英伟达也做深度研究智能体了。
最新论文介绍了英伟达的通用深度研究（UDR）系统，该系统支持个人定制，可接入任何大语言模型（LLM）。
这意味着它能够围绕任何语言模型运行，用户可以完全自定义深度研究策略，并交给智能体实现。
为展示其通用性，英伟达还为 UDR 配备了带用户界面的研究演示原型，可在 GitHub 上下载。
网友认为，它使智能体的自主性得到了突破，非常适合企业工作。
自带模型和策略
论文介绍，以往推出的所有深度研究智能体，都采用硬编码方式，仅能通过固定的工具选择来执行特定研究策略。
而英伟达的 UDR 系统能够围绕任何 LLM 运行。
还能使用户能够在无需额外训练或微调的情况下，创建、编辑和优化他们完全自定义的深度研究策略。
上图呈现的是一个典型深度研究工具（DRT）的组成部分，与普通的对话式 LLMs 不同，DRTs 在生成报告之前倾向于持续向用户更新其进度。
一个 DRT 由两部分组成：
一个简单的用户界面：用于接收研究提示，持续向用户更新研究进度，并显示研究报告；
代理逻辑：代码代理（通过代码协调大语言模型与工具的组合运用）或 LLM 代理（直接利用模型自身的推理和工具调用能力）。
无论是 Gemini、Perplexity 还是 OpenAI，现有的 DRTs 主要采用僵化的研究策略，除研究提示词外几乎不留用户定制空间；而在具有 LLM 代理的 DRTs 中，往往存在底层模型选择单一、或仅使用训练后行为特征相同的同系列模型的问题。
虽然这个问题并不是阻碍 DRTs 广泛流行的障碍，但它从三个方面限制了它们的实用性:
1、用户既不能自主设置资源优先级，也无法自动验证信息的权威性，更无法控制搜索成本。
2、现有的 DRTs 做不出高价值行业需要的专业文档分析方案。
3、现有的 DRTs 使用的模型是不可换的 —— 用户不能随意将最新或最强大的模型与深度研究智能体组合起来，以产生一个更强大的 DRT。
而英伟达的 UDR 系统提出了一种通用的解决方案来解决上述问题。
简单地说，与专门的 DRT 不同，UDR 从用户那里接收研究策略和研究提示，允许更高的定制程度。
UDR 能够将策略从自然语言编译成可执行的研究编排代码片段，然后执行策略，并将最终报告交付给用户。
其最显著的创新特性包括：
通过自然语言定制研究策略。UDR 支持用户用自然语言定义和编程自己的研究工作流，系统会将其转换为可执行、可审计的代码。
这意味着用户自己设计的智能操作流程，不需要重新训练 AI 模型或进行复杂调试，就能直接投入实际使用。
与模型无关的研究工具架构。UDR 将研究逻辑与语言模型解耦，使开发者能够将任何大语言模型 —— 无论供应商或架构如何 —— 封装成功能完整的深度研究工具。
这样一来，产品设计就有了更大发挥空间：既能选用最先进的 AI 模型，又能搭配量身定制的研究方案，实现灵活组合的创新应用。
用户可控的策略驱动研究界面。下图的原型展示了四大实用功能：实时修改研究策略、选择预设策略库、接收进度通知、查看分析报告。
UDR 通过区分控制逻辑和语言模型推理来提升计算效率：整个深度研究流程的调度由生成的代码全权负责，这些代码直接在 CPU 上运行，避免了成本高出数十倍的语言模型推理开销。
系统仅在用户自定义研究策略明确要求时才会调用 LLM，且每次调用仅处理代码变量中存储的精简定向文本片段。
这种双重高效设计 —— 将流程调度交给 CPU 执行逻辑，同时将 LLM 的使用严格限定在精准高效的调用中 —— 不仅能够降低 GPU 资源消耗，还可以显著减少深度研究任务的总体执行延迟和成本。
仍需进一步探索
不过，这项工作目前还存在一定的局限性。
一方面，UDR 系统执行研究策略的准确度，完全取决于底层 AI 模型生成代码的质量。虽然研究人员通过强制要求代码添加注释来减少错误，但当策略表述模糊或不够具体时，系统偶尔还是会产生理解偏差或逻辑错误。
另一方面，UDR 默认用户设计的研究策略本身是合理且可执行的。系统只会做基础检查，不会判断策略步骤是否真正有效。如果策略设计得不好，最终生成的报告可能质量低下、内容不全，或者根本生成不出报告。
此外，还有一点在于，虽然 UDR 会实时显示研究进度，但当前版本在执行过程中不支持用户干预（只能停止任务），也无法根据实时反馈调整研究方向。
所有决策都需要在研究开始前就预先设定好，这使得长时间或探索性的研究任务缺乏灵活性。
针对上述问题，研究人员也提出了进一步的解决方案 —— 或者说改进方案：
比如配备可修改定制的研究策略库、进一步探索如何让用户控制语言模型的自由推理过程、将大量用户提示自动转化为确定性控制的智能体等。
目前英伟达的 UDR 系统还只是原型阶段，并未正式推出，但或许可以期待一下。
期待一个功能完整的正式版本。
参考链接：
[1]https://x.com/rohanpaul_ai/status/1964689864244203596
[2]https://research.nvidia.com/labs/lpr/udr/
[3]https://github.com/NVlabs/UniversalDeepResearch
本文来自微信公众号：量子位（ID：QbitAI），作者：不圆，原标题《英伟达推出通用深度研究系统，可接入任何 LLM，支持个人定制》
