“ RAG技術(shù)未來并不會被淘汰，只不過會隨著技術(shù)的迭代而不斷升級。”

關(guān)于RAG技術(shù)有很多不同的觀點，有人認為RAG技術(shù)是大模型的階段性解決方案，最終會被淘汰；但也有人認為RAG技術(shù)仍不能被替代，其作用依然無可代替；而還有觀點認為RAG技術(shù)會隨著大模型技術(shù)的迭代進行升級，更多的是會形成協(xié)同發(fā)展。

而從企業(yè)的角度來說，由于RAG技術(shù)未來的不確定性，因此有些人對RAG還存在各種各樣的顧慮問題。

所以，我們今天就來討論一下關(guān)于RAG在未來的發(fā)展形勢。

RAG的未來會是什么樣？

關(guān)于RAG技術(shù)會不會被淘汰的問題，作者認為應(yīng)該不會被淘汰；但肯定會隨著大模型技術(shù)的發(fā)展不斷地迭代和演進。

下面我們就來詳細梳理一下為什么RAG技術(shù)不會被淘汰。

首先，關(guān)于RAG技術(shù)被淘汰的原因無非就是說大模型的能力越來越強，參數(shù)越來越大，泛化能力越來越強，所以以后不再需要RAG這種外部增強工具。

但我們來思考一個問題，雖然大模型的能力會越來越強大，但其能力總是有限的，大模型總不可能真正成為一個無所不能的“神”，至少在可見的未來這種情況幾乎不可能實現(xiàn)。

其次，目前模型主要采用的還是預(yù)訓(xùn)練的方式，雖然也有反饋學(xué)習(xí)等方式的出現(xiàn)；但大模型并沒有真正學(xué)會自主學(xué)習(xí)，對實時數(shù)據(jù)依然無法進行處理，而這正是RAG發(fā)揮作用的地方。

再有，馬克思所推崇的第一性原理，一切以物理規(guī)律為基礎(chǔ)；大模型的能力增強，但其體積和存儲空間也會不斷增大；但我們知道物理存儲是有極限的，不可能所有都行都能存儲下來。

再者說，即使不考慮物理存儲的問題，大模型完全依靠自身能力去存儲所有數(shù)據(jù)；但這個成本怎么辦？

對很多企業(yè)來說，訓(xùn)練和微調(diào)一次模型的成本是不可接受的；哪怕可以接受，有更便宜和方便的RAG技術(shù)，為什么不去選擇RAG而是選擇訓(xùn)練或微調(diào)？

訓(xùn)練和微調(diào)模型的成本不僅僅只包括資金成本，同時還包括技術(shù)成本和時間以及迭代成本。

比如說，訓(xùn)練或微調(diào)一個金融領(lǐng)域的模型，就只能應(yīng)用于金融領(lǐng)域；但如果有需求需要處理法律領(lǐng)域的問題該怎么辦？

這時又需要重新訓(xùn)練一個新的法律模型，雖然說微調(diào)和訓(xùn)練能讓模型在特定領(lǐng)域上表現(xiàn)更好，但其缺點同樣不可忽視。

而使用RAG技術(shù)就沒有這方面的顧慮，只需要訓(xùn)練一個NLP任務(wù)的模型；然后處理金融領(lǐng)域就加載金融領(lǐng)域的數(shù)據(jù)，處理法律領(lǐng)域的問題，就加載法律領(lǐng)域的數(shù)據(jù)。

所以RAG具備模型訓(xùn)練所不具備的優(yōu)勢：

• 成本低
• 實時性好
• 領(lǐng)域適配靈活

而且從目前的RAG技術(shù)發(fā)展來看，RAG技術(shù)也經(jīng)過了幾次版本的迭代；從剛開始的純文本檢索的RAG技術(shù)，到現(xiàn)在的相似度檢索，圖結(jié)構(gòu)存儲，認知增強和分布式RAG等。

更多的還可以把RAG技術(shù)與其它領(lǐng)域的技術(shù)相結(jié)合，比如說智能體，通過智能體來實現(xiàn)RAG的自主檢索的功能。

RAG不會消失，而是會進化為智能系統(tǒng)的核心基礎(chǔ)設(shè)施。其價值不在于取代大模型，而在于構(gòu)建可持續(xù)進化的認知體系。拒絕RAG的企業(yè)，將在AI落地深水區(qū)失去關(guān)鍵競爭力。

本文轉(zhuǎn)載自??AI探索時代?? 作者：DFires