壁智能最新推出的 SaaS 级智能软件开发平台。

其实早在两个月前，“ChatDev 智能体协作开发框架”就已经在 GitHub 上开源，并多次霸榜 Trending 排行，目前已经揽获近 17000 颗 star。

而此次面壁智能之所以推出产品版，就是为了把这种“一句话搞开发”的门槛再次“打下去”。

现在有了它，搞开发可以说拼得不再是技术了，拼得更多的反倒成了创意。

宛如身边有一只哆啦 A 梦，只要你敢想，它就敢给你“造”出来。

那么产品版 ChatDev 正在带来什么样的改变？又是如何做到的？

产品开发变了：可以把更多创意塞进去

在产品版 ChatDev 加持之下，开发的迭代，也变成了有想法就行的事。

例如你想把“红包”替换成你想要的元素，同样也是只需要一句话的那种。

然后 AI 智能体们就又开始了新一轮工作流程，这次，我们来具体看看它们之间到底是怎么展开工作的。

我们还是先以刚才红包雨的 demo 为例。

首先，就像刚才提到的，我们需要做的就只有填写好“项目名称”和“Prompt”。

而且即便 Prompt 写得不好，在 ChatDev 旁边也有一个“一键润色”的功能，自动帮你把需求补充完整。

然后我们就能看到 AI 智能体们就开始“搓搓小手”准备干活儿了。

CTO 先发话，大概意思就是：

来活儿喽！客户要搞个“红包雨”~

紧接着

CTO 详细地拆解了这个需求，把项目要做的每一步都罗列了出来：

任务下达之后，就轮到

程序员发力了。

只见他不费吹灰之力，立即给出了一段 Python 代码：

代码完成之后，还有会有一位

AI Counselor，会对整个项目做个总结，并将逻辑、结果等等一并奉上：

整个对话过程可谓是非常丝滑，我们就像一位尊贵的客户，静静地看着这些“AI 员工”有条不紊地推进着项目。

不得不感慨，现在搞开发，真的成了有想法就行的事儿了。

例如网络爬虫、数据库读写、文件批处理、网页设计这样的编程助手；像五子棋、贪吃蛇这样的休闲小游戏；再如数字时钟、计算器、绘画板、图片编辑器这样的效率管理和创作辅助工具。

统统都能 hold 得住~

怎么做到的？

从早期披露的消息和论文中可以看到，最初的 ChatDev，是团队设计了一套由群体智能串联起的 ChatChain（交流链）。

可视为由原子任务组成的“软件生产线”，通过专业角色的智能体进行对话式信息交互和决策，驱动其进行自动化全流程软件工程。

然而，应用的创新离不开基础模型能力的提升，随着面壁智能推出 SaaS 版 ChatDev，我们发现其自研的基座模型也有了新的版本——

面壁智能自研的新一代千亿参数大模型——CPM-Cricket（CPM 全称为 Chinese Pretrained Model) 。

据了解，CPM-Cricket 是面壁智能的第三代模型，前两代分别为 CPM-Ant、CPM-Bee。

（有意思的一点是，每一代模型的名字是按照英文字母的顺序为首字母，并取一个昆虫的英文单词来命名。）

至于 CPM-Cricket 的能力几何，一言蔽之，是在逻辑、代码、知识、指令理解等方面有了大幅提升，且全面超越 Llama 2 的那种。

在经典的 LLM 评测集（HumanEval、C-Eval、MMLU、MBPP、CMMLU、BBH 等）中，CPM-Cricket 表现如下：

或许这样的一组数据并没法带来非常直观的感受。

那么同样是基于 CPM-Cricket 的类 ChatGPT 产品——Luca 3.0，把它“丢”进公考场景之后的表现，便可以让 CPM-Cricket 的能力变得更一目了然了。

题目是这样的：

选取 2022-2023 年的公考试题，包括常识判断、数量关系、资料分析、判断推理、语言理解与表达等多种题型的 425 道试题。

例如面对下面这道单选题，Luca 3.0 不仅可以秒速作答，还能将每一步的解题步骤详尽地列出来：

即使是面对话术弯弯绕绕、真人看了都需要反应一会儿的逻辑题目，Luca 3.0 的回答也是游刃有余：

可以说，Luca 3.0 在这套题上的表现是做到了“快”和“准”。

而与之同台竞技的选手，面壁智能所选取的也是业界相对标杆的大模型，GPT-4。

不难看出，在重要的常识判断和判断推理两项能力中，Luca 3.0 相比 GPT-4 已经能够保持相对的优势了。

不仅如此，在英文测试环境中，Luca 3.0 在 GMAT 官方模拟考试题中的表现，同样也是 GPT-4 整体相当（其中阅读达到 GPT-4 的 97%水位）。

而 Luca 3.0 之所以能够取得这般成绩，除了背后 CPM 大模型升级这个因素之外，面壁智能在微调方面也做了相应的策略：

一是课程学习（Curriculum learning，CL）的训练策略，模仿人类的由易到难的学习过程，先在预训练中让模型学习底层推理规律，然后在对齐阶段学习人类的逐步推理思维。

二是思维链（Chain-of-thought，CoT）策略，对推理过程分解，让模型的推理更加具有可解释性。

（PS：目前 Luca 已经正式面向公众开放服务，是可以免费体验的那种哦~）

在底层基础设施的其他方面，例如训练、压缩和推理，面壁智能也自研了自己的一套打法：

• BMTrain：大模型高效训练框架

• BMInf：大模型高效推理框架

• BMCook：大模型高效压缩框架

据说其大模型已集成超过 16000 多个真实 API，可实现一键接入，调用工具解决更多复杂任务。

此外，面壁智能还部署了 Int8 量化模型，让模型推理成本降低 50%。

总结来说，面壁智能探索了出更为低成本、高效率的模型训练方法，让大模型不仅能“训出来”，还能“训得好”、“用得好”。

这可能就是这家创业公司推动“大模型+Agent”应用落地的实力和底气。

还有更大的一盘棋

不过除此之外，基于大模型底座的基础能力，面壁智能还曾开源了两项重磅的工作——AgentVerse 和 XAgent。

加上之前我们提到的 ChatDev，三者共同形成了面壁智能的“三驾马车”，围绕的核心便是 AI 智能体。

AgentVerse 是一个大模型驱动的智能体通用平台，它的作用就是打造各式各样的 AI 智能体，让它们具备感知、思考、推理、理解、协作和执行的能力，以便“组团打怪”。

XAgent 是大模型驱动的 AI 智能体应用框架，它可以让智能体们具备自主规划和决策能力，能够理解人类指令，制定复杂计划并自主采取行动完成任务。

而 ChatDev 则更为聚焦，是大模型驱动的多智能体协作开发框架，采用软件工程瀑布模型的思想，将软件开发分为软件设计、系统开发、集成测试、文档编制四个主要环节。

但若是我们将此次发布的所有“单节点”联系到一起，就能发现，面壁智能实则是在下一盘更大的棋——

左手大模型，右手 AI 智能体，要打造的是一个智能体网络（Internet of Agents，IoA）。

因为在面壁智能看来，我们已经经历了从互联网到物联网的过渡，而接下来的驶向便是智联网。

如果说互联网是二维信息的联通、物联网是三维空间的联结，那么智联网则是进入更高维度的智能体互联。

而在智联网中，AI 智能体应当是最为关键的存在，它可以是拟人的原生智能体，也可以是现实中的人和物体的数字孪生智能体。

通过智能体的连接，可以让 AI 真正为人类服务，提供价值（生产力的提升、交互方式的改变）。

以一个大胆的想象来比喻，可能在智联网的将来，家中的哪怕是一张桌子、一台冰箱，也会具备智能体的特性，可以与人和其它物体做智能交互。

而这，也正是面壁智能愿景的由来——智周万物：

“智”即 AI Agent 智能体；“万物”可以是人，可以是物。

AI Agent 智能体网络是连接现实世界与虚拟世界的桥梁，并使其真正交互和协作起来，创造价值。

不过有一说一，智联网的理想虽好，但现实的情况是，即使是 ChatDev 和第三代大模型的发布，也只能视为迈向愿景的一步。

那么面壁智能是否有足够的实力能够在将来解锁“智周万物”呢？

关于面壁智能

对于这个问题，我们首先就要看一下面壁智能的团队实力如何。

从官方披露的消息可知，面壁智能成立于 2022 年 8 月，CEO 为李大海，首席科学家是刘知远。

二人的学术、技术实力已然是不容小觑。

李大海毕业于北大数学系，后加入谷歌成为 Google 中国创始员工之一；再后来也有在众多知名企业担任技术负责人、CTO 等职务的经历，对技术体系的搭建和商业化落地有着丰富的经验。

刘知远是清华大学计算机系长聘副教授，主要研究方向为自然语言处理、知识图谱和社会计算。在人工智能领域著名国际期刊和会议发表相关论文 200 余篇，Google Scholar 统计引用超过 3.7 万次，学术造诣可谓是十分深厚。

不仅如此，官方展示的“顾问”成员也是非常重量级，包括两位清华大学计算机系教授——孙茂松和刘洋。

不难看出，面壁智能是妥妥一家“清华味”十足的大模型初创企业。

除此之外，其在产学研生态道路上也有自己独特的打法，即“一体两翼”。

“一体”指的正是面壁智能，而“两翼”则是 OpenBMB 和清华 NLP 实验室。

据了解，OpenBMB 是面壁智能团队在 2021 年与清华 NLP 实验室共同成立的国内领先大模型研发与应用开源社区，社区宗旨为“让大模型飞入千家万户”。

目前除了 Agent 技术框架，OpenBMB 还开源了 CPM-Ant、CPM-Bee 10B 基础模型，BMTrain、BMCook、 BMInf 、OpenPrompt、OpenDelta 等大模型全流程加速工具包，为中国大模型开源事业做出了独树一帜的贡献。

清华 NLP 实验室，则是国内最早系统开展深度学习与大模型研究的单位，团队在国际顶级学术会议和国际权威期刊发表论文 200 余篇，引用近 44000 次，并获得多项最佳论文奖。

由此可见，无论是自身实力，亦或是“一体两翼”式的强强联手，面壁智能在技术这一块可以说是妥妥拿捏住了。