從ChatGPT到多智能體協(xié)作：AI新形態(tài)崛起

2022年底，ChatGPT的出現(xiàn)讓AI助手進入大眾視野，它能夠記住用戶的上下文，持續(xù)回答問題，甚至創(chuàng)作內(nèi)容。然而，智能體的發(fā)展遠不止于此。

進入2024年后，多個由企業(yè)、開源社區(qū)開發(fā)的“多智能體系統(tǒng)”相繼亮相。Manus、ChatDev、AutoGen、MetaGPT等項目通過配置一組智能體，在軟件開發(fā)、自動流程控制、項目管理、任務(wù)執(zhí)行等領(lǐng)域展開協(xié)作，模擬人類團隊工作模式。

這些系統(tǒng)中的每一個Agent都承擔(dān)不同角色，比如CEO負責(zé)設(shè)定目標(biāo)，CTO制定技術(shù)路線，工程師編寫代碼，測試人員自動測試。這類系統(tǒng)的工作方式發(fā)生了根本性轉(zhuǎn)變——從人類驅(qū)動AI到AI自行協(xié)作決策執(zhí)行。智能體不再是“工具”，而是“合作者”。

這一趨勢的背后，對計算資源的需求變得持續(xù)且動態(tài)，但更關(guān)鍵的是：智能體離不開數(shù)據(jù)。

智能體的運行并不僅僅依靠算力。隨著其功能變得更復(fù)雜、運行時間更長、對話更持續(xù)，它們對于“數(shù)據(jù)”的依賴程度急劇上升：

1、智能體往往基于長上下文記憶執(zhí)行任務(wù)。像GPT-4、Claude等模型已支持超長Token窗口，但這只是第一步。為了更高效的記憶調(diào)取，系統(tǒng)需要使用KV Cache（鍵值緩存）或外部向量數(shù)據(jù)庫來訪問。存儲系統(tǒng)必須提供極低延遲、高并發(fā)的訪問能力。

2、智能體會持續(xù)對任務(wù)進行調(diào)整優(yōu)化，需要頻繁讀寫臨時數(shù)據(jù)，生成中間步驟結(jié)果、緩存用戶狀態(tài)、存儲反饋結(jié)果。這對存儲系統(tǒng)的實時響應(yīng)和一致性提出挑戰(zhàn)。

3、當(dāng)多個Agent需要共享某一任務(wù)狀態(tài)或數(shù)據(jù)時，網(wǎng)絡(luò)通信之外，底層存儲必須支持高效的數(shù)據(jù)復(fù)制、共享緩存、跨節(jié)點一致性。

簡言之，智能體需要的不只是“記憶”更多，而是“更聰明的記憶系統(tǒng)”。

面向智能體的存儲演進趨勢

智能體的落地推進了AI基礎(chǔ)設(shè)施的再定義，也讓“存儲”從幕后走到臺前。全球范圍內(nèi)，多家企業(yè)和機構(gòu)正在對“智能體時代的存儲”展開布局，呈現(xiàn)以下趨勢：

趨勢一：從通用存儲向“AI原生存儲”演進

以曙光FlashNexus、華為OceanStor、HPE Alletra Storage MP為代表的新一代AI存儲系統(tǒng)，將AI算力適配作為設(shè)計起點：支持NVMe高并發(fā)協(xié)議、內(nèi)置KV Cache、向量檢索優(yōu)化、算存分離等。

趨勢二：存儲系統(tǒng)智能化，實現(xiàn)“自主服務(wù)”

現(xiàn)代AI存儲系統(tǒng)開始集成AIOps能力。比如，Alletra系統(tǒng)結(jié)合HPE InfoSight智能平臺，可以自動分析負載、預(yù)測故障、建議調(diào)優(yōu)配置。這種“智能存儲”不再需要人來“調(diào)”，而是能感知智能體需求，主動服務(wù)。

趨勢三：融合高速網(wǎng)絡(luò)，打通數(shù)據(jù)通路

隨著數(shù)據(jù)通路成為瓶頸，光纖通道（FC）、RDMA、NVMe over Fabric（NVMe-oF）等高速互聯(lián)技術(shù)成為智能體系統(tǒng)的“輸血管道”。HPE B系列光纖交換機、英偉達GDPS系統(tǒng)等產(chǎn)品正加速從“存儲網(wǎng)”向“AI網(wǎng)”升級。

當(dāng)智能體協(xié)同系統(tǒng)橫跨數(shù)據(jù)中心部署時，存儲+網(wǎng)絡(luò)協(xié)同優(yōu)化就是不可或缺的底座。

最后

從AI助手到超級Agent、從單點智能到多體協(xié)作，AI智能體的出現(xiàn)不是一個“模型升級”的問題，而是一次“系統(tǒng)進化”的開始。而作為數(shù)據(jù)承載、管理、調(diào)配的中樞，存儲系統(tǒng)正從后臺“管家”，轉(zhuǎn)型為AI智能體的“智能搭子”。

崔歡歡