“ RAG技術未來并不會被淘汰，只不過會隨著技術的迭代而不斷升級。”

關于RAG技術有很多不同的觀點，有人認為RAG技術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技術會隨著大模型技術的迭代進行升級，更多的是會形成協同發展。

而從企業的角度來說，由于RAG技術未來的不確定性，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于RAG在未來的發展形勢。

RAG的未來會是什么樣？

關于RAG技術會不會被淘汰的問題，作者認為應該不會被淘汰；但肯定會隨著大模型技術的發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技術不會被淘汰。

首先，關于RAG技術被淘汰的原因無非就是說大模型的能力越來越強，參數越來越大，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。

其次，目前模型主要采用的還是預訓練的方式，雖然也有反饋學習等方式的出現；但大模型并沒有真正學會自主學習，對實時數據依然無法進行處理，而這正是RAG發揮作用的地方。

再有，馬克思所推崇的第一性原理，一切以物理規律為基礎；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據；但這個成本怎么辦？

對很多企業來說，訓練和微調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，為什么不去選擇RAG而是選擇訓練或微調？

訓練和微調模型的成本不僅僅只包括資金成本，同時還包括技術成本和時間以及迭代成本。

比如說，訓練或微調一個金融領域的模型，就只能應用于金融領域；但如果有需求需要處理法律領域的問題該怎么辦？

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

而使用RAG技術就沒有這方面的顧慮，只需要訓練一個NLP任務的模型；然后處理金融領域就加載金融領域的數據，處理法律領域的問題，就加載法律領域的數據。

所以RAG具備模型訓練所不具備的優勢：

• 成本低
• 實時性好
• 領域適配靈活

而且從目前的RAG技術發展來看，RAG技術也經過了幾次版本的迭代；從剛開始的純文本檢索的RAG技術，到現在的相似度檢索，圖結構存儲，認知增強和分布式RAG等。

更多的還可以把RAG技術與其它領域的技術相結合，比如說智能體，通過智能體來實現RAG的自主檢索的功能。

RAG不會消失，而是會進化為智能系統的核心基礎設施。其價值不在于取代大模型，而在于構建可持續進化的認知體系。拒絕RAG的企業，將在AI落地深水區失去關鍵競爭力。

本文轉載自??AI探索時代?? 作者：DFires