อัปเกรดสถาปัตยกรรมอัลกอริทึม Huawei MindScale: Agent อุตสาหกรรมบรรลุการวิวัฒนาการเวิร์กโฟลว์อัตโนมัติและคำสั่งอัตโนมัติ, การเพิ่มประสิทธิภาพ KV Cache เพิ่มประสิทธิภาพ 5.7 เท่า

อัปเกรดสถาปัตยกรรมอัลกอริทึม Huawei MindScale: เอเจนต์อุตสาหกรรมบรรลุการวิวัฒนาการด้วยตนเองของเวิร์กโฟลว์และระบบอัตโนมัติของพรอมต์ พร้อมการเพิ่มประสิทธิภาพ KV Cache ที่เพิ่มประสิทธิภาพสูงสุด 5.7 เท่า

ในรูปแบบการใช้งานต่างๆ ของโมเดลขนาดใหญ่ เอเจนต์อุตสาหกรรมที่ทำหน้าที่เฉพาะทาง ถือเป็นเครื่องมืออันทรงพลังในการเพิ่มประสิทธิภาพการผลิตและสร้างมูลค่า

อย่างไรก็ตาม อุตสาหกรรมนับพันประกอบด้วย ความรู้เฉพาะโดเมน ประสบการณ์ของผู้เชี่ยวชาญ และตรรกะการใช้เครื่องมือ จำนวนมาก ทำให้การสร้างแอปพลิเคชันเอเจนต์สำหรับอุตสาหกรรมมีอุปสรรคหลายประเภท

เพื่อเพิ่มประสิทธิภาพการพัฒนา อุตสาหกรรมได้เสนอเฟรมเวิร์กทางวิศวกรรมที่ยอดเยี่ยม เช่น Skills, OpenClaw เป็นต้น ซึ่งทำให้เกณฑ์การพัฒนาเอเจนต์เฉพาะทางลดลงเรื่อยๆ และยังทำให้ความต้องการในการเพิ่มประสิทธิภาพอัลกอริทึมหลายมิติสำหรับแอปพลิเคชันเอเจนต์เด่นชัดยิ่งขึ้น

ในบริบทนี้ ห้องปฏิบัติการโนอาห์อาร์คของหัวเว่ย ได้อัปเดต แพ็คเกจอัลกอริทึม MindScale สำหรับการใช้งานในอุตสาหกรรมบนเว็บไซต์อย่างเป็นทางการเมื่อเร็วๆ นี้ โครงการนี้ผสมผสานยีนส์นวัตกรรมอัลกอริทึมของห้องปฏิบัติการเข้ากับประสบการณ์ปฏิบัติทางธุรกิจอัจฉริยะในอุตสาหกรรมของหัวเว่ย จัดระบบความท้าทายทางเทคนิคของอัลกอริทึมในการเปลี่ยน “โมเดลขนาดใหญ่” ให้เป็น “กำลังการผลิต” ในยุคของเอเจนต์อย่างเป็นระบบ และให้ เอกสารทางเทคนิค และการนำโค้ด แอสเซนด์ ไปใช้งานที่สอดคล้องกัน เป็น “คู่มือเริ่มต้นใช้งาน” โดยตรงสำหรับผู้ใช้และนักพัฒนาอุตสาหกรรม

ความท้าทายหลักสี่ประการที่จำกัดการพัฒนาเอเจนต์อุตสาหกรรม

ในโครงการ MindScale นักวิจัยระบุความท้าทายสี่ประการในการนำแอปพลิเคชันเอเจนต์มาใช้ในอุตสาหกรรมอย่างแพร่หลาย:

• การบำรุงรักษาเวิร์กโฟลว์ด้วยมือ: ต้องพึ่งพาผู้เชี่ยวชาญในการ “แปล” กฎธุรกิจเป็นเวิร์กโฟลว์ของเอเจนต์
• การใช้ความรู้เดิมซ้ำได้ยาก: เส้นทางการให้เหตุผลและข้อเสนอแนะในอดีตไม่สามารถทำให้ระบบเอเจนต์วิวัฒนาการด้วยตนเองได้อย่างมีประสิทธิภาพ
• คอขวดด้านประสิทธิภาพการฝึกและการอนุมาน: ความต้องการในการปรับใช้และทำซ้ำโมเดลจำนวนมากซ้อนทับกับเส้นทางการคิดที่ยาวขึ้น ทำให้แรงกดดันด้านต้นทุนเพิ่มขึ้นอย่างรวดเร็ว
• การประเมินการให้เหตุผลที่ซับซ้อน: การให้เหตุผลหลายขั้นตอนและหลายเครื่องมือที่สอดประสานกัน ทำให้ตัวชี้วัดความแม่นยำเดียวไม่สามารถสะท้อนประสิทธิภาพของโมเดลได้อย่างแม่นยำ

บรรลุวงจรปิดของการวิวัฒนาการด้วยตนเองของเวิร์กโฟลว์และระบบอัตโนมัติของพรอมต์

เพื่อรับมือกับความท้าทายเหล่านี้ นักวิจัยของโนอาห์ร่วมกับหน่วยงานพันธมิตรหลายแห่ง ได้เสนอแนวทางแก้ไขของตนเอง

ตัวอย่างเช่น สำหรับสถานการณ์การพัฒนาเวิร์กโฟลว์ (Workflow) ที่พบบ่อยที่สุดในการพัฒนาเอเจนต์อุตสาหกรรม แพ็คเกจอัลกอริทึมประกอบด้วยอัลกอริทึมเอเจนต์ที่วิวัฒนาการด้วยตนเอง EvoFabric ต่างจากการสกัดเวิร์กโฟลว์ด้วยมือที่ต้องพึ่งพาประสบการณ์ของผู้เชี่ยวชาญอย่างมาก การใช้ SOP2Workflow สามารถสร้างเวิร์กโฟลว์ที่ปฏิบัติการได้โดยตรงจากเอกสารภาษาธรรมชาติและคลังเครื่องมือในอดีตได้อย่างรวดเร็ว

SOP การทดสอบฟังก์ชันเว็บไซต์ที่ผู้ใช้เขียน → เวิร์กโฟลว์ทั้งหมดที่สร้างขึ้นอัตโนมัติ

เพื่อให้บรรลุการสร้างเวิร์กโฟลว์ที่ยืดหยุ่นเช่นนี้ นักวิจัยใช้การนำเอเจนต์ไปใช้งานโดยใช้เคอร์เนลเอนจินกราฟสถานะ ซึ่งรองรับการผสมผสานโหนดกราฟหลายประเภท เช่น เอเจนต์และเครื่องมือ โดยเนทีฟ รองรับการเขียนใหม่และการประมวลผลการรวมกลุ่มของสถานะ เพื่อให้บรรลุการผสมผสานอย่างลึกซึ้งของเอเจนต์หลายตัว เครื่องมือหลายชนิด และรูปแบบความทรงจำหลายแบบ เอนจินกราฟยังรองรับการนำเข้าและส่งออกไฟล์ DSL เพื่อให้สามารถทำซ้าย้ายย้าย และปรับใช้กระบวนการอัจฉริยะที่ซับซ้อนได้อย่างรวดเร็ว

ในเวลาเดียวกัน กรอบอัลกอริทึมนี้ยังสามารถบรรลุ การวิวัฒนาการตามความทรงจำ ได้อีกด้วย — ในการดำเนินการหลายรอบ โมดูลความทรงจำใช้ความทรงจำของเส้นทางและผลการประเมินในขณะนั้นเพื่อสร้างบริบทการเพิ่มประสิทธิภาพจากประสบการณ์ ทำให้เอเจนต์ดีขึ้นเมื่อใช้งานมากขึ้น

ฟังก์ชันที่น่าสนใจอีกอย่างหนึ่ง คือ การทำให้โมเดลเริ่ม ทำ “การเพิ่มประสิทธิภาพพรอมต์” ด้วยตนเอง

ประการแรก ตามอัลกอริทึมการเพิ่มประสิทธิภาพพรอมต์ออนไลน์ SCOPE ที่เผยแพร่ล่วงหน้าแล้ว นักพัฒนาสามารถทำการเพิ่มประสิทธิภาพพรอมต์ออนไลน์ระหว่างขั้นตอนการให้เหตุผลแต่ละขั้นได้ โดยการฉีดข้อมูลที่มีประสิทธิภาพที่สกัดจากเส้นทางในอดีตเพื่อเพิ่มประสิทธิภาพพรอมต์อย่างรวดเร็ว ซึ่งสามารถเพิ่มความแม่นยำได้มากกว่า 20% ในสถานการณ์การให้เหตุผลแบบเอเจนต์ เช่น HLE และ GAIA

นอกจากนี้ นักวิจัยยังเสนอ “เครื่องมือเพิ่มประสิทธิภาพพรอมต์สำหรับโมเดลขนาดใหญ่” C-MOP ซึ่งผ่านกลยุทธ์การเลือกตัวอย่างและการอัปเดตเกรเดียนต์ที่เป็นนวัตกรรมใหม่ แก้ไขปัญหาความขัดแย้งของ “เกรเดียนต์ข้อความ” บรรลุการเพิ่มประสิทธิภาพพรอมต์อัตโนมัติตามข้อเสนอแนะจากตัวอย่างบวกและลบ ทำให้เกิดวงจรปิดของการเพิ่มประสิทธิภาพพรอมต์ที่แท้จริงในรูปแบบ “ข้อเสนอแนะ -> วิวัฒนาการ”

C-MOP: เครื่องมือเพิ่มประสิทธิภาพพรอมต์ที่ผสานการรับรู้ตัวอย่างสองทิศทางที่ถูกและผิดกับเกรเดียนต์โมเมนตัมตามเวลา

บีบศักยภาพของพลังการคำนวณและปรับให้เข้ากับระบบนิเวศฮาร์ดแวร์ในประเทศ

นอกจากเพิ่มความแม่นยำแล้ว MindScale ยังให้ความสำคัญกับการเพิ่มประสิทธิภาพประสิทธิภาพการฝึกและการอนุมานของโมเดลสำหรับสถานการณ์ในอุตสาหกรรม

ตัวอย่างเช่น TrimR ใช้ตัวตรวจสอบน้ำหนักเบาที่ได้รับการฝึกล่วงหน้าและปรับแต่งด้วยคำสั่งเพื่อตรวจจับออนไลน์และตัดตอนแนวคิดกลางที่ไร้ประโยชน์ โดยไม่จำเป็นต้องปรับแต่งโมเดลขนาดใหญ่หรือตัวตรวจสอบตลอดกระบวนการ และมาพร้อมกับระบบออนไลน์แบบอะซิงโครนัสระดับอุตสาหกรรม ซึ่งเหมาะกับสถานการณ์การผลิตที่มีการร้องขอพร้อมกันจำนวนมาก บนมาตรฐานเช่น MATH, AIME, GPQA และ LRM หลายรุ่น TrimR ลดเวลาแฝงในการให้เหตุผลลงอย่างมีนัยสำคัญ โดยแทบไม่ส่งผลต่อความแม่นยำ ในสถานการณ์ที่มีการร้องขอพร้อมกันจำนวนมาก สามารถเร่งความเร็วได้สูงสุดประมาณ 70% บรรลุ Test Time Scaling ในสถานการณ์การใช้งานจริง

TrimR: กรอบอัลกอริทึมการบีบอัดเชนออฟธอตแบบไดนามิกระดับอุตสาหกรรม

นอกจากนี้ เพื่อให้เหมาะกับแรงกดดันในการให้เหตุผลที่มีการร้องขอพร้อมกันสูงในสถานการณ์อุตสาหกรรม MindScale ยังให้โซลูชันการให้เหตุผลใหม่ที่อิงตาม KV Cache อีกด้วย ต่างจากโซลูชันทั่วไปที่ KV Cache เป็นเพียง “เครื่องมือเบื้องหลัง” ที่ใช้เพื่อเร่งการถอดรหัส นักวิจัยเสนอ KV-Embeddings ซึ่งมอง KV Cache เป็นการแสดงแทนน้ำหนักเบาแบบ “แถมฟรี” โดยไม่ต้องคำนวณเพิ่มเติมหรือจัดเก็บสถานะแฝงแบบเต็ม สามารถในสถานการณ์สำคัญ เช่น การให้เหตุผลแบบการแสดงแทนแบบลูกโซ่ (Chain-of-Embedding) และการสลับระหว่างการคิดเร็วและช้า บนโมเดลหลักหลายรุ่น บรรลุประสิทธิภาพที่เทียบเท่าหรือดีกว่าโมเดล embedding เฉพาะทาง ในขณะเดียวกันลดจำนวนโทเค็นที่สร้างลงสูงสุด 5.7 เท่า

ผลลัพธ์เหล่านี้บ่งชี้ว่า — KV Cache ไม่ใช่เพียงตัวเร่งความเร็ว แต่ยังเป็น “แคชการคิด” ที่ยังไม่ได้ใช้ประโยชน์อย่างเต็มที่ เปิดจินตนาการใหม่สำหรับการนำการแสดงแทนมาใช้ซ้ำในขั้นตอนการให้เหตุผลของโมเดลขนาดใหญ่

นอกจากนี้ ห้องปฏิบัติการโนอาห์อาร์คและทีมงานพันธมิตรที่เกี่ยวข้องยังได้รวบรวมเทคนิคสถาปัตยกรรมอัลกอริทึมนวัตกรรมจำนวนมากที่ผ่านการทดสอบในสถานการณ์จริง ซึ่งเกี่ยวข้องกับการเพิ่มประสิทธิภาพอัจฉริยะในอุตสาหกรรม ในหลายทิศทาง เช่น ความทรงจำของงาน, Agentic RAG, กรอบการค้นพบอัลกอริทึมทั่วไป เป็นต้น ในเวลาเดียวกัน MindScale ยังรวมการนำโค้ดที่เหมาะกับฮาร์ดแวร์แอสเซนด์ไปใช้งาน ซึ่งช่วยให้นักพัฒนาสามารถสร้างเอเจนต์อุตสาหกรรมที่มีความแม่นยำสูงและมีประสิทธิภาพโดยอิงตามพลังการคำนวณในประเทศ

ติดตาม “Whale Habitat” Mini Program เพื่อรับข่าวสาร AI ล่าสุด

⚠️ หมายเหตุ: เนื้อหาได้รับการแปลโดย AI และตรวจสอบโดยมนุษย์ หากมีข้อผิดพลาดโปรดแจ้ง