以下是关于您提出的“ How Al Agentic workflows could drive more Al progress than even the next generation of foundation models ”问题的相关信息：
吴恩达认为人工智能代理工作流程将在今年推动人工智能的巨大进步，甚至可能超过下一代基础模型。构建代理的设计模式框架包括反思、工具使用、规划和多代理协作。反思是指 LLMs 审视自身工作并提出改进方法；工具使用是指赋予 LLMs 如网络搜索、代码执行等工具以帮助其收集信息、采取行动或处理数据；规划是指 LLMs 制定并执行多步骤计划以实现目标；多代理协作则涉及多个 AI 代理共同工作，通过分工、讨论和辩论来提出比单个代理更好的解决方案。这些设计模式为构建高效的 AI 代理提供了指导，并将在下周进一步详细阐述并提供相关阅读建议。
此外，在医疗保健领域，为了产生真正的改变，AI 需要像我们一样学习。必须让这些专家 AI 接触到顶级从业人员的多样化视角，以避免复制危险的偏见。鉴于人工智能依赖的神经网络基础，这些专家 AI 可能通过元学习（或学会学习）比我们预期的更快地获得知识，并带着我们人类一同进步。
在 AI 进化方面，CNN 的结构基于两类细胞的级联模型，主要用于模式识别任务，在计算上比大多数其他架构更有效、更快速，在许多应用中，包括自然语言处理和图像识别，已经被用来击败大多数其他算法。我们每次对大脑的工作机制的认知多一点，神经网络的算法和模型也会前进一步。
吴恩达认为人工智能代理工作流程将在今年推动人工智能的巨大进步——甚至可能超过下一代基础模型。这是一个重要的趋势，我呼吁所有从事人工智能工作的人都关注它。构建代理的设计模式框架包括反思、工具使用、规划和多代理协作。反思是指LLMs审视自身工作并提出改进方法；工具使用是指赋予LLMs如网络搜索、代码执行等工具以帮助其收集信息、采取行动或处理数据；规划是指LLMs制定并执行多步骤计划以实现目标；多代理协作则涉及多个AI代理共同工作，通过分工、讨论和辩论来提出比单个代理更好的解决方案。这些设计模式为构建高效的AI代理提供了指导，并将在下周进一步详细阐述并提供相关阅读建议。
必须让这些专家AI接触到顶级从业人员的多样化视角，以避免复制危险的偏见。但AI的黑盒性远不如大众想象中的那么强；我们今天依赖的人类决策，正如我以前[指出的](https://www.nytimes.com/2018/01/25/opinion/artificial-intelligence-black-box.html)，可以说更加不透明。我们不能因为对传播人类偏见的恐惧而限制我们探索AI如何帮助我们民主化我们的人类专家知识的意愿，而这些专家是不幸地无法扩展的。鉴于人工智能依赖的神经网络基础，这些专家AI可能通过元学习（或学会学习）比我们预期的更快地获得知识，并带着我们人类一同进步。AI的性质让我们可以做一些我们无法对人做的事情；即将他们一部分一部分地拆解，并研究每一个小部分。通过构建系统以深入探索专家AI的内部工作机制，我们将创造一个学习的飞轮。最终，专家AI可能超越领域专家的角色，成为下一代专家——无论是人类还是AI——的教师。
CNN的结构是基于这两类细胞的级联模型，主要用于模式识别任务。它在计算上比大多数其他架构更有效、更快速，在许多应用中，包括自然语言处理和图像识别，已经被用来击败大多数其他算法。我们每次对大脑的工作机制的认知多一点，神经网络的算法和模型也会前进一步！