分析型人工智慧：LLM 經紀人時代的機會——從害怕錯失良機 (FOMO) 到抓住機會

為什麼對大型語言模型（LLM）智能體的追捧並不會使分析型人工智慧過時

你是否對大型語言模型代理（LLM）感到“害怕錯過”（FOMO）？嗯，我長期以來一直有這種感覺。

近幾個月來，我的線上新聞推送似乎完全被「大型語言模型（LLM）代理」的內容淹沒了：幾乎每個科技部落格都在試圖向我展示「如何在5分鐘內建立一個代理」。幾乎每條科技新聞都在重點介紹又一家閃亮的新創公司正在開發基於LLM代理的產品，或者一家大型科技公司發布了一些用於構建代理的新庫或一些花哨的代理協議（你是不是已經看夠了MCP或Agent2Agent了？）。

突然之間，大型語言模型（LLM）代理似乎無所不在。所有這些炫目的演示都表明，這些數位巨獸完全能夠編寫程式碼、自動化工作流程並挖掘洞見；它們似乎準備取代…幾乎所有東西。

不幸的是，我們許多企業客戶也持有同樣的觀點。他們積極要求將代理功能整合到他們的產品中。他們也樂於為新的代理商開發項目提供資金，因為他們擔心在利用這項新技術方面會落後於競爭對手。

身為一名人工智慧分析從業者，在看到同事們開發的令人印象深刻的代理產品以及客戶的熱情回饋後，我不得不承認，我患上了嚴重的錯失恐懼症（FOMO）。

這讓我不禁認真思考：我所做的工作是否已經變得無關緊要了？

經過一番苦思冥想，我得出了以下結論：

不，事實並非如此。

在這篇文章中，我想分享我對大型語言模型（LLM）智能體快速崛起為何不會降低分析型人工智慧重要性的看法。事實上，我認為情況恰恰相反：它為分析型人工智慧和智慧體人工智慧都創造了前所未有的機會。

讓我們來探究一下原因。

在深入探討細節之前，讓我們先快速澄清一些術語：

分析型人工智慧（AI）我主要指的是應用於定量和數值資料的統計建模和機器學習技術。例如，在異常檢測、時間序列預測、產品設計優化、預測性維護、數位孿生等工業應用中，這些技術都發揮著重要作用。

大型語言模型代理（LLM代理）我指的是以大型語言模型（LLM）為核心的人工智慧系統，它能夠結合自然語言理解、推理、規劃、記憶和工具使用等功能，獨立執行任務。

分析型人工智慧（AI）我主要指的是應用於定量和數值資料的統計建模和機器學習技術。例如，在異常檢測、時間序列預測、產品設計優化、預測性維護、數位孿生等工業應用中，這些技術都發揮著重要作用。
大型語言模型代理（LLM代理）我指的是以大型語言模型（LLM）為核心的人工智慧系統，它能夠結合自然語言理解、推理、規劃、記憶和工具使用等功能，獨立執行任務。

觀點 1：分析型人工智慧為大型語言模型 (LLM) 智能體提供了關鍵的量化基礎。

儘管大型語言模型（LLM）在理解和產生自然語言方面表現出色，但它們在定量精度方面存在根本性的不足，無法滿足許多工業應用的需求。正因如此，分析型人工智慧才顯得不可或缺，它能夠為LLM智能體提供必要的強大數學基礎。

分析型人工智慧可以透過一些關鍵方式來提高效能，為大型語言模型（LLM）代理程式提供精確的數學基礎，並確保它們按照現實情況運作：

🛠️ 分析型人工智慧作為不可或缺的工具

將分析型人工智慧作為專門的、可調用的工具進行集成，是為大型語言模型 (LLM) 代理提供定量基礎的最常見模式。

在當前大型語言模式熱潮興起之前，各行各業早已形成了一種成熟的傳統，即利用真實世界的營運數據開發專門的分析型人工智慧工具來應對各種挑戰。這些挑戰，無論是預測設備維護或預測能源消耗，都需要極高的數值精度和複雜的建模能力。坦白說，這些能力與如今大型語言模式所具備的語言和推理能力有著本質上的差異。

這種堅實的分析型人工智慧基礎不僅重要，而且對於建立具有真實準確度和運行可靠性的大型語言模型代理至關重要。其主要目的是分離任務：讓大型語言模型代理負責理解、推理和規劃，而分析型人工智慧工具則執行它們經過專門訓練的定量分析。

在這個模型中，分析型人工智慧工具可以發揮多種關鍵作用。首先，它們可以增強智能體的能力，賦予自身所缺乏的高階分析能力。其次，它們可以根據真實世界的數據和已學習的模式來驗證智能體的輸出/假設。最後，它們可以施加物理約束，確保智能體在現實可行的範圍內運作。

舉個具體的例子，假設有一個大型語言模型智能體，其任務是優化複雜的半導體製造流程，以提高生產效率並保持穩定性。該智能體並非僅依賴文字日誌/操作員回饋，而是不斷地與一套專門的分析型人工智慧工具交互，從而即時獲得對流程的量化且富含上下文資訊的理解。

例如，為了實現高吞吐量的目標，智能體會查詢預先訓練的XGBoost 模型，根據數百個感測器讀數和製程參數來預測潛在的吞吐量。這使智能體能夠深入了解品質結果。

同時，為了確保製程穩定性，從而確保品質的一致性，該代理程式會呼叫一個自編碼器模型（預先在正常製程資料上訓練），以識別潛在的偏差或設備故障，防止其中斷生產。

當異常檢測模型指示潛在問題時，代理必須以最優方式修正路徑。為此，它會呼叫基於約束的最佳化模型，該模型使用貝葉斯最佳化演算法來推薦對過程參數的最佳調整方案。

在這種情況下，大型語言模型代理本質上扮演智慧協調者的角色。它解讀高層目標，規劃向合適的分析型人工智慧工具發送的查詢，推斷其量化輸出，並將這些複雜的分析結果轉化為可供操作人員執行的洞察，甚至觸發自動調整。這種協作確保了大型語言模型代理在應對複雜的現實世界工業問題時保持穩健可靠。

🪣 分析型人工智慧作為數位化測試環境

除了作為可重複使用工具之外，分析型人工智慧還提供另一項關鍵能力：創建逼真的模擬環境，在大型語言模型（LLM）智能體與物理世界互動之前，對其進行訓練和評估。這在工業環境中尤其重要，因為故障可能造成嚴重後果，例如設備損壞或安全事故。此類數位模擬對於確保製程安全和最佳化效能至關重要。

分析型人工智慧技術能夠透過學習歷史運行數據和控制物理方程式（例如基於物理原理的神經網路），建構工業資產或流程的精確表示。這些數位孿生模型能夠捕捉基本的物理原理、運作約束和系統固有的變異性。利用這些數位孿生模型可以實現精確分析和可靠預測。

在這個人工智慧驅動的虛擬世界中，大型語言模型（LLM）智能體可以透過以下方式進行訓練：首先接收模擬感測器數據，然後做出控制決策，最後觀察人工智慧模擬計算出的系統響應。因此，智能體可以在更短的時間內完成多次試誤學習循環，並安全地適應各種真實的運作環境。這不僅加快了開發進程，也降低了風險。

除了智慧體訓練之外，這些人工智慧驅動的模擬還提供了一個可控環境，用於在實際部署之前準確評估和比較不同智能體設定版本或控制策略的性能和穩健性。這種全面的評估確保了最佳的性能和可靠性。

舉個具體的例子，考慮電網管理。一個旨在提升再生能源併網效率的大型語言模型（LLM）智能體（或多個智能體）可以在這樣的模擬環境中進行測試，並由多個分析型人工智慧模型提供支援：例如，我們可以利用物理資訊神經網路（PINN）模型來描述複雜的動態能量流；我們還可以利用機率預測模型來模擬真實世界的機率預測模型及其對再生能源的影響。在這個豐富的環境中，LLM智能體可以學習制定複雜的決策策略，在各種天氣條件下平衡電網，而不會造成實際的服務中斷。這便實現了高效率且可持續的電網管理。

簡而言之，如果沒有分析型人工智慧，這一切都不可能實現。它提供了量化基礎和物理約束，使開發安全且有效率的智能體成為現實。分析型人工智慧是開發智慧可靠系統的基石。

📈 分析型人工智慧作為一種營運工具

現在，如果我們從新的角度來看待更大的局面，大型語言模型代理（LLM）——甚至是它們的團隊——不就是另一種作業系統嗎？它需要像任何其他工業資產/流程一樣進行管理？

這實際上意味著系統設計、優化和監控的所有原則仍然有效。而且，你猜怎麼著？分析型人工智慧正是實現這一切所需的工具。

分析型人工智慧再次展現出其潛力，能夠幫助我們擺脫試誤法（目前的做法），走向客觀、數據驅動的智慧系統管理方法。例如，利用貝葉斯最佳化演算法來設計智能體架構和配置如何？運用運籌學技術優化運算資源分配或高效率管理訂單佇列又如何？利用時間序列異常偵測方法來提醒智能體注意即時行為又如何？

將大型語言模型（LLM）智能體視為一個複雜系統並進行定量分析，開啟了許多新的機會。這種由分析型人工智慧驅動的特定操作方法，能夠將這些智能體從單純的「演示」提升為真正可靠、高效且在現代工業流程中發揮作用的工具。

觀點 2：大型語言模型 (LLM) 代理憑藉其上下文智能，可以增強分析型人工智慧。

我們已經深入探討了分析型人工智慧對大語言模型（BLM）生態系統的重要性。但這種強大的協同作用是雙向的。分析型人工智慧還可以利用BLM的獨特優勢來提升其可用性、有效性，並最終增強其在現實世界中的影響力。這些都是分析型人工智慧從業人員在應用BLM時不應忽視的關鍵點，因為它們能夠顯著改善數據分析和決策流程。

🧩 從模糊的目標到可解決的問題

通常，分析需求始於一個高層次、模糊的業務目標，例如「我們需要提高產品品質」。為了使這一目標可執行，分析型人工智慧從業者必須反覆提出澄清問題，以揭示其真正目的、具體限制和可用輸入數據，這必然會導致一個非常耗時的過程。這就要求對相關的關鍵績效指標 (KPI) 有深入的理解。

好消息是，大型語言模型（LLM）智能體在這方面表現出色。它們能夠理解這些晦澀的自然語言請求，提出澄清問題，並將其轉化為結構良好的定量問題，供分析型人工智慧工具直接處理。這顯著加快了問題識別和建模過程，為資料分析團隊節省了寶貴的時間。

📚 利用上下文和知識豐富分析型人工智慧模型

傳統的分析型人工智慧模型主要處理數值資料。對於大量非結構化且未充分利用的數據，大型語言模型（LLM）代理可以非常有效地提取有價值的信息，用於定量分析。

例如，大型語言模型（LLM）代理程式可以分析文件、報告和文字記錄，識別重要模式，並將這些定性觀察轉換為分析型人工智慧模型可以處理的定量特徵。這項特徵工程步驟通常能夠顯著提升分析型人工智慧模型的效能，使其能夠取得嵌入在非結構化資料中的、原本可能被忽略的洞見。高級特徵工程對於提高模型準確性至關重要。

另一個重要的應用場景是資料命名。大型語言模型（LLM）代理程式可以自動產生準確的類別標籤和標註。透過提供高品質的訓練數據，它們可以大大加速高性能監督學習模型的開發。

最後，透過利用大型語言模型（LLM）代理的知識（無論是在LLM內部預先訓練的，還是在外部資料庫中主動研究的），LLM代理程式可以自動建立複雜的分析流程。 LLM代理可以根據問題特徵推薦合適的演算法和參數設定[1]，產生程式碼來實現客製化的問題求解策略，甚至可以自動執行實驗來微調超參數[2]。

💡從技術成果到可執行的願景

分析型人工智慧模型往往會產生密集輸出，正確解讀這些輸出需要專業知識和時間。而大型語言模型（LLM）智能體則可以充當“解釋器”，將這些密集型定量數據轉化為清晰易懂的自然語言解釋。

這種可解釋性在解釋分析型人工智慧模型所做的決策方面發揮著至關重要的作用，使人類操作人員能夠快速理解並採取行動。此外，這些資訊對於模型開發人員來說也極具價值，可用於驗證模型輸出、識別潛在問題和改進模型效能。這個過程有助於加深對人工智慧流程的理解。

除了技術解釋之外，大型語言模型 (LLM) 代理還能針對不同類型的受眾產生客製化回應：技術團隊將收到詳細的方法論解釋，維運人員將收到可操作的建議，而高階主管則可能收到突出業務影響指標的摘要。這種個人化確保了正確的訊息能夠傳遞給正確的利害關係人。

大型語言模型（LLM）代理透過充當分析系統和人類用戶之間的翻譯，可以大大增強分析人工智慧的實際價值。

觀點 3：或許未來在於分析型人工智慧和代理型人工智慧之間的真正合作。

無論大型語言模型（LLM）智能體調用分析型人工智慧工具，還是分析系統使用LLM智能體進行解釋，我們目前討論的方法始終圍繞著一種人工智慧負責另一種人工智慧展開。這帶來了一些局限性，值得進一步探討。

首先，在目前模型中，分析型人工智慧的各個元件僅作為被動工具使用，只有在大型語言模型需要時才會被呼叫。這使得它們無法主動貢獻洞見或質疑既有假設。

此外，典型的智能體循環「計劃-調用-響應-行動」本質上是依序執行的。對於那些能夠受益於平行處理或人工智慧元件間非同步互動的任務來說，這種方式效率可能較低。

另一個限制因素是連線頻寬有限。 API 呼叫可能無法提供真正對話或中間推理交流所需的豐富上下文資訊。

最後，分析型人工智慧工具對大型語言模型代理的理解通常依賴於簡短的文檔和參數模式。大型語言模型代理在工具選擇上容易出錯，而分析型人工智慧元件缺乏辨識自身誤用情況所需的上下文資訊。

工具呼叫如今如此普遍，並不代表未來也會如此。或許未來在於一種真正的點對點協作模式，在這種模式下，任何單一類型的人工智慧都不會佔據主導地位。

這在實踐中會是什麼樣子呢？我發現的一個有趣的例子是西門子提供的解決方案[3]。

在他們的智慧工廠系統中，數位孿生模型持續監控設備健康狀況。當變速箱故障時，分析型人工智慧系統不會等待查詢，而是主動發出警報。 Copilot LLM 代理程式監控同一事件匯流排。收到警報後，它會 (1) 交叉引用維護日誌，(2) “請求”數位孿生模型使用即將到來的班次模式重新運行模擬，以及 (3) 建議調整計劃以避免代價高昂的停機。這個案例的獨特之處在於，分析型人工智慧系統並非被動工具；它會在需要時主動發起對話。

當然，這只是其中一種可能的系統架構。其他方向包括具有專門認知功能的多智能體系統，或者對這些系統進行交叉訓練，以開發融合兩種人工智慧系統特性的混合模型（就像人類發展出綜合的數學和語言推理能力一樣），或者簡單地借鑒成熟的集成學習技術，將大規模語言模型智能體和分析型人工智能視為可以系統地集成的不同模型類型。未來的可能性是無限的。

但這同時也提出了許多引人入勝的研究挑戰。我們如何設計共享表示？哪種架構最能支援非同步資訊交換？分析型人工智慧和智能體之間理想的通訊協定是什麼？

這些問題代表著全新的領域，無疑需要分析型人工智慧從業人員的專業知識。再次強調，深入理解如何建立具有量化精度的分析模型不僅沒有過時，而且對於建立未來的混合系統至關重要。